کاربرد رایانه در مهندسی
مدل کلی برای اندازه گیری مزایای BIM به عنوان یک ابزار آموزشی در کارهای ساخت و ساز
مدل کلی برای اندازه گیری مزایای BIM به عنوان یک ابزار آموزشی در کارهای ساخت و ساز
در طول سال های گذشته، فهم مردم از مدلسازی اطلاعات ساختمان در معماری و مهندسی و صنعت ساخت (AEC ) به میزان زیادی بهبود یافته است. مدلسازی اطلاعات ساختمان می تواند به طور متفاوت به عنوان یک طرح و محیط ساخت مجازی، یک وسیله ارتباط بین ذینفعان، یک مدل اطلاعات طول عمر یا یک سکوی آموزشی که در دانشگاه ها استفاده می شود، شناخته شود. همچنین می تواند به عنوان یک ابزار یادگیری که به تیم پروژه در آشنایی آنها با وظایفشان قبل از آغاز آن وظیفه در سایت کمک کند، استفاده شود. منحنی های یادگیری در دو موقعیت (وظایف ساخت با BIM و وظایف ساخت بدون BIM ) با استفاده از یک سری پروسه های آنالیزی مشخص می شوند. دو منحنی یادگیری مقایسه می شوند و عوامل (تاثیرات) یادگیری با BIM با عنوان L effBIM مدل می شوند.
عوامل (تاثیرات) یادگیری تمایل به پیروی از یک منحنی یادگیری دارند. تئوری اساسی پشت منحنی یادگیری این است که کارگر و تیم پروژه، با انجام دادن یاد می گیرند. این پدیده در خیلی از فعالیت های تولیدی تکراری مشهود است و با عنوان تجربه یادگیری یا تأثیر یادگیری شناخته می شود.
با وجود این، منحنی یادگیری فقط یک منحنی برای بازتاب سودمندی کار خالص که قابل نسبت دادن به تلاش و مهارت خود کارگران باشد، نیست. یادگیری در پشت منحنی یادگیری از یک تلاش یکپارچه در فاکتورهای متنوعی نتیجه می شود، مانند کارگر مستقیم، کارگر غیرمستقیم، پرسنل تکنیکی و عمل مهندسی یا مدیریتی برای تغییر تکنولوژی و تجهیزات و پروسه ها و یا مافوق کارگران. به این مورد باید توجه شود که مطالعات قبلی بر روی کارگران منفرد در وظایف کاری تکراری، تمرکز کرده اند و به اِفکت های یادگیری در وظایف مدیریتی مانند پلان پروژه، مدیریت کار سایت و نوآوری، به طور کامل توجه نشده است. با همه این اوصاف، فایده منحنی یادگیری این است که می تواند تلاش یکپارچه ی همه این فاکتورها را توصیف کند. آدلر و کلارک در سال 1991 این منحنی یادگیری را یک مدل همه گیر (catch-all ) با یک متغیر توضیحی (منظور: همان تجربه) نامیدند.
به این دلیل که یک مدل آماری وسیع برای منحنی یاد گیری که تمام تولیدات یا فعالیت ها را در بر بگیرد وجود ندارد، فرم های بسیاری از منحنی یادگیری توسعه یافته است (جدول ا).
![]()
برای اندازه گیری عوامل یادگیری با همکاری BIM ، منحنی های یادگیری در دو موقعیت شناسایی می شوند: وظایف ساخت با و بدون BIM ای که در یادگیری کمک می کند. اگر دو موقیت عیناً مشابه هم باشند به غیر از یک فاکتور (BIM )، اِفکت های یادگیری با همکاری BIM می تواند با مقایسه دو منحنی یادگیری مدل شود. (شکل 2).
![]()
گام اول – مشخص کردن فعالیت های تکراری ساخت به منظور بررسی و مطالعه
در این گام، تصمیم گیرنده، فعالیت (Task ) ساخت تکراری که تمرکز روی آن است را مشخص می کند. علاوه بر اجرای فیزیکی یک پروژه بعضی از فعالیت های مدیریتی پروژه مانند برنامه ریزی پروژه و هماهنگی سایت نیز می توانند نسبت به عوامل یادگیری بالقوه شان بررسی شوند.
گام دوم – جمع آوری داده های عملکردی
در این گام، داده های عملکردیِ فعالیت های ساخت تکراری از پروژه ها جمع می شوند. فرمت داده های مناسب برای اندازه گیری عملکرد پروژه، ضروری و لازم است. برای این منظور، یک تصمیم در این مقاله برای جمع کردن شکل واحد بهره وری (به فرم ساعت کار در مترمربع) گرفته می شود و پردازش آن با استفاده از میانگین وزنی نمایی انجام می شود که در گام 3 به دقت شرح داده می شود.
به عنوان یک نتیجه گام 2، دو مجموعه از داده های عملکردی جمع خواهند شد. آنها می توانند به زبان ریاضی همانطورکه در معادله 1 و 2 دیده می شود، تعریف شوند:
![]()
که D مجموعه داده های عملکردی برای یک تسک ساخت تکراری بدون حمایت BIM و D' مجموعه داده های عملکردی از یک تسک ساخت تکراری با حمایت BIM است و m و n تعداد سیکل های هر تسک است.
گام سوم – تحلیل داده ها
این گام کمک می کند که داده ها بدون اشکال باشند. به دلیل محیط پیچیده و آشفته در یک سایت ساخت، داده ها معمولاً مقدار زیادی پارازیت و پراکندگی را دربر می گیرند. معادله میانگین وزنی نمایی عبارتست از:
![]()
بطوریکه i ، سیکل؛ Si ، داده های عملکردی بدون اشکال شده برای سیکل؛ Di ، داده های عملکردی اصلی جمع شده از سیکل i اُم؛ S i-1 داده های عملکردی بدون اشکال شده برای سیکل i-1 اُم؛ و a فاکتور وزن دهی و یا پارامتر روان و سلیس کننده (بدون اشکال کننده) که توسط سازنده مدل تعیین می شود.
![]()
بطوریکه S ، مجموعه ای از داده های عملکردی سلیس شده از یک تسک ساخت بدون حمایت BIM ؛ و برای Sm داریم: ![]()
![]()
بطوریکه S' ، مجموعه ای از داده های عملکردی سلیس شده از یک تسک ساخت با حمایت BIM است؛ و برای S'n داریم: ![]()
گام چهارم – مشخص کردن منحنی یادگیری بهینه
این گام، شناسایی یک مدل منحنی یادگیری را وارد می کند که می تواند بهترین توصیف داده های عملکردی ای باشد که در معادلات 3 و 4 می بینیم. (محاسبات مربوطه حذف گردیده است)
دو منحنی یادگیری که با پروسه های آنالیزی مشخص شدند، می توانند بطور گرافیکی نیز نشان داده بشوند (شکل 3).
![]()
گام پنجم – مقایسه دو منحنی یادگیری
دو منحنی یادگیری به عنوان یک نتیجه پردازش های آنالیزی قبل مشخص می شوند. تفریق مدل های منحنی یادگیری، عوامل یادگیری در ترکیب با BIM را ارائه می دهد. این امر در معادله 7 نشان داده می شود:
![]()
گام ششم – محاسبه عوامل یادگیری جمع شده با BIM
این امر به صورت گرافیکی با سطح هاشور خورده در شکل 4 نمایش داده می شود.
![]()
مشخص کردن و اندازه گیری فواید BIM به عنوان یک ابزار یادگیری هم ارزش های آکادمیک و هم عملی دارد، شامل بهبود فهم مردم از BIM و کمک به تصدیق سرمایه گذاریشان در این مورد. این مقاله انتظار دارد که BIM یک محیط مجازی ارزانتر برای یادگیری در اثر انجام دادن بصری، فراهم کند و نه تنها برای فعالیت های ساخت تکراری فیزیکی بلکه برای فعالیت های مدیریتی پروژه هم، بکار گرفته شود.
ترجمه:
میر شاهرخ خباز
دانشجوی دکتری مهندسی و مدیریت ساخت
منبع :
Generic Model for Measuring Benefits of BIM as a Learning Tool in Construction Tasks - Journal of Construction Engineering and Management (2013)
آرشيو مطالب...
دکتر روانشادنیا :
اصل مقاله را دریافت و استفاده کنید
موفق باشید
علی اکبر خلیلی :
متاسفانه فرمول ها یا شکل های داخل متن رو نمی تونم باز کنم ... اگر امکان ش هست متن رو برام در قالب پی دی اف یا ورد ایمیل کنید ... خیلی ممنون می شم .
alikhalili60@gmail.com
با تشکر