Measuring system that contributes to the engineering productivity during the design phase by including the impacting factors
Authors
Georgieva, Mihaela ; Krumova, Kameliya Milevoeva
Term
4. Semester
Publication year
2021
Submitted on
2021-01-05
Abstract
Dette speciale undersøger ingeniørproduktivitet i projekteringsfasen i byggeriet, et område som er langt mindre behandlet end produktivitet på byggepladsen. Formålet er at belyse, hvordan produktivitet i designkontorer kan måles på en mere standardiseret og praktisk måde, der tager højde for de faktorer, som påvirker resultaterne. Med en mixed-methods tilgang omfatter arbejdet en omfattende litteraturgennemgang, tre ekspertinterviews og en spørgeskemaundersøgelse, efterfulgt af analyser af pålidelighed og ikke-parametriske test for at identificere de mest betydende påvirkningsfaktorer og praksisser for måling. På baggrund af resultaterne foreslås en tre-faset produktivitetsramme, der kombinerer faktoridentifikation, struktureret dataindsamling og modellering. Specialet evaluerer relevante modelleringsmetoder og udvikler en produktivitetsmodel baseret på kunstige neurale netværk (ANN) med beskrivelser af dataforberedelse, træning, validering og implementering. Konklusionen er, at der i mangel af branchestandarder kan den foreslåede ramme og ANN-tilgangen hjælpe designorganisationer med at strukturere deres data, synliggøre styrker og svagheder og overvåge produktiviteten mere konsistent. Arbejdet peger samtidig på praktiske udfordringer, herunder begrænset dataadgang og COVID-19-relaterede barrierer, og fremhæver behovet for yderligere standardisering og empirisk afprøvning i praksis.
This thesis examines engineering productivity during the design phase in the building industry, an area far less addressed than site-based labor productivity. The aim is to clarify how productivity in design offices can be measured in a standardized, practical way that accounts for the factors influencing performance. Using a mixed-methods approach, the study combines an extensive literature review, three expert interviews, and a survey, followed by reliability and non-parametric analyses to identify high-impact factors and current measurement practices. Based on these findings, it proposes a three-phase productivity framework that integrates factor identification, structured data collection, and modeling. The thesis evaluates candidate modeling techniques and develops an Artificial Neural Network (ANN) productivity model, detailing data preparation, training, validation, and implementation. It concludes that, in the absence of industry-wide standards, the proposed framework and ANN approach can help design organizations structure data, reveal strengths and weaknesses, and monitor productivity more consistently. The work also highlights practical challenges, including limited data availability and COVID-19 constraints, and calls for further standardization and empirical validation within design organizations.
[This summary has been generated with the help of AI directly from the project (PDF)]
Documents