Información

2.9: No conformidad - Biología

2.9: No conformidad - Biología


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Cuando un proceso, producto o materia prima no cumple con las especificaciones, se denomina no conformidad. Los problemas de no conformidad se clasifican en una de tres categorías según el defecto del producto: crítico, mayor y menor.

  1. Defecto crítico: Es probable que un defecto que el conocimiento y la experiencia indiquen resulte en condiciones inseguras para las personas que utilizan, mantienen o dependen del producto. Cuando Firestone descubrió que sus llantas podrían explotar repentinamente y provocar accidentes, este fue un defecto crítico que provocó un esfuerzo masivo de recuperación.
  2. Defecto mayor: Un defecto mayor es un error no crítico que probablemente resulte en una falla del producto (que no ponga en peligro la vida) o una reducción significativa del material en la usabilidad del producto para el propósito previsto. Si el plástico utilizado en la tapa de una licuadora, por ejemplo, se dobla en agua caliente, por lo que ya no cabe en la licuadora y los líquidos salpican por todas partes, se diría que la tapa de la licuadora tiene un defecto importante.
  3. Defecto menor: "Un defecto que probablemente no reduzca materialmente la usabilidad de la unidad de producto para el propósito para el que fue diseñada o es una desviación de los estándares establecidos que tienen poca relación con el uso u operación efectiva de la unidad". (Summers, 2010). Por ejemplo, los vasos de plástico para beber que se vuelven turbios en el lavavajillas, pero que tienen una estructura sólida, son un caso de un defecto menor.

Debe enfatizarse que estas tres categorías no son las únicas clasificaciones posibles, y una empresa puede definir sus clases de defectos o dividir estos estándares en tipos de detalles aún más finos. Aún así, es importante que un empleado pueda determinar el impacto de un defecto y clasificarlo adecuadamente para que se tome el nivel correcto de respuesta.

¡Prueba tus conocimientos!

Lea el siguiente artículo de noticias sobre el retiro del mercado de un dispositivo médico.

  1. ¿Qué tipo de incumplimiento fue este? (Crítico, mayor, menor).
  2. ¿Qué parte del proceso cree que no logró detectar este error de fabricación? (Inspección, auditoría, vigilancia) ¿Por qué?

Prevención de no conformidades

Control estadístico de calidad (SQC) es el uso de métodos estadísticos para resolver problemas. Los datos sobre el producto se recopilan, analizan y utilizan para resolver problemas de calidad del producto, como el seguimiento y control de la variación del producto. Además, las estadísticas se pueden aplicar al análisis de métodos de proceso para prevenir defectos, lo que se denomina control de proceso estadístico (SPC). SPC es particularmente importante para identificar actividades que pueden resultar en defectos y no conformidad del producto. Es importante tener en cuenta que el uso del análisis estadístico es esencial para pasar de inspeccionar la calidad a un producto terminado y hacer mejoras en el proceso de la calidad de fabricación en el producto. Por lo tanto, la responsabilidad de la calidad pasa de los inspectores al personal de diseño de fabricación.

El control estadístico de procesos ayuda a las empresas a lograr objetivos críticos

  1. Fabricar constantemente productos que cumplan con las expectativas de calidad del cliente.
  2. Reducir la variabilidad en la calidad del producto dentro y entre corridas de fabricación.
  3. Mejore los procesos identificando ineficiencias.
  4. Minimice los costos de producción.
  5. Orientarse hacia las soluciones e implementar cambios basados ​​en el análisis científico de los problemas.
  6. Ayudar con el proceso de resolución de problemas.
  7. Aumente las ganancias y la productividad.

Cambio de procedimientos de control

Las desviaciones u OOS pueden no ser un "negativo" sino un "positivo". Es posible que el cambio resulte en una mejora, pero ¿cómo se incorpora este cambio? En un proceso altamente regulado, los cambios deben tomarse de manera conservadora y requieren la estrecha colaboración del personal de producción con el personal de aseguramiento de la calidad. Todos los cambios deben ser considerados cuidadosamente y documentados minuciosamente. Un pequeño cambio en un aspecto de la producción puede tener un cambio imprevisto en otro aspecto de la producción o en la calidad del producto final. Las pruebas rigurosas deben preceder a cualquier cambio que se instituya.

Directrices generales para los procedimientos de control de cambios

  1. Revisión y aprobación del cambio (propuesto) por Fabricación, Materiales, Gestión, Ingeniería, Asuntos Regulatorios, QC y QA.
  2. Verificación de la finalización de los estudios requeridos, informes, etc., que respalden el cambio.
  3. Documentación adecuada de todos los eventos relacionados con el cambio.
  4. Un archivo de control de cambios que incluye documentación de aprobaciones, un historial de cambios para cada documento oficial y registros y datos para respaldar el cambio.

Un cambio en los procedimientos de control funciona mejor cuando está planificado y bien pensado. Uno debería preguntarse cómo afectará el cambio a la eficiencia del proceso, la seguridad de los trabajadores, la facilidad de operación del equipo y la calidad del producto, por nombrar algunos. Si surge un problema, los empleados deben tener la capacitación y la autonomía para hacer lo que consideren necesario en el momento para evitar daños significativos al equipo, pérdida de producto o lesiones a los trabajadores. Idealmente, existe un plan que se ocupa de este tipo de emergencias. Esto debe ir seguido de una reunión de control de cambios lo antes posible para discutir y revisar el incidente y seguir el procedimiento regular de control de cambios a partir de ese momento. Además, la empresa debe documentar todas las actividades realizadas durante el período de "emergencia".

El futuro de la calidad

La filosofía budista de que “nada es permanente” es muy acertada cuando se trata de la calidad. Los sistemas y metodologías de calidad continúan evolucionando y adoptando el cambio junto con el ritmo de los nuevos productos tecnológicos. Es importante recordar que el cliente influye en el futuro de la calidad. Esta es una nueva generación inteligente que exige valor y satisfacción. Para que las organizaciones creen valor, necesitarán la claridad del punto de vista del cliente. Los sistemas de calidad implementados, que son internos de la empresa, deberán ser adaptables y sostenibles al intentar eliminar el desperdicio. La competencia es la fuerza impulsora que anima a las empresas a buscar formas de obtener una ventaja competitiva.


Objetivo

Comparar los planes de tratamiento para la irradiación mamaria parcial acelerada calculados por la nueva convolución de cono colapsado (CCC) disponible comercialmente y los algoritmos estándar actuales basados ​​en TG-43 para 50 pacientes tratadas en nuestra institución con un implante de volumen ajustado por Strut (SAVI) o Dispositivo Contura.

Métodos y materiales

Recalculamos la cobertura objetivo, el volumen de tejido normal altamente dosificado y la dosis a los órganos en riesgo (costillas, piel y pulmón) con cada algoritmo. Para 1 caso, se agregó una bolsa de aire artificial para simular un 10% de no conformidad. Realizamos una prueba de rango con signo de Wilcoxon para determinar las diferencias medianas en los índices clínicos V90, V95, V100, V150, V200 y las dosis más altas de 0,1 cm 3 y 1,0 cm 3 de costilla, piel y pulmón entre los dos algoritmos.

Resultados

El algoritmo CCC calculó valores más bajos en promedio para todos los parámetros del histograma de dosis-volumen. En toda la cohorte de pacientes, la diferencia media en los índices clínicos calculados por los 2 algoritmos fue & lt10% para la dosis a los órganos en riesgo, & lt5% para la cobertura de volumen objetivo (V90, V95 y V100), y & lt4 cm 3 para la dosis a tejido mamario normal (V150 y V200). No se observó ninguna diferencia apreciable en el caso de no conformidad.

Conclusiones

Descubrimos que, en promedio, sobre nuestra población de pacientes, la CCC calculó (& lt10%) dosis más bajas que TG-43. Estos resultados deben informar a los médicos mientras se preparan para la transición a algoritmos de cálculo de dosis heterogéneos y determinar si los límites de tolerancia clínica justifican una modificación.


Gestión de la configuración y estándares relacionados - Lista extensa:

AS9100C - Sistema de calidad avanzado
DO 178B - Consideraciones de software en sistemas y equipos aerotransportados
Alliance for Telecommunications Industry Solutions (ATIS)
ATIS 0300250, Operaciones, administración, gestión y aprovisionamiento (OAM y ampP): extensión al modelo de red genérico para interfaces entre sistemas de operaciones y elementos de red para admitir la gestión de la configuración: aprovisionamiento de servicio al cliente ISDN analógico y de banda estrecha
Instituto Nacional Estadounidense de Estándares (ANSI)
ANSI INCITS TR-47, Tecnología de la información — Especificación de administración y configuración simplificada de canal de fibra (FC-SCM)
Sociedad Nuclear Estadounidense (ANS)
ANSI / ANS-3.2-1982, Controles administrativos y garantía de calidad para la fase operativa de plantas de energía nuclear
Sociedad Estadounidense de Ingenieros Mecánicos (ASME)
ASME / NQA-1, Requisitos del programa de garantía de calidad para instalaciones nucleares
ASME / NQA-1B-2011, Requisitos de garantía de calidad para aplicaciones de instalaciones nucleares
ASME / NQA-2A-1990, Addenda to ASME NQA-2-1989 Edition, Requisitos de garantía de calidad para aplicaciones de instalaciones nucleares
ANSI / N45.2.11, Requisitos de garantía de calidad para el diseño de plantas de energía nuclear
ANSI / N18.7, Controles administrativos y garantía de calidad para la fase operativa de plantas de energía nuclear
ANSI / N45.2.9-1974, Requisitos para la recopilación, almacenamiento y mantenimiento de registros de garantía de calidad para plantas de energía nuclear
ANSI / N45.2.13, Requisitos de garantía de calidad para el control de la adquisición de artículos y servicios de amplificación para plantas de energía nuclear
ASME Y14.100, Prácticas de dibujo gubernamentales / industriales
ASME Y14.24M Tipos y aplicaciones de amplificador de dibujos de ingeniería
ASME Y14.34M, listas de piezas, listas de datos y listas de índices de amplificadores
ASME Y14.35M, revisión de dibujos de ingeniería y documentos asociados de amplificador
Comité de ASME NQA, Grupo de trabajo - Borrador de CM, enero de 1991


Estandarización y gestión de la calidad en la secuenciación de próxima generación

La secuenciación del ADN continúa evolucionando rápidamente incluso después de & gt 30 años. De repente aparecieron muchas plataformas nuevas y los antiguos sistemas establecidos se han desvanecido casi de la misma manera. Desde el establecimiento de los dispositivos de secuenciación de próxima generación, este progreso gana impulso debido a la demanda en continuo crecimiento de mayor rendimiento, menores costos y mejor calidad de datos. Como consecuencia de este rápido desarrollo, todavía son escasos los procedimientos y formatos de datos estandarizados, así como las consideraciones integrales de gestión de la calidad. Aquí, enumeramos y resumimos los esfuerzos actuales de estandarización e iniciativas de gestión de la calidad de empresas, organizaciones y sociedades en forma de estudios publicados y proyectos en curso. Estos comprenden, por un lado, cuestiones de documentación de calidad como notas técnicas, listas de verificación de acreditación y directrices para la validación de los flujos de trabajo de secuenciación. Por otro lado, se desarrollan propuestas de estándares generales y métricas de calidad y se aplican a los pasos del flujo de trabajo de secuenciación con el enfoque principal en los procesos anteriores. Finalmente, se discuten brevemente ciertos desarrollos estándar para el manejo, procesamiento y almacenamiento de datos de canalización descendente. Estos enfoques de estandarización representan una primera base para continuar el trabajo con el fin de implementar prospectivamente la secuenciación de próxima generación en áreas importantes como el diagnóstico clínico, donde los resultados confiables y el procesamiento rápido son cruciales. Además, estos esfuerzos ejercerán una influencia decisiva en la trazabilidad y reproducibilidad de los datos de secuencia.


Capacidad Sigma

RELACIÓN DE VARIANZA

La relación de varianza, una prueba de caracterización, es capaz de calificar la efectividad del sistema de prueba a medida que los procesos de fabricación mejoran para alcanzar la capacidad de seis Sigma.

La variación de la prueba puede sesgar y ocultar cambios sutiles en el proceso. Es importante conocer y comparar la varianza de la prueba con la varianza observada y no vincularlas a especificaciones.

El CVR (razón de varianza de caracterización, (Cv)) compara la varianza de los resultados de la prueba del producto observado con la varianza del sistema de prueba.

La varianza del sistema de prueba se calcula a partir de los productos de control de prueba. Esto se ilustra con el uso del triángulo rectángulo para la varianza de caracterización en la Figura 5. La variación observada está relacionada con el componente de variación del sistema de prueba y el componente de variación del producto:

Figura 5 . Caracterización de varianza en pruebas.

(Adaptado de la referencia [2])

o la varianza observada es igual a la varianza de la prueba más la varianza del producto.

En nuestro ejemplo, la distribución del peso molecular se determinó mediante pruebas continuas, el PCI (índice de capacidad del producto) aumentó de 1.0 a 1.33 y luego, con un aumento de las pruebas periódicas de proveedores y entrantes en comparación con su prueba regular única, el PCI aumentó a 2.0. Durante este período, el TCI (índice de capacidad de prueba) se mantuvo en 4.0 con una desviación estándar igual a 0.833 y la especificación del material permaneció sin cambios.

En este momento, un miembro del equipo recomendó un cambio en la forma en que se trazaban los datos de la curva de salida y se usaban para compararlos con la especificación ideal o del proveedor. Se utilizó una punta de pluma de trazado más fina para la gráfica de salida de las pruebas periódicas.

Esto resultó en el uso de una transparencia superpuesta, superpuesta, usando la misma escala que el proveedor proporcionó, el gráfico como una comparación de prueba directa con el material enviado. Esto permitió un gráfico visual más preciso para evaluar cualquier cambio de la especificación. Esto establece una tabla de referencia compartida que se usa para determinar una referencia cuando un cambio en el peso molecular fue lo suficientemente grande como para requerir un ajuste de la variable del proceso. Antes de que se hiciera esta tabla de comparación, se hicieron demasiados ajustes en la máquina que causaron más problemas con el proceso de los que se resolvieron. También calibramos nuestro calorímetro diferencial de barrido en la misma empresa que el calorímetro de nuestro proveedor de resinas. Esto ayudó a garantizar una mayor confianza en nuestra comparación de pruebas y redujo el riesgo de realizar un ajuste deficiente del proceso cuando fuera necesario.

Se construyó una tabla para mapear las mejoras del proceso y servir como guía para probar la capacidad de varianza. Estos datos se muestran en la Tabla 1. Los datos reflejados a medida que aumentaron las mejoras en la fabricación, el CVI (índice de varianza de caracterización) disminuyó porque las pruebas periódicas de la resina se mantuvieron estables en un TCI (índice de capacidad de prueba) de 4.0.

Tabla 1 . La mejora de procesos.

ArtículoOriginalMejora continuaDescubrimiento
PCI1.01.332.0
TCI4.04.04.0
Desviación estándar observada (sigma)3.3332.5001.678
Varianza observada (sigma 2)11.10886.25002.7778
Varianza del sistema de prueba (sigma 2)0.69440.69440.6944
CV16.09.04.0

(Adaptado de la referencia [2]).

Se observó que un TCI de 4.0 no reflejaba el equilibrio cambiante entre la prueba y la varianza observada. Como resultado, el Cv mostró que el sistema de prueba no estaba a la altura de las mejoras del proceso de fabricación.

Dado que Cv es solo un porcentaje de la varianza del sistema de prueba en comparación con la varianza total observada a medida que aumenta la mejora del proceso, la varianza del producto disminuye. Por lo tanto, se llega a un punto en el que la desviación estándar de la prueba domina la desviación estándar de la medición del producto.

Cuando esto ocurre, se vuelve cada vez más difícil detectar cualquier mejora adicional en el proceso de fabricación. En pocas palabras, "Deben realizarse mejoras en el proceso de medición del proceso". Donald J. Wheeler declaró esto por primera vez en "Evaluación del proceso de medición" (SPC Press, Knoxville, TN, 1989).

Wheeler afirma, por ejemplo, “un Cv de 10 equivale a que el 10% de la varianza observada se atribuya a la varianza del sistema de prueba”. Por lo tanto, “un Cv de 5 equivale a que el 20% de la varianza observada se atribuya a la varianza del sistema de prueba”.

Como resultado, Wheeler sugirió una métrica más precisa y compleja llamada DR (índice de discriminación)

Dijo: “Para mediciones simples, sería bueno trabajar en el proceso de medición cuando el RD cae por debajo de cuatro o más”. Un DR de cuatro equivale a una relación Cv de 8.5.

Esto se muestra en la Tabla 2, con ejemplos de Cv y DR ”con ejemplos de ratios de Cv y DR y su interpretación resultante.


Cómo hacer una buena declaración de método

En aras de la información de aquellos que aún no saben qué es la Declaración del método, por qué digo esto, porque también preguntaba antes cuando era un novato en la construcción. En 2007, cuando me incorporé a mi primera empresa aquí en los Emiratos Árabes Unidos. Entonces me preguntaba: & # 8220¿Necesitamos hacer la declaración del método? & # 8217

Si va a trabajar en los países del Consejo de Cooperación del Golfo (CCG), especialmente aquí en los Emiratos Árabes Unidos, está obligado a seguir los estándares de construcción y uno de los componentes es la declaración de método. La declaración del método es uno de los documentos importantes y siempre se incluye en la adquisición del proyecto en el que enfaticé en este artículo Comprensión de la declaración del método. Por lo tanto, la Declaración de método es necesaria y estrictamente adoptada antes y durante el progreso de un determinado trabajo de construcción de un proyecto.

Aquí ahora escribiríamos & # 8220¿Cómo hacer una buena declaración de método? & # 8221 Hay varios formatos de declaración de método que he visto desde que comencé a trabajar en los Emiratos Árabes Unidos, pero uno de los mejores es este que discutiría aquí y explicar uno por uno. Así que espera porque va a ser salvaje. ¡Jajaja! (Es una broma).

Este es el mejor formato de declaración de método que he hecho. Este tipo de formato de declaración de método fue utilizado por un consultor de gestión de proyectos (PMC) en uno de los proyectos más grandes al que he asistido.


Cuando desee comenzar a escribir una declaración de método, primero debe pensar en el título porque no puede saltar a las otras partes de la declaración de método si aún no lo tiene.

2. Alcance del trabajo

El alcance del trabajo es el límite o el límite de sus requisitos laborales estipulados en el contrato. Su alcance de trabajos puede contener lo siguiente:

2.1 Descripción general. Esto es como una introducción, cuenta el resumen completo de la declaración del método.

2.2 Equipos y herramientas. Puede escribir aquí todos sus equipos, plantas y maquinarias y sus herramientas a utilizar también.

2.3 Materiales y referencia. Aquí usted & # 8217ll escribirá los materiales & # 8220aprobados & # 8221 y la referencia correspondiente de la presentación del material. Incluirá también las referencias de dibujo y especificación.

2.4 Planificación y preparación del sitio. Así es como se entregará el material al sitio y cómo se va a recibir el material, el proceso de verificación y coordinación con el personal de inquietudes con respecto al movimiento del material desde el lugar al almacén y al transporte al área donde va el material. para instalar o arreglar.

2.5 Metodología de trabajo. Esta es la parte principal y más importante de la declaración del método porque aquí va a mostrar & # 8220 cómo se construirá un determinado trabajo & # 8221 incluyendo la seguridad, cómo se adopta durante el progreso y & # 8217s por qué una vez que crea un método declaración también es necesario adjuntar el Evaluación de riesgos de cada actividad dentro del proceso de un determinado trabajo.

El consultor realmente querría ver cómo se realiza un determinado trabajo. Sin una elaboración adicional de su declaración de método, lo más probable es que se rechace. Por lo tanto, indique aquí todas las acciones y procedimientos necesarios antes de enviarlo a su consultor.

2.6 Seguridad.Aquí es donde se van a redactar las normas de seguridad, el equipo básico de protección personal y las normas y reglamentos del Municipio.

2.7 Reglas y responsabilidades de seguridad. Aquí mostrará las reglas y la responsabilidad del oficial de HSE asignado. Puede solicitar su & # 8220Descripción del trabajo & # 8221 aprobada, ya sea a él (oficial de HSE designado) oa su oficial de recursos humanos. El oficial de recursos humanos tiene cada JD aprobado por el personal.

2.8 Organización, responsabilidad y supervisión. Aquí va a escribir a cada miembro del personal que está involucrado en el trabajo determinado. Y anote sus respectivas responsabilidades. Como gerente de proyectos, ingeniero de QAQC, ingeniero de proyectos, capataz, etc.

2.9 Mano de obra o personal clave. Aquí enumerará todo el personal involucrado en un determinado trabajo, incluida la cantidad. Desde personal superior hasta equipos de obra.

3. Medio ambiente, seguridad y salud

Deberá anotar aquí la evaluación de riesgos o, más bien, adjuntar la copia completa del RA, así como los procedimientos de emergencia.

4. Garantía de calidad

Usted coloca aquí el tabla de requisitos de calidad donde escribirás las referencias del documento como especificaciones, dibujos, materiales, inspección y plan de prueba de amplificador, etc. Asegúrate de que las referencias que colocaste sean correctas. Puede revisarlo muchas veces antes de enviarlo al consultor.

5. Apéndices y referencia de amplificador

Esto es casi lo mismo con Ítem ​​4, pero aquí solo escribirás el extracto o el enlace de cierto documento.

6. Hoja informativa

Cuando un determinado trabajo está a punto de comenzar, debe haber una sesión informativa o una reunión de caja de herramientas. Los operativos involucrados en ese trabajo deberán escribir su nombre y firmar su asistencia. Asegúrese de que los agentes lo hayan firmado. ¿Sabes por qué? Porque se preguntará durante la auditoría. Así que no descuide a las personas involucradas de no firmarlo.

7. Revisar la lista de verificación

Aquí tendrá que verlo llevando la lista de verificación y verificando uno por uno si se está siguiendo el procedimiento, como por ejemplo, ¿El título de la declaración del método de acuerdo con una determinada actividad, ¿la declaración del método ha sido aprobada por el ingeniero? ¿La declaración del método sigue el formato recomendado? etc.

Este fue un tipo de formato de declaración de método que realmente prefiero y me gustó, fue muy agradable y agradecido trabajar con tan buena compañía.

Si disfrutó leyendo este artículo, puede compartirlo con sus redes sociales a continuación o si tiene sugerencias y comentarios, puede escribirlo en el cuadro de discusión a continuación.


2.9: No conformidad - Biología

Se ha demostrado que la simulación de eventos discretos es una técnica eficaz para hacer frente a la incertidumbre involucrada en la planificación de proyectos de construcción [1] procesos de planificación de proyectos, como la programación [1 & # x2013 4], la estimación de costos [5, 6], gestión de riesgos [7], gestión de seguridad [8, 9], análisis de construcción ajustada [10 & # x2013 13], revisión de constructibilidad [14], análisis de logística de construcción [15 & # x2013 17], selección de contratistas [18] y productividad estimación [19 & # x2013 21], entre otros esfuerzos, se han abordado utilizando esta técnica. Además, se han propuesto varios modelos de simulación para estimar y mejorar la productividad de las operaciones de construcción, como la construcción de pilotes [19, 22], fabricación de acero [21, 23], mantenimiento de drenaje [10], construcción de pavimentos [24, 25], tubería fabricación [13, 14], construcción de tuberías [26], construcción de puentes [27, 28], producción de hormigón [29], trabajo estructural de gran altura [30], construcción de estructuras de hormigón [31] y construcción de túneles [32 & # x2013 34], entre varios otros. Aunque todos estos modelos han incluido el efecto de una serie de factores que afectan la productividad de estas operaciones de construcción, como las condiciones climáticas, la experiencia laboral, la experiencia del contratista, la condición del equipo, las condiciones del sitio y varios otros, han tenido una consideración limitada o incluso pasado por alto, el efecto del rendimiento de calidad. La razón de esto puede ser que el desempeño de la calidad depende en gran medida del desempeño de las organizaciones & # x2019 gestión [35 & # x2013 37] y la complejidad de los procesos de gestión debe involucrarse en la construcción de modelos de simulación que intenten incorporar tal efecto [38]. Si ese es el caso, es necesario destacar el papel de la gestión de la calidad a nivel de proyecto para lograr la calidad en las operaciones de construcción [36]. Por lo tanto, las prácticas de gestión de la calidad del proyecto (PQM) merecen especial atención al evaluar el desempeño de la calidad en los proyectos de construcción y deben considerarse en modelos de simulación con la capacidad de analizar el efecto del desempeño de la calidad en las operaciones de construcción. Sin embargo, dado que la simulación de eventos discretos es una técnica cuantitativa intensiva en datos, tales modelos de simulación requerirían el desarrollo de modelos de productividad que incluyan el efecto de las prácticas de PQM. Los modelos de productividad utilizan datos históricos para analizar los factores que influyen en la productividad de las operaciones de construcción y para estimar el efecto de dichos factores en la productividad ([39], citado por [21]). En este caso, existe un desafío: los datos objetivos sobre el efecto de la PQM en la productividad de la construcción, que pueden utilizarse para modelar la productividad, suelen ser muy limitados o inexistentes en las organizaciones de la construcción [40]. Por ejemplo, cuando se dispone de medidas de productividad, solo se pueden utilizar para calcular el desempeño pasado promedio del contratista, que sirve solo como una guía general para fines de estimación [21]. Se involucra una cantidad significativa de incertidumbre y dificulta la evaluación de la relación entre el desempeño de PQM y la productividad de la construcción. Además, la subjetividad de las variables involucradas en la evaluación de dicha relación representa otra dificultad. Por ejemplo, los gerentes de proyecto encuentran más fácil la evaluación del desempeño de la calidad usando términos cualitativos como pobre, promedio o bueno. Además, los tomadores de decisiones pueden no tener herramientas matemáticas disponibles para evaluar el efecto combinado de las iniciativas de PQM en los objetivos de desempeño de las operaciones de construcción. Este argumento llama la atención sobre la necesidad de un sistema que apoye la toma de decisiones con evaluaciones basadas en el conocimiento en lugar de con información explícita. Por lo tanto, este documento informa el desarrollo de un enfoque de modelado de simulación para integrar las técnicas apropiadas para estimar el efecto de PQM en el desempeño de la construcción. Este enfoque debe facilitar la evaluación de las prácticas de PQM implementadas en proyectos de construcción y apoyar la toma de decisiones con respecto a la mejora del desempeño de la calidad de la construcción.

2. Modelado del efecto de PQM en la productividad

El efecto de la calidad sobre la productividad se ha verificado empíricamente en el servicio [41], la fabricación [42] e incluso en los procesos de construcción [43]. En realidad, desde hace mucho tiempo, la filosofía de Deming & # x2019 enfatizó la importancia de la calidad en el desempeño de los procesos y especialmente en la productividad: a medida que la calidad mejora, la productividad aumenta debido a una menor cantidad de reprocesos, menos errores, menos retrasos y un mejor uso. de los requisitos del proyecto ([44], según se cita en [41, 45]). Dado que el esfuerzo informado en este documento se enfoca en el nivel operativo de la construcción, el pensamiento de Deming & # x2019 le da significado a la convención de usar, para los propósitos de este enfoque de modelado, interrupciones, períodos de baja productividad y reprocesos (es decir, interrupciones) para medir la calidad. desempeño y que representa el efecto de PQM en la productividad de las actividades de construcción. Esto también es coherente con el enfoque orientado a resultados para el desempeño de la calidad que prevalece en la construcción, en el que se espera que la calidad se perciba en las operaciones y productos de construcción, por ejemplo, se espera un aumento de la productividad cuando se logran mejoras en el desempeño de la calidad [46].

Además, aunque varios autores han determinado empíricamente la importancia del efecto de las prácticas de gestión de la calidad sobre el desempeño de la calidad [47 & # x2013 51], otros han razonado sobre la ruta indirecta a través de la cual se logra dicho efecto [43, 46, 52, 53 ]. El enfoque informado en este artículo sigue el mecanismo de razonamiento propuesto por Battikha [53] para identificar y analizar las causas fundamentales de las no conformidades. En este caso, a partir de la información que se encuentra habitualmente en los sistemas de información de gestión de la calidad, se reconoce que las interrupciones que ocurren durante la ejecución de las actividades de construcción son causadas por no conformidades en el sistema de gestión implementado para lograr el desempeño de la calidad en los proyectos de construcción. Con base en trabajos de investigación previos [36, 46, 54, 55], también se acepta que la prevención de eventos de incumplimiento durante la ejecución de proyectos de construcción se basa en el desempeño de prácticas de PQM. Por lo tanto, la Figura 1 muestra la ruta indirecta a través de la cual las prácticas de PQM influyen en la productividad en las actividades de construcción. Esta ruta asume que, dependiendo del desempeño de las prácticas de PQM, pueden ocurrir eventos de no conformidad durante la ejecución del proyecto, que eventualmente pueden causar interrupciones que afectarán la productividad en las actividades de construcción. Siguiendo el enfoque de Battikha & # x2019s [53] para simplificar la identificación de patrones que indican la ocurrencia de no conformidades durante la ejecución del proyecto, este enfoque de modelado también clasifica las no conformidades de acuerdo con los requisitos del proceso con los que están relacionados, por ejemplo, como se ilustra en la Figura 1, entregas retrasadas y las entregas inexactas y fuera de especificación son eventos de incumplimiento relacionados con el suministro de material.

El efecto de las prácticas de PQM en la productividad de las actividades de construcción.

Las siguientes secciones aclaran más los factores y variables involucrados en este modelo.

2.1. Interrupciones que afectan la productividad

A los efectos de este trabajo, & # x201cdisruption & # x201d es cualquier incidente que impida una determinada actividad constructiva y que, en consecuencia, repercuta negativamente en la productividad. De acuerdo con el modelo ilustrado en la Figura 1, las interrupciones son causadas por eventos de incumplimiento que ocurren durante la ejecución del proyecto. Es importante señalar que solo deben tenerse en cuenta las interrupciones debidas a eventos de no conformidad que la dirección del proyecto puede controlar o prevenir, por ejemplo, en este caso no se deben considerar las interrupciones debidas a las condiciones climáticas.

interrupciones, incluidos los incidentes en los que una actividad se interrumpe temporalmente debido a no conformidades relacionadas con las demoras e inexactitudes asociadas con el suministro de los requisitos del proyecto (es decir, mano de obra, material, equipo e información) o con condiciones de trabajo imprevistas,

periodos de baja productividad, teniendo en cuenta los tiempos en los que el avance del trabajo es más lento que en los días laborales regulares esto podría deberse a las no conformidades en cuanto a retrasos en el suministro de los requisitos del proyecto, condiciones de trabajo imprevistas y / o mal desempeño de la mano de obra,

retrabajos, que denota los casos en los que el trabajo no conforme debe rehacerse para cumplir con las especificaciones o requisitos del proyecto.

la duración de cada retraso debido a la ocurrencia de una interrupción determinada,

el número de interrupciones ocurridas durante la ejecución de la actividad.

La evaluación de ambas variables se explica más adelante en este artículo.

2.2. Eventos de incumplimiento que causan interrupciones

Como se discutió anteriormente, los eventos de no conformidad se consideran consecuencias del desempeño defectuoso de las prácticas de PQM, por lo que incluyen incidentes que los gerentes de proyecto deberían poder controlar. También representan los impulsores intermedios que propagan el efecto de las prácticas de PQM en los resultados de desempeño de las operaciones de construcción (por ejemplo, productividad).

La naturaleza de los eventos de disconformidad que pueden ocurrir durante la ejecución de un proyecto suele ser muy diversa, lo que dificulta la evaluación de cada tipo de ellos. Por lo tanto, tiene sentido agruparlos en categorías que representen la naturaleza de un número dado de eventos de no conformidad. Como se dijo anteriormente, el modelo propuesto ha adoptado el enfoque de Battikha & # x2019s [53] para integrar diferentes tipos de no conformidad en categorías que describen los requisitos para realizar actividades en un proyecto determinado. Por ejemplo, como se ilustra en la Figura 1, algunos de estos requisitos incluyen suministro de material, equipo, información de diseño y supervisión. Por lo tanto, se supone que el cumplimiento de tales requisitos juega un papel importante en la estimación del efecto de los eventos de incumplimiento en el número de interrupciones y retrasos.

2.3. Prácticas de gestión de la calidad del proyecto que provocan eventos de no conformidad

Las prácticas de PQM incluyen, para los propósitos de esta investigación, todas las iniciativas de gestión de proyectos que implementan las organizaciones de construcción para lograr los objetivos relacionados con la calidad en los proyectos de construcción. El modelo propuesto asume que el desempeño de las prácticas de PQM es la causa raíz de las interrupciones que afectan la productividad durante la construcción. Por ejemplo, la Figura 1 muestra que la práctica de calificación del proveedor puede causar eventos de incumplimiento, como entregas demoradas y entregas inexactas. Diferentes autores han documentado varias prácticas de construcción de PQM [46 & # x2013 48, 54, 56 & # x2013 58]. La Figura 1 incluye prácticas de PQM que el Instituto de la Industria de la Construcción ha propuesto para asegurar que se entregue calidad a los clientes en los proyectos de construcción [57]. Ellos describen los tipos de actividades de prevención y evaluación más frecuentemente referidos en la literatura [46].

Evaluaciones subjetivas basadas en una escala que incluye cinco términos lingüísticos: no hay enfoque formal, enfoque reactivo, enfoque de sistema formal estable, enfoque de mejora continua y el mejor desempeño de su clase. Este enfoque adoptó la herramienta de autoevaluación que propone la norma ISO 9004: 2000 para evaluar los procesos de gestión de la calidad. El lector interesado debe consultar la norma ISO 9004: 2000 para obtener más detalles sobre esta escala.

Evaluaciones objetivas basadas en el cálculo de un índice de calidad que utiliza una escala de valor nítida dentro del rango de 0 a 100 & # x25. El índice de calidad de una determinada práctica de PQM se puede estimar con un enfoque de autoevaluación adoptado a partir del modelo propuesto por Kumar y Wolf [59] que incluye una serie de preguntas relacionadas con el nivel de implementación de la práctica de PQM analizada. Cada una de estas preguntas debe ser ponderada con una de las cinco posibles clasificaciones asociadas con un puntaje (es decir, 0: nada, 1: inadecuado, 2: adecuado, 3: bueno y 4: superior) por parte de los gerentes de proyecto con el fin de obtener la suma de los puntajes y calcule el índice de calidad correspondiente con la relación que se muestra como (1) Calidad & # x2009 & # x2009 Índice = Total & # x2009 & # x2009 Calificación & # x2009 & # x2009 Puntaje Máximo & # x2009 & # x2009 Puntaje & # xd7 100.

3. Enfoque de modelado de simulación

el número de interrupciones que ocurren en cada una de las actividades de la operación,

la duración de las demoras causadas por cada una de estas interrupciones.

Es necesario determinar los parámetros estadísticos que describen las funciones de masa de probabilidad de ambas variables para cada una de las actividades que incluye la operación analizada. Dichos parámetros están destinados a ser las entradas al modelo de simulación de construcción formulado para analizar la operación. De esta manera, el efecto de las prácticas de PQM se puede incorporar a la estimación de los resultados de productividad obtenidos con este modelo de simulación, ya que las prácticas de PQM se consideran las causas raíz de las disrupciones, como se explicó anteriormente. No obstante, la limitación de los datos puede hacer inviable la estimación de estos parámetros estadísticos mediante técnicas de modelado de entrada basadas en probabilidades. Se cree que estas técnicas no son adecuadas para modelar la incertidumbre descrita anteriormente porque los conjuntos de datos existentes suelen ser insuficientes para decidir las distribuciones de probabilidad correspondientes. En cambio, el uso de evaluaciones basadas en el conocimiento obtenidas de personal experimentado representa un enfoque más adecuado para modelar esta incertidumbre.

Un sistema experto difuso (FES) es para determinar los niveles de calidad de los requisitos del proyecto, es decir, las categorías en las que se agrupan los eventos de no conformidad. Por otro lado, como se ve en la Figura 2, los niveles de desempeño correspondientes de las prácticas de PQM, que pueden ser implementadas en la organización o no, deben ser los insumos a este subsistema.

Un enfoque analítico basado en lógica difusa (FLBAA) consiste en calcular los parámetros estadísticos (es decir, la media y la desviación estándar) de ambas variables: el número de interrupciones que ocurren en una actividad determinada incluida en la operación y la duración de las demoras causadas por cada una de estas interrupciones. Estos parámetros estadísticos deben obtenerse para cada actividad incluida en la operación de construcción bajo análisis. Como se ve en la Figura 2, los niveles de calidad de los requisitos del proyecto obtenidos con el FES están destinados a ser los insumos para este subsistema.

Se evaluará el modelo de proyecto de simulación de la operación específica, con el que se obtendrán estimaciones de productividad. Los parámetros estadísticos mencionados anteriormente son necesarios como entradas para este modelo de simulación.

Enfoque de lógica difusa basado en simulación para evaluar el efecto de las prácticas de PQM en la productividad de las operaciones de construcción.

Los dos primeros subsistemas son aplicaciones heurísticas que facilitan la incorporación de evaluaciones basadas en el conocimiento en la estimación de los parámetros estadísticos necesarios para ejecutar el modelo de simulación de la operación de construcción. La integración de sistemas basados ​​en el conocimiento y análisis de simulación se ha estudiado desde hace algunas décadas [61 & # x2013 63], mientras que el desarrollo de la ingeniería de software ha facilitado la integración de estas dos técnicas de modelado para que puedan beneficiarse mutuamente. Este enfoque integrado se ha aplicado con éxito en diferentes contextos: operaciones de fabricación de acero [64], procesos químicos [65], industrias de servicios y de fabricación [9, 66] y sistemas de gestión de emergencias [67]. Además, este enfoque también ha demostrado ser eficaz para resolver problemas de construcción, incluidas aplicaciones para analizar las operaciones de construcción [68 & # x2013 70], cuantificar el efecto de los accidentes en las operaciones de construcción [9], estimar los riesgos de accidentes en las obras de construcción [8 ], estimar la duración de las actividades de construcción [71] y estimar los costos de construcción [5], entre otros. Sin embargo, no se encontraron evidencias sobre el uso de este enfoque para estimar el efecto de las prácticas de gestión de la calidad en el desempeño de las operaciones de construcción.

Las siguientes secciones proporcionan detalles de cada uno de los subsistemas mencionados anteriormente, pero dado que el enfoque de modelado propuesto hace un uso intensivo de la lógica difusa y los conjuntos difusos, primero se proporciona una breve introducción a dicha teoría.

4. Lógica difusa y conjuntos difusos

Las técnicas difusas se han utilizado ampliamente para resolver una gran diversidad de problemas de construcción [72]. La lógica difusa utiliza conjuntos difusos para facilitar el proceso de razonamiento de sentido común con proposiciones vagas que tratan con variables lingüísticas, cuyos valores son palabras u oraciones expresadas en lenguajes naturales o artificiales [73]. Por ejemplo, la evaluación del número de no conformidades en una determinada actividad de construcción puede implementar valores lingüísticos como muy pequeño, pequeño, mediano, grande o muy grande. Los conjuntos difusos utilizan funciones de pertenencia para representar la relación entre un rango de valores posibles y un término lingüístico. El grado con el que cada uno de estos valores está relacionado con el término lingüístico se define dentro del intervalo de cero (sin membresía) a uno (membresía plena). De esta manera, es posible evaluar el & # x201c grado de verdad & # x201d de proposiciones como & # x201c x número de no conformidades es grande. & # X201d Por ejemplo, la Figura 3 muestra que el grado de pertenencia de tres no conformidades al el conjunto difuso grande es cero, mientras que el grado de pertenencia de cinco es uno. En general, un conjunto difuso A que representa el grado de verdad con el que cualquier elemento x (p. Ej., Un número dado de no conformidades) pertenece a un conjunto A (p. Ej., Un valor lingüístico) se puede representar mediante m valores discretos & # x3bc A ( x) como se ve en (2) A = [x 1 & # x2223 & # x3bc A (x 1), x 2 & # x2223 & # x3bc A (x 2), & # x2003 & # x2003 x 3 & # x2223 & # x3bc A (x 3), & # x2026, xm & # x2223 & # x3bc A (xm)], donde & # x3bc A (x) es el grado de pertenencia [73]. Por ejemplo, el medio del conjunto difuso en la Figura 3 se puede expresar como A = (0 & # x2223 0.0, 1 & # x2223 0.0, 2 & # x2223 0.33, 3 & # x2223 0.66, 4 & # x2223 1.0, 5 & # x2223 0.5, 6 y # x2223 0.0, 7 y # x2223 0.0). Además, los números difusos son presentaciones más simples de conjuntos difusos que cumplen las propiedades de normalidad y convexidad, lo que facilita las operaciones de lógica difusa en conjuntos difusos [73]. Las funciones de pertenencia triangular y trapezoidal, como las que se muestran en la Figura 3, son formas comunes para números difusos porque se requiere poca información para construirlos.

Funciones de membresía para el número de interrupciones en la actividad de instalación de tuberías.

5. Sistema de expertos difusos para determinar el nivel de calidad de los requisitos del proyecto

El propósito de la FES es estimar, en términos difusos (es decir, muy bajo, bajo, promedio, alto o muy alto), los niveles de calidad de los requisitos del proyecto (por ejemplo, suministro de material, mano de obra y supervisión). Es importante resaltar que estas estimaciones deben obtenerse a nivel de proyecto y no a nivel de operación, es decir, no es necesario obtener una estimación de los niveles de calidad de los requisitos para cada actividad involucrada en la evaluación. Estas estimaciones son necesarias como insumos para el FLBAA y, como se propone en este modelo (ver Figura 2), dependen del desempeño de las prácticas de PQM que deben implementarse para cumplir con la calidad del proyecto. El modelo incluye una variable intermedia, es decir, el número esperado de eventos de no conformidad, que media la relación entre los requisitos del proyecto y las prácticas de PQM. La intención de dicha variable intermedia es reducir la subjetividad de las evaluaciones requeridas para la estimación de los niveles de calidad de los requerimientos del proyecto. Por ejemplo, los eventos de no conformidad asociados con el nivel de calidad del & # x201c suministro de material & # x201d pueden incluir & # x201c entregas no a tiempo, & # x201d & # x201cinco entregas precisas, & # x201d y & # x201cout de las entregas especificadas, & # x201d mientras La & # x201c cualificación del proveedor & # x201d y las & # x201cExpeditar & # x201d podrían prevenir la ocurrencia de & # x201c entregas no a tiempo & # x201d. Por lo tanto, es fundamental identificar la relación entre las prácticas de PQM, los eventos de incumplimiento y el requisitos del proyecto que participarán en el análisis. En este caso, dicha identificación se puede realizar con análisis de causa raíz de los eventos de no conformidad informados durante proyectos anteriores. Primero, se deben identificar los requisitos del proyecto asociados con los eventos de no conformidad que afectan una operación específica. A continuación, se puede utilizar un análisis de Pareto para seleccionar los requisitos con la mayor frecuencia de eventos de no conformidad, lo que permitiría reducir los factores a analizar para la operación. Además, se pueden realizar análisis de Pareto para seleccionar los tipos más frecuentes de eventos de no conformidad asociados con cada uno de los requisitos seleccionados previamente. Además, un análisis de seguimiento de la causa raíz permitirá la identificación de las prácticas de PQM que deben implementarse para evitar la ocurrencia de los tipos de eventos de no conformidad previamente seleccionados.

Los niveles de desempeño de las prácticas de PQM deben representarse como interfaces de entrada y pueden expresarse como un índice de calidad estimado (ver (1)) o como un término lingüístico. Los cinco términos lingüísticos propuestos para evaluar esta variable incluyen enfoque no formal, enfoque reactivo, enfoque estable y formal, enfoque de mejora continua y el mejor desempeño de su clase. Por lo tanto, las interfaces de entrada deben construirse en consecuencia para usar valores nítidos o valores difusos como entradas al sistema. Las interfaces de entrada que utilizan entradas nítidas requieren la representación de los niveles de rendimiento como funciones de pertenencia, como las que se muestran en la Figura 4.

El número de un tipo dado de evento de no conformidad debe representarse como una variable intermedia, que alcanza valores durante el proceso de inferencia que no son necesarios como salidas del modelo, su única función es pasar información de un bloque de reglas a otro. Esta información se transmite durante el proceso de inferencia en forma de valores difusos (es decir, lingüísticos), lo que significa que no es necesario representarlos como funciones de pertenencia. Los términos lingüísticos utilizados para evaluar esta variable son muy bajo, bajo, medio, alto y muy alto.

Los niveles de calidad de los requisitos del proyecto deben modelarse como interfaces de salida. Dado que las salidas a obtener de la FES se requieren como valores difusos, el proceso de inferencia no incluye la defuzzificación de la salida difusa. Los términos lingüísticos utilizados para evaluar esta variable son muy deficiente, deficiente, promedio, bueno y muy bueno. Aunque las funciones de pertenencia de estos valores lingüísticos no se requieren en el proceso de inferencia de FES, aún deben generarse, ya que serán requeridas por el proceso de inferencia en el FLBAA. La figura 5 es una muestra de estas funciones de pertenencia.

Funciones de pertenencia que representan los términos lingüísticos utilizados para evaluar el nivel de desempeño de las prácticas de PQM.

Funciones de membresía para evaluar el nivel de calidad de los requisitos del proyecto.

El efecto de los niveles de desempeño de las prácticas de PQM en el número de un tipo dado de evento de no conformidad: por ejemplo, esto incluye reglas como & # x201cIF el nivel de desempeño de Calificación del personal & # x26 Capacitación es Enfoque reactivo Y el nivel de desempeño de Seguridad La gestión es estable formal ENTONCES el número de accidentes es alto. & # X201d

El efecto del número de eventos de no conformidad en el nivel de calidad de los requisitos correspondientes del proyecto: esto incluye reglas como & # x201cIF el número de accidentes es alto Y el número de condiciones de trabajo inesperadas es bajo ENTONCES el nivel de calidad de las condiciones de trabajo es deficiente. & # x201d

Los directores de proyectos con experiencia que participan en la organización y el tipo de proyecto para el que se está realizando el análisis, como los supervisores generales y los directores de programas, podrían proporcionar las evaluaciones basadas en el conocimiento necesarias para producir las funciones de membresía y las reglas de inferencia antes mencionadas. La introducción al proceso de inferencia que es inherente a cualquier FES se puede encontrar en G. Bojadziev y M. Bojadziev [73].

Además, el FES construido con el enfoque explicado anteriormente debe validarse. Esto debe hacerse para reducir aún más el efecto que la ambigüedad de las evaluaciones, proporcionada por los gerentes que participan como desarrolladores del sistema propuesto, podría tener sobre los resultados.

6. Análisis basado en lógica difusa para determinar los parámetros estadísticos de las interrupciones de la actividad

El propósito del FLBAA es determinar, para cada una de las actividades de construcción en la operación analizada, los parámetros estadísticos (es decir, la media y la desviación estándar) de dos variables: el número de interrupciones que ocurren en una determinada actividad incluida en la operación y el duraciones de los retrasos causados ​​por cada una de estas interrupciones. Estas variables están asociadas a las interrupciones que ocurren durante la ejecución de las actividades de construcción. Para evaluar estas dos variables se utilizan términos lingüísticos como muy bajo, bajo, medio, alto y muy alto.

Es importante resaltar que estas estimaciones deben obtenerse a nivel de operación, lo que significa que es necesario estimar los parámetros estadísticos para cada actividad involucrada en la operación en evaluación.

El enfoque propuesto analiza el efecto combinado de los niveles de calidad de los requisitos del proyecto sobre el desempeño (es decir, la productividad en este caso) de una actividad determinada, por ejemplo, el efecto combinado del nivel de buena calidad de la mano de obra, el nivel de calidad promedio de supervisión, y el bajo nivel de calidad del suministro de material, sobre la productividad de la actividad de excavación.

La formulación del FLBAA se basa en la metodología propuesta por Ayyub y Haldar [74], cuya eficacia fue probada en la solución de diferentes problemas de construcción como la programación de proyectos [74], la evaluación de la seguridad en las operaciones de construcción [75] , la selección de estrategias de construcción [76], la estimación del riesgo de accidentes en proyectos de construcción [8], el análisis de retrasos en las operaciones de construcción [77] y la cuantificación de los efectos de los accidentes en las operaciones de construcción [9].

Esta metodología permite obtener la función de masa de probabilidad normalmente distribuida de la ocurrencia de un evento dado, con base en las evaluaciones subjetivas del estado de los factores que afectan el evento. En el modelo propuesto, los requisitos del proyecto representan dichos factores. De esta forma, la estimación de los parámetros estadísticos requeridos puede basarse en la evaluación del efecto de los niveles de calidad de los requerimientos del proyecto sobre el desempeño de las actividades involucradas en la operación analizada.

P: los niveles de calidad de los requisitos del proyecto involucrados en la operación bajo análisis,

F: la frecuencia de ocurrencia de los niveles de calidad de los requisitos del proyecto,

C: el nivel de consecuencias adversas debido al efecto de los niveles de calidad (Q) sobre la actividad bajo análisis,

N: el número de interrupciones contadas durante la realización de la actividad,

D: la duración del retraso debido a la ocurrencia de interrupciones en la actividad.

Como se muestra en la Figura 2, F, C, N y D representan las variables de efecto, ya que dependen del desempeño de los requisitos del proyecto de construcción y de las prácticas de PQM. El propósito del FLBAA es entregar el valor medio y la desviación estándar tanto del número de interrupciones contadas durante el desempeño de la actividad (N) como de la duración del retraso debido a la ocurrencia de interrupciones en la actividad (D), para cada una de las actividades involucradas en la operación bajo análisis. Esto implica la implementación de los siguientes procedimientos.

(1) Generar las funciones de pertenencia de las variables antes mencionadas y las reglas de inferencia que regularán el proceso de inferencia. El desarrollo de estas funciones de membresía y reglas de inferencia debe ser específico para cada una de las actividades dentro de la operación analizada y basarse en evaluaciones basadas en el conocimiento proporcionadas por personal informado que participa directamente en la realización de las actividades, tales como supervisores y trabajadores. La Tabla 1 contiene los términos lingüísticos comúnmente utilizados en la construcción para evaluar las variables de efecto. Cada uno de estos términos debe representarse como una función de pertenencia. Por ejemplo, la Figura 5 muestra una muestra de las funciones de pertenencia que representan los valores lingüísticos de los niveles de calidad (Q). En este caso, se pensó que las escalas psicométricas con valores que iban de cero a diez eran dominios apropiados para construir las funciones de pertenencia de Q, F y C, mientras que los números naturales eran más apropiados para las funciones de pertenencia que representan los valores lingüísticos de N (ver , por ejemplo, Figura 3) y D.

Términos lingüísticos utilizados para evaluar las variables involucradas en el FLBAA.

Variable Terminos linguisticos
Q Muy pobre Pobre Promedio Bien Muy bien
F Muy inusual Raro A menudo Usual Muy habitual
C Muy suave Leve Medio Grave Muy severo
norte Muy pequeña Pequeña Medio Grande Muy grande
D Muy pequeña Pequeña Medio Grande Muy grande

Nota. Q: nivel de calidad de los requisitos del proyecto, F: frecuencia de ocurrencia, C: consecuencias adversas, N: número de interrupciones y D: duración de las demoras.

Además, la Tabla 2 contiene una muestra de las reglas que describen el efecto de los diferentes estados (es decir, los niveles de calidad) de las & # x201c condiciones de trabajo & # x201d sobre el desempeño de la actividad de excavación. Es necesario determinar con qué frecuencia ocurre cada uno de estos estados durante el desempeño de la actividad, así como la magnitud de las consecuencias en la actividad debido a dichos estados. Por ejemplo, la frecuencia de ocurrencia de un nivel de calidad muy bajo de & # x201c condiciones de trabajo & # x201d en la actividad de excavación es inusual y se cree que las consecuencias sobre esta actividad son muy severas, lo que eventualmente puede generar una gran cantidad de interrupciones y gran duración de retrasos en la actividad. La Tabla 2 también incluye los valores lingüísticos correspondientes para F, C, N y D cuando Q es pobre, promedio, bueno y muy bueno.

Muestra de reglas de inferencia para analizar el efecto de las condiciones de trabajo en la actividad de excavación.

Q F C norte D
Muy pobre Raro Muy severo Muy grande Grande
Pobre A menudo Grave Grande Grande
Promedio A menudo Medio Medio Medio
Bien A menudo Leve Pequeña Pequeña
Muy bien Raro Muy suave Pequeña Pequeña

Nota. Q: nivel de calidad de los requisitos del proyecto, F: frecuencia de ocurrencia, C: consecuencias adversas, N: número de interrupciones y D: duración de las demoras.

Calcule las funciones de membresía resultantes de las relaciones difusas que combinan las funciones de membresía de los valores Q y C correspondientes de cada uno de los requisitos del proyecto en la operación, como se ve en (3) & # x3bc Q & # x2009 & # xd7 & # x2022 & # x2009 C (xi, yj) = min & # x2061 [& # x3bc Q (xi), & # x3bc C (yj)],

donde x i y y j son valores dentro de escalas psicométricas de cero a diez que se utilizan para evaluar Q y C, respectivamente, mientras que & # x3bc Q (x i) y & # x3bc C (y j) son los respectivos grados de pertenencia.

Calcule la función de pertenencia T 1 que representa el efecto total de los valores Q sobre el desempeño de una actividad, que resulta de la unión borrosa (& # x222a) de todos los n conjuntos de relaciones cartesianas obtenidas con (3), como se ve en ( 4) T 1 = & # x22c3 i & # x2009 = & # x2009 1 n [& # x3bc Q & # x2009 & # xd7 & # x2022 & # x2009 C (xi, yj)],

donde n es el número de requisitos del proyecto involucrados en la operación bajo análisis.

Calcule las funciones de pertenencia que resultan de las relaciones difusas que combinan los valores F y N correspondientes de cada uno de los requisitos del proyecto involucrados en la operación, como se ve en (5) & # x3bc F & # x2009 & # xd7 & # x2022 & # x2009 N (fj, rk) = min & # x2061 [& # x3bc F (fj), & # x3bc N (rk)],

donde fj son valores dentro de una escala psicométrica de cero a diez usados ​​para evaluar F y rk son números naturales usados ​​para evaluar N (es decir, rk = 1, 2, 3, & # x2026, n), mientras que & # x3bc F (fj ) y & # x3bc N (rk) son los respectivos grados de membresía.

La función de pertenencia T 2 que representa el efecto total de los valores F sobre el número de no conformidades resulta de la unión difusa (& # x222a) de los n conjuntos de relaciones cartesianas obtenidas con (6) T 2 = & # x22c3 i & # x2009 = & # x2009 1 n [& # x3bc F & # x2009 & # xd7 & # x2022 & # x2009 N (fj, rk)],

donde n es el número total de requisitos del proyecto involucrados en la operación.

El efecto total de C sobre N en una actividad dada se puede expresar con (7) RN = (C 1 & # xd7 N 1) & # x222a (C 2 & # xd7 N 2) & # x22ef & # x222a (C n & # xd7 N n),

donde C n & # xd7 N n son relaciones difusas basadas en expresiones de condiciones difusas representadas por declaraciones que evalúan la relación entre cada valor C posible y un valor N esperado correspondiente. Por ejemplo, si C 1 es severo, entonces N 1 es grande si C 2 es medio, entonces N 2 es promedio, y así sucesivamente. Dichas relaciones se pueden determinar con expertos y evaluaciones # x2019 del desempeño de la operación de construcción dada.

La función de pertenencia M resultante de la relación de composición difusa entre T 1 y RN se puede calcular como se ve en (8) M = & # x3bc T 1 & # x2218 RN (xi, rk) = max & # x2061 yj ,

donde & # x3bc T 1 & # x2218 RN (xi, rk) es la función de pertenencia de la relación de composición difusa entre T 1 y RN, & # x3bc T 1 (xi, yj) es la función de pertenencia obtenida con (4), y & # x3bc RN (yj, rk) es la función de pertenencia resultante de la relación difusa obtenida con (7).

La función de pertenencia del efecto conjunto difuso de Q y F sobre el N esperado se puede desarrollar como se ve en (9) & # x3bc M, T 2 (xi, yj) (rk) = min & # x2061 [& # x3bc M (xi, rk), & # x3bc T 2 (fj, rk)],

donde & # x3bc M (xi, rk) es la función de pertenencia del efecto de los niveles de calidad de los requisitos del proyecto (Q) sobre el número esperado de interrupciones (N), que se obtuvo con (8), mientras que & # x3bc T 2 (fj, rk) es la función de pertenencia del efecto de F sobre el N esperado en la actividad, obtenido con (6). Esta relación de unión difusa producirá m número de matrices, cada una de las cuales corresponde a un elemento r k en el subconjunto de posibles valores de N. Además, los valores de N pueden variar según la singularidad del proyecto y la actividad que se analiza. Por ejemplo, la Figura 3 muestra que, para un proyecto dado, el subconjunto de valores r k varía de cero a siete en la actividad de instalación de tuberías.

(3) Calcule la probabilidad de ocurrencia de cada elemento r k dentro del subconjunto de posibles valores de N. Para calcular esta cifra, Oliveros y Fayek [77] dedujeron de Ayyub y Haldar [74] lo siguiente: (10) P (N = rk) = & # x3bc SN (rk) & # x2211 k & # x2009 = & # x2009 1 m & # x3bc SN (rk), donde N es el número esperado de interrupciones, P (N = rk) es la probabilidad de que N sea el elemento rk, & # x3bc S (rk) es el valor de pertenencia de cada elemento rk en el subconjunto SN que comprende los posibles valores de N, ym es el número de elementos en el subconjunto SN. Se pueden encontrar más detalles para determinar el valor de pertenencia de r k en Ayyub y Eldukair [75].

Posteriormente, el valor medio del número de interrupciones (N & # xaf) y la desviación estándar correspondiente (& # x3c3 N) se pueden calcular, respectivamente, con (11) N & # xaf = & # x2211 k & # x2009 = & # x2009 1 m (rk) & # xd7 P (N = rk) & # x3c3 N = [& # x2211 k & # x2009 = & # x2009 1 m (rk) 2 & # xd7 P (N = rk)] - (N & # xaf) 2.

Este procedimiento debe llevarse a cabo para calcular la media y la desviación estándar de N en cada una de las actividades del proyecto. Además, también debería utilizarse para estimar las estadísticas de D en tales actividades.

7. Obtención y representación de conocimientos

Se determinaron los términos lingüísticos comúnmente utilizados por los gerentes para evaluar el nivel de desempeño de las variables involucradas en el modelo, como se ve en la Tabla 3. Las reuniones con los gerentes de calidad en la organización utilizada para la aplicación de la muestra permitieron una cantidad significativa de discusión que brindó consejos relevantes con respecto a la evaluación de las variables.

Se determinaron los dominios o universos del discurso y sus respectivos rangos de valores para cada una de las variables mencionadas, como se observa en la Tabla 3. Con el fin de establecer una pauta numérica general para la evaluación de las variables, se asumió que el valor extremo de un enfoque no formal, muy pobre, muy leve y muy inusual era cero. Por otro lado, se asumió que el valor extremo para el mejor desempeño en su clase es 100 & # x25 para evaluar el nivel de desempeño para las prácticas de PQM y muy bueno, muy severo y muy común son diez para evaluar el nivel de calidad del proyecto. requisitos (Q), las consecuencias adversas (C) y la frecuencia de ocurrencia (F), respectivamente.

Se elaboró ​​un cuestionario con el fin de obtener las evaluaciones basadas en el conocimiento necesarias para el desarrollo de las funciones de membresía. De esta forma, se pidió a los entrevistados que asignaran los valores numéricos adecuados para cada una de las variables lingüísticas de la Tabla 3. Por ejemplo, una pregunta de muestra formulada para determinar los valores numéricos de los términos lingüísticos que evalúan los niveles de desempeño de las prácticas de PQM se ilustra en la Tabla 4, mientras que una pregunta de muestra que evalúa el nivel de calidad de los recursos de construcción se muestra en la Tabla 5. El cuestionario se aplicó durante una reunión con ocho jefes de proyecto de la organización constructora que participaron en la aplicación de muestra.

Las evaluaciones de todos los encuestados se acumularon para el desarrollo de las funciones de pertenencia de las variables. El desarrollo de las funciones de membresía se basó en la frecuencia con la que cada valor, dentro del dominio respectivo, fue favorecido por los entrevistados que participaron en la encuesta. Se determinó un valor de pertenencia preliminar & # x3bc (x i) por el grado medio de creencia que tenían los encuestados con respecto a la pertenencia de un valor o rango de valores a cada uno de los términos lingüísticos utilizados para evaluar las respectivas variables. Este enfoque se ilustra en la Tabla 6, que muestra los rangos de valores dentro de la escala subjetiva propuesta (de 0 a 100 & # x25) que cada uno de los ocho entrevistados creía que debería corresponder al término lingüístico & # x201c sin enfoque formal & # x201d para el nivel de desempeño de las prácticas de PQM. Se sumaron las opiniones a favor de cada valor y se estandarizó el resultado dividiéndolas por el número total de entrevistados para obtener la función de pertenencia preliminar para el término lingüístico, que se puede expresar en su xi & # x2223 & # x3bc (xi) forma como [0 & # x25 & # x2223 1.0, 10 & # x25 & # x2223 1.0, 20 & # x25 & # x2223 0.67, 30 & # x25 & # x2223 0.33, 40 & # x25 & # x2223 0.00]. Asimismo, todas las opiniones expresadas para las otras variables se desarrollaron en funciones preliminares de pertenencia difusa.

Las funciones de pertenencia preliminares obtenidas con el procedimiento anterior se ajustaron para obtener funciones de pertenencia de forma triangular o trapezoidal. En este caso, se prefirieron las funciones de pertenencia triangular y trapezoidal, debido a la claridad que pueden proporcionar al análisis. En este caso se utilizaron las reglas propuestas por Fayek y Sun [78] para generar las funciones de pertenencia triangular y trapezoidal. La Figura 4 ilustra las funciones de membresía desarrolladas para representar el nivel de desempeño de las prácticas de PQM, mientras que la Tabla 7 incluye la versión numérica de dichas funciones de membresía.

Términos y dominios lingüísticos para la evaluación de variables en el modelo.

Pregunta de muestra para asignar valores numéricos a términos lingüísticos que evalúan el nivel de desempeño de las prácticas de PQM.

Pregunta de muestra para asignar valores numéricos a términos lingüísticos que evalúan el nivel de calidad de los requisitos del proyecto.

Ejemplo de los cálculos para el desarrollo de funciones de pertenencia.

Muestra de funciones de membresía para el nivel de desempeño de las prácticas de PQM.

Asimismo, todas las funciones de pertenencia preliminares obtenidas con los datos brutos se ajustaron y desarrollaron en formas triangulares o trapezoidales. Esto debe hacerse para todas las variables enumeradas en la Tabla 3. Es importante resaltar que las funciones de membresía de las tres primeras variables de esta tabla deben generarse con base en la evaluación de las condiciones a nivel de proyecto, mientras que, para la función de membresía de las otras cuatro últimas variables, el nivel de operación debe ser considerado (es decir, es necesario generar diferentes funciones de pertenencia para cada actividad de construcción).

8. Modelo de simulación para aplicación de muestra

La aplicación de muestra del sistema propuesto analiza el efecto de las prácticas de PQM implementadas en la construcción de una sección de un nuevo sistema de alcantarillado sanitario que incluye la instalación de 1320 pies (402.3 metros) de piezas de tubería de concreto de 24 pulgadas con una longitud estándar de 3,0 metros. Esto implicó la realización de la operación de construcción a cielo abierto que incluyó las actividades enumeradas en la Tabla 8. Dado que se ha asumido que las tasas de avance de las actividades están distribuidas triangularmente, se definieron con las estimaciones más optimistas, más pesimistas y más probables, cuyo cálculo se basó en la experiencia de los administradores en el sitio.

Duraciones y requisitos del proyecto de las actividades.

Para simplificar esta aplicación de muestra, el análisis solo incluyó las variables de causa enumeradas en la Figura 2. Un análisis de Pareto de los datos históricos disponibles en la organización permitió identificar los tres requisitos más críticos del proyecto que afectan el desempeño de las operaciones de construcción a cielo abierto, a saber, el suministro de material, las condiciones de trabajo y la información de diseño. Además, los análisis de causa raíz permitieron identificar las correspondientes no conformidades asociadas y prácticas de PQM. Cabe señalar que la identificación de las prácticas de PQM puso en juego las actividades de prevención y valoración incluidas en el Sistema de Gestión del Desempeño de la Calidad propuesto por el Construction Industry Institute (CII), citado en Ledbetter [79], y los principios clave y prácticas recomendadas articulado por la CII y el proyecto Business Roundtable & # x2019s Construction Industry Cost Effectiveness [80].

La implementación del FES utilizó Fuzzytech, una herramienta de desarrollo de software para el análisis de lógica difusa, con el fin de facilitar la inferencia de los niveles de calidad de los requisitos del proyecto (Q). Esta implementación asumió las variables de entrada (es decir, los niveles de desempeño de las prácticas de PQM) como mutuamente independientes, así como las variables intermedias (es decir, el número de eventos de no conformidad). Por lo tanto, los operadores PROD y MIN se utilizaron para agregar el efecto correspondiente de las variables de entrada e intermedias sobre las variables intermedias y de salida (es decir, los niveles de calidad de los requisitos del proyecto), respectivamente. Además, se aplicó el operador MAX para agregar los resultados de las variables intermedias y de salida. En Tsoukalas y Uhrig [81] se pueden encontrar más aclaraciones sobre los operadores difusos utilizados para agregar las entradas y salidas en la FES. Por otro lado, el procedimiento en el que se basa el FLBAA fue codificado en MATLAB con el fin de facilitar el cálculo de los parámetros estadísticos de las dos variables asociadas a las disrupciones: el número de disrupciones que ocurren en cada una de las actividades de la operación y la duración de las demoras causadas por cada una de estas interrupciones. Como se explicó anteriormente, la implementación de la FES y la FLBAA requirió la participación de gerentes de proyecto experimentados y empleados en el sitio, respectivamente, para la construcción de las correspondientes funciones de membresía y reglas de inferencia. Además, con Simphony se creó un modelo de simulación de eventos discretos del proceso de construcción a cielo abierto. NET, una plataforma de simulación desarrollada por la Cátedra de Investigación de la Industria de la Construcción NSERC / Alberta en la Universidad de Alberta.

La parte inicial de esta aplicación de muestra utilizó la FES para analizar la sensibilidad de los niveles de calidad de los requisitos del proyecto a los niveles de desempeño de las prácticas de PQM. La intención de este análisis es identificar las prácticas de PQM que deben ser favorecidas para mejorar, dada la importancia de su efecto en los niveles de calidad. El primer tratamiento incluyó establecer en 0 & # x25 el índice de calidad (ver (1)) de todas las demás prácticas de PQM que afectan un recurso dado, mientras que se establece en 100 & # x25 el índice de calidad de las otras prácticas de PQM. Esto implicaba que cuanto más bajo es el nivel de calidad resultante, más significativo es el efecto de la práctica de PQM establecida en 0 & # x25 sobre el requisito del proyecto correspondiente. El segundo tratamiento se realizó con el fin de reforzar las conclusiones obtenidas con el primero. Esta vez, el índice de calidad de una de las prácticas de PQM se estableció en 100 & # x25, mientras que las otras prácticas se establecieron en 0 & # x25. En este caso, cuanto mayor sea el nivel de calidad resultante, más significativo será el efecto de la práctica de PQM establecida en 100 & # x25. Esto también permitió identificar las prácticas que tendrían la contribución más significativa para la mejora del desempeño de cada uno de los requisitos del proyecto. Con base en los hallazgos obtenidos, la importancia del efecto de las prácticas de PQM en los niveles de calidad de los requisitos del proyecto se clasificó como bajo, medio o alto, como se muestra en la Tabla 9. Por ejemplo, esto sugiere que el efecto de la práctica de calificación de proveedores sobre el nivel de calidad del suministro de material es alto, mientras que el efecto de los exámenes internos y externos y las prácticas de agilización es medio. Un proceso de mejora más eficiente del sistema PQM debe priorizar el aumento del desempeño de aquellas prácticas PQM con las clasificaciones más altas de importancia.

Importancia del efecto de las prácticas de PQM en los requisitos del proyecto.

Los tres escenarios hipotéticos de la Tabla 10 se formularon con el fin de ilustrar la estimación del efecto de mejorar los niveles de desempeño de las prácticas de PQM. Esta tabla contiene cuatro secciones, cada una de las cuales describe uno de los diferentes tipos de datos procesados ​​dentro del sistema basado en computadora. La primera sección contiene las entradas (es decir, los niveles de desempeño de las prácticas de PQM) a la FES, que en este caso se han formulado utilizando valores difusos (es decir, términos lingüísticos). Para facilitar el análisis de los resultados, cada uno de estos valores difusos presenta un valor nítido equivalente, que es la descripción cuantitativa (mostrada entre paréntesis) del término lingüístico utilizado para evaluar el nivel de desempeño de una práctica de PQM determinada. Aunque son similares a las estimaciones de los índices de calidad, los valores nítidos equivalentes deben obtenerse de la defuzzificación de las funciones de pertenencia que representan los términos lingüísticos en lugar del enfoque de autoevaluación explicado anteriormente. Tal defuzzificación puede basarse en el método propuesto por Mason y Kahn [82]. Por ejem El enfoque de mejora es 76 & # x25, y el mejor rendimiento de su clase es 87 & # x25. Por otro lado, la segunda sección contiene los requisitos analizados y los niveles de calidad # x2019 que se infirieron con la muestra de FES, en función de la configuración de entrada de los diferentes escenarios. Estos resultados fueron alimentados al FLBAA con el fin de computar, para cada una de las actividades analizadas, los parámetros estadísticos que se muestran en la tercera sección de la tabla. Finalmente, la cuarta sección contiene las estimaciones de productividad media obtenidas como salidas del modelo de proyecto de simulación formulado para analizar la operación de muestra. En este caso, se completaron cincuenta corridas de simulación para calcular la estimación de la productividad media en cada uno de los escenarios.

Configuración de los escenarios y sus correspondientes salidas de simulación.

Escenarios & # x2192 1 2 3
Configuración de entrada (niveles de desempeño de las prácticas de PQM)
Acelerando Estable (60 & # x25) Estable (60 & # x25) Estable (60 & # x25)
Cualificación del proveedor Reactivo (38 & # x25) Estable (60 & # x25) Estable (60 & # x25)
En t. y ext. exámenes Reactivo (38 & # x25) Estable (60 & # x25) Estable (60 & # x25)
Cambio y comunicaciones Reactivo (38 & # x25) Estable (60 & # x25) Estable (60 & # x25)
Revisión de operatividad y valor Reactivo (38 & # x25) Estable (60 & # x25) Reactivo (38 & # x25)
Revisión de constructibilidad Reactivo (38 & # x25) Estable (60 & # x25) Estable (60 & # x25)
Cualificación del personal Estable (60 & # x25) Estable (60 & # x25) Continuo (76 & # x25)
Gestión de riesgos Reactivo (38 & # x25) Estable (60 & # x25) Reactivo (38 & # x25)
Administración de Seguridad Estable (60 & # x25) Estable (60 & # x25) Continuo (76 & # x25)
Niveles de calidad de los requisitos del proyecto (Q)
Suministro de material Pobre Bien Bien
Información de diseño Promedio Bien Muy bien
Condiciones de trabajo Bien Muy bien Muy bien
Parámetros estadísticos del número de interrupciones (N)
Excavación N & # xaf 2.47 1.93 1.42
& # x3c3 N 1.11 0.81 1.07
Lecho N & # xaf 2.22 1.45 0.95
& # x3c3 N 1.11 0.50 0.78
Instalación de tubería N & # xaf 2.72 1.94 1.44
& # x3c3 N 1.35 0.80 1.06
Relleno N & # xaf 2.22 1.46 0.94
& # x3c3 N 1.11 0.50 0.78
Parámetros estadísticos de la duración de los retrasos (D)
Excavación D & # xaf 168.84 45.57 21.43
& # x3c3 D 85.58 46.00 28.75
Lecho D & # xaf 251.19 176.10 161.68
& # x3c3 D 114.00 84.99 87.56
Instalación de tubería D & # xaf 164.90 51.89 41.63
& # x3c3 D 85.95 48.65 47.27
Relleno D & # xaf 164.90 87.69 56.64
& # x3c3 D 85.95 29.91 46.97
Resultados y análisis de resultados
MPE (metro / hora) 2.53 3.47 3.70
Aumento de la productividad & # x2014 37.15 & # x25 46,24 & # x25
TIPL & # x2014 132 & # x25 120 & # x25
RPI & # x2014 0.28 0.39

MPE: estimaciones de productividad media TIPL: aumento total de los niveles de rendimiento RPI: mejora de la productividad relativa.

El análisis de los productos asume que, para mejorar el desempeño actual de la operación, es necesario incrementar los niveles de desempeño de las prácticas de PQM. Por lo tanto, es factible calcular el aumento total de los niveles de rendimiento, lo que da como resultado la suma de las variaciones entre los valores nítidos equivalentes que representan los niveles de rendimiento mejorados y actuales. Por ejemplo, suponga que el escenario 1 en la Tabla 10 presenta los estados actuales de las prácticas de PQM, por lo tanto, el aumento total de los niveles de desempeño en el escenario 2 es 132 & # x25 dado que los valores crujientes equivalentes aumentaron en 22 & # x25 (es decir, la variación entre 60 & # x25 en el escenario 2 y 38 & # x25 en el escenario 1) en seis de las prácticas de PQM (es decir, 22 & # x25 & # xd7 6). Además, el análisis de salida también incluye el cálculo del aumento de productividad que se espera del aumento de los niveles de desempeño de las prácticas de PQM. El aumento de la productividad en un escenario dado es la razón entre las estimaciones de productividad media obtenidas en ese escenario y las estimaciones de productividad media obtenidas en el escenario anterior correspondiente. Por ejemplo, el aumento de productividad en el escenario 2 es 37,15 & # x25 dado que las estimaciones de productividad media son 3,47 & # x2009m / hr en el escenario 2 y 2,53 & # x2009m / hr en el escenario 1.

El propósito de calcular el aumento de productividad y el aumento total de los niveles de desempeño es estimar la mejora de la productividad relativa lograda con la configuración de entrada de un escenario dado. La mejora de la productividad relativa es la relación entre el aumento de la productividad y el esfuerzo implementado en la mejora del sistema PQM (es decir, el aumento total de los niveles de desempeño), y sirve para comparar los resultados obtenidos en dos o más escenarios alternativos. De esta manera, la mejora relativa de la productividad puede facilitar el reconocimiento de las estrategias más eficientes para mejorar un sistema PQM dado. Por ejemplo, suponga que mientras los PML enumerados como configuraciones de entrada en el escenario 1 corresponden al estado actual de las prácticas de PQM, los de los escenarios 3 y 4 describen objetivos potenciales para mejorar el desempeño alcanzado actualmente. Por tanto, para decidir cuál de los dos escenarios representa la mejor alternativa, se han evaluado los resultados obtenidos en los escenarios 3 y 4 con referencia a los obtenidos en el escenario 2. Por un lado, el escenario 3 presenta una estrategia convencional en la que todos los Las prácticas de PQM se han establecido en el nivel de desempeño del enfoque formal y estable. Por otro lado, el escenario 4 representa una estrategia más consciente en la que se ha priorizado la mejora de las prácticas con una significancia alta o media en el nivel de calidad de los requisitos del proyecto (ver Tabla 9). Por ejemplo, si bien las prácticas clave de PQM, como la calificación y capacitación del personal y la gestión de la seguridad, se han actualizado al nivel de desempeño del enfoque de mejora continua, las prácticas menos relevantes, como la revisión de la operabilidad y el valor y la gestión de riesgos, se han mantenido en el nivel del enfoque reactivo. Como se observa en la Tabla 10, la configuración de los insumos en el escenario 3 ha producido niveles de calidad más altos de los requisitos del proyecto y, por lo tanto, mejores parámetros estadísticos que los obtenidos con los insumos en el escenario 2. Esto finalmente resultó en el escenario 3 con una estimación de productividad media más alta ( es decir, 3.70 & # x2009m / hr) que el obtenido en el escenario 2 (es decir, 3.47 & # x2009m / hr). Además, debe tenerse en cuenta que el aumento total de los niveles de desempeño en el escenario 3 (es decir, 120 & # x25) es menor que en el escenario 2 (es decir, 132 & # x25).Por lo tanto, la mejora de la productividad relativa resultó significativamente mayor en el escenario 3 (es decir, 0.39 contra 0.28 en el escenario 2), lo que significa que representa una alternativa más eficiente para mejorar el sistema PQM.

9. Limitaciones del enfoque propuesto y la labor futura

Es importante mencionar que dado que el propósito del enfoque de modelado propuesto es evaluar exclusivamente el efecto de los factores PQM sobre el desempeño de las operaciones de construcción, este enfoque de modelado excluye el efecto de otros factores que afectan las operaciones de construcción. En este enfoque de modelado solo se consideraron los factores relacionados con la gestión de la calidad del proyecto y las estimaciones obtenidas no deben considerarse precisas para tomar decisiones con respecto a la programación del proyecto. Deben utilizarse para apoyar la toma de decisiones sobre la mejora del desempeño de la calidad. Sin embargo, la investigación futura podría centrarse en la incorporación de este enfoque a un modelo más completo que integre el efecto de una lista completa de factores en la estimación del rendimiento de la construcción. Esto permitiría obtener estimaciones más precisas que podrían utilizarse para la programación del proyecto.

El resultado de este estudio demostró la amplitud del enfoque de modelado propuesto para integrar los factores asociados con PQM, sin embargo, esto también puede conducir a un trabajo adicional en esta área de investigación. Los resultados derivados en el futuro podrían beneficiar la práctica, y el trabajo de investigación futuro debería contemplar la inclusión de los costos asociados con la actualización de cada una de las prácticas de PQM en el análisis. Esto permitiría lograr un proceso de toma de decisiones aún más reflexivo sobre la mejora del desempeño de la calidad de la construcción. La investigación futura adicional podría centrarse en explorar que el modelo de entrada definido por diferentes expertos puede variar significativamente para producir resultados diferentes y que el modelo mediante evaluaciones basadas en el conocimiento para los parámetros estadísticos debe ser verificado con datos reales del sitio en retrospectiva.

10. Resumen y conclusiones

El resultado de la investigación informada en este documento incluye una metodología única que integra técnicas de modelado de simulación con sistemas basados ​​en el conocimiento para evaluar el efecto de la gestión de la calidad del proyecto en el desempeño de las operaciones de construcción. La intención es apoyar la toma de decisiones sobre la mejora de los sistemas PQM y el aumento del desempeño del proyecto.

El enfoque propuesto basado en simulación se basa en el análisis de los factores involucrados en la relación entre las prácticas de PQM y el desempeño de las actividades de construcción: los niveles de desempeño de las prácticas de PQM para determinar los niveles de calidad de los requisitos del proyecto, y estos niveles de calidad. determinará la cantidad de interrupciones que eventualmente afectarán la productividad de las operaciones de construcción. Además, este enfoque proporciona estimaciones de simulación de productividad en las que se incorpora el efecto del desempeño de PQM. La incorporación de este efecto en las estimaciones de productividad implica computar, para cada una de las actividades involucradas en la operación, los parámetros que describen las distribuciones estadísticas de dos variables: el número de interrupciones que pueden ocurrir durante la actividad dada y la duración de los retrasos por tales interrupciones. Estos parámetros estadísticos son los insumos del modelo de simulación a partir del cual se obtendrán las estimaciones de productividad de la operación. En este caso, la estimación de estos parámetros estadísticos involucra dos aplicaciones basadas en lógica difusa: un FES para inferir los niveles de calidad de los requisitos del proyecto involucrados en la operación de construcción analizada y un FLBAA que usa los resultados del FES para calcular los estadísticos requeridos. parámetros. El uso de la lógica difusa posibilita la incorporación de evaluaciones basadas en el conocimiento en la estimación de los parámetros estadísticos, lo que permite superar la limitada disponibilidad de información que hace que las técnicas de modelado basado en probabilidades no sean adecuadas para este propósito.

Una aplicación de muestra ilustró la evaluación del efecto de una serie de prácticas de PQM en la productividad de una operación de construcción abierta y demostró las capacidades predictivas y explicativas del enfoque de modelado propuesto. Esto incluyó demostrar que su capacidad para explorar estrategias de mejora de PQM puede proporcionar información sobre los mecanismos, interacciones y las formas más efectivas de lograr un mejor desempeño de las operaciones de construcción. Por tanto, esto aclaró la utilidad de las estimaciones de productividad de simulación obtenidas en la comprensión del efecto de la PQM en el desempeño de la construcción, así como en la toma de decisiones relacionadas con la mejora del desempeño de la calidad. La disponibilidad de esta metodología también ofrece nuevos enfoques para el estudio de la calidad, apoya la exploración de cuestiones fundamentales en el desempeño de los proyectos de construcción y facilita la identificación de oportunidades de mejora.


Abstracto

Los sistemas de gestión medioambiental (EMS) están ganando popularidad como herramientas para gestionar los problemas medioambientales corporativos. A pesar de su uso generalizado, es posible que los marcos existentes para los EMS no proporcionen a las organizaciones los conocimientos necesarios para la toma de decisiones. A través de una síntesis de estudios de caso y talleres, sugerimos cinco elementos para que los EMS se amplíen para la toma de decisiones organizacionales. Los cinco elementos son diagramas de proceso, metas a corto y largo plazo vinculadas a la estrategia, sistemas de información confiables, herramientas de evaluación de riesgos y colaboración del personal ambiental en toda la organización. Estos cinco elementos brindan a los tomadores de decisiones información relevante vinculada a la estrategia comercial para que la organización pueda mejorar el desempeño. Los elementos pueden integrarse con un EMS existente o utilizarse como base para implementar uno.

Autor para correspondencia teléfono: (412) 268-7889 fax: (412) 268-7813 correo electrónico: [email & # 160protected]

Ingeniero asociado, Montgomery Watson Harza, Rego Park, NY.


Objetivo: Investigar la incidencia y los posibles factores asociados con la formación de seromas después de la colocación intraoperatoria del catéter MammoSite para la irradiación parcial acelerada de la mama.

Métodos y materiales: Este estudio evaluó a 38 pacientes que se habían sometido a la colocación de un catéter MammoSite intraoperatorio en una tumorectomía o una reexcisión seguida de una irradiación parcial acelerada de la mama con 34 Gy en 10 fracciones. Se recopilaron datos con respecto a los parámetros dosimétricos, incluido el volumen de tejido encerrado por las carcasas de isodosis al 100%, 150% y 200%, el índice de homogeneidad de la dosis y la dosis máxima en la superficie del aplicador. Se analizaron los factores clínicos y relacionados con el tratamiento, incluida la edad del paciente, el peso del paciente, los antecedentes de diabetes y tabaquismo, el uso de una nueva extirpación, el intervalo entre la cirugía y la radioterapia, la duración total de la colocación del catéter, el volumen total de la muestra extirpada y la presencia o ausencia de infección posterior al procedimiento. . El seroma se verificó mediante examen clínico, mamografía y / o ecografía. El seroma persistente se definió como un seroma clínicamente detectable & gt6 meses después de la finalización de la radioterapia.

Resultados: Después de una mediana de seguimiento de 17 meses, la tasa general de cualquier seroma detectable fue del 76,3%. Se produjo un seroma persistente (& gt6 meses) en 26 (68,4%) de 38 pacientes, de los cuales el 46% experimentó al menos un malestar modesto en algún momento durante el seguimiento. De estos pacientes sintomáticos, 3 requirieron biopsia o escisión completa de la cavidad, revelando metaplasia escamosa, reacción de células gigantes a cuerpo extraño, fibroblastos y depósito activo de colágeno. De las variables dosimétricas, clínicas y relacionadas con el tratamiento analizadas, solo el peso corporal se correlacionó positivamente con el riesgo de formación de seromas (pag = 0,04). La infección posprocedimiento se correlacionó significativamente (pag = 0,05) con un riesgo reducido de formación de seromas. El seroma se asoció con un resultado cosmético subóptimo, porque se obtuvieron puntuaciones excelentes en el 61,5% de las mujeres con seroma en comparación con el 83% sin seroma.

Conclusión: La colocación intraoperatoria del catéter MammoSite para la irradiación parcial acelerada de la mama se asocia con una alta tasa de seroma clínicamente detectable que afecta negativamente el resultado cosmético. El riesgo de seroma se asoció positivamente con el peso corporal y negativamente con la infección posprocedimiento.


3 RESULTADOS

3.1 resumen RAD-seq

La biblioteca RAD de 151 muestras arrojó un total de 787,286,606 lecturas, de las cuales 633,985,956 permanecieron después del filtrado de calidad y demultiplexación. Estas lecturas filtradas se utilizaron luego para crear un catálogo que contiene 1.297.018 SNP putativos para la construcción de genotipos para todos los individuos. Después de los primeros pasos de filtrado, Stacks produjo 100 275 SNP. Otros procedimientos de filtrado en Plink, como la tasa de genotipo faltante, la frecuencia de alelos menores, el desequilibrio de ligamiento y la no conformidad con el equilibrio de Hardy-Weinberg, excluyeron a un individuo del Golfo Arábigo debido a la falta de datos del genotipo. Un total de 10,225 SNP de todo el genoma de 150 individuos se retuvieron y utilizaron en todos los análisis posteriores.

3.2 Resumen de estadísticas

La comparación por pares entre regiones arrojó valores de FS T oscilando entre 0,002 y 0,143 (pag = .001) con los valores más altos observados en las comparaciones entre el Golfo Arábigo y la costa de Kenia, mientras que los valores más bajos ocurrieron entre el Mar Rojo y el Golfo de Adén. Agrupar las muestras en tres poblaciones según los análisis de agrupación (consulte los resultados de ADMIXTURE y PCA a continuación). FS T osciló entre 0,043 entre las poblaciones de la Península Arábiga Oriental (EAP) y la Península Arábiga Occidental (WAP), hasta 0,135 entre Kenia y la EAP (pag = .001 Tablas 2 y 3).