ค่าสัมประสิทธิ์สหสัมพันธ์ของการวัดผลิตภาพแรงงานก่อสร้างถนนแอสฟัลต์ติกคอนกรีตด้วยนาฬิกาอัจฉริยะ
Article Sidebar
Main Article Content
บทคัดย่อ
ในปัจจุบันผลิตภาพแรงงานของไทยมีการขยายตัวที่ค่อนข้างต่ำ ซึ่งเป็นผลกระทบกับเจ้าของโครงการ โดยอุตสาหกรรมการก่อสร้างต้นทุนของแรงงานคิดเป็น 30-50 % ของต้นทุนทั้งหมด จึงทำให้ผลิตภาพของแรงงานก่อสร้างนั้นเป็นตัวกำหนดความสำเร็จของโครงการ ซึ่งการวัดผลิตภาพของแรงงานก่อสร้างนั้นสามารถทำได้โดยการรวบรวมข้อมูลจากหน้างาน โดยจะต้องไม่ไปรบกวนการทำงานของแรงงานก่อสร้างขณะที่แรงงานดำเนินงานอยู่ แต่ภายในโครงการก่อสร้างมีความซับซ้อนทำให้การเก็บข้อมูลเป็นเรื่องยาก ในการศึกษานี้จึงประยุกต์ใช้เทคโนโลยีเข้ามาช่วยในการเก็บรวบรวมข้อมูลของแรงงานก่อสร้างในงานก่อสร้างถนนแอสฟัลต์ติกคอนกรีต โดยใช้นาฬิกาอัจฉริยะรวบรวมข้อมูลของแรงงาน ดังนี้ อัตราการเต้นของหัวใจ ระยะทางในการเดินแต่ละวัน พลังงานที่ใช้ไป สภาพอากาศระหว่างการทำงาน ความชื้นระหว่างการทำงาน ระยะเวลาการทำงานในแต่ละวัน และในส่วนที่เก็บเพิ่มเติม คือ อายุ ประสบการณ์ทำงาน และปริมาณงานที่แรงงานทำได้ในแต่ละวัน และวิเคราะห์ความสัมพันธ์ของพารามิเตอร์ด้วยสัมประสิทธิ์สหสัมพันธ์ของเพียรสัน (Pearson Correlation Coefficient) ผลการวิเคราะห์ได้ความว่า ระยะเวลาการทำงานในแต่ละวัน อุณหภูมิระหว่างการทำงาน และความชื้นระหว่างการทำงาน มีค่าความสัมพันธ์อย่างมีนัยสำคัญทางสถิติต่อผลิตภาพการทำงานของแรงงานในโครงการก่อสร้างถนนแอสฟัลต์ติกคอนกรีตสูงสุดไปในทิศทางเดียวกัน 3 อันดับแรก
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ลงตีพิมพ์เป็นข้อคิดเห็นของผู้เขียนเท่านั้น
ผู้เขียนจะต้องเป็นผู้รับผิดชอบต่อผลทางกฎหมายใดๆ ที่อาจเกิดขึ้นจากบทความนั้น
References
T. H. Randolph and M. C. Terrell, An Analysis of the Methods for Measuring Construction Productivity. Pennsylvania State University, 1986.
D. W. Halligan, L. A. Demsetz, J. D. Brown, and C. B. Pace, “Action-response model and loss of productivity in construction,” Journal of Construction Engineering and Management, vol. 120, no. 1, pp. 47–64, 1994.
A. Puttari, P. Supaamonkul, and P. lakpentum, “Labour Productivity Index in Thailand,” in Labour Productivity Index, Bangkok: Bank of Thailand, 2010, pp. 4–11(in thai).
T. Cheng, J. Teizer, G. C. Migliaccio, and U. C. Gatti, “Automated task-level activity analysis through fusion of real time location sensors and worker’s thoracic posture data,” Automation in Construction, vol. 29, pp. 24–39, 2013.
A. Pradhan, B. Akinci, and C. T. Haas, “Formalisms for query capture and data source identification to support data fusion for construction productivity monitoring,” Automation in Construction, vol. 20, no. 4, pp. 389–398, 2011.
R. Akhavian and A. H. Behzadan, "Productivity analysis of construction worker activities using smartphone sensors," in Proceedings, 16th International Conference on Computing in Civil and Building Engineering, 2016, pp. 1067–1074.
P. M. Goodrum, C. T. Haas, C. Caldas, D. Zhai, J. Yeiser, and D. Homm, “Model to predict the impact of a technology on construction productivity,” Journal of Construction Engineering and Management, vol. 137, no. 9, pp. 678–688, 2011.
D. Grau, C. H. Caldas, C. T. Haas, P. M. Goodrum, and J. Gong, “Assessing the impact of materials tracking technologies on construction craft productivity,” Automation in Construction, vol. 18, no. 7, pp. 903–911, 2009.
B.Sherafat, C. R. Ahn, R. Akhavian, A. H. Behzadan, M. Golparvar-Fard, H. Kim, Y.-C. Lee, A. Rashidi and E. R. Azar, “Automated methods for activity recognition of construction workers and equipment: State-of-the-art review,” Journal of Construction Engineering and Management, vol. 146, no. 6, pp. 03120002-1–03120002-19, 2020.
L. Song and S. M. AbouRizk, “Measuring and modeling labor productivity using historical data,” Journal of Construction Engineering and Management, vol. 134, no. 10, pp. 786–794, 2008.
W. Jiradamkerng, “Construction Productivity,” in Productivity Improvement in Construction, Pathum Thani: wankaweebook, 2016 (in Thai).
G. J. A. O. Cezar, “Activity recognition in construction sites using 3D accelerometer and gyrometer,” vol. 10, pp. 1–6, 2012.
K. K. Han and M. Golparvar-Fard, “Potential of big visual data and building information modeling for construction performance analytics: An exploratory study,” Automation in Construction, vol. 73, pp. 184–198, 2017.
A. Kamišalić, I. Fister, M. Turkanović, and S. Karakatič, “Sensors and functionalities of non-invasive wrist-wearable devices: A review,” Sensors, vol. 18, no. 6, pp. 1714, 2018.
T. Zhang, Y.-C. Lee, M. Scarpiniti, and A. Uncini, “A supervised machine learning-based sound identification for construction activity monitoring and performance evaluation,”in Construction Research Congress 2018, 2018, pp. 358–366.
K. Yang, S. Aria, C. R. Ahn, and T. L. Stentz, “Automated detection of near-miss fall incidents in iron workers using inertial measurement units,” in Construction Research Congress 2014, 2014, pp. 935–944.
H. Hanna, Quantifying the Cumulative Impact of Change Orders for Electrical and Mechanical Contractors: A Report to the Construction Industry Institute, University of Wisconsin at Madison, WI: Madison.
S. H. Khan and M. Sohail, “Activity monitoring of workers using single wearable inertial sensor,” in 2013 International Conference on Open Source Systems and Technologies, 2013, pp. 60–67.
D. Kim, M. Liu, S. Lee, and V. R. Kamat, “Remote proximity monitoring between mobile construction resources using camera-mounted UAVs,” Automation in Construction, vol. 99, pp. 168–182, 2019.
P. O. Olomolaiye, A. K. W. Jayawardane, and F. C. Harris, “Construction productivity: Definition and Importance,” in Construction productivity management, Berkshire: the Chartered Institute of Building, 1998, pp. 1–11.
WL. Neuman, Social work research methods: qualitative and quantitative approaches: with research navigator. Boston: Pearson/Allyn and Bacon, 2006.
A. Enshassi, S. Mohamed, Z. A. Mustafa, and P. E. Mayer, “Factors affecting labour productivity in building projects in the Gaza strip,” Journal of Civil Engineering and Management, vol. 13, no. 4, pp. 245–254, 2010.
W. Lee and G. C. Migliaccio, “Field use of physiological status monitoring (PSM) to identify construction workers’ physiologically acceptable bounds and heart rate zones,” in Computing in Civil and Building Engineering (2014), 2014.
H. Guo, Y. Yu, T. Xiang, H. Li, and D. Zhang, “The availability of wearable-device-based physical data for the measurement of construction workers’ psychological status on site: From the perspective of safety management,” Automation in Construction, vol. 82, pp. 207– 217, 2017.
P. Ghoddousi and M. R. Hosseini , “A survey of the factors affecting the productivity of construction projects in Iran,” Technological and Economic Development of Economy, vol. 18, no. 1, pp. 99–116, 2012.