برآورد هزینه در پروژه های ساختمانی:

ارائه تخمین دقیق هزینه در پروژه های ساختمانی کار دشواری است، زیرا پروژه های ساختمانی در معرض ریسک ها و عدم قطعیت های متعددی هستند. این امر به خصوص در مرحله برنامه ریزی پروژه که داده ها و اطلاعات کافی در مورد پروژه در دسترس نباشد، تشدید می گردد. ابهامات متعددی در پروژه های ساختمانی وجود دارد که بر عملکرد ذینفعان مختلف تأثیر می گذارد. یک پروژه در صورت تکمیل به موقع، در بودجه و سطح استانداردهای کیفیت مشخص شده در مرحله برنامه ریزی، موفقیت آمیز تلقی می شود. در این مقاله به چگونگی ارتقای سطح موفقیت پروژه های ساخت، بواسطه برآورد هزینه پروژه با فناوری یادگیری ماشین می پردازیم.

تخمین هزینه ساخت و ساز در مرحله اولیه توسعه پروژه بیانگر پیش بینی صحیح ارائه شده توسط مهندسین مشاور بر اساس اطلاعات و داده های موجود است. برآورد هزینه به عنوان آن منطقه از عملیات ساخت و ساز تعریف می شود که در آن از تجربه و قضاوت مهندسین با تجربه در استفاده از اصول و تکنیک های علمی برای پیش بینی و کنترل هزینه پروژه ها استفاده می گردد. پیش بینی دقیق میزان تأثیر عدم قطعیت های پروژه بر هزینه ساخت همواره یکی از مهمترین چالش های مهندسان بوده است. اما موفقیت یا عدم موفقیت هر پیش بینی به اعتبار روش پیش بینی بستگی دارد.

فناوری یادگیری ماشین:

تکنیک های یادگیری ماشین هوشمند مبتنی بر سیستم استنتاج فازی (ANFIS) در مدل سازی جنبه های کیفی و بدون استفاده از تحلیل های کمی دقیق مورد استفاده قرار می گیرد.

ANFIS  در زمینه های مختلف مهندسی عمران مورد استفاده قرار گرفته است. به عنوان مثال از نمونه کاربرد های آن می توان برآورد هزینه پروژه با فناوری یادگیری ماشین در ساختمان های مسکونی، ارزیابی ریسک شغلی در صنعت کشتی سازی، ارزیابی ریسک در پروژه های عمرانی، تعیین میزان مصرف انرژی ساختمان، غلبه بر مشکل انتخاب تأمین کننده در پروژه های ساختمانی، ایجاد مدل تصمیم گیری برای انتخاب و واگذاری نیروی انسانی به پروژه های عمرانی بر اساس رقابت، ارزیابی ریسک پروژه های تعمیر و نگهداری پل و نگهداری شبکه های برق را نام برد.

از طرف دیگر، استفاده از روشهای آماری کلاسیک مانند آنالیز رگرسیون در پیش بینی متغیرهای مختلف در مدیریت پروژه  کاملاً متداول است. روش های تحلیل رگرسیون نسبتاً آسان بوده و مزیت اصلی این روش ها آن است که ارتباط بین متغیرهای ورودی و متغیرهای خروجی به راحتی قابل درک می باشد. از مدل های رگرسیون در حوزه های مختلف مدیریت پروژه استفاده های گسترده ای شده است.

به عنوان مثال ، ارزیابی عوامل مهم مؤثر بر هزینه های پروژه های عمرانی، مدل سازی رتبه بندی ریسک در ساخت و ساز و برآورد احتمالات در پروژه های بزرگراه، شناسایی عوامل موفقیت در پروژه های مشارکت عمومی و خصوصی، ارزیابی خطرات پروژه ، تجزیه و تحلیل درک خطر شرکت کنندگان در پروژه های BOT، توسعه مدل هایی برای پیش بینی هزینه و زمان واقعی ساخت و رتبه بندی عوامل موفقیت پروژه از جمله استفاده های آنالیز رگرسیون هستند.

machine-learning

بسوی کنار گذاشتن روش های آماری:

طی پژوهشی که در سال ۲۰۱۹ در کشور آفریقای جنوبی در زمینه برآورد هزینه پروژه با فناوری یادگیری ماشین به انجام رسیده است، استفاده از سیستم استنتاج عصبی و فازی تطبیقی به عنوان یک روش یادگیری ماشین در پیش بینی اندازه تأثیر ریسک ها بر هزینه ساخت پروژه های بزرگراهی و اینکه آیا این تکنیک دقیق تر از روش های آماری کلاسیک است، بررسی شده است.

هدف اصلی این تحقیق از دستیابی به چندین تکنیک مانند آنالیز رگرسیون و یادگیری ماشین برای ایجاد مدل های پیش بینی کننده روابط متغیرهای مختلف در صنعت ساخت ناشی می شود. با این حال، تحقیقات محدودی برای مقایسه صحت تکنیک های موجود انجام شده است. موفقیت یا عدم موفقیت پیش بینی هزینه در پروژه های ساختمانی و راهسازی به اعتبار روش پیش بینی بستگی دارد. در این مطالعه ، میزان تأثیر پیش بینی شده مربوط به ۷۶ ریسک متداول در ساخت پروژه های بزرگراه با استفاده از ANFIS به عنوان یک روش یادگیری ماشین و تحلیل رگرسیون گام به گام (SRA) به عنوان یک روش آماری کلاسیک به منظور ترسیم توانایی و دقت پیش بینی ANFIS انجام شده است.

تکنیک مقایسه محاسبه R-Value و دو تست خطا برای ANFIS و SRA نشان می دهد که مدل ANFIS ساخته شده، از لحاظ آمادگی و قابلیت اطمینان پیش بینی، عملکرد بالاتری نسبت به روش SRA دارد. همچنین، مقایسه عملکرد دو روش، نشان می دهد که ANFIS ابزاری مناسب برای پیش بینی تأثیر ریسک ها بر هزینه پروژه است.

بر اساس این یافته ها، بنظر می رسد که استفاده از روش های هوشمند مانند ANFIS ناهماهنگی بالقوه همبستگی ها در هزینه ساخت و پیش بینی زمان را به حداقل می رساند. مدل توسعه یافته در این روش، مهندسان را قادر می سازد هزینه ساخت را با درجه دقت بیشتری تخمین بزنند. بنابراین شاید زمان آن رسیده باشد که روش های آماری را کنار گذاشته و به برآورد هزینه پروژه با فناوری یادگیری ماشین روی آوریم.

مقاله مرجع:

(Visited 23 times, 1 visits today)

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *