«به‌کارگیری الگوریتم‌های یادگیری ماشین در پیش‌بینی تأخیر پروژه‌های عمرانی: مطالعه‌ای مبتنی بر شبیه‌سازی»

ولی الله ضیا¹

1) دانشجوی کارشناسی مهندسی عمران دانشگاه تهران

کد IOI مقاله : AAHE-ABGGKD
محل انتشار : کنفرانس ملی فناوری های عمران، طراحی و ساخت، انرژی، مواد و ماشین آلات پیشرفته(icaeu.ir)
چکیده :
    تأخیر در پروژه‌های مهندسی عمران همچنان یکی از چالش‌های پایدار و پرهزینه در صنعت ساخت‌وساز در سراسر جهان به شمار می‌رود. پیش‌بینی زودهنگام و دقیق تأخیر پروژه‌ها امکان انجام اقدامات مدیریتی پیشگیرانه را فراهم کرده و به‌طور قابل‌توجهی از افزایش هزینه‌ها و طولانی شدن زمان‌بندی پروژه جلوگیری می‌کند. این پژوهش به بررسی کاربرد چهار الگوریتم یادگیری ماشین نظارت‌شده شامل جنگل تصادفی (Random Forest)، تقویت گرادیانی (Gradient Boosting)، رگرسیون لجستیک (Logistic Regression) و ماشین بردار پشتیبان (SVM) برای پیش‌بینی تأخیر پروژه‌های ساختمانی می‌پردازد. در این مطالعه، یک مجموعه‌داده شبیه‌سازی‌شده شامل 300 رکورد از پروژه‌های مهندسی عمران بر اساس 10 عامل کلیدی ریسک پروژه تولید شد که از جمله آن‌ها می‌توان به پیچیدگی سایت، ریسک شرایط جوی، دسترسی به نیروی کار و فراوانی دستور تغییرات اشاره کرد. مدل‌ها با استفاده از معیارهای استاندارد ارزیابی شامل دقت (Accuracy)، دقت مثبت (Precision)، بازخوانی (Recall) و امتیاز F1 آموزش و ارزیابی شدند. نتایج نشان داد که الگوریتم جنگل تصادفی با دستیابی به دقت 75.00٪ و امتیاز F1 برابر با 83.52٪ بهترین عملکرد پیش‌بینی را داشته و از سایر الگوریتم‌ها عملکرد بهتری ارائه کرده است. همچنین مشخص شد که امتیاز ریسک آب‌وهوا، پیچیدگی سایت و فراوانی دستور تغییرات مهم‌ترین عوامل مؤثر در پیش‌بینی تأخیر پروژه هستند. یافته‌های این پژوهش قابلیت استفاده از یادگیری ماشین را به‌عنوان یک ابزار پشتیبان تصمیم‌گیری در مدیریت پروژه‌های مهندسی عمران تأیید می‌کند و پتانسیل ادغام این روش‌ها با سامانه‌های مدل‌سازی اطلاعات ساختمان (BIM) را برجسته می‌سازد.

کلمات کلیدی : یادگیری ماشین پیش‌بینی تأخیر پروژه‌های ساختمانی جنگل تصادفی مدیریت پروژه‌های مهندسی عمران عوامل ریسک مطالعه مبتنی بر شبیه‌سازی