Abstract:
در مدیریت پروژه های ساخت وساز، موفقیت در کنترل هزینه و زمان پروژه ها برای کمک به پیمانکاران امری حیاتی است. افزایش هزینه و زمان پروژه ها از برنامه تعریف شده، ممکن است به کاهش سود و حتی برخی اوقات به شکست پروژه ها منجر شود. پیش بینی هزینه و زمان نهایی پروژ ها، یکی از اقداماتی است که برای کنترل هزینه و زمان پروژه ها مورد توجه قرار می گیرد. در این تحقیق، مدل شبکه های عصبی برای پیش بینی هزینه و زمان نهایی پروژه ها توسعه یافته و برای متغیر های ورودی شبکه های عصبی، از دو مجموعه متغیر «ارزش کسب شده» و «محیطی» استفاده شده است. در این تحقیق، عملکرد تکنیک ارزش کسب شده با شبکه های عصبی مقایسه شده و به طور جداگانه تاثیر هریک از این مجموعه داده ها بر عملکرد مدل در پیش بینی هزینه و زمان نهایی، مورد بررسی قرار گرفته است. نتایج تحقیق نشان می دهند که عملکرد شبکه های عصبی بهتر از مدیریت ارزش کسب شده است و با استفاده از شبکه های عصبی مبتنی بر داده های ارزش کسب شده و محیطی می توان به نتایج بهتری، در مقایسه با شبکه های عصبی مبتنی بر داده های ارزش کسب شده، رسید.
Machine summary:
در این تحقیق ، مدل شبکه های عصبی برای پیش بینی هزینه و زمان نهایی پروژه ها توسعه یافته و برای متغیرهای ورودی شبکه های عصبی، از دو مجموعه متغیر «ارزش کسب شده » و «محیطی» استفاده شده است .
در این تحقیق ، عملکرد تکنیک ارزش کسب شده با شبکه های عصبی مقایسه شده و به طور جداگانه تأثیر هریک از این مجموعه داده ها بر عملکرد مدل در پیش بینی هزینه و زمان نهایی، مورد بررسی قرار گرفته است .
طی یک دهه گذشته ، در تحقیقات بیشماری از این تکنیک برای پیش بینی هزینه و زمان پروژه های ساخت وساز استفاده شده است ؛ اما در هیچ یک از آن ها عملکرد شبکه های عصبی با تکنیک ارزش کسب شده مقایسه نشده است .
در این پژوهش ، یک مدل پیش بینی مبتنیبر شبکه های عصبی (EAC-ANN٢) با استفاده از داده های ارزش کسب شده و داده های محیطی توسعه مییابد که طی فازهای اجرایی پروژه ، هزینه و زمان نهایی پروژه ها به نحو بهتری کنترل شود.
هدف اصلی این تحقیق طراحی مدل شبکه عصبی برای پیش بینی هزینه و زمان نهایی پروژه های صنعت ساخت وساز است تا مدیران بتوانند هزینه و زمان را بهتر کنترل کنند و با خطای کمتری نسبت به تکنیک ارزش کسب شده ، هزینه و زمان پروژه ها را پیش بینی کنند.
Comparison of construction cost estimating models based on regression analysis, neural networks, and case-based reasoning.
Conceptual cost estimation of building projects with regression analysis and neural networks.