بکارگیری دانش مدیریت پروژه و الگوریتم هیبریدی در پیش‌بینی زمان و هزینه تکمیل پروژه‌های سدسازی

محورهای موضوعی : مقاله پژوهشی

رضا بخشی ¹ , سینا فرد مرادی نیا ^{2 *} , رسول جانی ³ , رامین وفائی پور سرخابی ⁴

1 - گروه مهندسي عمران، واحد تبريز، دانشگاه آزاد اسلامي، تبریز، ايران
2 - گروه مهندسي عمران، واحد تبريز، دانشگاه آزاد اسلامي، تبریز، ايران
3 - گروه مهندسي عمران، واحد تبريز، دانشگاه آزاد اسلامي، تبریز، ايران
4 - گروه مهندسي عمران، واحد تبريز، دانشگاه آزاد اسلامي، تبریز، ايران

تاریخ انتشار : 1403/07/11

کلید واژه:

چکیده مقاله :

مقدمه: یکی از وظایف مدیر پروژه، کنترل پروژه با استفاده از دو فاکتور زمان و هزینه می‌باشد. این دو اهرم از مهمترین کلیدهای کنترلی پروژه به منظور استفاده بهینه از منابع می‌باشد.

روش­: در این تحقیق روش جدیدی با بکارگیری ارزش کسب شده و الگوریتم­های هیبریدی برای پیش­بینی زمان و هزینه تکمیل پروژه­های سد سازی توسعه داده شد. برای این منظور گزارشات مالی و زمان­بندی پنج سد A، B، C، D و E گردآوری شدند. ارزش کسب شده، پیشرفت واقعی، برنامه کسب شده و هزینه واقعی برای هر ماه از گزارشات این سدها استخراج شد. سپس از پارامترهای چهار سد (A تا D) به عنوان ورودی در توسعه مدل­هایی برای پیش­بینی زمان با استفاده از الگوریتم حداقل مربعات ماشین بردار پشتیبان (LSSVM) و تلفیق شده با الگوریتم­های بهینه­سازی ازدحام ذرات (PSO) و ژنتیک (GA) استفاده گردید.

یافته­ ها:  مقایسه نتایج حاصل از این مدل­های در مرحله آموزش نشان داد که الگوریتم LSSVM-PSO از دقت بالاتری برخوردار است. در ادامه برای توسعه مدل پیش­بینی­کننده هزینه با استفاده از الگوریتم­های هیبریدی علاوه­ بر پارامترهای ورودی استفاده شده در مرحله، زمان پیش­بینی شده توسط مدل­ها نیز به عنوان ورودی الگوریتم­ها تعریف شد. مقایسه نتایج این مرحله نیز نشان داد که الگوریتم LSSVM-PSO از دقت بالاتری نسبت به سایر مدل­ها برخوردار است. در ادامه برای اعتبارسنجی مدل­های توسعه داده شده، این مدل‌ها برای پیش­بینی زمان و هزینه در پروژه ساخت سد E استفاده شد. نتایج نشان داد که الگوریتم LSSVM-PSO نسبت به سایر الگوریتم­های هیبریدی از دقت بالاتری در تخمین زمان اتمام پروژه برخوردار است که نشان دهنده قابلیت تعمیم بالای این مدل برای پیش­بینی زمان سایر پروژه­های ساخت سد است. این در حالی است که برخلاف انتظار این مدل از دقت کمتری در پیش­بینی هزینه اتمام پروژه ساخت سد E نسبت به مدل MLP-PSO برخوردار است که نشان می­دهد پیش­بینی هزینه از پیچیدگی بالاتری برخوردار است و بکارگیری مدل­ها در این مسئله بایستی با احتیاط بیشتری صورت گیرد. برای ارزیابی بیشتر نتایج مدل­های هیبریدی از روش احتمالاتی فیلتر کالمن نیز برای پیش­بینی زمان و هزینه پروژه استفاده شد که نتایج آن حاکی از دقت بالاتر مدل­های حاصل از الگوریتم­های هیبریدی است.

نتیجه­ گیری: مدل LSSVM-PSO می­تواند با دقت بالاتری نسبت به روش­های مرسوم به پیش­بینی زمان و هزینه پروژه بپردازد.

 

 

 

چکیده انگلیسی:

Introduction: Precisely predicting the time and cost of completing projects is vital because the lack of a proper estimation will be accompanied by an irrational upsurge in the exact execution costs compared to the set budget. Using the earned value method (EVM) to predict the time and cost of projects is prevalent. However, using this method alone highlights good accuracy in predicting time and cost of projects. Consequently, models based on EVM were developed.

Methods: The present article was developed using the EVM method and hybrid algorithms to predict the time and cost of completing projects. To attain this goal, the data from four dams, A, B, C, and D, were used to build models, and the data of the under-construction dam E were used to validate the models resulting from the modeling stage. To this end, the parameters earned schedule (Month), earned value ($), actual progress (%), and actual cost (%) are used as inputs for predicting time and for predicting cost, as well as these parameters, time is also defined as input of hybrid algorithms.

Findings: Comparing the consequences of the hybrid algorithms in the training and test stage designates the high accuracy of the LSSVM-PSO model compared to the LSSVM-GA. The low variance in the error values of these two stages for this model suggests its high generalization ability on unseen data. The use of these hybrid models in forecasting the time for the E dam gave a prior warning for the delay in the completion of the project in the first month. Likewise, in cost predicting, the LSSVM-PSO and LSSVM-GA models issued an early warning in the seventh and ninth months, respectively, for the non-conformity of the project cost with the planned cost. This is while the Kalman filter stated the primary warning to predict the project's completion time in the seventh month, and this model gave no warning regarding the planned cost. Comparing these results with the periodical reports of the E dam construction project designates the excellent performance of hybrid models, particularly the LSSVM-PSO model.