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

الموضوعات :

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

تاريخ الإرسال : 16 السبت , جمادى الأولى, 1444 تاريخ الإصدار : 29 الأربعاء , ربيع الأول, 1446

الکلمات المفتاحية: الگوریتم هیبریدی, ارزش کسب شده, پیش¬بینی هزینه, سد سازی ,

ملخص المقالة :

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.

 

 

 

المصادر:

1. Gowan, J. A., Mathieu, R. G., & Hey, M. B. 2006. Earned value management in a data warehouse project. Information management & computer security, 14(1), 37-50.
2. Attalla, M., & Hegazy, T. (2003). Predicting cost deviation in reconstruction projects: Artificial neural networks versus regression. Journal of construction engineering and management, 129(4), 405-411.
3. Kim, G. H., An, S. H., & Kang, K. I. 2004. Comparison of construction cost estimating models based on regression analysis, neural networks, and case-based reasoning. Building and environment, 39(10), 1235-1242.
4. Wilmot, C. G., & Mei, B. 2005. Neural network modeling of highway construction costs. Journal of construction engineering and management, 131(7), 765-771.
5. Kim, B. C., & Reinschmidt, K. F. 2010. Probabilistic forecasting of project duration using Kalman filter and the earned value method. Journal of Construction Engineering and Management, 136(8), 834-843.
6. Sonmez R. 2011. Range estimation of construction costs using neural networks with bootstrap prediction intervals. Expert Syst Appl.; 38(8):9913–7.
7. Wang Y-R, Yu C-Y, Chan H-H. 2012. Predicting construction cost and schedule success using artificial neural networks ensemble and support vector machines classification models. Int J Proj Manag.30(4):470–8.
8. Cheng M-Y, Hoang N-D, Roy AF V, Wu Y-W. 2012. A novel time-depended evolutionary fuzzy SVM inference model for estimating construction project at completion. Eng Appl Artif Intell. 25(4):744–52.
9. Wauters M, Vanhoucke M. 2014. Support vector machine regression for project control forecasting. Autom Constr.47:92–106.
10. Kim B-C. 2015. Integrating risk assessment and actual performance for probabilistic project cost forecasting: a second moment Bayesian model.IEEE Trans Eng Manag. 62(2):158–70.
11. Mortaji STH, Noorossana R, Bagherpour M. 2015. Project completion time and cost prediction using change point analysis. J Manag Eng. 31(5):4014086.
12. Akhbari M. 2018. Project time and cost forecasting using monte carlo simulation and artificial neural networks. Int J Ind Eng Prod Res. 29(2):231–9.
13. Jiang Q. 2019. Estimation of construction project building cost by back-propagation neural network. J Eng Des Technol.
14. Najafi S, Moosavirad SH, Ariafar S. 2019. Predicting the project time and costs using EVM based on gray numbers. Eng Constr Archit Manag.
15. Soltan S, Ashrafi M. 2020. Predicting project duration and cost, and selecting the best action plan using statistical methods for earned value management. J Proj Manag. 5(3):157–66.
16. Khalaf TZ, Çağlar H, Çağlar A, Hanoon AN. 2020. Particle swarm optimization based approach for estimation of costs and duration of construction projects. Civ Eng J.6(2):384–401.
17. Asadabadi MR, Zwikael O. 2021. Integrating risk into estimations of project activities’ time and cost: A stratified approach. Eur J Oper Res. 291(2):482–90.
18. Bakhshi R, Moradinia SF, Jani R, Poor RV. 2022. Presenting a Hybrid Scheme of Machine Learning Combined with Metaheuristic Optimizers for Predicting Final Cost and Time of Project. KSCE J Civ Eng.1–16.
19. Anemangely M, Ramezanzadeh A, Tokhmechi B, Molaghab A, Mohammadian A. 2018. Drilling rate prediction from petrophysical logs and mud logging data using an optimized multilayer perceptron neural network. J Geophys Eng.15(4):1146–59.
20. Mehrad M, Bajolvand M, Ramezanzadeh A, Neycharan JG. 2020. Developing a new rigorous drilling rate prediction model using a machine learning technique. J Pet Sci Eng.192:107338.
21. Sabah M, Mehrad M, Ashrafi SB, Wood DA, Fathi S. 2021. Hybrid machine learning algorithms to enhance lost-circulation prediction and management in the Marun oil field. J Pet Sci Eng.198:108125.
22. Kennedy J, Eberhart R. 1995. Particle swarm optimization. In: Proceedings of ICNN’95-international conference on neural networks. IEEE. p. 1942–8.
23. Czarnigowska A. 2008. Earned value method as a tool for project control. Bud i Archit.3(2):15–32.
24. Lipke W. 2014. Introduction to earned schedule. PM World J.3(11):8–9.
25. Kim B-C, Reinschmidt KF. 2011. Combination of project cost forecasts in earned value management. J Constr Eng Manag. 137(11):958–66.
26. Wang, H. and Hu, D., 2005. October. Comparison of SVM and LS-SVM for regression. In 2005 International conference on neural networks and brain (Vol. 1, pp. 279-283). IEEE.
27. Welch G, Bishop G. 1995. An introduction to the Kalman filter.
28. Suykens JAK, Vandewalle J. 1999. Least squares support vector machine classifiers. Neural Process Lett. 9(3):293–300.
29. Vapnik V. 2013. The nature of statistical learning theory. Springer science & business media.
30. Duan K, Keerthi SS, Poo AN. 2003. Evaluation of simple performance measures for tuning SVM hyperparameters. Neurocomputing. 51: 41–59.
31. Couceiro, M., Ghamisi, P., Couceiro, M. and Ghamisi, P., 2016. Particle swarm optimization. Fractional order darwinian particle swarm optimization: Applications and evaluation of an evolutionary algorithm, pp.1-10.
32. Coello CAC, Lamont GB, Van Veldhuizen DA. 2007. Evolutionary algorithms for solving multi-objective problems. Vol. 5. Springer.
33. Clerc M. 2010. Particle swarm optimization. Vol. 93. John Wiley & Sons.