İnşaat Maliyeti Tahmininde Kullanılan Yapay Zeka Araçları ve

1994 yılında Hegazy ve Ayed [112], bir ANN algoritması ve iki alternatif model, yani basit optimizasyon ve genetik Algoritma (GA) ile bir hibrid modele göre karayolu projelerinin maliyetini tahmin etmek amacıyla parametrik bir model kullanmıştır.

1998 yılında ise inşaat projelerinin maliyetini tahmin etmek amacıyla Adeli, Hojjat, ve Mingyang Wu. [111] tarafından bir ANN geliştirilmiştir. Hegazy vd. [32] Newfoundland, Kanada'da karayolu projelerinin maliyetini tahmin etmek için bir ANN kullanmak için 1998 yılında geri gelmiştir. Karayolundan inşa edilen on sekiz proje, maliyet verileri kaynağı olarak kullanılmıştır. Ağ ağırlıklarını bulmak için iki Yapay Zeka algoritması kullanılmıştır: basit optimizasyon ve genetik algoritmalar (GA). Sonuç olarak önceki projelerde en uygun maliyet tahminini sağlayan ağırlıklar, en uygun NN'yi elde etmek için kullanılmıştır.

2000 yılında Tabtabae vd. [112] tarafından bu projelerin kaynaklarını etkileyen siyasi risklerden beri proje maliyetindeki görünmez yükselişi tahmin etmek amacıyla NN modeli geliştirilmiştir. Sonuç olarak çeşitli siyasi durumlar altında proje yöneticileri tarafından genel uluslararası inşaat projelerinin gerçek maliyetini tahmin etme olasılığının bu hibrid model tarafından hesaplandığı görülmüştür. 2002 yılında 300 adet inşaat projesini kullanmanın maliyetini tahmin etmek amacıyla Emsley vd. [114] tarafından NN modelleri uygulanmıştır. NN modellerini değerlendirmek için değerlendirme kriteri olarak doğrusal regresyon tekniği kullanılmıştır. Sonuçlar,

NN'lerin inşaat maliyetini %16,6'Lık hata oranı ile tahmin etme kabiliyeti olduğunu göstermiştir.

2004 yılında Günaydín, H. M., ve Doğan, S. Z. [41] bir yapısal sistem tarafından inşa edilen binaların metrekare başına maliyetini tahmin etmek için bir ANN modeli geliştirmiştir. Türkiye'de 4 ila 8 katlı olan ve toplamda 30 adet olan konut inşaatı projesi, maliyet ve veri tasarımı olarak toplanmıştır. ANN formu giriş katmanı, mevcut sekiz parametreyi kapsamaktadır. %93'Lük bir kısım, tasarımın erken aşamalarında binaların yapısal sisteminin metrekare başına maliyetini tahmin etmek için bu modelin doğruluğunun fonu haline gelmiştir.

Kim vd. (2004) [14] BP-GA adı verilen bir teknik ile binaların inşaat maliyetini tahmin etmek için BP sinir ağı NN ve GA genetik algoritmasının bir prototipini kullanan hibrid bir model kullanmıştır. BPNN doğruluğu GA ile artmıştır. Seul, Kore'de 1997-2000 yılları arasında inşa edilen toplam 530 konut, hibrid model için eğitim ve değerlendirme verileri olarak kullanılmıştır. Hibrid BP-GA modelinin deneme yanılma durumuna göre BP modeline kıyasla daha yararlı ve daha tutarlı sonuçlar ürettiği görülmüştür. Sonuçlar, GA'nın, ANN kriterlerini tanımlamak için yetersiz kurallar sorununun üstesinden gelme yeteneğini vurgulamaktadır. 2005 yılında Cheng vd. [119], inşaat maliyetlerini hesaplamak ve bu modeller arasında karşılaştırmalı analiz yapmak amacıyla ANN, SVM ve Evrimsel gizemli evrimsel modeli EFNIM kullanılmıştır.

PSO-ANN ve BP-ANN hibrid modelleri, sosyal, kültürel, çevresel, psikolojik ve politik faktörlere göre Hong Kong'daki inşaat iddialarının sonucunu incelemek için Chau, K. W. (2007) [68] tarafından kullanılmıştır. Sonuç olarak PSO-ANN için başarılı tahmin oranının %80 olduğu ve bu yaklaşımın basit BP-NN'lerden daha hızlı ve daha kesin sonuçlar sağlayabileceği görülmüştür.

2008 yılında Stoy vd. [120], Almanya'da 70 adet konutu konu alarak, proje ömrünün erken evresinde konut maliyetini tahmin etmek için regresyon analizi modeli kullanılmıştır. Özel maliyet parametreleri; bina basıncı, asansör sayısı, proje boyutu, öngörülebilir inşaat süresi, dış duvarlardaki açıklıklar ve alandan oluşmaktadır. Sonuç olarak modelin, model oluşturma aşamasında %9,6'lık mutlak yüzde hatası

(MAPE) olduğu ve hata oranının, model test aşamasındaki 70 bina hariç beş diğer veri için %12 ile %13 arasında olduğu görülmüştür.

2009 yılında ise Cheng vd. [121], üç farklı yapay akıllı tekniğini birleştiren bir yöntem tanıtmak için bir kez daha bir araya gelmişlerdir: Genetik Algoritma (GA), Bulanık Mantık (FL) ve tasarım aşamasında Tayvan'daki projelerin maliyetini tahmin etmek amacıyla evrimsel bulanık hibrid sinir ağı (EFHNN) modeli olarak adlandırılan Sinir Ağları (NN). Bu yaklaşım, doğrusal ve doğrusal olmayan düğüm katmanı konektörleriyle hareket eden ve belirsizliklerle başa çıkmak için bulanık mantığı da içeren NN ve yüksek frekanslı NN'leri, yani "Hibrid Sinir Ağı'nı" (HNN) içermektedir. Bu nedenle bu yaklaşım, Bulanık Hibrid Sinir Ağını (FHNN) geliştirmiştir. FHNN'yi geliştirmek için GA kullanılmıştır. Model, GA kullanımı nedeniyle toplamda tahmini olarak %10,36'lık hata elde etmiştir ancak hesaplama süresinin fazla olması bir dezavantajdır.

Shi vd. (2010) [124], bulanık mantık (FL) ile kaba küme teorisi (RS) ve doğal ANN'yi birleştirerek, proje ömrünün erken evresinde kavramsal inşaat maliyetini daha doğru bir şekilde tahmin etmek için ortaya yeni bir yöntem atmıştır. PSO teknolojisi, WWW ve geçmiş inşaat verilerini bütünleştiren bu modelle çok katmanlı ileri besleme NN'lerini öğretmek için kullanılmaktadır. Sonuçlar olarak kaba kümeler teorisi ve ANN'ler arasındaki entegrasyonun, inşaat maliyeti tahminlerindeki temel faktörleri anlaşılmasını destekleyebileceği ve daha tutarlı bina maliyetleri projelendirmek için bir teknik sağladığı görülmüştür. Bu sebeple 2013 yılında Feng vd. (2010) [127], ANN modelinin optimizasyonu için bir yaklaşım olarak, inşaat binalarının maliyetini tahmin etmek için bir ANN modelini özetlerken modelinde GA kullanmıştır. Ayrıca GA ile entegre etmek için, hibrid modellerin de oluşturulduğu bulanık mantık (FL) ile bir ANN'nin entegre edilmesi olasılığı da bulunmaktadır. İnşaat maliyetlerini tahmin etmek için Cheng vd.'nın modelinde ANN-FL hibrid modelleri kullanılmıştır.

Arafa vd. (2011) [45] tarafından bir ANN kullanarak erken aşamada inşaat bina maliyetini tahmin etmek amacıyla Gazze Şeridi'nde toplam 71 bina projesi toplanmıştır. Giriş katmanının yedi parametresi vardır: zemin kat alanı, genel kat

alanı, kat sayısı, sütun sayısı, temel türü, asansör sayısı ve oda sayısı. ANN ağının yedi nöron içeren bir gizli katmanı vardır ve çıkış katmanı, binanın ilk maliyet tahminini temsil eden bir nörona sahiptir. Sonuç olarak NN'nin daha ayrıntılı bir tasarıma gerek kalmadan, temel proje verilerini kullanarak binaların başlangıç maliyetini tahmin etmede rasyonel olarak başarılı olduğu görülmüştür. Yapılan duyarlılık analizi, binadaki zemin kat alanı, kat sayısı, temel türü ve asansör sayısının, binaların ilk maliyet tahmininde en verimli parametreler olduğunu göstermiştir.

Öte yandan 2012 yılında, 92 adet inşaat projesi için erken planlama durumlarda ve proje verilerini kullanarak, endüstriyel inşaat projelerinin maliyetini ve planlarını tahmin etmek amacıyla ANN modelleri ve destek vektör makineleri (SVM), Wang vd. [126] tarafından birleştirilmiştir. Sonuç olarak erken planlama durumlarının proje başarısını tahmin etmek için daha verimli kullanılabileceği ve önerilen Yapay Zeka modellerinin makul bir tahmin soncu oluşturduğu görülmüştür.

2014 Yılında inşaat projelerinin maliyetini tahmin etmek amacıyla Hong vd. [128] tarafından PSO-BPNN hibrid modeli uygulanmıştır. ANN ağırlıkları, ağdaki PSO algoritması tarafından optimize edilmiştir. Hibrid modelin birincil amacı, ANN'nin yakınsama oranını ve en uygun evrenselliği bulma yeteneğini optimize etmektir. Sonuç olarak modelin yüksek bir pratik değere sahip olduğu ve inşaat maliyetlerinin bilimsel bir değerlendirmesini yapmak için kullanılabileceği görülmüştür.

Lhee vd. [129] tarafından, mevcut araçların optimal seviyesine daha yakın çözümler elde etmeyi amaçlayan ulaştırma inşaat projelerinin mal sahibi tarafından finanse edilmesi amacıyla optimal olasılıkları tahmin etmek için 2014 yılında iki adımlı bir NN metodolojisi önerilmiştir. Modelin, "Florida Ulaştırma Bakanlığı"(FDOT) tarafından benimsenen prosedürlerden daha iyi performans gösterdiği tespit edilen tek adımlı bir sinir ağı yaklaşımı geliştirdiği önerilmektedir. Önerilen modelin, tek adımlı ANN tabanlı yöntemlerin optimal seviyesine yakın olasılık tahminleri oluşturduğu görülmüştür. Sonuç olarak önerilen model, mal sahibinin bütçe kararlarını iyileştirme potansiyeline sahiptir ve böylece fonların yetersiz kullanımı veya bağışı risklerini en aza indirir.

Genellikle ANN yaklaşımlarını kullanan "çok katmanlı algılayıcı" (MLP) ve "radyal bazlı fonksiyon" (RBF), 2003-2011 yılları arasında Türkiye'nin çeşitli yerlerinden elde edilen toplam 232 kamu inşaat projesinin maliyetini tahmin etmek amacıyla Bayram vd. [20] tarafından karşılaştırılmıştır. Aynı zamanda yazarlar, inşaat projelerinin maliyetini tahmin etmek ve MLP ve RBF sonuçlarıyla karşılaştırmak için "birim alan maliyet yöntemini" UACM kullanmışlardır. Sonuç olarak RBF'nin, beklenen maliyeti gerçek maliyetten %0,28 daha yüksek olarak belirttiği, MLP'yi ise %1,11 daha yüksek olarak belirttiği görülmüştür. Öte yandan UACM, gerçek maliyetlerden %28,73 oranında daha yüksek bir maliyet öngörmüştür. Bu nedenle ANN yöntemleri, UACM'den daha iyi sonuçlar sergilemiştir ancak RBF de MLP'den daha iyi sonuçlar sergilemiştir.

2016 yılında, inşaatın ilk aşamalarındaki inşaat atıklarının miktarını ve maliyetini tahmin etmek için hibrid bir model olan ANN-KKO ve ANN modelleri Lee vd. [21] tarafından, ANN ağırlıkları ve ANN modelini optimize etmek için "Karınca Kolonisi Optimizasyonu" (KKO) algoritması kullanılarak geliştirilmiştir. Bir ANN-ACO hibrid modeli ve ANN modeli karşılaştırılmış ve sonuç olarak hibrid modelin ANN modelinden doğru sonuçlar verdiği görülmüştür.

Spor sahalarının inşaat maliyetlerini tahmin etmek için önerilen bir model, Juszczyk vd. [23] tarafından 2018 yılında tanıtılmıştır. Önerilen model, yapay sinir ağı'nın (ANN) çok katmanlı bir algılayıcısını baz almıştır. Çeşitli yapay sinir ağları (NN) koleksiyonunun birincil eğitim sonuçları ile çok katmanlı algılayıcı ağlarının uygulanabilirliği, spor alanlarındaki inşaat maliyetini tahmin ettiği doğrulanmıştır. Bir ilgili olarak Leśniak vd. [132] tarafından spor sahası inşaatı maliyetlerini tahmin etmek amacıyla vaka tabanlı muhakeme (CBR) yöntemi geliştirilmiştir. İnşaat maliyetini etkileyen projelerin erken aşama hazırlanmasında toplam 16 adet mevcut faktör kullanılmıştır. Projenin ana unsurları, binanın çevresel etkisi, kullanılan malzemeler ve tesisin çevre ile olan ilişkisi ile inşaat ve bunun çevre üzerindeki etkisi gibi çevresel göstergelerin incelenmesini içermektedir ki bu durum geliştirme maliyetlerini de etkilemektedir. Çalışmada, spor alanları için 143 adet inşaat projesinin veri tabanı kullanılmıştır. Sonuç olarak tarihsel verilere ve sürdürülebilir çevre standartlarının kullanımına göre CBR yönteminin, gerçek maliyet ile CBR

tarafından tahmin edilen maliyetler arasında %14'lük bir hatanın ortaya çıktığı spor sahası inşaat projelerinin erken aşamalarında maliyetin tahmin edilmesi konusunda yararlı olabileceği görülmüştür ki bu, erken hesaplamalar için mükemmel bir sonuçtur.

Aynı yıl ANN modellerinin (Levenberg-Marquardt (LM) ve Bayes düzenlenmiş (BR)) ve regresyon modellerinin (RM) öğrenme algoritmaları, veri odaklı yöntemlere dayalı olarak inşa edilen küre şeklindeki tankların maliyetini tahmin etmek amacıyla Arabzadeh vd. [131] tarafından kullanılmıştır. GA, katsayıların en iyi tahminlerini elde etmek için regresyon modelleri ile kullanılmıştır. Bu çalışmanın sonucu olarak her iki ANN modelinin RM-GA hibrid modelinden daha iyi olduğu görülmüştür. Ayrıca, Levenberg-Marquardt öğrenme algoritması (LMNN) ile, Bayes tarafından düzenlenmiş öğrenme algoritmasından (BRNN) daha iyi bir tahmin elde edilmiştir ve gerçek maliyet ve tahmin maliyeti arasında %90 korelasyon (R) ve 0,4'lük ortalama karesel hata (MSE) bulunmaktadır. Sonuç olarak LMNN modelinin, inşaat projesinin başlangıç aşamalarındaki belirsizlik ve komplikasyonun en aza indirilmesi hususunda diğer modellerden daha etkili olduğu görülmüştür.

Ayrık olay simülasyonu (DES) ve PSO algoritmalarını içeren hibrid DES-PSO modeli, müteahhitlere, arama optimizasyonu senaryolarındaki çabalarını önemli ölçüde azaltan ve kullanılan ağlarda bir dizi yineleme yoluyla otel inşaatında daha iyi çevre-maliyet-zaman performansına sahip olan planlar sunmak için Feng vd. [24] tarafından geliştirilmiştir. Sonuç olarak simülasyonda (1) gerekli olan sürenin, ortalama çevresel etkiden %26,9, inşaat maliyetinden %19,7 ve proje süresinden %10,2 oranında (2) daha az olduğu görülmüştür. Buna ek olarak müteahhitlere çevre dostu bir düzen için yararlı bir karar destek aracı vermektedir.

Hindistan Ulusal Otoyol Kurumu (NHAI) tarafından yapılan 52 adet proje kullanarak bir projenin kavramsal aşamasında bir otoyol inşaat maliyetini tahmin etmek amacıyla 2019 yılında Mahalakshmi vd. [133] tarafından ANN geri yayılım (BP) algoritması bulunan çok algılayıcı (MP) ağ kullanılmıştır. Hem çoklu algılayıcı ağ (MP) hem de geri yayılma algoritması (BP) barındıran çalışmanın sonucu olarak

otoyol yapımının maliyetinin mantıklı bir doğrulukla tahmin edilmesi için verimli olduğu görülmüştür.

Karayolu projeleri için gecikme ve fazla maliyet yüzdelerini (PDCOP) tahmin etmek amacıyla 2019 yılında El-Kholy [134] tarafından dört adet ANN tabanlı paradigma kullanılmıştır: temel bileşen analizi (PCA), modüler sinir ağı (MNN), REF/GRNN/PNN ağı ve zaman gecikmesi tekrarlayan ağ. Temel bileşen analizine (PCA) ANN ağının ağırlığını belirlenmesinde yardımcı olarak 28 model arasında en iyi modelin gecikmesini yüzde olarak tahmin etmek amacıyla kullanılan modüler sinir ağı (MNN) paradigmasının öğrenme oranı (%0.7), %39,8'lik bir ortalama mutlak yüzde hatası (MAPE) ile tahmin üretmektedir. Gecikme ve öğrenme oranı (%0,01) için geliştirilen en iyi modelle aynı özelliklere sahip 28 model arasında en iyi modelin fazla maliyeti tahmin etmek için kullanılan PCA, %25,4'lük MAPE'ye eşittir.