Bu tez çalıĢması kapsamında gerçek veriler ile bir vaka çalıĢması üzerinde herhangi bir maliyeti sarf etmeden ve yatırımlar yapmadan kaynakları dengelemek amaçlanmıĢtır. Yapılan çalıĢmalar neticesinde düz iĢçi kullanımında en çok dalgalanmaların olduğu tespit edilmiĢtir.
Düz iĢçi haricinde kullanılan kaynaklar değerlendirildiğinde ise, çalıĢma kapsamında fabrikasyon imalatların yoğunlukta olması ve ekipman sayılarının sabit olması nedeniyle ekipmanlarda artıĢ ya da azalıĢa çok fazla müdahale edilemeyeceğine karar verilmiĢtir. Dolayısıyla öncelikli olarak fabrika içerisinde sayısının rahatlıkla arttırıp azaltılabileceği düĢünülen düz iĢçi kaynağının dengelenmesi yoluna gidilmiĢtir. Daha önceki bölümlerde de belirtildiği gibi kaynakları dengelemek ekstra ekipman, iĢgücü alımı ya da yeni teknoloji kullanımları ile de gerçekleĢebilecektir. Fakat çalıĢma kapsamında maliyet oluĢturmadan mevcut kaynaklar üzerinden gidilerek iyileĢtirme yapmak hedeflenmiĢtir.
Ġlk olarak MS Project ile kaynak dengeleme çalıĢmaları yapılmıĢ fakat hedeflenen iyileĢtirmeyi karĢılamadığı için baĢka bir optimizasyon metodu olan Genetik Algoritma ile çalıĢmalar yapılmıĢtır. Hedeflenen yaklaĢık %20 iyileĢtirme oranına da bu çalıĢma sonunda eriĢilmiĢtir.
Yapılan çalıĢmalar kapsamında çıkan tüm sonuçları özetlemek gerekirse, kaynak dengeleme amacıyla yaptığımız çeĢitli alternatifler sonucunda en iyi sonucu Genetik Algoritma yardımı ile yaptığımız 2. Alternatif olan “Günlük bazda kaynak ihtiyaçlarının ortalama kaynaktan farklarının mutlak toplamının minimize edilmesi” vermiĢtir.
ġekil 7.1‟de Genetik Algoritma ile yapılan iki alternatifin kaynak dengeleme öncesi ilk duruma göre karĢılaĢtırmalı düz iĢçi grafiği verilmiĢtir. Grafikten de anlaĢılacağı üzere kaynak dengeleme öncesi düz iĢçi sayısında günlük bazda oluĢan dalgalanmalar kaynak dengeleme sonrası her iki alternatifte de daha tekdüze hal almaktadır. Sayısal olarak sonuçları değerlendirdiğimizde ise en iyi sonucu aldığımız
Alternatif 2 neticesinde ilk etapta 44 olan günlük maksimum düz iĢçi sayımız 36‟ya inmiĢ, toplam mutlak sapmamız 3507,76‟den 2253,49 değerine düĢmüĢtür. Sonuç olarak kaynak sayısında %18, toplam mutlak sapmada %36 iyileĢtirme yapılmıĢtır. Bu değerler de yaklaĢık olarak çalıĢma baĢında hedeflenen iyileĢtirme oranlarını karĢılamaktadır.
Genel olarak yapılan tüm çalıĢmalar değerlendirildiğinde optimizasyon problemleri çözümüne yaklaĢımı itibariyle Genetik Algoritma‟nın kaynak dengeleme problemleri çözümünde uygun bir yöntem olduğu düĢünülmektedir. Mevcut durumun tespit edilip en uygun çözümlerin bulunmasında ya da var olan çözümlerin iyileĢtirilmesinde diğer birçok yönteme göre daha hızlı sonuçlar vermektedir ve dolayısıyla sıklıkla da tercih edilmektedir.
Yapılan vaka çalıĢmasında tek tip kaynak (düz iĢçi) seviyelemesi üzerine yoğunlaĢılmıĢtır. Ġki alternatif üzerinden bir Genetik Algoritma yazılımı ile yöntemler denenmiĢ ve sonuçlarından da görüleceği üzere proje kapsamında en çok kullanılan ve doğal olarak maliyeti ve süreyi oldukça etkileyen düz iĢçi kaynağı üzerinde yapılan kaynak seviyeleme ile hedeflenen %20 oranında iyileĢtirme yapılabilmiĢ ve Genetik Algoritma ile kaynak dengelemenin çelik yapıların inĢaat sürecine baĢarıyla uygulanabileceği sonucuna varılmıĢtır.
KAYNAKLAR
Altay, G., Güneyisi, E. M., 2005. Türkiye‟de Yapısal Çelik Sektörü ve Yeni GeliĢimler.
Ay, İ., 2009. Balıkesir Üniversitesi Ġmalat Yöntemleri II Ders Notları.
Baraçlı, H., 2008. Yalın Üretim ve Sıfır Hataya UlaĢmada Poke-Yoke Tekniği. Braysy O., 2001. Local Search and Variable Neighborhood Search Algorithms for
The Vehicle Routing Problem With Time Windows, PH D Thesis. Çobanoğlu, M., Fenercioğlu, T., 2008. Çelik Yapıların Tasarımı, TMMOB İnşaat
Mühendisleri Odası Meslekiçi Eğitim Seminerleri, Ankara, Türkiye. Çunkaş, M., 2006. Genetik Algoritmalar ve Uygulamaları, Selçuk Üniversitesi,
Konya, Türkiye.
Dağada, B., 2009. Ġstanbul GeliĢim Meslek Yüksekokulu Lojistiğe GiriĢ, Yalın Üretim Ders Notları.
Damci A., Polat, G., 2010. Resource Leveling of Railway Track Construction Operations Using the Linear Scheduling and Genetic Algorithm Techniques.
Demiröz, E., 2009. Endüstri Mühendisliği ve Tam Zamanlı Üretim JIT. Deren, H., Uzgider, E., Piroğlu, F., Çağlayan, Ö., 2008. Çelik Yapılar.
Emel, G. G., Taşkın, Ç., 2002. Genetik Algoritmalar ve Uygulama Alanları. Uludağ Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi Cilt XXI, Sayı 1.
Eşsiz, Ö., 2005. Kocaeli Deprem Sempozyomu, Deprem Bölgelerinde Çok Katlı Çelik Yapı Tasarımı.
Fığlalı A. ve Engin O., 2002. Genetik Algoritmalarla AkıĢ Tipi Çizelgelemede Üreme Yöntemi Optimizasyonu, İTÜ Dergisi, s. 1-6.
Fung R.Y.K. , Tang J. ve Wang D., 2001. Extension Of A Hybrid Genetic Algorithm For Nonlinear Programming Problems With Equality And Inequality Constraints, Computers & Operations Research, Volume: 29, Issue: 3, s. 261-274.
Goldberg D. E., 1989. Genetic Algorithms in Search, Optimization and Machine Learning, Addison-Wesley, USA.
Jang J.S.R., 1997. Neuro-Fuzzy and Soft Computing: A Computational Approach To Learning and Machine Intelligence, Chapter 7: Derivative-Free Optimization, Prentice-Hall, USA, s. 173-196.
Karakaya, A., 2007. Genetik Algoritmaların Kaynakların Dengelenmesinde Kullanılması.
Koç, Y., Gültekin, A. B., Durmuş, G., Dikmen, Ç. B., 2009.Yüksek Yapı Tasarımının Malzeme ve TaĢıyıcı Sistem Kapsamında Ġncelenmesi. 5.Uluslararası İleri Teknolojiler Sempozyumu, Karabük, Türkiye. Korkmaz, E., 2005. Çelik Üretim Yöntemleri ve Kaliteyi Etkileyen Unsurlar. Kulaç, Ü., 2009. Yalın Üretim Felsefesi.
Kurtay, C., Badem, M., 2004. Avrupa Ülkeleri ve Türkiye‟deki Çelik Yapı Uygulama Olanak ve Kısıtlarının Ġncelenmesi. Gazi Üniv. Müh. Mim. Fak. Dergisi Cilt 19, No 4, 351-363.
Leu, S., Yang, C. and Huang, J., 2000. Resource Leveling in Construction by Genetic Algorithm-Based Optimization and Its Decision Support System Application, Automation in Construction, 10, 27-41.
Oral M., Laptalı E., Bozkurt S. ve Erdiş E., 2003. Yapım Projelerinde Genetik Algoritma Kullanarak Kaynak Seviyeleme, Ç.Ü. Müh. Mim. Fak. Dergisi, Cilt: 18, Sayı: 2, s. 185-194.
Özdoğan, C., 2010. Türkiye‟de Yalın Üretimin GeliĢimi.
Özhendekçi, D., 2009. Yıldız Teknik Üniversitesi ĠnĢaat Mühendisliği Bölümü Çelik Yapılar I Ders Notları.
Pabuçcu, Y. U., 1999. VI. EMÖS Proje ve Bildiriler Kitabı.
Rao, S. S., 1996. Engineering Optimization. A Wiley-Interscience Publication, New York, USA, s. 903.
Url-1< http://www.yalinenstitu.org.tr >, alındığı tarih 18.03.2010. Url-2< http://www.abigem.net >, alındığı tarih 18.03.2010.
Url-3< http://www.igeme.org.tr >, alındığı tarih 25.03.2010. Url-4< http://www.sektorler.com >, alındığı tarih 28.03.2010. Url-5< http://www.atacelik.com >, alındığı tarih 10.04.2010. Url-6< http://www.demircelik.com.tr >, alındığı tarih 13.04.2010. Url-7< http://www.arkitera.com >, alındığı tarih 15.04.2010. Url-8< http://www.sermimar.com >, alındığı tarih 19.04.2010. Url-9< http://www.e-celikyapi.com >, alındığı tarih 20.04.2010. Url-10< http://www. arcfurnace.com >, alındığı tarih 24.04.2010. Url-11< http://www.icdas.com.tr >, alındığı tarih 25.04.2010. Url-12< http://www.etimaden.gov.tr >, alındığı tarih 25.04.2010. Url-13< http://www.borcelik.com >, alındığı tarih 25.04.2010. Üçer, G., 2007. Genetik Algoritma/Programlama.
Yardımcı, N., 2005a. Türkiye Mühendislik Haberleri Sayı 435, Türkiye‟de Çelik Yapılar.
Yardımcı, N., 2005b. Türkiye Mühendislik Haberleri Sayı 435, Çelik Yapıların Tasarımı ve Tasarım Yöntemleri.
Yeniay Ö., 2001. An Overview of Genetic Algorithms, Anadolu Üniversitesi Bilim ve Teknoloji Dergisi, Cilt: 2, Sayı: 1, s. 37-49.
Yeo M. F. ve Agyel E. O., 1998. Optimising Engineering Problems Using Genetic Algorithms, Engineering Computations, Volume: 15, Number: 2, s. 268-280.
Yüksel, K. E., 2007. Yalın Üretim ve Bazı Üretim Teknikleri (Smed, Tvb, Tek- Parça AkıĢ, Kalite Çemberleri).
ÖZGEÇMĠġ
Ad Soyad : Tuba BAYSAL
Doğum Yeri ve Tarihi : Ġzmit 08.08.1984 Lisans Üniversite : ĠTÜ ĠnĢaat Müh.