HİBRİD PSO-ANN VE PSO MODELLERİNİN İNŞAAT PROJELERİNİN MALİYET VE SÜRELERİNİN TAHMİNİNE DAYALI YAKLAŞIMI

T.C.

KASTAMONU ÜNİVERSİTESİ

FEN BİLİMLERİ ENSTİTÜSÜ

HİBRİD PSO-ANN VE PSO MODELLERİNİN İNŞAAT

PROJELERİNİN MALİYET VE SÜRELERİNİN TAHMİNİNE

DAYALI YAKLAŞIMI

Tarq Zaed KHALAF

Danışman Dr. Öğr. Üyesi Hakan ÇAĞLAR Jüri Üyesi Prof. Dr. Hasbi YAPRAK

Jüri Üyesi Prof. Dr. Ahmet Celal APAY

YÜKSEK LİSANS TEZİ

MÜHENDİSLİK YÖNETİMİ ANA BİLİM DALI KASTAMONU –2020

ÖZET

Yüksek Lisans Tezi

HİBRİD PSO-ANN VE PSO MODELLERİNİN İNŞAAT PROJELERİNİN MALİYET VE SÜRELERİNİN TAHMİNİNE DAYALI YAKLAŞIMI

Tarq Zaed KHALAF Kastamonu Üniversitesi

Fen Bilimleri Enstitüsü

Mühendislik Yönetimi Anabilim Dalı Danışman: Dr. Öğr. Üyesi. Hakan ÇAĞLAR

İnşaat projelerinin tamamlanması için maliyet ve süre tahmini esastır. Tasarım süreçleri oluşturmak için maliyet ve süre tahmininde karar vermenin önemi, hem tasarımcılar hem de proje yöneticileri için bir tahmin aracı ihtiyacına işaret etmektedir. Yapay Sinir Ağı (ANN) ve parçacık sürü optimizasyonu (PSO), esnek hesaplama tekniklerinin araçları olarak bu alanda önemli bir potansiyel sunmaktadır. Bu çalışma, inşaat maliyetlerinin ve inşaat projelerinin süresinin tahmin edilmesine yönelik olan ve PSO ve ANN yaklaşımlarına dayanan bir yaklaşım önerisini sunmaktadır. Bu tekniklerin, formüle edilmiş problemde maliyet ve süre tahmini ile genel uygulanabilirliği incelenmiştir. Önerilen modelleri oluşturmak için inşa edilen hükümet projelerinden toplanan 60 adet proje kullanılmıştır. Önerilen modelin oluşturulmasında tuğla hacmi, beton hacmi, temel tipi, asansör sayısı, toplam kat alanı, zemin kat alanı, kat sayısı ve güvenlik durumu olmak üzere sekiz adet giriş parametresi kullanılmaktadır. Sonuç olarak önerilen modellerin maliyeti ve/veya inşaat projelerinin süresini değerlendirmek için alternatif bir yaklaşım olabileceği görülmüştür. Geliştirilen modeller, düşük ortalama (0.97 ve 0.99) ve CoV (%10.87 ve %4.94) değerleri ile yüksek tahmin doğruluğu sağlamaktadır. Geliştirilen modeller yüksek tahmin doğruluğu sağlamaktadır ve sonuç olarak maliyeti tahmin etmek için bu modelleri kullanmanın pratik ve yararlı olduğu görülmüştür.

Anahtar Kelimeler: İnşaat projeleri, Yapay sinir ağı, Parçacık sürü optimizasyonu, Maliyet ve Süre.

2020, 140 Sayfa Bilim Kodu: 90

ABSTRACT

MSc. Thesis

HYBRID PSO-ANN AND PSO MODELS BASED APPROACH FOR ESTIMATION OF COSTS AND DURATION OF CONSTRUCTION PROJECTS

Tarq Zaed KHALAF Kastamonu University

Graduate School of Natural and Applied Sciences Department of Engineering Management

Supervisor: Assist. Prof. Dr. Hakan ÇAĞLAR

Cost and duration estimation is essential for the success of construction projects. The importance of decision making in cost and duration estimation for building design processes points to a need for an estimation tool for both designers and project managers. Artificial neural network (ANN) and particle swarm optimization (PSO), as the tools of soft computing techniques, offer significant potential in this field. This study presents the proposal of an approaches to the prediction of construction costs and duration of construction projects, which is based on hybrid PSO-ANN and PSO approaches. The general applicability of these teqchniques in the formulated problem with cost and duration estimation are examined. A series of 60 projects collected from constructed government projects were utilized to build the proposed models. Eight input parameters, such as volume of bricks, volume of concrete, footing type, elevators number, total floors area, area of the ground floor, floors number, and security status are used in building the proposed model. The results displayed that the proposed models can be an alternative approaches to evaluate the cost and-or duration of construction projects. The developed PSO models provides high prediction accuracy, with a low mean (0.97 and 0.99) and CoV (10.87% and 4.94%) values, as compared with hybrid PSO-ANN models. The results display that utilizing these models to forecast the cost and duration are practical and helpful for estimators in construction sector.

Key Words: Construction projects, Artificial neural network, Particle swarm optimization, Cost and Duration.

2020, 140 Pages Science Code: 90

TEŞEKKÜR

Bu çalışmaya büyük katkıda bulunan aşağıdaki kişilere yürekten teşekkür ediyorum ve minnetarlığımı sunuyorum. Öncelikle, engin bilgi birikimi ve yaratıcı düşüncesiyle beni yönlendiren danışmanım Dr. Öğr. Üyesi. Hakan ÇAĞLAR'a derin ve içten teşekkürlerimi ifade etmek istiyorum. O’nun gözetiminde çalışmak benim için her zaman büyük bir değer olmuştur. Detaylı ve yapıcı yorumları ve bu çalışma boyunca yaptığı kritik destek için derinden minnettarım. Yüksek Lisans Projemin değerlendirme kurulu üyeleri olan Prof. Dr. Öğr. Hasbi YAPRAK ve Prof. Dr Ahmet Celal APAY‘ya sıcak ve içten teşekkürlerimi sunmak isterim; Sunumum sırasında vermiş olduğunuz destek, rehberlik ve önerilerinizi derinden takdir ediyorum. Ayrıca, araştırmalarını tamamlamalarına yardımcı olmak adına öğrencilere iyi bir ortam ve imkânlar sağladığı için Kastamonu Üniversitesi'ne teşekkür ediyorum. Son olarak, onların sürekli ve kararlılıkla beni cesaretlendirdikleri ve üniversitedeyken geçirdiğim süre boyunca bana sevgiyle yaklaşmak lütfunda bulundukları için muazzam minnettarlığım ailemedir. Sonsuz teşvikleri ve inançları bana ilham verdi, veriyor ve ilerde de verecek, bu sebeple onlara her zaman borçlu olacağım.

Tarq Zaed KHALAF Kastamonu, Ocak, 2020

İÇİNDEKİLER Sayfa TEZ ONAYI ... ii TAAHHÜTNAME ... iii ÖZET ... iv ABSTRACT ... v TEŞEKKÜR ... vi İÇİNDEKİLER ... vii SİMGELER VE KISALTMALAR DİZİNİ ... ix ŞEKİLLER DİZİNİ ... xi TABLOLAR DİZİNİ ... xiii 1.GİRİŞ ... 1 1.1. Arka Plan ... 1 1.2. Problemin Tanımı ... 4 1.3. Çalışmanın Amaçları ... 5 1.4. Araştırmanın Önemi ... 5 1.5. Araştırma Yaklaşımı ... 6 1.6. Çalışma Kapsamı ... 7 1.7. Tez Taslağı ... 7 2. LİTERATÜR TARAMASI ... 8 2.1. Giriş ve Özet... 8

2.2. İnşaat Projelerinin Süresi ... 13

2.2.1. İnşaat Süresinin Tanımları ... 13

2.2.2. İnşaat Sürelerini Etkileyen Faktörler ... 13

2.2.3. İnşaat Projeleri İçin Süre Tahmini Modelleri ... 17

2.2.4. İnşaat Süresi Tahmininde Kullanılan Yapay Zeka Araçları ve Hibrid Modellerin Uygulamaları. ... 19

2.3. İnşaat Projelerinin Maliyeti ... 23

2.3.1. Maliyet Tahmininin Tanımı ... 23

2.3.2. Maliyet Tahmininin Önemi ... 24

2.3.3. Maliyet Tahminlerinin Doğruluğu ... 25

2.3.4. Maliyet Tahmin Yöntemi Türleri ... 26

2.3.4.1. Kavramsal Tahmin Yöntemleri ... 28

2.3.4.2. Nihai Birim Yöntemi ... 30

2.3.4.3. Analoji Yöntemi ... 30

2.3.4.4. Uzman Kararı ... 31

2.3.4.5. Ayrıntılı Tahmin ... 31

2.3.4.6. Akıllı Yöntemler ... 32

2.3.5. İnşaat Maliyeti Tahmininde Kullanılan Yapay Zeka Araçları ve Hibrid Modellerin Uygulamaları. ... 36

2.4. Yapay Sinir Ağları (ANN) Teknikleri ... 42

2.4.1 İnşaat Konularında ANN'nin Tarihsel Arka Planı ... 44

2.4.2. ANN Tanımı ... 44

2.4.3. Geleneksel Bilgisayarlara Karşı Sinir Ağları ... 44

2.4.4. Sinir Ağı Yapısı ... 45

2.4.5.1. Ağırlık ... 47

2.4.5.2. Öğrenme Algoritması ... 47

2.4.5.3. Takviye Öğrenme Yöntemi ... 48

2.4.5.4 Denetimsiz Öğrenme Yöntemi ... 48

2.4.5.5 Denetimli Öğrenme Yöntemi ... 48

2.4.5.6. Aktivasyon Fonksiyonları ... 48

2.4.6. Yapay Sinir Ağları Türleri ... 49

2.4.6.1. Tek Katmanlı İleri Besleme Ağları ... 49

2.4.6.2. İleri Besleme Ağı... 50

2.4.6.3. Çok Katmanlı Algılayıcı ... 50

2.4.6.4. Genel İleri Besleme (GFF) ... 51

2.4.6.5. Tekrarlayan Ağlar... 52

2.4.7. Yapay Sinir Ağı Tasarımı ... 52

2.4.8. Sinir Ağı Eğitimi... 52

2.4.9. Sinir Ağını Çapraz Doğrulama ... 54

2.4.10. Sinir Ağı Testi ... 55

2.5. Parçacık Sürü Optimizasyonu (PSO) Algoritması ... 55

2.5.1. Yönteme Genel Bakış ... 57

2.5.2. Yakınsama Kriterleri ... 60

3. YÖNTEM ... 62

3.1. Giriş ... 62

3.2. Yöntem ... 62

3.2.1. Yapay Sinir Ağı (ANN) teknikleri ... 63

3.2. Parçacık Sürü Optimizasyonu (PSO) Algoritması ... 65

3.2.3. Süre ve Maliyet İçin Önerilen PSO Modeli ... 68

3.2.4. Verinin Tanımı ... 70

3.2.5. ANN modeli için Verilerin Ölçeklendirilmesi ... 74

3.3. Özet ... 79

4. SONUÇLAR VE TARTIŞMA ... 80

4.1. Genel ... 80

4.2. PSO Algoritması ... 81

4.2.1. PSO Modeli Doğrulama ... 88

4.3. Yapay Sinir Ağı (ANN) Eğitim ve Doğrulama ... 92

4.3.1. Önerilen PSO-ANN Hibrid Modeli ... 92

4.3.2. Hibrid Pso-Ann Model Sonuçları ... 94

4.3.3 Yapay Sinir Ağı (ANN) Eğitimi, Testi Ve Doğrulaması ... 98

4.4. Karşılaştırmalı Çalışma ve Model Geçerliliği ... 107

4.5. Özet ... 113

5. SONUÇLAR VE ÖNERİLER ... 114

5.1. Giriş ... 114

5.2. Sonuçlar ... 114

5.3. Daha Fazla Araştırma İçin Öneriler ... 116

KAYNAKLAR ... 117

EKLER ... 132

SİMGELER VE KISALTMALAR DİZİNİ

Kısaltmalar

ABS Ajan Temelli Sistem

ACO Karınca Kolonisi Optimizasyonu" ACO Karınca Kolonisi Optimizasyonu"

AGF Zemin Katın Alanı.

AI Yapay Zeka

ANN Yapay Sinir Ağı

B Tuğla Hacmi

BP Geri Yayılım

BR Bayes İle Düzenlenmiş

C Beton Hacmi

CBR Vaka Tabanlı Muhakeme

CER Sertifikalı Emisyon Azaltma

Cov Varyasyon Katsayısı

DE Diferansiyel Evrim

DES Ayrık Olay Simülasyonu

EFNIM Evrimsel Bulanık Sinir Çıkarım Modeli

EN Asansör Sayısı

EP Evrimsel Programlama

ES Evrimsel Sistemler

FDOT Florida Ulaştırma Departmanı FHNN Bulanık Hibrid Sinir Ağı

FL Bulanık Mantık

FN Kat Sayısı.

FT Temel Türleri

GA Genetik Algoritma

GFF Genel İleri Besleme

HS Hibrid Sistemler

KBS Bilgi Tabanlı Sistemler

LM Levenberg-Marquardt

LR Öğrenme Oranı

MAPE Ortalama Mutlak Yüzde Hatası ML Makine Öğrenimi Sistemleri MLP Çok Katmanlı Algılayıcı MRA Çoklu Gerileme Analizi

MSE Ortalama-Kare Hatası

N Gizli Katmanlardaki Nöron Sayısı NHAI Hindistan Ulusal Karayolu Otoritesi

Nns Sinir Ağları

PCA Temel Bileşen Analizi

PDCOP Gecikme Ve Fazla Maliyet Yüzdelerinin Tahmini PSO Parçacık Sürü Optimizasyonu

R Renklendirme Katsayısı

RBF Radyal Bazlı Fonksiyon RBF Radyal Bazlı Fonksiyon"

RCPSB Kaynak Kısıtlı Proje Zamanlama Sorunu

SD Standart Sapma

SOM Kendi Kendini Organize Eden Harita

SS Güvenlik Durumu

SVM Destek Vektör Makineleri

TFA Toplam Kat Alanı.

ŞEKİLLER DİZİNİ

Sayfa

Şekil 1.1. Araştırma yaklaşımının şematik gösterimi ... 6

Şekil 2.1. İnşaat proje süresini etkileyen faktörler... 16

Şekil 2.2. İnşaat proje süresini etkileyen faktörler ... 17

Şekil 2.3. Zaman ve tahmin doğruluğu arasındaki ilişki... 25

Şekil 2.4. Yapay Sinir Ağı yapısı ... 47

Şekil 2.5. İşleme elemanının şematik diyagramı ... 47

Şekil 2.6. En sık kullanılan üç aktarım işlevi ... 49

Şekil 2.7. Tek katmanlı ileri besleme ağı ... 50

Şekil 2.8. Çok Katmanlı Algılayıcı ... 51

Şekil 2.9. Genel İleri Besleme ağları yapısı ... 51

Şekil 2.10. Çapraz doğrulama kullanarak NN için tipik hata grafiği ... 54

Şekil 2.11. Ana sezgi ötesi algoritmaların zaman çizelgesi. ... 56

Şekil 2.12. PSO temel davranışları. (1) Ayırma davranışı, (2) Hizalama davranışı ve (3) Uyum davranışı ... 57

Şekil 2.13. Parçacık davranışının pozisyon ve hız güncellemesini gösteren resimsel görünümü... 59

Şekil 2.14. Tekrarlama sayısı üzerinden küresel optimal düzeye doğru PSO hareketi ... 60

Şekil 3.1. Sinir ağı mimarisinin şeması. ... 65

Şekil 3.2. İnşaat projeleri için önerilen maliyet / süre model adımlarının akış şeması. ... 66

Şekil 3.3. Önerilen modelin PSO akış şeması. ... 69

Şekil 4.1. Önerilen modelleri kullanarak yapılan, maliyet ve süre değerlerinin parametrik analizi Bu şekil, tecrübe yazılımı tasarımı (DOE) kullanılarak tasarlanmıştır. (a) Süre modeli ... 81

Şekil 4.1. Önerilen modelleri kullanarak yapılan, maliyet ve süre değerlerinin parametrik analizi Bu şekil, tecrübe yazılımı tasarımı (DOE) kullanılarak tasarlanmıştır. (b) Maliyet modeli ... 81

Şekil 4.2. Tekrarlamaya karşı amaç işlevi (RMSE). ... 83

Şekil 4.3. Gerçek ve tahmini maliyet ve süre değerleri arasındaki ilişkinin Bland-Altman çizimi. a) Maliyet modeli ... 85

Şekil 4.3. Gerçek ve tahmini maliyet ve süre değerleri arasındaki ilişkinin Bland-Altman çizimi. b) Süre modeli ... 86

Şekil 4.4. Önerilen modeli kullanarak tahmin edilen gerçek maliyet ve süre değerleri. ... 88

Şekil 4.5. Tahmin edilen ve gerçek maliyet ve doğrulama için ayrılan süre arasındaki karşılaştırmalar. ... 91

Şekil 4.6. PSO - ANN hibrid modelinin önerilen akış şeması. ... 93

Şekil 4.7. Tekrarlamaya karşı amaç işlevi (RMSE). ... 95

Şekil 4.8. Hibrid PSO-ANN Modellerinin bir, çekici ve üç gizli katmanı arasındaki karşılaştırmanın mülayim-Altman grafiği ... 96

Şekil 4.9. Üç gizli katman için R değerleri. ... 97

Şekil 4.10. Maliyet değerlerini tahmin etmek için geliştirilen yapay sinir ağının mimarisi. a) Bir gizli katman. ... 98

Şekil 4.10. Maliyet değerlerini tahmin etmek için geliştirilen yapay sinir ağının mimarisi. b) İki gizli katman ... 99 Şekil 4.10. Maliyet değerlerini tahmin etmek için geliştirilen yapay sinir ağının

mimarisi. c) Üç gizli katman. ... 100 Şekil 4.11. Önerilen hibrid PSO-ANN modellerinin regresyon diyagramı. a)

Bir gizli katman. ... 102 Şekil 4.11. Önerilen hibrid PSO-ANN modellerinin regresyon diyagramı. b) İki

gizli katman. ... 103 Şekil 4.11. Önerilen hibrid PSO-ANN modellerinin regresyon diyagramı. c) Üç

gizli katman. ... 104 Şekil 4.12. Önerilen hibrid PSO-ANN modellerinin hata histogramı. ... 105 Şekil 4.13. ANN modellerinin eğitim performansı. ... 106 Şekil 4.14. PSO ve ANN modelleri kullanılarak tahmin edilen ve gerçek

maliyet ve süre tutarı arasındaki karşılaştırma. ... 110 Şekil 4.15. PSO ve ANN modellerini kullanan gerçek maliyetinin tahmini

TABLOLAR DİZİNİ

Sayfa Tablo 2.1. İnşaat projelerinin süresi ve/veya maliyet modellerini tahmin etmek

için kullanılan ortak parametreler ... 10

Tablo 2.2. İnşaat proje süresini etkileyen faktörler (Özet Tablo) ... 14

Tablo 2.3. Süre tahmini modellerinin gelişimi. ... 18

Tablo 2.4. Maliyet tahmini sınıflandırma matrisi [88, 97]. ... 27

Tablo 2.5. İnşaat Projeleri için Maliyet Tahmini Modelleri ... 34

Tablo 2.6. Temel PSO parametreleri [163]... 61

Tablo 2.7. PSO yakınsama parametreleri [163]. ... 61

Tablo 3.1. Giriş parametreleri tanımı. ... 63

Tablo 3.2. Projelerin giriş ve çıkış değişkenleri... 71

Tablo 3.3. Model gelişiminde kullanılan değişkenlerin tanımlayıcı istatistikleri. ... 74

Tablo 3.4. Giriş ve çıkış parametrelerinin normalleştirilmiş değerleri ... 76

Tablo 4.1. PSO parametreleri. ... 82

Tablo 4.2. PSO-Maliyet modeli ayarlarında kullanılan parametreler. ... 84

Tablo 4.3. PSO modelini kullanarak gerçek veri ve değerler tahmini. ... 90

Tablo 4.4. PSO parametreleri. ... 94

Tablo 4.5. PSO-ANN hibrid algoritmasından elde edilen, her birinin öğrenme oranı ve gizli katman nöronları ... 95

Tablo 4.6. Ann modelini kullanan ölçülen ve tahmini değerler... 101

Tablo 4.7. Dış doğrulama için PSO-ANN ve PSO modellerinin istatistiksel parametreleri. ... 108

Tablo 4.8. PSO ve ANN modellerini kullanarak ölçülen ve tahmini değerlerin karşılaştırılması... 112

1.GİRİŞ

1.1. Arka Plan

Maliyet ve süre tahmini, inşaat projelerinde önemli bir konu olarak kabul edilir. Maliyetlerin olduklarından daha az ve daha çok tahmin edilmesi, bir inşaat projesinin başarısızlığından kaynaklanabilir. Tüm proje ömrü boyunca çeşitli yaklaşımların kullanılması, projeye katkıda bulunanlara maliyetler hakkında bilgi sağlamalı ve karmaşık bir karar verme sürecini desteklemelidir [1, 2].

Maliyet ve süre değerlendirmesi, inşa işlemi başlamadan önce herhangi bir inşaat projesi için maliyetlendirme ve ihale hazırlığı açısından önemli bir görevdir. Proje kapsamını yeterince tanımlamak ve yeterli inşaat fonlarının erişilebilirliğini sağlamak amacıyla maliyet tahminleri, proje geliştirmenin birçok aşamasında önemli bir yer teşkil etmektedir. Proje ilerledikçe tahmin, projenin hala maliyet açısından anlamlı olduğundan, inşaat için yeterli fonun mevcut olduğundan ve yüklenicinin ihale fiyatının mantıklı olduğundan emin olmak için geliştirilir [3,4,5]. İnşaat maliyeti değerlendirmesi, bir proje için elde edilebilecek tüm verilerin toplanmasını, analiz edilmesini ve özetlenmesini içerir [6].

İnşaat projelerinin erken aşamalarında maliyet ve süre tahmini, epeyce şüphe içermektedir. Bu nedenle, maliyet ve süre tahmininde belirsizliği en aza indirgemek amacıyla aktif bir yaklaşım oluşturmak talep yüksektir. Çeşitli uzmanların kullanılması, maliyet ve süre değerlerini tahmin etmek için kullanılan geleneksel bir tekniktir. Bununla birlikte, inşaat projelerinin maliyetini ve süresini tahmin etmek amacıyla alternatif yöntemler geliştirmek için üretim yaparak bu uzmanlarla sürekli temas içerisinde olmak her zaman kolay bir seçim değildir. Önceki benzer projeler tarafından oluşturulan veri kümelerine göre yeni bir yöntem oluşturmak için tercih edilmektedir.

Ancak geleneksel tekniği kullanmak sorunlu ve karmaşıktır. Bu nedenle esnek hesaplama yöntemi kullanmak, doğrusal olmayan sorunları gidermek için belirgin ve daha etkili bir yöntemdir. Herhangi bir sistem için en iyi çözümler, uygunluk

değerlerine sahip uygulanabilir çözümler ve diğer sürdürülebilir çözümlerin değerleri olarak tanımlanabilir. Bu çözümler, tüm kısıtlama çözümlerini karşılayan parametreler kümesi için değerler seçerek elde edilmektedir [7]. Optimizasyon yöntemleri, endüstriyel planlama, kaynak tahsisi, zamanlama ve karar alma amaçlarıyla günlük olarak kullanılmaktadır. Ayrıca optimizasyon yaklaşımları, mühendislik ve bilgisayar bilimi gibi birçok alanda yaygın olarak kullanılmaktadır. Optimizasyon alanındaki çalışmalar çok aktiftir ve sık sık yeni optimizasyon yaklaşımları geliştirilmektedir [8]. Optimizasyon yöntemlerinin temel amacı, belirli kısıtlamalara tabi olan nesnel işlevleri en üst düzeye çıkaran veya en aza indiren bir dizi parametre için değerler bulmaktır [9]. Son yıllarda evrimsel programlama yöntemlerini uygulayan optimizasyon yaklaşımları geliştirmek amacıyla çok sayıda araştırma yapılmıştır. Tipik optimizasyon algoritmalarının zaman çizelgesi EK A'da verilmiştir.

Yapay zeka teknikleri, 1970'lerin başından bu yana inşaat alanında uygulanmıştır. 1972'de Whitman, J., ve Wegmann, F. J. [10] tarafından karayolu projelerinin maliyetlerini tahmin etmek için çoklu regresyon analizi yöntemi geliştirilmiştir. Endüstriyel binaların inşaat süresini ve maliyet hazırlığını düzenlemek için 1974'te Bromilow, F. J. [11] tarafından regresyon analizi yapılmış ve 1979'da Carr, R. I. (1979) [12] tarafından inşaat projelerinin zamanını tahmin etmek için simülasyonlar uygulanmıştır.

1980'lerde yapay zekanın yayılmasıyla maliyet ve süre tahminini oluşturmak için yeni bir teknik sunulurken birçok çalışma, çok çeşitli üretim uygulamalarında maliyet değerlendirmesi için farklı yöntemler kullanmıştır.

Daha sonra 1990'larda yapay zekanın bir parçası olarak sinir ağları (NN'ler), inşaat projelerinin maliyetlerini değerlendirmek için başka bir yaklaşım olarak uygulanmıştır. Bu yaklaşım, maliyeti, matematiksel olarak maliyet değerleri üzerindeki en yararlı değişkenlerle birleştiren bir değerlendirme maliyeti ve/veya süre modellerinin belirlenmesini gerektirmemektedir. Maliyet değerlendirmesinin modellenmesi için, Zhang vd. [13] tarafından 1996 yılında özellik tabanlı bir sinir ağı (NN) geliştirilmiştir. Kim vd. (2004) [14], konut binalarının maliyetlerini tahmin

etmek amacıyla yapay bir sinir ağı modelini geliştirmek için genetik algoritmanın (GA) yeteneklerini kullandılar. GA'yı çalışmalarında kullanmalarının birincil amacı, NN parametrelerini atamak ve değerlendirme hassasiyetini arttırmaktı. 2006 yılında Murat ve Ceylan [15], enerji taşımacılığının maliyetini tahmin etmek için yapay bir sinir ağı işlemi geliştirdi.

2008 Yılında sac üretim maliyetini değerlendirmek için Verlinden vd. (2008) [16] tarafından iki model önerildi: MRA ve ANN tabanlı modeller. Sinir ağı tekniğine dayanarak Wang vd. (2013) [17], bir maliyet tahmincisi modeli önerdi. Sinir ağlarının öğrenme adımları, bir parçacık sürü optimizasyonu (PSO) yaklaşımı kullanılarak gerçekleştirildi. 2014 yılında inşaat projelerinin maliyetini değerlendirmek için Hong vd. [18] tarafından PSO-BPNN, yani bir hibrid model önerildi. Ağdaki PSO tekniği ANN ağırlıklarını optimize etti. 2015 yılında Zima [19], yapı elemanlarının birim fiyatını tahmin etmek için bir CBR modeli sundu. CBR yöntemi, bir inşaat projesinin ilk adımında maliyet tahminini destekleyen bir bilgi tabanını göstermektedir. Tipik olarak yapay sinir ağı (ANN) yöntemlerini kullanan "Çok Katmanlı Algılayıcı" (MLP) ve "Radyal Bazlı Fonksiyon" (RBF), Bayram vd. [20] tarafından inşaat projelerinin maliyetini tahmin etmek amacıyla karşılaştırılmıştır. 2016 yılında, inşaatın ilk aşamalarındaki inşaat atıklarının miktarını ve maliyetini belirlemek için hibrid bir model olan ANN-ACO ve ANN modelleri Lee vd. [21] tarafından, ANN ağırlıkları ve ANN modelini optimize etmek için "Karınca Kolonisi Optimizasyonu" (ACO) algoritması kullanılarak geliştirilmiştir.

2017 Yılında Peško vd. [22], inşaat projelerinde maliyetleri ve süreleri tahmin etmek amacıyla bunları analiz etmek ve karşılaştırmak için yapay sinir ağları (ANN) ve destek vektör makineleri (SVM) geliştirmiştir. 2018 yılında spor sahalarının inşaat maliyetlerini tahmin etmek için önerilen bir model, Juszczyk vd. [23] tarafından tanıtılmıştır. Önerilen model, yapay sinir ağı'nın (ANN) çok katmanlı algılayıcısını baz almıştır. Ayrık olay simülasyonu (DES) ve parçacık sürü optimizasyonu (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.

Daha önce belirtildiği gibi literatürde, giriş değerlerine ve doğruluğa dayanarak, her durum için belirli modellerin önerildiği çok sayıda alanda tahmin modellerinin uygulanması amacıyla çeşitli yaklaşımlar mevcuttur. Sorunun üstesinden gelmek için iki ana aşama kabul edilir: (1) Giriş parametrelerini kategorize etmek ve (2) gerçek inşaat veri kümelerini kullanarak önerilen maliyet/zaman tahmincisi yaklaşımlarının performansını değerlendirmek. Ayrıca, önerilen modelin parametrelerinin daha iyi değerlendirmelerini belirlemek için bir parçacık sürü optimizasyon algoritması kullanılmaktadır.

İnşaat projelerinin süre tahmini, inşaat projelerinin maliyet tahmini önemi ile aynı seviyede kabul edilmiştir. Bir projenin inşaat süresi; proje bütçesi, şantiye ve şantiyenin özellikleri, inşaat yöntemi, bina büyüklüğü gibi birçok faktöre bağlıdır. Bir projeyi zamanında başarıyla tamamlamak için bu süreleri doğru bir şekilde tahmin edebilmek çok önemlidir. "Vakit nakittir" algısı doğrultusunda doğru tahminler yapmak için çeşitli inşaat süre tahmini araçları geliştirilmiştir.

Mevcut araştırmanın ana hedefi, yapay sinir ağları (ANN) ve parçacık sürü optimizasyonu (PSO) tekniklerini uygulayarak inşaat projeleri için ilk planlama aşamasında maliyet ve süre tahmini modellerinin önerilmesi ve araştırılmasıdır. ANN ve PSO modelleri, mühendislere tasarım adımlarının ilk aşamalarında bilinçli kararlar almaları konusunda yardımcı olabilir. Bu modellerle, tasarım adımlarının ilk aşamalarında uygun bilgi elde edilemese bile kesin bir tahmin elde etmek olasıdır. Bu yaklaşım, en iyi çözümü elde edebilmeleri için tasarımcıları destekleyebilecek bir geri bildirim prosedürünü teşvik etmektedir. Ayrıca önerilen modeller, son on yılda Irak'ta meydana gelen güvenlik durumu gibi bazı kategori parametrelerini değerlendirmiştir.

1.2. Problemin Tanımı

Geleneksel maliyet ve süre değerlendirme teknikleri bir metrajı takip ederken karşılaştırmalı maliyet değerlendirmesi ise kategori, kat sayısı ve bina kapasitesi gibi

birçok parametreye bağlıdır. Geleneksel modellerın çizimler ve spesifikasyonlardan yararlanması öngörülürken karşılaştırmalı maliyet ve süre tahmini ise nihai maliyet ve/veya süre ile projenin temel tasarım parametreleri arasında basit bir ilişki olduğunu varsayar. Yine de basit bir ilişki hakkındaki varsayım tartışmalıdır. Bilgisayar ve yazılım teknolojisindeki gelişim, maliyet ve süre değerlendirmesi için yeni teknikleri basitleştirmiştir. Yapay zeka ve optimizasyon teknikleri gibi esnek hesaplama tekniklerinin geliştirilmesi ile doğrusal olmayan ve çok doğrusal ilişkiler incelenebilir. Irak'taki son iç savaşlar ve teröre karşı savaş sırasında inşaat projelerinin çoğunun maliyeti artmıştır. Bu nedenle bu çalışma, güvenlik durumunu bir giriş parametresi olarak dikkate almıştır.

1.3. Çalışmanın Amaçları

Mevcut çalışmaların temel amacı, esnek hesaplama teknikleri kullanılarak inşaat projelerinin maliyetini tahmin etmektir. Daha spesifik olarak bahsetmek gerekirse bu araştırmanın amaçları aşağıda listelenmiştir:

 İnşaat projelerinin erken aşamasının maliyetini ve süresini değerlendirmek için parçacık sürü optimizasyonu (PSO) modelleri önermek.

 İnşaat projelerinin maliyetini ve süresini tahmin etmek için yapay sinir ağı (ANN) modelleri ile hibrid modeller (PSO-ANN) parçacık sürü optimizasyonu önermek.

Bu hedeflere değinmek için altmış inşaat projesinin de dahil olduğu bir program değerlendirilmiş ve incelenmiştir.

1.4. Araştırmanın Önemi

Bu çalışmanın katkılarının hem akademisyenler hem de uygulayıcılar ile ilişkili olması beklenmektedir:

 Alınan sonuçlar, çeşitli inşaat projelerinin parçacık sürü optimizasyonu (PSO) ve hibrid (PSO-ANN) Yapay Sinir Ağı modellerinin kullanılmasının doğruluğunun incelemede akademisyenler ve tasarımcılara yardımcı olmalı ve

ayrıca bu sayısız türün toplam maliyeti ve süresi hakkında en etkili parametreleri karakterize etmelidir.

 Uygulayıcılar için ise sonuçlar yeni bir inşaat projesinin maliyetini kolayca tahmin etmede yardımcı olmalıdır.

1.5. Araştırma Yaklaşımı

Bu çalışmada takip edilen araştırma yaklaşımı, literatür taraması ve maliyet tahmininde kullanılan ortak teknikten oluşmaktadır. Şekil 1, bu çalışmada benimsenen araştırma yaklaşımını gösteren bir diyagramı göstermektedir. Bilgi toplamak ve uygun verileri seçmek için son teknoloji literatür araştırması yapılmıştır. Araştırma boşlukları ve sınırlamalar ele alınmıştır. Tasdik, değerlendirme, hata analizi ve model geçerliliği de dahil olmak üzere önerilen modellerin gücünü göstermek için sonuçlar incelenmiştir. Ayrıca yapılan deneysel ve teorik araştırmalardan elde edilen bulguların sonuçları önerilen modeller için sunulmuştur.

Literatür Incelemesi Tasarım Parametreleri'ni Ve Model Yapılandırmasını Seçmek Veri Kümeleri Açıklaması Tartışmalar Sonuç Ve Öneriler ÖN AŞAMA TASARIM VE MODELLEME AŞAMASI TEST VE DEĞERLENDİRME AŞAMASI ANALİZ SONUÇLARI VE ÖNERİ AŞAMASI SON AŞAMA Parçacık Sürüsü Optimizasyonu (PSO) Modelleri Geliştirme Hibrit PSO-YSA Modellerin

Geliştirmes ÇALIŞMANIN AMACI ÜÇÜNCÜ BÖLÜM Tarihsel Bilgi Oluşturmak

YSA'ya Dayalı Analitik Sonuçlar (Yapay Sinir Ağı) Onaylama

Önerilen Hibrit PSO-ANN Ve PSO Modelleri

PSO'ya Dayalı Analitik Sonuçlar (Parçacık Sürüsü Optimizasyonu)

1.6. Çalışma Kapsamı

Bu çalışma, toplam altmış adet hükümet inşaat projesi ile sınırlıdır. Literatüre ve problem tanımına göre önerilen modelleri oluşturmak için farklı parametreler seçilmiştir. Önerilen modellerin simülasyonunu gerçekleştirmek için Matlab yazılımı uygulanacaktır.

1.7. Tez Taslağı

Tez beş bölümden oluşmaktadır. Her bölümün içeriği aşağıdaki gibi özetlenebilir: Bölüm 1, inşaat projelerinin maliyeti ve süresi ile ilgili araştırma geçmişini, problem tanımını ve mevcut çalışmanın ana amacını açıklamaktadır. Ayrıca kısaca tartışılan çalışma ve araştırma kapsamı, bu bölümde önemli ölçüde tartışılmıştır.

Bölüm 2, mevcut çalışma ile ilgili araştırmaların kapsamlı bir literatür taraması sunmaktadır. Bu bölüm, inşaat projelerinin maliyet ve süresini değerlendirmek için esnek hesaplama yaklaşımı kullanan önceki çalışmaların kısa bir özetini içermektedir. Hibrid PSO-ANN ve PSO yaklaşımlarının bir araç olarak kullanımını araştıran çalışmalar da dahil olmak üzere projelerin hem maliyet hem de süresinin değerlendirilmesine ilişkin mevcut araştırmalar açıklanmıştır.

Bölüm 3, önceki projelerden toplanan verilerin ayrıntılarını sunmaktadır. Kat sayısı, beton ve tuğla maliyeti ve miktarı ve güvenlik durumu gibi ana parametre ayrıntıları görülmektedir.

Bölüm 4, önerilen modellerin sonuçlarını ele almaktadır. Maliyeti ve süreyi etkileyen genel parametreler açıklanmaktadır.

Bölüm 5, önerilen modellerden elde edilen sonuçların genel bir sonucunu ve tez boyunca tartışılan problem ve gözlemlere ilişkin analizleri ve gelecekteki çalışmalara

2. LİTERATÜR TARAMASI

2.1. Giriş ve Özet

Yapay zeka araçları, 1970'lerin başından beri inşaat sektöründe kullanılmaktadır. 1972'de Whitman, J., ve Wegmann, F. J. [10] tarafından karayolu projelerinin maliyetlerini tahmin etmek için çoklu regresyon analizi yöntemi geliştirilmiştir. 1974'te ise endüstriyel binaların inşaat süresini ve maliyet planını düzenlemek için Bromilow, F. J. [11] tarafından regresyon analizi yapılmıştır ve Carr, R. I. [12] tarafından inşaat projelerinin süresini tahmin etmek için simülasyonlar uygulanmıştır.

ANN'ler; kusurlu veriler, karmaşık ve son derece tanımlanmamış konular gibi görevleri gerçekleştirebilen yapay zeka (AI) araçlarından biridir. ANN, örneklerden öğrenebilir ve doğrusal olmayan konularda davranabilir. ANN'nin en belirgin özellikleri, uygulamadan öğrenme ve daha sonra değişen durumlara uyum sağlama yeteneğidir. Deneysel bilgileri kaydetmek ve kullanmak üzere elde edilebilir hale getirmek için doğal bir eğilimleri vardır [25].

İnsan beynindeki öğrenme sürecine benzer olan ANN'ler, maliyet ve süre tahmini için inşaat alanında yaygın olarak kullanılmaktadır [26,27].

İnsan beyninin öğrenme prosedürünü taklit eden ANN'ler, maliyet ve süre tahmini için inşaat alanında yoğun olarak kullanılmıştır [26,27]. Önceki çalışmalar, ANN ağlarını, süre ve inşaat maliyetlerini [28-30] değerlendirmek için RA, CBR, SVM ve diğer yapay akıllı yaklaşımlardan üstün olarak nitelendirmiştir ve Yapay Zeka (AI) uygulamalarında proje sürelerinde veya maliyetlerinde veya her ikisinde de gösterilecektir. En popüler ANN algoritmalarından biri, ANN'ye parametre ayarları öğrenimi sağlayan Geri Yayılımdır (BP). Geri Yayılım, uygun parametre ayarlarını aramak için kesin bir yönteme sahip değildir [31]. Bu parametreleri bulmak için bir deneme yanılma yaklaşımı kullanılır ve bu sıkıcı ve zaman alıcı bir süreçtir [32].

Doğa benzeri simülasyonlara göre önceki yıllarda çok sayıda optimizasyon modeli, önemli ölçüde geliştirilmiştir. Bu modellerin çoğu, yaygın bir problem yelpazesiyle mücadele etmek için kullanılabilecek genel algoritmalar olan ve çeşitli alanlardaki kısıtlamaların ve karmaşık iyileştirme problemlerinin çoğunun üstesinden gelmek için hızlı araçlara ve büyük potansiyele sahip olan nüfusun sezgi ötesi olmasının sonucu olarak elde edilmiştir [33].

Bu algoritmaların çoğunun zaman çizelgesi Ek A'da verilmiştir. PSO, Eberhart ve Kennedy tarafından 1995 yılında karmaşık sorunlara en uygun çözümü bulmak için geliştirilen, daha az parametreyle çalışan, uygulanması daha kolay olan ve diğer optimizasyon tekniklerinden daha hızlı yakınsama oranına sahip olan optimizasyon algoritmalarından biridir [34]. PSO, en karmaşık inşaat problemlerini çözmek için tek bir algoritma olarak kullanılabilir ve diğer algoritmaların ağırlıklarını ve modüllerini optimize etmek için hibrid model içinde yer alan bir optimizasyon algoritması olarak da uygulanabilir.

Daha öncesinde bir genetik algoritma (GA), BP'nin derinlerinde yer alan problemlerle başa çıkmak için NN ile birleştirilmiştir [35]. Bununla birlikte bir GA, karmaşık kodlama ve bir kod çözme operatörüne ihtiyaç duymaktadır [36]. Ayrıca GA, NN yapısı karmaşık olduğunda çözümler üretmek için uzun işlem süresine ihtiyaç duymaktadır ve çok sayıda eğitim modeli bulunmaktadır [37,38]. Böylece düşük yakınsama hızı, parametrelerin hassasiyetini etkilemektedir.

Bu çalışmada PSO'nun, önceki yaklaşımların sınırlamasının üstesinden geldiği düşünülmektedir. PSO, her bir gizli katmandaki nöron sayısını ve öğrenme oranı değerini optimize etmek için kullanılmıştır. Gizli katmanlardaki nöronlar ve öğrenme oranı, NN mimarisinde iki temel parametre olarak kabul edilir. Bununla birlikte seçilen parametre sabit değildir ve her zaman en uygun çözümü sağlamayan deneme yanılma yaklaşımına maruz kalmaktadır. PSO tekniği, tüm gizli katmanlardaki en uygun düğüm sayısını ve en iyi NN öğrenme oranını belirterek böyle bir sorunu çözebilir. Bu nedenle ANN performansı artırılabilir.

Bu durumda ANN ve PSO modellerinin, tasarımın ilk aşamasında inşaat projelerinin maliyetini ve süresini en az hata ile tahmin edebileceği hibrid PSO-ANN

algoritmasını oluşturmak için PSO'yu ANN'ye uydurabiliriz. Buna ek olarak PSO, inşaat projelerinin maliyetlerini ve süresini tahmin etmek için ayrı bir algoritma olarak kullanılmıştır.

Tablo 2.1'de çalışmalarda kullanılan ve literatürde bildirilen parametreler gözden geçirilmektedir. Bu nedenle çalışmada beton hacmi, tuğla hacmi, temel çeşitleri, zemin kat alanı, toplam kat alanı, kat sayısı ve güvenlik durumu dahil olmak üzere sekiz adet parametre ele alınmıştır.

Tablo 2.1. İnşaat projelerinin süresi ve/veya maliyet modellerini tahmin etmek için kullanılan ortak parametreler

No. Yazarlar Parametre Yıl

1 Elhag vd. [39]  Proje türü  Sözleşme türü  Piyasa koşulları  Teklif sayısı  Şantiye eğimi  Başlangıç koşulları  Zemin koşulları  Kazı koşulları  Şantiye erişimi

 Şantiyedeki çalışma alanı  Kat sayısı  Brüt taban alanı (m2)  Süre (ay)  En düşük teklif (£) 1998 2 Bhokha & Ogunlana [40]  Yapı fonksiyonu  Yapısal sistem  Fonksiyonel alan (m) (x106 m2)  Yükseklik Endeksi  Temel Endeksi  Dış kaplama (duvarlar)  Dekorasyon kalitesi  Şantiyeye erişilebilirlik  Katların sayısı  Alan/kat oranı  İnşaat süresi (ay)  İnşaat maliyeti

Tablo 2.1. devamı

3 Günaydın & Doğan [41].

 Binanın toplam alanı.

 Tipik taban alanının binanın toplam alanına oranı

 Zemin kat alanının binanın toplam alanına oranı

 Kat sayısı.

 Binanın destek yönü Tek yön (0), iki yön (1).  Bina temeli sistemi İskele (0), duvar (1),

döşeme (2)

 Kat inşası Betonarme (0), prekast beton (1).  Binanın merkezinin konumu şantiyede (0),

ortada (1). 2004 4 Stoyet vd. [42].  Binanın kompaktlığı.  Asansör sayısı.  Projenin boyutu.  Beklenen inşaat süresi.  Dış duvarların açıklıklarının  oranı.

 Alan.

2008

5 Luu & Kim [43]

 Brüt taban alanı.  Kat sayısı.  Benzin fiyatı.  Çelik fiyat.  Çimento fiyatı 2009 6 Cheng vd. [44].  Zemin yeraltı  Toplam kat alanı  Zemin üstü katlar  Şantiye alanı  Hane sayısı

 Bitişik bir binadaki haneler.  Toprak durumu.

 Sismik bölge  İç mimari.

 Elektromekanik altyapı.

2010

7 Arafa & Alqedra [45].

 Zemin katın alanı.  Normal katın alanı.  Kat sayısı.

 No. Sütün sayısı  Temel türü

 No. Asansör sayısı  Kiriş sayısı

Tablo 2.1. devamı

8

ElSawy vd. [46].

 İnşaat Firması Kategorisi.  Proje Boyutu.  Proje Süresi.  Proje Türü.  Proje Konumu.  Müşteri Türü-Doğası.  Sözleşme Türü.  Yüklenici-Ortak Girişim.

 Özel Şantiye Hazırlama Gereksinimleri.  Ekstra insan gücü için proje ihtiyacı.

2011

9 Aibinu vd. [47].

 Brüt Kat Alanı (GFA)  Tedarik rotası  İş türü  Konum  Sektör  Tahmin yöntemi  Kat sayısı

 Tahmini Toplam, Maliyet/m2.

2011

10

Shehatto [48].

 Normal katın alanı.  Binadaki kat sayısı.  İstinat duvarları alanı.  Bina türü.

 Binada kullanılan temel tipi.  Binadaki asansör sayısı.  Döşeme türü (katı, yivli gibi).

 Sütunlar arasındaki açıklığın uzunluğu.  Sütun sayısı.

 Oda sayısı.  Projenin konumu.

 Binadaki merdiven sayısı.  Sözleşme Türü.

2013

11 Roxas & Ongpeng [49].  Kat sayısı.  Bodrum sayısı.  Kat alanı.  Beton hacmi.  Çerçeve alanı.

 Takviye çeliğinin ağırlığı.

2014 12 Alshamrani [50].  Konum.  İnşaat yılı.  Yapı-zarf tipi.  Kat yüksekliği.  Kat sayısı.  Yapı alanı. 2017

Bu bölümde inşaat projeleri için maliyet ve süre tahmini ile ilgili genel bir literatür bakışı sunulmaktadır. Bu genel bakış, maliyet ve süre tahmini tanımının temel kavramlarını içerir. Bu bölümde, maliyet ve süre tahmininin modellenmesi için kullanılan ana teknikler açıklanmaktadır. Ayrıca tasarımın erken aşamasında inşaat projelerinin maliyet ve süresini tahmin etmek amacıyla kullanılan farklı esnek hesaplama tekniklerinin kavramı ve uygulaması tartışılmaktadır.

2.2. İnşaat Projelerinin Süresi

2.2.1. İnşaat Süresinin Tanımları

İnşaat süresinin çeşitli tanımları vardır ancak en spesifik tanım Bhokha tarafından belirtilmiştir [40] ve aşağıdaki gibidir: "Zaman çerçevesi, mal sahibi tarafından yükleniciye, projenin normal çalışma koşulları, normal inşaat uygulamaları altında ve en düşük maliyetlere göre tamamlanması için verilir. Yüklenici ise başlamak için talimat aldığında başlar ve şantiyede gerçekleşen inşaat işleri sonrasında sona erer. Ayrıca işlerin koşullarını ve düzenlerini değiştirme, ek süre, malzeme temini, şantiye ve hava durumu gibi öngörülemeyen durumların yarattığı gecikmeleri de içermektedir. Büyük ölçüde iş kapsamı dışında olan büyük değişiklikler dahil değildir".

2.2.2. İnşaat Sürelerini Etkileyen Faktörler

1970'lerin başında çok sayıda araştırmacı, çeşitli proje kategorizasyonları yoluyla inşaat süresini etkileyen faktörleri incelemiştir. Bulunan bu faktörlerin çoğu Ek-B'de kronolojik olarak sıralanmıştır. Ayrıca bu çalışmaların tüm sonuçları Tablo 2.2'de yedi temel faktör altında sıralanmıştır.

Tablo 2.2. İnşaat proje süresini etkileyen faktörler (Özet Tablo)

İnşaat proje süresini

etkileyen faktörler İnşaat proje süresini etkileyen faktörlerin ayrıntıları

Maliyet

Müşteri ile ilgili faktörler

a. Müşteri deneyimi b. Müşteri Türü

c. Müşterinin nitelikleri

Çevre ile ilgili faktörler

a. Hava

b. Ekonomik faktörler (kısıtlamalar) c. Sosyal faktörler (kısıtlamalar) d. Kültürel faktörler (kısıtlamalar) e. Yasal faktörler (kısıtlamalar) f. Politik faktörler (kısıtlamalar) Şantiye ile ilgili

faktörler

a. Şantiye koşulları b. Coğrafi

c. Kısıtlamaların veya irtifakların mevcut olup olmaması d. Hizmetlerin kullanılabilirliği

Projeyle ilgili faktörler

a. Proje ekibi/tasarımcı/tasarım danışmanları ile ilgili faktörler (deneyim, vb..)

b. Proje ile ilgili faktörler i. İnşaat türü

1. Yapı türü

2. Teknik parametreler ii. Kalite

1. İnşaat için gereken kalite

2. Tasarım ve dokümantasyon kalitesi iii. Karmaşıklık

1. İnşaat için gereken karmaşıklık 2. Proje tasarımının inşa

Tablo 2.1. devamı

Yönetimle ilgili faktörler

a. Yönetim ile ilgili i. Yetenekler

ii. Liderlik ve motivasyon iii. Sistemler

b. Öncelikler

i. Müşterinin inşaat zamanında önceliği

ii. Tasarımcının (proje ekipleri) inşaat zamanında önceliği

c. Organizasyonel i. Yapı

ii. Stil

iii. Bilgi Sistemleri

iv. Organizasyonda esneklik d. Sözleşme ile ilgili hususlar

i. Sözleşme türü

1. Risk dağılımı (örn. enflasyon, teknik)

2. Teklif seçin yöntemi (açık, ön yeterlilik, seçim vb.)

3. Yönetim yapısı, örn. geleneksel tasarım ve yapı 4. Ödeme yöntemleri, örn. sabit fiyat maliyet-artı ii. Sözleşme sonrası gelişmeler

1. Varyasyon Siparişleri 2. Siparişler 3. Anlaşmazlıklar e. Koordinasyon/İlişkiler f. Planlama g. İnşaat Yönetimi h. Kontrol sistemleri

i. Yönetimsel kontrol etkinliği

ii. Yüklenicinin şantiye operasyonları üzerindeki kontrolü

iii. Denetim etkinliği i. Tedarik ile ilgili faktörler j. Teknoloji

Diğer faktörler

a. Finansal faktörler

b. Yüklenici ile ilgili genel faktörler c. Alt yüklenici ile ilgili faktörler d. Hız

e. Belirsizlik

f. Mühendislik tasarımı ile ilgili faktörler g. Tecrübe

Chan ve Kumaraswamy (1995) [51] Hong Kong'da uygulanan inşaat projelerinin zamanını etkileyen faktörleri incelemiştir. Bu çalışmada kullanılan anketler 400 şirkete dağıtılmış ve bu şirketlerden 111'i yanıt vermiştir. İki ana amaç düşünülmüştür: süre ve maliyet, süre ve taban alanı, süre ve kat sayısı arasındaki ilişkileri ve nedenleri bulmak için herhangi bir gecikmenin oluşumunu incelemek. Öte yandan Kumaraswamy ve Chan [52] inşaat süresi üzerinde en çok etkiye sahip faktörleri sunmak için bir piramit şeması (Şekil 2.1.'de gösterildiği gibi) oluşturmuşlardır.

Şekil 2.1. İnşaat proje süresini etkileyen faktörler [51].

2002 yılında inşaat projelerinin süresini etkileyen faktörler Chan ve Kumaraswamy [53] tarafından proje kapsamı, proje karmaşıklığı, proje durumu ve yönetim ile ilgili özellikler olmak üzere dört ana kategoride sınıflandırılmıştır. Şekil 2.2'de tüm bu faktörler görülmektedir.

PROJE KAPSAMI

 Yapım maliyeti

 Brüt taban alanı

 Kat sayısı

 Bina tipi

 Sözleşme tedarik sistemleri

 varyasyon

PROJE KARŞILAŞTIRMASI

 Müşterinin özellikleri

 Site koşulları / Site erişim

sorunları

 Proje tasarımının inşa

edilebilirliği  Tasarım koordinasyonunun kalitesi  Kalite Yönetimi PROJE ORTAMI  Fiziksel  Ekonomik  Sosyo-politik  Endüstriyel ilişkiler YÖNETİM ÖZELLİKLERİ

 Müşteri / Tasarım ekibi yönetimi

özellikleri

 İnşaat ekibi yönetim özellikleri

 Karar vermede iletişim yönetimi

 Organizasyonel yapılar ve insan

kaynakları yönetimi

 verimlilik

DİĞER FAKTÖRLER

İNŞAAT SÜRESİ

Şekil 2.2. İnşaat proje süresini etkileyen faktörler [51]. 2.2.3. İnşaat Projeleri İçin Süre Tahmini Modelleri

Khosrowshahi ve Kaka [54] tarafından belirtildiği gibi proje süresi kavramı 1960'ların sonlarında görülebilir. Bu kavram, Melbourne Milletler Toplulğu Bilimsel ve Endüstriyel Araştırma Örgütü'nün Araştırma Binası Bölümü'nde ölçülen ve tahmin edilen sürelerin karşılaştırılması yoluyla araştırılmıştır. Bu sonuçlara göre gerçek süre, tahmin edilen süreden %40 daha fazladır ve daha sonra 1970'lerde ve 1980'lerde projenin tahmin edilen süresi artmıştır.

Süre tahmin modelleri veya teknikleri Sezgin [55] tarafından aşağıdaki dört gruba ayrılmıştır:

1) Algoritmalar, sezgisel yöntemler ve uzman-sistem tekniği kullanan deneyim tabanlı yaklaşımlar.

2) Sezgisel yöntemler, uzman modeller ve karar kurallarını kullanan simülasyon kalıpları.

3) Regresyon, istatistiksel modeller ve karar kurallarını kullanan parametrik modeller.

4) Doğrusal programlama ve konvansiyonel optimizasyon teknikleri uygulayan ayrık durum modelleri.

Bu kategorizasyon ve detaylara dayanarak literatürde bulunan çalışmalar gruplandırılmış ve Tablo 2.3'te özetlenmiştir. Bu çalışmaların bir kısmı, yapay zeka araçları ve hibrid model bölümlerinin doğru bir şekilde uygulanması için tanımlayıcı modeller olarak seçilmiştir. Bu şemaya göre, birkaç yazarın çalışmalar yürüttüğüne dikkat çekilebilir. Yıllar içinde hibrid yöntemlerin ve ANN yönteminin artan kullanımı, son yıllarda diğer modellerden daha sık olmuştur.

Tablo 2.3. Süre tahmini modellerinin gelişimi.

No. Yazarlar Süre tahmin modelleri Yıl

1 Bromilow, F. J.

[11]. Parametrik (Regresyonun Gücü) 1974

2 Carr, R. I. [12]. Simülasyon 1979

3 Ireland, V. [56]. Çoklu regresyon analizi MRA 1985 4 Ahuja &

Nandakumar [57]. Simülasyon 1985

5 Kaka & Price ]58[. Regresyon modeli RM 1991

3 Nkado, R. N. ]59[. Çoklu regresyon analizi MRA 1992

4 Wu &

Hadipriono]60[.

Bulanık modus ponens kesintisi FMPD. deneyim tabanlı (bulanık mantık-uzman

sistemi). 1994 5 Chan & Kumaraswamy [51].

Basit doğrusal regresyon analizi SLRA 1995 6 Khosrowsha.hi &

Kaka [54] Çoklu regresyon analizi MRA 1996

7 Bhokha &

Ogunlana [40. [ Geri yayılım sinir ağı BP-NN 1999 8 Skitmore et al.

[61].

Regresyon analizi yöntemi RA, standart regresyon ve çapraz doğrulama

regresyonu.

2003

Tablo 2.3. devamı

10 Love vd. [63]. Çoklu regresyon analizi MRA 2005

11 Chen vd. [64]. Geri Yayılım sinir ağı BP-NN ve

regresyon analizi RA 2006

12 Graham vd. [65]. Yapay sinir ağı ANN 2006

13 Zhang vd. [66]. Genetik algoritma ve parçacık sürü

optimizasyonun hibrid modeli GA-PSO 2006 14 Hoffman vd. [67] Bromilow'un zaman maliyeti (BTC)

modeli ve çoklu regresyon analizi MRA. 2007 15 Chau, K. W. [68]. Yapay sinir ağının ve parçacık sürü

optimizasyonun hibrid modeli ANN-PSO 2007

16 Pewdum vd. [69]. Yapay sinir ağı (ANN) 2009

17 Hola vd. [70]. Yapay sinir ağı (ANN) 2010

18 Yahia vd. [71]. Yapay sinir ağı (ANN) 2011

19 Ashuri vd. [72] Bulanık özellikli hibrid GA-PSO yaklaşımı 2011 20 Petruseva vd. [73]. Denetimli öğrenme algoritması ve destek

vektör makinesi SVM. 2013

21 Zhang vd. [74].

İmmün genetik (IG) algoritmasının ve parçacık sürü optimizasyonun hibrid

modeli IG-PSO.

2013

22 Koulinas vd. [75]. parçacık sürü optimizasyonu PSO. 2014

23 Maghrebi vd. [76]. Yapay sinir ağı ANN. 2014

24 Cho vd. [77]. Yapay sinir ağı ANN. 2015

25 Golizadeh vd.

[78]. Yapay sinir ağı ANN. 2016

26 Armaghani vd. [79].

Yapay sinir ağının ve parçacık sürü

optimizasyonun hibrid modeli ANN-PSO. 2017 27 Nani vd. [80]. Regresyon yöntemi RM ve yapay sinir ağı

ANN teknikleri. 2017

28 Peško vd. [81]. Yapay sinir ağları ve destek vektör

makineleri hibrid modeli ANN-SVM. 2017 29 Jordan Srour vd.

[82]

Öğrenmeyi entegre etmek için doğrusal

olmayan optimizasyon 2018

30 Yeom vd. [83]. Çoklu regresyon analizi MRA 2018

31 Rosłon vd. [84]. Sezgi ötesi ve yapay sinir ağları ANN

kullanımı ile hibrid yaklaşım. 2019

32 Altaie vd. [85]. Yapay sinir ağı ANN. 2019

2.2.4. İnşaat Süresi Tahmininde Kullanılan Yapay Zeka Araçları ve Hibrid Modellerin Uygulamaları.

İnşaat projelerinin erken aşamasında binaların inşaat süresini tahmin etmek amacıyla 1999 yılında (ANN) Bhokha vd. [40] tarafından bir yapay sinir ağı geliştirilmiştir. Bu modelde on bir giriş nöronundan oluşan üç katmanlı geri yayılım (BP) ağı

kullanılmıştır. On adet ikili giriş düğümü, bina özellikleri ile ilgili gerekli bilgleri sunmuştur. "Örn. bina işlevi, yapısal sistem, temel, yükseklik, dış kaplama, iç dekorasyon kalitesi, şantiyeye erişim ve bir adet gerçek değerli girdi, işlevsel alanı ifade etmektedir." Giriş nöronları ve bir çıkış düğümü, gizli nöronlara bağlanmıştır. Bu model, C++ dilinde yazılmış bir nöro bilgisayar programı kullanılarak mikrobilgisayara göre bir Pentium‐150 üzerinde uygulanmıştır. 1987-1995 yılları arasında Büyük Bangkok bölgesinde inşa edilen yüz otuz altı bina, bir modelin eğitimi ve test edilmesi amacıyla kullanılmıştır. Deneme-yanılma yöntemine göre optimum sayıda gizli düğümleri, öğrenme oranları ve momentumları vardır. 0.6 ve sıfır momentum öğrenme oranına sahip altı gizli nöron, bunu elde eden en iyi değerler olarak düşünülmüştür. Sonuç, ağın, binaların ölçülen ve tahmin süresi arasında ortalama %13.6 hata ile inşaat süresini tahmin edebilmesiydi.

Ardından 2006 yılında, Graham vd. [65] ayrıca ANN'yi inşaat operasyon süresi ile ilgili olan prefabrik beton süresini tahmin etmek için kullanmışlar ve iş ayları, operasyon türü, toplam işlem hacmi, ortalama varış arası süresi, yük sayısı ve reddedilen yük sayısı gibi parametreler dahil olmak üzere dört farklı projeden veriler elde etmişlerdir.

Proje sürelerini en aza indirmek amacıyla PSO algoritmasını kullanarak kaynak kısıtlı proje zamanlama problemini (RCPSB) çözmek için aynı yıl alternatif ve verimli optimizasyon metodolojisi, Zhang vd. [74] tarafından geliştirilmiştir. Parçacık planlama faaliyetlerinin öncelikleri, parçacıkların öncelikleri temsilcisini öncelik ve kaynak kısıtlamalarına dayalı olarak, değerlendirilmek üzere olsa bile, olası bir programa dönüştürmek için paralel bir şema kullanılarak temsil edilmiştir. Ayrıca Hong Kong inşaat iddiaların sonucuna tahmin algılayıcısı yetiştirmek amacıyla 2007 yılında bir PSO modeli, Chau vd. [68] tarafından kabul edilmiştir. PSO tabanlı ağın etkili tahmin oranının sonucu %80 idi.

Pewdum vd. [69] 2009 yılında Tayland'da bir otoyol inşaat projesinin inşaat aşamasında nihai bütçe ve süresini tahmin etmek ANN modellerini ve kazanılan değer yöntemini kullanılmıştır. Sonuçta bir ANN modelinin kazanılan değer tekniğinden daha hassas ve sabit olduğu görülmüştür. Çalışma, otoyol inşaat

projelerinin yöneticisi için, inşaat aşamasında nihai proje bütçesini ve süresini tahmin etmek amacıyla yararlı bir araç sağlamakta ve aynı zamanda bütçe ve zamanlama gecikmelerinin ilk uyarısını da sunmaktadır.

Orta Avrupa'nın en büyük kimyasal tesislerinden birinin şantiyesinde büyük ölçekli hafriyat operasyonları ile elde edilen ve çok sayıda çalışmadan oluşan bir veritabanına dayanarak toprak işleri yürütme süresini belirlemek amacıyla, toprak işleri yürütme sürelerini belirlemek için bir ANN modeli, Hola vd. [70] tarafından 2010 yılında ortaya çıkarılmıştır. Ağ, hafriyat ekipmanı için veriler kullanılarak tasarlanmıştır. Bu da daha sonra uygulama maliyetini dikkate alarak veya üretkenliğe göre öngörülebilirliği temel alan süreye dayanarak hafriyat işleri için en uygun makinelerin hazırlanmasını belirlemek amacıyla kullanılabilmektedir. Model, inşaat projelerinin erken safhasındaki toprak işleri yürütme süresini ortalama %13,6'lık bir hata payı ile tahmin etmiştir.

Projenin planlanan tamamlanma süresine eklenmesi gereken diğer sürelerin sayısını daha iyi tahmin etmek amacıyla 2011 yılında bir ANN modeli, Yahya vd. [71] tarafından değiştirilmiştir. Petruseva vd. (2013) [73], inşaat süresini tahmin etmek için destek vektör makinesi (SVM) ve regresyon analizi (RA) olarak adlandırılan denetimli bir öğrenme algoritması kullanmıştır. 1999-2011 yılları arasında Bosna-Hersek Federasyonu'nda yapılan 75 inşaat projesi için şantiye araştırması analizi yürütmek amacıyla gerçek ve sözleşmeli fiyat verileri elde edilmiştir. Sonuçlar, SVM tahmininin regresyon analizinden çok daha doğru olduğuna işaret etmektedir. Aynı yıl, Zhang vd. [74] tarafından inşaat projeleri modeli için geliştirilmiş zaman-maliyet ve kalite-zaman için bağışıklık genetik parçacık sürü optimizasyonu (IGPSO) olarak adlandırılan yeni bir algoritma elde etmek için bir daralma faktörü olan parçacık sürü optimizasyonu ile eşleştirilmiş bir bağışıklık genetik algoritması yoluyla entegre bir uygulama yürütülmüştür. Ayrıca sistem tutarlılığını tanımlamak için kalite performans endeksi (QPI) olarak adlandırılan yeni bir kalite modeli oluşturulmuştur. Daha sonra, iki test fonksiyonu ve uygulamalı bir örnek kullanarak IGPSO'nun etkinliği test edilmiştir. Optimizasyonun sonuçları, uygulanabilirlik ve geçerliliği göstermektedir.

2014 yılında Koulinas vd. [75] tarafından kaynak kısıtlı proje planlama problemini (RCPSP) çözmek amacıyla hiper-sezgisel algoritmaya göre bir PSO uygulanmıştır. Bunun PSO hiper-sezgisel geliştirmeye yönelik ilk deneme olduğunu ve klasik RCPSP için kullandığını belirtmişlerdir.

Golizadeh vd. (2016) [78] beton binaların yapısal elemanları ile ilgili önemli faaliyetlerin süresini değerlendirmek için bir araç önermiştir. Kolon takviyesi, kiriş takviyesi, kolon betonlama ve kiriş betonlama faaliyetlerinin kurulum süresini hesaplamak için dört ANN algoritması kullanılmıştır. Web tabanlı bir program, aktivitenin süresini daha doğru bir şekilde tahmin etmek için ANN'ye göre süreyi tahmin etmek için bir mekanizma olarak geliştirilmiştir.

2017 yılında, Peško vd. [81] inşaat projelerinde maliyetleri ve süreleri tahmin etmek, bunları analiz etmek ve karşılaştırmak için ANN ve SVM'yi geliştirmiştir. Sonuçta maliyetleri tahmin ederken SVM doğruluğunun, en doğru ANN ağlarına kıyasla ortalama %7.06'lık bir mutlak hata (MAPE) ve %25.38'lik bir doğruluk elde ettiği görülmüştür. İnşaat projelerinin süre tahminin daha karmaşık olduğu görülmüştür. Optimum MAPE'ler, ANN modeli için %22.77, SVM modeli için %26.26 idi.

"Klang Vadisi Hızlı Toplu Taşıma projesi, Malezya'nın" bir parçası olarak farklı kaya çeşitlerinin 132 adet kazık yerleştirilerek incelenmesi yoluyla kaya soketli kazıkların QU'sunu tahmin etmek amacıyla bir ANN modeli, Armaghani vd. [79] tarafından hem PSO hem de ANN'ye göre bir ANN modeli ve hibrid bir model geliştirilmiştir. PSO algoritması, ANN ağırlıklarını düzeltmek ve böylece model performansını geliştirmek için sağlam bir genel arama algoritması olarak kullanılmıştır. 2019 yılında, Rosłon vd. [84] çok modlu, kaynak kısıtlı proje planlama problemini (RCPSP) çözmek için meta-sezgisel ve NN kullanarak bir hibrid model kullanmıştır.

Irak'taki inşaat projelerinin süresini on üç parametre kullanarak tarihsel veri toplama yöntemine dayanarak tahmin etmek için 2019 yılında Altaie, M., ve Borhan, A. [85] tarafından bir ANN kullanılmıştır. Nihai sonuçlar, gerçek süre ve tahmin süresi arasında sağlam bir ilişki olduğunu göstermektedir. Test hatası (%1,51) ve eğitim

hatasının (%1,32) doğrulanması için kullanılan beklenen parametreler ve ölçülen parametreler arasında güçlü bir korelasyon (%89,9) olduğu saptanmıştır. ANN modeli, sırasıyla %7,812 ve %92,18 olmak üzere bir MAPE ve ortalama doğruluk oranı bularak gerçek ölçümlerle mükemmel bir şekilde örtüşmektedir.

2.3. İnşaat Projelerinin Maliyeti

Maliyet tahmini olarak adlandırılan herhangi bir inşaat projesi için bütçe ve tekliflerin iyi hazırlanması, inşaat süreçlerinden önemli bir görevdir [86]. İnşaat maliyet tahmini, proje için elde edilen verilerin toplanması, analizi ve sentezini içermektedir [87]. Tahmin edilen maliyet, herhangi bir inşaat için başlamadan önce bütçeleme ve teklif hazırlama konusunda önemli bir görevdir. Projenin kapsamını belirlemek ve yeterli inşaat fonlarına erişimi sağlamak için, proje göstergelerini iyileştirmek amacıyla inşaat ömrü boyunca maliyet tahminleri gereklidir. Böylece proje, uygun maliyetli olarak kalır ve inşaat için yeterli fon elde edebilir. [42,44]. Çok sayıda faktöre dayanan iyi bir tahmin, tahminciye verilen zamanı, tahmincinin deneyimini ve projeyle ilgili yaygın bir varsayım yelpazesini içermektedir [44,72,73]. İnşaat maliyeti değerlendirmesi, bir proje için elde edilebilen tüm veri kümelerinin birleştirilmesini, analiz edilmesini ve özetlenmesini içermektedir [70]. Araştırmacılar, eksik verilerin pratik değerini, maliyet tahmini görevinin doğruluğunu ve uyumluluğunu artırma hedefi ile en üst düzeye çıkaracak maliyet tahminleri geliştirmeye çalışmışlardır. İhale öncesi fiyat tahmininin amacı, bir inşaat projesinin çok erken bir adımında inşaatın olası maliyetlerini göstermektir ve bu, müşterinin inşaatı yapıp yapmama seçimi üzerinde çok etkisi bulunan faktörlerden biridir [25].

2.3.1. Maliyet Tahmininin Tanımı

İlk olarak, inşaat projelerinde tahminin ne anlama geldiğini bilmemiz gerekli. 1989 yılında tahminler, Carr [88[ tarafından, inşaatın elde edilmesi için gereken yaklaşık malzeme miktarları, süre ve maliyet olarak ifade edilmiştir. Maliyet tahmini, GAO (1997) [89] tarafından "bir şeyin maliyetinin bilinen tarihsel verilere dayandırılarak yeni materyaller, teknolojiler, yazılım dilleri ve geliştirme ekipleri ile tahmin

edilmesinin bilimsel ve sanatsal açıdan bir araya getirilmesi" olarak tanımlanmıştır. 2006 yılında ise bu terim, Dysert [90] tarafından şu şekilde ifade edilmiştir: "bir yatırım seçeneği, faaliyeti ya da projesi kapsamında gerekli olan kaynakların miktarını, maliyetini ve bedelini kullanan tahmin prosedürü. Tahmin prosedürünün çıktısı, yani maliyet tahmini, genellikle bir proje bütçesi oluşturmak için kullanılır". Öte yandan, Hamidi ve Muhammed [35], 2009 yılında bu terime başka bir anlam vermişlerdir: "projenin öngörülebilir maliyetine benzeyen optimum tahmin". Son olarak Turochy vd. [91] maliyet tahmininin tanımının "nihai proje bilgilerinin, proje geliştirmenin belirli bir aşamasında elde edilebilecek bilgilere dayanarak değerlendirildiği prosedür" olduğunu belirtmiştir.

2.3.2. Maliyet Tahmininin Önemi

Çoğu kamu mülkiyeti sahipleri en düşük teklifi seçmeye meyillidir. Ayrıca yüklenici, yeterlilik testini başarıyla geçmelidir. Bu durumda yüklenici, teklif maliyetini en aza indirmeye, proje tamamlanma tarihini erkene almaya veya para kaybetmemek için ekstra mal sahibi ihtiyacını kabul etmeye hazır olmalıdır. Bu, nitelikli bir tahminci tarafından gerçekleştirilen makul bir maliyet tahmini sırasında elde edilebilir. Maliyet tahminleri, mal sahiplerinin proje olasılığını değerlendirmelerine ve ayrıntılı proje tasarım çalışmalarında maliyetleri etkin bir şekilde kontrol etmelerine olanak tanımaktadır.

Tahminin amacı inşaat kararları için bilgi sağlamaktır. Tipik kararlar tedarik, inşaat fiyatlandırması, sözleşme ödemeleri ve proje yönetimi için gerçek miktarların kontrolünü içermektedir [91]. Dysert [90], maliyet tahmininin genellikle bir proje bütçesi oluşturmak için kullanıldığını belirtmiştir ancak maliyet tahmini, aşağıdaki gibi başka uygulamalar için de kullanılabilir:

 Bir projenin ekonomik fizibilitesini belirlemek.  Proje alternatifleri arasında değerlendirme yapmak.  Projenin maliyetini, planlamasını ve kontrolünü sağlamak.

2.3.3. Maliyet Tahminlerinin Doğruluğu

Herhangi bir tahminin doğruluğu tercihen öncelikle tahmin edilen zamanda elde edilebilen veri boyutuna bağlıdır. Verilerin miktarı ve spektrumu, projenin süresi boyunca geliştikçe doğruluk artmaktadır. Sonuç olarak tahmin doğruluğunun, elde edilebilir verilerin bir fonksiyonu olduğu ve iyi tahmin uygulamasının ve deneyimli personelin, tahmin doğruluğu üzerinde etkilerinin olduğu görülmektedir. Liu ve Zhu [92], inşaat maliyetlerinin kesin tahmininin çoğunlukla tam tarihsel maliyet verilerinin elde edilebilirliğine ve diğer faktörler arasındaki mesleki deneyim düzeyine bağlı olduğunu belirterek önceki konsepti güçlendirmiştir. İnşaat projesinin erken safhasında elde edilen küçük veriler, mimarın, tasarım, planlama ve inşaatın geliştirilmesiyle ortaya çıkamayan proje tasarımının ayrıntılarıyla ilgili varsayımlar sunması gerektiğini gösterebilir.

Önceki kavramlara göre tahminin doğruluğu ile projenin zaman aşamaları arasındaki ilişki, proje aşamaları boyunca öngörülebilir hata yüzdesini gösteren Şekil 2.3'te görülebilir. Gösterildiği gibi, proje süresi daha gelişmiş olduğunda bu, proje maliyetindeki hata oranını azaltmaya yol açmaktadır. Dahası, pozitif hata eğrisi, negatif hata eğrisi ile aynı değildir çünkü proje bütçesini tahmin edilenden daha fazla artırma fırsatı, azalmadan daha önemlidir. Bunun nedeni, proje için malzeme, plan veya benzeri fiyatlarının artırma olasılığının azalmadan daha fazla olmasının yaygın olmasıdır.

Şekil 2.3. Zaman ve tahmin doğruluğu arasındaki ilişki

Gerekli doğruluk, verilerin, zamanın ve mevcut kaynakların (insanlar, ekipman ve fonlar) kullanılabilirliği ve metodolojinin veya algoritmanın tahmini ile doğrudan

ilişkilidir. Dört konuda yaşanan değişim, klasik tahminin çelişkisini tanımlamaktadır [93]:

 Tahminin doğruluğu arttıkça gerekli veri miktarı da artmaktadır.

 Veri gerekliliği arttıkça tahmini elde etmek için gereken süre de artmaktadır.  Tahmini geliştirmek için gereken kaynak miktarı arttıkça tahmin maliyeti de

artmaktadır.

 Harcanan para miktarı arttıkça kaynakları, süreyi, verileri ve doğruluğu azaltmak için gereken baskı miktarı da artmaktadır.

Maliyet tahminlerinin doğruluğunu etkileyen faktörler:

Başarılı bir projenin en önemli faktörlerinden biri, bu doğruluğu etkileyen birçok faktörü etkileyebilecek doğru bir tahminin hazırlanmasıdır. Yong ve Mustaffa [94], müşterilerinin mali kapasitesinin, Malezya'da bir inşaat projesinin başarısı için önemli bir faktör olduğunu görmüştür. Endüstri katılımcılarının üç grubu, “proje paydaşı faktörlerinin”, inşaat projesinin başarısını sağlamak için gerekli olan verimlilik, işbirliği, problem çözme, taahhüt ve iletişim gibi proje paydaşları olduğunu açıklamıştır. Kaynak kullanılabilirliği ve hava durumu faktörleri, inşaat projesinin başarısına katkıda bulunmada en önem rol oynayan dış etkenlerdir.

Halbuki Odeyinka ve Lowe [95], Birleşik Krallık müşterilerinin, ilk tasarımı, sert havayı, işte mühendis değişimini, işgücü kıtlığını, azalar üretim hedefini, varyans/gün işlerinin onaylanmasının gecikmesini, kurumlar ile yaşanan sorunları, projenin karmaşıklığının hafife alınmasını, hata tahminini ve eksik değerlendirmeyi değiştiren anahtar faktörler olduğunu keşfetmiştir.

2.3.4. Maliyet Tahmin Yöntemi Türleri

Bina maliyet tahminlerini sınıflandırmanın birçok yolu Popescu vd. tarafından belirtilmiştir. [96]. Bu faktörlerin en önemlileri, proje tanımının derecesi, nihai kullanım değerlendirmesi ve tahminin oluşturulması için gereken metodolojidir. İlk kategorizasyon, yani proje tanımlama derecesi, mimari mühendislik tasarımlarının oranına bağlıdır. Tahminciye sunulan giriş bilgilerini belirler. İkinci kategorizasyon,