Using machine learning technigues for early cost prediction of structural systems of buildings

Abstract

Adı-Soyadı: Sevgi Zeynep DOĞANOkul: İzmir Yüksek Teknoloji EnstitüsüAnabilim Dalı: MimarlıkProgramı: Mimarlık (Doktora)Tez Başlığı: Otomatik Öğrenme Teknikleriyle Binaların StrüktürelSisteminin Erken Maliyet TahminiÖZETMaliyet tahmini, yapım projesinin tasarım sürecine ait erken evre için çokönemlidir. Bu çalışmada, otomatik öğrenme tekniklerinden ikisinin, yapay sinirağları (YSA) ve vaka tabanlı gerekçeleme (VTG)'nin, bina tasarım sürecinin erkenevresinde yapılan maliyet tahmini için uygunluğu ve başarısı araştırılmıştır. HemYSA hem de VTG'nin elektronik tablo simülasyonları geliştirilmiş ve maliyet tahminmodelleri oluşturulmuştur. İnşaa edilmiş konut projelerine ait maliyet verisimodellerin örnek uygulamasında kullanılmıştır. Çeşitli ağırlık üretim yöntemlerininYSA ve VTG modellerinin tahmin doğruluğu üzerindeki etkisi konut projelerine aitmaliyet tahmini örneğinde araştırılmıştır. YSA için geriye yayılma eğitiminealternatif olarak, genetik algoritmalar ve simpleks optimizasyonu metodu; VTG içinise özellik sayma, genetik algoritmalar ve gradyan iniş metodları ile kararağaçlarından türetilen üç farklı yöntem kullanılmıştır. YSA modeli ağ ağırlıklarınınbelirlenmesinde simpleks optimizasyonunu kullandığında %96 başarı oranı; VTGmodeli özelliklerin ağırlıklarını genetik algoritmaları kullanarak seçtiğinde %84başarı oranı yakalamıştır.YSA ve VTG'nin elektronik tablo şeklinde geliştirilen maliyet tahminmodelleri işlem öncesi çaba, açıklanabilirlik değeri, doğruluk oranı, gelişmepotansiyeli ve kullanım kolaylığı açısından karşılaştırılmıştır. Modellerin elektroniktablo simülasyonları şeklinde geliştirilmiş olması modellerdeki ağırlık üretimdeğişiklilerini yapabilmek için esneklik sağlamış ve modellerinin daha fazla gelişimineolanak vermiştir.

Name: Sevgi Zeynep DOĞANSchool: İzmir Institute of TechnologyDepartment: ArchitectureMajor: Architecture (Doctorate)Title of Thesis: Using Machine Learning Techniques for Early Cost Predictionof Structural Systems of BuildingsABSTRACTIt is desirable to predict construction costs in the early design stages in orderto make sure that target costs are met and competitive prices are realized. This studyinvestigates the possibility of predicting the cost of construction early in the designphase by using machine learning (ML) techniques. To achieve this objective, artificialneural network (ANN) and case based reasoning (CBR) prediction models weredeveloped in a spreadsheet-based format. An investigation of the impacts of weightgeneration methods on the ANN and CBR models was conducted. The performanceof the ANN model was enhanced by experimenting with the weight generationmethods of simplex optimization, back propagation training, and genetic algorithmswhile the CBR model was augmented by feature counting, gradient descent, geneticalgorithms (GA), decision tree methods of binary-dtree, info-top and info-dtree.Cost data belonging to the superstructure of low-rise residential buildingswere used to test these models. It was found that both approaches were capable ofproviding high prediction accuracy, 96% for ANN using simplex optimization forweight determination, and 84% for CBR using GA for attribute weight selection. Acomparison of the Excel-based ANN and CBR models was made in terms ofprediction accuracy, preprocessing effort, explanatory value, improvement potentialsand ease of use. The study demonstrated the practicality of using spreadsheets indeveloping ANN and CBR models for use in construction management as well as thepotential benefits of enhancing ANN and CBR models by using different weightgeneration methods.