Geri Dön

Mekansal-zamansal makine öğrenimi modeli ile risk bilgili inşaat ilerleme tahmini

Risk-informed construction progress forecasting with spatio-temporal machine learning model

PDF İndir

  1. Tez No: 900906
  2. Yazar: FATEMEH MOSTOFI
  3. Danışmanlar: Prof. Dr. VEDAT TOĞAN, DOÇ. DR. ONUR BEHZAT TOKDEMİR
  4. Tez Türü: Doktora
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Karadeniz Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışma inşaat ilerleme tahmini için mekansal-zamansal makine öğrenimi (ML) modellerinin ilk uygulaması olup planlamada kullanılan ağ tabanlı yöntemlerin ML modellerinde yansıtılamayan boşluklarını ele almaktadır. Mevcut zamansal ML modelleri kısa dizilimli yüksek frekanslı inşaat aktivitelerinde zorlanmakta bu da tahmin doğruluğunu sınırlamaktadır. Bu zorlukları aşmak için çalışmada 40 adet mekansal-zamansal model değerlendirilmiş bunlardan GatedGNN tabanlı 14 model en doğru ve dayanıklı olarak belirlendi. Çalışmada 175 haftalık inşaat ilerleme raporlarından elde edilen 2 milyondan fazla kayıttan oluşan bir veri kümesi kullanıldı. GatedGNN, GatedGNN-RNN ve GatedGNN-GRU modelleri diğerlerinden daha iyi performans göstererek maliyet ve takvim performans göstergelerinde %80 ile %95 arasında doğruluk elde etmiştir. Çalışmada veri kalitesi sorunları veri zehirlenmesi, etiket değiştirme ve özellik manipülasyonu gibi saldırılar olarak modellenerek modellerin dayanıklılıkları da test edildi. GatedGNN modelleri bu saldırılar altında doğruluklarını %80'in üzerinde korumuştur ancak küçük veri kümelerinde FGSM saldırısı doğruluğu düşürmüştür. Öne çıkan modeller proje yöneticilerinin sonuçları daha iyi tahmin etmelerine ve stratejik kararlar almalarına yardımcı olabilmektedir.

Özet (Çeviri)

This study represents the first application of spatio-temporal machine learning (ML) models for construction progress prediction, addressing gaps where network-based methods used in planning cannot be reflected in ML models. Existing temporal ML models struggle with short-sequence, high-frequency construction activities. To overcome these challenges, 40 spatio-temporal models were evaluated, and among them, 14 GatedGNN-based models were identified as the most accurate and robust. The study utilized a dataset comprising over 2 million records obtained from 175 weeks of construction progress reports. The GatedGNN, GatedGNN-RNN, and GatedGNN-GRU models outperformed others, achieving accuracies between 80% and 95% in cost and schedule performance indicators. Data quality issues were modeled like data poisoning, label flipping, feature manipulation, and FGSM attacks. The GatedGNN models-maintained accuracy above 80% under these attacks; however, in small datasets, FGSM attacks reduced accuracy. The prominent models can assist project managers in better predicting outcomes and making strategic decisions.

Benzer Tezler

  1. Tez No

    847173

    Fake news classification using machine learning and deep learning approaches

    Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması

    SAJA ABDULHALEEM MAHMOOD AL-OBAIDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR

  2. Tez No

    919024

    A comprehensive analysis of Turkish sea level changes and future modeling using machine learning methods

    Türk deniz seviyesi değişikliklerinin kapsamlı analizi ve makine öğrenimi yöntemleriyle gelecek modellemesi

    ELİF KARTAL

    Doktora

    İngilizce

    İngilizce

    2024

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDÜSSELAM ALTUNKAYNAK

  3. Tez No

    944673

    Multi-scale rainfall predictions using data-driven models with advanced data preprocessing techniques

    Gelişmiş veri ön işleme teknikleriyle veri odaklı modeller kullanarak çok ölçekli yağış tahminleri

    KÜBRA KÜLLAHCI

    Doktora

    İngilizce

    İngilizce

    2025

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    PROF. DR. ABDÜSSELAM ALTUNKAYNAK

  4. Tez No

    995477

    A novel approach to house price prediction using segmented bayesian optimization based ensemble models

    Segmentasyon ile bayes optimizasyon tabanlı ensemble modelleri kullanarak ev fiyatları öngörüsüne yeni bir yaklaşım

    ARTUN PINAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Büyük Veri ve İş Analitiği Ana Bilim Dalı

    DOÇ. DR. TUNCAY ÖZCAN

  5. Tez No

    921305

    Investigation of crustal deformation related to the earthquake cycle in the Alpine-Himalayan belt using INSAR

    Alp-Himalaya Kuşağı'nda deprem döngüsüyle ilişkili kabuk deformasyonunun INSAR yöntemiyle incelenmesi

    TOHID NOZAD KHALIL

    Doktora

    İngilizce

    İngilizce

    2025

    Jeoloji Mühendisliğiİstanbul Teknik Üniversitesi

    Jeoloji Mühendisliği Ana Bilim Dalı

    PROF. DR. ZİYADİN ÇAKIR

    PROF. DR. SEMİH ERGİNTAV

Geri Dön