Geri Dön

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

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

  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: 237

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. 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. Aiding agricultural practices with the exploration of earth observation data via machine learning

    Yer gözlem uydu verilerinin tarımsal uygulamalara yardımcı olmak amacıya makine öğrenme algoritmaları ile incelenmesi

    MEHMET FURKAN ÇELİK

    Doktora

    İngilizce

    İngilizce

    2023

    Jeodezi ve Fotogrametriİstanbul Teknik Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. ESRA ERTEN

  3. District-based urban sprawl monitoring and modelling using CA-Markov model: application in two mega cities

    İlçe bazlı kentsel yayılma izleme ve CA-Markov model ile modelleme: iki mega şehirde uygulama

    ANALI AZABDAFTARI

    Doktora

    İngilizce

    İngilizce

    2022

    İletişim Bilimleriİstanbul Teknik Üniversitesi

    İletişim Sistemleri Ana Bilim Dalı

    PROF. DR. AYŞE FİLİZ SUNAR

  4. Machine learning of social media data on a spatio-temporal basis

    Sosyal medya verilerinin zaman-mekansal temellere göre makine öğrenimi

    BÜŞRA YEŞİLBAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. TANKUT ACARMAN

  5. Burned forest area mapping from post-fire sentinel-2 imagery using object-based machine learning classification

    Nesne-tabanlı makine öğrenimi sınıflandırması kullanarak yangın sonrası sentinel-2 görüntülerinden yanmış orman haritalama

    FİDAN ŞEVVAL BULUT

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Jeodezi ve FotogrametriHacettepe Üniversitesi

    Geomatik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA TÜRKER