Makine öğrenimi tekniklerini kullanarak inşaatta risk tabanlı maliyet tahmini
Risk-based cost estimation in construction by employing machine learning techniques
- Tez No: 938639
- Danışmanlar: PROF. DR. GÜL POLAT TATAR
- Tez Türü: Doktora
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapı Mühendisliği Bilim Dalı
- Sayfa Sayısı: 114
Özet
İnşaat sektörü, sıklıkla maliyet aşımı sorunları yaşayan sektörlerden biridir. Bu nedenle, inşaat projelerinin tamamlanma maliyetinin doğru bir şekilde tahmin edilmesi büyük önem taşımaktadır. Ek olarak, pek çok sektörde olduğu gibi inşaat sektöründe de kalite standartları gereği risk analizleri yapılmakta ve bu analizler inşaat süresi boyunca güncellenerek devam etmektedir. Risk analizleri sonunca oluşma ihtimali öngörülen tüm risklerin olasılık ve etki değerleri belirlenmekte ve sonuç olarak risk skorları hesaplanmaktadır. Bu risk skorları her ne kadar bazı projelerde güvenlik tutarları olarak maliyetlere yansıtılmaya çalışılsa da genellikle inşaat tamamlanma maliyetlerine organik bir bağ ile bağlı değillerdir. Riskleri dikkate alarak maliyet tahmini yapmak, tüm inşaat projeleri için hayati bir konudur. Birçok araştırma çalışması, maliyet tahmini, inşaat risk parametreleri ve bunların mali etkilerine odaklanmaktadır. Bu çalışmalar, proje tamamlanma maliyetleri için önemli tahmin modelleri geliştirmiş olmakla birlikte, genellikle inşaatın başlangıç aşamalarına ve ihale maliyeti üzerine yoğunlaşmaktadır. Ancak, projenin başlangıç aşamalarında ayrıntılı bilgilere ulaşmak zordur. Ancak, inşaat projelerinin erken aşamalarında tamamlanma maliyetini doğru tahmin etmek kritik olsa da, inşaat projelerinin doğasında bulunan riskler nedeniyle maliyet aşımı neredeyse kaçınılmazdır. Dolayısıyla, tamamlanma maliyeti, uygulama aşaması boyunca değişkenlik göstermekte ve periyodik güncellemeler gerektirmektedir. Mevcut çalışmaların yalnızca sınırlı bir kısmı, projelerin uygulama aşaması boyunca tamamlanma maliyetini tahmin etmeye yönelik metodolojiler geliştirmiştir. Bunun temel nedenlerinden biri, proje uygulama aşamasına ilişkin yeterli verinin bulunmaması veya olan veriye ulaşmanın güçlüğüdür. Çünkü teklif aşaması maliyetleri ya da inşaat tamamlanma maliyetini paylaşmak proje ekibi tarafından daha mümkün iken, proje devam süresince periyodik olarak hesaplanan güncel tamamlanma maliyetini paylaşmak pek olası değildir. Varolan modeller de toplam risk skorlarının etkilerini içermemektedir. Bu çalışmanın önemi, gerçek yaşam verilerini kullanarak proje uygulama aşaması maliyetine odaklanması ve profesyonellere risk içeren bir maliyet tahmin modellerini makine öğrenmesi yöntemleri ile sunmasıdır. Öte yandan, riskler proje boyunca değerlendirilmekte olup, risklerin olasılığı ve etkisi uygulama aşamasında değişim göstermekte ve tamamlanma maliyet aşım oranları bu değişen risk skorlarına bağlı olarak dalgalanmaktadır. Ayrıca, proje ilerledikçe bazı riskler ortaya çıkarken bazıları ortadan kalkmakta ve bu risklerin potansiyel maliyet aşımı etkilerini bireysel olarak öngörmek zorlaşmaktadır. Risk kayıtlarının, sözleşme maddelerinde ele alınmayan ve maliyet tahmin süreçlerinden dahil edilmeyen durumları içerdiği unutulmamalıdır. İnşaatın uygulama aşaması boyunca risk temelli maliyet tahmini konusunun daha ayrıntılı incelenmesi başarılı bir maliyet tahmini için hem gerekli hem de faydalıdır. Uygulama aşamasında değişkenlik gösteren risk skorlarını ve bunların toplam maliyet üzerindeki etkilerini dikkate alan hızlı ve kullanıcı dostu bir tamamlanma maliyeti tahmin modeline ihtiyaç duyulmaktadır. Model, yeni biriken verileri periyodik olarak entegre edebilecek şekilde uyarlanabilir olmalıdır. Makine öğrenmesi teknikleri, dinamik sistemlere yönelik etkili çözümler sunarak bu gereksinimleri karşılayabilir. Bu çalışmayı önceki risk bazlı maliyet tahmin çalışmalarından ayıran temel özellikler aşağıdaki şekilde özetlenebilir: •Yapılan pek çok maliyet tahmin çalışmalarının aksine, sadece proje başlangıç ve ihale aşamasında değil, projenin yürütme aşamasından bitimine kadar uygulanabilecek bir model sunulmuştur. Bu model yine proje yürütme aşamasındayken üretilen toplam risk skoru ve toplam tamamlanma maliyeti verileri ile değerlendirilmiş ve geçerliliği bu tez kapsamında açıklanmıştır. •Kalite standartları gereği pek çok sektörde olduğu gibi inşaat sektöründe de periyodik olarak üretilen risk değerlendirme raporlarının toplam risk skoru değerleri, sözleşmeler, ekler veya güvenlik katsayısı şeklinde dahil edilmeyen durumların özeti olarak inşaat tamamlanma maliyeti ile ilişkilendirilmiştir. •İnşaat projelerinin yürütme aşamasının yoğunluğu ve hızı bilinmektedir. Bu dönemde yapılacak her türlü çalışmanın en kullanıcı dostu vee n Pratik şekilde sonıuç vermesi beklenmektedir. Bu nedenle önderilen model çok az iş gücü gerektirmektedir. Bütçe planlamacıları ya da proje yöneticileri tarafından kolaylıkla uygulanabilecek şekilde tasarlanmıştır. •Sunulan yöntem makine öğrenmesi tabanlıdır. Bunun ana sebebi istatistik yöntemleriyle elde edilebilecek ilişkisellik ve neden sonuçtan ziyade, tahmin yeteneği yüksek bir model sunma ihtiyacıdır. Makine öğrenmesi algoritmaları ile sunulan model, esnek ve dinamik olduğu gibi, proje yürütme aşamasındayken oluşan her gerçek verinin kolayca eklenmesi ile tahmin gücünü kuvvetlendirmektedir. Bu çalışma kapsamında Önerilen yaklaşım, toplam tamamlanma maliyetini tahmin etmek için makine öğrenmesi tabanlı bir tahmin modelini ve maliyet aşımı yüzdesini sınıflandırmak için bir sınıflandırma modelini içermektedir. Tahmin modellerinde, altı farklı makine öğrenmesi algoritması kullanılmıştır. Bu algoritmalar, doğrusal regresyon 2. ve 4. derece polinom regresyonları, rassal orman, destek vektörü regresyonu ve karar ağacıdır. Sınıflandırma yaklaşımı ise, toplam risk skorlarındaki değişimlere bağlı olarak projenin herhangi bir zamanında maliyet aşımı oranı sınıfını tahmin etmeyi amaçlamaktadır ve bu aşamada da altı farklı sınıflandırma algoritması kullanılmıştır. Bu algoritmalar lojistik regresyon sınıflandırıcısı, K-en yakın komşu, destek vektörü sınıflandırıcısı, Naïve Bayes sınıflandırıcısı, karar ağacı sınıflandırıcısı ve rassal orman sınıflandırıcısıdır. Tahmin ve sınıflandırma modellerinin analiz sonuçları, küresel ölçekte faaliyet gösteren bir inşaat şirketinden elde edilen verilerle geçerleme ve performans ölçütleri kullanılarak değerlendirilmiş ve polinom regresyonun tahmin modellerinde karar ağacı sınıflandırıcısı da sınıflandırma modellerinde gerçeğe en yakın sonuçları vererek diğer algoritmalardan daha başarılı olduğu belirlenmiştir. Bu çalışma kapsamında önerilen yöntemin bir takım avantajları ve dezavantajları bulunmaktadır. Bu yaklaşımın temel avantajı, projelerin erken aşamalarında kolaylıkla uygulanabilmesidir. Bu durum, daha önce tamamlanmış projelerin toplam maliyet ve toplam risk skoru verilerinin kullanılmasıyla sağlanmaktadır. Ayrıca, güncellenmiş maliyet ve toplam risk skoru verileriyle, uygulama aşamasındaki projelere istenildiği zaman uyarlanabilir veya modifiye edilebilir. Önerilen yaklaşım, maliyet tahmin süreçlerinden hariç tutulan ve genellikle risk kayıtlarında değerlendirilen risklerin finansal etkilerini de kapsamaktadır. Bununla birlikte, önerilen modelin uygulanması basittir, çünkü kırılımlar yerine toplam maliyet ve toplam risk skorları kullanılmaktadır. toplam maliyet ve toplam risk skorlarının alt bileşenler yerine kullanılmasının avantajları şu şekilde özetlenebilir: •Kolay uygulanabilirlik: Her proje için tutulan risk kayıtlarını kullanarak kümülatif risk skorlarını hesaplamak önemli bir zorluk teşkil etmemektedir. Kırılımlar yerine toplam değerler üzerinden gitmek uygulama kolaylığı sağlamaktadır. •Maliyet dağılımı standartlaştırma gereksiniminin ortadan kalkması: Toplam maliyetin bir faktör olarak dahil edilmesi, maliyet bileşenlerinin standartlaştırılmasını zorunlu kılmamaktadır. Farklı projelerde farklı alt kırılımlar kullanılabilmekte, direk ve endirek harcama ayrımlarını projeler arası standartlaştırma zorlaşabilmektedir. Önerilen yöntemle bu standartlaştırmaya gerek kalmadan sadece toplam tamamlanma maliyetine konsantre olmak yetmektedir. •Sonraki projeler için sürdürülebilir sonuçlar: Toplam maliyet ile toplam risk faktörü arasındaki tutarlı bir ilişki kurulması, benzer projelere kolaylıkla uygulanabilecek daha anlamlı sonuçlar elde edilmesini mümkün kılmaktadır. Yaklaşımın bir diğer avantajı, maliyet aşımı oranı sınıflandırmalarının, maliyet artışlarının ciddiyetini net bir şekilde anlamayı sağlamasıdır. Buna ek olarak, yöneticiler, toplam maliyetin beklenen yüzde artışına bağlı olarak bir risk azaltma eylem planı geliştirebilirler. Risk skorlarına dayalı toplam tamamlanma maliyetinin tahmin edilmesi, projenin uygulama aşamasında risk odaklı öngörülerin hızlı bir şekilde üretilmesini de sağlamaktadır. Öte yandan önerilen yaklaşım çerçevesinde iyileştirilme potansiyeli taşıyan bazı sınırlamalar göz önünde bulundurulabilir. İlk olarak, toplam risk skorunun hesaplanmasını projeden projeye değiştirebilecek risk algısı farklılıkları bulunmaktadır. Ayrıca, maliyet aşımı oranı, projenin özelliklerine bağlı olarak farklı şekilde kategorize edilebilir. Benzer şekilde, her şirket, proje türü ve organizasyonel dinamiklerden etkilenerek risk olasılığı ve etkisini farklı ölçeklerde değerlendirebilir ve verilerinin doğasına bağlı olarak farklı makine öğrenmesi algoritmaları kullanabilir. Bununla birlikte, her proje, risk ve maliyet verilerini güncelledikçe eşdeğer miktarda veri üretmektedir. Dolayısıyla, mevcut veri miktarı açısından bir kısıtlama söz konusu olabilir. Ayrıca, uygulama aşamasında bir inşaat projesinin risk ve maliyet güncellemelerini almak, ihale maliyeti veya proje sonunda tamamlanma maliyeti verilerini elde etmekten daha zordur. Son olarak, bu çalışmada veriler üzerinde en iyi performansı gösteren algoritmalar ilgili veri özelliklerine göre iyi tahmin sonuçları vermiştir. Bu nedenle, algoritma ve parametre seçimleri, verinin özgül niteliklerine bağlı olarak belirlenmelidir ve güncel çalışmalarda algoritmaların veriyi ezberleme durumundan kaçınılmalıdır. Analizler, en ilgili bileşenleri incelemek amacıyla maliyet ve/veya risk kırılım yapıları kullanılarak geliştirilebilir. Ayrıca, büyük veri kümelerini daha etkin bir şekilde işleyebilen alternatif makine öğrenmesi yöntemleriyle geniş veri setleri analiz edilebilir. Bunun yanı sıra, konut ve ağır altyapı projeleri dışında farklı inşaat proje türlerinin incelenmesi faydalı olabilir. Bu sınırlamalar, farklı şirketler arasında ve alternatif makine öğrenmesi algoritmaları kullanıldığında sonuçların değişmesine neden olabilmektedir. Sonuç olarak bu çalışmanın temel amacı, projelerin uygulama aşamasının herhangi bir noktasında toplam risk skoruna dayalı olarak toplam tamamlanma maliyetini ve/veya maliyet aşımı yüzdesini tahmin eden bir sistem geliştirmektir. Risk algısı, veri toplama kısıtları ve veri özelliklerine uygun makine öğrenmesi algoritmalarının seçimi gibi bazı araştırma sınırlamaları bulunmasına rağmen, bu çalışma, değişen toplam risk skorlarına dayalı olarak tamamlanma maliyetini ve maliyet aşımı oranını tahmin ederek inşaat yöneticilerinin planlama yeteneklerini geliştirmekte ve projelerin uygulama sürecinin herhangi bir aşamasında hızlı ve kolay değerlendirmeler yapmalarına ve risk azaltma eylem planı geliştirmelerine olanak tanımaktadır.
Özet (Çeviri)
The construction industry is one of the sectors that experiences frequently cost overruns. Therefore, precise cost estimation for the completion of construction projects is essential. Several research studies focus on cost estimation, construction risk parameters, and their monetary effects. While they developed significant predictive models for project completion costs, they mainly focused on the initial construction phases. Estimating the completion cost accurately in the early phases of construction projects is critical to their success. However, cost overruns are almost inevitable due to the risks inherent in construction projects. Hence, the completion cost fluctuates throughout the execution phase and requires periodic updates. Limited studies have developed methodologies for estimating completion costs throughout the execution phase of projects. However, their models do not incorporate the implications of total risk scores. Further study is required to examine risk-based cost prediction for completion throughout the construction execution phase. There is a need for a prompt and user-friendly completion cost estimation model that accounts for fluctuating risk scores and their impact on the total cost during the execution phase. Machine learning (ML) techniques could address these requirements by providing effective methods for tackling dynamic systems. The proposed approach includes ML prediction and classification models to estimate total completion cost and cost overrun percentage class of the project, respectively. Within the predictive models, six predictive algorithms were utilized, employing machine learning techniques. Analysis of the outputs revealed that polynomial regression yielded the most precise predictions for the supplied data from globally operating construction company. The classification approach aims to predict the cost overrun ratio classes of the completion cost according to the changes in the total risk scores at any time of the project. Six classification algorithms were utilized and validated by employing data points from a globally operating construction company. The performances of the algorithms were evaluated with validation and performance indices. The decision tree classifier surpassed other algorithms. The main objective of this study is to provide a system that predicts the total completion cost and/or cost overrun percentage classification based on the total risk score of projects at any point of the execution phase. Although there are some research limitations, including risk perception, data gathering restrictions, and selecting proper ML algorithms upon data properties, this research improves the planning abilities of construction executives by providing completion cost and cost overrun ratio based on changing total risk scores, facilitating swift and simple assessments at any stage of a construction project's execution.
Benzer Tezler
- Yapım sektöründe yalın proje teslim sistemine entegre edilebilecek endüstri 4.0 teknolojileri ve yapı uzmanlarının bakış açısı
Industry 4.0 technologies that can be integrated into the lean project delivery system in the construction sector and the perspective of the construction sector experts
KÜBRA TOPRAK
- Makine öğrenimi tekniklerini kullanarak kalp hastalığı tahminleri
Heart disease predictions utilizing machine learning technique
MİNA KARAÇAY
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiMatematik Ana Bilim Dalı
DOÇ. DR. MUTLU AKAR
- Windows os vulnerability classification using machine learning techniques
Makine öğrenimi tekniklerini kullanarak windows işletim sistemi güvenlik açığı sınıflandırması
NOORALHUDA ABDULHASAN HADI AL-SARRAY
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SAİT DEMİR
- Makine öğrenimi tekniklerini kullanarak konuşma duygularını tanıma
Speech emotion recognition using machine learning techniques
ÜLKÜ BAYRAKTAR
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZEYNEP HİLAL KİLİMCİ
- A medical decision making system for brain tumor identification from magnetic resonance images using machine learning techniques
Makine öğrenimi tekniklerini kullanarak manyetik rezonans görüntülerinden beyin tümörünün belirlenmesi için tıbbi karar verme sistemi
ZAHRAA ABD AL RAHMAN MOHAMMED AL SAFFAR
Doktora
İngilizce
2021
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLAY YILDIRIM