Geri Dön

Konut projelerinde ön tasarım aşamasında kaba inşaat maliyetlerinin yapay sinir ağları ile tahmin edilmesi

Estimation of rough construction costs in the preliminary design phase of residential projects using artificial neural networks

PDF İndir

  1. Tez No: 992261
  2. Yazar: BOĞAÇHAN ŞERBETCİOĞLU
  3. Danışmanlar: DOÇ. DR. FATMA PINAR ÇAKMAK
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mimarlık, Architecture
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Mimarlık Ana Bilim Dalı
  12. Bilim Dalı: Proje ve Yapım Yönetimi Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Dünya genelinde nüfus artışı ve şehirleşmenin hız kazanması, konut ihtiyacının her geçen gün daha da yükselmesine neden olmuş, bu durum inşaat projelerinde büyük ölçekli projelerin yaygınlaşmasını sağlamıştır. TUİK verilerine göre 2024 yılı Kasım ayında bina inşaatı sektörü endeksi bir önceki yılın aynı ayına göre %14,3 artarken, bina dışı yapıların inşaatı sektörü endeksi %8,3 artmıştır. Ancak inşaatın ekonomideki payı son beş yılda yüksek maliyetler sebebiyle yaklaşık %7,5'ten %4,8'e gerilemiştir. Konut projelerindeki bu büyüme ve yüksek malzeme tutarları, maliyet yönetimini daha da karmaşık hale getirmiş ve ön tasarım aşamasında maliyet tahmini yapmanın önemini artırmıştır. Doğru maliyet tahmini, yatırımcılar ve proje yöneticileri için kritik bir karar verme aracı olup, bütçenin sağlıklı bir şekilde oluşturulmasını sağlarken, ilerleyen süreçlerde karşılaşılabilecek finansal riskleri minimize etmeye yardımcı olmaktadır. Ancak, konut projelerinde maliyet tahminini zorlaştıran birçok değişken bulunmaktadır. Yapının büyüklüğü, zemin koşulları, temel sistemi, projenin süresi, tipik kat sayısı, döşeme tipi, yapının çekirdek konumu, yapı yüksekliği ve teknik detaylar gibi unsurlar, projenin nihai maliyetini doğrudan etkilemektedir. Bu nedenle, erken aşamalarda yapılan tahminlerin doğruluğu, projenin başarısı açısından büyük önem taşımaktadır. Bu süreçte kullanılan geleneksel maliyet tahmin yöntemleri, büyük ölçüde uzman görüşüne dayalı olup, sürecin karmaşıklığı ve değişkenlerin fazlalığı nedeniyle hata payı yüksek olabilmektedir. Maliyet tahmin yöntemlerinin, farklı kaynaklarda çeşitli sınıflandırmalarla ele alındığı görülmektedir. Bu sınıflandırmalar, araştırmacıların yöntemlere bakış açılarına ya da dönemin teknolojik gelişmelerine bağlı olarak, kavramsal temelli veya teknoloji odaklı biçimlerde yapılabilmektedir. Maliyet tahmin yöntemleri nitel ve nicel olarak iki ana başlıkta incelenmekte olup; nicel yöntemler ayrıca birçok alt başlıkta sınıflandırılmaktadır. Nicel maliyet tahmininde istatistiksel yöntemler temel olarak iki farklı biçimde uygulanmaktadır. Birinci yöntem, geçmiş projelere ait maliyet verilerinden istatistiksel olarak çıkarılan ortalama maliyet değerleri kullanılarak benzer projelerin maliyetlerinin tahmin edilmesidir; bu yaklaşıma tarihsel istatistik veri temelli maliyet tahmini denilebilir. İkinci yöntem ise maliyet verileri arasındaki ilişkilerin istatistik ve matematiksel modeller aracılığıyla tanımlanması esasına dayanır. Bu yönteme ise istatistiksel modele dayalı maliyet tahmini veya parametrik maliyet tahmini yöntemi adı verilmektedir. Bunlarla birlikte nicel yöntemler tarihsel istatistiksel veri temelli maliyet tahmini, alan ve hacim temelli maliyet tahmini, birim fiyat temelli maliyet tahmini, vaka temelli maliyet tahmini, parametrik maliyet tahmini, bulanık mantık temelli maliyet tahmini, genetik algoritma temelli maliyet tahmini ve bunun gibi birçok alt başlıkta sıınıflandırılabilir. Günümüz rekabetçi inşaat projelerinde, maliyet tahmini süreçlerinin optimize edilebilmesi, hızlı ve güvenilir sonuçlar üretilebilmesi için Yapay Zeka teknolojileri kullanılmaktadır. Bu teknolojilerden en verimlilerinden biri olan Yapay Sinir Ağları (YSA)'nın kullanımı, konut projelerinde maliyet tahmin sürecini daha etkin hale getirmek için önemli bir fırsat sunmaktadır. YSA, büyük veri setlerini işleyerek çok sayıda değişkeni analiz edebilmekte ve yüksek doğrulukta sonuçlar üretebilmektedir. Geleneksel yöntemlerin aksine, tarihsel verilerden öğrenerek maliyet tahmini yapabilmekte ve sürekli olarak kendini güncelleyerek daha güvenilir tahminler sunabilmektedir. Bu çalışma kapsamında, yapay sinir ağlarının yapım projelerindeki kullanımları araştırılmış ve konut projelerinin ön tasarım aşamasında kaba inşaat maliyetinin tahminini yapabilmek için bir maliyet tahmin modeli oluşturulmuştur. 8 ana parametre kapsamlı literatür taraması ile birlikte inşaat projelerinde satın alma, proje yönetimi ve tedarik yönetimi birimlerinden 6 farklı sektör profesyoneli ile yapılan görüşmeler sonucu seçilmiştir. Sektör profesyonellerinin seçimleri birbirlerine etki etmemesi için görüşmeler ayrı ayrı yapılmıştır. Literatür taraması ve görüşmeler sonucu seçilen parametreler yapının toplam alanı, zemin kat alanının toplan alana oranı, tipik kat alanının toplam alana oranı, kat sayısı, yapı yüksekliği, temel sistemi, döşeme tipi ve yapı çekirdeğini konumu olacak şekilde 8 ayrı başlıkta incelenmiştir. Seçilen parametrelerin seçildiği kaynaklar çizelge olarak gösterilmiştir. Ardından 48 farklı konut projesinin veri seti inşaat firmaları tarafından toplanmıştır. Modelin daha başarılı bir tahmin yapabilmesi için Python ortamında veri artırma ve sentetik veri üretimi yöntemi kullanılarak istatistiksel dağılımlar korunacak şekilde genişletilerek 250'ye tamamlanmıştır. Geliştirilen yapay sinir ağları tahmin modeli Python 3.13 programı ile oluşturulmuştur. Modelin oluşturulması aşamasında veri okuma, ön işleme, normalizasyon ve analiz işlemleri Python programlama dili kullanılarak gerçekleştirilmiştir. Yapay sinir ağı modelinin tasarlanması, modelin eğitilmesi, test edilmesi ve performansının değerlendirilmesi süreçleri de Python 3.13 sürümü ile uyumlu kütüphaneler aracılığıyla yürütülmüştür. Bu şekilde, hesaplama sürecinin sistem içerisinde, tekrar edilebilir ve güvenilir bir şekilde gerçekleştirilmesini sağlamıştır. Model sonuçlarının başarısını analiz edebilmek için 4 farklı metrik değeri hesaplanmış ve incelenmiştir. Bu metrikler R² (Determinasyon Katsayısı), RMSE (Root Mean Squared Error / Kök Ortalama Kare Hatası), MSE (Mean Absolute Error / Ortalama Mutlak Hata) ve MAE (Mean Absolute Error / Ortalama Mutlak Hata) değerleridir. R², modelin tahmin ettiği kaba inşaat maliyetlerinin, gerçek maliyetlerdeki değişimi ne ölçüde açıkladığını gösteren istatistiksel bir ölçüttür. Değerin 1'e yaklaşması, modelin açıklayıcılık gücünün ve tahmin başarısının yüksek olduğunu ifade etmektedir. Bu değer denklem 3.2 ile 0.9143 olarak hesaplanmıştır. RMSE, bu çalışmada geliştirilen yapay sinir ağı maliyet tahmin modelinin, ön tasarım aşamasında tahmin ettiği kaba inşaat maliyetleri ile gerçekleşen maliyetler arasındaki ortalama sapma düzeyini nicel olarak gösteren bir performans ölçütünü ifade etmektedir. RMSE değeri denklem 3.3 ile 0,07584 olarak hesaplanmıştır. MSE, bu çalışmada yapay sinir ağı modelinin tahmin ettiği kaba inşaat maliyetleri ile gerçek maliyetler arasındaki farkların karelerinin ortalamasını ifade ederek modelin genel tahmin hatası düzeyini göstermektedir. MSE değeri denklem 3.3 ile 0,00575 olarak hesaplanmıştır. MAE ise model tarafından tahmin edilen kaba inşaat maliyetleri ile gerçekleşen maliyetler arasındaki mutlak farkların ortalamasını ifade ederek, tahmin hatasının ortalama büyüklüğünü doğrudan ve yorumlanabilir bir şekilde ortaya koymaktadır. MAE değeri denklem 3.4 ile 0,18525 olarak hesaplanmıştır. Ayrıca girdi parametrelerinin sonuca etkisini tespit etmek için parametre önem ağırlıkları yapay sinir ağları modeli ile hesaplanmıştır. Önem ağırlıkları incelendiğinde model sonucuna en çok etki eden parametreler sırası ile temel sistemi, döşeme tipi, tipik kat alanının toplam alana oranı, yapı çekirdeğinin konumu, yapı yüksekliği, kat sayısı, yapının toplam alanı ve zemin kat alanının toplam alana oranı olarak tespit edilmiştir. Bu parametrelerin ağırlık oranları ise sırasıyla %22.39, %20.56, %16.72, %12.15, %9.76, %9.71, %6.23 ve %2.48 olarak hesaplanmıştır. Temel sistemi ve döşeme tipi parametreleri proje büyüklüğüne göre değişkenlik gösterdiği ve bu değişkenler arasındaki maliyetin oldukça farklı olması sebebi ile önem ağırlığı en yüksek iki parametre olarak ön plana çıkmaktadır. Sonuç olarak, bu çalışma yapay sinir ağlarının konut projelerinin ön tasarım aşamasında kaba inşaat maliyetlerinin tahmin edilmesi için güçlü ve etkili bir yaklaşım sunduğunu ortaya koymaktadır. Yapay zekâ tabanlı modellerin erken aşamadaki karar verme süreçlerine entegre edilmesiyle, inşaat projelerinde ön tasarım aşamasında daha doğru maliyet tahminleri yapılabilir, finansal riskler azaltılabilir ve proje planlama ile yönetim süreçlerinin genel verimliliğini artırılabilir.

Özet (Çeviri)

The rapid increase in the global population and the acceleration of urbanization have led to a continuous rise in housing demand worldwide. As a result of this growing demand, large-scale residential construction projects have become increasingly widespread, particularly in developing and urbanizing countries. In Türkiye, the construction sector continues to play a significant role in economic development, employment, and urban transformation. According to data published by the Turkish Statistical Institute (TURKSTAT), the building construction sector index increased by 14.3% in November 2024 compared to the same month of the previous year, while the non-building construction sector index rose by 8.3%. Despite these increases, the share of the construction sector in the national economy has declined over the past five years—from approximately 7.5% to 4.8%—primarily due to rising material costs, labor expenses, financing difficulties, and economic volatility. This contraction highlights the growing pressure on construction stakeholders to manage costs more effectively, particularly in residential projects where investment volumes are high and profit margins are increasingly sensitive to cost overruns. The expansion of housing projects combined with escalating material prices has significantly increased the complexity of cost management processes. Under these conditions, accurate cost estimation during the early phases of a project—especially at the preliminary design stage—has become critically important. Early-stage cost estimates serve as a fundamental decision-making tool for investors, developers, and project managers by enabling the formation of realistic budgets, evaluating project feasibility, and minimizing potential financial risks in later stages of the project lifecycle. However, cost estimation in residential construction projects is inherently challenging due to the presence of numerous interrelated variables that directly affect the final construction cost. Factors such as total building area, soil conditions, foundation system, project duration, number of typical floors, slab system, building core location, building height, and various technical and architectural details all play a significant role in determining construction costs. The interaction between these parameters often leads to nonlinear and complex cost behaviors, making it difficult to achieve accurate estimates using traditional approaches. Therefore, the reliability of cost estimates produced during the early design stages is a crucial determinant of overall project success. Traditionally, cost estimation in construction projects has relied heavily on expert judgment and experience-based methods. While these conventional approaches benefit from professional knowledge, they are often subjective and prone to high error margins, particularly in complex projects with numerous influencing variables. The increasing scale and complexity of modern residential developments have further exposed the limitations of traditional estimation techniques. In the literature, construction cost estimation methods have been classified in various ways depending on researchers' perspectives, methodological approaches, and technological advancements of their respective periods. These classifications may be conceptual, methodological, or technology-oriented in nature. Broadly, cost estimation methods are categorized into qualitative and quantitative approaches. Qualitative methods primarily depend on expert opinions and heuristic reasoning, whereas quantitative methods rely on numerical data and mathematical modeling. Quantitative cost estimation techniques can be further divided into several subcategories. In statistical-based cost estimation, two main approaches are commonly used. The first approach involves estimating the cost of new projects based on statistically derived average cost values obtained from historical project data. This method can be described as historical statistical data-based cost estimation. The second approach focuses on identifying and modeling the relationships between cost-related variables using statistical and mathematical models. This method is often referred to as statistical model-based or parametric cost estimation. In addition to these approaches, quantitative cost estimation methods include area- and volume-based cost estimation, unit price-based cost estimation, case-based reasoning methods, parametric models, fuzzy logic-based cost estimation, genetic algorithm-based approaches, and other hybrid techniques. Each of these methods has its own advantages and limitations in terms of accuracy, data requirements, and applicability at different project stages. In today's highly competitive construction environment, there is a growing need for cost estimation methods that can produce fast, reliable, and objective results while effectively handling large datasets and complex variable interactions. In response to these challenges, Artificial Intelligence (AI) technologies have increasingly been adopted in construction cost estimation processes. Among these technologies, Artificial Neural Networks (ANNs) have emerged as one of the most effective tools for modeling complex, nonlinear relationships between multiple variables. ANNs offer significant advantages over traditional estimation methods, as they can process large volumes of data, analyze numerous input parameters simultaneously, and generate highly accurate predictions. Unlike conventional models, ANNs learn from historical data, continuously improve their performance through training, and adapt to new data patterns over time, thereby providing more reliable and robust cost estimates. Within the scope of this study, the application of artificial neural networks in construction projects was investigated, and a cost estimation model was developed to predict rough construction costs at the preliminary design stage of residential projects. To identify the most influential input parameters, an extensive literature review was conducted alongside structured interviews with six industry professionals working in procurement, project management, and supply chain management units of construction companies. To prevent bias and mutual influence, the interviews were conducted individually. As a result of the literature review and expert consultations, eight primary parameters were selected for inclusion in the model: total building area, ratio of ground floor area to total area, ratio of typical floor area to total area, number of floors, building height, foundation system, slab system, and building core location. The sources supporting the selection of these parameters were systematically documented and presented in tabular form. Following parameter selection, a dataset comprising 48 completed residential projects was collected from construction firms. To enhance the predictive performance and generalization capability of the model, data augmentation and synthetic data generation techniques were applied in a Python environment. By preserving the statistical distributions of the original dataset, the number of samples was expanded to 250. This approach enabled the model to learn more effectively from a broader dataset while maintaining data integrity and representativeness. The artificial neural network cost estimation model was developed using Python 3.13. All stages of the modeling process—including data loading, preprocessing, normalization, and analysis—were carried out using the Python programming language. The design of the neural network architecture, model training, testing, and performance evaluation were conducted using Python-compatible libraries. This integrated computational framework ensured that the entire estimation process was systematic, reproducible, and reliable. To evaluate the performance and accuracy of the developed model, four different statistical metrics were calculated and analyzed: the coefficient of determination (R²), Root Mean Squared Error (RMSE), Mean Squared Error (MSE), and Mean Absolute Error (MAE). The R² value measures the extent to which the variation in actual rough construction costs is explained by the model's predictions. An R² value approaching 1 indicates a high level of explanatory power and predictive accuracy. In this study, the R² value was calculated as 0.9143, demonstrating a strong correlation between predicted and actual costs. The RMSE metric represents the average magnitude of deviation between the predicted and actual rough construction costs, providing a quantitative measure of prediction accuracy. The RMSE value was calculated as 0.07584, indicating a low level of average error. The MSE value, which reflects the average of the squared differences between predicted and actual costs, was calculated as 0.00575, further confirming the model's overall reliability. Finally, the MAE value—representing the average absolute difference between predicted and realized costs—was calculated as 0.18525, offering a clear and interpretable measure of estimation error magnitude. In addition to performance evaluation, the relative importance of input parameters was analyzed using the artificial neural network model. The parameter importance weights revealed that the most influential factors affecting rough construction cost estimates were the foundation system, slab system, ratio of typical floor area to total area, building core location, building height, number of floors, total building area, and ratio of ground floor area to total area, respectively. The calculated importance weights for these parameters were 22.39%, 20.56%, 16.72%, 12.15%, 9.76%, 9.71%, 6.23%, and 2.48%. The foundation system and slab system emerged as the two most critical parameters due to their significant cost variability depending on project scale and structural requirements. In conclusion, this study demonstrates that artificial neural networks provide a powerful and effective approach for estimating rough construction costs at the preliminary design stage of residential projects. By integrating AI-based models into early-stage decision-making processes, construction stakeholders can achieve more accurate cost predictions, reduce financial risks, and improve overall project planning and management efficiency.

Benzer Tezler

  1. Tez No

    953866

    Binaların ön tasarım aşamasında sürdürülebilirlik hedefli fiziki çevre analizleri ve maliyete etkisi

    Sustainability-oriented physical environmental analysis and its cost effects in the preliminary design phase of buildings

    NAGİHAN GÜNDÜZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    MimarlıkMimar Sinan Güzel Sanatlar Üniversitesi

    Enformatik Ana Bilim Dalı

    PROF. DR. ÜMİT IŞIKDAĞ

  2. Tez No

    79269

    Otellerde bina yönetimi

    Hotel building management

    BİLGE SÖNMEZER

    Yüksek Lisans

    Türkçe

    Türkçe

    1998

    MimarlıkYıldız Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    PROF. DR. HAKKI ÖNEL

  3. Tez No

    439366

    Tünel kalıp sistemi kullanılan betonarme yüksek yapılarda bina özellikleri ile maliyet arasındaki ilişkiler

    Relationship between the building features with cost for tunnel form high-rise buildings

    ENVER BURAK TÜRKEL

    Doktora

    Türkçe

    Türkçe

    2016

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ESİN ERGEN PEHLEVAN

  4. Tez No

    684130

    Endüstriyel yapılarda ön tasarım aşamasında makine öğrenmesi metodları ile kaba inşaat maliyetlerinin tahmini ve performans analizi

    Estimation and performance analysis of rough construction costs with machine learning methods at the pre-design stage of industrial buildings

    MUHAMMET EMİR KILIÇ

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Mimarlıkİstanbul Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    DOÇ. DR. FATMA PINAR ÇAKMAK

  5. Tez No

    166644

    A simulation-based decision support tool for economical materials management system in the construction industry

    İnşaat sektöründe ekonomik malzeme yönetim sisteminin seçimi için simulasyon tabanlı karar destek modeli

    GÜL POLAT

    Doktora

    İngilizce

    İngilizce

    2005

    İnşaat Mühendisliğiİstanbul Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. MEHMET UĞUR MÜNGEN

    PROF. DR. DAVİD ARDİTİ

Geri Dön