Geri Dön

Using natural language processing for automated construction contract review during risk assessment at the bidding stage

Teklif aşamasında risk değerlendirmesi yaparken doğal dil işleme kullanarak inşaat sözleşmelerinin otomatik olarak gözden geçirilmesi

PDF İndir

  1. Tez No: 774978
  2. Yazar: GÖRKEM EKEN
  3. Danışmanlar: PROF. DR. MUSTAFA TALAT BİRGÖNÜL, PROF. DR. İREM DİKMEN TOKER
  4. Tez Türü: Doktora
  5. Konular: İnşaat Mühendisliği, Civil Engineering
  6. Anahtar Kelimeler: Derin öğrenme, Doğal dil işleme, Makine öğrenmesi, Metin sınıflandırma, İnşaat mühendisliği, Deep learning, Natural language processing, Machine learning, Text categorization, Civil engineering
  7. Yıl: 2022
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu 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

İnşaat sektörü çeşitli riskler içermesi ve inşaat projelerinin doğası ve birden fazla tarafın katılımı nedeniyle başarısızlığa açıktır. Sözleşmeler, tarafların sorumluluklarını tanımlamak için kullanılan yasal belgelerdir. Taraflarca üstlenilen riskler, sözleşmelerdeki pozisyonları ile son derece ilişkilidir ancak, sözleşmelerin işverenler tarafından hazırlanması nedeniyle yükleniciler, tekliflerini hazırlamadan önce sorumluluklarını gözden geçirmek için yeterli zamana sahip olmayabilirler. Bununla birlikte sözleşmeler her zaman sorumlulukların paylaşımı/tanımlanması konusunda net olmamakta ve bu durum sonuç olarak belirsizliklere yol açmaktadır. Bu kapsamda; bilgi teknolojilerindeki gelişmelerin, inşaat sektörüne bu husustaki problemlerin çözümü açısından fayda sağlayabileceği düşünülmektedir. Doğal Dil İşleme (DDİ) ile belge hacmine ve mevcut donanıma bağlı olarak sözleşme belgelerini saniyeler içinde incelemek mümkün olabilecektir. Bu çalışmada, makine öğrenimi uygulamaları için bir eğitim veri seti oluşturmak amacıyla FIDIC standart sözleşme formları seçilmiş ve tüm cümleler cümle türü ve sahiplik ile etiketlenmiştir. Eğitim veri setine ek olarak gerçek bir projenin sözleşmesi kullanılarak test data seti oluşturulmuştur. Oluşturulan veri seti ile 5 farklı makine öğrenme algoritması çeşitli doğal dil işleme teknikleriyle eğitilmiş, 12 makine öğrenmesi modelinin sonuçları değerlendirilmiş ve seçilen modeller topluluk öğrenmesi metodu kullanılarak birleştirilmiştir. Sonuç olarak, bir FIDIC sözleşmesinde yer alan cümle türleri; başlık, tanım, yükümlülük, risk ve hak sahipliği olarak %89 oranında doğru olarak sınıflandırılmış, ayrıca risk hak sahipliği, yükümlülük içeren cümleler için ilişkili taraflar %83 oranında doğru tahmin edilmiştir. Önerilen yöntem, müteahhitler tarafından ihale hazırlık aşamasında risk primlerine karar vermek için gerekli olan sözleşmesel risklerin belirlenmesi için kısa sürede sözleşme metnini sınıflandırmak için kullanılabilir.

Özet (Çeviri)

Construction sector contains various risks, and construction projects are open to failure due to their nature and the involvement of multiple parties. Contracts are legal documents that are used to define the responsibilities of parties in a project. Risks that are taken by a party are highly related to their positions in the contracts. However, contracts are prepared by clients, and contractors generally do not have enough time to review their responsibilities before preparing their bids. Moreover, contracts may not always be clear in terms of all subjects. As a result, it may lead to ambiguities. Advances in information technology (IT) may provide solutions to the construction sector in this area. Natural Language Processing (NLP) focuses on using computers to understand, process, and manipulate natural language text to achieve a variety of objectives. NLP can be used to review contract documents within seconds depending on the volume of the documents and available processing power. In this study, FIDIC standard forms of contracts were selected and all sentences were labeled with sentence type and ownership in order to create a training dataset for machine learning applications. In addition to the training dataset, the test dataset was created by using a contract of the real construction project. By using created datasets, 5 different machine learning algorithms were trained with different NLP techniques. The results of 12 machine learning models were evaluated, and the selected ones were combined by the ensemble method. In conclusion, sentence types in a FIDIC contract were categorized 89% accurately as heading, definition, obligation, risk, and right. Additionally, related parties for sentences that imply risk right and obligation were predicted 83% accurately. The proposed method can be used by contractors to quickly classify the contract text in order to identify the contractual risks required to decide risk premiums in the tender preparation phase.

Benzer Tezler

  1. Tez No

    968429

    Metin madenciliği ve makine öğrenimi tekniklerinin uygulanmasıyla standart inşaat sözleşmesi belgelerinin metin analizi

    Text analysis of standard construction contract documents by the application of text mining and machine learning techniques

    ANIL DEMİRCAN

    Doktora

    Türkçe

    Türkçe

    2025

    İnşaat MühendisliğiDüzce Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. LATİF ONUR UĞUR

  2. Tez No

    19355

    Uzman sistem teknolojisi ve çizelgeleme uygulaması

    The technology of expert system and applications of scheduling

    TARIK ÇAKAR

    Yüksek Lisans

    Türkçe

    Türkçe

    1991

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Y.DOÇ.DR. ORHAN KURUÜZÜM

  3. Tez No

    66398

    İmalat sistemlerinin tasarlanması ve öncelik kurallarının belirlenmesinde yapay sinir ağlarının kullanılması

    <the use of neural networks in determination of the manufacturing systems design and dispatching rules

    TARIK ÇAKAR

    Doktora

    Türkçe

    Türkçe

    1997

    İşletmeİstanbul Teknik Üniversitesi

    İşletme Mühendisliği Ana Bilim Dalı

    PROF. DR. AYHAN TORAMAN

  4. Tez No

    759200

    An attention based deep neural network architecture for identification of phishing URLS through character level n-gram embeddings

    Kimlik avcısı URL tespitinde karakter n-gram düzeyinde özyerleşiklerden yararlanan dikkate dayalı bir derin sinir ağı mimarisi

    FIRAT COŞKUN DALGIÇ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MURAT AYDOS

    DOÇ. DR. AHMET SELMAN BOZKIR

  5. Tez No

    932053

    A conceptual model for image recognition based progress monitoring: retail construction and finishing works

    Görüntü tanıma tabanlı ilerleme takibi için kavramsal bir model: perakende inşaat ve ince yapı işleri

    SALİH KAAN MAZLUM

    Doktora

    İngilizce

    İngilizce

    2025

    Mimarlıkİstanbul Teknik Üniversitesi

    Mimarlık Ana Bilim Dalı

    PROF. DR. BEGÜM SERTYEŞİLIŞIK

Geri Dön