Mekansal-zamansal makine öğrenimi modeli ile risk bilgili inşaat ilerleme tahmini
Risk-informed construction progress forecasting with spatio-temporal machine learning model
- Tez No: 900906
- Danışmanlar: Prof. Dr. VEDAT TOĞAN, DOÇ. DR. ONUR BEHZAT TOKDEMİR
- Tez Türü: Doktora
- Konular: İnşaat Mühendisliği, Civil Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Karadeniz Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İnşaat Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Antakya tarihi ticaret merkezi mekansal yapı değişim ve gelişim sürecinin kent ticaret merkezi planlamasına etkinliği
The Effectiveness of spatial structural chance and development period of the historical trade center of Antakya in the urban trade planning
NEVİN TURGUT
Yüksek Lisans
Türkçe
1986
Şehircilik ve Bölge PlanlamaGazi ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
YRD. DOÇ. DR. NURCAN UYDAŞ
- Cumhuriyet sonrası Türk toplumsal yapı değişimlerinin Ankara Atatürk Bulvarı mekansal yapısında örneklenmesi
Der Ataturk boulevard von Ankara, alsbeispielzu den einflussen der gesellchaftlichen entwicklung der republikanschen Turkeiauf die raumlichen struktur
SARE SAHİL
- Havaalanı terminal binalarında ihtiyaç programlaması
Necessity programming in airport terminal buildings
SEVGİ LÖKÇE
- Sosyal değişim sürecinde konut planları farklılaşması-Konya örneği
The Changes of the types of house-plans in accordance with the social changes“Konya being the Sample”
İBRAHİM BAKIR