Модель прогнозирования материальных ресурсов и сметной стоимости на ранних этапах жизненного цикла объектов строительства

Модель прогнозирования материальных ресурсов и сметной стоимости на ранних этапах жизненного цикла объектов строительства
М. В. Гуреев, Aleksandr Nicolaevich Makarov
2024-12-02

автоматизированное машинное обучениеоценка сметной стоимости строительствапрогнозирование на ранних этапах жизненного циклаансамбли моделейпрогнозирование материальных ресурсов
Введение. Цифровизация строительства предполагает возможность прогнозирования материальных ресурсов с заданной степенью точности на ранних этапах жизненного цикла объекта строительства, что позволит сформировать стоимостные показатели, а также объем материальных ресурсов и оборудования — один из ключевых элементов управления и планирования различных этапов жизненного цикла объекта. Возможность создания инструмента прогнозирования этих параметров на основе технологий искусственного интеллекта (ИИ) и машинного обучения (МО) представляется перспективным направлением развития, позволяющим достичь высокой точности при планировании бюджета и продолжительности проекта на предпроектной стадии инвестиционно-строительного проекта. Материалы и методы. Использована проектная документация по 37 многоквартирным жилым зданиям с выделенными и нормализованными параметрами: технико-экономическими показателями, материально-техническими ресурсами, стоимостью и другими характеристиками. Для подготовки и обучения моделей ИИ на языке Python были выбраны методы библиотеки scikit-learn для сравнения следующих математических моделей: деревьев решений, регрессионных моделей и алгоритмов на основе бустинга. Результаты. Обучение и исследование проводились с использованием метода автоматизированного машинного обучения (AutoML). На основе сравнения коэффициента детерминации (R²) и среднеквадратичной ошибки (RMSE) были отобраны ансамбли моделей, формирующие прогноз объема материальных ресурсов и оборудования, а также сметной стоимости с диапазоном погрешности ±8%. Входными значениями моделей являлись 11 количественных и качественных параметров, описывающих характеристики планируемого объекта, формирование которых возможно на ранних этапах жизненного цикла объекта без разработки проектной документации. Выводы. Результаты исследования демонстрируют возможность получения фактических проектных данных уже на предпроектной стадии с точностью, соответствующей ст...
1
Для прогнозирования используются 11 количественных и качественных параметров, характеризующих планируемый объект и доступных до разработки проектной документации.
2
Ансамбли моделей, выбранные по результатам сравнения R² и RMSE, прогнозируют материальные ресурсы, оборудование и сметную стоимость с диапазоном ошибки ±8%.
3
Модели обучались на проектной документации 37 многоквартирных жилых зданий с использованием деревьев решений, регрессионных методов, алгоритмов бустинга и AutoML.
4
Результаты подтверждают возможность получения актуальных проектных и стоимостных данных уже на предпроектной стадии.
5
Исследование разрабатывает модели прогнозирования на основе искусственного интеллекта и машинного обучения для материальных ресурсов, объемов оборудования и сметной стоимости на ранних этапах проекта.

Проекты строительства многоквартирных жилых зданий на ранних, предпроектных этапах их жизненного цикла

Прогнозирование объёмов материально-технических ресурсов, потребности в оборудовании и сметной стоимости строительства по параметрам проекта, доступным на ранних этапах

Publication Details
Publication Date
2024-12-02
Journal
Publisher
ISSN
Cited by
3
Access Type
Author Information
Authors
М. В. Гуреев
Aleksandr Nicolaevich Makarov
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%