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
2024-12-02
SCID: 54.1/h77s35pz
Discuss with AI
автоматизированное машинное обучениеоценка сметной стоимости строительствапрогнозирование на ранних этапах жизненного циклаансамбли моделейпрогнозирование материальных ресурсов
Figures from the paper
Abstract (AI)
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...
Key Findings
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.
Research Object
Проекты строительства многоквартирных жилых зданий на ранних, предпроектных этапах их жизненного цикла
Research Subject
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
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest