تخمین احتمالاتی هزینههای ساخت در پروژههای راهسازی با در نظر گرفتن نوع عوارض - دانشکده فنی و مهندسی
تخمین احتمالاتی هزینههای ساخت در پروژههای راهسازی با در نظر گرفتن نوع عوارض
نوع: Type: پایان نامه
مقطع: Segment: کارشناسی ارشد
عنوان: Title: تخمین احتمالاتی هزینههای ساخت در پروژههای راهسازی با در نظر گرفتن نوع عوارض
ارائه دهنده: Provider: محمدرضا شیری - مهندسی عمران
اساتید راهنما: Supervisors: دکتر محسن بابایی
اساتید مشاور: Advisory Professors:
اساتید ممتحن یا داور: Examining professors or referees: دکتر جواد طاهری نژاد - دکتر مرتضی حیدری مظفر
زمان و تاریخ ارائه: Time and date of presentation: ساعت 18 - 1403/6/26
مکان ارائه: Place of presentation: کلاس 43 دپارتمان عمران
چکیده: Abstract: چکیده: برآورد دقیق هزینه در مراحل اولیه ساخت، نقش مهم و حیاتی در موفقیت هر پروژه دارد. تخمینهای اشتباه اولیه یا عدم وجود یک برآورد دقیق از هزینه میتواند موجب از دست دادن پروژه یا حتی تعطیلی پروژه گردد. یکی از کاربردهای اصلی پیشبینی هزینه ساخت راه در مسأله توسعه شبکه جادهای است، که در آن تعدادی پروژه با توجه به محدودیت بودجه و میزان کارآمدی پروژهها در تأمین مسیرهای بهینه (به لحاظ زمان یا مسافت) برای احداث در یک افق بلند-مدت انتخاب میشوند. هدف این پژوهش، ارائه یک مدل برای پیشبینی هزینه ساخت پروژههای راهسازی در مراحل اولیه با در نظر گرفتن شرایط توپوگرافی است. در طراحی و برنامهریزی، انتخاب مسیر مناسب با در نظر گرفتن شیب زمین بسیار حائز اهمیت است. با تعیین مسیرهایی بهینه که شیب زمین را به حداقل محدود کند، میتوان هزینههای راهسازی را کاهش داد. از این رو، در این پژوهش، با بررسی و مطالعه اطلاعات پروژههای راهسازی مورد استفاده در طراحی شبکه راههای کشور، ویژگیهای راه و شرایط عوارض زمین با استفاده از نرمافزار GIS استخراج گردید. ابتدا با استفاده از اطلاعات خروجی نرمافزار، خصوصیات راه و عوارض زمین یک برآورد اولیه هزینه صورت گرفت. سپس، با استفاده از زبان برنامهنویسی پایتون و کتابخانههای موجود در آن، مدلهایی برای تخمین هزینه با رویکرد مقایسهای مدلها، از مدلهای هوش مصنوعی و یادگیری تجمعی بر پایه Boosting از جمله XGBoost، CatBoost، LightGBM، شبکه عصبی عمیق (DNN) و رگرسیون خطی چندگانه (MLR) استفاده شد. در این پژوهش، اطلاعات 539 پروژه راهسازی مورد بررسی قرار گرفت و بررسی انواع معماری مدلها، با بررسی خروجی نتایج و دقت مدلهای معرفیشده، نشان داد مدل CatBoost در مقایسه با سایر مدلها با 013/0 =MAE، 048/0 = RMSE و ضریب تعیین 997/0 دارای دقت و عملکرد بهتری در تخمین هزینه دارد. همچنین، یکی از چالشهای بزرگ در مدلهای پیچیده یادگیری ماشین، شفافیت و تفسیرپذیری آنها است که تفسیر SHAP این امکان را میدهد که مدلهای پیچیده را به روشی قابل فهم تحلیل کرد. همچنین، از این طریق میتوان تاثیر ویژگیهای بکاررفته در تخمین هزینه را بررسی کرد و نشان داد که هر ویژگی چگونه به افزایش یا کاهش هزینهها کمک میکند.
فایل: ّFile: تنزيل فایل