یک چارچوب پیش بینی هزینه های پیش بینی نشده در پروژه های ساختمانی با استفاده از شبکه های عصبی مصنوعی: رویکردی مبتنی بر داده های تاریخی و تحلیل پیش بینانه

مدیریت هزینه یکی از مهم ترین ارکان موفقیت در پروژه های ساختمانی محسوب می شود، چرا که انحراف از برآورد اولیه می تواند پیامدهای گسترده ای همچون کاهش سودآوری، تاخیر در تکمیل پروژه، کاهش کیفیت خروجی، و حتی شکست کامل پروژه را به همراه داشته باشد. هزینه های پیش بینی نشده به عنوان یکی از عوامل اصلی ایجاد این انحراف، همواره چالشی جدی برای مدیران پروژه و مهندسان برنامه ریزی بوده است. شناسایی و برآورد دقیق این هزینه ها پیش از وقوع، می تواند به شکل قابل توجهی از ریسک های مالی و عملیاتی بکاهد. در این پژوهش، یک چارچوب پیش بینی هزینه های پیش بینی نشده در پروژه های ساختمانی بر اساس شبکه های عصبی مصنوعی (Artificial Neural Networks - ANN) ارائه می شود. مدل پیشنهادی با استفاده از داده های تاریخی پروژه ها شامل اطلاعات مربوط به هزینه های مستقیم و غیرمستقیم، مدت زمان اجرای فعالیت ها، تغییرات طراحی، شاخص های عملکرد، و عوامل محیطی آموزش داده می شود. در فرآیند توسعه مدل، ابتدا داده ها پیش پردازش شده و با استفاده از تکنیک های نرمال سازی و انتخاب ویژگی، کیفیت و کارایی ورودی ها ارتقاء یافته است. سپس، معماری شبکه شامل یک لایه ورودی (متناسب با تعداد متغیرها)، یک یا دو لایه مخفی با توابع فعال سازی غیرخطی نظیر Sigmoid و ReLU، و یک لایه خروجی با تابع فعال سازی خطی طراحی شده است. آموزش مدل با استفاده از الگوریتم پس انتشار خطا و بهینه ساز Adam انجام گرفته و عملکرد آن بر اساس معیارهای RMSE، MAE و ضریب تعیین (R²) ارزیابی شده است. نتایج تجربی نشان می دهد که مدل ANN پیشنهادی توانسته است با دقت بالا، میزان هزینه های پیش بینی نشده را برآورد کند و عملکردی بهتر نسبت به مدل های آماری سنتی و برخی روش های یادگیری ماشین خطی ارائه دهد. این رویکرد می تواند به عنوان یک ابزار پشتیبان تصمیم گیری در فرآیند مدیریت هزینه مورد استفاده قرار گیرد و با شناسایی زودهنگام انحرافات مالی، به بهبود برنامه ریزی، تخصیص منابع، و کاهش ریسک های اقتصادی در پروژه های ساختمانی کمک نماید.

کلیدواژه ها:

مدیریت هزینه ، هزینه های پیش بینی نشده ، پروژه های ساختمانی ، شبکه های عصبی مصنوعی ، پیش بینی هزینه ، مدیریت پروژه