مرور نظام مند ادغام مدل سازی اطلاعات ساختمان (BIM) و یادگیری ماشین در برآورد هزینه ساخت

برآورد دقیق و به موقع هزینه ساخت، یکی از ارکان اصلی موفقیت پروژه های ساختمانی و زیربنایی است؛ با این حال، روش های سنتی برآورد هزینه که متکی بر برداشت دستی مقادیر، فهرست بها و قضاوت خبرگان هستند، در مواجهه با پیچیدگی روزافزون پروژه ها و نوسانات شدید بازار، با محدودیت های جدی روبه رو می شوند. از سوی دیگر، مدل سازی اطلاعات ساختمان (BIM) و به ویژه ۵D BIM بستر یکپارچه ای برای تلفیق داده های هندسی، زمانی و هزینه ای ایجاد کرده است، اما بخش قابل توجهی از ظرفیت داده های تولیدشده در این محیط، هنوز در قالب روش های تحلیلی سنتی مصرف می شود. در سال های اخیر، پژوهش های متعددی به سوی ادغام صریح BIM و تکنیک های یادگیری ماشین برای خودکارسازی و ارتقای دقت برآورد هزینه حرکت کرده اند هدف این مقاله، ارائه یک مرور نظام مند از مطالعاتی است که در آن ها داده های BIM/۵D و الگوریتم های یادگیری ماشین به طور هم زمان در برآورد یا پیش بینی هزینه ساخت به کار گرفته شده اند. بدین منظور، با جستجو در پایگاه های معتبر بین المللی و اعمال معیارهای مشخص ورود و خروج، ۲۵ منبع منتخب شامل مقالات ژورنالی و کنفرانسی در بازه زمانی تقریبی ۲۰۰۵ تا ۲۰۲۵ شناسایی و تحلیل شده است. نتایج نشان می دهد بخش عمده این مطالعات در سال های اخیر و عمدتا در حوزه ساختمان (به ویژه ساختمان های متعارف و پیش ساخته) انجام شده و از شبکه های عصبی، مدل های عمیق و روش های مبتنی بر درخت به عنوان مدل های اصلی استفاده شده است. در اغلب موارد، ادغام BIM–ML منجر به بهبود معنادار دقت برآورد نسبت به روش های سنتی یا رویکردهای فاقد ML شده و امکان خودکارسازی بخشی از فرآیند برداشت مقادیر و نگاشت آن به ساختار هزینه را فراهم آورده است. با این حال، محدودیت حجم و کیفیت داده، ناهمگونی معماری های ادغام و توجه محدود به عدم قطعیت، توضیح پذیری و ابعاد سازمانی، از مهم ترین چالش های گزارش شده به شمار می آیند. بر اساس این یافته ها، مقاله حاضر ضمن دسته بندی الگوهای اصلی ادغام BIM–ML، چند مسیر کلیدی برای تحقیقات آینده پیشنهاد می کند؛ از جمله توسعه مجموعه داده های مرجع مبتنی بر BIM، طراحی چارچوب های توضیح پذیر و آگاه از عدم قطعیت و پیاده سازی معماری های ادغام استاندارد و مقیاس پذیر برای استقرار عملی راهکارهای هوشمند ۵D BIM در مهندسی هزینه.

کلیدواژه ها:

مدل سازی اطلاعات ساختمان (BIM) ، ۵D BIM ، یادگیری ماشین ، برآورد هزینه ساخت ، مرور نظام مند ، سامانه های داده محور مهندسی هزینه