Technical comparisons of simulation-based productivity prediction methodologies by means of estimation tools focusing on conventional earthmovings

Abstract

Planners in construction accordingly have been trying to predict productivity which is a significant criterion for construction performances prior to commencement of operations. Many various methods solely based on deterministic calculations, simulation techniques, statistic methods, or other decision making tools, have been introduced so far. In terms of application, however, these methods depending on one estimation tool have several limitations of each method. The present study presented new predictive models: 1) Model A, combining simulation and a multiple regression (MR) technique, a general estimation technique based on statistic concepts and 2) Model B combining simulation and an artificial neural network (ANN) technique, a powerful tool for prediction in engineering basis. Quantified reliability comparisons between actual and predicted productivity data by the presented models were conducted in this study. It found that a predictive result by Model B was closer to actual productivity data than that by Model A was. Model B based on the ANN analysis, however, showed the difficulty in technical implementation with a view of practical applications. These comparisons revealed the reliability of the predictive results and the implementation efficiency of each model. This study addresses basic characteristics and technical comparisons of each methodology simulation-based MR or ANN techniques. The findings allow researchers to create or develop a new predictive methodology for specific operations with shortage of actual datasets collected from jobsites. Technical performance comparisons of results between MR and an ANN, representative estimation tools, enable users to select a more appropriate tool considering specific situations. The suggested methodology in this study can also be extended to apply to not only earthworks but also other construction operations.

Imitacinių produktyvumo prognozavimo metodikųtechninis palyginimas, pasitelkus vertinimo priemones, akcentuojantųprastus žemės darbus

Santrauka. Prieš prasidedant darbams statybų planuotojai mėgina numatyti produktyvuma, kuris yra reikšmingas kriterijus, lemiantis statybų efektyvumą. Jau pristatyta daug įvairiu metodų atskirai grindžiamų deterministiniais skaičiavimais, modeliavimo metodikomis, statistiniais metodais arba kitomis sprendimų priėmimo priemonėmis. Tačiau praktine prasme kiekvienas metodas, priklausantis nuo vienos vertinimo priemonės, turi kelis trukumus. Šiame tyrime pristatomi nauji prognozavimo modeliai: 1) A modelis, siejantis modeliavimą ir daugianares regresijos metodiką – bendrą vertinimo metodika, pagrįstą statistikos sąvokomis; 2) B modelis, siejantis modeliavimą ir dirbtinio neuroninio tinklo (DNT) metodiką – galingą prognozavimo priemonę inžinerijoje. Šiame tyrime, naudojant pristatytus modelius, pagal kiekybinius duomenis palygintas faktinių ir prognozuotų produktyvumo duomenų patikimumas. Paaiškėjo, kad naudojant B modelį išprognozuotas rezultatas faktinius produktyvumo duomenis atitiko labiau nei A modelio atveju. Tačiau technine prasme B modelį, pagrįstą DNT analize, praktinėje aplinkoje sunku įdiegti. Šie palyginimai atskleidė, kad prognozuojami rezultatai yra patikimi, o kiekvieną modelį galima taikyti efektyviai. Šiame tyrime nagrinėjamos pagrindinės charakteristikos ir techniškai palygi- nami kiekvienos metodikos imitaciniai daugianarės regresijos arba DNT metodai. Rezultatai moksliniams darbuotojams leidžia kurti arba plėtoti naują prognozavimo metodiką konkretiems procesams, kai trūksta faktinių duomenų, surinktų darbo vietose. Techninis rezultatų, gautų naudojant pavyzdines vertinimo priemones – daugianaręregresiją ir DNT, efek- tyvumo palyginimas leidžia vartotojams pasirinkti konkrečiai situacijai tinkamesnę priemonę Be to, šiame tyrime siūlomą metodiką galima išplesti ir statybose taikyti ne tik žemės, bet ir kitiems darbams.

Reikšminiai žodžiai: statybos, produktyvumas, žemės darbai, modeliavimas, neuroninis tinklas, regresija.

Keyword : construction, productivity, earthmoving, simulation, neural network, regression