دانلود ترجمه مقاله تخمین هزینه شبکه عصبی هیبریدی فازی در صنعت ساخت و ساز – مجله الزویر
فهرست مطالب:
چکیده
۱ مقدمه
۲ شبکه عصبی هیبریدی فوزی تکاملی (EFHNN)
۱ ۲ شبکه عصبی هیبریدی پیشنهاد شده
۲ ۲ تسهیلات منطق فوزی
۳ ۲ تسهیلات الگوریتم ژنتیکی
۳ برآوردکننده های مفهومی هزینه
۴ نتایج و مقایسه ها
۱ ۴ نتایج برآوردکننده کلی هزینه های ساخت و ساز
۲ ۴ نتایج برآورد کننده طبقاتی هزینه های ساخت و ساز
۳ ۴ مقایسه EFHNN و EFNIM
۵ نتایج
بخشی از ترجمه:
۱ مقدمه
یکی از عناصر کلیدی برای مهندسی وابسته به پروژه برآوردهای هزینه می باشد که تاثیر به سزایی بر برنامه ریزی، طراحی، مناقصه، مدیریت/ بودجه ریزی هزینه و مدیریت ساخت و ساز اعمال می نماید. چنین برآوردهایی به مالکین و برنامه ریزان اجازه ارزیابی امکان پذیری پروژه و کنترل موثر هزینه ها در کارهای طراحی پروژه را می دهند. به خاطر دسترس پذیری محدود اطلاعات در طول مراحله اولیه پروژه، مدیران ساخت و ساز به طور نمونه دانش، تجربه و ارزیاب های استاندارد برای برآورد هزینه های پروژه را اهرم بندی می کنند. همچنین، شم و فراست نقش مهمی در تصمیم گیری ایفا می کند. محققین در جهت توسعه ارزیاب های هزینه ای کار کرده اند که ارزش عملی اطلاعات محدود را به منظور بهبود صحت و قابلیت اطمینان کار برآورد هزینه به حداکثر رسانده و در نتیجه سودمندی طرح های حاصله و کار اجرای پروژه را بهبود می بخشد.
در سطح سنتی، از روشهای آماری برای توسعه مدلهای برآورد هزینه استفاده می گردد. اگرچه تحلیل رگرسیون نشان دهنده و معرف یک راهکار عمومی می باشد، اما یکی از معایب ذاتی آن نیاز به شکل ریاضی تعریف شده برای توابع هزینه می باشد. عموماً، کلیه روشهای سنتی به خاطر تعداد زیاد متغیرها و برهم کنش های بین این متغیرها قادر به برآورد هزینه های درست پروژه نبوده اند. در نتیجه روشهای سنتی، با محدودیت های مهمی در کاربرد و اجرا مواجه می شوند.
5. نتایج
EFHNN برای برآوردهای مفهومی هزینه های ساخت و ساز بهتر از نتایج بدست آمده با استفاده از EFNIM عمل می کند که فقط از اتصالات NN سنتی استفاده می کند. این مسئله حاکی از آن است که مفهوم HNN نه تنها باعث متفاوت جلوه داده شدن بخشهای وابسته به NN می شود، بلکه همچنین در EFHNN با FL و GA عملکرد خوبی از خود به معرض نمایش می گذارد.
مقاله حاضر یک برنامه کاربردی EFHNN ارائه می کند که توانایی برآورد هزینه های ساخت و ساز در طول مراحل اولیه پروژه های ساخت و ساز به منظور بهبود توانایی طراحان، مالکین و پیمانکاران برای تصمیم گیریهایی را دارد که شانس موفقیت پروژه را افزایش می دهند. نتایج بدست آمده نشان می دهد که EFHNN در مدیریت ساخت و ساز تایوان کاربرد داشته و با اصلاحاتی با توجه به عوامل منطقه ای/ ملی خاص امکان امکان اجرای آن در سرتاسر جهان میسر می باشد.
بخشی از مقاله انگلیسی:
1. Introduction
Cost estimates are fundamental to all project-related engineeringand greatly influence planning, design, bidding, cost management/budgeting and construction management. Such estimatesallow owners and planners to evaluate project feasibility and controlcosts effectively in detailed project design work. Due to thelimited availability of information during the early stages of a project,construction managers typically leverage their knowledge,experience and standard estimators to estimate project costs. Assuch, intuition plays a significant role in decision making.Researchers have worked to develop cost estimators that maximizethe practical value of limited information in order to improve theaccuracy and reliability of cost estimation work and thus enhancethe suitability of resultant designs and project execution work.Statistical methods have traditionally been used to develop costestimating models (Singh, 1990). While regression analysis representsa common alternative (Bowen & Edwards, 1985; Khosrowshahi& Kaka, 1996), an inherent disadvantage is the requirementof a defined mathematical form for cost functions. In general, alltraditional methods are hampered in estimating accurate projectcosts by the large number of significant variables and interactions between these variables. Traditional methods, as a result, face significantlimitations in application.Artificial intelligence approaches are applicable to cost estimationproblems related to expert systems, case-based reasoning(CBR), neural networks (NNs), fuzzy logic (FL), genetic algorithms(GAs) and derivatives of such. Many research studies have beendone in this area. For instance, an integrated knowledge-based systemfor alternative design decisions, materials selection and costestimating used mainly in pre-design analysis was proposed byMohamed and Celik (1998). Serpell (2004) proposed a model ofthis problem based on existing knowledge and demonstratedhow the model could be used to develop a knowledge-basedassessment system. Arditi and Suh (1991) developed an expert systemthat proposed decision criteria used in the classification ofavailable cost estimating packages. An, Kim, and Kang (2007)developed a case-based reasoning model that incorporated experienceusing an analytic hierarchy process. Yau and Yang (1998) appliedCBR to estimate construction project implementationduration and costs during the preliminary design stage. NNs representthe most frequently applied approach in this type of application.Wilmot and Mei (2005) developed an NN model to estimatehighway construction cost escalation over time. Adeli and Wu(1998) also employed NNs to estimate highway construction costand identified noise in the data. Williams (1994) used NNs to predictchange in the ENR construction cost index and concluded that the back-propagation neural network model cannot accuratelypredict cost index movement due to the complexities involved.Hybrid models have also been developed to estimate constructioncosts. Rao, Grobler, and Kim (1993) developed a hybrid neuralexpertsystem approach to obtain conceptual cost estimates forconstruction projects. Hegazy and Ayed (1998) used NNs to developa parametric cost estimating model for highway projects, withNN weightings optimized by GA. Kim, Seo, and Kang (2005) appliedhybrid NN and GA models to residential building cost estimation inorder to predict preliminary cost estimates. One of the models usedGA to optimize back-propagation network parameters and theother employed GA to determine NN weightings. Boussabaineand Elhag (1997) developed a neurofuzzy system to predict constructionproject cost and duration. Yu, Lai, and Lee (2006) proposeda web-based intelligent cost estimator incorporating aneurofuzzy system.
