Yapim yönetimi tahmini için kasitli önyargili bootstrap toplama yapay zeka yöntemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Orta Doğu Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İNŞAAT MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: İngilizce
Öğrenci: TUNAHAN ÇAYDAR
Danışman: RİFAT SÖNMEZ
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Maliyet, süre ve insan gücü gereksinimleri gibi temel inşaat projesi parametrelerinin doğru bir şekilde tahmin edilmesi, özellikle bilginin kıt olduğu erken aşamalarda, başarılı inşaat projeleri elde etmek için gerekli planlama ve yönetim kararları almak açısından kritik öneme sahiptir. Geleneksel inşaat tahmin yöntemleri doğrusal varsayımlara ve uzman yargılarına dayanır ve karmaşık veri setlerinde bulunan doğrusal olmayan ilişkileri yakalamada sınırlı başarılı olur. Makine öğrenmesi teknikleri, bu tür karmaşıklıkları modellemek için güçlü araçlar sunar; ancak bu teknikler, özellikle küçük ölçekli veri setleriyle eğitildiklerinde, genellikle aşırı uyum, gürültülü veya çarpık verilere karşı aşırı hassasiyet ve sınırlı genelleme yeteneği gösterir; bu da inşaat tahmini amaçlı makine öğrenmesi modellerinin çoğu için önemli bir sınırlamadır. Bu nedenle birden çok temel modelin tahminlerini birleştirerek dayanıklılık ve doğruluğu artıran topluluk öğrenimi ön plana çıkmıştır. Bu çalışma, geleneksel torbalamanın eşit olasılık yaklaşımının aksine, bootstrap örneklemesi sırasında daha yüksek örnekleme olasılıkları atayarak bilgilendirici veri noktalarına öncelik veren yeni bir kasıtlı önyargılı bootstrap toplama (önyargılı torbalama) yöntemini tanıtmaktadır. Önerilen önyargılı torbalama yöntemi, küçük ölçekli inşaat veri setlerinin boyutunu yapay olarak artırmak ve böylece belirli inşaat yönetimi tahmin problemini daha iyi temsil etmek amacıyla tasarlanıp geliştirilmiştir. Üç temel öğrenici - yapay sinir ağları (YSA), destek vektör makineleri (DVM) ve durum tabanlı çıkarsama (DTÇ) - hem regresyon hem de sınıflandırma görevlerini kapsayan on inşaat veri kümesinde değerlendirilmiştir. Karşılaştırmalı analiz, önyargılı torbalamanın bireysel modelleri, geleneksel torbalamayı ve önceki çalışmalarda bildirilen sonuçları genellikle geride bırakarak daha doğru ve güvenilir tahminler sağladığını göstermektedir.