جدولة البناء المعدّلة حسب الطقس باستخدام التعلم الآلي

كل مشرف بناء يتحقق من توقعات الطقس. لكن قلة منهم يتعاملون مع هذه المعلومات بشكل منهجي بخلاف اتخاذ قرار صب الخرسانة غداً أم لا. التعلم الآلي يغيّر ذلك من خلال ربط بيانات الطقس التفصيلية بمعدلات إنتاجية أنشطة البناء المحددة، وتعديل الجداول الزمنية تلقائياً بناءً على الظروف التي تؤثر على الحرف المختلفة بطرق مختلفة.

ما وراء التوقعات الأساسية

توقعات الطقس لعشرة أيام تخبرك أنه سيمطر يوم الثلاثاء. أما التعلم الآلي المطبّق على جدولة البناء فيخبرك أن مطر الثلاثاء، مع البوصتين اللتين هطلتا الأسبوع الماضي، يعني أن موقعك لن يكون متاحاً لأعمال الحفر حتى الخميس، وأن طاقم التأطير الخارجي سيفقد 40% من إنتاجيته يوم الأربعاء بسبب الظروف الرطبة، وأن صب الخرسانة المجدول ليوم الجمعة يحتاج إلى التأجيل حتى الاثنين لأن التربة التحتية لن تكون قد جفت بشكل كافٍ.

الفرق يكمن في الدقة والتحديد. نماذج التعلم الآلي المدرّبة على بيانات المشاريع التاريخية تتعلم كيف تؤثر ظروف الطقس المختلفة على الأنشطة المختلفة عند عتبات مختلفة. الأمطار الخفيفة التي تقل عن 0.25 بوصة في الساعة بالكاد تؤثر على تركيب الهياكل الفولاذية لكنها توقف الطلاء الخارجي تماماً. الرياح التي تتجاوز 25 ميلاً في الساعة توقف عمليات الرافعات لكنها لا تؤثر على الأعمال الداخلية. درجات الحرارة التي تقل عن 40 درجة فهرنهايت تتطلب إجراءات حماية للخرسانة تضيف 15% إلى وقت الصب.

مقاول ميكانيكي في سياتل تتبّع إنتاجية العمالة مقابل بيانات الطقس عبر 40 مشروعاً على مدى ثلاث سنوات. وجدوا أن إنتاجية تركيب الأنابيب الخارجية انخفضت بنسبة 22% في الأيام التي تجاوز فيها المطر 0.1 بوصة في الساعة، و31% عند اقترانها بدرجات حرارة أقل من 45 درجة فهرنهايت، و8% في الأيام الجافة التي أعقبت يومين أو أكثر من الأمطار المتتالية بسبب ظروف الموقع الموحل. هذه العلاقات المحددة، غير المرئية في توقعات الطقس البسيطة، هي بالضبط ما تلتقطه نماذج التعلم الآلي.

كيف تعمل النماذج

نماذج الجدولة المعدّلة حسب الطقس تأخذ ثلاثة مدخلات: الجدول الزمني الحالي للمشروع مع أنواع الأنشطة ومواقعها (داخلية مقابل خارجية)، وبيانات الطقس-الإنتاجية التاريخية من المشاريع المكتملة، وبيانات توقعات الطقس من خدمات الطقس التجارية التي توفر مقاييس خاصة بالبناء.

يُعيّن النموذج تصنيفات حساسية الطقس لكل نشاط. أعمال الخرسانة الخارجية قد تكون ذات حساسية عالية لهطول الأمطار ودرجة الحرارة والرياح. ألواح الجبس الداخلية قد تكون بحساسية صفرية للطقس ما لم يكن المبنى غير مغلق بعد، وفي هذه الحالة تصبح الرطوبة عاملاً مؤثراً. أعمال التسقيف حساسة لهطول الأمطار والرياح لكنها متسامحة نسبياً مع تغيرات درجة الحرارة ضمن النطاقات الطبيعية.

مع تحديث توقعات الطقس، يعيد النموذج حساب الإنتاجية المتوقعة لكل نشاط حساس للطقس ويعدّل الجدول الزمني وفقاً لذلك. لا يقتصر الأمر على نقل الأنشطة إلى أيام مختلفة. بل يُنمذج تأثير الإنتاجية للعمل في ظروف هامشية مقابل الانتظار لظروف أفضل، مع مراعاة تكلفة الأطقم والمعدات المتوقفة مقابل تكلفة الإنتاجية المنخفضة.

التأثير المُقاس على دقة الجدول الزمني

قارنت دراسة شملت 60 مشروع بناء تجاري في شمال غرب المحيط الهادئ أداء الجدول الزمني بين المشاريع التي تستخدم الجدولة المعدّلة حسب الطقس ومجموعة ضابطة تستخدم الجدولة التقليدية مع تعديلات يدوية للطقس. أنهت المجموعة المعدّلة حسب الطقس مشاريعها بمتوسط انحراف 4.2 أيام عن تاريخ الإنجاز المتوقع. بينما تأخرت المجموعة الضابطة بمتوسط 18.7 يوماً.

لم يكن الفرق أن المجموعة المعدّلة حسب الطقس شهدت طقساً أفضل. كان الطقس متشابهاً عبر المجموعتين. الفرق كان أن الجداول المعدّلة حسب الطقس بنت افتراضات إنتاجية واقعية منذ البداية، بدلاً من افتراض ظروف مثالية ثم التخبط عندما يتسبب الطقس في تأخيرات.

تخسر صناعة البناء ما يُقدّر بـ 45 يوم عمل سنوياً بسبب تأثيرات الطقس على المستوى الوطني المتوسط، مع تباين إقليمي كبير. في شمال غرب المحيط الهادئ، يقترب الرقم من 65 يوماً. في جنوب غرب الصحراء، ينخفض إلى 20 يوماً لكن مع تأثيرات الحرارة الشديدة في الصيف التي غالباً ما تقلل الجدولة التقليدية من تقديرها.

المعايرة الإقليمية مهمة

تحتاج نماذج الطقس بالتعلم الآلي إلى معايرة إقليمية لتكون مفيدة. تتباين العلاقة بين الطقس والإنتاجية بشكل كبير حسب الجغرافيا والموسم وممارسات البناء المحلية. النموذج المدرّب على بيانات مشاريع بناء في تكساس لن يتنبأ بدقة بتأثيرات الطقس في مينيسوتا لأن الأطقم والمعدات وممارسات إدارة الموقع مُكيّفة لظروف مختلفة.

يحتاج المقاولون الذين يستخدمون أدوات جدولة البناء المدعومة بالذكاء الاصطناعي عادةً إلى 8 إلى 12 مشروعاً من البيانات المحلية لمعايرة علاقات الطقس-الإنتاجية لحرفهم وأطقمهم ومنطقتهم المحددة. خلال فترة المعايرة هذه، تتحسن النماذج بشكل مطرد مع تعلمها الأنماط المحددة للبيئة المحلية.

تُسرّع بعض المنصات المعايرة باستخدام بيانات مجمّعة من مقاولين متعددين في نفس المنطقة، مجهولة الهوية ومدمجة لبناء نماذج أساسية إقليمية. يمكن للمقاول في سوق جديد أن يبدأ بالنموذج الأساسي الإقليمي ويصقله ببياناته الخاصة مع إنجاز المشاريع.

تحسينات التخطيط الموسمي

حيث تضيف الجدولة المعدّلة حسب الطقس أكبر قيمة استراتيجية هو في تخطيط المشاريع، قبل أشهر من بدء البناء. عندما يطوّر مقاول جدولاً زمنياً لمبنى جديد، يمكن لنموذج التعلم الآلي محاكاة الجدول مقابل أنماط الطقس التاريخية لكل شهر من البناء المخطط.

تُظهر هذه المحاكاة التوزيع الاحتمالي لتاريخ الإنجاز، وليس مجرد تاريخ واحد. بدلاً من القول إن المشروع سيكتمل في 15 نوفمبر، يقول النموذج إن هناك احتمالاً بنسبة 50% للإنجاز بحلول 15 نوفمبر، واحتمالاً بنسبة 75% بحلول 28 نوفمبر، واحتمالاً بنسبة 90% بحلول 10 ديسمبر. هذا النطاق الاحتمالي أكثر فائدة بكثير لمفاوضات العقود وتخطيط المراحل الرئيسية وتخصيص الموارد من تاريخ حتمي واحد.

تُفيد الأنماط الموسمية أيضاً في قرارات المراحل. إذا أظهر النموذج أن الأعمال الخارجية المخططة لشهر يناير في شيكاغو لديها احتمال 60% لخسارة أكثر من 15 يوم عمل، فقد يُعاد هيكلة الجدول لإنجاز الإغلاق الخارجي قبل ديسمبر وتركيز أعمال يناير على الأنشطة الداخلية. هذا النوع من التحسين ممكن بالتخطيط اليدوي، لكن نموذج التعلم الآلي يجعله منهجياً وكمياً بدلاً من الاعتماد على الحدس.

تحديات التكامل

التحدي الرئيسي للتكامل هو ربط بيانات الطقس بأنشطة الجدول بطريقة منظمة. معظم جداول المشاريع لا تُصنّف الأنشطة كداخلية أو خارجية، ولا تحدد الأنشطة الحساسة للطقس، ولا تحدد عتبات الطقس ذات الصلة. إعداد هذه البيانات الوصفية للمشروع الأول يتطلب جهداً، لكن القوالب لأنواع المشاريع الشائعة تقلل وقت الإعداد للمشاريع اللاحقة.

أصبح جانب بيانات الطقس أسهل مع تحسن خدمات الطقس الخاصة بالبناء. الخدمات التي توفر احتمالية هطول الأمطار على مستوى الساعة، وتقديرات رطوبة التربة، وسرعة الرياح على الارتفاعات ذات الصلة، وتوقعات درجة الحرارة بدقة أفضل من تطبيقات الطقس الاستهلاكية تمنح نماذج التعلم الآلي مدخلات أفضل للعمل بها.

ما يجعل هذه التقنية تستحق جهد الإعداد هو الفائدة المتراكمة. بيانات كل مشروع تحسّن النموذج للمشروع التالي. بعد 2 إلى 3 سنوات من جمع البيانات، تصبح الجداول المعدّلة حسب الطقس أكثر دقة بشكل ملحوظ مما يمكن لأي مخطط بشري تحقيقه يدوياً، لأن النموذج يعمل بآلاف نقاط البيانات عبر عشرات المشاريع بينما يعمل المخطط البشري من الذاكرة والخبرة العامة.