मशीन लर्निंग का उपयोग करके मौसम-समायोजित निर्माण शेड्यूलिंग

हर सुपरिंटेंडेंट मौसम का पूर्वानुमान देखता है। कल कंक्रीट डालना है या नहीं, इसके अलावा बहुत कम लोग इस जानकारी के साथ कुछ व्यवस्थित करते हैं। मशीन लर्निंग इसे बदल रही है - विस्तृत मौसम डेटा को विशिष्ट निर्माण गतिविधि उत्पादकता दरों से जोड़कर, उन परिस्थितियों के आधार पर शेड्यूल को स्वचालित रूप से समायोजित करती है जो विभिन्न ट्रेड्स को अलग-अलग तरीकों से प्रभावित करती हैं।

बुनियादी पूर्वानुमान से आगे

10 दिन का मौसम पूर्वानुमान आपको बताता है कि मंगलवार को बारिश होगी। निर्माण शेड्यूलिंग में लागू मशीन लर्निंग आपको बताती है कि मंगलवार की बारिश, पिछले सप्ताह हुई 2 इंच बारिश के साथ मिलकर, इसका मतलब है कि आपकी साइट गुरुवार तक मिट्टी के काम के लिए सुलभ नहीं होगी, आपकी बाहरी फ्रेमिंग क्रू की उत्पादकता बुधवार को गीली परिस्थितियों के कारण 40% कम होगी, और शुक्रवार के लिए निर्धारित आपकी कंक्रीट डालने की योजना सोमवार तक स्थानांतरित करनी होगी क्योंकि सबग्रेड पर्याप्त रूप से सूखा नहीं होगा।

अंतर विशिष्टता का है। ऐतिहासिक प्रोजेक्ट डेटा पर प्रशिक्षित ML मॉडल सीखते हैं कि विभिन्न मौसम की स्थितियाँ विभिन्न गतिविधियों को विभिन्न सीमाओं पर कैसे प्रभावित करती हैं। प्रति घंटे 0.25 इंच से कम हल्की बारिश स्टील इरेक्शन को मुश्किल से प्रभावित करती है लेकिन बाहरी पेंटिंग को पूरी तरह रोक देती है। 25 mph से ऊपर की हवा क्रेन संचालन बंद कर देती है लेकिन आंतरिक कार्य को प्रभावित नहीं करती। 40 डिग्री F से नीचे का तापमान कंक्रीट सुरक्षा उपायों की आवश्यकता होती है जो डालने के समय में 15% जोड़ते हैं।

सिएटल में एक मैकेनिकल ठेकेदार ने तीन वर्षों में 40 प्रोजेक्ट्स में मौसम डेटा के विरुद्ध अपनी श्रम उत्पादकता को ट्रैक किया। उन्होंने पाया कि प्रति घंटे 0.1 इंच से अधिक बारिश वाले दिनों में बाहरी पाइप इंस्टॉलेशन उत्पादकता 22% गिर गई, 45 डिग्री F से नीचे के तापमान के साथ मिलने पर 31%, और उन दिनों में 8% जो सूखे थे लेकिन कीचड़ भरी साइट स्थितियों के कारण दो या अधिक लगातार बारिश के दिनों के बाद आए। ये विशिष्ट संबंध, एक साधारण मौसम पूर्वानुमान में अदृश्य, बिल्कुल वही हैं जो ML मॉडल कैप्चर करते हैं।

मॉडल कैसे काम करते हैं

मौसम-समायोजित शेड्यूलिंग मॉडल तीन इनपुट लेते हैं: गतिविधि प्रकारों और स्थानों (इनडोर बनाम आउटडोर) के साथ वर्तमान प्रोजेक्ट शेड्यूल, पूर्ण प्रोजेक्ट्स से ऐतिहासिक मौसम-उत्पादकता डेटा, और वाणिज्यिक मौसम सेवाओं से पूर्वानुमान मौसम डेटा जो निर्माण-विशिष्ट मेट्रिक्स प्रदान करती हैं।

मॉडल प्रत्येक गतिविधि को मौसम संवेदनशीलता रेटिंग प्रदान करता है। बाहरी कंक्रीट कार्य में वर्षा, तापमान और हवा के प्रति उच्च संवेदनशीलता हो सकती है। आंतरिक ड्राईवॉल में शून्य मौसम संवेदनशीलता हो सकती है जब तक कि इमारत अभी तक बंद न हो, उस स्थिति में आर्द्रता एक कारक बन जाती है। छत का काम वर्षा और हवा के प्रति संवेदनशील है लेकिन सामान्य सीमाओं के भीतर तापमान भिन्नता के प्रति अपेक्षाकृत सहनशील है।

जैसे-जैसे मौसम पूर्वानुमान अपडेट होते हैं, मॉडल प्रत्येक मौसम-संवेदनशील गतिविधि के लिए अपेक्षित उत्पादकता की पुनर्गणना करता है और तदनुसार शेड्यूल को समायोजित करता है। यह केवल गतिविधियों को अलग-अलग दिनों में स्थानांतरित नहीं करता। यह सीमांत परिस्थितियों में काम करने बनाम बेहतर परिस्थितियों की प्रतीक्षा करने के उत्पादकता प्रभाव को मॉडल करता है, निष्क्रिय क्रू और उपकरणों की लागत को कम उत्पादकता की लागत के विरुद्ध ध्यान में रखते हुए।

शेड्यूल सटीकता पर मात्रात्मक प्रभाव

प्रशांत उत्तर-पश्चिम में 60 वाणिज्यिक निर्माण प्रोजेक्ट्स के एक अध्ययन ने मौसम-समायोजित शेड्यूलिंग का उपयोग करने वाले प्रोजेक्ट्स और मैन्युअल मौसम समायोजन के साथ पारंपरिक शेड्यूलिंग का उपयोग करने वाले नियंत्रण समूह के बीच शेड्यूल प्रदर्शन की तुलना की। मौसम-समायोजित समूह ने अपनी अनुमानित पूर्णता तिथि के औसतन 4.2 दिनों के भीतर पूरा किया। नियंत्रण समूह औसतन 18.7 दिन देरी से था।

अंतर यह नहीं था कि मौसम-समायोजित समूह को बेहतर मौसम मिला। दोनों समूहों में मौसम तुलनीय था। अंतर यह था कि मौसम-समायोजित शेड्यूल ने शुरू से ही यथार्थवादी उत्पादकता अनुमान शामिल किए, बजाय आदर्श परिस्थितियों को मानने और फिर मौसम के कारण देरी होने पर हड़बड़ाने के।

निर्माण उद्योग राष्ट्रीय औसत आधार पर मौसम प्रभावों के कारण अनुमानित 45 कार्य दिवस प्रति वर्ष खोता है, जिसमें महत्वपूर्ण क्षेत्रीय भिन्नता है। प्रशांत उत्तर-पश्चिम में, यह लगभग 65 दिन है। रेगिस्तानी दक्षिण-पश्चिम में, यह 20 दिनों तक गिर जाता है लेकिन गर्मियों में अत्यधिक गर्मी के प्रभावों के साथ जिन्हें पारंपरिक शेड्यूलिंग अक्सर कम आंकती है।

क्षेत्रीय कैलिब्रेशन महत्वपूर्ण है

ML मौसम मॉडल को उपयोगी होने के लिए क्षेत्रीय कैलिब्रेशन की आवश्यकता होती है। मौसम और उत्पादकता के बीच संबंध भूगोल, मौसम और स्थानीय निर्माण प्रथाओं के अनुसार काफी भिन्न होता है। टेक्सास निर्माण प्रोजेक्ट्स के डेटा पर प्रशिक्षित मॉडल मिनेसोटा में मौसम प्रभावों की सटीक भविष्यवाणी नहीं करेगा क्योंकि क्रू, उपकरण और साइट प्रबंधन प्रथाएँ विभिन्न परिस्थितियों के अनुकूल हैं।

AI-संचालित निर्माण शेड्यूलिंग टूल्स का उपयोग करने वाले ठेकेदारों को आमतौर पर अपने विशिष्ट ट्रेड्स, क्रू और क्षेत्र के लिए मौसम-उत्पादकता संबंधों को कैलिब्रेट करने के लिए 8 से 12 प्रोजेक्ट्स के स्थानीय डेटा की आवश्यकता होती है। इस कैलिब्रेशन अवधि के दौरान, मॉडल लगातार सुधार करते हैं क्योंकि वे स्थानीय वातावरण के विशिष्ट पैटर्न सीखते हैं।

कुछ प्लेटफॉर्म एक ही क्षेत्र में कई ठेकेदारों से एकत्रित डेटा का उपयोग करके कैलिब्रेशन को तेज करते हैं, जिसे गुमनाम और संयुक्त करके क्षेत्रीय बेसलाइन मॉडल बनाए जाते हैं। एक नए बाजार में ठेकेदार क्षेत्रीय बेसलाइन से शुरू कर सकता है और प्रोजेक्ट्स पूरे करते हुए अपने डेटा से इसे परिष्कृत कर सकता है।

मौसमी योजना में सुधार

जहाँ मौसम-समायोजित शेड्यूलिंग सबसे अधिक रणनीतिक मूल्य जोड़ती है वह प्रोजेक्ट प्लानिंग में है, निर्माण शुरू होने से महीनों पहले। जब एक ठेकेदार एक नई इमारत के लिए प्रोजेक्ट शेड्यूल विकसित कर रहा होता है, तो ML मॉडल नियोजित निर्माण के प्रत्येक महीने के लिए ऐतिहासिक मौसम पैटर्न के विरुद्ध शेड्यूल का अनुकरण कर सकता है।

यह अनुकरण पूर्णता तिथि का संभाव्यता वितरण दिखाता है, न कि केवल एक तिथि। यह कहने के बजाय कि प्रोजेक्ट 15 नवंबर को पूरा होगा, मॉडल कहता है कि 15 नवंबर तक पूरा होने की 50% संभावना है, 28 नवंबर तक 75% संभावना है, और 10 दिसंबर तक 90% संभावना है। वह संभाव्यता सीमा अनुबंध वार्ता, माइलस्टोन प्लानिंग और संसाधन आवंटन के लिए एक एकल निर्धारक तिथि से कहीं अधिक उपयोगी है।

मौसमी पैटर्न फेजिंग निर्णयों को भी सूचित करते हैं। यदि मॉडल दिखाता है कि शिकागो में जनवरी के लिए नियोजित बाहरी कार्य में 15 से अधिक कार्य दिवस खोने की 60% संभावना है, तो शेड्यूल को दिसंबर से पहले बाहरी एनक्लोजर पूरा करने और जनवरी के काम को आंतरिक गतिविधियों पर केंद्रित करने के लिए पुनर्गठित किया जा सकता है। इस प्रकार का अनुकूलन मैन्युअल प्लानिंग से संभव है, लेकिन ML मॉडल इसे अंतर्ज्ञान-आधारित के बजाय व्यवस्थित और मात्रात्मक बनाता है।

एकीकरण की चुनौतियाँ

प्राथमिक एकीकरण चुनौती मौसम डेटा को शेड्यूल गतिविधियों से संरचित तरीके से जोड़ना है। अधिकांश प्रोजेक्ट शेड्यूल गतिविधियों को इनडोर या आउटडोर के रूप में टैग नहीं करते, यह पहचान नहीं करते कि कौन सी गतिविधियाँ मौसम-संवेदनशील हैं, और प्रासंगिक मौसम सीमाओं को निर्दिष्ट नहीं करते। पहले प्रोजेक्ट के लिए यह मेटाडेटा सेट करने में प्रयास लगता है, लेकिन सामान्य प्रोजेक्ट प्रकारों के लिए टेम्पलेट बाद के प्रोजेक्ट्स के लिए सेटअप समय कम करते हैं।

मौसम डेटा पक्ष आसान हो गया है क्योंकि निर्माण-विशिष्ट मौसम सेवाओं में सुधार हुआ है। जो सेवाएँ प्रति घंटा स्तर पर वर्षा संभावना, मिट्टी की नमी अनुमान, प्रासंगिक ऊँचाइयों पर हवा की गति, और उपभोक्ता मौसम ऐप्स से बेहतर सटीकता वाले तापमान पूर्वानुमान प्रदान करती हैं, वे ML मॉडल को काम करने के लिए बेहतर इनपुट देती हैं।

जो चीज इस तकनीक को सेटअप प्रयास के लायक बनाती है वह संचयी लाभ है। प्रत्येक प्रोजेक्ट का डेटा अगले प्रोजेक्ट के लिए मॉडल को बेहतर बनाता है। 2 से 3 वर्षों के डेटा संग्रह के बाद, मौसम-समायोजित शेड्यूल किसी भी मानव योजनाकार की तुलना में उल्लेखनीय रूप से अधिक सटीक हो जाते हैं, क्योंकि मॉडल दर्जनों प्रोजेक्ट्स में हजारों डेटा बिंदुओं के साथ काम कर रहा होता है जबकि एक मानव योजनाकार स्मृति और सामान्य अनुभव से काम कर रहा होता है।