Penjadwalan Konstruksi Berbasis Cuaca Menggunakan Machine Learning

Setiap superintendent memeriksa prakiraan cuaca. Namun sedikit yang melakukan sesuatu secara sistematis dengan informasi tersebut selain memutuskan apakah akan menuang beton besok atau tidak. Machine learning mengubah hal itu dengan menghubungkan data cuaca yang terperinci ke tingkat produktivitas aktivitas konstruksi tertentu, menyesuaikan jadwal secara otomatis berdasarkan kondisi yang memengaruhi berbagai bidang pekerjaan dengan cara yang berbeda.

Lebih dari Sekadar Prakiraan Cuaca Biasa

Prakiraan cuaca 10 hari memberi tahu Anda bahwa hari Selasa akan hujan. Machine learning yang diterapkan pada penjadwalan konstruksi memberi tahu Anda bahwa hujan hari Selasa, dikombinasikan dengan 2 inci hujan yang turun minggu lalu, berarti lokasi proyek Anda tidak akan dapat diakses untuk pekerjaan tanah hingga hari Kamis, kru framing eksterior Anda akan kehilangan 40% produktivitas pada hari Rabu karena kondisi basah, dan pengecoran beton yang dijadwalkan hari Jumat perlu dipindahkan ke hari Senin karena subgrade belum cukup kering.

Perbedaannya adalah spesifisitas. Model ML yang dilatih pada data proyek historis mempelajari bagaimana kondisi cuaca yang berbeda memengaruhi aktivitas yang berbeda pada ambang batas yang berbeda. Hujan ringan di bawah 0,25 inci per jam hampir tidak memengaruhi pemasangan baja tetapi menghentikan pengecatan eksterior sepenuhnya. Angin di atas 25 mph menghentikan operasi crane tetapi tidak memengaruhi pekerjaan interior. Suhu di bawah 40 derajat F memerlukan langkah perlindungan beton yang menambah 15% waktu pengecoran.

Seorang kontraktor mekanikal di Seattle melacak produktivitas tenaga kerja mereka terhadap data cuaca di 40 proyek selama tiga tahun. Mereka menemukan bahwa produktivitas pemasangan pipa outdoor turun 22% pada hari dengan hujan lebih dari 0,1 inci per jam, 31% ketika dikombinasikan dengan suhu di bawah 45 derajat F, dan 8% pada hari yang kering tetapi mengikuti dua hari hujan berturut-turut atau lebih karena kondisi lokasi yang berlumpur. Hubungan spesifik ini, yang tidak terlihat dalam prakiraan cuaca sederhana, adalah persis apa yang ditangkap oleh model ML.

Cara Kerja Model

Model penjadwalan yang disesuaikan dengan cuaca mengambil tiga input: jadwal proyek saat ini dengan jenis aktivitas dan lokasi (indoor vs. outdoor), data historis cuaca-produktivitas dari proyek yang telah selesai, dan data prakiraan cuaca dari layanan cuaca komersial yang menyediakan metrik khusus konstruksi.

Model ini memberikan peringkat sensitivitas cuaca untuk setiap aktivitas. Pekerjaan beton eksterior mungkin memiliki sensitivitas tinggi terhadap curah hujan, suhu, dan angin. Drywall interior mungkin memiliki sensitivitas cuaca nol kecuali bangunan belum tertutup, dalam hal ini kelembapan menjadi faktor. Pekerjaan atap sensitif terhadap curah hujan dan angin tetapi relatif toleran terhadap variasi suhu dalam rentang normal.

Saat prakiraan cuaca diperbarui, model menghitung ulang produktivitas yang diharapkan untuk setiap aktivitas yang sensitif terhadap cuaca dan menyesuaikan jadwal sesuai kebutuhan. Model ini tidak hanya memindahkan aktivitas ke hari yang berbeda. Model ini memodelkan dampak produktivitas dari bekerja dalam kondisi marginal versus menunggu kondisi yang lebih baik, memperhitungkan biaya kru dan peralatan yang menganggur terhadap biaya produktivitas yang berkurang.

Dampak Terukur pada Akurasi Jadwal

Sebuah studi terhadap 60 proyek konstruksi komersial di Pacific Northwest membandingkan kinerja jadwal antara proyek yang menggunakan penjadwalan berbasis cuaca dan kelompok kontrol yang menggunakan penjadwalan tradisional dengan penyesuaian cuaca manual. Kelompok yang menggunakan penyesuaian cuaca selesai dalam rata-rata 4,2 hari dari tanggal penyelesaian yang diprediksi. Kelompok kontrol rata-rata terlambat 18,7 hari.

Perbedaannya bukan karena kelompok yang menggunakan penyesuaian cuaca mengalami cuaca yang lebih baik. Cuacanya sebanding di kedua kelompok. Perbedaannya adalah jadwal yang disesuaikan dengan cuaca membangun asumsi produktivitas yang realistis sejak awal, alih-alih mengasumsikan kondisi ideal dan kemudian kelimpungan ketika cuaca menyebabkan keterlambatan.

Industri konstruksi kehilangan sekitar 45 hari kerja per tahun akibat dampak cuaca secara rata-rata nasional, dengan variasi regional yang signifikan. Di Pacific Northwest, angkanya mendekati 65 hari. Di gurun Southwest, turun menjadi 20 hari tetapi dengan dampak panas ekstrem di musim panas yang sering diremehkan oleh penjadwalan tradisional.

Kalibrasi Regional Sangat Penting

Model cuaca ML memerlukan kalibrasi regional agar berguna. Hubungan antara cuaca dan produktivitas bervariasi secara signifikan berdasarkan geografi, musim, dan praktik konstruksi lokal. Model yang dilatih pada data proyek konstruksi di Texas tidak akan secara akurat memprediksi dampak cuaca di Minnesota karena kru, peralatan, dan praktik manajemen lokasi telah disesuaikan dengan kondisi yang berbeda.

Kontraktor yang menggunakan alat penjadwalan konstruksi berbasis AI biasanya memerlukan 8 hingga 12 proyek data lokal untuk mengkalibrasi hubungan cuaca-produktivitas untuk bidang pekerjaan, kru, dan wilayah spesifik mereka. Selama periode kalibrasi ini, model terus meningkat seiring mereka mempelajari pola spesifik dari lingkungan lokal.

Beberapa platform mempercepat kalibrasi dengan menggunakan data agregat dari beberapa kontraktor di wilayah yang sama, yang dianonimkan dan digabungkan untuk membangun model baseline regional. Kontraktor di pasar baru dapat memulai dengan baseline regional dan menyempurnakannya dengan data mereka sendiri saat mereka menyelesaikan proyek.

Peningkatan Perencanaan Musiman

Di mana penjadwalan berbasis cuaca memberikan nilai strategis terbesar adalah dalam perencanaan proyek, berbulan-bulan sebelum konstruksi dimulai. Ketika kontraktor mengembangkan jadwal proyek untuk bangunan baru, model ML dapat mensimulasikan jadwal terhadap pola cuaca historis untuk setiap bulan konstruksi yang direncanakan.

Simulasi ini menunjukkan distribusi probabilitas tanggal penyelesaian, bukan hanya satu tanggal. Alih-alih mengatakan proyek akan selesai pada 15 November, model mengatakan ada probabilitas 50% selesai pada 15 November, probabilitas 75% pada 28 November, dan probabilitas 90% pada 10 Desember. Rentang probabilitas tersebut jauh lebih berguna untuk negosiasi kontrak, perencanaan milestone, dan alokasi sumber daya daripada satu tanggal deterministik.

Pola musiman juga menginformasikan keputusan pentahapan. Jika model menunjukkan bahwa pekerjaan eksterior yang direncanakan untuk Januari di Chicago memiliki peluang 60% kehilangan lebih dari 15 hari kerja, jadwal mungkin direstrukturisasi untuk menyelesaikan penutupan eksterior sebelum Desember dan memfokuskan pekerjaan Januari pada aktivitas interior. Jenis optimasi ini dimungkinkan dengan perencanaan manual, tetapi model ML menjadikannya sistematis dan kuantitatif alih-alih berbasis intuisi.

Tantangan Integrasi

Tantangan integrasi utama adalah menghubungkan data cuaca ke aktivitas jadwal secara terstruktur. Sebagian besar jadwal proyek tidak menandai aktivitas sebagai indoor atau outdoor, tidak mengidentifikasi aktivitas mana yang sensitif terhadap cuaca, dan tidak menentukan ambang batas cuaca yang relevan. Menyiapkan metadata ini untuk proyek pertama memerlukan usaha, tetapi template untuk jenis proyek umum mengurangi waktu persiapan untuk proyek-proyek berikutnya.

Sisi data cuaca menjadi lebih mudah seiring membaiknya layanan cuaca khusus konstruksi. Layanan yang menyediakan probabilitas curah hujan pada tingkat per jam, estimasi kelembapan tanah, kecepatan angin pada ketinggian yang relevan, dan prakiraan suhu dengan akurasi lebih baik daripada aplikasi cuaca konsumen memberikan input yang lebih baik untuk model ML.

Yang membuat teknologi ini sepadan dengan usaha persiapannya adalah manfaat yang berlipat ganda. Data setiap proyek meningkatkan model untuk proyek berikutnya. Setelah 2 hingga 3 tahun pengumpulan data, jadwal yang disesuaikan dengan cuaca menjadi jauh lebih akurat daripada yang bisa dicapai oleh perencana manusia secara manual, karena model bekerja dengan ribuan titik data di puluhan proyek sementara perencana manusia bekerja dari ingatan dan pengalaman umum.