Programmazione dei lavori edili adattata al meteo con il Machine Learning
Ogni direttore di cantiere controlla le previsioni meteo. Pochi però fanno qualcosa di sistematico con queste informazioni, al di là del decidere se gettare il calcestruzzo domani o meno. Il machine learning sta cambiando le cose collegando dati meteorologici granulari ai tassi di produttività specifici delle attività edili, adattando automaticamente i programmi in base a condizioni che influenzano i diversi mestieri in modi diversi.
Oltre le previsioni di base
Una previsione meteo a 10 giorni ti dice che martedì pioverà. Il machine learning applicato alla programmazione dei lavori edili ti dice che la pioggia di martedì, combinata con i 5 centimetri caduti la settimana scorsa, significa che il cantiere non sarà accessibile per i lavori di movimento terra fino a giovedì, la squadra di carpenteria esterna perderà il 40% di produttività mercoledì a causa delle condizioni di umidità, e il getto di calcestruzzo programmato per venerdì deve essere spostato a lunedì perché il sottofondo non si sarà asciugato a sufficienza.
La differenza sta nella specificità. I modelli ML addestrati su dati storici di progetto apprendono come diverse condizioni meteorologiche influenzano diverse attività a diverse soglie. Una pioggia leggera sotto i 6 mm all'ora influisce appena sul montaggio dell'acciaio, ma blocca completamente la verniciatura esterna. Il vento sopra i 40 km/h ferma le operazioni con la gru, ma non influisce sui lavori interni. Temperature sotto i 4°C richiedono misure di protezione del calcestruzzo che aggiungono il 15% al tempo di getto.
Un'impresa di impianti meccanici a Seattle ha monitorato la produttività della manodopera rispetto ai dati meteo su 40 progetti nell'arco di tre anni. Hanno scoperto che la produttività nell'installazione di tubazioni esterne calava del 22% nei giorni con pioggia superiore a 2,5 mm all'ora, del 31% quando combinata con temperature sotto i 7°C, e dell'8% nei giorni asciutti ma successivi a due o più giorni consecutivi di pioggia a causa delle condizioni fangose del cantiere. Queste relazioni specifiche, invisibili in una semplice previsione meteo, sono esattamente ciò che i modelli ML catturano.
Come funzionano i modelli
I modelli di programmazione adattata al meteo richiedono tre input: il programma lavori corrente con tipi di attività e ubicazioni (interno vs. esterno), dati storici meteo-produttività da progetti completati e dati previsionali meteo da servizi meteorologici commerciali che forniscono metriche specifiche per l'edilizia.
Il modello assegna valutazioni di sensibilità meteorologica a ciascuna attività. I lavori di calcestruzzo esterno potrebbero avere un'alta sensibilità a precipitazioni, temperatura e vento. Il cartongesso interno potrebbe avere sensibilità meteorologica zero, a meno che l'edificio non sia ancora chiuso, nel qual caso l'umidità diventa un fattore. La copertura del tetto è sensibile a precipitazioni e vento, ma relativamente tollerante alle variazioni di temperatura entro intervalli normali.
Man mano che le previsioni meteo si aggiornano, il modello ricalcola la produttività attesa per ogni attività sensibile al meteo e adatta il programma di conseguenza. Non si limita a spostare le attività in giorni diversi. Modella l'impatto sulla produttività del lavorare in condizioni marginali rispetto all'attendere condizioni migliori, tenendo conto del costo delle squadre e delle attrezzature inattive rispetto al costo della produttività ridotta.
Impatto quantificato sulla precisione del programma
Uno studio su 60 progetti di edilizia commerciale nel Pacifico nord-occidentale ha confrontato le prestazioni di programma tra progetti che utilizzavano la programmazione adattata al meteo e un gruppo di controllo che utilizzava la programmazione tradizionale con adeguamenti meteo manuali. Il gruppo con programmazione adattata al meteo ha completato i lavori con uno scarto medio di 4,2 giorni rispetto alla data di completamento prevista. Il gruppo di controllo ha registrato un ritardo medio di 18,7 giorni.
La differenza non era che il gruppo con programmazione adattata al meteo avesse avuto condizioni meteo migliori. Il meteo era comparabile tra i due gruppi. La differenza era che i programmi adattati al meteo incorporavano ipotesi di produttività realistiche fin dall'inizio, anziché assumere condizioni ideali per poi affannarsi quando il meteo causava ritardi.
Il settore edile perde in media circa 45 giorni lavorativi all'anno a causa degli impatti meteorologici su base nazionale, con significative variazioni regionali. Nel Pacifico nord-occidentale si avvicina a 65 giorni. Nel sud-ovest desertico scende a 20 giorni, ma con impatti da caldo estremo in estate che la programmazione tradizionale spesso sottovaluta.
La calibrazione regionale è fondamentale
I modelli meteo ML necessitano di calibrazione regionale per essere utili. La relazione tra meteo e produttività varia significativamente per area geografica, stagione e pratiche edili locali. Un modello addestrato su dati di progetti edili del Texas non prevederà accuratamente gli impatti meteorologici in Minnesota, perché le squadre, le attrezzature e le pratiche di gestione del cantiere sono adattate a condizioni diverse.
Le imprese edili che utilizzano strumenti di programmazione edile basati sull'IA necessitano tipicamente di 8-12 progetti con dati locali per calibrare le relazioni meteo-produttività per i loro specifici mestieri, squadre e regione. Durante questo periodo di calibrazione, i modelli migliorano costantemente man mano che apprendono i pattern specifici dell'ambiente locale.
Alcune piattaforme accelerano la calibrazione utilizzando dati aggregati da più imprese nella stessa regione, anonimizzati e combinati per costruire modelli di riferimento regionali. Un'impresa in un nuovo mercato può partire dal modello di riferimento regionale e perfezionarlo con i propri dati man mano che completa i progetti.
Miglioramenti nella pianificazione stagionale
Dove la programmazione adattata al meteo aggiunge il maggior valore strategico è nella pianificazione del progetto, mesi prima dell'inizio dei lavori. Quando un'impresa sta sviluppando il programma lavori per un nuovo edificio, il modello ML può simulare il programma rispetto ai pattern meteorologici storici per ogni mese di costruzione previsto.
Questa simulazione mostra la distribuzione di probabilità della data di completamento, non solo una singola data. Invece di dire che il progetto sarà completato il 15 novembre, il modello dice che c'è una probabilità del 50% di completare entro il 15 novembre, una probabilità del 75% entro il 28 novembre e una probabilità del 90% entro il 10 dicembre. Questo intervallo di probabilità è molto più utile per le negoziazioni contrattuali, la pianificazione delle milestone e l'allocazione delle risorse rispetto a una singola data deterministica.
I pattern stagionali informano anche le decisioni di fasatura. Se il modello mostra che i lavori esterni pianificati per gennaio a Chicago hanno il 60% di probabilità di perdere più di 15 giorni lavorativi, il programma potrebbe essere ristrutturato per completare la chiusura esterna prima di dicembre e concentrare i lavori di gennaio sulle attività interne. Questo tipo di ottimizzazione è possibile con la pianificazione manuale, ma il modello ML la rende sistematica e quantitativa anziché basata sull'intuizione.
Sfide di integrazione
La principale sfida di integrazione è collegare i dati meteo alle attività del programma in modo strutturato. La maggior parte dei programmi lavori non classifica le attività come interne o esterne, non identifica quali attività sono sensibili al meteo e non specifica le soglie meteorologiche rilevanti. Impostare questi metadati per il primo progetto richiede impegno, ma i template per tipologie di progetto comuni riducono il tempo di configurazione per i progetti successivi.
Il lato dei dati meteorologici è diventato più semplice con il miglioramento dei servizi meteo specifici per l'edilizia. Servizi che forniscono probabilità di precipitazione a livello orario, stime dell'umidità del suolo, velocità del vento alle altezze rilevanti e previsioni di temperatura con maggiore accuratezza rispetto alle app meteo consumer offrono ai modelli ML input migliori con cui lavorare.
Ciò che rende questa tecnologia degna dello sforzo di configurazione è il beneficio cumulativo. I dati di ogni progetto migliorano il modello per il progetto successivo. Dopo 2-3 anni di raccolta dati, i programmi adattati al meteo diventano notevolmente più accurati di quanto qualsiasi pianificatore umano potrebbe ottenere manualmente, perché il modello lavora con migliaia di punti dati su decine di progetti, mentre un pianificatore umano si basa sulla memoria e sull'esperienza generale.