Penjadualan Pembinaan Diselaraskan Cuaca Menggunakan Pembelajaran Mesin

Setiap penyelia tapak menyemak ramalan cuaca. Namun sedikit yang melakukan sesuatu secara sistematik dengan maklumat tersebut selain memutuskan sama ada hendak menuang konkrit esok atau tidak. Pembelajaran mesin sedang mengubah keadaan ini dengan menghubungkan data cuaca terperinci kepada kadar produktiviti aktiviti pembinaan tertentu, menyesuaikan jadual secara automatik berdasarkan keadaan yang mempengaruhi tred berbeza dengan cara yang berbeza.

Melangkaui Ramalan Asas

Ramalan cuaca 10 hari memberitahu anda bahawa hari Selasa akan hujan. Pembelajaran mesin yang diaplikasikan pada penjadualan pembinaan memberitahu anda bahawa hujan hari Selasa, digabungkan dengan 2 inci hujan yang turun minggu lepas, bermakna tapak anda tidak boleh diakses untuk kerja tanah sehingga hari Khamis, krew pembingkaian eksterior anda akan kehilangan 40% produktiviti pada hari Rabu disebabkan keadaan basah, dan tuangan konkrit yang dijadualkan pada hari Jumaat perlu dipindahkan ke hari Isnin kerana subgred tidak akan cukup kering.

Perbezaannya ialah kekhususan. Model ML yang dilatih menggunakan data projek sejarah mempelajari bagaimana keadaan cuaca berbeza mempengaruhi aktiviti berbeza pada ambang yang berbeza. Hujan ringan di bawah 0.25 inci sejam hampir tidak menjejaskan pemasangan keluli tetapi menghentikan pengecatan eksterior sepenuhnya. Angin melebihi 25 mph menghentikan operasi kren tetapi tidak menjejaskan kerja dalaman. Suhu di bawah 40 darjah F memerlukan langkah perlindungan konkrit yang menambah 15% kepada masa tuangan.

Seorang kontraktor mekanikal di Seattle menjejaki produktiviti buruh mereka berbanding data cuaca merentasi 40 projek selama tiga tahun. Mereka mendapati produktiviti pemasangan paip luar menurun 22% pada hari dengan hujan melebihi 0.1 inci sejam, 31% apabila digabungkan dengan suhu di bawah 45 darjah F, dan 8% pada hari yang kering tetapi mengikuti dua atau lebih hari hujan berturut-turut disebabkan keadaan tapak berlumpur. Hubungan khusus ini, yang tidak kelihatan dalam ramalan cuaca mudah, adalah tepat apa yang ditangkap oleh model ML.

Bagaimana Model Berfungsi

Model penjadualan diselaraskan cuaca mengambil tiga input: jadual projek semasa dengan jenis aktiviti dan lokasi (dalaman vs. luaran), data sejarah cuaca-produktiviti daripada projek yang telah siap, dan data ramalan cuaca daripada perkhidmatan cuaca komersial yang menyediakan metrik khusus pembinaan.

Model ini memberikan penilaian sensitiviti cuaca kepada setiap aktiviti. Kerja konkrit eksterior mungkin mempunyai sensitiviti tinggi terhadap hujan, suhu, dan angin. Drywall dalaman mungkin mempunyai sensitiviti cuaca sifar melainkan bangunan belum ditutup sepenuhnya, dalam kes tersebut kelembapan menjadi faktor. Kerja bumbung sensitif terhadap hujan dan angin tetapi agak toleran terhadap variasi suhu dalam julat normal.

Apabila ramalan cuaca dikemas kini, model mengira semula produktiviti yang dijangkakan untuk setiap aktiviti sensitif cuaca dan menyesuaikan jadual dengan sewajarnya. Ia tidak hanya mengalihkan aktiviti ke hari yang berbeza. Ia memodelkan kesan produktiviti bekerja dalam keadaan marginal berbanding menunggu keadaan yang lebih baik, mengambil kira kos krew dan peralatan yang terbiar berbanding kos produktiviti yang berkurangan.

Kesan Terkuantifikasi Terhadap Ketepatan Jadual

Satu kajian terhadap 60 projek pembinaan komersial di Pacific Northwest membandingkan prestasi jadual antara projek yang menggunakan penjadualan diselaraskan cuaca dan kumpulan kawalan yang menggunakan penjadualan tradisional dengan pelarasan cuaca manual. Kumpulan diselaraskan cuaca disiapkan dalam purata 4.2 hari daripada tarikh siap yang diramalkan. Kumpulan kawalan lewat purata 18.7 hari.

Perbezaannya bukan kerana kumpulan diselaraskan cuaca mengalami cuaca yang lebih baik. Cuaca adalah setanding merentasi kedua-dua kumpulan. Perbezaannya ialah jadual diselaraskan cuaca memasukkan andaian produktiviti yang realistik dari awal, bukannya mengandaikan keadaan ideal dan kemudian kelam-kabut apabila cuaca menyebabkan kelewatan.

Industri pembinaan kehilangan anggaran 45 hari bekerja setahun akibat kesan cuaca secara purata nasional, dengan variasi serantau yang ketara. Di Pacific Northwest, ia lebih hampir kepada 65 hari. Di gurun Southwest, ia menurun kepada 20 hari tetapi dengan kesan haba melampau pada musim panas yang sering dipandang rendah oleh penjadualan tradisional.

Penentukuran Serantau Penting

Model cuaca ML memerlukan penentukuran serantau untuk berguna. Hubungan antara cuaca dan produktiviti berbeza dengan ketara mengikut geografi, musim, dan amalan pembinaan tempatan. Model yang dilatih menggunakan data projek pembinaan Texas tidak akan meramalkan kesan cuaca di Minnesota dengan tepat kerana krew, peralatan, dan amalan pengurusan tapak disesuaikan untuk keadaan yang berbeza.

Kontraktor yang menggunakan alat penjadualan pembinaan berkuasa AI biasanya memerlukan 8 hingga 12 projek data tempatan untuk menentukur hubungan cuaca-produktiviti bagi tred, krew, dan wilayah khusus mereka. Semasa tempoh penentukuran ini, model bertambah baik secara berterusan apabila ia mempelajari corak khusus persekitaran tempatan.

Sesetengah platform mempercepatkan penentukuran dengan menggunakan data agregat daripada pelbagai kontraktor di wilayah yang sama, dianonimkan dan digabungkan untuk membina model asas serantau. Kontraktor di pasaran baharu boleh bermula dengan asas serantau dan memperhalusinya dengan data mereka sendiri apabila mereka menyiapkan projek.

Penambahbaikan Perancangan Bermusim

Di mana penjadualan diselaraskan cuaca menambah nilai strategik paling banyak ialah dalam perancangan projek, berbulan-bulan sebelum pembinaan bermula. Apabila kontraktor membangunkan jadual projek untuk bangunan baharu, model ML boleh mensimulasikan jadual tersebut berbanding corak cuaca sejarah untuk setiap bulan pembinaan yang dirancang.

Simulasi ini menunjukkan taburan kebarangkalian tarikh siap, bukan hanya satu tarikh tunggal. Daripada mengatakan projek akan siap pada 15 November, model mengatakan terdapat kebarangkalian 50% untuk siap menjelang 15 November, kebarangkalian 75% menjelang 28 November, dan kebarangkalian 90% menjelang 10 Disember. Julat kebarangkalian itu jauh lebih berguna untuk rundingan kontrak, perancangan pencapaian, dan peruntukan sumber berbanding satu tarikh deterministik tunggal.

Corak bermusim juga memaklumkan keputusan fasa. Jika model menunjukkan bahawa kerja eksterior yang dirancang untuk Januari di Chicago mempunyai peluang 60% kehilangan lebih daripada 15 hari bekerja, jadual mungkin distruktur semula untuk menyiapkan penutupan eksterior sebelum Disember dan memfokuskan kerja Januari pada aktiviti dalaman. Pengoptimuman seperti ini boleh dilakukan dengan perancangan manual, tetapi model ML menjadikannya sistematik dan kuantitatif berbanding berasaskan intuisi.

Cabaran Integrasi

Cabaran integrasi utama ialah menghubungkan data cuaca kepada aktiviti jadual secara berstruktur. Kebanyakan jadual projek tidak menandakan aktiviti sebagai dalaman atau luaran, tidak mengenal pasti aktiviti mana yang sensitif cuaca, dan tidak menyatakan ambang cuaca yang berkaitan. Menyediakan metadata ini untuk projek pertama memerlukan usaha, tetapi templat untuk jenis projek biasa mengurangkan masa persediaan untuk projek seterusnya.

Bahagian data cuaca telah menjadi lebih mudah apabila perkhidmatan cuaca khusus pembinaan telah bertambah baik. Perkhidmatan yang menyediakan kebarangkalian hujan pada tahap setiap jam, anggaran kelembapan tanah, kelajuan angin pada ketinggian yang berkaitan, dan ramalan suhu dengan ketepatan lebih baik daripada aplikasi cuaca pengguna memberikan model ML input yang lebih baik untuk digunakan.

Apa yang menjadikan teknologi ini berbaloi dengan usaha persediaan ialah manfaat berganda. Data setiap projek menambah baik model untuk projek seterusnya. Selepas 2 hingga 3 tahun pengumpulan data, jadual diselaraskan cuaca menjadi jauh lebih tepat daripada apa yang boleh dicapai oleh mana-mana perancang manusia secara manual, kerana model bekerja dengan ribuan titik data merentasi berpuluh-puluh projek manakala perancang manusia bekerja daripada ingatan dan pengalaman umum.