Makine Öğrenimi Kullanarak Hava Durumuna Göre Ayarlanmış İnşaat Programlama

Her şantiye şefi hava durumu tahminini kontrol eder. Ancak çok azı, yarın beton dökülüp dökülmeyeceğine karar vermenin ötesinde bu bilgiyle sistematik bir şey yapar. Makine öğrenimi, ayrıntılı hava durumu verilerini belirli inşaat faaliyetlerinin verimlilik oranlarına bağlayarak ve farklı işçi ekiplerini farklı şekillerde etkileyen koşullara göre programları otomatik olarak ayarlayarak bunu değiştiriyor.

Temel Tahminlerin Ötesinde

10 günlük hava durumu tahmini size Salı günü yağmur yağacağını söyler. İnşaat programlamasına uygulanan makine öğrenimi ise size Salı günkü yağmurun, geçen hafta düşen 50 mm yağışla birleştiğinde, şantiyenizin Perşembe gününe kadar hafriyat çalışmalarına uygun olmayacağını, dış cephe karkas ekibinizin Çarşamba günü ıslak koşullar nedeniyle %40 verimlilik kaybedeceğini ve Cuma günü planlanan beton dökümünüzün alt zemin yeterince kurumayacağı için Pazartesiye taşınması gerektiğini söyler.

Fark, özgüllüktedir. Geçmiş proje verilerinde eğitilmiş makine öğrenimi modelleri, farklı hava koşullarının farklı faaliyetleri farklı eşiklerde nasıl etkilediğini öğrenir. Saatte 6 mm'nin altındaki hafif yağmur çelik montajını neredeyse hiç etkilemez ancak dış cephe boyama işini tamamen durdurur. Saatte 40 km'nin üzerindeki rüzgar vinç operasyonlarını durdurur ancak iç mekan çalışmalarını etkilemez. 4°C'nin altındaki sıcaklık, döküm süresine %15 ekleyen beton koruma önlemleri gerektirir.

Seattle'daki bir mekanik tesisat yüklenicisi, üç yıl boyunca 40 projede işgücü verimliliğini hava durumu verileriyle karşılaştırarak takip etti. Saatte 2,5 mm'nin üzerinde yağmurlu günlerde dış mekan boru montajı verimliliğinin %22 düştüğünü, 7°C'nin altındaki sıcaklıklarla birleştiğinde %31 düştüğünü ve kuru olan ancak çamurlu şantiye koşulları nedeniyle art arda iki veya daha fazla yağmurlu günü takip eden günlerde %8 düştüğünü tespit ettiler. Basit bir hava durumu tahmininde görünmeyen bu spesifik ilişkiler, tam olarak makine öğrenimi modellerinin yakaladığı şeydir.

Modeller Nasıl Çalışır

Hava durumuna göre ayarlanmış programlama modelleri üç girdi alır: faaliyet türleri ve konumları (iç mekan ve dış mekan) ile mevcut proje programı, tamamlanmış projelerden elde edilen geçmiş hava durumu-verimlilik verileri ve inşaata özel metrikler sağlayan ticari hava durumu hizmetlerinden alınan tahmin verileri.

Model, her faaliyete hava durumu hassasiyet dereceleri atar. Dış mekan beton işleri yağış, sıcaklık ve rüzgara karşı yüksek hassasiyete sahip olabilir. İç mekan alçıpan işleri, bina henüz kapatılmamışsa nemin bir faktör haline geldiği durumlar dışında sıfır hava durumu hassasiyetine sahip olabilir. Çatı kaplama yağış ve rüzgara duyarlıdır ancak normal aralıklardaki sıcaklık değişimlerine nispeten toleranslıdır.

Hava durumu tahminleri güncellendikçe, model hava durumuna duyarlı her faaliyet için beklenen verimliliği yeniden hesaplar ve programı buna göre ayarlar. Sadece faaliyetleri farklı günlere kaydırmaz. Boşta kalan ekip ve ekipman maliyetini düşük verimlilik maliyetiyle karşılaştırarak, marjinal koşullarda çalışmanın verimlilik etkisini daha iyi koşulları beklemeye karşı modeller.

Program Doğruluğu Üzerindeki Ölçülebilir Etki

Pasifik Kuzeybatı'daki 60 ticari inşaat projesini kapsayan bir çalışma, hava durumuna göre ayarlanmış programlama kullanan projeler ile manuel hava durumu ayarlamaları yapan geleneksel programlama kullanan kontrol grubu arasındaki program performansını karşılaştırdı. Hava durumuna göre ayarlanmış grup, öngörülen tamamlanma tarihlerinden ortalama 4,2 gün sapma ile tamamlandı. Kontrol grubu ise ortalama 18,7 gün gecikti.

Fark, hava durumuna göre ayarlanmış grubun daha iyi hava koşulları yaşaması değildi. Hava koşulları her iki grup için de karşılaştırılabilir düzeydeydi. Fark, hava durumuna göre ayarlanmış programların başından itibaren gerçekçi verimlilik varsayımları oluşturmasıydı; ideal koşullar varsayıp hava durumu gecikmelere neden olduğunda telaşa kapılmak yerine.

İnşaat sektörü, ulusal ortalama bazında yılda tahminen 45 iş gününü hava durumu etkilerine kaybetmektedir ve bölgesel olarak önemli farklılıklar vardır. Pasifik Kuzeybatı'da bu rakam 65 güne yakındır. Güneybatı çöllerinde 20 güne düşer ancak yaz aylarındaki aşırı sıcak etkileri geleneksel programlamanın sıklıkla hafife aldığı bir faktördür.

Bölgesel Kalibrasyon Önemlidir

Makine öğrenimi hava durumu modellerinin kullanışlı olabilmesi için bölgesel kalibrasyona ihtiyacı vardır. Hava durumu ile verimlilik arasındaki ilişki coğrafyaya, mevsime ve yerel inşaat uygulamalarına göre önemli ölçüde değişir. Teksas inşaat projelerinden elde edilen verilerle eğitilmiş bir model, Minnesota'daki hava durumu etkilerini doğru bir şekilde tahmin edemez çünkü ekipler, ekipman ve şantiye yönetim uygulamaları farklı koşullara uyarlanmıştır.

Yapay zeka destekli inşaat programlama araçlarını kullanan yüklenicilerin, kendi özel işçi ekipleri, ekipleri ve bölgeleri için hava durumu-verimlilik ilişkilerini kalibre etmek üzere genellikle 8 ila 12 yerel projeye ihtiyacı vardır. Bu kalibrasyon döneminde, modeller yerel çevrenin spesifik kalıplarını öğrendikçe sürekli olarak gelişir.

Bazı platformlar, aynı bölgedeki birden fazla yükleniciden elde edilen toplu verileri anonimleştirip birleştirerek bölgesel temel modeller oluşturarak kalibrasyonu hızlandırır. Yeni bir pazardaki bir yüklenici, bölgesel temel modelle başlayabilir ve projeleri tamamladıkça kendi verileriyle bunu iyileştirebilir.

Mevsimsel Planlama İyileştirmeleri

Hava durumuna göre ayarlanmış programlamanın en fazla stratejik değer kattığı alan, inşaat başlamadan aylar önce yapılan proje planlamasıdır. Bir yüklenici yeni bir bina için proje programı geliştirirken, makine öğrenimi modeli programı planlanan inşaatın her ayı için geçmiş hava durumu kalıplarına karşı simüle edebilir.

Bu simülasyon, tek bir tarih değil, tamamlanma tarihinin olasılık dağılımını gösterir. Projenin 15 Kasım'da tamamlanacağını söylemek yerine, model 15 Kasım'a kadar tamamlanma olasılığının %50, 28 Kasım'a kadar %75 ve 10 Aralık'a kadar %90 olduğunu söyler. Bu olasılık aralığı, sözleşme müzakereleri, kilometre taşı planlaması ve kaynak tahsisi için tek bir deterministik tarihten çok daha kullanışlıdır.

Mevsimsel kalıplar ayrıca aşamalama kararlarını da bilgilendirir. Model, Chicago'da Ocak ayı için planlanan dış mekan çalışmalarının 15 iş gününden fazla kaybetme olasılığının %60 olduğunu gösteriyorsa, program dış cephe kapatmayı Aralık ayından önce tamamlayacak ve Ocak ayı çalışmalarını iç mekan faaliyetlerine odaklayacak şekilde yeniden yapılandırılabilir. Bu tür bir optimizasyon manuel planlamayla da mümkündür, ancak makine öğrenimi modeli bunu sezgiye dayalı olmaktan çıkarıp sistematik ve nicel hale getirir.

Entegrasyon Zorlukları

Birincil entegrasyon zorluğu, hava durumu verilerini program faaliyetlerine yapılandırılmış bir şekilde bağlamaktır. Çoğu proje programı faaliyetleri iç mekan veya dış mekan olarak etiketlemez, hangi faaliyetlerin hava durumuna duyarlı olduğunu belirlemez ve ilgili hava durumu eşiklerini tanımlamaz. Bu meta verileri ilk proje için oluşturmak çaba gerektirir, ancak yaygın proje türleri için şablonlar sonraki projelerde kurulum süresini azaltır.

İnşaata özel hava durumu hizmetlerinin gelişmesiyle hava durumu verisi tarafı kolaylaştı. Saatlik düzeyde yağış olasılığı, toprak nemi tahminleri, ilgili yüksekliklerde rüzgar hızı ve tüketici hava durumu uygulamalarından daha iyi doğrulukla sıcaklık tahminleri sağlayan hizmetler, makine öğrenimi modellerine çalışmak için daha iyi girdiler sunar.

Bu teknolojiyi kurulum çabasına değer kılan şey, bileşik faydadır. Her projenin verileri bir sonraki proje için modeli geliştirir. 2 ila 3 yıllık veri toplama sürecinden sonra, hava durumuna göre ayarlanmış programlar herhangi bir insan planlayıcının manuel olarak başarabileceğinden belirgin şekilde daha doğru hale gelir; çünkü model düzinelerce proje genelinde binlerce veri noktasıyla çalışırken, bir insan planlayıcı hafızasına ve genel deneyimine dayanarak çalışır.