دانلود ترجمه مقاله تخمین هزینه شبکه عصبی هیبریدی فازی در صنعت ساخت و ساز – مجله الزویر

فهرست مطالب:

چکیده
۱  مقدمه
۲  شبکه عصبی هیبریدی فوزی تکاملی (EFHNN)

۱  ۲ شبکه عصبی هیبریدی پیشنهاد شده
۲  ۲ تسهیلات منطق فوزی
۳  ۲ تسهیلات الگوریتم ژنتیکی

۳  برآوردکننده های مفهومی هزینه
۴  نتایج و مقایسه ها

۱  ۴ نتایج برآوردکننده کلی هزینه های ساخت و ساز
۲  ۴ نتایج برآورد کننده طبقاتی هزینه های ساخت و ساز
۳  ۴ مقایسه EFHNN و EFNIM

۵  نتایج

بخشی از ترجمه:

 ۱ مقدمه

یکی از عناصر کلیدی برای مهندسی وابسته به پروژه برآوردهای هزینه می باشد که تاثیر به سزایی بر برنامه ریزی، طراحی، مناقصه، مدیریت/ بودجه ریزی هزینه و مدیریت ساخت و ساز اعمال می نماید. چنین برآوردهایی به مالکین و برنامه ریزان اجازه ارزیابی امکان پذیری پروژه و کنترل موثر هزینه ها در کارهای طراحی پروژه را می دهند. به خاطر دسترس پذیری محدود اطلاعات در طول مراحله اولیه پروژه، مدیران ساخت و ساز به طور نمونه دانش، تجربه و ارزیاب های استاندارد برای برآورد هزینه های پروژه را اهرم بندی می کنند. همچنین، شم و فراست نقش مهمی در تصمیم گیری ایفا می کند. محققین در جهت توسعه ارزیاب های هزینه ای کار کرده اند که ارزش عملی اطلاعات محدود را به منظور بهبود صحت و قابلیت اطمینان کار برآورد هزینه به حداکثر رسانده و در نتیجه سودمندی طرح های حاصله و کار اجرای پروژه را بهبود می بخشد.
در سطح سنتی، از روشهای آماری برای توسعه مدلهای برآورد هزینه استفاده می گردد. اگرچه تحلیل رگرسیون نشان دهنده و معرف یک راهکار عمومی می باشد، اما یکی از معایب ذاتی آن نیاز به شکل ریاضی تعریف شده برای توابع هزینه می باشد. عموماً، کلیه روشهای سنتی به خاطر تعداد زیاد متغیرها و برهم کنش های بین این متغیرها قادر به برآورد هزینه های درست پروژه نبوده اند. در نتیجه روشهای سنتی، با محدودیت های مهمی در کاربرد و اجرا مواجه می شوند.

 ۵٫ نتایج
EFHNN برای برآوردهای مفهومی هزینه های ساخت و ساز بهتر از نتایج بدست آمده با استفاده از EFNIM عمل می کند که فقط از اتصالات NN سنتی استفاده می کند. این مسئله حاکی از آن است که مفهوم HNN نه تنها باعث متفاوت جلوه داده شدن بخشهای وابسته به NN می شود، بلکه همچنین در EFHNN با FL و GA عملکرد خوبی از خود به معرض نمایش می گذارد.
مقاله حاضر یک برنامه کاربردی EFHNN ارائه می کند که توانایی برآورد هزینه های ساخت و ساز در طول مراحل اولیه پروژه های ساخت و ساز به منظور بهبود توانایی طراحان، مالکین و پیمانکاران برای تصمیم گیریهایی را دارد که شانس موفقیت پروژه را افزایش می دهند. نتایج بدست آمده نشان می دهد که EFHNN در مدیریت ساخت و ساز تایوان کاربرد داشته و با اصلاحاتی با توجه به عوامل منطقه ای/ ملی خاص امکان امکان اجرای آن در سرتاسر جهان میسر می باشد.

بخشی از مقاله انگلیسی:

۱٫ Introduction

Cost estimates are fundamental to all project-related engineeringand greatly influence planning, design, bidding, cost management/budgeting and construction management. Such estimatesallow owners and planners to evaluate project feasibility and controlcosts effectively in detailed project design work. Due to thelimited availability of information during the early stages of a project,construction managers typically leverage their knowledge,experience and standard estimators to estimate project costs. Assuch, intuition plays a significant role in decision making.Researchers have worked to develop cost estimators that maximizethe practical value of limited information in order to improve theaccuracy and reliability of cost estimation work and thus enhancethe suitability of resultant designs and project execution work.

Statistical methods have traditionally been used to develop cost estimating models (Singh, 1990). While regression analysis represents a common alternative (Bowen & Edwards, 1985; Khosrowshahi & Kaka, 1996), an inherent disadvantage is the requirement of a defined mathematical form for cost functions. In general, all traditional methods are hampered in estimating accurate project costs by the large number of significant variables and interactions between these variables. Traditional methods, as a result, face significant limitations in application.

۵٫ Conclusions

This paper presents comprehensive descriptions of the proposed Evolutionary Fuzzy Hybrid Neural Network (EFHNN) and its application in conceptual cost estimation for construction projects. The EFHNN mechanism integrates HNN, FL, and GA. In the proposed EFHNN, HNN includes both traditional neural (linear) and high order neural networks; FL uses fuzzification and defuzzification layers to sandwich the proposed HNN; and GA optimizes FHNN parameters. The proposed EFHNN is innately different from various GA-FL-NN approaches, even the previously proposed EFNIM, due to unique HNN layer connection types, modification of FL membership functions, and GA-optimized parameters. Therefore, EFHNN is able to address problems in greater depth with its large number of HNN models, fuzzy concepts and GA optimization.

This study proposed two distinct construction cost estimators. The overall construction cost estimator was established to estimate total cost in the absence of categorized engineering plans. Category estimators, relying on additional data inputs, were designed to evaluate engineering costs within categories. The advantages of proposed estimators include:

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله با فرمت ورد

خرید نسخه پاورپوینت این مقاله جهت ارائه