دانلود ترجمه مقاله سنجش خطر در ساخت و ساز و شبیه سازی مونت کارلوی فازی – وایلی 2010

سنجش خطر در ساخت و ساز و شبیه سازی مونت کارلوی فازی

Fuzzy Monte Carlo Simulation and Risk Assessment in Construction

چکیده

مقدمه

بررسی مقالات

چارچوب شبیه سازی مونت کارلوی فازی

جنبه های عملی استفاده از FMCS در ارزیابی خطر ساخت و ساز

یک مثال گویا برای مقایسه شبیه سازی مون کارلوی FMCS

تجزیه و تحلیل حساسیت چارچوب FMCS

تصمیم گیری بر اساس CDF فازی

نتیجه گیری

چکیده

شبیه سازی مونت کارلو به طور گسترده ای برای نشان دادن عدم قطعیت احتمالاتی در محدوده تخمین برای پروژه های ساختمانی استفاده شده است. با این حال، اطلاعات ذهنی و زبانی بین شده منجر به عدم قطعیت غیر احتمالی اضافی در مدیریت ساخت و ساز می شود. منطق فازی به طور موفقیت آمیزی برای نشان دادن چنین عدم قطعیت هایی در پروژه های ساخت و ساز استفاده شده است. در عمل، روشی که می تواند هر دو عدم قطعیت تصادفی و فازی در مدل ارزیابی یک خطر را مورد بررسی قرار دهد، مورد نیاز می باشد. این مقاله در مورد نواقص روش های موجود بحث می کند و یک چارچوب شبیه سازی مونت کارلو فازی (FMCS) را برای تجزیه و تحلیل ریسک پروژه های ساخت و ساز پیشنهاد می نماید. در این چارچوب، یک تابع توزیع تجمعی فازی به عنوان یک روش جدید برای نشان دادن عدم قطعیت می سازیم. به منظور بررسی امکان سنجی چارچوب FMCS و نشان دادن ویژگی های اصلی آن، نویسندگان یک قالب شبیه سازی برای مقاصد خاص به منظور تخمین محدوده هزینه را توسعه دادند. این قالب برای تخمین هزینه یک پروژه روگذر بزرگراه استفاده شده است.

6- نتیجه گیری

این مقاله یک چارچوب FMCS را به عنوان یک شکل تعمیم یافته از شبیه سازی مون کارلو برای مدلسازی پروژه های ساخت و ساز پیشنهاد می کند. این چارچوب قادر به در نظر گرفتن هر دو عدم قطعیت فازی و احتمالی در یک مسأله می باشد. در FMCS، خروجی با استفاده از متغیرهای تصادفی فازی مدل می شود. CDF فازی را به عنوان یک شکل تعمیم یافته از CDF معرفی کردیم. CDF فازی دارای ویژگی منحصربفرد از نمایش عدم قطعیت فازی و احتمالی در یک شکل واحد می باشد. چارچوب FMCS پیشنهادی قادر به در نظر گرفتن اطلاعات دقیق به شکب مجموعه های فازی بدون فرض اطلاعات احتمالاتی می باشد که دقیقاً در یک مدل شبیه سازی در دسترس نمی باشد. بنابراین، تصمیم گیرنده با عدم قطعیت در خروجی به شکل عدم قطعیت فازی و احتمالی را ارائه می دهد و می تواند قضاوت ذهنی و تجربه خود را برای ایجاد تصمیم نهایی استفاده کند. نمونه های عملی برای استفاده از چارچوب FMCS بر روی پروژه های واقعی پیشنهاد نماید. با این حال، تست واقعی در پروژه های واقعی توسط پرسنل صنعت باید برای توجیه بهتر مزایا انجام شود که چارچوب FMCS برای صنعت ساخت و ساز را به ارمغان می آورد.

Abstract

Monte Carlo simulation has been used extensively for addressing probabilistic uncertainty in range estimating for construction projects. However, subjective and linguistically expressed information results in added non-probabilistic uncertainty in construction management. Fuzzy logic has been used successfully for representing such uncertainties in construction projects. In practice, an approach that can handle both random and fuzzy uncertainties in a risk assessment model is necessary. This article discusses the deficiencies of the available methods and proposes a Fuzzy Monte Carlo Simulation (FMCS) framework for risk analysis of construction projects. In this framework, we construct a fuzzy cumulative distribution function as a novel way to represent uncertainty. To verify the feasibility of the FMCS framework and demonstrate its main features, the authors have developed a special purpose simulation template for cost range estimating. This template is employed to estimate the cost of a highway overpass project.

6- CONCLUSIONS

This article proposes a FMCS framework as a generalized form of Monte Carlo simulation for modeling construction projects. This framework is capable of considering both fuzzy and probabilistic uncertainty in a problem. In FMCS, the output is modeled using fuzzy random variables. We have introduced the fuzzy CDF as a generalized form of CDF. Fuzzy CDF has the unique feature of representing both fuzzy and probabilistic uncertainty in a single figure. The proposed FMCS framework is capable of considering imprecise information in the form of fuzzy sets without assuming probabilistic information that is not actually available in a simulation model. Therefore, the decision maker is presented with the uncertainty in the output in the form of fuzziness and probabilistic uncertainty, and he/she can use subjective judgment and experience to make the final decision. Practical examples are suggested for applying the FMCS framework on real construction projects. However, actual testing on real projects by industry personnel should be conducted to better justify the benefits that FMCS framework brings to the construction industry.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

سنجش خطر در ساخت و ساز و شبیه سازی مونت کارلوی فازی

Fuzzy Monte Carlo Simulation and Risk Assessment in Construction