بخشی از مقاله
چکیده
متره و برآورد کردن یکی از ابزارهای اصلی برای برآورد هزینه در مرحله قبل از ساخت می باشد. این مسئله یکی از معیارهای اصلی برای سرمایه گذران و همچنین انتخاب روش های اجرا و ساخت پروژه است و میتواند در مراحل ابتدایی تصویری از هزینه های پروژه پیش روی طراحان قرار دهد. روش های مختلفی مانند برنامه ریزی خطی، تحلیل رگرسیون، آنالیز ریسک و سیستم های خبره در تخمین هزینه های ساخت مورد استفاده قرار می گیرد. اما با توجه به تحقیقات به عمل آمده، مدل شبکه عصبی دقیق تر از روش های رگرسیون و استدلال موردی می باشد، زیرا مدل های شبکه عصبی قابلیت یادگیری روابط بین ورودی ها و خروجی ها را دارند و حتی زمانی که رابطه ای بین ورودی ها و خروجی ها وجود ندارد، برآورد مناسب و دقیقی ارائه می دهند.
پردازش شبکه های عصبی از مغز انسان ایده گرفته شده است. از مزایای شبکه های عصبی سرعت بالای آن می باشد، این شبکه ها با کسب تجربه بیشتر درصد خطا را پایین تر می آورند. در مقاله پیش رو هزینه ساخت پروژه های ساختمانی با استفاده از شبکه عصبی مصنوعی در تحقیقات انجام گرفته از سال 1997 تا سال2017 مورد بررسی قرار گرفته و چکیده ای از هر کدام آورده شده است. همچنین از مسائل مهم در تخمین هزینه های ساخت به وسیله شبکه های عصبی مصنوعی متغیرهای ورودی مدل هستند، در ادامه بحث متغیرهای ورودی مدل در تخمین هزینه های ساخت پیش از طراحی شناسایی شده و آورده شده است،که می توان در تحقیقات بعدی مورد استفاده پژوهشگران قرار گیرند.
.1 مقدمه
شبکه های عصبی مصنوعی، یکی از پرکاربردترین مباحث هوش مصنوعی می باشد، اکثر پژوهش ها در زمینه شبکه های عصبی مصنوعی به قرن نوزدهم برمی گردد، جایی که ریاضیدان ها با هدف ساخت مدل هایی با قابلیت تجزیه و تحلیل و آموزش و فراگیری تلاش های بسیاری انجام دادند. پیشرفت ها در این زمینه در سال های 1970 تا1980میلادی بسیار بودند و توجه ها را به سمت شبکه های عصبی جلب کردند
انواع شبکه های عصبی مصنوعی عبارتند از: شبکه های پرسپترون، خطی، پس انتشار، پویا، خودسازمان و ... که دارای مدل نورون و معماری متفاوت هستند، شبکه های عصبی از مغز انسان الهام گرفته اند و پردازش داده ها را به واحدهای بسیار کوچکی سپرده که به صورت بهم پیوسته و موازی یکدیگر کار می کنند، این واحدها همان نورون ها هستند.[2] هر شبکه از تعدادی متغیر به عنوان ورودی و از تعدادی متغیر به عنوان خروجی استفاده می کند. آرایش این شبکه ها به گونه ای است که هر شبکه دارای تعدادی لایه مخفی است که با توجه به میزان سختی و پیچیدگی مدل قابل تغییر است. در شکل1 نمونه ای از مدل شبکه عصبی با نورون ، ورودی و خروجی و لایه های پنهان را مشاهده می شود.
.2 انواع روش های تخمین هزینه
روش های برآورد هزینه شامل دو دسته، روش های کمی و روش های کیفی می شوند، که در شکل2 اشاره ای به هرکدام از روش ها شده است و در جدول1 مزیت و معایب هر روش بیان گردیده است، روش شبکه های عصبی مصنوعی جزئی از روش های کیفی قیاسی می باشند.
شکل - 2 دسته بندی روش های تخمین هزینه
