جغرافیا و برنامه ریزی منطقه‌ای

جغرافیا و برنامه ریزی منطقه‌ای

تحلیل تطبیقی روش‌های تحویل پروژه‌های ساختمانی با بهره‌گیری از شبکه عصبی مصنوعی در بستر جغرافیای ساخت‌وساز شهری

نوع مقاله : مقاله های برگرفته از رساله و پایان نامه

نویسندگان
معین پاشائیان 1
بابک فضلی مالیدره 2
سیده منا تابنده 3
1 دانشجوی دکتری، دانشکده فنی و مهندسی، واحد ساری، دانشگاه آزاد اسلامی، ساری، ایران
2 استادیار گروه مهندسی عمران، واحد بابل، دانشگاه آزاد اسلامی،بابل، ایران
3 استادیار گروه عمران، واحد بابل،دانشگاه آزاد اسلامی، بابل، ایران
10.22034/jgeoq.2026.527069.4295
چکیده
هدف اصلی از انجام این تحقیق ارائه یک مدل شبکه عصبی مصنوعی (ANN) برای ارتباط مشخصات سازمان و روش‌های تحویل پروژه‌های ساختمانی بوده است. پژوهش حاضر بر حسب هدف از نوع تحقیقات توسعه‎ای و بر حسب دستاورد یا نتیجه تحقیق از نوع کاربردی و از لحاظ روش گردآوری اطلاعات توصیفی- پیمایشی بوده است. جامعه آماری به تعداد 360 نفر و حجم نمونه با استفاده از روش نمونه‎گیری تصادفی به تعداد354 نفر انتخاب گردید. روایی تحقیق مورد نظر صوری-محتوایی و برای پایایی تحقیق از آزمون آلفا کرونباخ استفاده شده است. به منظور تجزیه و تحلیل داده ها از الگوریتم‌های داده کاوی شبکه عصبی مصنوعی به کمک نرم افزار Rapid miner انجام گرفت. با توجه به نتایج، مدل شبکه عصبی مصنوعی (ANN) توانایی پیش بینی روش صحیح تحویل پروژه‌های ساختمانی را بر اساس مشخصات سازمان دارد. و همچنین، سهم مشخصه‌های سازمانی در پیش بینی روش صحیح تحویل پروژه‌های ساختمانی با استفاده از مدل شبکه عصبی مصنوعی متفاوت است. و همچنین دقت مدل شبکه عصبی مصنوعی در مقایسه با سایر مدل‌های داده کاوی بالاتر می‌باشد.
کلیدواژه‌ها
شبکه عصبی مصنوعی
آزمون آلفا کرونباخ
الگوریتم های داده کاوی

عنوان مقاله English

Comparative analysis of construction project delivery methods using artificial neural networks in the context of urban construction geography

نویسندگان English

Moein Pashaian 1
Babak Fazli Malidareh 2
Seyedeh Mona Tabandeh 3
1 Department of Civil Engineering, Sari Branch, Islamic Azad University, Sari, Iran
2 Department of Civil Engineering, Babol Branch, Islamic Azad University, Babol, Iran
3 Department of Civil Engineering, Babol Branch, Islamic Azad University, Babol, Iran
چکیده English

The main purpose of this research was to present an artificial neural network (ANN) model for the relationship between organizational characteristics and construction project delivery methods. The present research was developmental research in terms of its purpose, applied in terms of its achievement or result, and descriptive-survey in terms of its data collection method. The statistical population was 360 people and the sample size was 354 people using a random sampling method. The validity of the research was face-content, and Cronbach's alpha test was used for the reliability of the research. In order to analyze the data, artificial neural network data mining algorithms were used using Rapid miner software. According to the results, the artificial neural network (ANN) model has the ability to predict the correct method of delivery of construction projects based on organizational characteristics. Also, the contribution of organizational characteristics in predicting the correct method of delivery of construction projects using the artificial neural network model is different. Also, the accuracy of the artificial neural network model is higher compared to other data mining models.

کلیدواژه‌ها English

Artificial neural network, Cronbach'
s alpha test, data mining algorithms,
Ghorbani, A. (2023). A review of successful construction project managers’ competencies and leadership profile. Journal of Rehabilitation in Civil Engineering, 11(1), 76-95.‏
Battistella, C., Bortolotti, T., Boscari, S., Nonino, F., & Palombi, G. (2024). The impact of cultural dimensions on project management performance. International Journal of Organizational Analysis, 32(1), 108-130.‏
Cano, C. A. G., Castillo, V. S., & Rojas, E. E. M. (2023). Strategy for improving learning in the Financial Tools and Project Management Course through the use of Second Life-SL. Metaverse Basic and Applied Research, 2, 31-31.‏
Ghorbani, A. (2023). A review of successful construction project managers’ competencies and leadership profile. Journal of Rehabilitation in Civil Engineering, 11(1), 76-95.‏
Radujković, M., & Sjekavica, M. (2017). Project management success factors. Procedia engineering, 196, 607-615.‏
Surco-Guillen, Y. C., Romero, J., Rodríguez-Rivero, R., & Ortiz-Marcos, I. (2022). Success Factors in Management of Development Projects. Sustainability, 14(2), 780.‏
Srinivasan, N. P., & Dhivya, S. (2020). An empirical study on stakeholder management in construction projects. Materials Today: Proceedings, 21, 60-62.‏
Sayed, M., Abdel-Hamid, M., & El-Dash, K. (2023). Improving cost estimation in construction projects. International Journal of Construction Management, 23(1), 135-143.‏
Farouk, A. M., Zulhisham, A. Z., Lee, Y. S., Rajabi, M. S., & Rahman, R. A. (2023). Factors, challenges and strategies of trust in BIM-Based construction projects: A case study in Malaysia. Infrastructures, 8(1), 13.‏
Tariq, J., & Gardezi, S. S. S. (2023). Study the delays and conflicts for construction projects and their mutual relationship: A review. Ain Shams Engineering Journal, 14(1), 101815.‏
Parsamehr, M., Perera, U. S., Dodanwala, T. C., Perera, P., & Ruparathna, R. (2023). A review of construction management challenges and BIM-based solutions: perspectives from the schedule, cost, quality, and safety management. Asian Journal of Civil Engineering, 24(1), 353-389.‏
Simonaitis, A., Daukšys, M., & Mockienė, J. (2023). A comparison of the project management methodologies PRINCE2 and PMBOK in managing repetitive construction projects. Buildings, 13(7), 1796.‏
Parsamehr, M., Dodanwala, T. C., Perera, P., & Ruparathna, R. (2023). Building information modeling (BIM)-based model checking to ensure occupant safety in institutional buildings. Innovative Infrastructure Solutions, 8(6), 174.‏
Sompolgrunk, A., Banihashemi, S., & Mohandes, S. R. (2023). Building information modelling (BIM) and the return on investment: a systematic analysis. Construction Innovation, 23(1), 129-154.‏
Wuni, I. Y. (2023). A systematic review of the critical success factors for implementing circular economy in construction projects. Sustainable Development, 31(3), 1195-1213.‏