Model of forecasting of material resources and estimated cost at early stages of life cycle of construction objects

Cover Page

Cite item

Full Text

Abstract

Introduction. Digitalization of construction involves the possibility of forecasting material resources with a given degree of accuracy at the early stages of the life cycle of the construction object, which will make it possible to form cost indicators, as well as the volume of material resources and equipment — one of the key elements of management and planning of various stages of the life cycle of the object. The possibility of creating a forecasting tool based on artificial intelligence (AI) and machine learning (ML) technologies for these parameters seems to be a promising development direction, allowing to achieve a high level of accuracy in budget planning and project duration at the pre-project stage of an investment and construction project.Materials and methods. Design documentation for 37 multi-apartment residential buildings with allocated and normalized parameters: technical and economic indicators, material and technical resources, cost and others. To prepare and train AI models based on Python, the methods of the scikit-learn library were selected to compare the following mathematical models: decision trees, regressions and algorithms based on boosting.Results. The training and research were conducted using the automated machine learning (AutoML) method. Based on a comparison of the coefficient of determination R2 and the standard deviation (RMSE), ensembles of models were selected that form a forecast for the volume of material resources and equipment, as well as for the estimated cost with an error range of ±8 %. The input values of the models were 11 quantitative and qualitative parameters describing the characteristics of the planned object, the formation of which is possible at the early stages of the life cycle of the object without the development of design documentation.Conclusions. The results of the study demonstrate the possibility of obtaining actual design data already at the pre-design stage with accuracy corresponding to the stage of development of working documentation for the construction object. Thus, the accuracy of forecasts of the total estimated cost is significantly increased, and it also becomes possible to predict with a given accuracy the volumes of materials and equipment at the early stages of the life cycle of the construction object in order to optimize the entire construction process.

About the authors

M. V. Gureev

Moscow State University of Civil Engineering (National Research University) (MGSU)

Email: mvgureev@gmail.com
ORCID iD: 0009-0002-3069-7614
SPIN-code: 6188-6750

A. N. Makarov

Moscow State University of Civil Engineering (National Research University) (MGSU)

Email: anmakarof@yandex.ru
ORCID iD: 0000-0001-8421-1013
SPIN-code: 2460-1473

References

  1. Секушин С.В., Курбацкая Е.П., Петровский А.И. Актуальные вопросы ценообразования и сметного нормирования в строительной отрасли Российской Федерации // Бюллетень ученого совета АО «ИЭРТ». 2022. № 7. С. 40–45. EDN CFMOZV.
  2. Сорокин И.В., Настычук А.В. Анализ опыта применения методов машинного обучения в строительной отрасли России // Строительство и архитектура. 2023. Т. 11. № 1. С. 18. doi: 10.29039/2308-0191-2022-11-1-18-18. EDN WEOBBP.
  3. Петровский А.И., Капустина Н.В. Взаимосвязь точности оценки стоимости строительства и экономической эффективности инвестиционно-строительных проектов // Государственное и муниципальное управление. Ученые записки. 2021. № 1. С. 165–169. doi: 10.22394/2079-1690-2021-1-1-165-169. EDN FVZTTT.
  4. Петроченко М.В., Недвига П.Н., Кукина А.А., Шерстюк В.В. Классификация строительной информации в BIM с использованием алгоритмов искусственного интеллекта // Вестник МГСУ. 2022. Т. 17. № 11. С. 1537–1550. doi: 10.22227/1997-0935.2022.11.1537-1550. EDN JFYSSO.
  5. Кирьянова Л.В., Сулейманов Н.Ф. Сравнение регрессионных моделей стоимости жилищного строительства в Венгрии, полученных методами машинного обучения // Экономика и предпринимательство. 2023. № 5 (154). С. 636–641. doi: 10.34925/EIP.2023.154.5.123. EDN HSQACR.
  6. Михайлова Е.В., Савина В.В., Савин И.М. Искусственный интеллект как инструмент оптимизации ресурсных графиков // Строительное производство. 2022. № 2. С. 52–56. doi: 10.54950/26585340_2022_2_52. EDN AODBGS.
  7. Колчин В.Н. Специфика применения технологии «искусственного интеллекта» в строительстве // Инновации и инвестиции. 2022. № 3. С. 250–253. EDN JJLECU. EDN JJLECU.
  8. Blanco J.L., Fuchs S., Parsons M., Ribeirin-ho M.J. Artificial intelligence: Construction technology’s next frontier // Capital projects & infrastructure. April 2018.
  9. Макаров А.Н., Гуреев М.В. Определение параметров модели прогнозирования материальных ресурсов для строительства жилых зданий на этапе обоснования инвестиций // Строительное производство. 2023. № 4. С. 97–104. doi: 10.54950/26585340_2023_4_97. EDN XELYIL.
  10. Низамов И.В., Еловенко Д.А. Обзор технологии AutoML, имеющихся инструментов, пример применения и сравнительный анализ с классическим решением // Молодежный вестник ИрГТУ. 2022. Т. 12. № 3. С. 468–475. EDN TMBATS.
  11. Добашин А.С., Степанов Г.С., Гоголин И.А., Гаджиев Д.М. Использование математической статистики и программирования для решения практических задач машинного обучения // Актуальные исследования высшей школы 2023 : сб. ст. Междунар. науч.-практ. конф. 2023. С. 229–242. doi: 10.46916/03052023-2-978-5-00174-965-3. EDN NKBEGI.
  12. Саранин З.А. Обзор практики применения методов машинного обучения в экономике энергетики // Молодежная неделя науки Института промышленного менеджмента, экономики и торговли : cб. тр. Всеросс. студ. науч.-учеб. конф. 2023. С. 256–258. EDN OHSVAR.
  13. Entezari A., Aslani A., Zahedi R., Noorollahi Y. Artificial intelligence and machine learning in energy systems : а bibliographic perspective // Energy Strategy Reviews. 2023. Vol. 45. P. 101017. doi: 10.1016/j.esr.022.101017
  14. Ahmad T., Zhu H., Zhang D., Tariq R., Bassam A., Ullah F. et al. Energetics Systems and artificial intelligence: applications of industry 4.0 // Energy Reports. 2022. Vol. 8. Рр. 334–361. doi: 10.1016/j.egyr.2021.11.256
  15. Сухов А.А., Суханкин А.А. Сравнительный анализ лучших алгоритмов градиентного бустинга: CATBOOST, XGBOOST, LIGHT GBM. Рекомендации к их применению // Вызовы современности и стратегии развития общества в условиях новой реальности : сб. мат. XXIII Междунар. науч.-практ. конф. 2024. С. 287–293. EDN AKOAVR.
  16. Machado M.R., Karray S., de Sousa I.T. LightGBM: an effective decision tree gradient boosting method to predict customer loyalty in the finance industry // 2019 14th International Conference on Computer Science & Education (ICCSE). 2019. Рр. 1111–1116. doi: 10.1109/ICCSE.2019.8845529
  17. Chen T., Guestrin C. XGBoost // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. Рр. 785–794. doi: 10.1145/2939672.2939785
  18. Liu X., Wang T. Application of XGBOOST model on potential 5G mobile users forecast // Lecture Notes in Electrical Engineering. 2023. Рр. 1492–1500. doi: 10.1007/978-981-19-3387-5_177
  19. Острикова А.Л., Селютин В.В. Инновационные технологии массовой оценки жилой недвижимости // Экология. Экономика. Информатика. Серия: Системный анализ и моделирование экономических и экологических систем. 2023. Т. 1. № 8. С. 147–154. doi: 10.23885/2500-395X-2023-1-8-147-154. EDN PYQMGE.
  20. Faisal A., Yigitcanlar T., Kamruzzaman M., Paz A. Mapping two decades of autonomous vehicle research : a systematic scientometric analysis // Journal of Urban Technology. 2020. Vol. 28. Issue 3–4. Рр. 45–74. doi: 10.1080/10630732.2020.1780868
  21. Sari R., Voyvoda E., Lacey-Barnacle M., Karababa E., Topal C., Islambay D. Energy justice: a social sciences and humanities cross-cutting theme report. Cambridge, 2017. doi: 10.13140/RG.2.2.33861.35043

Supplementary files

Supplementary Files
Action
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».