Обзор статьи

Регрессионная оценка норм затрат труда на основе нейросетевого моделирования

УДК: 

658.5:624.05

DOI: 

10.23968/1999-5571-2020-17-3-127-133

Страницы: 

127-133

Аннотация: 

Календарное планирование строительства базируется на данных по продолжительностям выполнения работ, которые непосредственным образом связаны со значениями трудовых затрат. Это обеспечивает получение наиболее точных результатов календарного планирования, реализуемого как на этапе строительного проектирования, так и в процессе его оперативного управления. В РФ и в других ведущих зарубежных странах для строительства разработаны базы данных по нормируемым затратам труда. Однако многие развивающиеся страны, например, Республика Ирак, не обеспечены собственными нормативами по трудовым затратам, а поэтому они вынуждены либо использовать нормативы других стран, либо определять продолжительности работ с помощью экспертных оценок, что приводит к существенной погрешности календарного планирования строительства. Для создания баз данных по нормативам трудовых затрат используются различные методы, которые основаны либо на хронометражных измерениях, либо на физиологических способах измерения антропологических параметров, связанных с энергетическими затратами рабочих. Поскольку использование этих подходов требует существенных затрат и времени, то в качестве приемлемой альтернативы предлагается методика, основанная на сборе статистических данных, входящих в исполнительную документацию по строительству, экспертных данных, определяющих выполнимость нормативных условий выполнения работ, и регрессионной обработке итоговых результатов, основанной на использовании возможностей моделирования искусственных нейронных сетей.

Список цитируемой литературы: 

  1. Болотин С. А., Котовская М. А. Анализ европейской и российской нормативных баз трудовых затрат применительно к календарному планированию строительства // Вестник гражданских инженеров. 2013. № 2 (37). С. 98-103

  2. Солин А. А. Анализ зарубежного опыта разработки и применения сборников цен на строительные работы // Строительство. Экономика и управление. 2011. № 1. С. 46-52

  3. Поршнева Л. Г. Финский опыт: кадры решают все! // Бюллетень национального объединения строителей. 2011. № 8 (15). С. 57-133. URL: http://сроамур.рф/doc/nostroy_bull/15.pdf (дата обращения: 30.10.2019)

  4. Каллан Р. Основные концепции нейронных сетей / пер. с англ. А. Г. Сивака. М.: Вильямс, 2001. 287 с

  5. Draper N. R., Smith H. Applied Regression Analysis. 2nd ed. New York: John Wiley & Sons, 1981. 709 p

  6. Boussabaine A. H. The use of artificial neural networks in construction management // Construction Management and Economics. 1996. Vol. 14 (5). Pp. 427-436

  7. Ежов А. А., Шумский С. А. В чем различие нейронных сетей и статистики? // Нейрокомпьютинг и его применение в экономике и бизнесе. М.: МИФИ, 1998. 224 с. URL: https://helpiks.org/3-10999.html (дата обращения: 20.01.2020)

  8. Маккафри Дж. Тесты - Регрессия нейронной сети // MSDN. 2010. Т. 31, № 3. Март. URL: https://docs.microsoft.com/ru-ru/archive/msdn-magazine/2016/march/test-r... (дата обращения: 15.01.2020)

  9. Karpathy A., Fei-Fei Li. CS231n: Convolutional Neural Networks for Visual Recognition (Course Notes). 2019. URL: http://cs231n.stanford.edu, http://cs231n.github.io (дата обращения: 17.12.2019)

  10. Милютин И. Функции активации нейросети: сигмоида, линейная, ступенчатая, ReLu, tahn. 29.11.2018. URL: https://neurohive.io/ru/osnovy-data-science/activation-functions/ (дата обращения: 20.12.2019)

  11. Patterson J., Gibson A. Deep Learning. A Practitioner’s Approach. Sebastopol, CA: O’Reilly, 2017. 994 p

  12. Bengio Y. Practical Recommendation for Gradient-Based Training of Deep Architectures // In: Montavon G., Orr G. B., Müller K. R. (eds.). Neural Networks: Tricks of the Trade. Lecture Notes in Computer Science, vol. 7700. Springer, Berlin, Heidelberg. URL: https://arxiv.org/abs/1206.5533 (дата обращения: 10.01.2020)

  13. Duchi J., Hazan E., Singer Y. Adaptive Subgradient Methods for Online Learning and Stochastic Optimization // Journal of Machine Learning Research. 2011. Vol. 12 (61). Pp. 2121-2159. URL: http://jmlr.org/papers/v12/duchi11a.html (дата обращения: 20.01.2020)

  14. Болотин С. А., Дадар А. Х. Определение погрешности квалиметрической оценки весов аддитивных показателей качества календарных планов строительства // Изв. вузов. Строительство. 2010. № 2 (614). С. 29-33

Ключевые слова: 

Полный текст (файл): 

PDF

Авторы: 

Болотин С. А. Санкт-Петербургский государственный архитектурно-строительный университет Санкт-Петербург, Россия

Хошнав Юсиф Бабакр Хуссейн Санкт-Петербургский государственный архитектурно-строительный университет Санкт-Петербург, Россия

Бохан Хайтам Санкт-Петербургский государственный архитектурно-строительный университет Санкт-Петербург, Россия

Другие статьи авторов: 

Выпуск журнала

№ 3 (80) Июнь 2020