Cam Elyaf Katkılı Cephe Kaplama Elemanlarına Yönelik Teklif Fiyatı Tahmininde Yapay Sinirt Ağlarının (Ysa) Kullanılması

Abstract

Ġnşaat firmaları açısından teklif aşamasında doğru maliyet analizi, kar zarar analizi yapabilmek için çok önemlidir. Teklif stratejileri konusunda karar verici konumda bulunan kişiler birtakım yöntemlerden yararlanarak verecekleri kararların doğruluk oranını artırabilirler. Bu yöntemlerden biri de Yapay Sinir Ağları dır. Bu çalışmada öğretmenli öğrenme algoritmasını kullanan çok katmanlı ve ileri beslemeli yapay sinir ağları yapısı tercih edilmiştir._x000D_ Tahmin modelinde 2011 yılını kapsayan 100 adet farklı işe ait proje verileri kullanılmıştır. Bu projelerden 80 adedi ile ağ eğitilmiş ve 20 adedi ile de test edilmiştir. Oluşturulan maliyet havuzundaki ögelerden kayıtlı verilerine ulaşılan metraj bilgileri, yapı yüksekliği, nakliye gideri ve m2 malzeme maliyeti girdi parametreleri olarak kullanılmıştır. Ağ performansı değerlendirme kriterleri olarak Ortalama Mutlak Yüzde Hata (OMYH) kullanılmıştır._x000D_ Deneme yanılma metoduyla değişik katman sayıları ve nöron sayıları denenmiş ve elde edilen en iyi sonuçlar tablolar yardımıyla sunulmuştur. Buna göre oluşturulan farklı yapılardaki tek ve çok katmanlı yapay sinir ağlarından en iyi sonucu veren 11 adet nörona sahip tek ara katman ve çıktıdan oluşan, sigmoid aktivasyon fonksiyonunun kullanıldığı model olmuştur. 20 adet test verisine ait en iyi modelde, OMYH değeri %4,10 olarak hesaplanmıştır._x000D_ YSA yöntemiyle tahmin edilen teklif fiyatı Regresyon Analizi (RA) yöntemiyle de belirlenmeye çalışılmış ve OMYH değeri %38,87 olarak bulunmuştur._x000D_ Sonuç olarak, YSA ve RA yöntemleri kullanılarak yapılan tahminlerde belirlenen hata oranları dahilinde başarılı sonuçlara ulaşıldığı, ancak iki yöntem kıyaslandığında YSA modellemesiyle, belirsizliklerin fazla olduğu teklif oluşturma aşamasında daha başarılı sonuçlar elde edildiği anlaşılmaktadır.

The accurate cost analysis is very important for construction companies to make profit loss analysis. Decision makers about bid strategies can improve the accuracy of their decisions by using some methods. Artificial Neural Networks are one of these methods. In this study, feed forward back propagation neural networks that have multilayered and supervised learning manner are preferred. Project data, which is belonging 100 different works in 2011, has been used in forecasting model. Network has been trained by 80 projects and tested by 20 projects. Quantity survey data, building height, shipping charges and cost of materials per square meter have been used as input parameters. Mean Absolute Percentage Error (MAPE) has been used as evaluation criteria. Different layer and neuron quantities have been attempted by trial and error method and the best results have been represented by tables. Accordingly, the model, which has 11 neurons, one hidden layer and output, sigmoid activation function, is the best result of different structures. MAPE value is calculated as 4,10% in the best model consisted of 20 test data. The bid price has been determined by Regression Analysis method also and performance evaluation of methods have been made and MAPE value has been computed as 38,87%. As a result of this study, It is understood that succesful forecasts have been achieved by using ANN and RA methods, however when two methods are compared, more successful results are obtained by ANN method in bidding period that has too much uncertainty.