Konut projelerinde ön tasarım aşamasında kaba inşaat maliyetlerinin yapay sinir ağları ile tahmin edilmesi

Abstract

Dünya genelinde nüfus artışı ve şehirleşmenin hız kazanması, konut ihtiyacının her geçen gün daha da yükselmesine neden olmuş, bu durum inşaat projelerinde büyük ölçekli projelerin yaygınlaşmasını sağlamıştır. TUİK verilerine göre 2024 yılı Kasım ayında bina inşaatı sektörü endeksi bir önceki yılın aynı ayına göre %14,3 artarken, bina dışı yapıların inşaatı sektörü endeksi %8,3 artmıştır. Ancak inşaatın ekonomideki payı son beş yılda yüksek maliyetler sebebiyle yaklaşık %7,5'ten %4,8'e gerilemiştir. Konut projelerindeki bu büyüme ve yüksek malzeme tutarları, maliyet yönetimini daha da karmaşık hale getirmiş ve ön tasarım aşamasında maliyet tahmini yapmanın önemini artırmıştır. Doğru maliyet tahmini, yatırımcılar ve proje yöneticileri için kritik bir karar verme aracı olup, bütçenin sağlıklı bir şekilde oluşturulmasını sağlarken, ilerleyen süreçlerde karşılaşılabilecek finansal riskleri minimize etmeye yardımcı olmaktadır. Ancak, konut projelerinde maliyet tahminini zorlaştıran birçok değişken bulunmaktadır. Yapının büyüklüğü, zemin koşulları, temel sistemi, projenin süresi, tipik kat sayısı, döşeme tipi, yapının çekirdek konumu, yapı yüksekliği ve teknik detaylar gibi unsurlar, projenin nihai maliyetini doğrudan etkilemektedir. Bu nedenle, erken aşamalarda yapılan tahminlerin doğruluğu, projenin başarısı açısından büyük önem taşımaktadır. Bu süreçte kullanılan geleneksel maliyet tahmin yöntemleri, büyük ölçüde uzman görüşüne dayalı olup, sürecin karmaşıklığı ve değişkenlerin fazlalığı nedeniyle hata payı yüksek olabilmektedir. Maliyet tahmin yöntemlerinin, farklı kaynaklarda çeşitli sınıflandırmalarla ele alındığı görülmektedir. Bu sınıflandırmalar, araştırmacıların yöntemlere bakış açılarına ya da dönemin teknolojik gelişmelerine bağlı olarak, kavramsal temelli veya teknoloji odaklı biçimlerde yapılabilmektedir. Maliyet tahmin yöntemleri nitel ve nicel olarak iki ana başlıkta incelenmekte olup; nicel yöntemler ayrıca birçok alt başlıkta sınıflandırılmaktadır. Nicel maliyet tahmininde istatistiksel yöntemler temel olarak iki farklı biçimde uygulanmaktadır. Birinci yöntem, geçmiş projelere ait maliyet verilerinden istatistiksel olarak çıkarılan ortalama maliyet değerleri kullanılarak benzer projelerin maliyetlerinin tahmin edilmesidir; bu yaklaşıma tarihsel istatistik veri temelli maliyet tahmini denilebilir. İkinci yöntem ise maliyet verileri arasındaki ilişkilerin istatistik ve matematiksel modeller aracılığıyla tanımlanması esasına dayanır. Bu yönteme ise istatistiksel modele dayalı maliyet tahmini veya parametrik maliyet tahmini yöntemi adı verilmektedir. Bunlarla birlikte nicel yöntemler tarihsel istatistiksel veri temelli maliyet tahmini, alan ve hacim temelli maliyet tahmini, birim fiyat temelli maliyet tahmini, vaka temelli maliyet tahmini, parametrik maliyet tahmini, bulanık mantık temelli maliyet tahmini, genetik algoritma temelli maliyet tahmini ve bunun gibi birçok alt başlıkta sıınıflandırılabilir. Günümüz rekabetçi inşaat projelerinde, maliyet tahmini süreçlerinin optimize edilebilmesi, hızlı ve güvenilir sonuçlar üretilebilmesi için Yapay Zeka teknolojileri kullanılmaktadır. Bu teknolojilerden en verimlilerinden biri olan Yapay Sinir Ağları (YSA)'nın kullanımı, konut projelerinde maliyet tahmin sürecini daha etkin hale getirmek için önemli bir fırsat sunmaktadır. YSA, büyük veri setlerini işleyerek çok sayıda değişkeni analiz edebilmekte ve yüksek doğrulukta sonuçlar üretebilmektedir. Geleneksel yöntemlerin aksine, tarihsel verilerden öğrenerek maliyet tahmini yapabilmekte ve sürekli olarak kendini güncelleyerek daha güvenilir tahminler sunabilmektedir. Bu çalışma kapsamında, yapay sinir ağlarının yapım projelerindeki kullanımları araştırılmış ve konut projelerinin ön tasarım aşamasında kaba inşaat maliyetinin tahminini yapabilmek için bir maliyet tahmin modeli oluşturulmuştur. 8 ana parametre kapsamlı literatür taraması ile birlikte inşaat projelerinde satın alma, proje yönetimi ve tedarik yönetimi birimlerinden 6 farklı sektör profesyoneli ile yapılan görüşmeler sonucu seçilmiştir. Sektör profesyonellerinin seçimleri birbirlerine etki etmemesi için görüşmeler ayrı ayrı yapılmıştır. Literatür taraması ve görüşmeler sonucu seçilen parametreler yapının toplam alanı, zemin kat alanının toplan alana oranı, tipik kat alanının toplam alana oranı, kat sayısı, yapı yüksekliği, temel sistemi, döşeme tipi ve yapı çekirdeğini konumu olacak şekilde 8 ayrı başlıkta incelenmiştir. Seçilen parametrelerin seçildiği kaynaklar çizelge olarak gösterilmiştir. Ardından 48 farklı konut projesinin veri seti inşaat firmaları tarafından toplanmıştır. Modelin daha başarılı bir tahmin yapabilmesi için Python ortamında veri artırma ve sentetik veri üretimi yöntemi kullanılarak istatistiksel dağılımlar korunacak şekilde genişletilerek 250'ye tamamlanmıştır. Geliştirilen yapay sinir ağları tahmin modeli Python 3.13 programı ile oluşturulmuştur. Modelin oluşturulması aşamasında veri okuma, ön işleme, normalizasyon ve analiz işlemleri Python programlama dili kullanılarak gerçekleştirilmiştir. Yapay sinir ağı modelinin tasarlanması, modelin eğitilmesi, test edilmesi ve performansının değerlendirilmesi süreçleri de Python 3.13 sürümü ile uyumlu kütüphaneler aracılığıyla yürütülmüştür. Bu şekilde, hesaplama sürecinin sistem içerisinde, tekrar edilebilir ve güvenilir bir şekilde gerçekleştirilmesini sağlamıştır. Model sonuçlarının başarısını analiz edebilmek için 4 farklı metrik değeri hesaplanmış ve incelenmiştir. Bu metrikler R² (Determinasyon Katsayısı), RMSE (Root Mean Squared Error / Kök Ortalama Kare Hatası), MSE (Mean Absolute Error / Ortalama Mutlak Hata) ve MAE (Mean Absolute Error / Ortalama Mutlak Hata) değerleridir. R², modelin tahmin ettiği kaba inşaat maliyetlerinin, gerçek maliyetlerdeki değişimi ne ölçüde açıkladığını gösteren istatistiksel bir ölçüttür. Değerin 1'e yaklaşması, modelin açıklayıcılık gücünün ve tahmin başarısının yüksek olduğunu ifade etmektedir. Bu değer denklem 3.2 ile 0.9143 olarak hesaplanmıştır. RMSE, bu çalışmada geliştirilen yapay sinir ağı maliyet tahmin modelinin, ön tasarım aşamasında tahmin ettiği kaba inşaat maliyetleri ile gerçekleşen maliyetler arasındaki ortalama sapma düzeyini nicel olarak gösteren bir performans ölçütünü ifade etmektedir. RMSE değeri denklem 3.3 ile 0,07584 olarak hesaplanmıştır. MSE, bu çalışmada yapay sinir ağı modelinin tahmin ettiği kaba inşaat maliyetleri ile gerçek maliyetler arasındaki farkların karelerinin ortalamasını ifade ederek modelin genel tahmin hatası düzeyini göstermektedir. MSE değeri denklem 3.3 ile 0,00575 olarak hesaplanmıştır. MAE ise model tarafından tahmin edilen kaba inşaat maliyetleri ile gerçekleşen maliyetler arasındaki mutlak farkların ortalamasını ifade ederek, tahmin hatasının ortalama büyüklüğünü doğrudan ve yorumlanabilir bir şekilde ortaya koymaktadır. MAE değeri denklem 3.4 ile 0,18525 olarak hesaplanmıştır. Ayrıca girdi parametrelerinin sonuca etkisini tespit etmek için parametre önem ağırlıkları yapay sinir ağları modeli ile hesaplanmıştır. Önem ağırlıkları incelendiğinde model sonucuna en çok etki eden parametreler sırası ile temel sistemi, döşeme tipi, tipik kat alanının toplam alana oranı, yapı çekirdeğinin konumu, yapı yüksekliği, kat sayısı, yapının toplam alanı ve zemin kat alanının toplam alana oranı olarak tespit edilmiştir. Bu parametrelerin ağırlık oranları ise sırasıyla %22.39, %20.56, %16.72, %12.15, %9.76, %9.71, %6.23 ve %2.48 olarak hesaplanmıştır. Temel sistemi ve döşeme tipi parametreleri proje büyüklüğüne göre değişkenlik gösterdiği ve bu değişkenler arasındaki maliyetin oldukça farklı olması sebebi ile önem ağırlığı en yüksek iki parametre olarak ön plana çıkmaktadır. Sonuç olarak, bu çalışma yapay sinir ağlarının konut projelerinin ön tasarım aşamasında kaba inşaat maliyetlerinin tahmin edilmesi için güçlü ve etkili bir yaklaşım sunduğunu ortaya koymaktadır. Yapay zekâ tabanlı modellerin erken aşamadaki karar verme süreçlerine entegre edilmesiyle, inşaat projelerinde ön tasarım aşamasında daha doğru maliyet tahminleri yapılabilir, finansal riskler azaltılabilir ve proje planlama ile yönetim süreçlerinin genel verimliliğini artırılabilir.