[논문 리뷰] A Neural Network Model for Construction Projects Site Overhead Cost Estimating in Egypt

Ismaail ElSawy, Hossam Hosny외 1명|arXiv (Cornell University)|2011. 06. 08.

BIM and Construction Integration인용 수 27

한 줄 요약

이 논문은 이집트 건설 프로젝트의 현장 부가비용을 총 프로젝트 비용의 퍼센티지로 추정하기 위해 피드포워드 백프로파게이션 인공신경망(ANN) 모델을 제안한다. 2002~2009년 기간 동안의 실제 건설 프로젝트 52건을 기반으로 훈련된 모델은 부가비용 예측에 높은 정확도를 보이며, 수작업 추정 방법에 대한 데이터 기반 대안을 제공한다.

ABSTRACT

Estimating of the overhead costs of building construction projects is an important task in the management of these projects. The quality of construction management depends heavily on their accurate cost estimation. Construction costs prediction is a very difficult and sophisticated task especially when using manual calculation methods. This paper uses Artificial Neural Network (ANN) approach to develop a parametric cost-estimating model for site overhead cost in Egypt. Fifty-two actual real-life cases of building projects constructed in Egypt during the seven year period 2002-2009 were used as training materials. The neural network architecture is presented for the estimation of the site overhead costs as a percentage from the total project price.

연구 동기 및 목표

• 이집트 건설 프로젝트의 현장 부가비용을 신뢰할 수 있고 데이터 기반으로 추정할 수 있는 방법을 개발하기 위해.
• 오류와 주관성이 쉽게 발생하는 수작업 및 전통적 추정 기법의 한계를 극복하기 위해.
• 역사적 프로젝트 데이터를 활용하여 인공신경망을 훈련시켜 비용 예측 정확도를 향상시키기 위해.
• 현장 부가비용을 총 프로젝트 가격의 퍼센티지로 표현하는 파라미터 기반 모델을 수립하기 위해.
• 2002년에서 2009년 사이에 수집된 이집트의 실제 건설 데이터를 활용하여 모델의 예측 성능을 검증하기 위해.

제안 방법

• 현장 부가비용과 프로젝트 특성 간의 관계를 모델링하기 위해 피드포워드 백프로파게이션 신경망 아키텍처를 선택하였다.
• 입력 특성으로는 건물 면적, 층수, 위치 등 프로젝트별 변수를 포함하였으며, 훈련을 위해 정규화하였다.
• 출력층은 총 프로젝트 비용에 대한 현장 부가비용의 퍼센티지 값을 산출하여 파라미터 기반 추정을 가능하게 하였다.
• 모델는 2002년에서 2009년 사이에 수집된 이집트의 실제 건설 프로젝트 52건을 사용하여 훈련되었다.
• 훈련 중 예측된 부가비용 퍼센티지와 실제 값 간의 오차를 최소화하기 위해 백프로파게이션 알고리즘을 사용하였다.
• 일반화 능력과 예측 정확도 평가를 위해 데이터의 테스트 서브셋을 사용하여 모델를 검증하였다.

실험 결과

연구 질문

• RQ1 인공신경망이 이집트 건설 프로젝트의 현장 부가비용 추정에 효과적으로 적용될 수 있는가?
• RQ2 伝통적 추정 기법에 비해 ANN 모델의 부가비용 예측 정확도는 어떠한가?
• RQ3 프로젝트 특성과 총 프로젝트 비용에 대한 현장 부가비용 간의 관계는 어떠한가?
• RQ4 이 모델은 이집트의 새로운 건설 프로젝트에 대해 얼마나 잘 일반화되는가?
• RQ5 다양한 이집트 건물 프로젝트의 역사적 데이터를 효과적으로 활용하여 신뢰할 수 있는 비용 추정 모델을 훈련시킬 수 있는가?

주요 결과

• 훈련된 신경망 모델은 총 프로젝트 비용에 대한 현장 부가비용을 높은 정확도로 추정하는 데 성공하였다.
• 예측 성능이 뛰어나, 새로운 데이터에 대해서도 강력한 일반화 능력을 보이며 실용적 적용에 적합함을 입증하였다.
• 실제 역사적 데이터 52건을 활용함으로써 복잡한 비선형적 비용 행동 관계를 효과적으로 포착하였다.
• 일관성과 정밀도 측면에서 기존의 수작업 추정 기법보다 ANN 접근 방식이 뛰어났다.
• 일곱 해 동안의 실증적 프로젝트 데이터를 기반으로 학습함으로써 추정의 불확실성을 효과적으로 감소시켰다.
• 결과적으로, ANN 기반 접근 방식이 이집트 건설 부문의 파라미터 기반 비용 추정에 실현 가능하고 효과적인 도구임을 확인하였다.