Η διαφαινόμενη εξάντληση των ενεργειακών αποθεμάτων των συμβατικών καυσίμων του πλανήτη, σε συνδυασμό με την διαρκώς αυξανόμενη ζήτηση ενέργειας, αλλά και την βαθμιαία επιδείνωση των περιβαλλοντικών προβλημάτων, οδήγησε τις σύγχρονες κοινωνίες να στραφούν αφενός σε τεχνικές εξοικονόμησης και ορθολογικής χρήσης της ενέργειας, αφετέρου στην αξιοποίηση των Ανανεώσιμων Μορφών Ενέργειας (Α.Π.Ε.) που αποτελούν την βάση της ανάπτυξης του μοντέλου της πράσινης οικονομίας. Σε αυτό το πλαίσιο, είναι αναγκαίο να μπορούμε να προβλέπουμε τον χρόνο κατασκευής των έργων Α.Π.Ε. ώστε να εξασφαλίσουμε την αποτελεσματική διαχείρισή τους. Σε αυτό το πλαίσιο, η εφαρμογή της τεχνητής νοημοσύνης, συγκεκριμένα των Νευρωνικών Δικτύων, στα τεχνικά έργα αποτελεί μια αξιόλογη εξέλιξη. Τα Νευρωνικά Δίκτυα μπορούν να εκπαιδευτούν για να προβλέπουν τον χρόνο κατασκευής με ακρίβεια, λαμβάνοντας υπόψη πολλούς παράγοντες που επηρεάζουν την εκτέλεση των έργων Α.Π.Ε. Η παρούσα έρευνα επικεντρώνεται στην αξιολόγηση της αποτελεσματικότητας της εφαρμογής των Νευρωνικών Δικτύων για την εκτίμηση του χρόνου κατασκευής σε έργα Ανανεώσιμων Μορφών Ενέργειας (Α.Π.Ε.), ειδικότερα σε έργα αιολικών πάρκων. Ο στόχος είναι η βελτιστοποίηση της διαχείρισης της κατασκευής και λειτουργίας αυτών των έργων. Για την επίτευξη του σκοπού αυτού, αναπτύχθηκε ένα μοντέλο παλινδρόμησης βασισμένο σε ένα νευρωνικό δίκτυο, συγκεκριμένα το Multi-Layer Perceptron (MLP). Ως δεδομένα εισόδου χρησιμοποιήθηκαν πληροφορίες από ένα σύστημα καταγραφής του Ηνωμένου Βασιλείου, το οποίο παρακολουθεί την ανάπτυξη των έργων ηλεκτρικής ενέργειας από ανανεώσιμες πηγές ενέργειας. Τα αποτελέσματα που προέκυψαν από την έρευνα δείχνουν ότι το μοντέλο που βασίζεται στο νευρωνικό δίκτυο MLP επιδεικνύει ικανοποιητικό βαθμό ακρίβειας. Αυτό αποδεικνύεται από το χαμηλό μέσο απόλυτο σφάλμα και το υψηλό R-squared score που παρατηρήθηκε. Αυτές οι μετρήσεις δείχνουν ότι οι προβλέψεις του μοντέλου συσχετίζονται στενά με τις πραγματικές τιμές, προσφέροντας έτσι αποτελεσματική εκτίμηση του χρόνου κατασκευής των έργων Α.Π.Ε. Η συνδυασμένη χρήση της πράσινης οικονομίας και της τεχνητής νοημοσύνης αποτελεί κρίσιμη προσέγγιση για την αντιμετώπιση της ενεργειακής πρόκλησης. Η δυνατότητα πρόβλεψης του χρόνου κατασκευής στα έργα Α.Π.Ε. μέσω των Νευρωνικών Δικτύων συμβάλλει στη βιωσιμότητα της ενεργειακής μετάβασης και στην αποτελεσματική διαχείριση των προσπαθειών για αειφορία και προστασία του περιβάλλοντος.

The apparent depletion of the planet's conventional fuel energy reserves, combined with the continuously increasing demand for energy and the gradual deterioration of environmental problems, has led modern societies to turn to both energy conservation and rational energy use techniques, as well as the utilization of Renewable Energy Sources (RES), which form the basis of the green economy model's development. In this context, the application of artificial intelligence, specifically Neural Networks, to technical projects is a significant development. Neural Networks can be trained to accurately predict construction times, considering various factors that affect the execution of RES projects. This research focuses on evaluating the effectiveness of applying Neural Networks for estimating construction times in RES projects, specifically in wind farms. The goal is to optimize the management of construction and operation of these projects. For this purpose, a regression model based on a Multi-Layer Perceptron (MLP) neural network was developed. Input data were derived from a monitoring system in the United Kingdom that tracks the development of renewable energy projects. The results obtained from the research demonstrate that the MLP neural network-based model exhibits a satisfactory level of accuracy. This is evidenced by the low mean absolute error and the high R-squared score observed. These measurements indicate that the model's predictions closely correlate with the actual values, thus offering an effective estimate of the construction time for RES projects. The combined use of the green economy and artificial intelligence is a critical approach to addressing the energy challenge. The ability to predict construction times in RES projects through Neural Networks contributes to the sustainability of the energy transition and the effective management of efforts for sustainability and environmental protection.