Συγκριτική Ανάλυση Εφαρμογής Νευρωνικών Δικτύων & Ανάλυσης Παλινδρόμησης στη Διαχείριση Τεχνικών Έργων

Comparative analysis of neural networks & regression algorithms application in construction management (Αγγλική)

  1. MSc thesis
  2. Ηλιάδης, Πέτρος
  3. Διαχείριση Τεχνικών Έργων (ΔΧΤ)
  4. 07 Σεπτεμβρίου 2019 [2019-09-07]
  5. Ελληνικά
  6. 78
  7. Παντουβάκης, Πάρις
  8. τεχνητά νευρωνικά δίκτυα | ανάλυση παλινδρόμησης | επιστήμη δεδομένων | βιβλιογραφική έρευνα
  9. 2
  10. 58
  11. σχήματα, εικόνες, πίνακες
    • Η μοντελοποίηση αποτελεί μια από της πιο σημαντικές δραστηριότητες στην επιστήμη του μηχανικού καθώς επιτρέπει την μελέτη και την βελτιστοποίηση της συμπεριφοράς ενός συστήματος με γρήγορο, ασφαλή και οικονομικό τρόπο. Ωστόσο, η πολυπλοκότητα ενός συστήματος μπορεί συχνά να μην επιτρέπει την μαθηματική περιγραφή του με αναλυτικό τρόπο. Λύση για την μοντελοποίηση τέτοιων συστημάτων αποτελούν οι τεχνικές μοντελοποίησης βασισμένες σε δεδομένα [data-driven approaches]. Στην παρούσα διπλωματική εργασία εξετάζονται δύο από τις πιο διαδεδομένες τεχνικές αυτού του είδους: τα Τεχνητά Νευρωνικά Δίκτυα [Artificial Neural Networks] και η Ανάλυση Παλινδρόμησης [Regression Analysis]. Τα Τεχνητά Νευρωνικά Δίκτυα ανήκουν στον τομέα της Μηχανικής Μάθησης και προσπαθούν να προσομοιάσουν τον τρόπο με τον οποίο λειτουργεί ένας ανθρώπινος εγκέφαλος. Αποτελούν θέμα εκτενής έρευνας και εφαρμογής στην εποχή μας και βρίσκουν χρήση σε μια πλειάδα εφαρμογών σε διάφορες επιστήμες. Η Ανάλυση Παλινδρόμησης αποτελεί πιο παραδοσιακή τεχνική και ανήκει στην επιστήμη της στατιστικής, η οποία εξελίσσεται εδώ και πολλά χρόνια και ως εκ τούτου έχουν προταθεί πολλά διαφορετικά μοντέλα, ικανά να προσεγγίσουν διάφορα είδη προβλημάτων. Στα πλαίσια της εργασίας γίνεται αρχικά μια συνοπτική περιγραφή των δύο μεθόδων για την αναγνώριση των βασικών μηχανισμών τους και την κατανόηση του τρόπου λειτουργίας τους. Στη συνέχεια παρουσιάζεται η βιβλιογραφική έρευνα που πραγματοποιήθηκε στα διεθνή επιστημονικά περιοδικά και συνέδρια της τελευταίας πενταετίας, κατά την οποία συλλέχθηκαν 35 αντιπροσωπευτικές εφαρμογές των μεθόδων αυτών στην επιστήμη της Διαχείρισης Τεχνικών Έργων. Για κάθε εφαρμογή περιγράφονται τα σημαντικότερα στοιχεία του προβλήματος, η βασική προσέγγισή που ακολουθήθηκε καθώς και τα αποτελέσματά της. Οι μελέτες κατατάχτηκαν σε 5 κατηγορίες, γεγονός που επέτρεψε την άμεση σύγκρισή τους και την αναγνώριση των προτερημάτων και των αδυναμιών τους. Τέλος, γίνεται ανάλυση των αποτελεσμάτων της βιβλιογραφικής έρευνας και συζητούνται τα συμπεράσματα που εξήχθησαν. Οι βασισμένοι σε δεδομένα μέθοδοι αποτελούν πάντα ένα σημαντικό εργαλείο για τον μηχανικό, αλλά και για κάθε επιστήμονα γενικότερα, και ως εκ τούτου η επαφή και η γνωριμία του με αυτές έχει μεγάλη αξία, ακόμα και αν δεν πρόκειται να προβεί άμεσα σε κάποιου είδους εφαρμογή τους.
    • Modeling is one of the most important activities in engineering science as it allows the study and optimization of the behavior of a system in a fast, safe and cost-effective way. However, the complexity of a system may often prevent its mathematical description in an analytical way. A solution for modeling such systems is data-driven approaches. This diploma thesis discusses two of the most widespread techniques of this kind: Artificial Neural Networks and Regression Analysis. Artificial Neural Networks belong to the field of Mechanical Learning and try to simulate the way a human brain works. They are a matter of extensive research and implementation in our time and they find use in a variety of applications in various disciplines. Regression Analysis is a more traditional technique and belongs to the science of statistics, which has evolved over many years and therefore many different models have been proposed to address different types of problems. In the context of this thesis, a brief description of the two methods is first made to identify their basic mechanisms and to understand how they work. Below is a bibliographic research conducted in the international scientific journals and conferences of the last five years, during which 35 representative applications of these methods were collected in the science of Technical Management. Each application describes the most important elements of the problem, the basic approach followed, and its results. The studies were classified into 5 categories, which enabled their immediate comparison and identification of their strengths and weaknesses. Finally, the results of the bibliographic research are analyzed and the conclusions drawn are discussed. Data-based methods are always an important tool for an engineer, but also for every scientist in general; therefore, contact and familiarization with them are of great value, even if they will not directly be applying the methods in their department.
  13. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.