Νευρωνικά Δίκτυα | Neural Networks | Διαχείριση κινδύνων | Risk management | Τεχνικό έργο | Construction project
2
56
Περιέχει: πίνακες, εικόνες
Η σημασία της παρούσας έρευνας έγκειται στη διερεύνηση της μέχρι τώρα εφαρμογής Νευρωνικών Δικτύων, καθώς και στο εγχείρημα της καθεαυτής εφαρμογής Νευρωνικών Δικτύων στη διαχείριση κινδύνων τεχνικών έργων, προκειμένου να τεκμηριωθεί η προτίμηση ή η απόρριψή τους έναντι παραδοσιακών μεθόδων διαχείρισης κινδύνων σε σύνθετα, μη γραμμικά συστήματα, όπως μπορούν να θεωρηθούν τα τεχνικά έργα.
Για το σκοπό αυτό πραγματοποιείται λεπτομερής ανάλυση των διαφόρων ειδών Νευρωνικών Δικτύων τα οποία βρίσκουν εφαρμογή στη διαχείριση κινδύνων τεχνικών έργων και των τρόπων εκπαίδευσής τους με γνώμονα τους εξής στόχους:
• Αναγνώριση της έκτασης και του επιπέδου ανάλυσης στο οποίο βρίσκουν εφαρμογή τα Νευρωνικά Δίκτυα στις διεργασίες της διαχείρισης κινδύνων τεχνικών έργων (π.χ. ποσοτική ανάλυση, απόκριση στους κινδύνους κτλ.).
• Αξιολόγηση της εφαρμογής των Νευρωνικών Δικτύων στη διαχείριση των κινδύνων στα τεχνικά έργα.
• Εφαρμογή Νευρωνικών Δικτύων στη διαχείριση κινδύνων τεχνικών έργων πάνω σε μια ή περισσότερες διεργασίες της ανάλυσης κινδύνων σε τεχνικά έργα.
Βασικό εργαλείο για την διερεύνηση του τρόπου εφαρμογής των Νευρωνικών Δικτύων στη διαχείριση κινδύνων τεχνικών έργων αποτελεί η βιβλιογραφική επισκόπηση. Η εφαρμογή Νευρωνικών Δικτύων στη διαχείριση κινδύνων τεχνικών έργων αφορά κυρίως την ποιοτική και ποσοτική ανάλυση των κινδύνων και την απόκριση σε αυτούς μέσω εποπτευόμενης μάθησης. Η δημιουργία ισχυρών μοντέλων Νευρωνικών Δικτύων ικανά να απεικονίσουν τις σύνθετες, μη γραμμικές αλληλεξαρτήσεις μεταξύ των κινδύνων και άλλων παραγόντων είναι εφικτή δεδομένου ότι έχουν τη δυνατότητα να εκπαιδευτούν κατάλληλα με ένα επαρκές, έγκυρο και αξιόπιστο εύρος δεδομένων. Με στόχο την επικύρωση ή απόρριψή των Νευρωνικών Δικτύων έναντι συμβατικών μεθόδων αναπτύχθηκαν ορισμένα Νευρωνικά Δίκτυα για την εκτίμηση της συνολικής επικινδυνότητας επαγγελματικών κινδύνων τεχνικών έργων.
Τα αποτελέσματα της έρευνας επιβεβαιώνουν τη χρησιμότητα των Νευρωνικών Δικτύων στη διαχείριση κινδύνων τεχνικών έργων και συγκεκριμένα στην ποσοτική και ποιοτική ανάλυση των κινδύνων καθώς και στην αναγνώριση αυτών, δεδομένου ότι υφίστανται έγκυρα, αξιόπιστα και επαρκή ιστορικά δεδομένα. Οι προτάσεις για περαιτέρω έρευνα στο πεδίο επικεντρώνονται στη διερεύνηση του συνδυασμού των Νευρωνικών Δικτύων με άλλες τεχνικές της Τεχνητής Νοημοσύνης και της εφαρμογής δυναμικών Νευρικών Δικτύων και της μη εποπτευόμενης μάθησης.
The significance of this research lays in the investigation of the application of Neural Networks so far as well as in the implementation of an application of Neural Networks in construction project risk management in order to document their preference or rejection over traditional risk management methods in complex nonlinear systems as construction projects can be considered.
To this end, a detailed analysis of the different types and training methods of Neural Networks that are applicable in construction project risk management is carried out in accordance with the following objectives:
• Recognition of the extent and level of analysis to which Neural Networks are applied in the construction project risk management (e.g. quantitative analysis, risk response, etc.).
• Evaluation of Neural Network application in construction project risk management.
• Implementation of Neural Networks in construction project risk management in one or more processes of construction project risk management.
A bibliographic overview is the basic tool for investigating how Neural Networks are implemented in construction project risk management. The implementation of Neural Networks in construction project risk management mainly involves the qualitative and quantitative analysis of risks and the response to them through supervised learning. The implementation of powerful Neural Network models are capable of depicting the complex nonlinear interdependencies between risks and other factors is feasible since they are properly trained with an adequate, valid and reliable set of data. In order to validate or reject Neural Networks against conventional methods, several Neural Networks are developed to assess the overall occupational risk of construction projects.
Results confirm the utility of Neural Networks in construction project risk management particularly in the quantitative and qualitative analysis of risks and their recognition, since historical data exists. Proposals for further research are focused on exploring the combination of Neural Networks with other Artificial Intelligence techniques and the application of Dynamic Neural Networks and unsupervised learning.
Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.
