εκτίμηση κόστους | cost estimation | προεκτίμηση κόστους | early estimate | έργα οδοποιίας | road construction | τεχνητά νευρωνικά δίκτυα - ANN | artificial neural network - ANN | γραμμική παλινδρόμηση | regression analysis
1
16
Περιέχει: πίνακες, διαγράμματα και εικόνες
Τα έργα οδοποιίας στην σημερινή εποχή αποτελούν έργα μεγάλης πολυπλοκότητας και απαιτούνται για την κατασκευή τους μεγάλα ποσά χρηματοδότησης, τα οποία συνήθως δεν είναι διαθέσιμα και πρέπει να αναζητηθούν. Για την εξασφάλιση της χρηματοδότησης ενός έργου οδοποιίας που βρίσκεται στη φάση σχεδιασμού, προκειμένου να αξιολογηθεί η υλοποίηση του, πρέπει να πραγματοποιηθεί εκτίμηση του κόστους του με τα στοιχεία που είναι διαθέσιμα μέχρι εκείνη την στιγμή και με ακρίβεια, καθώς η ορθή εκτίμηση του κόστους αποτελεί παράγοντα επιτυχίας του έργου και οδηγεί σε αποφυγή υπερβάσεων του προϋπολογισμού. Για την προεκτίμηση του κόστους έργων οδοποιίας έχουν αναπτυχθεί διάφορες μέθοδοι στην υπάρχουσα βιβλιογραφία, υπάρχει όμως μία συνήθης δυσκολία στην εξεύρεση δεδομένων.
Η παρούσα ΜΔΕ πραγματεύεται την ανάπτυξη μοντέλου προεκτίμησης κόστους έργων οδοποιίας κατά την προκαταρκτική φάση ενός έργου ή την φάση σχεδιασμού, χρησιμοποιώντας στοιχεία προϋπολογισμού οριστικών μελετών οδοποιίας που μπορούν να βρεθούν στο διαδίκτυο και έχοντας ως στοιχεία εισόδου ποιοτικά και ποσοτικά χαρακτηριστικά που είναι διαθέσιμα στη φάση αυτή. Τα δεδομένα του δείγματος που χρησιμοποιήθηκε συγκεντρώθηκαν από τις διαδικτυακές πύλες http://www.eprocurement.gov.gr και http://www.diafaniasterea.gr και τα έργα αφορούν οριστικές μελέτες οδοποιίας νέων κατασκευών οδών, βελτιώσεων οδών και συντηρήσεις με προϋπολογισμούς που κυμαίνονται από 400.000,00€ έως 50.000.000,00€ περίπου. Τα ποιοτικά και ποσοτικά χαρακτηριστικά που συγκεντρώθηκαν, και αποτέλεσαν τα δεδομένα εισόδου στα μοντέλα, είναι τα εξής στοιχεία για κάθε οδό, ο τύπος της κατασκευής που αφορά η μελέτη, μήκος και πλάτος οδου, πλάτος ερείσματος, μήκη τοίχων αντιστήριξης και γεφυρών εφόσον κατασκευάζονται, αν υπάρχουν υδραυλικές εργασίες στο έργο, το πλήθος των ισόπεδων / ανισόπεδων κόμβων εάν προβλέπονται, τα μήκη των παράπλευρων οδών (SR) εφόσον υπάρχουν στο έργο και τέλος η ύπαρξη σηράγγων/cut & cover και το μήκος αυτών.
Τα μοντέλα προεκτίμησης κόστους που αναπτύχθηκαν βασίστηκαν στα Τεχνητά Νευρωνικά Δίκτυα – ΑΝΝ και στην Γραμμική Παλινδρόμηση. Η μεθοδολογία που ακολουθήθηκε ήταν η συγκέντρωση των στοιχείων και κατηγοριοποίηση τους σε πίνακα, όπου υπέστησαν αναγωγή ώστε να βρίσκονται εντός του διαστήματος [0,1], για την είσοδο τους στα μοντέλα που δημιουργήθηκαν, δημιουργία του νευρωνικού δικτύου και προσδιορισμός των συντελεστών της εξίσωσης γραμμικής παλινδρόμησης και τέλος έλεγχος των αποτελεσμάτων χρησιμοποιώντας ως δείγμα ένα μέρος από τα αρχικά δεδομένα.
Road construction works today are highly complex projects and large amounts of funding, which usually are not available and must be sought, are needed to build them. In order to secure the financing of a road project that is in the planning phase and to evaluate its construction, an estimate of its costs should be made with the data available up the planning phase and accurately, since a correct cost estimate is a factor of success of the project and leads to avoiding budget overruns. For cost estimation of road works several methods have been developed in existing literature, but there is a common difficulty in finding data.
This study deals with the development of a cost prediction model for road construction projects during the preliminary or the design phase of a project, using budget data from road studies at the final stage, which can be found on the internet. Input elements of predictions models are qualitative and quantitative features, available at the preliminary stage of the project. The data of the sample gathered from the webpages http://www.eprocurement.gov.gr and http://www.diafaniasterea.gr, rely on road studies at the final stage and projects refers to new constructions, road improvements and maintenance projects with budgets ranging from € 400,000.00 to € 50,000,000.00. The qualitative and quantitative input features into the models are, for each road, the following, the type of construction, length and width of the road, shoulder width, length of retaining walls and bridges if constructed, if any drainage works applied on the road, the number of intersection or interchanges, the lengths of the side roads (SR) if they exist in the project and finally the existence of tunnels / cut & cover and their length.
The early estimation cost models developed were based on Artificial Neural Networks - ANN and Linear Regression. The methodology followed was the collection of data and categorization into a table, where they were converted to within [0,1] because ANN models have some limitations at data inputs. Afterwards, of these stage the neural network created and made the determination of the coefficients of linear regression models. Finally, results data from the models tested using as a sample part of the original data.
Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.
Προεκτίμηση Κόστους Κατασκευής Έργων Οδοποιίας