This study presents an artificial intelligence technique based on ensemble of artificial neural networks for the purposes of analysis and prediction of labour productivity. The study focuses on the development ... więcej

This study presents an artificial intelligence technique based on ensemble of artificial neural networks for the purposes of analysis and prediction of labour productivity. The study focuses on the development of model that combines several artificial neural networks on the basis of real-life data collected on a construction site for steel reinforcement works. The data includes conditions, characteristics, features of steel reinforcement works and related efficiencies of workers assigned to particular tasks recorded on site. The proposed ensemble based model combines five supervised learning models - five different multilayer perception networks, which contribution in the prediction is weighted due to the application of generalised averaging approach. Testing results show that the proposed ensemble based model achieves the satisfactory evaluation criteria for coefficient of correlation (0.989), root-mean-squared error (2.548), mean absolute percentage error (4.65%) and maximum absolute percentage error (8.98%).

Wydajność pracy ma kluczowy wpływ na czas realizacji i koszty przedsięwzięć budowlanych. W publikacji przedstawiono wyniki prac badawczych nad wykorzystaniem zespołów sztucznych sieci neuronowych ... więcej

Wydajność pracy ma kluczowy wpływ na czas realizacji i koszty przedsięwzięć budowlanych. W publikacji przedstawiono wyniki prac badawczych nad wykorzystaniem zespołów sztucznych sieci neuronowych w analizie i predykcji wydajności pracy na przykładzie robot zbrojarskich. Analiza została przeprowadzona w oparciu dane zbierane przez wykonawcę w trakcie realizacji robót. Celem pracy badawczej była ocena przydatności danych zebranych przez wykonawcę robot oraz proponowanego narzędzia matematycznego do analizy i predykcji wydajności pracy. Dane wykorzystane w analizie obejmowały 18 zmiennych niezależnych (16 zmiennych typu nominalnego i 2 zmienne typu numerycznego) oraz 1 zmienną zależną (typu numerycznego). Zmienne niezależne x[j] obejmowały informacje dotyczące warunków, specyfiki i charakterystyk robót zbrojarskich. Zmienne niezależne wnosiły do modelu następujące informacje: dzień tygodnia - x[1], x[2], x[3]; zakres temperatur występujących w ciągu dnia roboczego – x[4], x[5]; warunki pogodowe – x[6], x[7]; rodzaj zbrojonego elementu konstrukcyjnego – x[8], x[9], x[10]; informację czy pręty zbrojeniowe były przygotowywane na placu budowy, prefabrykowane czy też do zbrojenia używano siatek zbrojeniowych - x[11], x[12], x[13]; informację o stopniu skomplikowania kształtu zbrojonego elementu - x[14], x[15], x[16]; całkowitą liczbę zbrojarzy obecnych i wykonujących pracę w danym dniu na budowie - x[17]; liczbę robotników przydzielonych do zbrojenia poszczególnych elementów konstrukcyjnych w danym dniu - x[18]. Zmienna zależna y wnosiła do modelu informację o wydajności pracy, jej obserwowane wartości stanowiły jednocześnie oczekiwane odpowiedzi modelu w zakresie predykcji wydajności pracy robotników przypisanych do poszczególnych zadań. Całkowita liczba próbek obserwacji obejmujących zmienne (x[1], x[2], …, x[18], y) jaka była dostępna dla potrzeb trenowania i testowania sieci neuronowych wynosiła 145. Dla potrzeb nadzorowanego trenowania i testowania sieci neuronowych, jak również dla oceny jakości ich działania, cały zbiór danych został podzielonych na podzbiory treningowe i testowe w stosunku odpowiednio 90% / 10%. Dalszy podział dotyczył podzbioru treningowego, który pięciokrotnie, losowo podzielono na podzbiory wykorzystane w uczeniu i walidacji sieci neuronowych – w konsekwencji dostępne było pięć zestawów danych treningowych. Proponowane podejście opiera się na założeniu, że kombinacja kilku wytrenowanych sieci neuronowych, z których formowany jest zespół skutkuje lepszą jakością działania i predykcji niż model oparty o jedną sieć neuronową. W przypadku niniejszych badań wykorzystano podejście oparte o generalised ensemble averaging (uśrednianie odpowiedzi sieci neuronowych należących do zespołu z uwzględnieniem wagi obliczonej dla każdej sieci). W związku z założeniem o podziale danych treningowych na pięć zestawów, założono że zespół sieci będzie składał się z pięciu sieci neuronowych typu multilayer perceptron (MLP) z jedną warstwą ukrytą. Każda z pięciu sieci neuronowych mających należeć do zespołu była wybrana spośród kilkudziesięciu sieci trenowanych z wykorzystaniem jednego zestawu treningowego danych. Jeżeli chodzi o strukturę sieci liczba neuronów w warstwie wejściowej wynosiła 18, a liczba neuronów w warstwie ukrytej wahała się od 3 do 12. Funkcje aktywacji jakie były brane pod uwagę to: sigmoidalna (SGM), tangens hiperboliczny (TANH), wykładnicza (EXP) i liniowa (LIN). W trenowaniu sieci wykorzystano algorytm Broyden-Fletcher-Goldfarb-Shanno (BFGS). Dla każdego z zestawów danych treningowych, różniących się podziałami danych na dane uczące i walidacyjne, wytrenowano i przeanalizowano działanie wielu sieci neuronowych. Ostatecznie zespół został sformowany po wyborze pięciu sieci neuronowych, które stały się członkami zespołu: ANN 1 – struktura sieci: 18-5-1, funkcje aktywacji, odpowiednio dla warstwy ukrytej i warstwy wyjściowej: TANH i LIN, ANN 2 – struktura sieci: 18-10-1, funkcje aktywacji, odpowiednio dla warstwy ukrytej i warstwy wyjściowej: EXP i EXP, ANN 3 – struktura sieci: 18-5-1, funkcje aktywacji, odpowiednio dla warstwy ukrytej i warstwy wyjściowej: TANH i TANH, ANN 4 – struktura sieci: 18-5-1, funkcje aktywacji, odpowiednio dla warstwy ukrytej i warstwy wyjściowej: EXP i LIN, ANN 5 – struktura sieci: 18-9-1, funkcje aktywacji, odpowiednio dla warstwy ukrytej i warstwy wyjściowej: TANH i LIN. Wagi α[k] dla każdej sieci zakwalifikowanej do zespołu zostały obliczone zgodnie z założeniami podejścia generalised ensemble averaging: α[1] = 0.3778, α[2] = 0.0348, α[3] = 0.2389, α[4] = 0.0928, α[5] = 0.2557. Wagi α[k], sieci należące do zespołu oraz wartości zmiennych niezależnych i zależnych umożliwiły predykcję wartości wydajności pracy w robotach zbrojarskich ŷ jak również obliczenia miar jakości działania oraz błędów zaproponowanego modelu opartego o zespół sieci neuronowych. Porównanie miar błędów pomiędzy pojedynczymi sieci działającymi oddzielnie oraz zespołu sieci wykazało redukcję błędów na korzyść zespołu. Redukcja błędu jest szczególnie widoczna w przypadków średniego bezwzględnego błędu procentowego (MAPE) i maksymalnego bezwzględnego błędu procentowego (APE[^max]). [RYSUNEK 1] Analiza wykresu punktowego (Rys. 1a) wydajności pracy dla robót zbrojarskich jako wartości obserwowanych w rzeczywistości y oraz wartości predykcji modelu opartego o zespół sztucznych sieci neuronowych ŷ pozwala stwierdzić, że rozkład punktów wzdłuż linii idealnego dopasowania y = ŷ jest zadowalający zarówno dla danych treningowych jak i danych testowych. Porównanie wydajności pracy dla robót zbrojarskich jako wartości obserwowanych w rzeczywistości y oraz odpowiadających im błędów procentowych predykcji (PE) (Rys. 1b) pokazuje że większość błędów dla danych trenujących mieści się w przedziale < –15%; 15%>. Tylko kilka punktów jest położonych poza tym przedziałem. W przypadku danych testowych sytuacja jest nawet lepsza ponieważ wszystkie błędy mieszczą się w przedziale < –10%; 10%>. Rozkład błędów APE z uwzględnieniem jako kryterium podziału typu zbrojonego elementu konstrukcyjnego pozwala stwierdzić, że jakość działania modelu jest najlepsza w przypadku płyt stropowych, w drugiej kolejności dla słupów, w trzeciej kolejności dla ścian. Rozkład błędów APE z uwzględnieniem skomplikowania kształtu zbrojonego elementu jako kryterium podziału pozwala stwierdzić, że jakość działania modelu jest najlepsza dla elementów o prostym kształcie. Rozważając pozostałe wartości dla tej samej zmiennej jako kryterium: w przedziale <0%-10%> udział błędów APE wskazuje na lepszą jakość działania dla elementów o średnio skomplikowanym kształcie; z drugiej strony w przedziale <0%-15%> ze względu udział błędów APE można wskazać lepszą jakość działania dla kształtów skomplikowanych. Uzyskane wyniki, pozwalają skonstatować, że zaproponowany model oparty o zespół sztucznych sieci neuronowych opracowany z wykorzystaniem podejścia generalised ensemble averaging, umożliwia predykcję wydajności pracy dla robót zbrojarskich z akceptowalną dokładnością. Dla modelu uzyskano następujące miary jakości działania i błędów: współczynnik korelacji Pearsona pomiędzy wydajnością pracy obserwowaną w rzeczywistości i predykcją modelu: R = 0.984 dla danych treningowych i R = 0.989 dla danych testowych, pierwiastek błędu średniokwadratowego: RMSE = 2.933 dla danych treningowych i RMSE = 2.548 dla danych testowych, średni bezwzględny błąd procentowy: MAPE = 6.87% dla danych treningowych i MAPE = 4.65% dla danych testowych. Poprawa jakości działania modelu i jakości predykcji może być osiągnięta poprzez wykorzystanie w modelowaniu i trenowaniu sieci neuronowych danych zbieranych dla potrzeb analiz wydajności pracy.