Machine Learning Based Decision Making Model for On-Site Subcontractor Performance Management
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, İnşaat Fakültesi, İnşaat Mühendisliği Bölümü, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: İngilizce
Öğrenci: Yunus Başaran
Asıl Danışman (Eş Danışmanlı Tezler İçin): Zeynep Işık
Eş Danışman: Hande Aladağ
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:İnşaat projelerinde işlerin önemli bir yükünü taşıyan alt yüklenicilerin seçimine yönelik çalışmalara literatürde sıkça değinilmekle birlikte, proje uygulama aşamasında alt yüklenici performansının ölçülmesi ve değerlendirilmesine yönelik çalışmalara pek rastlanılmamıştır. Bu nedenle, bu tez, buradaki boşluğu doldurmak için hazırlanmıştır. Model, alt yüklenici performans ölçüm kriterlerini, kriterlerin önem ağırlıklarının belirlenmesi için Pisagor Bulanık Analitik Hiyerarşi Süreci (PFAHP) aşamasını, yerinde alt yüklenici performans ölçümünü, verilerin Makine Öğrenimi (ML) metoduyla değerlendirmesini ve karar verme aşamasını oluşturan bir aksiyon planı oluşturulmasını içermektedir. Derinlemesine bir literatür taraması ve uzman değerlendirmeleri sonucu, 7 ana grupta 23 alt kriter oluşturulmuştur. Kriterlerin önem ağırlıkları, sektördeki uzmanların PFAHP metodunu kullanarak ikili kıyaslama yapmaları sonucu belirlenmiştir. Sahada performansı ölçülen alt yüklenicilerin ağırlıklı ortalama performans değerleri (SC-AWP), PFAHP aracılığıyla hesaplanmıştır. SC-AWP sonuçları ve performans ölçüm verileri modelde önerilen ML algoritmasında kullanılmıştır. ML algoritmalarından Decision Tree (DT), Linear Regression, Support Vector Machine (SVM), Gaussian Process Regression (GPR), Ensemble ve Neural Network algoritmaları test edilmiştir. Hepsi başarılı sonuçlar vermiş olsa bile çıktıların daha kolay okunabilmesi, yorumlanabilmesi ve inşaat sahasında hızlı karar alınabilmesinin sağlanması amacıyla DT algoritmasının kullanımı uygun bulunmuştur. Bir karar ağacı modeli oluşmuş ve alt yüklenicilerin bu modeldeki adımların takibiyle performans değerlerinin yer aldığı başarı grubu tahmini yapılmıştır. Tahmin performansını doğrulamak ve proje veri setini analiz etmede modelin etkinliğini değerlendirmek için ML modeli performans değerlendirmesi ve geçerlilik analizi yapılmıştır. Oluşan değerlere göre bir aksiyon planı önerilmiş, bu aksiyon planında genel değerlendirme yapılabileceği gibi, sorunun köküne ulaşabilmek için kriter bazlı değerlendirme de önerilmiştir. Dinamik alt yüklenici performans yönetim modelinin geçerlilik analizi yapılarak, modelin başarılı sonuçlar ortaya koyduğu tespit edilmiştir.