مدل عصبی-فازی پشتیبان تصمیم فازهای اولیۀ پروژه‌های صنعت نفت

نوع مقاله: مقاله علمی پژوهشی

نویسندگان

1 استاد گروه مدیریت پروژه و ساخت دانشکدة معماری، دانشگاه تهران، تهران، ایران

2 دانشجوی دکتری مدیریت پروژه و ساخت دانشکدة معماری، دانشگاه تهران، تهران، ایران

چکیده

 طی برنامه‌ریزی‌های پیش از آغاز پروژه به‌عنوان یک مرحلة مهم، تصمیم‌های اساسی اتخاذ می‌شوند که مسیر حرکت پروژه را در جهت موفقیت یا شکست ترسیم می‌کنند. این مرحله به‌ویژه در مگاپروژه‌های نفت، گاز و پتروشیمی که به حجم عظیمی از منابع نیاز دارند، اهمیتی مضاعف می‌یابد. عدم‌قطعیت در فازهای اولیة پروژه زیاد است و باید با حداقل اطلاعات از آینده، عمده‌ترین تصمیم‌گیری‌ها صورت گیرند. در این پژوهش، مدل پیش‌بینی عملکرد برای پروژه‌های صنعت نفت براساس سیستم‌های عصبی- ‌فازی پیشنهاد شده است که بر پایة توابع پیشرفت استوار است که به مدل‌های منحنی S معروف‌اند. در این پژوهش، انواع توابع منحنی‌های پیشرفت پروژه مطالعه و پرکاربردترین آن‌ها شناسایی شدند. درادامه، از طریق مطالعات کتابخانه‌ای و پرسشنامة بسته، شش معیار عملکردی در قالب دو دسته و 25 متغیر شکل‌دهندة مدل در قالب دو بخش اصلی و چهار خوشه شناسایی شده است. درنهایت، مدل پیش‌بینی عملکرد با استفاده از سیستم انطباقی عصبی- ‌فازی استنتاجی توسعه یافته است که ارزیابی نتایج آن بیانگر دقت مناسب مدل در انجام پیش‌بینی‌هاست.

کلیدواژه‌ها


عنوان مقاله [English]

Pre-Project Neuro-Fuzzy Decision Support Model for Oil Industry Projects

نویسندگان [English]

  • Mahmood Golabchi 1
  • Amir Faraji 2
1 Prof. Faculty of Architecture, University of Tehran, Tehran, Iran
2 Ph.D. Student in Project Management and Construction, Faculty of Architecture, University of Tehran, Tehran, Iran
چکیده [English]

During pre-project planning as an essential phase of a project, fundamental decisions that lead to project success or failure will make. This phase of a project is more important essentially in oil, gas and petrochemical mega projects that tremendous amount of resources should consume. Uncertainty in the initial phases of the project is at the highest level and therefore major project decisions should be made based on the minimum level of information and assurance of future. In this paper, a performance forecasting model for oil industry projects proposed that based on Neuro-fuzzy inference systems and rooted in project progress functions which known as S curve models. In this study types of functions and models that can generate project S curves are investigated and nine most used functions identified. In the next step six performance variables in two main sections include project progress and resource growth recognized and 25 variables in two categories and four clusters using close questionnaire approach identified. Finally a model for project performance prediction based on Adaptive Neuro-Fuzzy Inference System developed.

کلیدواژه‌ها [English]

  • forecasting
  • Neuro-Fuzzy Model
  • Oil Industry Projects
  • Project S Curve
  • Strategic Decisions
AbouRizk, and Halpin, D. W. (1992). Statistical properties of construction duration data. Journal of Construction Engineering and Management, 118(3), PP.525-544.

Bondugula Srikant. (2009). Optimal Control of Projects Based on Kalman Filter Approach for Tracking & Forecasting the Project Performance. Phd Thesis, Texas a&m University.

Box G.E., G.M.Jenkins and G.C. Reinsel, (2003). Time Series Analysis. 6th Edition, Chapter 19, Pearson Education.Inc.

Chao L.-C. (2007). Fuzzy logic model for determining minimum bid markup. Computer- Aided Civil and Infrastructure Engineering, Vol.  22, PP. 449-460.

Gardoni, P., Reinschmidt, K. F., and Kumar, R. (2007). A probabilistic framework for Bayesian adaptive forecasting of project progress. Computer-Aided Civil and Infrastructure Engineering, Vol. 22, PP.182-196.

Haji-Kazemi Sara, Andersen Bjorn, Krane Hans Petter. (2013). Identification of early warning signs in front-end stage of projects, an aid to effective decision making. Social and Behavioral Sciences, Vol. 74, PP. 212-222.

Jang J.-S. R. (1991). Fuzzy modeling using generalized neural networks and kalman filter algorithm. Ninth National Conference on Artificial Intelligence, PP. 762-767.

Jang J.-S.R. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, Man, and Cybernetics, 23 (3),PP. 665-685.

Jergear, George. (2008). analysis of the front end loading of alberta mega oil sands projects. Project management journal, Vol. 39 (4). PP. 95-104.

Kim Byung Cheol. (2007). Forecasting Project Progress and Early Warning of Project Overruns With Probabilistic Methods. Phd Thesis, Texas a&m University, PP. 11-12, 58-59.

Lim C S, M Zarin Mohamed. (1999). Criteria of project success: an exploratory re-examination. International Journal of Project Management, Vol. 17, Issue 4, PP. 243-248.

Love P.E.D., Holt, Shen, Irani. (2002). Using systems dynamics to better understand change and rework in construction project management systems. International Journal of Project Management, Vol. 20, Issue 6, PP.425-436.

Makridakis, S., Andersen, A., Carbone, R., Fildes, R., Hibon, M., Lewandowski, R., Newton, J., Parzen, E., and Winkler, R. (1982). The accuracy of extrapolation (time series) methods: Results of a forecasting competition. Journal of Forecasting, 1(2), PP. 111-153.

Miyagawa, T. (1997). Construction manageability planning a system for manageability analysis in construction planning. Automation in Construction, vol. 6, no. 3, PP. 175-191.

 Zadeh L.A. (1995). Fuzzy logic toolbox for use with MATLAB, User's guide. Version 2, The MathWorks Inc., Natick, MA.