Application of artificial neural networks in the context of road construction cost estimation

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Civil e Ambiental, 2019.A estimativa dos custos de projetos de construção com maior precisão na fase do desenvolvimento do projeto é crucial para estudos de viabilidade e é um fator chave para o seu sucesso. No entanto, na etapa inicial da obra existe pouca definição de projeto e, portanto, as informações são limitadas. Além disso, outros problemas são enfrentados como a falta de dados e de métodos adequados de estimativas, como também o envolvimento das incertezas. Com base nisso, este trabalho apresenta a utilização da Inteligência Artificial para estimar custos de construção de rodovias, a partir dos dados de projetos coletados e analisados no Departamento Nacional de Infraestrutura de Transportes (DNIT), com a finalidade de obter as variáveis que mais contribuem para o custo final da obra. Para aplicação da técnica de Redes Neurais Artificiais foi necessário selecionar uma amostra de 25 projetos. As RNAs foram treinadas e testadas com auxílio do software Matlab®, para a arquitetura de rede perceptron de múltiplas camadas e o algoritmo de backpropagation, utilizando 11, 10 e 5 parâmetros de entrada com diferentes topologias para verificar a robustez da ferramenta. A validação das estimativas foi feita pela comparação entre o valor estimado pelas RNAs e o custo real das obras. Ao final deste trabalho, o erro médio encontrado para a estimativa dos custos de construção de rodovias da melhor rede foi igual a 9%, com 5 parâmetros de entrada, 15 neurônios e função tangente hiperbólica na camada oculta e 1 neurônio na camada de saída, utilizando a função linear. Os resultados confirmam que a RNA é uma ferramenta promissora, especialmente para casos como o Brasil, onde as ferramentas computacionais ainda são pouco exploradas, exigindo um tempo maior na execução das tarefas como estimativas. Espera-se que o estudo apresentado contribua e apoie nas decisões de viabilidade econômica de construção de rodovias, pois uma melhor análise pode ser realizada com as variáveis fornecidos para serem reproduzidos e aplicados a outros projetos, uma vez que são parâmetros facilmente quantificáveis na etapa de anteprojeto.Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq).To estimate costs of construction projects more accurately at the project development stage is crucial for feasibility studies and it is a key factor for their success. However, in the initial stage of the work there is little project definition and, therefore, the information is limited. In addition, there are other problems, such as the lack of adequate data and estimation methods, as well as the involvement of uncertainties. Based on this, this work presents the use of Artificial Intelligence to estimate road construction costs, based on data collected and analyzed in the National Department of Infrastructure and Transport (DNIT), in order to obtain the variables that most contribute to the cost end of the construction. For the application of the technique of Artificial Neural Network it was necessary to select a sample of 25 projects. The ANNs were trained and tested using Matlab® software for the multilayer perceptron network architecture and the backpropagation algorithm, using 11, 10 and 5 input parameters with different topologies to verify the robustness of the tool. The validation of the estimates was made by comparing the value estimated by ANNs with the real cost of the work. At the end of this research, the average error found for estimating costs of road construction of the best network was 9%, with 5 input parameters, 15 neurons and hyperbolic tangent function in the hidden layer and 1 neuron in the output layer, using the linear function. The results confirm that ANN is a promising tool, especially for cases such as Brazil, where computational tools are still little explored, requiring a longer time in the execution of tasks as estimates. The presented study is expected to contribute and support the decisions of road construction economic feasibility, as better analysis can be taken with the parameters provided to be reproduced and applied to other projects, since they are easily quantified variables in the preliminary project