Aplikace biologických algoritmů při normování práce ve stavebnictví

Abstract

Postupy normování práce v České republice jsou založené výhradně na matematické statistice. Autorka navrhuje aplikaci neuronových sítí při normování práce a při dalších odhadech realizovaných v průběhu přípravné fáze staveb. Modely založené na neuronových sítích mají potenciál zefektivnit a optimalizovat například výpočet doby provádění konkrétních stavebních procesů respektive nákladů na jejich realizaci. Za předpokladu, že bude k dispozici dostatečné množství dat, díky technologickému pokroku a zavádění Informačního modelování staveb (BIM), a že se současně provede další výzkum v oblasti optimalizace neuronových sítí, by měly postupy představené práci vést k optimálním predikčním modelům. Hlavní cíl práce spočívající v návrhu a testování modelů vytvořených pomocí neuronových sítí, byl splněn prostřednictvím třech příkladů, které na základě teoretických i reálných dat predikují vybrané výstupy a zkoumají závislosti mezi množstvím a podrobností vstupních dat a kvalitou neuronové sítě a obsahují metody určení parametrů, které mají neopomenutelný vliv na výsledné hodnoty.

In the Czech Republic, established methods in work standardization are based solely on mathematical statistics. The authoress suggests using neural networks models in standardization of construction works or for other predictions in preconstruction phases. Such models are able to predict e.g. the time of implementation of the project and price of implemented projects based on the learned context (experience). Assuming that sufficient data will be available thanks to technological progress and the implementation of Building Information Modeling (BIM) and further research will be done in the field of neural network optimization, the suggested procedures should lead to the optimal predictive model. Preparatory processes will be automated and there will be more time left for qualified professional work. The main objective of the thesis the designing and testing models created using neural networks has been achieved through three examples which based on theoretical and real data predicted the selected outputs and examined the relationship between the amount and detail of input data and quality of neural network model and encompassed methods determining the parameters that have an unavoidable effect on the resulting values.