Mapping rework causes and effects using artificial neural networks

Rework can have adverse effects on the performance and productivity of construction projects. Techniques such as artificial neural networks (ANN) are widely used for prediction and classification problems and thus can be used to map the causes and effects of rework. The traditional back propagation neural network and general regression neural network data from 112 Hong Kong construction projects are used to examine the influence of rework causes on the various project performance indicators such as cost overrun, time overrun, and contractual claims. The results from this research could be used to develop forecasting systems and appropriate intelligent decision support frameworks for enhancing performance in construction projects. Furthermore, analysis of the neural network results indicates that the general regression neural network architecture is better suited for modelling rework causes and their impacts on project performance. Les travaux de reprise peuvent avoir des effets néfastes sur les performances et la productivité dans les projets de construction. Des techniques comme les réseaux neuronaux artificiels (AAN) sont largement utilisés pour résoudre les problèmes de prévision et de classification et peuvent donc servir à cartographier les causes et les effets des travaux de reprise. Les données de réseaux neuronaux classiques à rétropropagation et les données de réseaux neuronaux à régression générale provenant de 112 projets de construction à Hong Kong sont utilisées pour examiner l'influence des travaux de reprise sur les divers indicateurs de performances de projets, comme les dépassements de coûts, les dépassements de délais et les réclamations contractuelles. Les résultats de cette recherche pourraient servir à développer des systèmes de prévision et des cadres appropriés et intelligents de soutien à la décision pour améliorer les performances de projets de construction. En outre, l'analyse des résultats de réseaux neuronaux indique que l'architecture du réseau neuronal à régression générale convient mieux à la modélisation des causes des travaux de reprise et à leurs conséquences sur les performances des projets. Mots cle´s: projet de construction, dépassement des coûts, productivité, performances de projets, travaux de reprise, dépassement des délais

[1]  J. Efrim Boritz,et al.  Effectiveness of neural network types for prediction of business failure , 1995 .

[2]  David J. Edwards,et al.  A rework reduction model for construction projects , 2004, IEEE Transactions on Engineering Management.

[3]  J. Nash,et al.  River flow forecasting through conceptual models part I — A discussion of principles☆ , 1970 .

[4]  Usha A. Kumar,et al.  Comparison of neural networks and regression analysis: A new insight , 2005, Expert Syst. Appl..

[5]  Leszek Rutkowski,et al.  Generalized regression neural networks in time-varying environment , 2004, IEEE Transactions on Neural Networks.

[6]  Peter E.D. Love,et al.  Influence of Project Type and Procurement Method on Rework Costs in Building Construction Projects , 2002 .

[7]  P. Peretto.  An introduction to the modeling of neural networks , 1992 .

[8]  S. Hyakin,et al.  Neural Networks: A Comprehensive Foundation , 1994 .

[9]  Per-Erik Josephson,et al.  Illustrative Benchmarking Rework and Rework Costs in Swedish Construction Industry , 2002 .

[10]  Peter E.D. Love,et al.  Quantifying the causes and costs of rework in construction , 2000 .

[11]  Donald F. Specht,et al.  A general regression neural network , 1991, IEEE Trans. Neural Networks.

[12]  J.H. Vanston,et al.  Testing the tea leaves: evaluating the validity of forecasts , 2005, IEEE Engineering Management Review.

[13]  J. Ramalho-Santos,et al.  Cronbach's alpha: a tool for assessing the reliability of scales , 1999 .

[14]  Igor V. Tetko,et al.  Neural network studies, 1. Comparison of overfitting and overtraining , 1995, J. Chem. Inf. Comput. Sci..

[15]  Michael A. Arbib,et al.  The handbook of brain theory and neural networks , 1995, A Bradford book.

[16]  Oleksandr Makeyev,et al.  Neural network with ensembles , 2010, The 2010 International Joint Conference on Neural Networks (IJCNN).

[17]  J H Garrett,et al.  WHERE AND WHY ARTIFICIAL NEURAL NETWORKS ARE APPLICABLE IN CIVIL ENGINEERING , 1994 .

[18]  Duc Truong Pham,et al.  Neural Networks for Identification, Prediction and Control , 1995 .

[19]  Michael I. Jordan,et al.  The Handbook of Brain Theory and Neural Networks , 2002 .

[20]  W. B. Ledbetter,et al.  Causes of Quality Deviations in Design and Construction , 1992 .

[21]  Soteris A. Kalogirou,et al.  Artificial neural networks for the prediction of the energy consumption of a passive solar building , 2000 .