ارائه مدل اطلاعات ساختمان (BIM) و یادگیری ماشین جهت پیش‌بینی قابلیت بازیافت پسماندهای تخریب ساختمانی [پایان نامه فارسی]
اسامه پیشدادی کوشالی
| شناسگر رکورد: | ۴۷۳۷۶۷ |
| استاد راهنما: | دکتر الهیار صیادی |
| استاد مشاور: | دکتر زهره علی اسماعیلی |
| استاد داور: | دکتر سیدعباس ابراهیمی |
| عنوان اصلي: | ارائه مدل اطلاعات ساختمان (BIM) و یادگیری ماشین جهت پیش‌بینی قابلیت بازیافت پسماندهای تخریب ساختمانی/اسامه پیشدادی کوشالی |
| دانشگاه: | مؤسسه آموزش عالی رحمان |
| نام دانشکده: | فنی و مهندسی |
| سال اخذ مدرک: | ۱۴۰۴/۱۱/۳۰ |
| زبان متن نوشتاري يا گفتاري و مانند آن : | فارسی |
| زبان اثر اصلي: | فارسی |
| نام نخستين پديدآور: | اسامه پیشدادی کوشالی |
| عنوان اصلي به زبان ديگر: | Providing Building Information Modeling (BIM) and machine learning to predict the recyclability of construction demolition waste |
| تقویم: | هجری شمسی |
| مقطع تحصیلی و رشته تحصیلی: | کارشناسی ارشد مهندسی عمران - مهندسی و مدیریت ساخت |
| گروه تحصیلی: | فنی و مهندسی |
| چکيده: |
هدف این پژوهش ارائه مدل اطلاعات ساختمان (BIM) و یادگیری ماشین جهت پیش‌بینی قابلیت بازیافت پسماندهای تخریب ساختمانی می‌باشد. این پژوهش بر حسب هدف در حيطه پژوهش‌های کاربردي جاي می¬گيرد و همچنين از نظر گردآوري اطلاعات در حیطه پژوهش‌های پيمايشی قرار می‌گیرد. جامعه آماری این پژوهش متخصصین و پیمانکاران باتجربه صنعت ساخت می¬باشد. تیم مشارکت کننده متشکل از ۱۵ نفر از خبرگان صنعت ساخت می¬باشند که دارای حداقل ۵ سال سابقه کار اجرایی مرتبط با موضوع پژوهش، دارای حداقل مدرک کارشناسی و آشنایی با مدیریت اطلاعات در بازیافت پسماندهای تخریب ساختمانی می‌باشند. مجموعه داده تخریب از اعضای بریتانیا از موسسه مهندسین تخریب (IDE) و فدراسیون ملی پیمانکاران تخریب (NFDC) به دست آمد که در مطالعات قبلی نیز استفاده شده است. روش متداول شامل انتقال زباله به ایستگاه‌های انتقال زباله (WTS) در مجاورت است. فرآیند تفکیک کامل‌تری در این ایستگاه‌ها انجام می‌شود و مواد را برای مصارف نهایی مختلف مانند بازیافت، استفاده مجدد یا دفن زباله مرتب می‌کند. در نتیجه، سوابق تخریب ۲۲۸۰ پروژه در بریتانیا با جزئیات مواد، نوع قاب، نوع استفاده، سطح ناخالص طبقه، حجم، تعداد سطوح، مقدار تخریب، مقدار بازیافت و مقدار استفاده مجدد برای این مطالعه بازیابی شد. پنج مدل یادگیری ماشین با استفاده از مجموعه داده آموزشی - KNN، DT، RF، XGBoost و LightGBM توسعه داده شد. بهینه‌سازی فراپارامتر بر روی هر مدل با استفاده از بهینه‌سازی بیزی برای بهبود عملکرد انجام شد. نتایج پژوهش نشان داد که بُعد مدیریت ساخت (C۲) ضریب ۲۰۱/۰ بالاترین اولویت را دارد و بُعد عوامل حقوقی (C۵) با ضریب ۱۲۵/۰ پایین¬ترین اولویت را دارد. The aim of this study is to present a Building Information Model (BIM) and machine learning to predict the recyclability of construction demolition waste. This study falls within the scope of applied research in terms of its objective and also falls within the scope of survey research in terms of data collection. The statistical population of this study is experienced construction industry professionals and contractors. The participating team consists of ۱۰ construction industry experts who have at least ۵ years of relevant executive work experience, have at least a bachelor’s degree and are familiar with information management in the recycling of construction demolition waste. The demolition dataset was obtained from UK members of the Institute of Demolition Engineers (IDE) and the National Federation of Demolition Contractors (NFDC) and has been used in previous studies. The conventional method involves transporting waste to nearby waste transfer stations (WTS). A more complete separation process is carried out at these stations, sorting the materials for different end uses such as recycling, reuse or landfill. As a result, demolition records of ۲۲۸۰ projects in the UK were retrieved for this study, detailing the materials, frame type, usage type, gross floor area, volume, number of floors, demolition amount, recycling amount and reuse amount. Five machine learning models were developed using the training dataset - KNN, DT, RF, XGBoost and LightGBM. Hyperparameter optimization was performed on each model using Bayesian optimization to improve performance. The results of the study showed that the construction management dimension (C۲) has the highest priority with a coefficient of ۰.۲۰۱ and the legal factors dimension (C۵) has the lowest priority with a coefficient of ۰.۱۲۵. |
| شماره ثبت | جزء | نسخه | جلد | بخش | قسمت | مرجع | شماره بازیابی | در دست امانت | تاریخ بازگشت | ملاحظات | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 1433044103 | 1 |
جهت ثبت نظر با حساب کاربری تان وارد شوید