DNN을 통한 골조공사기간 예측에 관한 연구

Abstract

적정 공사기간을 산정하고 예측하는 일은 프로젝트를 관리하고, 또 다른 프로젝트 관리 요소인 원가, 품질 , 안전의 리스크를 줄이는 데 매우 중요한 역할을 한다. 따라서 과거부터 현재까지 적정 공사기간을 산정하기 위한 연구와 시도가 많이 이루어져 오고 있으나, 선행연구들에서는 다중회귀분석이나, 전통적 선형 시계열 모형과 고전적 방식이 많이 사용되었다. 최근 인공지능이 예측과 분석에 강점을 보이며, 이를 활용한 연구가 많이 이루어지고 있으나, 건설공사 공사기간 예측에 관련된 연구를 많지 않은 실정이다. 본 연구는 사례 프로젝트 데이터를 기반으로 하여 인공지능의 한 갈래인 딥러닝 중 심층신경망(DNN, Deep Neural Network) 모델을 활용하여 공사기간을 예측해 보고자 한다. 본 연구에서는 국내 초고층 오피스 빌딩 기준층 골종공사 데이터를 수집하였다. 공사물량과 자원수량 그리고 계획일수를 입력변수하고 실제소요일수를 출력변수로 하여, 매트랩의 3가지 DNN 알고리즘을 훈련, 분석, 검증시켜 최적의 알고리즘을 선정하고 예측일수를 산정했다. DNN을 통한 예측치는 계획일보다 실제소요일을 훨씬 가깝게 산출되었다. 또한 공사물량과 자원수량 외의 공사기간 영향요인이 어떻게 공사기간에 영향을 미쳤는지 사례분석을 통하여, 각 요인이 시간에 영향을 미치는 양상을 프로세스화하여 산정하기 어려움을 살펴봄으로써 데이터를 통해 미지의 프로세스를 스스로 학습하는 DNN 모델이 공사기간 예측에 적합함을 확인했다. 본 연구는 초고층 오피스 빌딩 골조공사 데이터에 한정되었으나, 기타 공종에 대한 데이터 수집과 DNN 활용을 위한 공종 및 프로젝트 유형분류에 대한 연구가 이루어진다면, 프로젝트 리스크 관리에 DNN을 이용한 공사기간 예측의 활용범위를 더욱 확대할 수 있을 것이다.|Calculating and predicting the appropriate construction period is a very important role in managing projects and reducing the risk of cost, quality, and safety, which is another project management element. Therefore, since the past, there are many studies and attempts to calculate the appropriate construction period to date, but prior studies have been used to analyze multiple regressions, traditional linear time series models and classical methods. Recently, artificial intelligence shows the strengths in predictions and analysis, and there are many studies that utilize them, but there are not many studies related to the duration of construction work. The purpose of this study is based on case project data to predict the construction period by introducing a Deep Neural Network, one of the mode of artificial intelligence. In the study, the structural works data on the typical floor of domestic high-rise office building was collected. The construction quantity, the number of resources, and the planned durations are input data, and the actual durations are set as an output data. The three DNN algorithms of the Matlab were trained, analyzed, and verified by these data. The optimal algorithm was selected, and the prediction of construction duration was calculated. The prediction through DNN was calculated much closer to the actual duration than the planned one. In addition, through the case-analysis of how the impact factors but construction quantity and the number of resources affect the construction period, it is noted that it’s hard to process the way how the each factor affectin effect on time and the DNN model that learns with unknown process by itself was appropriate for construction period forecasting. This study was limited to the high-rise office building structural construction, but if data collection is made on the other trade and the further research on the classification of trade and project type for DNN, the use of construction period forecasts using DNN will be enlarged on project risk management.