تعداد نشریات | 161 |
تعداد شمارهها | 6,573 |
تعداد مقالات | 71,037 |
تعداد مشاهده مقاله | 125,522,503 |
تعداد دریافت فایل اصل مقاله | 98,782,145 |
مدل عصبی-فازی پشتیبان تصمیم فازهای اولیۀ پروژههای صنعت نفت | ||
مدیریت صنعتی | ||
مقاله 9، دوره 7، شماره 4، دی 1394، صفحه 837-860 اصل مقاله (667.49 K) | ||
نوع مقاله: مقاله علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/imj.2015.57428 | ||
نویسندگان | ||
محمود گلابچی1؛ امیر فرجی* 2 | ||
1استاد گروه مدیریت پروژه و ساخت دانشکدة معماری، دانشگاه تهران، تهران، ایران | ||
2دانشجوی دکتری مدیریت پروژه و ساخت دانشکدة معماری، دانشگاه تهران، تهران، ایران | ||
چکیده | ||
طی برنامهریزیهای پیش از آغاز پروژه بهعنوان یک مرحلة مهم، تصمیمهای اساسی اتخاذ میشوند که مسیر حرکت پروژه را در جهت موفقیت یا شکست ترسیم میکنند. این مرحله بهویژه در مگاپروژههای نفت، گاز و پتروشیمی که به حجم عظیمی از منابع نیاز دارند، اهمیتی مضاعف مییابد. عدمقطعیت در فازهای اولیة پروژه زیاد است و باید با حداقل اطلاعات از آینده، عمدهترین تصمیمگیریها صورت گیرند. در این پژوهش، مدل پیشبینی عملکرد برای پروژههای صنعت نفت براساس سیستمهای عصبی- فازی پیشنهاد شده است که بر پایة توابع پیشرفت استوار است که به مدلهای منحنی S معروفاند. در این پژوهش، انواع توابع منحنیهای پیشرفت پروژه مطالعه و پرکاربردترین آنها شناسایی شدند. درادامه، از طریق مطالعات کتابخانهای و پرسشنامة بسته، شش معیار عملکردی در قالب دو دسته و 25 متغیر شکلدهندة مدل در قالب دو بخش اصلی و چهار خوشه شناسایی شده است. درنهایت، مدل پیشبینی عملکرد با استفاده از سیستم انطباقی عصبی- فازی استنتاجی توسعه یافته است که ارزیابی نتایج آن بیانگر دقت مناسب مدل در انجام پیشبینیهاست. | ||
کلیدواژهها | ||
پروژههای صنعت نفت؛ پیشبینی؛ تصمیمهای راهبردی؛ مدل عصبی- فازی؛ منحنی S پروژه | ||
مراجع | ||
AbouRizk, and Halpin, D. W. (1992). Statistical properties of construction duration data. Journal of Construction Engineering and Management, 118(3), PP.525-544.
Bondugula Srikant. (2009). Optimal Control of Projects Based on Kalman Filter Approach for Tracking & Forecasting the Project Performance. Phd Thesis, Texas a&m University.
Box G.E., G.M.Jenkins and G.C. Reinsel, (2003). Time Series Analysis. 6th Edition, Chapter 19, Pearson Education.Inc.
Chao L.-C. (2007). Fuzzy logic model for determining minimum bid markup. Computer- Aided Civil and Infrastructure Engineering, Vol. 22, PP. 449-460.
Gardoni, P., Reinschmidt, K. F., and Kumar, R. (2007). A probabilistic framework for Bayesian adaptive forecasting of project progress. Computer-Aided Civil and Infrastructure Engineering, Vol. 22, PP.182-196.
Haji-Kazemi Sara, Andersen Bjorn, Krane Hans Petter. (2013). Identification of early warning signs in front-end stage of projects, an aid to effective decision making. Social and Behavioral Sciences, Vol. 74, PP. 212-222.
Jang J.-S. R. (1991). Fuzzy modeling using generalized neural networks and kalman filter algorithm. Ninth National Conference on Artificial Intelligence, PP. 762-767.
Jang J.-S.R. (1993). ANFIS: adaptive-network-based fuzzy inference system. IEEE Transactions on Systems, Man, and Cybernetics, 23 (3),PP. 665-685.
Jergear, George. (2008). analysis of the front end loading of alberta mega oil sands projects. Project management journal, Vol. 39 (4). PP. 95-104.
Kim Byung Cheol. (2007). Forecasting Project Progress and Early Warning of Project Overruns With Probabilistic Methods. Phd Thesis, Texas a&m University, PP. 11-12, 58-59.
Lim C S, M Zarin Mohamed. (1999). Criteria of project success: an exploratory re-examination. International Journal of Project Management, Vol. 17, Issue 4, PP. 243-248.
Love P.E.D., Holt, Shen, Irani. (2002). Using systems dynamics to better understand change and rework in construction project management systems. International Journal of Project Management, Vol. 20, Issue 6, PP.425-436.
Makridakis, S., Andersen, A., Carbone, R., Fildes, R., Hibon, M., Lewandowski, R., Newton, J., Parzen, E., and Winkler, R. (1982). The accuracy of extrapolation (time series) methods: Results of a forecasting competition. Journal of Forecasting, 1(2), PP. 111-153.
Miyagawa, T. (1997). Construction manageability planning a system for manageability analysis in construction planning. Automation in Construction, vol. 6, no. 3, PP. 175-191.
Zadeh L.A. (1995). Fuzzy logic toolbox for use with MATLAB, User's guide. Version 2, The MathWorks Inc., Natick, MA. | ||
آمار تعداد مشاهده مقاله: 2,003 تعداد دریافت فایل اصل مقاله: 1,391 |