DOI: https://doi.org/10.36680/j.itcon.2025.009
تاريخ النشر: 2025-03-07
المؤلف: Ania Khodabakhshian وآخرون
الموضوع الرئيسي: تحليل المخاطر والسلامة
نظرة عامة
تتناول ورقة البحث عدم الكفاءة في إدارة المخاطر (RM) ضمن مشاريع البناء، خاصة بسبب قيود الأساليب الحتمية التقليدية عند مواجهة بيانات نادرة وغير منظمة. تقترح حلين مبتكرين: (أ) الاستنباط، الذي يدمج آراء الخبراء مع بيانات المشروع الحالية، و(ب) توليد بيانات اصطناعية من خلال الشبكات التنافسية التوليدية (GANs) لتعزيز مجموعات البيانات المحدودة. تم تطوير نموذج شبكة بايزي (BN) لتمثيل شبكة المخاطر لـ 44 مشروع بناء في إيطاليا، مما يظهر زيادة بنسبة 18% في دقة النموذج بعد تعزيز البيانات الاصطناعية وتحقيق توافق بنسبة 85% بين المخاطر المتوقعة والحدوث الفعلي.
تسلط الدراسة الضوء على إمكانيات الذكاء الاصطناعي، وخاصة طرق التعلم الآلي الاحتمالية، لتعزيز عمليات إدارة المخاطر من خلال تحسين الأتمتة واتخاذ القرار. تؤكد على أهمية دمج حكم الخبراء والبيانات الاصطناعية لتحسين تقييمات المخاطر، خاصة في سياقات المشاريع حيث تكون البيانات نادرة. تشير النتائج إلى أن نموذج BN المقترح يمكن أن يدير عدم اليقين بفعالية ويجمع بين مصادر المعلومات المتنوعة، وبالتالي معالجة التحديات التي تطرحها البيانات المحدودة. تشمل اتجاهات البحث المستقبلية توسيع تطبيق النموذج ليشمل المخاطر التشغيلية ودمج تقنيات معالجة اللغة الطبيعية لتحسين تحديد المخاطر، مع السعي في النهاية نحو أنظمة إدارة مخاطر أكثر ديناميكية وتكيفًا في البناء.
مقدمة
تسلط مقدمة ورقة البحث هذه الضوء على المخاطر والشكوك الكامنة في مشاريع البناء، والتي تنبع من تعقيدها ووجود مختلف أصحاب المصلحة ذوي المصالح المتضاربة. يمكن أن تؤدي هذه المخاطر، المصنفة على أنها داخلية أو خارجية، إلى نتائج سلبية كبيرة مثل التأخيرات، وتجاوزات التكاليف، والنزاعات القانونية. غالبًا ما تفشل أساليب إدارة المخاطر التقليدية (RM) في تقديم تقييمات دقيقة وفي الوقت المناسب للمخاطر، ويرجع ذلك أساسًا إلى اعتمادها على أحكام مستندة إلى الخبرة وافتقارها إلى الاعتبار للاعتمادية المتبادلة بين المخاطر. يمثل ظهور الصناعة 4.0، الذي يتميز بالأتمتة والرقمنة، فرصة لتعزيز إدارة المخاطر من خلال الذكاء الاصطناعي (AI) والتعلم الآلي (ML)، اللذين يمكنهما تحليل مجموعات بيانات كبيرة لتحسين اتخاذ القرار وتحسين إدارة المشاريع.
على الرغم من الفوائد المحتملة لنماذج إدارة المخاطر المعتمدة على الذكاء الاصطناعي، فإن تطبيقها العملي محدود بمشكلات مثل تنسيقات البيانات غير المنظمة، وندرة البيانات، والتحيزات الفردية. تدعو الورقة إلى استخدام النماذج الاحتمالية، وخاصة الشبكات البايزية (BNs)، التي يمكن أن تدمج بفعالية آراء الخبراء والبيانات التاريخية لمعالجة هذه التحديات. تقدم BNs نهجًا منظمًا لنمذجة عدم اليقين واستنتاج العلاقات بين المتغيرات، مما يجعلها مناسبة لتقييم المخاطر الديناميكي في البناء. تهدف البحث إلى تطوير إطار عمل قائم على الاستنباط لتعلم هيكل BN والمعلمات، تم التحقق منه من خلال دراسات حالة تتضمن 44 مشروع بناء. بالإضافة إلى ذلك، تقترح استخدام الشبكات التنافسية التوليدية (GANs) لتوليد بيانات اصطناعية، مما يعالج قيود البيانات ويعزز قوة عمليات إدارة المخاطر في صناعة البناء.
الطرق
تستخدم المنهجية المعتمدة في هذا البحث نهج دراسة حالة لتحليل شبكة المخاطر والاحتمالات لشركة استشارات هندسية إيطالية. يعتبر هذا النهج فعالًا بشكل خاص للحصول على فهم شامل للظواهر المعقدة في سياقاتها الواقعية. يتم تقسيم عملية البحث إلى عدة مراحل رئيسية:
1. **جمع البيانات**: تضمنت هذه المرحلة جمع البيانات من مصادر متنوعة، بما في ذلك وثائق المشروع، والأدبيات حول أفضل الممارسات، والمقابلات مع مديري المشاريع. تم تحديد ما مجموعه 65 خطرًا شائعًا و46 متغيرًا فعالًا للمشروع عبر المشاريع المدروسة.
2. **تنظيف البيانات والمعالجة المسبقة**: خضعت البيانات المستخرجة للتوحيد لإزالة التناقضات وضمان التوافق مع نمذجة شبكة بايزي (BN).
3. **استنباط الخبراء**: تم إجراء استبيانات ومقابلات لتقييم العلاقات بين متغيرات المشروع والمخاطر، مما أدى إلى إنشاء نموذج BN منظم باستخدام آراء الخبراء لتعريف العلاقات السببية.
4. **تعلم المعلمات**: قام الخبراء بتعيين توزيعات احتمالية سابقة للمخاطر، والتي تم دمجها في جداول الاحتمالات الشرطية (CPTs).
5. **توليد بيانات اصطناعية**: لمعالجة ندرة البيانات، تم استخدام الشبكات التنافسية التوليدية (GAN)، مما أدى إلى مضاعفة حجم مجموعة البيانات وتعزيز توازنها.
6. **تحقق النموذج**: تم التحقق من نموذج BN من خلال تقنيات التحقق المتبادل، مما يضمن القوة ويقلل من الإفراط في التكيف.
أظهر التحليل المقارن لأربعة نماذج BN مختلفة أن النموذج الهجين، الذي يدمج بين استنباط الخبراء وبيانات المشروع، تفوق على الآخرين من حيث الدقة وقدرات استنتاج المخاطر. تؤكد هذه المنهجية الشاملة على أهمية دمج الرؤى النوعية مع البيانات الكمية في إدارة المخاطر.
النتائج
حدد تحليل 44 مشروع بناء، يشمل قطاعات متنوعة مثل الصيدلة والتجارة والسكن والصناعة، 46 متغيرًا رئيسيًا للمشروع يؤثر على أنواع المخاطر المحددة. ومن الملاحظ أن “نوع العقد” كان له تأثير كبير على مخاطر الشراء، حيث ارتبطت العقود الثابتة بالتأخيرات بسبب هياكل التسعير غير المرنة. بالإضافة إلى ذلك، أظهر متغير “المساحة المبنية” ارتباطًا أقوى بمخاطر السلامة والجدولة، خاصة في المشاريع الأكبر حيث تزداد التعقيدات اللوجستية.
صنفت الدراسة المخاطر إلى 11 مجموعة متميزة، بما في ذلك المخاطر الفنية والإدارية والتواصل والبيئة والشراء والموارد والسلامة والجدول الزمني والمساهمين والجودة والتغيير والمخاطر المالية. تم إبلاغ هذه التصنيفات من خلال مراجعة أدبية منهجية ومدخلات الخبراء، بما يتماشى مع التصنيفات المعتمدة للمخاطر مثل ISO 31000. كما سلطت البحث الضوء على الاعتمادية المتبادلة بين فئات المخاطر، مثل العلاقة السببية بين مخاطر الشراء والجدول الزمني. تم تحديد ما مجموعه 65 خطرًا بعد دمج الرؤى من الأدبيات ومقابلات الخبراء، بمشاركة 16 خبيرًا في عملية الاستنباط. تم إجراء تحليل الحساسية على خطر “التأخير بسبب منح العقد/إغلاق المناقصة”، مع تلخيص النتائج في الأشكال المرفقة.
المناقشة
تسلط قسم المناقشة في ورقة البحث هذه الضوء على استخدام مراجعة الأدبيات المنهجية (SLR) للتحقيق في دمج إدارة المخاطر (RM) والذكاء الاصطناعي (AI) والتعلم الآلي (ML) وإدارة المشاريع وصناعة البناء. سهلت منهجية SLR، التي تتميز بنهجها المنظم والشفاف، تحديد المنشورات الرئيسية بين التخصصات، مع التركيز على الاستدلال البايزي في إدارة مخاطر البناء. شملت المراجعة 51 ورقة ذات صلة نشرت بين عامي 2010 و2024، مع اهتمام خاص بتقنيات الاستنباط التي تدعم النمذجة البايزية المدفوعة بالخبراء. أظهر التحليل تحولًا من النماذج الحتمية التقليدية إلى الأساليب الاحتمالية، وخاصة الشبكات البايزية (BNs)، التي تعالج بفعالية عدم اليقين وقيود البيانات السائدة في مشاريع البناء.
علاوة على ذلك، تناقش الورقة تطبيق الشبكات التنافسية التوليدية (GANs) لتوليد بيانات اصطناعية للتخفيف من مشكلات ندرة البيانات في قطاع البناء. تعزز GANs، من خلال إطار التعلم التنافسي الخاص بها، كمية البيانات وتوزيعها، مما يحسن أداء خوارزميات ML. تؤكد الدراسة على أهمية النماذج القائمة على الاستنباط في الأطر البايزية، التي تستفيد من معرفة الخبراء لتقييم احتمالات الأحداث غير المؤكدة. من خلال دمج طرق الاستنباط المنظمة مع نمذجة شبكة بايزي، تهدف البحث إلى تقييم العلاقات الاحتمالية بين المخاطر المختلفة ومتغيرات المشروع بشكل منهجي، مما يسهم في تحسين ممارسات إدارة المخاطر في مشاريع البناء.
DOI: https://doi.org/10.36680/j.itcon.2025.009
Publication Date: 2025-03-07
Author(s): Ania Khodabakhshian et al.
Primary Topic: Risk and Safety Analysis
Overview
The research paper addresses the inefficiencies in Risk Management (RM) within construction projects, particularly due to the limitations of traditional deterministic approaches when faced with sparse and unstructured data. It proposes two innovative solutions: (a) Elicitation, which integrates expert opinions with existing project data, and (b) Synthetic data generation through Generative Adversarial Networks (GANs) to augment limited datasets. A Bayesian Network (BN) model is developed to represent the risk network of 44 construction projects in Italy, demonstrating an 18% increase in model accuracy post-synthetic data augmentation and achieving an 85% alignment between predicted and actual risk occurrences.
The study highlights the potential of AI, particularly probabilistic Machine Learning methods, to enhance RM processes by improving automation and decision-making. It emphasizes the importance of integrating expert judgment and synthetic data to refine risk assessments, especially in project-level contexts where data is scarce. The findings suggest that the proposed BN model can effectively manage uncertainty and incorporate diverse information sources, thus addressing the challenges posed by limited data. Future research directions include expanding the model’s application to operational risks and integrating Natural Language Processing techniques for improved risk identification, ultimately aiming for more dynamic and adaptive RM systems in construction.
Introduction
The introduction of this research paper highlights the inherent risks and uncertainties in construction projects, which stem from their complexity and the involvement of various stakeholders with conflicting interests. These risks, categorized as internal or external, can lead to significant negative outcomes such as delays, cost overruns, and legal disputes. Traditional Risk Management (RM) methods often fall short in providing timely and accurate risk assessments, primarily due to their reliance on experience-based judgments and a lack of consideration for the interdependencies among risks. The advent of Industry 4.0, characterized by automation and digitalization, presents an opportunity to enhance RM through Artificial Intelligence (AI) and Machine Learning (ML), which can analyze large datasets to improve decision-making and optimize project management.
Despite the potential benefits of AI-based RM models, their practical application is limited by issues such as unstructured data formats, data scarcity, and individual biases. The paper advocates for the use of probabilistic models, particularly Bayesian Networks (BNs), which can effectively integrate expert opinions and historical data to address these challenges. BNs offer a structured approach to modeling uncertainty and inferring relationships among variables, making them suitable for dynamic risk assessment in construction. The research aims to develop an elicitation-based framework for BN structure and parameter learning, validated through case studies involving 44 construction projects. Additionally, it proposes the use of Generative Adversarial Networks (GANs) to generate synthetic data, thereby addressing data limitations and enhancing the robustness of RM processes in the construction industry.
Methods
The methodology employed in this research utilizes a case study approach to analyze the risk network and probabilities for an Italian engineering consulting firm. This approach is particularly effective for gaining a comprehensive understanding of complex phenomena in their real-life contexts. The research process is divided into several key phases:
1. **Data Gathering**: This phase involved collecting data from various sources, including project documents, literature on best practices, and interviews with project managers. A total of 65 common risks and 46 effective project variables were identified across the studied projects.
2. **Data Cleaning and Pre-processing**: The extracted data underwent standardization to eliminate inconsistencies and ensure compatibility with Bayesian Network (BN) modeling.
3. **Expert Elicitation**: Surveys and interviews were conducted to assess the relationships between project variables and risks, leading to the creation of a structured BN model using expert opinions to define causal relationships.
4. **Parameter Learning**: Experts assigned prior probability distributions for risks, which were incorporated into Conditional Probability Tables (CPTs).
5. **Synthetic Data Generation**: To address data scarcity, Generative Adversarial Networks (GAN) were employed, effectively doubling the dataset size and enhancing its balance.
6. **Model Validation**: The BN model was validated through cross-validation techniques, ensuring robustness and minimizing overfitting.
The comparative analysis of four different BN models revealed that the hybrid model, which integrates both expert elicitation and project data, outperformed the others in terms of accuracy and risk inference capabilities. This comprehensive methodology underscores the importance of combining qualitative insights with quantitative data in risk management.
Results
The analysis of 44 construction projects, encompassing various sectors such as pharmaceutical, commercial, residential, and industrial, identified 46 key project variables that influence specific risk types. Notably, the ‘contract type’ was found to significantly affect procurement risks, with lump-sum contracts linked to delays due to their inflexible pricing structures. Additionally, the ‘built area’ variable demonstrated a stronger correlation with safety and scheduling risks, particularly in larger projects where logistical complexities are heightened.
The study categorized risks into 11 distinct groups, including Technical, Administrative, Communication, Environmental, Procurement, Resource, Safety, Schedule, Stakeholder, Quality and Change, and Financial risks. This categorization was informed by a systematic literature review and expert input, aligning with established risk taxonomies such as ISO 31000. The research also highlighted interdependencies between risk categories, such as the causal relationship between Procurement and Schedule Risks. A total of 65 risks were identified after incorporating insights from literature and expert interviews, with 16 experts participating in the elicitation process. Sensitivity analysis was conducted on the risk of “Delay due to contract awarding/tender closing,” with results summarized in accompanying figures.
Discussion
The discussion section of this research paper highlights the use of a Systematic Literature Review (SLR) to investigate the integration of Risk Management (RM), Artificial Intelligence (AI), Machine Learning (ML), Project Management, and the Construction Industry. The SLR methodology, characterized by its structured and transparent approach, facilitated the identification of key interdisciplinary publications, with a focus on Bayesian inference in construction risk management. The review encompassed 51 relevant papers published between 2010 and 2024, with particular attention to elicitation techniques that underpin expert-driven Bayesian modeling. The analysis revealed a shift from traditional deterministic models to probabilistic approaches, particularly Bayesian Networks (BNs), which effectively address uncertainties and data limitations prevalent in construction projects.
Furthermore, the paper discusses the application of Generative Adversarial Networks (GANs) for synthetic data generation to mitigate issues of data scarcity in the construction sector. GANs, through their competitive learning framework, enhance the quantity and distribution of data, thereby improving the performance of ML algorithms. The study emphasizes the importance of elicitation-based models in Bayesian frameworks, which leverage expert knowledge to assess probabilities of uncertain events. By integrating structured elicitation methods with Bayesian Network modeling, the research aims to systematically evaluate the probabilistic relationships between various risks and project variables, ultimately contributing to more robust risk management practices in construction projects.