ارسل ملاحظاتك

ارسل ملاحظاتك لنا







Predicting the Earned Value for TunnelsProjects Using Artificial Neural Network Approach

العنوان بلغة أخرى: التنبؤ بالقيمة المكتسبة لمشاريع الأنفاق باستخدام أسلوب الشبكات العصبية الاصطناعية
المؤلف الرئيسي: عبدالقادر، محمد عبدالرزاق (مؤلف)
مؤلفين آخرين: الجبوري، عبدالكريم محمد (مشرف)
التاريخ الميلادي: 2018
موقع: عمان
الصفحات: 1 - 74
رقم MD: 957540
نوع المحتوى: رسائل جامعية
اللغة: الإنجليزية
الدرجة العلمية: رسالة ماجستير
الجامعة: جامعة الاسراء الخاصة
الكلية: كلية الهندسة
الدولة: الاردن
قواعد المعلومات: Dissertations
مواضيع:
رابط المحتوى:
صورة الغلاف QR قانون

عدد مرات التحميل

97

حفظ في:
LEADER 04309nam a22003257a 4500
001 1499702
041 |a eng 
100 |9 514961  |a عبدالقادر، محمد عبدالرزاق  |e مؤلف 
245 |a Predicting the Earned Value for TunnelsProjects Using Artificial Neural Network Approach 
246 |a التنبؤ بالقيمة المكتسبة لمشاريع الأنفاق باستخدام أسلوب الشبكات العصبية الاصطناعية 
260 |a عمان  |c 2018 
300 |a 1 - 74 
336 |a رسائل جامعية 
502 |b رسالة ماجستير  |c جامعة الاسراء الخاصة  |f كلية الهندسة  |g الاردن  |o 0062 
520 |a تعد إدارة القيمة المكتسبة EVM منهجية لإدارة المشاريع تدمج النطاق Scope والجدول Schedule والتكلفة Cost. وهو إطار يسمح لمتخصصي إدارة المشروع بمراقبة هذه المكونات الثلاثة بحيث يكون لديهم مقياس موضوعي لصحة المشروع. الهدف هو تحسين قياس التقدم. قد يكون هناك ضعف في إدارة القيمة المكتسبة لمشاريع الأنفاق لأن التقنيات المتاحة الحالية ضعيفة وغير مؤكدة. ومع ذلك، يتركز اليوم الكثير من الجهد على تطوير الشبكة العصبية للتنبؤ بالقيمة المكتسبة في مشاريع البناء بشكل عام، ومشاريع الأنفاق بشكل خاص. الهدف الرئيسي من هذه الدراسة هو تقديم الذكاء الاصطناعي في إجراء النهج الإحصائي لإدارة القيمة المكتسبة لمشاريع الأنفاق. تعتمد المنهجية بشكل رئيسي على تحديد العوامل المختلفة التي تؤثر على إدارة القيمة المكتسبة لمشاريع الأنفاق، والتي تتضمن بيانات تاريخية في العراق والأردن. تم اختيار خمسة متغيرات مستقلة عشوائيا (التكلفة الفعلية AC)، (قيمة التخطيط PV)، (القيمة المكتسبة EV)، (المدة الفعلية AD) و(مدة التخطيط PD) والتي تم تحديدها بشكل جيد لكل مشروع نفق، وتم اختيار متغير تابع واحد وهو مؤشر أداء الجدول الزمني SPI. تم اختيار برنامج Neuframe، وهو بيئة المحاكاة الشبكية العصبية وهو الإجراء المعتمد لإيجاد بنية الشبكة المثلى والمعايير الداخلية التي تتحكم في عملية التدريب التي نفذت باستخدام المحددات الافتراضية لحزمة برمجيات Neuframe. وتكشف نتائج التجارب أن متوسط النسبة المئوية لمعدل الخطأ المطلق MAPE% ونسبة الدقة المتوسطة AA% الناتجة عن نموذج الشبكة العصبية الاصطناعية ANN لمؤشر الأداء الزمني SPI وجد أنها (11% و89%) على التوالي. لذلك، يمكن استنتاج أن نموذج الشبكة العصبية لمؤشر الأداء الزمني يظهر تطابق ممتاز مع القياسات الفعلية. 
653 |a مشاريع الأنفاق  |a الشبكات العصبية الاصطناعية  |a إدارة القيمة المكتسبة  |a تقدير القيمة  |a الذكاء الاصطناعي 
700 |9 514962  |a الجبوري، عبدالكريم محمد  |e مشرف 
856 |u 9802-021-004-0062-T.pdf  |y صفحة العنوان 
856 |u 9802-021-004-0062-A.pdf  |y المستخلص 
856 |u 9802-021-004-0062-C.pdf  |y قائمة المحتويات 
856 |u 9802-021-004-0062-F.pdf  |y 24 صفحة الأولى 
856 |u 9802-021-004-0062-1.pdf  |y 1 الفصل 
856 |u 9802-021-004-0062-2.pdf  |y 2 الفصل 
856 |u 9802-021-004-0062-3.pdf  |y 3 الفصل 
856 |u 9802-021-004-0062-4.pdf  |y 4 الفصل 
856 |u 9802-021-004-0062-O.pdf  |y الخاتمة 
856 |u 9802-021-004-0062-R.pdf  |y المصادر والمراجع 
930 |d y 
995 |a Dissertations 
999 |c 957540  |d 957540 

عناصر مشابهة