Thèses de doctorat

Permanent URI for this community

http://dspace.univ-skikda.dz:4000/handle/123456789/15

Browse

Browsing Thèses de doctorat by Subject "Amélioration et augmentation"

Now showing 1 - 1 of 1
  • Thumbnail Image
    Item
    Amélioration et augmentation de la productivité dans la construction
    (Université 20 Août 1955-Skikda, 2024-06-01) DEHCHAR ,Chemseddine; BOUABAZ, Mohamed
    L'amélioration de la productivité dans le secteur de la construction a été un défi depuis longtemps, suscitant d'importants efforts de recherche. Cette étude cible spécifiquement l'amélioration de la productivité dans les projets de construction. Pour y parvenir, une enquête impliquant 150 questionnaires avec 16 facteurs groupés en Trois groupes notamment : groupe 01 : Management, groupe 02 : Facteurs liés aux travailleurs, groupe 03 : Facteurs externes, basés sur l'échelle de Likert de 5 points, a été mené afin d’identifier les facteurs influençant la productivité. Ces facteurs, sélectionnés en fonction de leur Indice d'Importance Relative (RII), étaient essentiels pour comprendre la dynamique de la productivité. Dans l'étape qui suit, un ensemble de données comprenant 101 points de données provenant de différents chantiers de construction est utilisé pour construire et développer deux modèles d’apprentissage automatique, à savoir : un modèle de Réseau de Neurones Artificiels (RNA) et un modèle d’approche paramétrique basé sur la régression linéaire multiple, dans le but d’estimer et de prédire les taux de la productivité sous l’influence des facteurs définis en première phase. Dans le cas du modèle de RNA, 70 % de l'ensemble des données ont été alloués à l'entraînement, tandis que les 30 % restants ont été réservés pour les tests. L'évaluation de la performance du modèle a utilisé les métriques de l'Erreur Quadratique Moyenne (MSE) et de l'Erreur Moyenne Absolue en Pourcentage (MAPE). Lors de la phase de test, le modèle de RNA a démontré une précision remarquable, avec une valeur de MSE de 0,000906 et une valeur du MAPE de 1,224%. En revanche, le modèle paramétrique a donné une précision comparativement plus faible, avec un MSE de 0,031 et un MAPE de 6,64%. Ces résultats soulignent la supériorité du modèle de Réseau de Neurones Artificiels (RNA) par rapport à l'approche paramétrique pour prédire et gérer les taux de productivité dans les projets de construction locaux. Les capacités prédictives robustes du modèle de RNA, basées sur sa capacité à capturer des relations de données complexes, en font un outil fiable pour les parties prenantes des projets et les gestionnaires de la construction. En exploitant ce modèle développé, basé sur les facteurs influents identifiés, les projets de construction peuvent prendre des décisions éclairées, rationaliser leurs opérations et, en fin de compte, accroître leur productivité. Cette étude contribue de manière significative aux efforts continus de l'industrie de la construction pour améliorer la productivité. Ses conclusions soulignent le potentiel des techniques avancées d'apprentissage automatique telles que le RNA pour relever les défis complexes de la construction, conduisant finalement à des résultats de projet améliorés, à une meilleure efficacité des coûts et à une meilleure gestion des ressources