Amélioration et augmentation de la productivité dans la construction
Loading...
Date
2024-06-01
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Université 20 Août 1955-Skikda
Abstract
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
Description
Keywords
Amélioration et augmentation, la productivité dans la construction