Identification et Gestion des Risques Liés aux Projets de Construction
Loading...
Date
2020-07-11
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Université 20 aout 1955 Skikda
Abstract
La gestion des risques de perdre ou de gagner un contrat est une préoccupation
majeure dans le domaine de la budgétisation des projets de constructions. La
pratique des méthodes mathématiques sont aujourd’hui un outil nécessaire à la
bonne gestion des projets. Pour cela, notre problématique a centrée sur la façon
de gérer et contrôler les facteurs de succès ou de l'échec de projets de construction,
par le développement d'un modèle mathématiques rigoureux et plus précis pour la
gestion de ces risques. Pour résoudre ce problème, on a commencé par l'analyse
de l’environnement actuel du projet de la construction algérienne à partir d’une
analyse SWOT, pour ressortir les facteurs internes et externes qui influent sur le
processus d'appel d’offres relatives aux projet de construction pendant tout le
processus. Nous avons commencé à appliquer cet outil de choix pour obtenir les
informations nécessaires et d'établir une meilleure qualité des projets de
construction. À cet égard, cet outil vise à identifier les menaces-opportunités et
les forces-faiblesses liées à l'environnement de divers projets de construction
nationaux.
En seconde étape nous avons proposé des modèles basées sur une technique
par l'intelligence artificielle pour le traitement des données. En premier lieu, on a
créé un modèle neuronale, sous l'appellation de réseaux de neurones récurrent
(RNN). Nous avons ensuite proposé un algorithme par la logique floue (FL).
Puis, nous avons proposé la combinaison de ces deux modèles afin de construire
un système prédictif qui s'appuie sur l'intégration des réseaux de neurones et la
logique floue. Les résultats obtenus à partir des tests réalisés sur les modèles ont
montrés que le modèle ANFIS fonctionne bien et sont très encourageants pour la
prévision de l'état du projet à travers ces facteurs, et meilleurs que ceux obtenus
par les modèles réseaux de neurones récurrent et par la logique floue.