شناسایی و رتبه‌بندی شاخص‌های موثر بر بازدهی کارگران ساخت با استفاده از شبکه عصبی مصنوعی و الگوریتم بهینه‌سازی ملخ‌

نوع مقاله : مقاله پژوهشی

نویسندگان

1 گروه مهندسی و مدیریت ساخت، دانشکده مهندسی عمران، دانشگاه آزاد اسلامی، علوم و تحقیقات تهران، ایران

2 دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران، ایران

چکیده

صنعت ساخت نقشی حیاتی در اقتصاد کشور ایفا می‌کند و هرگونه بهبود عملکرد در این صنعت در واقع باعث رشد اقتصادی کشور خواهد شد. از طرفی ساخت و ساز یک صنعت وابسته به نیروی کار است که بخش عمده هزینه‌های کل پروژه را تشکیل می‌دهد. بنابراین مدیران پروژه با آگاهی از شاخص‌های موثر بر بازدهی نیروی کار و میزان اهمیت آنها می‌توانند در جهت رفع عوامل کاهنده بازدهی اقدام کنند که این امر گام بزرگی در جهت کنترل هزینه‌های پروژه و تضمین‌کننده موفقیت مالی آن خواهد بود. در این پژوهش با مرور ادبیات و مشاوره با افراد خبره، ابتدا 19 شاخص‌ مؤثر بر بازدهی نیروی کار با تمرکز بر عملیات بتن‌ریزی در پروژه‌های ساخت مجتمع‌های تجاری- اداری در ایران به عنوان شاخص‌های موثر بر بازدهی کارگران طبقه‌بندی شدند. همچنین از الگوریتم ترکیبی شبکه عصبی مصنوعی و الگوریتم بهینه‌سازی ملخ جهت رتبه‌بندی و تعیین مهمترین شاخص‌ها استفاده شد که به‌ترتیب 6 شاخص تجربه و مهارت کارگران، انگیزه‌ کارگران، میزان حقوق کارگران، سطح ایمنی و حوادث کارگاه، نظارت مناسب بر عملکرد کارگران و شرایط آب و هوایی به عنوان مهمترین شاخص‌های اثرگذار بر بازدهی کارگران معرفی شدند.

کلیدواژه‌ها


عنوان مقاله [English]

Identifying and Ranking the Factors Affecting Construction Labor Productivity Using Artificial Neural Network and Grasshopper Optimization Algorithm

نویسندگان [English]

  • Emadaldin Mohammadi Golafshani 1
  • Payam Goodarzizad 2
  • Vahid Falsafi Divband 2
1 Department of Civil Engineering, Islamic Azad University, Research and Science Branch, Tehran, Iran
2 Islamic Azad University, Science and Research Branch, Tehran, Iran
چکیده [English]

Construction industry plays a crucial role in Iran’s economy and any improvement in this industry will eventually lead to country’s economic development. On the other hand, the construction industry is mainly dependent on human resources that is one of the essential parts of every project costs. Consequently, identifying and ranking the factors affecting labor productivity can help the project managers reduce the effect of factors decreasing the productivity, which can reduce the project costs and guarantee the success of the project. In this paper, by reviewing the literature and consultation with experts, nineteen of the most important factors with huge impact on labor productivity with the focus on concrete pouring operations related to the building of commercial-office complex projects in Iran were identified. Moreover, a combined model based on artificial neural network (ANN) and Grasshopper optimization algorithm (GOA) was used for ranking them. As a result, labor experience and skill, motivation of labor, the amount of pay, site accidents, proper supervision, and weather condition were listed as the most influencing factors of the construction labor productivity.

کلیدواژه‌ها [English]

  • Labors productivity
  • Feature selection
  • Artificial Neural Network
  • Grasshopper Optimization Algorithm