Neural Networks Surrogate Models for Simulating Payment Risk in Pavement Construction/Neuroninių tinklų pakaitalo modelis mokėjimo rizikai kelių statyboje nustatyti

A common provision in quality control/quality assurance (QC/QA) highway pavement construction contracts is the adjustment of the pay that a contractor receives on the basis of the quality of the construction. It is important to both the contractor and the contracting agency to examine the amount of pay that the contractor can expect to receive for a given level of construction quality. Previous studies have shown that computer simulations can provide a better, more detailed examination of the pay schedule than is possible by simply determining the expected pay. In particular, the simulation process can provide an indication of the variability of pay at various quality levels and can identify the factors most responsible for pay adjustments. Stochastic simulation models are very useful in estimating and analyzing payment risk in highway pavement construction. However, such models are constrained by their computational requirements, and it is often necessary to couple them with simpler models to speed up the process of decision‐making. This paper investigates the use of Neural Networks (NN) to build surrogate models for a pavement construction payment‐risk prediction model. The results show that although the average error associated with the NN predictions are acceptable; in some particular cases the errors may be unacceptably high. Santrauka Bendroji sąlyga kokybės kontrolės užtikrinimo (QC/QA) kelių tiesimo sutartyse yra užmokesčio nustatymas. Jį rangovas gauna atsižvelgdamas į statybos kokybę. Svarbu rangovui ir agentūrai išnagrinėti užmokesčio kiekį, kurio rangovas gali tikėtis gauti už tam tikrą statybų kokybę. Ankstesni tyrimai parodė, kad pasitelkiant kompiuterinį modeliavimą galima gauti geresnį, daug išsamesnį apmokėjimo vaizdą. Tai galima padaryti paprasčiausiai nustatant tikėtiną užmokestį. Modeliavimo procesas rodo užmokesčio kitimą paisant kokybės ir gali pateikti veiksnius, nuo kurių priklauso kainos nustatymas. Tikimybinis modelis yra labai naudingas apskaičiuojant ir analizuojant užmokesčio riziką tiesiant kelių dangas. Tačiau tokie modeliai yra suvaržyti kompiuterinių reikalavimų, ir dažnai juos reikia susieti su paprastesniais modeliais norint greitinti sprendimų priėmimo procesą. Šiame straipsnyje tyrinėjamas neuroninių tinklų naudojimas pakeičiantiems modeliams sukurti norint teisingai nustatyti kelių dangos tiesimo užmokestį. Rezultatai parodė, kad vidutinė paklaida, susijusi su neuroninių tinklų spėjimu, yra priimtina, tačiau kai kuriais atvejais paklaidos gali būti neleistinai didelės.