| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 6.39 MB | Adobe PDF |
Advisor(s)
Abstract(s)
The construction sector, one of the largest global industries, significantly impacts the economy
of any country. Modular Construction (MC) emerges as a solution to the inefficiencies of
conventional construction, which still faces challenges in productivity, sustainability, and safety.
With innovative techniques, MC addresses critical issues and improves logistics operations,
optimizing processes and enhancing the efficiency and sustainability of projects, thereby
revolutionizing traditional construction methods and gaining global prominence.
With the growing interest in MC, it became essential to gather relevant data on the adoption
of this method in the construction sector. The use of Artificial Intelligence is crucial for collecting
and analyzing these data, especially regarding transportation costs, a field still underexplored. This
information gap led to the investigation of Machine Learning (ML) methods to predict
transportation costs in MC.
In this study, two ML models were developed and evaluated, namely Deep Learning (DL), with
different data preprocessing techniques, aiming to predict transportation costs in MC. To address
this need, the implementation of ML techniques was explored and applied to two different
scenarios: road transportation and sea transportation. The models were validated using specific
data preprocessing techniques.
The model that performed best was the one applied to road transportation, which, after
applying a specific filter for full truckload shipments, achieved a Mean Absolute Percentage Error
of 9.3%. This result is due to the model’s ability to capture the dynamics of the full truckload market,
reducing the impact of market fluctuations and improving prediction accuracy. Conversely, the
model applied to sea transportation faced significant challenges due to the complexity and volatility
of costs in this sector, resulting in a higher Mean Absolute Percentage Error of 45.78%. Further
analysis revealed that it was not the model architecture that limited its performance, but rather the
commercial complexities of maritime transport.
The work done with raw material transportation data provides a solid foundation for future
research, where the application of transfer learning is expected to further enhance the model’s
predictive capability on modules transportation data.
O setor da construção, uma das maiores indústrias a nível global, tem um impacto significativo na economia de qualquer país. A Construção Modular surge como uma solução para as ineficiências da construção convencional, que ainda enfrenta desafios de produtividade, sustentabilidade e segurança. Através de técnicas inovadoras, a Construção Modular aborda questões críticas e melhora as operações logísticas, otimizando processos e aumentando a eficiência e sustentabilidade dos projetos, o que está a revolucionar o método tradicional de construção e a ganhar destaque a nível global. Com o crescente interesse pela Construção Modular, tornou-se essencial reunir dados relevantes sobre a adoção deste método no setor da construção. A utilização de Inteligência Artificial é crucial para a recolha e análise desses dados, especialmente no que diz respeito aos custos de transporte, um campo ainda pouco explorado. Esta carência de informação levou à investigação de métodos de Machine Learning (ML) para prever os custos de transporte na Construção Modular. Neste estudo, foram desenvolvidos e avaliados dois modelos de ML, nomeadamente de Deep Learning (DL), com diferentes técnicas de pré-processamento de dados, e com o objetivo de prever os custos de transporte na Construção Modular. Para abordar essa necessidade, foi explorada a implementação de técnicas de ML, que foram aplicadas em dois cenários distintos: transporte terrestre e transporte marítimo. Os modelos foram validados através de técnicas específicas de préprocessamento de dados. O modelo que se destacou com o melhor desempenho foi o aplicado ao transporte terrestre, que, após a aplicação de um filtro específico para cargas de camião completo, alcançou um Erro Percentual Absoluto Médio de 9,3%. Este resultado deve-se à capacidade do modelo em capturar a dinâmica do mercado de camiões completos, reduzindo o impacto das flutuações de mercado e melhorando a precisão das previsões. Por outro lado, o modelo aplicado ao transporte marítimo enfrentou desafios significativos devido à complexidade e volatilidade dos custos neste setor, resultando num Erro Percentual Absoluto Médio mais elevado de 45,78%. Análises mais detalhadas sublinham que não foi a arquitetura do modelo que limitou o seu desempenho, mas sim as complexidades comerciais do transporte marítimo. O trabalho efetuado com dados de transporte de matérias-primas fornece uma base sólida para investigação futura, onde se espera que a aplicação de transfer learning melhore ainda mais a capacidade de previsão do modelo em dados de transporte de módulos
O setor da construção, uma das maiores indústrias a nível global, tem um impacto significativo na economia de qualquer país. A Construção Modular surge como uma solução para as ineficiências da construção convencional, que ainda enfrenta desafios de produtividade, sustentabilidade e segurança. Através de técnicas inovadoras, a Construção Modular aborda questões críticas e melhora as operações logísticas, otimizando processos e aumentando a eficiência e sustentabilidade dos projetos, o que está a revolucionar o método tradicional de construção e a ganhar destaque a nível global. Com o crescente interesse pela Construção Modular, tornou-se essencial reunir dados relevantes sobre a adoção deste método no setor da construção. A utilização de Inteligência Artificial é crucial para a recolha e análise desses dados, especialmente no que diz respeito aos custos de transporte, um campo ainda pouco explorado. Esta carência de informação levou à investigação de métodos de Machine Learning (ML) para prever os custos de transporte na Construção Modular. Neste estudo, foram desenvolvidos e avaliados dois modelos de ML, nomeadamente de Deep Learning (DL), com diferentes técnicas de pré-processamento de dados, e com o objetivo de prever os custos de transporte na Construção Modular. Para abordar essa necessidade, foi explorada a implementação de técnicas de ML, que foram aplicadas em dois cenários distintos: transporte terrestre e transporte marítimo. Os modelos foram validados através de técnicas específicas de préprocessamento de dados. O modelo que se destacou com o melhor desempenho foi o aplicado ao transporte terrestre, que, após a aplicação de um filtro específico para cargas de camião completo, alcançou um Erro Percentual Absoluto Médio de 9,3%. Este resultado deve-se à capacidade do modelo em capturar a dinâmica do mercado de camiões completos, reduzindo o impacto das flutuações de mercado e melhorando a precisão das previsões. Por outro lado, o modelo aplicado ao transporte marítimo enfrentou desafios significativos devido à complexidade e volatilidade dos custos neste setor, resultando num Erro Percentual Absoluto Médio mais elevado de 45,78%. Análises mais detalhadas sublinham que não foi a arquitetura do modelo que limitou o seu desempenho, mas sim as complexidades comerciais do transporte marítimo. O trabalho efetuado com dados de transporte de matérias-primas fornece uma base sólida para investigação futura, onde se espera que a aplicação de transfer learning melhore ainda mais a capacidade de previsão do modelo em dados de transporte de módulos
Description
Keywords
Deep learning Modular construction Transportation cost prediction Transfer learning Construção Modular Previsão de custos de transporte