An Integrated Smart Platform for Estimating Onsite Productivity for Heavy Construction Projects in Saudi Arabia. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (This thesis presents a comprehensive study on the development of an integrated smart platform for estimating onsite productivity of heavy construction projects in Saudi Arabia. The research incorporates advanced data analysis, machine learning techniques,) Final_Thesis, Habibullah Rahnaward,ePrint.pdf - Accepted Version Restricted to Repository staff only until 7 January 2026. Download (5MB)

Arabic Abstract

إنتاجية مشاريع البناء الثقيلة تُعد عاملاً حاسمًا في إدارة ومراقبة جميع جوانب عمليات الحفر. ومع ذلك، فإن الأساليب التقليدية غير كافية لتقدير إنتاجية المعدات بدقة وبشكل تلقائي. وبناءً على ذلك، يهدف هذا البحث إلى تطوير منصة ذكية متكاملة لتقدير الإنتاجية بدقة في مشاريع البناء الثقيلة، وخاصة عمليات الجرافات. تم تحليل البيانات الميدانية التي جُمعت من مواقع البناء في المملكة العربية السعودية، حيث شملت أكثر من 20 عاملاً حاسمًا مثل وقت الدورة، مهارة المشغل، ظروف الطقس، ونوع التربة. تم استخدام مجموعة من أجهزة الاستشعار والأدوات الذكية لجمع البيانات، ثم تم إعدادها وتنظيفها وتصفية الضوضاء منها لتحسين جودتها .يقترح البحث خوارزمية تعلم آلي تعتمد على الشبكة العصبية الاصطناعية (ANN) لتقدير إنتاجية المعدات الثقيلة. بالإضافة إلى ذلك، تمت مقارنة أداء الخوارزمية المقترحة بأداء خوارزميتين أخريين للتعلم الآلي: آلات الدعم النقطية (SVM) وغابات القرارات العشوائية (Random Forest). وتم استخدام مجموعة من مقاييس التقييم المختلفة لتقييم أداء الخوارزميات المقترحة، وتشمل هذه المقاييس معامل التحديد (R²)، متوسط الخطأ المطلق (MAE)، وجذر متوسط مربع الخطأ (RMSE). علاوة على ذلك، تم تحسين معايير الخوارزمية المقترحة بشكل مثالي باستخدام خوارزمية شاملة .تم تطوير منصة ويب ذكية تدمج نموذج الشبكة العصبية الاصطناعية، وتوفر تقديرات إنتاجية في الوقت الفعلي تحت ظروف متنوعة. أشارت النتائج إلى أن الشبكة العصبية الاصطناعية المقترحة قادرة على تقدير إنتاجية المعدات الثقيلة بدقة عالية، حيث حققت معامل تحديد R²بقيمة 0.98 ومقاييس خطأ منخفضة (RMSE: 14.59 , MAE: 10.37)متفوقةً على نماذج آلات الدعم النقطية وغابات القرارات العشوائية. كما كشفت النتائج أن المنصة المقترحة قادرة على تحويل البيانات المعقدة إلى رؤى عملية. وستُمكّن هذه المنصة الذكية مديري البناء من تقليل التكاليف، وتسريع الجداول الزمنية، وتحسين كفاءة العمليات، مما يضع معيارًا جديدًا لإدارة الإنتاجية في صناعة البناء.

English Abstract

The productivity of heavy construction is crucial in construction for managing and controlling all aspects of the earthwork operations. However, the traditional techniques are ill for accurate and automated estimating of the equipment productivity. Consequently, the primary objective of this study is to develop an integrated smart platform for accurately estimating productivity in heavy construction projects, particularly bulldozer operations. Field data collected from Saudi Arabian construction sites were analyzed, incorporating over 20 critical factors such as cycle time, operator skill, weather conditions, and soil type. A set of sensors and smart tools are used to collect data. The data are prepared, cleaned, and flittered to eliminate the noise and enhance the quality. The research proposes a machine learning algorithm based on the artificial neural network to estimate the productivity of heavy equipment. In addition, the performance of the proposed algorithm is compared with the performance of other two machine learning algorithms: support vector machine and random forest. Different evaluation measures are used to evaluate the performance of the proposed machine learning algorithms. These measures include R-square, mean absolute error, and root mean square error. Moreover, the proposed algorithm parameters are tuned optimally using an exhaustive algorithm. A smart web-based platform that integrates the ANN model, providing real-time productivity estimates under diverse conditions is developed. The findings indicated that the proposed artificial neural network is capable of estimating the productivity of heavy equipment with the accuracy of an R² value of 0.98 and low error metrics (RMSE: 14.59, MAE: 10.37), outperforming support vector machines and random forest models. The results also revealed that the proposed platform has the ability to transform complex data into actionable insights. This smart platform will enable construction managers to reduce costs, accelerate timelines, and improve operational efficiency, setting a new benchmark for productivity management in the construction industry.

Item Type:	Thesis (Masters)
Subjects:	Environmental Architectural Construction Civil Engineering
Department:	College of Design and Built Environment > Architectural Engineering and Construction Management
Committee Advisor:	Mohammed, Awsan Mohammed Ali
Committee Members:	Alshibani, Adel and Ghaithan, Ahmed Mansoor Hussein
Depositing User:	HABIBULLAH RAHNAWARD (g202114370)
Date Deposited:	09 Jan 2025 11:48
Last Modified:	09 Jan 2025 11:48
URI:	http://eprints.kfupm.edu.sa/id/eprint/143233