AI-DECISION SUPPORT SYSTEM FOR PACING DELAYS ESTIMATION IN CONSTRUCTION PROJECTS. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF (Msc - CEM) Msc - Mohamed Mahmoud -Final Rev.18 (1).pdf - Submitted Version Restricted to Repository staff only until 20 May 2026. Download (15MB)

Arabic Abstract

لطالما كان تحليل التأخيرات حجر أساس في إدارة مشاريع البناء، حيث بذلت الصناعة جهودًا كبيرة لفهم أسباب التأخيرات، تأثيراتها، واستراتيجيات التخفيف منها. ركزت الأساليب التقليدية على التمييز بين التأخيرات المتزامنة وتأخيرات الإيقاع، بالإضافة إلى قياس تأثيراتها. وبناءً على ذلك، تقترح هذه البحث نماذج ذكية لتقدير تأخيرات الإيقاع في مشاريع البناء. تعتمد هذه النماذج على خوارزميات تعلم الآلة، بما في ذلك AdaBoost، Random Forest، Gradient Boosting، XGBoost، LightGBM، وCatBoost. كما تهدف الدراسة إلى تحديد العوامل التي تؤثر على تأخيرات الإيقاع. بالإضافة إلى ذلك، تستكشف الدراسة 156 تكوينًا من نماذج تعلم الآلة المجمعة التي تدمج خوارزميات تعلم آلة مختلفة. علاوة على ذلك، تم تطوير نظام دعم قرار لأتمتة هذه العملية. تم تطوير النماذج المقترحة واختبارها والتحقق من صحتها باستخدام بيانات حقيقية مأخوذة من مشاريع بناء فعلية. كشفت النتائج عن وجود فوارق كبيرة في الفعالية التنبؤية، حيث برزت XGBoost، CatBoost، وLightGBM كأفضل النماذج الفردية نظرًا لقدرتها على التعامل مع البيانات المتناثرة وغير المتوازنة. كما استكشفت الدراسة 156 تكوينًا من نماذج تعلم الآلة المجمعة، وتم تحديد تكوين تجميع أمثل (النموذج M108) الذي يدمج Random Forest، LightGBM، وCatBoost، مع استخدام XGBoost كـ "meta-learner". حقق هذا النموذج المجمع قيمة R² تبلغ 0.9827 وقيمة RMSE تبلغ 1.8615 يومًا، مما يمثل تحسنًا بنسبة 18.7% مقارنة بأفضل نموذج فردي. تعيد هذه الدراسة تعريف نموذج إدارة تأخيرات الإيقاع من خلال إنشاء تصنيف هرمي لأسباب التأخير، وتحسين نماذج تعلم الآلة المجمعة للتحليلات التنبؤية، وتطوير منصة دعم قرار تحويلية. تفوق نماذج التجميع المكدسة على الخوارزميات الفردية يضع معيارًا جديدًا للتحليلات التنبؤية في إدارة التشييد. مع تعامل الصناعة مع التعقيد المتزايد ومتطلبات أصحاب المصلحة، سيصبح اعتماد مثل هذه الأدوات الحسابية المتقدمة محوريًا في تعزيز المرونة، الكفاءة، والاستدامة، مما يضمن التسليم في الوقت المحدد للبنية التحتية الحيوية في عالم يتسم بعدم الاستقرار المتزايد. لا تقدم هذه البحث إسهامات أكاديمية فحسب، بل توفر أيضًا للعاملين في المجال استراتيجيات مدعومة تجريبيًا لمواجهة التحديات المعقدة لإدارة المشاريع الحديثة، مما يسهم في تحقيق أهداف التنمية المستدامة في البيئة المبنية.

English Abstract

Delay analysis has long been a cornerstone of construction project management, with the industry dedicating significant efforts to understanding the causes, effects, and mitigation approach for project delays. Traditional approaches have focused on distinguishing between concurrent and pacing delays, as well as measuring their impacts. Consequently, this research proposes intelligent models to estimate the pacing delays in construction projects. These models are based on machine learning algorithms, including AdaBoost, Random Forest, Gradient Boosting, XGBoost, LightGBM, and CatBoost. It also aims to identify the factors impacting the pacing delays. Furthermore, the study explores 156 ensemble machine learning configurations integrating different machine learning algorithms. Moreover, a decision support system is developed to automate the process. The proposed models are devolved, tested, and validated using real data taken from real construction projects. The findings reveal significant disparities in predictive efficacy, with XGBoost, CatBoost, LightGBM emerging as the top-performing individual models due to their robustness in handling sparse and imbalanced data. Furthermore, the study explores 156 ensemble machine learning configurations, identifying an optimal stacking ensemble (Model M108) that integrates Random Forest, LightGBM, and CatBoost, with XGBoost as a meta-learner. This ensemble achieves an R² of 0.9827 and an RMSE of 1.8615 days, representing an 18.7% improvement over the best standalone model, this study redefines the paradigm of pacing delay management by establishing a hierarchical taxonomy of delay causation, optimizing ensemble ML models for predictive analytics, and developing a transformative decision support platform. The demonstrated superiority of stacking ensembles over individual algorithms sets a new benchmark for predictive analytics in construction management. As the industry grapples with escalating complexity and stakeholder demands, adopting such advanced computational tools will be pivotal in fostering resilience, efficiency, and sustainability, ensuring the timely delivery of critical infrastructure in an increasingly volatile global landscape. This research not only advances academic discourse but also equips practitioners with empirically validated approach to navigate the intricate challenges of modern project management, contributing to the broader imperative of sustainable development in the built environment.

Item Type:	Thesis (Masters)
Subjects:	Systems Management and Marketing Architectural Construction Civil Engineering Research > Management
Department:	College of Design and Built Environment > Architectural Engineering and Construction Management
Committee Advisor:	Mohammed, Awsan
Committee Members:	Naseer, M. and Alhazmi, M.
Depositing User:	MOHAMED MAHMOUD (g202391650)
Date Deposited:	20 May 2025 10:20
Last Modified:	20 May 2025 10:20
URI:	http://eprints.kfupm.edu.sa/id/eprint/143353