Made available in DSpace on 2016-06-02T20:09:21Z (GMT). No. of bitstreams: 1
6223.pdf: 2983823 bytes, checksum: 5c5866e8a883e6646c642579dce1909d (MD5)
Previous issue date: 2014-08-11 / Given the importance of forecasting costs in early stages of architectural projects, when it is possible to make changes in the product design and therefore obtain changes in the production costs, and also due to the difficulty of electrical-material consumption prognosis, this research proposes models for predicting electrical-material consumption used in buildings electrical installations. It was used artificial neural networks, an inteligent system, and conventional methods, such as linear regression and consumption rates for the prognostic models. The available data were collected from projects feasibility study and draft design. The research method includes the following steps: a) creation of a database with information collected in quantitatives used for estimates, b) data analysis and preprocessing for use in inteligent and conventional systems, c) attribute selection for best feature identification, i.e, for identifying features with high ability to influence the prognosis and d) development of the models and performance analysis, comparing the predicted values with the actual values. The developed models improves the consumption prognosis performance when compared with common prognostic tools. Current tools consists in multiplying quantitatives by a comsumption rate. Also, the novel models allows more cautious decision-making in projects early design phases, allowing greater awareness of costs impacts. It is expected that this metodology could be used for predicting other building materials. / Devido à importância da previsão de custos nas fases iniciais de empreendimentos, nas quais é possível intervir no produto de forma a obter impactos nos custos de produção; e também, devido à dificuldade de prognóstico do consumo de materiais das instalações prediais elétricas, que ainda não contam com ferramentas eficazes para tal tarefa, este trabalho propõe modelos para prognóstico do consumo de materiais de instalações prediais elétricas a partir de informações disponíveis na fase do estudo de viabilidade e estudo preliminar de empreendimentos. São utilizadas para o prognóstico sistemas inteligentes, mais especificamente, redes neurais artificiais, além de métodos convencionais, como regressão linear e índices de consumo. O método de pesquisa consta das etapas: a) constituição de um banco de dados com informações coletadas em quantitativos utilizados para orçamentos; b) análise e preparação dos dados para a devida utilização dos sistemas inteligentes e convencionais c) seleção de atributos para identificação das características com melhor capacidade de realizar o prognóstico e d) desenvolvimento dos modelos de prognóstico e análise de desempenho por meio de comparações entre os valores prognosticados e os valores reais. Os modelos desenvolvidos melhoram significativamente o prognóstico de consumo destes sistemas em relação a prática atual, que consiste em levantar quantitativos de projeto e multiplicá-los por índices de consumo. Os modelos propostos também permitem tomadas de decisões com maior consciência dos impactos nos custos, principalmente em fases iniciais dos empreendimentos. Espera-se também que a metodologia apresentada possa ser extrapolada para outros serviços de construção.
Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufscar.br:ufscar/4700 |
Date | 11 August 2014 |
Creators | Milion, Raphael Negri |
Contributors | Paliari, José Carlos |
Publisher | Universidade Federal de São Carlos, Programa de Pós-graduação em Estruturas e Construção Cívil, UFSCar, BR |
Source Sets | IBICT Brazilian ETDs |
Language | Portuguese |
Detected Language | Portuguese |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Format | application/pdf |
Source | reponame:Repositório Institucional da UFSCAR, instname:Universidade Federal de São Carlos, instacron:UFSCAR |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0017 seconds