RUB » Bibliotheksportal

Markus Scholz

• In Bauprojekten allgemein, aber auch konkret im Baumanagement kommt es immer wieder zu starken Abweichungen der ursprünglich geplanten von den später tatsächlich anfallenden Kosten. Um die Kosten für das mit der Projektsteuerung beauftragte Unternehmen besser prognostizieren und potenzielle Kostensteigerungen frühzeitig erkennen zu können, wurde ein Modell zur Kostenapproximation mithilfe eines Künstlichen Neuronalen Netzes (KNN) entwickelt. Basierend auf Projektaktivitätsdaten, insbesondere Metadaten aus E-Mails, wurden acht Merkmale extrahiert, mit denen eine Approximation durchgeführt werden konnte. Das zu erwartende Kostenverhältnis (tatsächliche Planungskosten geteilt durch veranschlagte Planungskosten) wurde als zu prognostizierende Kenngröße abgeleitet. Es wurden dabei KNNs bestehend aus ein und zwei versteckten Schichten mit jeweils bis zu 50 Elementen pro Ebene trainiert. Die vorhandenen Daten wurden zu 80 % in Trainings und zu 20 % in Testdaten unterteilt. Das beste Ergebnis wurde mit einem mittleren absoluten Fehler (MAF) von 0,110 durch ein dreischichtiges KNN mit elf Neuronen auf der ersten und 18 Neuronen auf der zweiten versteckten Ebene erreicht. Der Einfluss einzelner Merkmale auf das Modellierungsergebnis wurde mittels einer Sensitivitätsanalyse verdeutlicht. Die erzielten Ergebnisse zeigen das Potenzial eines KNN zur Vorhersage der zu erwartenden Steuerungskosten in Bauprojekten und können so die Wahrscheinlichkeit erhöhen, Projekte mit abweichenden Kosten frühzeitig zu erkennen.