طراحی و تهیه بانک داده و نرم¬افزار تخمین هزینه ماشین¬آلات پروژه¬های معدنی

۱- مقدمه :

تخمین هزینه یک فعالیت اصلى در تصمیمات تجارى و مهندسى بوده و مستلزم بررسى جوانب و متغیرهاى متعددى می­باشد. یک برآورد هزینه خوب باید داراى خصوصیاتى چون تعریف اجزاى هزینه­بر، جمع­آورى اطلاعات هزینه، طبقه­بندى هزینه­ها، تحلیل روابط بین داده­هاى هزینه­اى و برآورد هزینه بر اساس این روابط باشد[۱].

هزینه­هاى پروژه عمدتاٌ شامل هزینه­هاى سرمایه­گذارى و هزینه­هاى جارى می­باشند. این هزینه­ها متاثر از عوامل متعددى از جمله شرایط کشور میزبان، نوع پروژه و تورم قیمتها هستند. انتخاب روش تخمین هزینه به مرحله پیشرفت پروژه و اهداف از قبل تعیین شده براى مرحله جارى پروژه، بستگى دارد. بنابراین لازم است که داده­هاى مورد استفاده و روش تخمین هزینه را با دقت مورد نظر در هر مرحله مطابقت داد. طبقه­بندیهاى متعددى براى انواع روشهاى تخمین هزینه وجود دارد. از جمله روشهاى تخمین هزینه را می­توان بر مبناى کلاسیک و یا نوین بودن روشها تقسیم نمود. این روشها شامل تحلیلهاى رگرسیونى چندگانه (MRA[۱])، شبکه­هاى عصبى (NNs[۲]) و استفاده از هزینه­ها و اطلاعات پروژه­هاى مشابه([۳]CBR) می­باشند[۲].

مدل رگرسیون چندگانه

مدلهاى تخمین هزینه آمارى و تحلیلهاى رگرسیونى در سال ۱۹۷۰ به وجود آمده و توسعه یافتند. این روش، ابزار آمارى بسیار قدرتمندى بوده که می­تواند هم به عنوان یک تکنیک تحلیلى و هم یک تکنیک پیشگو در تعیین اقلام پنهان هزینه بکار برده شود. ولى با این وجود در صورت غیرخطى بودن روابط، این مدل مناسب نمی­باشد. برخى از محققین، اشکالاتى را براى این مدل ارائه داده­اند که عبارتند از :

-         عدم وجود شیوه­اى خاص در مدلهاى رگرسیونى که کاربران را در انتخاب مدلى که بتواند بهترین منحنى را بر روى داده­هاى موجود فیت کند، راهنمایى نماید

-         فرض نوع خاصى از معادلات چندگانه و داده­هاى آن، در معادلات رگرسیونى

-         نیاز به بررسى متغیرهاى متعدد موثر در تخمین که در صورت تعدد ورودیها، سختیهاى زیادى به همراه دارد.

ولى به دلیل بهره­مندى از پایه­هاى ریاضى مناسب در تعیین منحنى سازگار با داده­هاى موجود استفاده فراوانى داشته است. MRA در کل به صورت زیر نشان داده مى­شود :

 (۱)                                                                                          

که Y، تخمین نهایى هزینه و X_n, ….x_۲, x_۱ مقادیر متمایز متغییرها، C ثابت تخمین و b_n,..., b_۲ , b_۱ ضرائبى هستند که با استفاده از تحلیلهاى رگرسیونى و یکسرى داده­هاى مشخص بدست آمده­اند.

براى توسعه این مدل از تکنیکهاى گام به گام SPSS[۴] استفاده شده است [۲]. در این زمینه مدلهاى اقتصادسنجى متعددى ارائه شده که معمولاً از روش تخمین رگرسیون هزینه – ظرفیت استفاده می­کنند. مدلهاىUSBM (۱۹۸۴) ، O’Hara (۱۹۸۸)، CANMET (۱۹۸۶)، gentry & Neill (۱۹۸۴) ، AusIMM (۱۹۹۳) و، MULAR (۱۹۸۲ , ۱۹۹۸). مثالهایى از این نوع هستند[۳].

مدل شبکه عصبى

مدل شبکه عصبى، یک سیستم کامپیوترى بوده که بر اساس فرایند یادگیرى مغز بشر شبیه­سازى شده است و به طور گسترده­اى در بخشهاى زیادى از صنعت مانند عمران، معدن و ... مورد استفاده قرار گرفته­است [۲].

Mckim در سال ۱۹۹۳ استفاده از شبکه­هاى عصبى در مهندسى هزینه را نشان داد و آن را با روشهاى سنتى مقایسه کرد. در سال ۱۹۹۴، هگازى و مصلحى مدل تخمین هزینه و توزیع کننده سود با استفاده از شبکه عصبى را ارائه دادند. در ۱۹۹۵ گارزا و روهانا[۵] کاربرد شبکه­هاى عصبى را در تخمین هزینه مورد بررسى قرار داده و به نتایج مطلوبى رسیدند. در ضمن ایراداتى چون طراحى پیچیده شبکه و پارامتر نشانى را که هر دو زمان­بر و سخت مى­باشند، بیان نمودند. کریس و لى[۶] نیز با کاربرد شبکه عصبى در تخمین هزینه پلهاى چوبى به نتایج مشابهى دست یافتند. نرم­افزارهایى چون Neursolution ، Neuroshell۲ و Matlab در تهیه شبکه­هاى عصبى مورد استفاده قرار می­گیرد. بر اساس تحقیقات انجام گرفته، مزایاى شبکه­هاى عصبى در امر تخمین هزینه به صورت زیر می­باشد: اولاً، با این تکنولوژى نیاز به یافتن یک رابطه تخمین هزینه خوب که از نظر ریاضى همانند تابعى از متغیرها در بدست آوردن جواب مناسب عمل نماید، حذف می­گردد. ثانیاً، تکنیک شبکه عصبى هیچ محدودیتى در تعداد متغیرهاى هزینه ندارد. ثالثاً، نیازى نیست که قبل از آموزش شکل تابع تخمین به صورتى مشخص فرض شود [۴].

استدلال بر مبناى پروژه­هاى قبلى(Case – based reasoning )

یک مدل مستدل بر مبناى پروژه­هاى قبلى بوده که مسائل جدید را با اتخاذ راه­حلهاى مورد استفاده در مسائل قدیمى حل می­کند. این سیستم در سالیان اخیر در موارد متعددى از جمله برآورد زمان لازم جهت انجام فعالیتها، تخمین هزینه، پیشنهاد مناقصه، انتخاب روشها، مدیریت و دیگر موارد مورد استفاده قرار گرفته است. چنین مدلى در حل مسائلى چون طراحى، برنامه­ریزى و تشخیص عیوب نیز می­تواند سودمند باشد. سیستم CBR، خود شامل چهار زیرفرایند می­باشد :

-         ذخیره پروژه­هاى قدیمى در یک پایگاه پروژه که حاوى تجارب مورد نیاز سیستم است.

-         با ارائه یک پروژه جدید به سیستم، CBR با توجه به درجه شباهت یک یا چند پروژه مشابه بازیابى می­کند.

-         کاربران با مقایسه پروژه جدید با پروژه­هاى قدیمى در صدد حل آن برمی­آیند. و این انطباق بر اساس اختلاف بین پروژه­هاى ذخیره شده و پروژه جدید بدست مى آید.

-          راه­حل جدید به عنوان بخشى از پروژه­هاى ذخیره­شده در طى آزمایش نگه داشته میشود[۲].

بعد از آن که درصد شباهت تمامى پروژه­ها محاسبه شد، داده­هاى هزینه­ها در پایگاه پروژه­ها مرتب می­گردند و سپس بالاترین آنها به عنوان هزینه پروژه جدید انتخاب می­شود[۲].

مقایسه سه مدل MRA، NNs، CBR

میزان کارایى یک مدل مربوط به جهت تمایل، پایدارى و دقت آن می­باشد و درجه تمایل، پایدارى و دقت به ترتیب به متوسط اختلاف بین هزینه­هاى واقعى و تخمین زده شده، درجه انحراف از میانگین بستگى دارد و عموماً اکثر معیارهاى محاسباتى، معیارهاى آمارى مانند میانه، انحراف معیار و ضریب تغییرات مى باشند. سه مدل با هم مقایسه و با استفاده از تحلیل واریانسها بررسى شده­اند. از نظر آمارى، NN کارایى بهترى دارد ولى با این وجود ایجاد بهترین مدل NN به دلیل زمان­گیر و دشوار بودن تعیین پارامترهاى لازم مشکل می­باشد. در ضمن شبکه­هاى عصبى به دلیل مشکلات مربوط به تعیین پارامترهاى آن قابلیت بروزرسانى ضعیفى را دارد و مدل CBR از این جهت بهتر می­باشد[۵]. مدل CBR بهتر از بقیه مدلها مى تواند تشریح شود و مدل NN از این لحاظ نیز ضعف دارد و با وجود داشتن بیشترین دقت، کاربر نمی­تواند براحتى آن را درک و نتایج آن را تشریح نماید. با توجه به اینکه مدلهاى تخمین هزینه جهت شرکت در مناقصات مورد استفاده قرار می­گیرند و در این فرایند، مدل CBR کاملاً موفقیت­آمیز بوده است. البته روشهایى نیز براى رفع مشکل شبکه­هاى عصبى ارائه شده­اند. که یکى از آنها استفاده از الگوریتم ژنتیک در یافتن پارامترهاى شبکه عصبى می­باشد[۴].با توجه به توصیفات فوق مدل CBR براى ادامه تحقیقات انتخاب گردید.

نرم­افزارهاى موجود در زمینه تخمین هزینه

۱- مدل و نرم­افزار sherpa: این نرم­افزار در سال ۲۰۰۲ توسط شرکت Aventurine و بر اساس راهنماى ارائه شده توسط آن جهت تخمین هزینه­هاى معادن زیرزمینى ارائه گردید [۶،۵]. براى شروع کاربر اطلاعات اولیه مربوط به زمین­شناسى، روش استخراج، نرخ تولید مورد نظر، تجهیزات موجود و روشهاى باربرى را به برنامه می­دهد و سپس SHERPA به صورت اتوماتیک فرضیات مناسب را ایجاد و یا تمامى اطلاعات مورد نیاز را تعیین و هزینه­ها را برآورد می­کند. در پایان گزارشى حاوى خلاصه هزینه­هاى سرمایه­اى و عملیاتى، هزینه­هاى تولید و آماده­سازى، ارائه می­شود [۸،۷]. هزینه­ها به صورت روزانه یا بر تن و دستمزدهاى ساعتى نمایش داده می­شود.[۹]. این نرم­افزار تا حد کمى قابلیت استفاده در کشورهاى دیگر را نیز دارا مى-باشد[۸،۷]. تمامى هزینه­هاى تخمین زده شده توسط نرم افزار بر حسب دلار امریکا در سال ۲۰۰۲ بوده، لذا لازم است تمامى این مقادیر با ضرایب مناسب تبدیل به واحد پول کشور و سال مورد نظر شوند.

۲- نرم­افزار تخمین هزینه ماشین­آلات معادن روباز WMEI : در سال ۱۳۸۳ در دانشگاه تربیت مدرس، جهت تخمین هزینه سرمایه­اى تجهیزات پروژه­هاى معدنى روباز نرم­افزارى توسط صیادى ا.، ر. و کیانى ا. طراحى گردید که در آن تخمین هزینه بر اساس قیمت متوسط خرید ماشین آلات معادن روباز در سال ۱۹۹۵موجود در راهنماى منتشره از انجمن مهندسین هزینه آمریکا صورت می­گرفت. نرم افزار تولید شده با هدف ارزیابى انطباق­پذیرى راهنماى مذکور با پروژه­هاى معدنى روباز در ایران تهیه گردید. در این نرم­افزار فقط تخمین هزینه­هاى سرمایه­اى ماشین­آلات معادن روباز امکان­پذیر بوده و گزارشى حاوى اطلاعات ماشین­آلات مورد نیاز پروژه و هزینه­هاى سرمایه­اى آن توسط نرم افزار تهیه می­گردید. نرم افزار مذکور محدودیتهایى چون اطلاعات محدود موجود در آن، محدود بودن به پروژه­هاى معادن روباز و تخمین هزینه­هاى سرمایه­اى و عدم ذخیره­سازى پروژه­ها جهت تصحیح و ویرایش مجدد را داشت [۳].

◊◊◊◊◊◊◊

۲- روش تحقیق

در این تحقیق هدف طراحى و تهیه یک بانک اطلاعاتى و نرم­افزار تخمین هزینه می­باشد. با مقایسه سه روش رگرسیون چندگانه، شبکه­هاى عصبى و مدل مبتنى بر پروژه­هاى مشابه و بررسى آنها و با در نظر گرفتن مزایایى که هر یک در نوع خود دارند، روش مبتنى بر پروژه­هاى مشابه انتخاب و بر اساس آن مدلى تهیه و از آن در تهیه نرم­افزار استفاده گردید در ساخت مدل از راهنماى  WMEI– نسخه ۲۰۰۵ استفاده گردید[۶]. زیرا اولاٌ با روش CBR همخوانى داشته و در ضمن کارآیى آن در ایران طبق تحقیقات قبلى تایید شده است[۳]. براى انطباق بیشتر آن با شرایط ایران تمامى پارامترهاى دخیل در محاسبات WMEI با استفاده از مهندسى معکوس به دست آورده شد و با ایجاد تغییراتى در آن، مدل مناسب با شرایط ایران تهیه گردید.سپس پایگاه داده­اى بر اساس آن ایجاد و در نهایت نرم­افزار مربوطه تهیه گردید.

◊◊◊◊◊◊◊

۳- مدل تخمین هزینه ماشین­آلات معادن و کارخانه­هاى فرآورى(MME[۷])

جهت تخمین هزینه نیاز به یک مدل تخمین هزینه داریم که اولاً از دقت خوبى برخوردار بوده و ثانیاً سازگارى آن با شرایط کشور مناسب باشد. همانطور که اشاره شد مدل CBR نسبت به سایر مدلها برتریهایى داشت. راهنماى WMEI با توجه به دارا بودن اطلاعات هزینه­اى تجهیزات معدنى تا حدودى مشابه مدل  CBRبوده و نیزبا توجه به بررسیهاى انجام گرفته سازگارى WMEI با شرایط ایران نیز تائید شده است[۳]. لذا براى تهیه مدل MME از WMEI استفاده گردید.راهنماى تخمین هزینه [۸]WMEI، مجموعه اى از هزینه­هاى سرمایه­اى و عملیاتى تجهیزات مورد استفاده در معادن و کارخانه­هاى فرآورى بوده که هزینه­هاى سرمایه­اى موجود درآن حاصل بررسیهاى سالانه از کارخانه­هاى تولیدکننده ماشین­آلات، عرضه کنندگان انرژى، سوخت، تایر و روغن و نیز شرکتهاى معدنى ایالات متحده می­باشد. اکثر هزینه­هاى سرمایه­اى WMEI مربوط به مدلهاى خاص و استاندارد تجهیزات بوده و هزینه­هاى عملیاتى مربوطه نیز بر اساس یکسرى روشهاى محاسباتى مناسب استوار بوده که دقت لازم را در تخمین اولیه مهندسى فراهم می­کند.[۶]. پس از بررسى ساختار WMEI، جهت افزایش دقت تخمین و نیز انطباق مدل تغییراتى در آن اعمال شد که تغییرات در حالت کلى تغییر در ساختار مدل، تغییر در خروجى و ورودى مدل شامل را می­شد. تغییر در خروجى و ورودى مدل اکثراً در رابطه با تبدیل کمیتها از نوعى به نوع دیگر بوده و تغییر در ساختار مدل، نیز جهت انطباق آن با شرایط کشور میزبان صورت گرفت. و لذا لازم بود که ساختار WMEI که ساختارى ناشناخته و مبهم بود بدست آید تا بتوان تغییراتى را در آن اعمال نمود. در WMEI هر یک از اقلام هزینه­هاى عملیاتى توسط رابطه­اى بدست می­آید که شامل ضرائبى مربوط به مسائل فنى ماشین­آلات و نیز شرایط معدنکارى و ... می­باشد. با استفاده از مهندسى معکوس ضرائب مربوطه به دست آورده شد و با تغییر آنها، روابطى را ایجاد نمودیم که قادر به برآورد هزینه­هاى عملیاتى با توجه به شرایط خاص مکانى و زمانى باشد و در نهایت مدل MME تهیه گردید [۱۰].

◊◊◊◊◊◊◊

۴- طراحى و تهیه نرم­افزار تخمین هزینه MME Cost Estimator

پایگاه داده و نرم­افزارى که در طى این تحقیق تهیه گردید از جمله اولین کارهاى است که در این زمینه صورت گرفته است. پایگاه داده بر اساس مدل MME طراحى و با استفاده از زبان برنامه نویسى SQL در نرم­افزارsql server ایجاد و نرم­افزار با استفاده از زبان ویژواک بیسیک تهیه گردید و در محیط ویندوز XP , ۲۰۰۰ , ۹۸ , NT قابل­اجرا می­باشد. در واقع ایجاد این نرم­افزار در دو  مرحله ایجاد پایگاه­داده[۹] و ایجاد یک تراکنش[۱۰] و سیستم مدیریت پایگاه داده انجام گرفت[۱۰].

- طراحى و ایجاد پایگاه داده: طراحى این پایگاه طى مراحل زیر صورت گرفت[۱۰]:

۱.       جمع­آورى اطلاعات و داده­هاى لازم جهت ساخت پایگاه داده

۲.       طراحى اولیه پایگاه داده

۳.       تجزیه و تحلیل پایگاه داده طراحى شده

۴.       نرمال­سازى پایگاه داده

۵.       پیاده­سازى پایگاه داده نرمال­شده با استفاده از نرم­افزار sqlserver در قالب مجموعه­اى جداول و روابط بین آنها.

انتظاراتى چون پردازش سریع داده­ها، قابلیت کار با حجم وسیع داده­ها، قابلیت بروزآورى آسان و قابلیت کار به صورت شبکه­اى و در نهایت انعطاف­پذیرى مناسب در خصوص مجاز بودن کاربر در ورود اطلاعات جدید از جمله انتظاراتى بود که ما را به سوى نرم افزار sqlserver جهت ایجاد پایگاه داده کشاند. در پایگاه داده، اطلاعات ماش

کلید واژه ها: سایر موارد