Melhorando a tomada de decisões na construção: Modelagem não paramétrica de atrasos induzidos pelo clima

• Autor(a) principal: Comito, Mateus Borges
• Data de Publicação: 2024
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/104/104131/tde-10062024-165509/
• topic: Clima; Distribution estimation; Estimação de distribuição; Model selection; Monte Carlo; Monte Carlo; Seleção de modelo; Weather

A gestão eficaz de projetos de construção enfrenta desafios significativos devido a frequentes atrasos, muitos dos quais são influenciados por variáveis climáticas. Antecipar esses atrasos é crucial, e embora existam diversos métodos baseados em geradores estocásticos, modelos de impacto na produtividade ou aprendizado de máquina, ainda há uma carência notável de abordagens diretas que modelem a produtividade utilizando exclusivamente dados meteorológicos históricos, os quais são facilmente acessíveis. Além disso, não é suficiente ter apenas uma estimativa pontual do atraso de um projeto específico. É mais útil estimar a incerteza total associada a essa estimativa. Esta dissertação propõe um modelo não paramétrico flexível que visa preencher essas lacunas, estimando a distribuição de probabilidade do tempo de execução de um projeto utilizando apenas informações meteorológicas. Partimos da premissa de que cada tarefa tem uma probabilidade diária de execução. Esse processo envolve um processo estocástico não estacionário, descrito por uma Cadeia de Markov não estacionária em tempo discreto. Utilizamos exclusivamente os dados climáticos para calcular os parâmetros necessários, e a distribuição é estimada por meio de simulação de Monte Carlo. Os resultados destacam a utilidade do modelo na previsão de datas de início ideais, na estimativa precisa da conclusão do projeto, no estabelecimento de limites contratuais para atrasos esperados devido às condições climáticas e na análise de caminhos críticos dentro do projeto. Além disso, apresentamos uma ferramenta matematicamente rigorosa para comparação de modelos, permitindo a otimização de hiperparâmetros e a seleção do modelo de predição mais adequado. Esta investigação contribui para melhorar a tomada de decisões, minimizando os impactos negativos da incerteza na produtividade e nos prazos de construção, resultando numa melhoria global na eficiência do projeto.