رسانه تخصصی بیمانا

مدیریت طرح، ساخت و بهره برداری پروژه های عمرانی

    امروز  چهارشنبه ۲۴ مرداد ۱۳۹۷  

به جای پرداختن به برنامه استراتژیک, به تفکر و ایده‌های استراتژیک روی آورید

Bimana

ویژه های خبری

|
ارائه شده در تاریخ : ۱۵ مرداد ۱۳۹۷
تعداد بازدید: 111 نظرات:۰

به گفته عباس رجبی‌فرد، استاد دانشگاه ملبورن استرالیا، 65 درصد کودکان امروز در مشاغلی کار خواهند کرد که هنوز ابداع نشده است. بسیاری از این مشاغل وابسته به انقلاب دیجیتالی است که اکنون بسیاری از صنایع را متأثر کرده است. کارشناس تحلیل داده‌ها و متخصصان بیم (BIM) دو شغلی هستند که بیش از دیگر مشاغل نماینده این رویکرد جدید خواهند بود. در این نوشتار شباهت این دو حوزه را برجسته کرده و رابطه‌ای که این دو برای توسعه دیجیتالی شدن صنعت، اقتصاد و جامعه در آینده خواهند داشت برنموده می‌شوند.

بیمانا: در تاریخ مدرن اجتماعی – اقتصادی جهان هر دوره‌ای با توفق رویکردی فناورانه توصیف می‌شود که تأثیرات آن به گونه‌ای است که از آن با عنوان “انقلاب صنعتی” یاد می‌شود. تا کنون چهار انقلاب صنعتی شناسایی شده است که اولین و شناخته‌شده‌ترین آن‌ها مرتبط با ظهور موتور بخار است که بین سال‌های ۱۷۶۰ تا ۱۸۴۰ جهان را دگرگون کرد. تازه‌ترین موج انقلاب صنعتی، دیجیتالی‌شدن نام دارد. این موج تازه با هوش مصنوعی، صنایع ربوتیک، اینترنت اشیاء، اتومبیل‌های خودکار، واقعیت مجازی، پرینترهای سه‌بعدی، بیوتکنولوژی و نانوتکنولوژی، علم مواد، ذخیره انرژی، رایانش کوانتومی مشخص می‌شود.
هر دوره‌ای مشاغل مخصوص به خود را تولید می‌کند و نیز مشاغلی از میان می‌رود. عباس رجبی‌فرد استاد دانشگاه ملبورن استرالیا و یکی از اساتید شناخته شده در زمینه طرح و ساخت مجازی و شهرهای هوشمند در نخستین کنفرانس مدلسازی اطلاعات ساختمان که اسفند ماه سال ۹۶ برگزار شد آمار جالبی در این زمینه ارائه داد. او عنوان کرد ۶۵ درصد از کودکان امروز فردا در مشاغلی فعال خواهند شد که هنوز ابداع نشده است. در میان مشاغل جدید دو رده کاری دورنمایی را تصویر می‌کنند که مشاغل آینده خواهند داشت. مشاغلی که به گفته اندرو مک‌آفی (Andrew McAfee) هر چقدر بیشتر می‌گذرد به داستان‌های علمی و تخیلی بیشتر شبیه می‌شوند. این یعنی کارها تخصصی‌تر شده و بیشتر وابسته به فناوری‌های دیجیتال‌سازی خواهند شد دقیق‌تر خواهد می گردند.
به هر روی در میان صنایع مختلف، صنعت ساختمان سازی و عمران دیرتر از دیگر بخش‌ها پا به عرصه دیجیتالی‌شدن گذاشته است. بر اساس گزارش مرکز تحقیقات مک‌کینزی که در آن صنایع مختلف از نظر میزان دیجیتالی‌شدن رتبه‌بندی شده‌اند، صنعت ساخت‌وساز قبل از کشاورزی در ذیل جدول جای گرفته است. بسیاری این تأخیر را نتیجه طبیعت منحصر به فرد و متغیر پروژه‌های ساختمانی می‌دانند که کنترل، خودکارسازی و ماشینی شدن صرف را برنمی‌تابد.
همانگونه که در ادامه توضیح داده می شود این دیدگاه با ظهور راهکارهای مدلسازی اطلاعات ساختمان و نرم‌افزارهای طراحی سه‌بعدی که اطلاعات کاملی از جمله هزینه، برنامه‌ریزی، انرژی و دیگر اطلاعات بر آن اضافه می‌شود تا حدود زیادی با چالش‌هایی مواجه شده است.

نیاز مدلسازی اطلاعات ساختمان به علوم داده

اگر بخواهیم مقصود و مقصد مدلسازی اطلاعات ساختمان را در یک واژه خلاصه کنیم آن واژه “همکاری” خواهد بود. این فناوری از طریق مدل جامع اطلاعاتی امکان همکاری کارگروه‌های مختلف و ذی‌نفعان را با یکدیگر ایجاد می‌کند و به نوعی کار همه گروه‌ها در آن مدل اطلاعاتی یکپارچه می‌شود. این مزیت‌ به ویژه هنگامی در پروژه‌های بزرگ با تعداد بسیار مهندسان، طراحان و ذی‌نفعان روبرو هستیم بسیار یاری‌رسان خواهد بود. این روش می تواند با چالش‌هایی برای پیاده‌سازی در برخی پروژه‌های بزرگ روبرو باشد که در ذیل به بررسی بعضی از مشکلات می‌پردازیم:
 محدودیت‌های سخت‌افزاری؛
 محدودیت‌های همکاری در بین گروه‌های کاری در نرم‌افزارها؛
 محدودیت در مدیریت مدل و یکپارچگی؛
برای فرارفتن از این محدودیت‌های مدیریتی در پروژه‌های بزرگ معمولاً از ساختار شکست (WBS ) استفاده می‌شود. برای تهیه این ساختار شکست از چندین مدل و چندین مبنع مثلاً برای تهیه اطلاعات زمانبدی (۴D) و هزینه (۵D) استفاه می‌گردد. اینجا است که علم داده‌ها به کمک فناوری مدلسازی اطلاعات ساختمان می‌آید.
در ابتدای امر ممکن است بین داده‌های مختلف اختلاف و تفاوت وجود داشته باشد. حل این اختلافات و دقت در تولید مدل اطلاعاتی دقیق و استاندارد، کاری زمان‌بر است. متخصصان علوم داده با استفاده از راهکارهایی همچون داده‌‌کاوی ، آمار، مصورسازی داده‌ها یا داده‌نمایی می‌توانند در زمان تهیه ساختارهای شکست صرفه‌جویی زیادی ایجاد نمایند.
در اینجا لازم است تعریفی از علم نوظهور “علم داده‌ها” برای خوانندگان ارائه شود. این رویکرد دانشی میان‌رشته‌ای پیرامون استخراج دانش و آگاهی از مجموعه‌ای از‌ داده است که از حدود یک دهه پیش اعلام موجودیت کرده است. متخصصان علوم ریاضیات، آمار و کامپیوتر بیش از دیگر رشته‌ها جذب این علم می‌شود و متخصص علم داده باید در یک یا دو حوزه‌ از این علوم تخصص داشته باشند. ابزارها و نرم‌افزارهای متفاوتی نیز در این علم به کار برده می‌شود که می‌توان از میان آن‌ها زبان برنامه‌ریزی آر (R Programming) و پایتون (Python) اشاره کرد. استخراج و تفسیر منابع داده، مدیریت داده‌ها، ادغام منابع داده با یکدیگر، تضمین پایداری مجموعه‌های داده، مصورسازی داده برای فهم آن، ساخت مدل‌های ریاضی یا استفاده از داده‌ها، مقایسه آماری مدل‌های ریاضی گوناگون و انتخاب یکی از مدل‌ها و به‌اشتراک‌گذاری یافته‌ها و دیدگاه‌ها از جمله مهارت‌ها و خدماتی است که این متخصصان ارائه می‌دهند.
با استفاده از خدماتی که کارشناسان علم داده ارائه می‌دهند می‌توان در جریان کاری پروژه‌ها تغییرات خلاقانه ای ایجاد کرد. به این ترتیب بر اساس نیازهای تجاری پروژه و منابع داده موجود کارها انجام گرفته بهینه‌تر می‌شوند.

پروسه تولید پایگاه داده تحلیلی

علم داده شامل استخراج اطلاعات از منابع و فرمت‌های مختلف است. مثلاً در مدل اطلاعات ساختمان ما با اطلاعاتی از کارگروه‌های مختلف، اطلاعات بعد چهارم و پنجم، فرمت‌ کوبی (COBie) روبرو هستیم. برای استخراج این داده‌ها باید پروسه‌ای به کار گرفته شود که در علم داده از آن با عنوان ETL یاد می‌شود. این پروسه شامل سه بخش استخراج داده‌ها (Extract) از منابع همگن و ناهمگن، انتقال داده‌ها (Transformation) ذخیره آن‌ها در فرمت مناسب و بارگزاری داده‌ها (Load) بر روی منبع داده نهایی است. این منبع نهایی داده‌ها یک بانک اطلاعاتی است که “پایگاه داده تحلیلی ” خوانده می‌شود. از طریق این پایگاه کلیه داده‌های حال و گذشته یک سازمان جهت تهیه گزارش‌ها و آنالیزهای لازم در اختیار مدیران قرار می‌گیرد. شکل زیر رابطه میان مدلسازی اطلاعات ساختمان و علم داده را به شکل بهتری نشان داده است:

تحلیل داده

استخراج داده‌ها: اولین گام برای تهیه پایگاه داده تحلیلی استخراج داده‌های مختلف از منابع گوناگون است. مثلاً المان‌های مختلف مدل شامل درها، سطوح و فضاها از مدل اطلاعات ساختمان استخراج می‌شود و از جمله منابع دیگری می‌توان به اطلاعات صفحات گسترده اکسل، فایل‌های HTML و دیگر پایگاه‌های داده اشاره کرد.
انتقال داده‌ها: مرحله بعدی که یکی از مهمترین بخش‌های پروسه ETL است شامل آماده‌سازی داده‌ها برای پایگاه داده تحلیلی است. در پروسه انتقال داده‌ها، عملیات زیادی بر روی داده‌ها انجام می‌گیرد؛ از جمله این عملیات تشخیص انواع داده‌ها، پاکسازی داده‌ها، یافتن داده‌ها و طراحی ستون‌های مورد نیاز است.
بارگزاری داده‌ها: در مرحله آخری پروسه ETL داده‌های استخراج شده و منتقل شده در پایگاه داده تحلیلی بارگزاری می‌شود.
شکل زیر منابع پایگاه تحلیلی داده‌ها را نشان می‌دهد:

پایگاه داده تحلیلی

بر اساس اطلاعات بارگزاری شده در پایگاه داده تحلیلی استفاده از ابزارهای آماری و ریاضی همچون الگوریتم‌های یادگیری ماشین (Machine Learning) و رگرسیون استفاده می‌شود. یادگیری ماشین مفهومی پرکاربرد در هوش مصنوعی است که به اکتشاف شیوه‌ها و الگوریتم‌ها می‌پردازد. بر این اساس بدون نیاز به برنامه‌نویسی، پاسخ سئوالات از منابع داده و الگوریتم‌هایی که طراحی می‌شوند به دست می‌آید.

داده‌نمایی

حاصلی که از پروسه استخراج پاسخ‌‌ها از الگوریتم‌های یادگیری حاصل شده است می‌تواند کارشناسان علم داده را در تشخیص ناپیوستگی‌ها و کمبود داده‌ها را در هر بخش از پروسه ساخت یاری کند. این کار از طریق راهکاری به‌نام داده‌نمایی (Data Visualization) انجام می‌گیرد. شرکت AECOM یکی از شرکت‌هایی ساختمانی بوده است که از این ابزار استفاده کرده و نتایج خوبی از آن به دست آورده است. داده‌نمایی می‌تواند در سطوح مختلفی انجام گیرد و به تیم پروژه کمک کند. به‌صورت کلی سه سطح برای آن در نظر گرفته می‌شود و در نمودارها و دیگر المان‌ها نمایش داده‌ها در سطح پروژه، مدل و المان‌ها صورت می‌گیرد. به این ترتیت کابران فناوری بیم (BIM) می‌توانند اطلاعات یکسانی را در سطح مختلف و با جزئیات متفاوت مشاهده کنند.
در نهایت راهکارهای علم داده‌ها می‌تواند منجر به صرفه‌جویی زیادی در زمان تشخیص اختلاف داده‌های مدلسازی اطلاعات ساختمان شود. پیش از این تشخیص اختلافات و انحرافات به شیوه دستی توسط کارشناسان انجام‌ می‌گرفت. علم داده‌ها تنها با صرف زمان اندکی می‌تواند داده‌ها را به شکل مناسبی نمایش دهد و بعد از چند دقیقه از آن‌ها گزارش‌های مناسبی را تهیه کند. این اطلاعات پس از بارگزاری در فضای ابری (Cloud) در دسترس همه عوامل پروژه و ذی‌نفعان قرار می‌گیرد. مالکان پروژه‌های سرمایه گذاری و تأمین‌کنندگان مالی در کشورهای توسعه یافته هزینه زیادی را صرف ساخت پروژه می‌کنند. با ورود فناوری مدلسازی اطلاعات ساختمان از تداخلات در این پروژه‌ها بسیاری کاسته شده است و در هزینه و زمان پروژه صرفه‌جویی شده است. امروز با ورود علم داده‌ها می‌توان از اشتباهات و ناهماهنگی‌ها در داده‌های مدلسازی اطلاعات ساختمان نیز جلوگیری کرد. در واقع علم داده‌ها همان کاری را برای فناوری مدلسازی اطلاعات ساختمان انجام می‌دهد که این فناوری برای پروژه‌های ساخت‌وساز پیشتر انجام داده است.

دیدگاهتان را بنویسید