🏗️ پیش‌بینی تأخیر پروژه با استفاده از یادگیری ماشین

مقدمه: وقتی زمان در پروژه‌ها طلا می‌شود

در مقاله ای جامع و کامل درباره ” پنج عامل شکل دهنده ی آینده مدیریت پروژه ” و نقش فناوری در آینده مدیریت پروژه صحبت کردیم و در این مقاله قصد داریم درباره پیش‌بینی تأخیر پروژه با استفاده از یادگیری ماشین صحبت کنیم.

در دنیای مهندسی عمران، شاید هیچ چیز به‌اندازه‌ی « پیش‌بینی تأخیر پروژه » دردسرساز نباشد. از پروژه‌های بزرگ ملی مثل سد کرخه و مترو تهران گرفته تا طرح‌های شهری و ساختمانی، تقریباً همه‌ی فعالان این حوزه با این چالش آشنا هستند: کار باید در ۱۸ ماه تمام شود، اما بعد از دو سال هنوز جرثقیل‌ها در کارگاه ایستاده‌اند و پیمانکار و کارفرما درگیر جلسات تسویه و خسارت‌اند.

تأخیرها نه تنها هزینه پروژه را بالا می‌برند، بلکه روابط بین ذی‌نفعان را تیره می‌کنند، باعث افزایش دعاوی حقوقی می‌شوند و گاهی حتی اعتبار سازمان‌های بزرگ را زیر سؤال می‌برند. اما سؤال اینجاست:
آیا می‌شود پیش از وقوع تأخیر، آن را پیش‌بینی کرد؟

ورود هوش مصنوعی به کارگاه‌های عمرانی

در سال‌های اخیر، هوش مصنوعی و به‌ویژه شاخه‌ای از آن به نام یادگیری ماشین (Machine Learning)، پایش را به دنیای عمران باز کرده است. محققان دریافته‌اند که اگر بتوان داده‌های پروژه‌ها — مثل برنامه زمان‌بندی، وضعیت تأمین مصالح، عملکرد پیمانکاران، و حتی شرایط آب‌وهوایی — را تحلیل کرد، می‌توان با دقت بالایی حدس زد که چه زمانی و در کجا ممکن است پروژه دچار تأخیر شود.

پژوهشی که توسط Pramodini Sahu و همکارانش (2025) در مجله Journal of Mechanics of Continua and Mathematical Sciences منتشر شده، یکی از مطالعات برجسته در این زمینه است. آن‌ها مجموعه‌ای از الگوریتم‌های یادگیری ماشین را بررسی کردند تا ببینند کدام‌یک می‌تواند تأخیر در پروژه‌های عمرانی را با بیشترین دقت پیش‌بینی کند.

روش پژوهش: داده‌ها، مدل‌ها و یادگیری از تجربه

در این تحقیق، داده‌هایی از ۵۸ پروژه عمرانی جمع‌آوری شد؛ داده‌هایی شامل بیش از ۴۰ عامل مؤثر بر تأخیر — از مشکلات کارفرما و پیمانکار گرفته تا کمبود نیروی کار، تأمین مصالح، تجهیزات و عوامل محیطی.
این داده‌ها با کمک روش‌های آماری و مصاحبه با کارشناسان فنی پالایش شد و سپس به مدل‌های مختلف یادگیری ماشین داده شد.

مدل‌های مورد استفاده شامل:

• Random Forest

• XGBoost (Extreme Gradient Boosting)

• Gradient Boosting

• Decision Tree

• Logistic Regression

• Adaboost

• Gaussian Naïve Bayes

هر مدل با ۸۰٪ داده برای آموزش و ۲۰٪ برای آزمون اجرا شد و معیارهایی مثل دقت (Accuracy)، بازخوانی (Recall)، دقت مثبت (Precision) و امتیاز F1 برای ارزیابی آن‌ها به کار رفت.

نتایج: وقتی یادگیری ماشین از مهندس پروژه جلو می‌زند

نتایج تحقیق بسیار جالب بود. دو مدل XGBoost و Random Forest با دقت حدود ۹۲٪ بهترین عملکرد را داشتند.
این دو مدل، که از خانواده‌ی الگوریتم‌های یادگیری تجمعی (Ensemble Learning) هستند، می‌توانند الگوهای پیچیده بین ده‌ها متغیر پروژه را تشخیص دهند و روابط غیرخطی را به‌خوبی تحلیل کنند.

مدل‌های ساده‌تر مثل Adaboost و Naïve Bayes هم مزیت خود را داشتند — تفسیرپذیری بالا — اما در دقت پیش‌بینی ضعف نشان دادند.
به زبان ساده‌تر:
مدل‌های پیچیده‌تر هوش مصنوعی شاید مثل یک « مهندس ارشد داده » کمتر قابل توضیح باشند، اما در حدس زدن تأخیرها بسیار دقیق‌ترند.

نگاهی به پروژه‌های عمرانی ایران

در پروژه‌های بزرگی مثل متروی اصفهان، آزادراه تهران–شمال، سد کارون ۴ و توسعه پالایشگاه بندرعباس، تأخیرها معمولاً به دلایل مشابهی رخ می‌دهند — تأمین مالی، مشکلات پیمانکاران جزء، محدودیت‌های ترافیکی، شرایط جوی و تغییرات طراحی در حین اجرا.
اگر داده‌های این پروژه‌ها به‌صورت ساختاریافته ذخیره و تحلیل شوند، الگوریتم‌هایی مثل XGBoost می‌توانند خیلی زود هشدار دهند که مثلاً «در ماه آینده احتمال تأخیر ۴۵٪ در قطعه ۳ آزادراه وجود دارد».

چنین بینشی می‌تواند مدیریت پروژه‌ها را متحول کند: از تصمیم‌گیری‌های واکنشی (وقتی تأخیر رخ داده) به تصمیم‌گیری‌های پیشگیرانه (قبل از وقوع تأخیر).

کاربردهای عملی برای مهندسان پروژه

به‌کارگیری این مدل‌ها در مدیریت پروژه‌های عمرانی، مزایای فراوانی دارد:

1. پیش‌بینی زودهنگام ریسک‌ها: شناسایی زودهنگام عوامل تأخیر پیش از وقوع بحران.

2. بهینه‌سازی منابع: استفاده هوشمندانه از نیروی انسانی و تجهیزات.

3. پشتیبانی تصمیم‌گیری: ارائه گزارش‌های مبتنی بر داده برای مدیران پروژه.

4. کاهش هزینه‌ها: جلوگیری از هزینه‌های اضافی ناشی از توقف کار. ( مقاله ” درک نقش کنترل هزینه در مدیریت پروژه ” را مطالعه کنید )

5. افزایش اعتماد کارفرما: تصمیم‌ها بر پایه تحلیل داده، نه حدس و تجربه شخصی.

چالش‌ها و آینده‌ی استفاده از هوش مصنوعی در عمران

بزرگ‌ترین چالش‌ها در پیاده‌سازی این فناوری‌ها عبارتند از:

• کیفیت و دسترسی به داده‌ها در پروژه‌های داخلی

• تفسیرپذیری مدل‌ها برای مدیران غیر فنی

• هماهنگی با سیستم‌های سنتی مدیریت پروژه
  اما با گسترش هوش مصنوعی توضیح‌پذیر (Explainable AI) و مدل‌های ترکیبی (Hybrid Models)، آینده بسیار روشن است. ترکیب این فناوری‌ها با BIM و سیستم‌های کنترل لحظه‌ای پروژه، می‌تواند تحولی واقعی در صنعت ساخت‌وساز ایران ایجاد کند.

💬 حرف پایانی

پروژه‌های عمرانی قلب تپنده توسعه کشورند. هر روز تأخیر در آن‌ها یعنی هزینه‌های سنگین، انرژی تلف‌شده و فرصت‌های از دست‌رفته.
هوش مصنوعی به ما این فرصت را می‌دهد که پیش از وقوع بحران، آینده را ببینیم.
با استفاده از یادگیری ماشین، می‌توانیم پروژه‌های خود را به‌موقع‌تر، دقیق‌تر و کارآمدتر به پایان برسانیم.
شاید هوش مصنوعی نتواند بتن بریزد، اما می‌تواند نگذارد کارگاه متوقف شود.

تمام هوشمندی اجرای پروژه های ساخت به حضور یک مدیر پروژه حرفه ای وابسته است. برای درک این واقعیت میتوانید مقاله ” چرا حضور مدیر پروژه در پروژه‌های عمرانی ایران حیاتی است؟ ” را مطالعه کنید.

🎧 درک عمیق تر
اگر این موضوع برایتان جذاب بود، حتماً ” پادکست پیش‌بینی تأخیر پروژه ” و ” ویدئوی اختصاصی درباره‌ی پیش‌بینی تأخیر پروژه  » را دنبال کنید تا با نمونه‌های واقعی از پروژه‌های ایرانی و تحلیل‌های هوشمند آشنا شوید.

📌 نکات کلیدی مقاله

• دقت بالای مدل‌های یادگیری ماشین: الگوریتم‌های XGBoost و Random Forest با دقت بیش از ۹۰٪ توانستند تأخیر پروژه‌ها را پیش‌بینی کنند.

• لزوم کیفیت داده: داده‌های ناقص یا ناهماهنگ، اصلی‌ترین مانع موفقیت مدل‌ها هستند.

• اهمیت تحلیل پیشگیرانه: با هوش مصنوعی، تصمیم‌ها از حالت واکنشی به حالت پیشگیرانه تغییر می‌کنند.

• تأثیر مستقیم بر هزینه و رضایت کارفرما: پیش‌بینی دقیق زمان، به کاهش هزینه‌ها و افزایش شفافیت کمک می‌کند.

• آینده‌ی روشن در ایران: با دیجیتالی‌شدن پروژه‌ها و توسعه BIM، زمینه برای پیاده‌سازی مدل‌های ML فراهم‌تر از همیشه است.

❓ سؤالات و پاسخ‌های تخصصی

۱. آیا هوش مصنوعی می‌تواند پیش‌بینی تأخیر پروژه را به‌طور دقیق انجام بدهد؟
بله، با داده‌های کافی و الگوریتم مناسب، دقت پیش‌بینی می‌تواند تا بیش از ۹۰٪ برسد.

۲. کدام مدل‌ها برای پیش‌بینی تأخیر پروژه بهترند؟
در تحقیقات انجام‌شده، مدل‌های XGBoost و Random Forest بهترین عملکرد را نشان داده‌اند.

۳. آیا می‌توان از این مدل‌ها در پروژه‌های ایرانی استفاده کرد؟
کاملاً بله. تنها شرط آن، داشتن داده‌های واقعی و ثبت‌شده از پروژه‌ها (مثل زمان‌بندی، تأمین مصالح و وضعیت نیروها) است.

۴. چه عواملی بیشترین نقش را در تأخیر دارند؟
عوامل مالی، کمبود مصالح، عملکرد پیمانکاران جزء، و تصمیم‌گیری‌های دیرهنگام کارفرما از مهم‌ترین دلایل تأخیرند.

۵. چطور می‌توان این مدل‌ها را در شرکت‌های پیمانکاری پیاده کرد؟
با ایجاد یک پایگاه داده پروژه‌ای، آموزش تیم فنی در نرم‌افزارهای ML (مثل Python و Jupyter) و استفاده از ابزارهای تحلیل‌گر داده، این کار به‌صورت تدریجی انجام‌پذیر است.

۶. آینده‌ی این فناوری در مدیریت پروژه چیست؟
ادغام هوش مصنوعی با BIM، اینترنت اشیاء (IoT) و سامانه‌های کنترل لحظه‌ای، آینده‌ی مدیریت پروژه‌ها را کاملاً متحول خواهد کرد.

منبع:

Sahu, Pramodini; Bera, Dillip Kumar; Parhi, Pravat Kumar; Kandpal, Meenakshi.
“Smart Delay Prediction: Supervised Machine Learning Solutions for Construction Projects.”
Journal of Mechanics of Continua and Mathematical Sciences, Vol. 20, No. 6 (June 2025), pp. 154–167.