Machine Learning Modelling for Schedule and Cost Risk Management in Construction Projects of Schools in New York City

Construction projects are known for their tendency to experience significant delays and cost overruns due to uncontrollable risks. Conventional risk management methods have proven to be inefficient, making it essential to explore innovative solutions. Artificial Intelligence is revolutionizing the construction industry by offering improved risk management approaches. This thesis investigates the application of Machine Learning algorithms for the delay and cost overrun risk management in construction projects. It also aims to examine the differences and performance of deterministic and probabilistic machine learning models in addressing the problem of risk uncertainty. A case study involving New York City school construction projects will be used to train and evaluate various ML algorithms such as Decision Tree, Artificial Neural Network, Extreme Gradient Boosting, and Linear and Ridge regressions. The ultimate goal of this research is to determine which of these algorithms can achieve the best performance and precision in predicting schedule delays and cost overruns, two of the most significant risks in construction. The results of this study will provide automated and precise predictions of schedule and delay risks while also contributing valuable insights into the potential and benefits of machine learning algorithms in the construction industry.

I progetti di costruzione sono noti per la loro tendenza a subire ritardi significativi e sforamenti dei costi a causa di rischi incontrollabili. I metodi convenzionali di gestione del rischio si sono dimostrati inefficienti, rendendo essenziale l'esplorazione di soluzioni innovative. L'Intelligenza Artificiale sta rivoluzionando il settore delle costruzioni offrendo approcci di gestione del rischio migliorati. Questa tesi indaga l'applicazione di algoritmi di Machine Learning per la gestione del rischio di ritardo e superamento dei costi nei progetti di costruzione. Mira inoltre a esaminare le differenze e le prestazioni dei modelli di apprendimento automatico deterministici e probabilistici nell'affrontare il problema dell'incertezza del rischio. Un caso di studio che coinvolge progetti di costruzione di scuole di New York City verrà utilizzato per addestrare e valutare vari algoritmi ML come Decision Tree, Artificial Neural Network, Extreme Gradient Boosting, Linear e Ridge regressioni. L'obiettivo finale di questa ricerca è determinare quale di questi algoritmi può ottenere le migliori prestazioni e precisione nella previsione dei ritardi di pianificazione e del superamento dei costi, due dei rischi più significativi nella costruzione. I risultati di questo studio forniranno previsioni automatizzate e precise dei rischi di pianificazione e ritardo, contribuendo anche a preziose informazioni sul potenziale e sui vantaggi degli algoritmi di apprendimento automatico nel settore edile.