مدل عصبي-فازي پشتيبان تصميم فازهاي اوليۀ پروژه‌هاي صنعت نفت

Pre-Project Neuro-Fuzzy Decision Support Model for Oil Industry Projects

طي برنامه‌ريزي‌هاي پيش از آغاز پروژه به‌عنوان يك مرحله مهم، تصميم‌هاي اساسي اتخاذ مي‌شوند كه مسير حركت پروژه را در جهت موفقيت يا شكست ترسيم مي‌كنند. اين مرحله به‌ويژه در مگاپروژه‌هاي نفت، گاز و پتروشيمي كه به حجم عظيمي از منابع نياز دارند، اهميتي مضاعف مي‌يابد. عدم‌قطعيت در فازهاي اوليه پروژه زياد است و بايد با حداقل اطلاعات از آينده، عمده‌ترين تصميم‌گيري‌ها صورت گيرند. در اين پژوهش، مدل پيش‌بيني عملكرد براي پروژه‌هاي صنعت نفت براساس سيستم‌هاي عصبي ‌فازي پيشنهاد شده است كه بر پايه توابع پيشرفت استوار است كه به مدل‌هاي منحني S معروف‌اند. در اين پژوهش، انواع توابع منحني‌هاي پيشرفت پروژه مطالعه و پركاربردترين آن‌ها شناسايي شدند. درادامه، از طريق مطالعات كتابخانه‌اي و پرسشنامه بسته، شش معيار عملكردي در قالب دو دسته و 25 متغير شكل‌دهنده مدل در قالب دو بخش اصلي و چهار خوشه شناسايي شده است. درنهايت، مدل پيش‌بيني عملكرد با استفاده از سيستم انطباقي عصبي ‌فازي استنتاجي توسعه يافته است كه ارزيابي نتايج آن بيانگر دقت مناسب مدل در انجام پيش‌بيني‌هاست.

During preproject planning as an essential phase of a project, fundamental decisions that lead to project success or failure will make. This phase of a project is more important essentially in oil, gas and petrochemical mega projects that tremendous amount of resources should consume. Uncertainty in the initial phases of the project is at the highest level and therefore major project decisions should be made based on the minimum level of information and assurance of future. In this paper, a performance forecasting model for oil industry projects proposed that based on Neurofuzzy inference systems and rooted in project progress functions which known as S curve models. In this study types of functions and models that can generate project S curves are investigated and nine most used functions identified. In the next step six performance variables in two main sections include project progress and resource growth recognized and 25 variables in two categories and four clusters using close questionnaire approach identified. Finally a model for project performance prediction based on Adaptive NeuroFuzzy Inference System developed.