💻 computer science

Predictive Intelligence for Civil Works Valuation: A Hybrid Random Forest–ANN Model with 91.20% Accuracy for Dynamic Cost Management in Peru

Questo studio propone un modello ibrido Random Forest–ANN addestrato su 450 progetti edilizi peruviani che raggiunge una precisione del 91,20% nella valutazione dinamica dei costi, riducendo significativamente gli errori di previsione e il bias geografico, offrendo al contempo una via percorribile per l'integrazione nei quadri di gestione delle infrastrutture pubbliche del Perù.

Autori originali: PAUL RICARDO PRUDENCIO GALVEZ

Pubblicato 2026-06-30

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: PAUL RICARDO PRUDENCIO GALVEZ

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di cercare di indovinare il prezzo finale di costruzione di una casa in Perù. In passato, le persone lo facevano guardando un elenco statico di prezzi (come un menù dell'anno scorso) e sommandoli. Ma in Perù, il "menù" cambia costantemente a causa di tre fattori complicati: il clima e il terreno (costa, montagne o giungla), l'altitudine (quanto in alto ti trovi) e il rischio di terremoti.

A causa di questi fattori variabili, i vecchi metodi di stima erano spesso errati di circa 142.800 dollari per progetto. Si tratta di un divario finanziario enorme.

Questo documento presenta un nuovo modo più intelligente per prevedere i costi utilizzando un "cervello digitale" che impara dal passato. Ecco la suddivisione in termini semplici:

1. Il Problema: La mappa "taglia unica" non funziona

Immagina di provare a navigare in Perù usando una singola mappa che tratta la spiaggia, le alte montagne delle Ande e la giungla amazzonica esattamente allo stesso modo. Non funzionerebbe. Un camion che sale su una montagna consuma più carburante di uno sulla costa; un edificio in una zona sismica ha bisogno di materiali più resistenti (e costosi).

I vecchi modelli informatici utilizzati nell'edilizia non comprendevano queste differenze. Trattavano l'intero paese come un luogo unico e uniforme, portando a errori costosi.

2. La Soluzione: Un sistema a "Doppio Cervello"

L'autore ha creato un nuovo modello informatico che agisce come un team di esperti composto da due persone che lavorano insieme:

Cervello A (Random Forest): Questa parte è eccellente nel guardare molte diverse regole e schemi contemporaneamente. È come un ingegnere veterano che ha visto migliaia di progetti e conosce le "regole empiriche".
Cervello B (Rete Neurale Artificiale): Questa parte è come un mago del riconoscimento di schemi. Analizza dati complessi e disordinati e trova connessioni nascoste che gli esseri umani potrebbero perdere.

Combinando questi due cervelli, il modello ottiene il meglio di entrambi i mondi. È stato addestrato su 450 progetti edilizi reali in Perù dal 2018 al 2025.

3. Il Tocco Magico: I "Fattori di Adeguamento Peruviani"

Il modello non si limita a guardare il prezzo di mattoni e cemento. Aggiunge un speciale "filtro peruviano" a ogni calcolo. Pone tre domande specifiche prima di fornire un prezzo:

Dove si trova? (Costa, Sierra o Giungla?)
Quanto è in alto? (È sopra i 3.500 metri, dove la logistica è più difficile?)
È instabile? (Qual è il livello di rischio sismico secondo i codici edilizi del Perù?)

È come un GPS che non indica solo la distanza, ma calcola anche quanto carburante extra serve a causa delle colline ripide e del traffico.

4. I Risultati: Una Sfera di Cristallo molto più Affilata

I risultati sono stati impressionanti:

Accuratezza: Il nuovo modello ha previsto i costi con un'accuratezza del 91,20%.
Risparmio di Denaro: Invece di sbagliare di 142.800 dollari (con il vecchio metodo), il nuovo modello sbaglia di circa 91.350 dollari. Si tratta di un risparmio di circa 51.450 dollari per progetto.
Riduzione del Bias: Ha ridotto il "bias geografico" (l'errore causato dall'ignorare le differenze di posizione) del 34%.

5. Perché questo è importante per il Perù

L'autore sostiene che questo non è solo un trucco matematico; è uno strumento pratico per il governo e le aziende private.

Dati Reali: Utilizza record pubblici reali dal sistema di contrattazione del Perù (SEACE).
Pronto per il Futuro: Si integra nei sistemi digitali esistenti del Perù (come PlanBIM) e segue le leggi specifiche del paese su come vengono adeguati i prezzi di costruzione.
Meno Drammi: Prevedendo i costi con maggiore accuratezza, ci saranno meno discussioni e rinegoziazioni quando un progetto supera il budget previsto.

In breve: L'autore ha costruito uno strumento informatico intelligente che comprende la realtà unica, accidentata e soggetta a terremoti del Perù. Combinando due tipi di IA e aggiungendo regole locali specifiche, prevede i costi di costruzione con molta più precisione rispetto ai vecchi metodi, risparmiando denaro al paese e riducendo il rischio finanziario.

Sintesi Tecnica: Intelligenza Predittiva per la Valutazione di Opere Civili in Perù

Definizione del Problema
I progetti di ingegneria civile in Perù affrontano sfide significative nella valutazione dinamica dei costi a causa della volatilità dei prezzi degli input, della complessità normativa sotto la Legge sugli Appalti Statali (Legge N° 30225) e della soggettività intrinseca della stima parametrica tradizionale. Sebbene esistano modelli di machine learning (ML) globali, essi non riescono ad affrontare le realtà normative, geografiche e logistiche specifiche del mercato peruviano. Queste realtà includono una dispersione geografica estrema (costa, sierra, selva), zone sismiche distinte definite dalla NTE E.030, variazioni di altitudine e una struttura di riaggiustamento basata sulle formule polinomiali dell'INEI. Di conseguenza, i metodi tradizionali producono errori di previsione medi superiori a ±USD 142.800 per progetti di media scala, con progetti infrastrutturali che registrano sforamenti di costo superiori al 58% e ritardi di circa il 65%. Gli approoli esistenti, spesso basati su LSTM univariate o regressione lineare, non possono catturare simultaneamente le dipendenze relazionali e temporali necessarie per modellare gli effetti a cascata delle deviazioni delle attività all'interno di una WBS (Work Breakdown Structure).

Metodologia
Lo studio propone un modello ML ibrido che integra Random Forest (RF) e Reti Neurali Artificiali (ANN) per colmare queste lacune. La metodologia si fonda su una formulazione del costo dinamico ( $C_d$ ) che supera la sommatoria algebrica statica:

Fonte dei Dati: Il modello è stato addestrato su 450 progetti edilizi eseguiti in Perù tra il 2018 e il 2025, provenienti da SEACE, dal Ministero dell'Economia e delle Finanze (MEF) e dai registri delle entità pubbliche regionali. Le variabili di input includevano area costruita, tipologia strutturale, posizione geografica, complessità logistica, zona sismica, altitudine, cronologia dei prezzi dei materiali locali e serie CPI regionali.
Equazione del Costo Dinamico: L'equazione centrale è definita come $C_d(t) = \Sigma [Q_i(t) \times P_{base,i} \times I_{regional}(t)] + \epsilon_{ML}$ $C_{d} (t) = Σ [Q_{i} (t) \times P_{ba se, i} \times I_{r e g i o na l} (t)] + ϵ_{M L}$ .
- $Q_i(t)$ : Quantità fisiche estratte da modelli BIM 5D.
- $P_{base,i}$ : Prezzi unitari base omologati da CAPECO e MEF.
- $I_{regional}(t)$ : Un indice regionale spazio-temporale calcolato come $I_{nacional}(t) \times \phi_{geo} \times \phi_{alt} \times \phi_{sísmica}$ . Questo indice incorpora unicamente fattori geografici (costa/sierra/selva), correzioni di altitudine (>3.500 m s.l.m.) e aggiustamenti della zona sismica (NTE E.030).
- $\epsilon_{ML}$ : Un fattore di correzione predittiva generato dal modello ibrido per catturare gli errori residui non spiegati dagli indici ufficiali.
Architettura Ibrida: Il modello utilizza una funzione di perdita ibrida pesata ( $L_{hybrid} = \alpha \cdot MSERF + (1-\alpha) \cdot MAEANN + \lambda||\theta||^2$ ) con $\alpha=0.6$ per bilanciare il controllo della varianza (RF) e la riduzione del bias (ANN). La regolarizzazione L2 ( $\lambda$ ) previene l'overfitting dato il limitato volume del dataset ( $n < 600$ ).
Validazione: La stabilità statistica è stata confermata tramite cross-validazione k-fold ( $k=10$ ), ottenendo una deviazione standard di $\sigma = \pm 2,1\%$ .

Contributi Chiave
Il documento identifica tre contributi primari:

Sviluppo Algoritmico: La creazione e la validazione di un algoritmo ibrido RF+ANN addestrato specificamente su dati peruviani, raggiungendo un'accuratezza del 91,20%.
Formalizzazione Matematica: La formulazione di equazioni di costo dinamico matematicamente verificabili, inclusi l'indice regionale spazio-temporale ( $\phi_{geo} \cdot \phi_{alt} \cdot \phi_{sísmica}$ ) e l'integrazione degli indicatori di Earned Value Management (EVM) (CPI, EAC) come variabili di feedback.
Framework di Implementazione: Un percorso proposto per l'integrazione di questo modello con l'ecosistema PlanBIM Perù, SEACE e il Quadro Macroeconomico Pluriennale del MEF per supportare i contratti EPC e le Partenariati Pubblico-Privati (PPP).

Risultati
Il modello ibrido ha raggiunto un'accuratezza del 91,20% sul set di test (90 progetti), con un $R^2$ di 0,9819 e un RMSE di 0,1358.

Riduzione dell'Errore: L'errore di previsione medio è stato ridotto da ±USD 142.800 (metodi tradizionali) a ±USD 91.350 (modello ML), rappresentando una riduzione del 35,9% del rischio finanziario di stima e un miglioramento assoluto di USD 51.450 per progetto.
Mitigazione del Bias: L'integrazione dell'indice regionale spazio-temporale ha ridotto il bias geografico del 34% rispetto ai modelli che utilizzano un singolo indice nazionale (statisticamente significativo, $p < 0,001$ ).
Contesto delle Prestazioni: Il modello ha superato la stima parametrica tradizionale di 18,8 punti percentuali e ha dimostrato prestazioni superiori in contesti di alta inflazione (2022–2023) e in progetti della sierra ad alta quota.

Significatività e Rivendicazioni
Il documento sostiene che questo studio stabilisce un nuovo standard per la gestione finanziaria delle infrastrutture in Perù, colmando il divario tra le capacità globali di ML e le specificità normative/geografiche locali. L'accuratezza del 91,20% è presentata non solo come una metrica statistica, ma come una mitigazione tangibile dei rischi finanziari nei contratti EPC e PPP, dove gli sforamenti di costo derivano spesso da una inadeguata previsione del riaggiustamento regionale.

Gli autori affermano che il modello è operativamente sostenibile all'interno dell'attuale quadro peruviano, sfruttando la trasparenza dei dati pubblici esistenti (SEACE) e le iniziative governative (PlanBIM, Invierte.pe). Tuttavia, il documento riconosce modestamente alcuni limiti, tra cui l'eterogeneità dei formati dei dati storici delle entità regionali, l'assenza di un repository nazionale georeferenziato dei costi unitari e la necessità di aggiornamenti semestrali del modello per adattarsi ai cambiamenti normativi nelle Regole Nazionali di Edilizia. La ricerca futura è diretta verso la standardizzazione dei dati e l'estensione del modello alla previsione del cronoprogramma (Earned Schedule).