1. EXPLORATION AND DEVELOPMENT OF SOIL PREDICTION MODELS WITH GRADIENT-BOOSTED MACHINE LEARNING ALGORITHMS 2. PRELIMINARY FRAMEWORK DEVELOPMENT FOR ASSESSING HIGH IMPACT AND LOW-RISK POTENTIAL MACHINE LEARNING PROJECTS IN THE AEC SECTOR

Abstract

For å lykkes med digital transformasjon i rådgivende ingeniørfirmaer innenfor bygg- og anleggsbransjen, kreves det økt strategisk fokus på verdiskapning gjennom virksomhetsinnovasjon og endring av gjennomføringmetodikk, mer enn ensidig fokus på ny teknologi (Kane, Palmer, Phillips, Kiron, & Buckley, 2015). Valg og bruk av aktuelle rammeverk, prosesser og metoder for implementering av ny teknologi, innebærer forståelse for næringen i seg selv og de fundamentale endringsdriverne den utsettes for i konstellasjon med de teknologiske utfordringene. I nåværende situasjon eksisterer det et gap mellom ingeniørenes kapabiliteter og de mulighetene avansert teknologi og kunnskapsstyring gir. Den teknologiske utviklingen krever en proaktiv tilnærming, som utfordrer hver enkelt til å tilpasse seg og være åpne for ny kunnskap og nye muligheter i sitt daglige arbeid etter hvert som næringen endres. Arbeidet med denne masteravhandlingen har utnyttet ny teknologi, ved å utvikle en maskinlæringsmodell for å kunne forutsi jordtyper basert på data fra grunnundersøkelser utført med trykksonderinger, med tilhørende laboratorieundersøkelser der jordtypene er verifisert. Labratorieundersøkelsene er brukt som fasit i utvikling og trening av maskinlærings-algoritmen. Erfaringene fra utviklingen av maskinlæringsløsninger la videre grunnlaget for etableringen av et teoretisk rammeverk for identifisering, beskrivelse og rangering av egnethet for mulige maskinlæringsproblemer. Betydningen av løsningene og rammeverket presentert i dette arbeidet, har som mål å tilby et potensielt betydelig skritt fremover for hvordan rådgivende ingeniørfirmaer i bygg- og anleggsbransjen kan realisere forretningsmessig verdi og jobbe med digital transformasjon, i arbeidet med forståelse av verdiene som ligger i tilgjengelige data og premissgiverne for implementeringen av ny teknologi som maskinlæring.

Strategic digital transformation of civil engineering (CE) consulting firms in architecture, engineering, and construction (AEC) requires the implementation of business innovation and execution models more than exciting new technology (Kane, Palmer, Phillips, Kiron, & Buckley, 2015). Which models and how to employ them involves understanding the niche industry in question, the potential trajectory of the industry, current tools and methods, and how people and resources apply. Today a gap exists between civil engineers and cutting-edge technology and knowledge management. Newer technology does not allow for civil engineers to sit idly by as it once did. Instead, they must adapt and be open to educating themselves as the industry progresses. Through development in this thesis of a machine learning model for predicting soil based on data from the equipment used in ground surveys with lab reports as ground truth labels and the start of a preliminary theoretical framework to identify and rank the feasibility for potential machine learning problems. This thesis will develop and propose a substantial step forward for AEC multidisciplinary consulting firms that navigates to potential desired outcomes by providing a deeper understanding of the worth of data and what is leading in the implementation of new technology such as artificial intelligence