Vis enkel innførsel

dc.contributor.advisorOlsson, Nils
dc.contributor.authorAarvold, Magnus Olai
dc.contributor.authorHartvig, Wilhelm Jan
dc.date.accessioned2021-10-13T17:28:20Z
dc.date.available2021-10-13T17:28:20Z
dc.date.issued2021
dc.identifierno.ntnu:inspera:78072291:20542445
dc.identifier.urihttps://hdl.handle.net/11250/2799896
dc.description.abstractBruken av maskinlæring har vokst kraftig i løpet av de siste tiårene, og de mange suksesshistoriene har kastet lys over dens iboende verdi. Flere av disse suksesshistoriene stammer fra selskaper som allerede er i den digitale økonomien. Energiindustrien har falt etter i bruken av ny teknologi. For eksempel har olje og gass i energibransjen gjennom flere tiår hatt en lav break-even og en høy etterspørsel globalt. Som følge av dette har mindre oppmerksomhet blitt rettet mot optimalisering og det har vært lite bruk av ny teknologi. Dette er fordi den fremtidige kontantstrømmen vil være høy uavhengig av eventuelt nye implementeringer. De siste årene har industrien blitt utviklet som følge av en stadig høyere markedsandel av fornybar energi og mer vektlegging på teknologi. Den stadig voksende industrien har ført til økt digitalisering som følge av nye teknologier som Internet of Things og andre smarte systemer. Følgelig blir data nå samlet inn fra flere kilder og selskaper undersøker deres beredskap til å støtte fremtidig maskinlæring. Ny teknologi, rask utvikling og høy grad av prosjektifisering har gitt prosjektledelsen et nytt sett med utfordringer som de nå står overfor. Prosjektledelse blir ofte sett på som et tradisjonelt yrke som bruker den samme teknologien som de alltid har gjort. Digitaliseringen av prosjektledelse øker, og selskapene anerkjenner verdien av mer avansert teknologi. Likevel er maskinlæring fremdeles et begrep fra fremtiden, og det har ikke vært mye forskning som kombinerer maskinlæring og prosjektledelse. Fra den økte digitaliseringen, både i prosjektledelse og i energibransjen, kan det være et stort potensial i det å bruke den innsamlede dataen til noe nytt. Prognoser og klassifiseringsanalyse drevet av maskinlæring kan vise seg nyttig for prosjektledelsen for å takle morgendagens utfordringer. Derfor er bransjen til prosjektledere moden for å implementere maskinlæring for å øke effektiviteten og suksessgraden for deres prosjekter. Denne oppgaven vil fungere som en indikasjon for hvordan maskinlæring kan være til nytte for prosjektledelsesteamet i industrien. Maskinlæring i oppgaven er implementert på to typer datasett, det første er fra prosjektoppfølging med fremdriftsdata. Det andre er fra et prosjektledelsesverktøy. Begge typene er hentet fra faktiske prosjekter. Fremdriftsdataene aggregeres ukentlig basert på disiplinen til arbeidet, mens prosjektledelsesverktøyet strukturerer hver aktivitet for seg. Sistnevnte er for å opprettholde nøkkelinformasjon om hver aktivitet i prosjektet. I tillegg til prosjektledelsesaspektet, vil oppgaven presentere hvordan man kan formatere dataene for å støtte maskinlæring, hvilke utfordringer det er i renseprosessen, og hvordan dataene kan struktureres av selskapene slik at det blir lettere for dem å implementere maskinlæring senere. Funnene i denne studien viser at maskinlæring kan tilføre verdi til prosjektrelaterte data i energibransjen. Videre gis det beskrivelser for hva som kan gjøres for å øke nøyaktigheten til modellene. De mest lovende resultatene er maskinlæringsmodellens evne til å lære ved å trene på flere prosjekter etter hverandre. Trening på to prosjekter i stedet for kun ett reduserte erroren med 37%. Når det kommer til dataene fra prosjektledelsesverktøyet, oppnådde modellen lav nøyaktighet med en error som var omtrent lik den gjennomsnittlige opptjente verdien for prosjektet den uken. Imidlertid oppnådde analysen av fremdriftsdataene høyere nøyaktighet, og dermed regnes disse dataene som lettere å ta i bruk i praksis. For det første antyder disse funnene hvilke områder som er mest anvendelige for implementering av maskinlæring i skrivende stund. Dataene som frembringes fra prosjektledelsesprogramvaren har høyere oppløsning enn dataene som er logget av operatøren. For det andre støtter funnene viktigheten av det å strukturere innkommende data slik at de er komplette og konsistente.
dc.description.abstractThe adoption of machine learning has exploded over the last decade, and the many success stories have shed light on its value. Many of these success stories stem from companies already in the digital economy. The energy industry has lagged in the adoption of new technology. For instance, oil and gas in the energy industry have had low break-even price and globally high demand over several decades. The effect has led to less attention to optimization and low adoption of new technology because the future cash flow will be high regardless of new implementations. An increasingly higher market share of renewable energy and more emphasis on development has evolved the industry over the last decades. The evolving industry has increased its digitization with new technologies such as the Internet of Things and smart systems. Consequently, data is now gathered from multiple sources, and companies investigate their readiness to support machine learning. New technologies, rapid development, and a high degree of projectification have presented the project management team with a new set of challenges. Project management is often considered a traditional profession using old technology. However, the digitization of project management is increasing, and companies acknowledge the value of more advanced technology. Nevertheless, machine learning is still a term for the future, and there has not been conducted much research combining machine learning and project management. From the increased digitization, both in project management and in the energy industry, there could be considerable potential in using the gathered information. Forecasts and classification analysis powered by machine learning could prove to aid the project management team to handle the novel challenges of tomorrow. Therefore, project management in the industry is ripe to implement machine learning to enhance the efficiency and the success rate of projects. This thesis will serve as a pilot for how machine learning can be of use for the project management team in the industry. It is written in collaboration with two companies, each providing datasets. Machine learning is implemented on two types of datasets, the first is from project follow-up with progress data, and the second is from a project management tool, in which both types are from physical projects. The thesis presents how to format the datasets to support machine learning for time series and classification analysis, and the accuracy models today can achieve. The progress data is aggregated weekly based on the discipline of the work done, while the project management tool's data are structured as individual activities. This is done to maintain key information of each activity in the project. In addition to implications for project management, the thesis will present challenges for implementing machine learning and how the data could be structured by the companies to be more readily implemented. The findings of this thesis prove that machine learning might extract more value from project-related data in the energy industry, and it gives directions for what can be done to increase the accuracy. The most promising results are the machine learning model's ability to learn by training on more projects. Training on two projects instead of one decreased the Root Mean Squared Error (RMSE) by 37%. Regarding the data from the project management tool, the model achieved low accuracy with an RMSE approximately equal to the average earned value for the project. However, the analysis of the progress data from follow-up achieved higher accuracy and is thus more readily for practice. First, these findings suggest which areas are most applicable for implementing machine learning at the time of writing. The data generated from the project management software is of higher resolution than the data logged by the operator, and could prove better in the long term. Secondly, the findings support the importance of structuring the incoming data to be complete and consistent.
dc.languageeng
dc.publisherNTNU
dc.titleMachine Learning on Complex Projects: Multivariate time series data analysis through utilization of the sequential algorithm LSTM
dc.typeMaster thesis


Tilhørende fil(er)

Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel