Bu çalışmada, Türkiye'deki kamu kurumlarınca ihale edilen betonarme yapım projelerinin sözleşme bedellerini, kısıtlı sayıdaki parametre ile hızlı ve kolay tahmin eden bir algoritma oluşturularak, bilgisayar yazılımı yapılmıştır. 2011-2016 yılları arasında ihalesi yapılmış 100 adet yapım projesi üzerinde, bina maliyetini etkilediği belirlenen bağımsız değişkenler için metraj çalışması yapılarak veri seti oluşturulmuştur. Bağımsız değişken verilerinin birbirleri ile olan ilişkisini belirlemek amacıyla korelasyon analizi yapılmıştır ve 3 adet veri seti belirlenmiştir. Sözleşme bedelleri bağımlı değişken, korelasyon analizi ile belirlenen veri setleri ise bağımsız değişken kabul edilerek regresyon analizi yapılmıştır ve sözleşme bedeli tahmin etme katsayısı 0.934 olarak bulunmuştur. Veri seti ile yaklaşık maliyeti ve sözleşme bedelini etkileyen değişkenlerin belirlenmesi amacıyla Yapay Sinir Ağları (YSA) analizleri yapılmıştır. Sonuç olarak yaklaşık maliyetin tahmin edilmesinde toplam kapalı alan (y1), ıslak alan (y2), toplam dış duvar alanı (y3) düşey taşıyıcı alanı (y5) ve kat alanı (y6); sözleşme bedelinin tahmini için ise toplam kapalı alan (s1), ıslak alan (s2), düşey taşıyıcı alanı (s3), düşey taşıyıcı sayısı (s5) ve bina yüksekliği s(6) değişkenlerinden oluşan gruplar belirlenmiştir. Gen İfadeli Programlama (GİP) kullanılarak, YSA analizi sonucunda yaklaşık maliyeti belirlemek için bulunan bağımsız değişkenlerin giriş verisi yaklaşık maliyetin çıkış verisi olduğu bir algoritma kurgusu yapılmıştır ve yaklaşık maliyeti belirleme kat sayısı eğitim seti için 0,9803, test seti için 0,9881 olarak bulunmuştur. YSA analizi sonucunda bulunan bağımsız değişkenlerin ve GİP ile bulunan yaklaşık maliyetin giriş verisi olduğu, sözleşme bedelinin de çıkış verisi olduğu bir algoritma kurgusu yapılmıştır ve sözleşme bedeli belirleme katsayısı eğitim seti için 0,9948, test seti için 0,9897 olarak bulunmuştur. Çalışmanın sonucunda, kamu yapım ihaleleri için sözleşme bedeli tahmin algoritması belirlenmiştir ve bu algoritma için bilgisayar yazılımı oluşturulmuştur.
In the study, an algorithm was generated to make a quick and easy estimation of the contract price of reinforced concrete construction projects tendered by public institutions in Turkey with limited number of parameters. Moreover, a software was made to spread the use of it. A data set was created by conducting a quantity surveying for the independent variables determined to be affecting building cost on 100 construction projects tendered between 2011-2016. A correlation analysis was performed to determine relationship between independent variable data and also 3 data sets were constituted. Moreover, a regression analysis was performed by accepting contract prices as dependent variables and data sets determined by correlation analysis as independent variables. The contract cost estimation coefficient was found to be 0,934 as well. Artificial Neural Network (ANN) analyzes were conducted with the data set to determine approximate cost and variables affecting contract price. As a result, for the approximate cost estimation process, the group consisting of total closed area y1, wet area y2, total outer wall area y3, vertical carrier area y5 and floor area y6; for the estimation of the contract value, the group including total closed area (s1), wet area (s2), vertical carrier area (s3), vertical carrier number (s5) and building height (s6) variables were determined. Using Gene Expression Programming (GEP), an algorithmic design has been done in which the independent variables found by ANN analysis used as input data and as output data for the approximate cost. The approximate cost determination coefficients were found to be 0.9803 for the training and 0,9881 for the test set. Moreover, an algorithmic design was made in which the independent variables found with ANN analysis and the approximate cost found with GEP were used as input data and the contract price was the output data. Consequently the contract price determination coefficients for the training and test sets were found to be 0,9948 and 0,9897 respectively. As a result of the study, a contract price estimation algorithm was proposed for public construction tenders and a software was made for this algorithm.
