چکیده این رساله به شرح زیر می‌باشد:
أخیر در پروژه‌های صنعت ساخت، به‌ویژه در پروژه‌های بزرگ‌مقیاس، پدیده‌ای چندبعدی است که تحت تأثیر عوامل فنی، قراردادی، مالی، مدیریتی و شبکه‌ای شکل می‌گیرد و می‌تواند موجب افزایش مدت اجرای پروژه، تشدید هزینه‌ها و شکل‌گیری دعاوی قراردادی شود. مرور ادبیات نشان داد که بخش قابل توجهی از پژوهش‌های پیشین بر شناسایی و رتبه‌بندی عوامل تأخیر متمرکز بوده و در بسیاری از مطالعات، داده‌های واقعی و ساختاریافته، ویژگی‌های شبکه زمان‌بندی، شاخص‌های قراردادی، تفسیرپذیری مدل و ارتباط هم‌زمان میان تأخیرات فنی و مالی به‌صورت یکپارچه مورد استفاده قرار نگرفته‌اند. ازاین‌رو، هدف رساله توسعه یک چارچوب هوشمند، داده‌محور و قابل تفسیر برای پیش‌بینی مدت تأخیرات فنی سازمان کارفرما و ایجاد پیوند میان تأخیرات مالی و پیامدهای زمانی پروژه است.
در بخش فنی، ابتدا داده‌های ۳۸ پروژه ، اجراشده تحت شرایط عمومی قراردادهای همسان فیدیک ۲۰۱۷، گردآوری و پس از استخراج ۱۵۹۴ رویداد تأخیر، پاکسازی، پیش‌پردازش و مهندسی ویژگی شدند. برای تعیین مقدار هدف، از تحلیل اثر زمانی گذشته‌نگر استفاده شد و سپس الگوریتم‌های ایکس‌جی‌بوست، لایت‌جی‌بی‌ام، کت‌بوست و جنگل تصادفی در قالب یک معماری یادگیری ترکیبی انباشته آموزش و ارزیابی شدند. نتایج نشان داد معماری انباشته با میانگین قدرمطلق خطای ۷٫۴ روز، ریشه میانگین مربعات خطای ۱۰٫۵ روز و ضریب تعیین ۰٫۸۱۷ در مجموعه آزمون، عملکرد مناسبی در پیش‌بینی مدت فنی تأخیر داشته است. تحلیل شاپ نشان داد نوع تأخیر قابل جبران، یعنی TXD، مهم‌ترین عامل پیش‌بینی‌کننده بوده و پس از آن شاخص‌های چگالی روابط شبکه، شدت هزینه و بی‌ثباتی اخیر پروژه در توضیح تغییرات مدت تأخیر نقش داشته‌اند
واژه‌های کلیدی: آنالیز تأخیرات، پروژه‌های صنعت ساخت، یادگیری ماشین، دوقلوی دیجیتال 

آدرس ایمیل: m.taghypour95gmail.com