Most research works in simulating construction operations have predominantly focused on modeling and mistreated data preparation that is paramount for simulation. To prepare data for simulation process, a knowledge discovery system (KDS) is indispensable in extracting hidden knowledge from construction data sets. This knowledge is typically hard to obtain using traditional means, such as statistical analysis. The presented research develops, using fuzzy approach, a KDS to prepare, utilize, analyze, and extract the hidden patterns from construction data to predict work task durations. The KDS depends mainly on finding the relation between quantitative and qualitative variables, which affect the duration of construction operations and work tasks as well as prepare data for simulation modeling. It consists of two stages: data processing and mining. Data processing consists of cleaning, integrating, transforming, and selecting the appropriate knowledge. Data mining consists of selecting the factors that affect a construction operation, generating their fuzzy sets, defining fuzzy rule and models, developing a fuzzy knowledge base, and testing the effectiveness of this knowledge base in predicting work task durations. The developed KDS has been tested using a construction case study in which the results found satisfactory with an average validity percent of 92%. The developed system assists researchers and practitioners in utilizing historical construction data to extract knowledge that could not be obtained by traditional techniques and precisely predicting work task durations.

La plupart des travaux de recherche dans la simulation des opérations de construction ont principalement porté sur la modélisation et la mise en forme des données mal classées, ce qui est de la plus haute importance pour la simulation. Pour mettre en forme les données à être simulées, il est indispensable d’avoir un système de forage de données (KDS) pour extraire les connaissances cachées dans les données de construction. Ces connaissances sont normalement difficiles à obtenir par des moyens conventionnels, tels que l’analyse statistique. La recherche présentée développe un KDS en utilisant une approche floue, pour préparer, utiliser, analyser et extraire les patrons cachés dans les données de construction afin de prédire la durée des tâches de travail. Le KDS dépend principalement de la découverte de la relation entre les variables quantitatives et qualitatives qui affectent la durée des opérations de construction et des tâches de travail, et de la mise en forme des données pour la modélisation de la simulation. Il comprend deux étapes : le traitement et le forage de données. Le traitement des données comprend le nettoyage, l’intégration, la transformation et la sélection des connaissances appropriées. Le forage de données signifie le choix des facteurs qui affectent une opération de construction, à générer des ensembles flous, à définir la règle floue et les modèles flous, à développer une base de données floues, et à vérifier l’efficacité de cette base de données à prédire la durée des tâches de travail. Le KDS développé a été mis à l’épreuve dans une étude de cas de construction dans laquelle les résultats se sont révélés satisfaisants, avec une moyenne de pourcentage de validité de 92 %. Le système développé aide les chercheurs et les praticiens à utiliser les données de construction historiques pour extraire des connaissances qui pourraient ne pas être obtenues au moyen de techniques conventionnelles, et prédire avec précision la durée des tâches de travail. [Traduit par le Rédaction]