Sensitivity analysis of input variables in an ANN model for predicting curtain wall costs

openaccess, Vol. 640 (12) 2025 / poniedziałek, 29 grudnia, 2025

Analiza wrażliwości zmiennych modelu SSN prognozowania kosztów ścian osłonowych

(Open Access)

DOI: 10.15199/33.2025.12.07

citation/cytuj: Górka-Stańczyk M., Sagan J. Sensitivity analysis of input variables in an ANN model for predicting curtain wall costs. Materiały Budowlane. 2025. Volume 640. Issue 12. Pages 54-60. DOI: 10.15199/33.2025.12.07

Assess the importance of input variables in an artificial neural network (ANN) model designed to predict the costs of curtain walls. The analysis was carried out on the basis of 209 contract documents of public utility buildings located in central and southern Poland. Out of 28 initially identified factors, 24 variables describing the technical parameters of the buildings and the types of facade materials were selected for the construction of the ANN model. The global sensitivity analysis of the model revealed that the most critical cost-determining factor for facade systems is the facade area. Due to the low significance levels of other variables, input variable selection was conducted, showing that a reduced model with 16 variables retained a quality comparable to that of the full 24-variable model. In addition, a simulation was carried out to assess the impact of the most significant variables on the SSN model. The results confirm that the SSN responds appropriately to changes in the input variables and further serves as an effective tool for predicting the costs of façade systems.

Oceniono znaczenie zmiennych wejściowych w modelu sztucznej sieci neuronowej (SSN) prognozującej koszty ścian osłonowych. Analizę przeprowadzono na podstawie 209 dokumentacji kontraktowych budynków użyteczności publicznej zlokalizowanych w centralnej i południowej Polsce. Spośród 28 zidentyfikowanych czynników, po selekcji wykorzystano 24 zmienne opisujące parametry techniczne obiektów i rodzaje materiałów elewacyjnych do budowy modelu sztucznej sieci neuronowej. Globalna analiza wrażliwości modelu SSN wykazała, że kluczowym czynnikiem determinującym koszty systemów fasadowych jest powierzchnia elewacji. Ze względu na niski poziom istotności pozostałych zmiennych przeprowadzono selekcje zmiennych wejściowych modelu sztucznej sieci neuronowej, gdzie w przypadku 16 zmiennych wejściowych jakość modelu pozostała na porównywalnym poziomie jak w przypadku 24 zmiennych. Ponadto wykonano symulację wpływu najistotniejszych zmiennych na model SSN. Badania potwierdzają, że SSN prawidłowo reaguje na zmianę zmiennych wejściowych i stanowi skuteczne narzędzie prognozowania kosztów systemów elewacyjnych.
facade systems; sensitivity analysis; artificial neural network (ANN); cost prediction.

systemy elewacyjne; analiza wrażliwości; model SSN; predykcja kosztów.
  1. Saeedi M, Mohammad R, Kavian P. Study the Effects of Constructions New Techniques and Technologies on Time, Cost and Quality of Construction Projects from the Perspective of Construction Management. Journal of civil Engineering and Materials Application. 2017; https://doi.org/10.15412/J. JCEMA.12010204.
  2. Górka M. Use of aluminium and glass facades in urban architecture. Budownictwo i Architektura. 2019; 18.3: 29-40.
  3. Zhangabay N, Tursunkululy T, Ibraimova U, Abdikerova U. Energy- Efficient Adaptive Dynamic Building Facades: A Review of Their Energy Efficiency and Operating Loads. Applied Sciences. 2024; https://doi. org/10.3390/app142310979.
  4. Besir AB, Cuce E. Green roofs and facades: A comprehensive review. Renewable and Sustainable Energy Reviews. 2018; https://doi.org/10.1016/j. rser.2017.09.106.
  5. Caglayan S, Ozorhon B. Determining building information modeling effectiveness. Automation in Construction 2023; https://doi.org/10.1016/j. autcon.2023.104861
  6. Wieczorek D, Plebankiewicz E, Zima K. Model estimation of the whole life cost of a building with respect to risk factors. Technological and Economic Development of Economy. 2019; https://doi.org/10.3846/tede.2019.7455.
  7. Kardiani R, Kurniyaningrum E, Yuwono BE, Widiarso T. House of Risk Approach in Determining Delay Risk Factors. IAIC Transactions on Sustainable Digital Innovation (ITSDI). 2025; https://doi.org/10.34306/itsdi. v6i2.690.
  8.  Nia SB, Taheri M, Jamalpour R. Achieving Realistic Cost Estimates in Building Construction Projects: A Reliability Assessment of Pre-Construction Stage Cost Estimates. International Journal of Construction Engineering and Management. 2023; https://doi.org/10.5923/j.ijcem.20231203.02.
  9. Leśniak A, Zima K. Cost calculation of construction projects including sustainability factors using the Case Based Reasoning (CBR) method. Sustainability. 2018; https://doi.org/10.3390/su10051608.
  10. Leśniak A, Górka M. Analysis of the cost structure of aluminum and glass facades. In Advances and Trends in Engineering Sciences and Technologies III: Proceedings of the 3rd International Conference on Engineering Sciences and Technologies (ESaT 2018), CRC Press. 2019; 445.
  11.  Urbańska-Galewska E, Kowalski D. Lekka obudowa. Część 4. Układy konstrukcyjne. Builder. 2016; 20(12): 106-110.
  12. Leśniak A, Górka M. Wieczorek D. Identification of factors shaping tender prices for lightweight. Scientific Review Engineering and Environmental Sciences. 2019; https://doi.org/10.22630/PNIKS.2019.28.2.16.
dr inż. Monika Górka-Stańczyk, Politechnika Krakowska, Wydział Inżynierii Lądowej
ORCID: 0000-0002-5985-2078
dr inż. Joanna Sagan, AGH w Krakowie, Wydział Inżynierii Lądowej i Gospodarki Zasobami
ORCID: 0000-0003-3116-0448

dr inż. Monika Górka-Stańczyk, Politechnika Krakowska, Wydział Inżynierii Lądowej
ORCID: 0000-0002-5985-2078

Correspondence address: monika.gorka@pk.edu.pl

Full paper:

DOI: 10.15199/33.2025.12.07

Article in PDF file

Received: 10.07.2025 / Artykuł wpłynął do redakcji: 10.07.2025 r.
Revised: 19.08.2025 / Otrzymano poprawiony po recenzjach: 19.08.2025 r.
Published: 23.12.2025 / Opublikowano: 23.12.2025 r.