Luận văn thạc sĩ Quản lý xây dựng: Đề xuất các mô hình máy học ước tính khối lượng vật tư trong giai đoạn lập kế hoạch dự án

NGUYӈN NGÔ LUÂN

Chuyên ngành: Quҧn Lý Xây DӵngMã sӕ ngành: 

LUҰN VĂN THҤC SƬ

Thành phҫn hӝi ÿӗng ÿánh giá luұn văn thҥc sƭ gӗm:

1 TS ĈӚ TIӂN SӺ : Chӫ tӏch hӝi ÿӗng 2 TS HUǣNH NHҰT MINH : Thѭ ký hӝi ÿӗng 3 PGS.TS PHҤM ANH ĈӬC : Ӫy viên hӝi ÿӗng 4 PGS.TS LѬѪNG ĈӬC LONG : Cán bӝ chҩm nhұn xét 1 5 TS NGUYӈN THANH VIӊT : Cán bӝ chҩm nhұn xét 2

Xác nhұn cӫa Chӫ tӏch Hӝi ÿӗng ÿánh giá luұn văn và Trѭӣng khoa quҧn lý chuyên nghành sau khi luұn văn ÿã ÿѭӧc sӱa chӳa ( nӃu có)

NHIӊM VӨ LUҰN VĂN THҤC SƬ Hӑ tên hӑc viên : NGUYӈN NGÔ LUÂN

Ngày, tháng, năm sinh : 05/05/1995 Chuyên ngành : Quҧn Lý Xây Dӵng

III.NGÀY GIAO NHIӊM VӨ : 14/02/2022

Tp H͛ Chí Minh, ngày 06 tháng 06 năm 2022

PGS.TS Phҥm VNJ Hӗng Sѫn TS Chu ViӋt Cѭӡng

MSHV : 2070215 Nѫi sinh : Trà Vinh MSQJjQK : 

,TÊN Ĉӄ TÀI 7,ӂ1*9,ӊ7: “Ĉӄ;8Ҩ7&È&0Ð+Î1+0È<+Ӑ&ѬӞ&7Ë1+.+Ӕ,/ѬӦ1*9Ұ77Ѭ7521**,$,Ĉ2Ҥ1/Ұ3.ӂ+2Ҥ&+'ӴÈ1”.7Ç1Ĉӄ7¬,7,ӂ1*$1+³352326,1*0$&+,1(/($51,1*02'(/6

 Nghiên cӭu vӅ vӅ ѭӟc tính khӕi lѭӧng vұt tѭ xây dӵng giai ÿoҥn OұSNӃKRҥFKGӵiQ. Nghiên cӭu cѫ sӣ lý thuyӃt, thuұt toán máy hӑc, phҫn mӅm máy hӑc.

 Xây dӵng mô hình ѭӟc tính sѫ bӝ khӕi lѭӧng vұt tѭ xây dӵng.

 Sӱ dөng thuұt toán máy hӑc ÿӇ cҧi thiӋn chính xác mӭc ÿӝ ѭӟc tính và mang tínhdiӉn giҧi So sánh các kӃt quҧ dӵ báo vӟi trѭӡng hӧp áp dөng thuұt toán khác Lӵachӑn phѭѫng án, ÿánh giá kӃt quҧ.

 Ĉánh giá tính mӟi cӫa nghiên cӭu thông qua nhұn xét vӅ ѭu, khuyӃt ÿiӇm khi ápdөng.

LӠI CҦ0Ѫ1

Tôi xin GjQKVӵ FҧPѫQ ÿҫXWLrQÿӃQ *LDÿuQK Yu ÿmOX{QÿӝQJYLrQWURQJO~FW{LNKyNKăQĈyOjFKӛGӵDWLQKWKҫQYӳQJFKҳFJL~SW{LYѭӧWTXDWUӣQJҥLYjKRjQWKjQK/XұQYăQQj\

%rQFҥQKÿyW{L[LQGjQKVӵWULkQÿӃQWұSWKӇFiF7Kҫ\&{.KRD.ӻWKXұW;k\dӵQJ– 7UѭӡQJĈҥLKӑF%iFK.KRD– ĈҥLKӑF4XӕF*LD7KjQK3Kӕ+ӗ&Kt0LQKÿmWkPKX\ӃWWUX\ӅQÿҥWNLӃQWKӭFNLQKQJKLӋPTXêEiXÿӃQQKӳQJKӑFYLrQFDRKӑFFK~QJW{L7ҩWFҧVӁOj KjQKWUDQJTXêJLiFKRFRQÿѭӡQJWLӃSFұQWULWKӭFNKRDKӑFF{QJYLӋFFKX\rQP{QVDXQj\

7{LÿһFELӋWELӃWѫQ7Kҫ\PGS.763KҥP9NJ+ӗQJ6ѫQ Yj76&KX9LӋW&ѭӡQJ WURQJTXiWUuQKWKӵFKLӋQÿӅWjLFiF7Kҫ\ÿmFyQKӳQJFKӍGүQQJKLrQFӭXKӃW

VӭFWұQWuQKYjWkPKX\ӃWĈyOjFѫVӣTXDQWUӑQJJL~SW{LKRjQWKjQK/XұQYăQQj\ ĈӗQJWKӡLW{L[LQJӱLOӡLFҧPѫQFKkQWKjQKÿӃQFiFDQKFKӏYjWұSWKӇÿmÿӗQJKjQKWURQJWKӡLJLDQW{LWKӵFKLӋQÿӅWjL

'EҧQWKkQÿmQӛOӵFFӕJҳQJKӃWVӭFÿӇWKӵFKLӋQ/XұQYăQ7KҥFVƭQj\ GRYүQFzQKҥQFKӃYӅNLӃQWKӭFQrQÿӅWjLNK{QJWUiQKNKӓLWKLӃXVyW.tQKPRQJTXê7Kҫ\&{FKӍGүQWKrPÿӇW{LEәVXQJQKӳQJNLӃQWKӭFYjKRjQWKLӋQEҧQWKkQPuQKKѫQ

Tp H͛ Chí Minh, ngày 6 WKiQJQăP 2022

1*8<ӈ11*Ð/8Æ1

TÓM TҲT LUҰ19Ă17+Ҥ&6Ƭ

&KLSKtGӵiQWURQJJLDLÿRҥQ OұSNӃKRҥFKFyYDLWUzTXDQWUӑQJÿӃQVӵWKjQKF{QJFӫDPӝWGӵiQ[k\GӵQJ&iFP{KuQKFKLSKtWURQJJLDLÿRҥQQj\WKѭӡQJFKѭDFKLWLӃWKyDFiFFKLSKtYұWWѭQKkQYұWOӵFĈLӅXQj\ÿmOjPFiFQKjTXҧQOêGӵiQFKѭD FKӫÿӝQJGӵWUFiFQJXӗQOӵFQJD\WӯEDQÿҫXĈһFELӋWFKLSKtYұWWѭOjPӝWWKjQKWӕTXDQWUӑQJWURQJFѫFҩXFKLSKt[k\GӵQJFiFGӵiQGkQGөQJ

&iFQJKLrQFӭXYӅѭӟFWtQKNKӕLOѭӧQJYұWWѭWUѭӟFÿk\ ÿmÿѭӧFQJKLrQFӭXWURQJQKLӅXORҥLKuQKGӵiQNKiF QKDXQăQJOѭӧQJJLDRWK{QJGkQGөQJ«VRQJ VӱGөQJFiFSKҫQPӅPWѭѫQJÿӕLNKyWLӃSFұQFKRQKLӅXQJѭӡLWURQJQJjQK[k\GӵQJ

%ҵQJYLӋFVӱGөQJSKҫQPӅP:HNDQJKLrQFӭXQj\VӁÿӅ[XҩWFiFWKXұWWRiQPi\KӑFSKKӧSÿӇ[k\GӵQJP{KuQKѭӟFWtQKNKӕLOѭӧQJYұWWѭFKRFiFGӵiQGkQGөQJNӃWFҩXErW{QJFӕWWKpS0{KuQKÿѭӧFÿjRWҥRWӯWұSGӳOLӋXJӗPGӵiQGkQGөQJYӟLQKӳQJELӃQÿҫXYjRGӵDWKHRFiFQJKLrQFӭXWUѭӟFÿk\YjiSGөQJFKRWӯQJP{KuQKѭӟFWtQKNKӕLOѭӧQJErW{QJYiQNKX{QFӕWWKpS

.ӃWTXҧѭӟFWtQK WӯP{KuQKÿӅ[XҩWVӁÿѭӧF[ӃSKҥQJQKҵPÿӅ[XҩWFiFWKXұWWRiQSKKӧSFKRYLӋFNKDLWKiFFiFP{KuQKErW{QJYiQNKX{QFӕWWKpSFKRFiFFҩXNLӋQPyQJFӝWGҫPYjVjQ

ABSTRACT

&RQFHSWXDOFRVWPRGHOVSOD\DQLPSRUWDQWUROHLQWKHVXFFHVVRIDFRQVWUXFWLRQSURMHFW,QWKLVVWDJHWKHFRVWPRGHOVRIWHQGRQRWGHWDLORIPDWHULDOVHTXLSPHQWDQGSHUVRQHO 7KLV KDV SUHYHQWHG SURMHFW PDQDJHUV IURP SURDFWLYHO\ SODQQLQJ WKHLUUHVRXUFHVLQWKHHDUO\RISURMHFW,QSDUWLFXODUWKHFRVWRIPDWHULDOVRIWHQWDNHXSDODUJH SURSRUWLRQ LQ WKH FRVW VWUXFWXUH RI FLYLO SURMHFWV 7KH SUHYLRXV VWXGLHV RQPDWHULDO YROXPHHVWLPDWLRQKDYHEHHQVWXGLHG LQWKHILHOGVRIWUDIILFSODQWSURMHFWV FLYLOHWF« EXWusing VRIWZDUHWKDWLVUHODWLYHO\LQDFFHVVLEOHWRVWDNHKROGHUVLQWKHFRQVWUXFWLRQLQGXVWU\

%\ XVLQJ :HND VRIWZDUH WKLV VWXG\ ZLOO SURSRVH VXLWDEOH PDFKLQH OHDUQLQJDOJRULWKPVWREXLOGDPRGHOWRHVWLPDWHWKHTXDQWLW\RIPDWHULDOVIRUFLYLOSURMHFWVRIUHLQIRUFHGFRQFUHWHVWUXFWXUHV7KHPRGHO LVWUDLQHGIURPDGDWDVHWRIFLYLOSURMHFWVZLWKLQSXWYDULDEOHVEDVHGRQSUHYLRXVVWXGLHVDSSOLHGWRHDFKFRQFUHWHIRUPZRUNDQGUHLQIRUFHPHQWHVWLPDWLRQPRGHO

7KH SUHGLFWLRQ UHVXOWV IURP WKH SURSRVHG PRGHO ZLOO EH UDQNHG LQ RUGHU WRSURSRVH VXLWDEOH DOJRULWKPV IRU H[SORLWLQJ FRQFUHWH IRUPZRUN DQG UHLQIRUFHPHQWPRGHOVIRUFRPSRQHQWVIRXQGDWLRQFROXPQEHDPDQGIORRU

LӠ,&$0Ĉ2$1

GүQFӫDPGS.763KҥP9NJ+ӗQJ6ѫQYj76&KX9LӋW&ѭӡQJ

&iFNӃWTXҧFӫDOXұQYăQOjÿ~QJVӵWKұWYjFKѭDÿѭӧFF{QJEӕӣFiFQJKLrQFӭXNKiF

7{L[LQFKӏXWUiFKQKLӋPYӅF{QJYLӋFWKӵFKLӋQFӫDPuQK

Tp H͛ Chí Minh, ngày 6 WKiQJQăP

1*8<ӈ11*Ð/8Æ1

MӨC LӨC

LӠI CҦ0Ѫ1 LTÓM TҲT LUҰ19Ă17+Ҥ&6Ƭ LLABSTRACT LLLLӠ,&$0Ĉ2$1 LY'$1+0Ө&&È&+Î1+ YLL'$1+0ӨC CÁC BҦ1* L[

3.3.1.2 M̩QJQ˯URQWK̯QNLQKQKkQW̩o 23

3.3.1.3 M̩QJQ˯-URQQKkQW̩RE͝ sung 31

3.3.2 Máy h͛LTX\YpF-W˯K͟ WUͫ 33

3.3.3 Gi̫i thu̵WN- OkQF̵n g̯n nh̭t 34

&iFP{KuQKN͇t hͫp 34

3.4 ThiӃWOұSP{KuQKQJKLrQFӭX 34

3.5 Sӱ dөQJSKҫQPӅP:HNDWKӵFWKLP{KuQKPi\KӑFÿӅ [XҩWYj&iFFKӍ sӕ GQJÿӇ ÿiQKJLiP{KuQK 

&+ѬѪ1*6Ӱ'Ө1*3+Ҫ10ӄ0:(.$Ĉ¬27Ҥ20Ð+Î1+ѬӞ&7Ë1+.+Ӕ,/ѬӦ1*9¬7+Ҧ2/8Ұ19ӄ.ӂ748Ҧ 

+uQK-9 BiӇXÿӗ ELӇXGLӉn sӵ SKkQWiQYӅ kӃWTXҧ dӵ ÿRiQP{KuQKѭӟFWtQKNKӕi OѭӧQJErW{QJVjQ +uQK-%LӇXÿӗ ELӇXGLӉn sӵ SKkQWiQYӅ kӃWTXҧ dӵ ÿRiQP{KuQKѭӟFWtQKNKӕi OѭӧQJErW{QJGҫP +uQK-11 BiӇXÿӗ ELӇXGLӉn sӵ SKkQWiQYӅ kӃWTXҧ dӵ ÿRiQP{KuQKѭӟFWtQKNKӕi OѭӧQJYiQNKX{QFӝW 63+uQK-12 BiӇXÿӗ ELӇXGLӉn sӵ SKkQWiQYӅ kӃWTXҧ dӵ ÿRiQP{KuQKѭӟFWtQKNKӕi OѭӧQJYiQNKX{QPyQJ 63+uQK-13 BiӇXÿӗ ELӇXGLӉn sӵ SKkQWiQYӅ kӃWTXҧ dӵ ÿRiQP{KuQKѭӟFWtQKNKӕi OѭӧQJYiQNKX{QGҫP 64+uQK-14 BiӇXÿӗ ELӇXGLӉn sӵ SKkQWiQYӅ kӃWTXҧ dӵ ÿRiQP{KuQKѭӟFWtQKNKӕi OѭӧQJYiQNKX{QVjQ 64+uQK-15 BiӇXÿӗ ELӇXGLӉn sӵ SKkQWiQYӅ kӃWTXҧ dӵ ÿRiQP{KuQKѭӟFWtQKNKӕi OѭӧQJWKpSPyQJ +uQK-16 BiӇXÿӗ ELӇXGLӉn sӵ SKkQWiQYӅ kӃWTXҧ dӵ ÿRiQP{KuQKѭӟFWtQKNKӕi OѭӧQJWKpSFӝW +uQK-17 BiӇXÿӗ ELӇXGLӉn sӵ SKkQWiQYӅ kӃWTXҧ dӵ ÿRiQP{KuQKѭӟFWtQKNKӕi OѭӧQJWKpSGҫP 71+uQK-%LӇXÿӗ ELӇXGLӉn sӵ SKkQWiQYӅ kӃWTXҧ dӵ ÿRiQP{KuQKѭӟFWtQKNKӕi OѭӧQJWKpSVjQ 71+uQK-&KӍ sӕ 6,FӫDP{KuQKPi\KӑFÿӅ [XҩWFKRѭӟFWtQKNKӕLOѭӧQJErW{QJ 73+uQK-&KӍ sӕ 6,FӫDP{KuQKPi\KӑFÿӅ [XҩWFKRѭӟFWtQKNKӕLOѭӧQJYiQNKX{Q 75+uQK-&KӍ sӕ 6,FӫDP{KuQKPi\KӑFÿӅ [XҩWFKRѭӟFWtQKNKӕLOѭӧQJFӕWWKpS 77

BҧQJ-;ӃSKҥQJÿӅ [XҩWFKRFiFP{KuQKNKӕLOѭӧQJ– ErW{QJ 72

BҧQJ-;ӃSKҥQJÿӅ [XҩWFKRFiFP{KuQKNKӕLOѭӧQJ– YiQNKX{Q 74

BҧQJ-;ӃSKҥQJÿӅ [XҩWFKRFiFP{KuQKNKӕLOѭӧQJ– cӕWWKpS 76

CHѬѪNG 1 GIӞI THIӊU 1.1 Ĉһt vҩn ÿӅ

Các quӕc gia ÿang phát triӇn, bao gӗm ViӋt Nam, hiӋn nay ÿang có nhiӅu bѭӟc chuyӇn trong tăng trѭӣng kinh tӃ; ÿiӅu này ÿã lan tӓa sâu rӝng ÿӃn nhiӅu mһt cӫa quӕc gia, trong ÿó có sӵ gia tăng nhanh vӅ dân sӕ cѫ hӑc, ÿһc biӋt tҥi các ÿô thӏ và vùng ÿô thӏ Tӯ ÿó cho thҩy nhu cҫu vӅ viӋc nâng cҩp, di tu và mӣ rӝng là rҩt lӟn Song song ÿó, nhu cҫu hҥ tҫng nhà ӣ, chung cѭ, văn phòng cNJng phát triӇn nhanh chóng HӋ quҧ này ÿã ÿһt câu hӓi cho sӵ bӕ trí hӳu hiӋu các nguӗn lӵc, cө thӇ là nguӗn lӵc tài chính

B̫ng 1-1 Di͏n tích sàn nhà ͧ hoàn thành giai ÿo̩n 2015-2019 t̩i 30 t͑nh, thành ph͙ (Ngu͛n: T͝ng Cͭc Th͙ng Kê) [1]

STT TӍnh, Thành Phӕ Tәng diӋn tích sàn nhà ӣ (m2)

1 Hà Nӝi 42.244 2 TP Hӗ Chí Minh 31.194 3 Thanh Hoá 26.972 4 NghӋ An 20.913 5 Bҳc Giang 17.205 6 Hҧi Dѭѫng 13.285 7 Ĉӗng Nai 12.772 8 Kiên Giang 12.225 9 Bҳc Ninh 11.938 10 Thái Bình 11.112 11 Nam Ĉӏnh 10.149 12 Hҧi Phòng 9.793 13 Hѭng Yên 9.287 14 Tây Ninh 9.096

17 Cà Mau 8.760 18 Phú Thӑ 8.525 19 Lâm Ĉӗng 8.501 20 Thái Nguyên 8.475 21 Ĉҳk Lҳk 8.224 22 Bình Ĉӏnh 8.192 23 An Giang 8.137 24 Quҧng Ninh 7.713

25 Bình Dѭѫng 7.638 26 TiӅn Giang 7.559 27 Hà Tƭnh 7.527 28 Vƭnh Phúc 7.499 29 Sóc Trăng 7.055 30 Cҫn Thѫ 7.050

-TҎNG SҌ TP Hһ Chí Minh Hà NҾi Hңi Phòng à NҬng Cҫn Thѫ

Khi dӵ án ÿѭӧc duyӋt, nó còn là căn cӭ hoҥch vӕn tӯ chӫ ÿҫu tѭ cho các giai ÿoҥn sau ÿó cӫa dӵ án Khi dӵ án thi công, nguӗn lӵc vӅ tài chính là vô cùng cҫn thiӃt ÿӇ hoàn thành dӵ án ÿҥt chҩt lѭӧng và ÿúng tiӃn ÿӝ Khi dӵ án bѭӟc vào thѭѫng mҥi, viӋc sӱ dөng nguӗn tài chính hӧp lý sӁ giúp dӵ án duy trì hiӋu quҧ

Vì vұy, viӋc ѭӟc tính chi phí cho dӵ án còn là căn cӭ phân chia nguӗn lӵc vӅ tài chính dӵ án, ÿһc biӋt trong giai ÿoҥn lұp kӃ hoҥch Tuy nhiên, viӋc ѭӟc tính chi phí vӅ xây dӵng triӇn khai trong giai ÿoҥn này thѭӡng giӟi hҥn vӅ mһt thӡi gian, nên ngѭӡi phө trách vӅ quҧn lý dӵ án sӁ không có ÿѭӧc các khӕi lѭӧng vұt tѭ cҫn thiӃt ÿӇ sӟm lұp kӃ hoҥch vӅ nguӗn lӵc và kiӇm soát vӅ chi phí xây dӵng

Vҩn ÿӅ vӅ ѭӟc tính sѫ bӝ khӕi lѭӧng vұt tѭ xây dӵng cҫn thiӃt trong giai ÿoҥn lұp kӃ hoҥch sӁ là vҩn ÿӅ ÿѭӧc nghiên cӭu trong ÿӅ tài này

1.2 Lý do cho sӵ lӵa chӑn ÿӅ tài

Trong giai ÿoҥn lұp kӃ hoҥch phát triӇn dӵ án, ngѭӡi phát triӇn dӵ án luôn cҫn nhӳng thông tin rõ ràng vӅ chi phí xây dӵng dӵ án, nhѭng trong khi các thông tin vӅ bҧn vӁ thiӃt kӃ, ÿһc ÿiӇm kӻ thuұt, dӵ toán sѫ bӝ thì rҩt hҥn chӃ [2] Vì vұy có thӇ cho rҵng, viӋc có ÿѭӧc thông tin vӅ chi phí xây dӵng ngay trong giai ÿoҥn này, sӁ hӛ trӧ ngѭӡi phát triӇn dӵ án ra quyӃt ÿӏnh kӏp thӡi, ÿúng ÿҳn ÿҧm bҧo mөc tiêu cӫa dӵ án

NhiӅu mô hình ÿӅ xuҩt vӅ chi phí sѫ bӝ ÿã ÿѭӧc thӵc hiӋn, các chi phí ÿã ÿѭӧc mô hình hóa vӟi các mӭc ÿӝ khác nhau vӅ tính chính xác, ÿҫy ÿӫ và sӵ phù hӧp Các cҩp ÿӝ này có thӇ ÿѭӧc cҧi thiӋn bҵng cách mô hình hóa các khӕi lѭӧng sѫ bӝ - khӕi lѭӧng vұt tѭ, tӯ ÿó sӁ giúp mӭc ÿӝ dӵ báo chính xác hѫn vӅ ѭӟc tính chi phí sѫ bӝ trong mô hình chi phí Mһt khác, các mô hình chi phí chӫ yӃu ѭӟc tính chi phí tәng hӧp chѭa xét ÿӃn các yӃu tӕ ҧnh hѭӣng khác Trong khi thӏ trѭӡng vұt liӋu xây dӵng biӃn ÿӝng không ngӯng, nӃu không xét ÿӃn yӃu tӕ vұt tѭ thì sӁ không phҧn ánh ÿҫy ÿӫ các khía cҥnh chi phí tәng hӧp [3] Bên cҥnh ÿó, nghiên cӭu liên quan cho thҩy chi phí vұt tѭ chiӃm khoҧng 42%, mӝt sӕ trѭӡng hӧp chiӃm

hѫn 50% trên tәng chi phí xây dӵng tùy thuӝc vào loҥi dӵ án, phҥm vi công viӋc và biӋn pháp thi công Vì vұy, khӕi lѭӧng vұt tѭ và chҩt lѭӧng vұt tѭ là nhӳng yӃu tӕ ҧnh hѭӣng nhҩt ÿӃn chi phí xây dӵng [4]

Khi có ÿѭӧc khӕi lѭӧng vұt tѭ trong giai ÿoҥn kӃ hoҥch, ngѭӡi phát triӇn dӵ án có thӇ lên kӃ hoҥch vӅ viӋc cung ӭng vұt tѭ ngay tӯ giai ÿoҥn sӟm, trù bӏ vұt tѭ trong các giai ÿoҥn cӫa dӵ án, tӯ ÿó giúp phân bә nguӗn lӵc ÿѭӧc hӧp lý; mһt khác khi có ÿѭӧc khӕi lѭӧng vұt tѭ trong giai ÿoҥn này có thӇ hӛ trӧ công tác lұp dӵ toán, ÿҩu thҫu,…

NhiӅu nghiên cӭu liên quan vӅ mô hình AI và máy hӑc (ML) ÿѭӧc công bӕ Trong các mô hình máy hӑc khác nhau, thì phә biӃn là mҥng nѫ-ron thҫn kinh nhân tҥo (ANNs), máy véc-tѫ hӛ trӧ (SVMs), hӗi quy ÿa tuyӃn tính [5]

Sӵ bùng nә chóng mһt vӅ công nghӋ máy tính ÿã bә trӧ thêm cho khoa hӑc nghiên cӭu là rҩt lӟn, các hӋ thӕng chuyên gia là mӝt trong sӕ ÿó, nó chӫ yӃu phát triӇn bҵng các hӋ thӕng dӵa trên logic mӡ (Fuzzy logic) tăng thêm khҧ năng diӉn giҧi tӕt hѫn [6] Bҵng sӵ kӃt hӧp ÿӇ xây dӵng các mô hình máy hӑc ÿѭӧc ÿӅ xuҩt sӁ mang lҥi khҧ năng ѭӟc tính chính xác và mang tính diӉn giҧi Vì nhӳng lý do ÿã nêu, mà luұn văn sӁ thӵc hiӋn nghiên cӭu hѭӟng ÿӃn

Hình 1-2 Ĉһt vҩn ÿӅ nghiên cӭu ѭӟc tính khӕi lѭӧng vұt tѭ

1.3 Ĉһt câu hӓi nghiên cӭu

Làm sao và nhѭ thӃ nào ÿӇ ѭӟc tính khӕi lѭӧng vұt tѭ xây dӵng cҫn thiӃt trong giai ÿoҥn lұp kӃ hoҥch, ÿѫn giҧn mà vүn có ÿӝ tin cұy cao Và các biӃn ѭӟc tính cҫn quan tâm trong mô hình này là gì?

Làm sao và làm nhѭ thӃ nào ÿӇ áp dөng các mô hình thuұt toán ÿӝc lұp và kӃt hӧp ÿӇ cҧi thiӋn mӭc ÿӝ tin cұy?

KӃt quҧ vӅ ѭӟc tính khӕi lѭӧng vұt tѭ xây dӵng cҫn thiӃt trong giai ÿoҥn lұp kӃ hoҥch, thì sӵ kӃt hӧp này có tӕt hѫn các thuұt toán thông dөng trѭӟc ÿây hay không?

1.4 Mөc tiêu nghiên cӭu

Ӭng dөng máy hӑc ѭӟc tính khӕi lѭӧng vұt tѭ xây dӵng cҫn thiӃt trong giai ÿoҥn lұp kӃ hoҥch dӵ án

ĈӅ xuҩt các mô hình máy hӑc ÿӝc lұp và kӃt hӧp ÿӇ cҧi thiӋn chính xác mӭc ÿӝ ѭӟc tính So sánh các kӃt quҧ ѭӟc tính vӟi trѭӡng hӧp áp dөng thuұt toán khác

Khám phá mӝt công cө xây dӵng các mô hình máy hӑc dӉ sӱ dөng và tiӃp cұn nhiӅu ÿӕi tѭӧng trong ngành xây dӵng

Ĉánh giá tính mӟi cӫa nghiên cӭu thông qua nhұn xét vӅ ѭu, khuyӃt ÿiӇm khi áp dөng

1.5 Phҥm vi nghiên cӭu

Thӡi gian thӵc hiӋn nghiên cӭu: tӯ tháng 2 ÿӃn tháng 6 năm 2022

Ĉӕi tѭӧng nghiên cӭu:

+ Mô hình máy hӑc và phҫn mӅm Weka

+ Sӱ dөng kӃt quҧ tӯ nghiên cӭu và ÿӅ xuҩt các mô hình máy hӑc cho ѭӟc tính sѫ bӝ khӕi lѭӧng vұt tѭ bê tông cӕt thép, ván khuôn cho các cҩu kiӋn móng, cӝt, dҫm và sàn trong các công trình dân dөng

CHѬѪNG 2 TӘNG QUAN Vӄ TÌNH HÌNH NGHIÊN CӬU 2.1 Các nghiên cӭu trѭӟc ÿây

Nhӳng bѭӟc tiӃn lӟn trong công nghӋ gҫn ÿây ÿã ÿҭy mҥnh viӋc áp dөng trong ngành xây dӵng NhiӅu nghiên cӭu trong và ngoài nѭӟc trong vҩn ÿӅ sӱ dөng các mô hình máy hӑc ѭӟc tính chi phí xây dӵng ÿã trҧi dài ӣ nhiӅu loҥi hình dӵ án khác nhau: dân dөng, giao thông, dӵ án năng lѭӧng…Các tác giҧ ÿã áp dөng nhiӅu phѭѫng pháp và công cө khác nhau, phҫn lӟn các nghiên cӭu ÿiӅu ÿѭa ra mô hình dӵ báo có mӭc tin cұy cao Các mô hình chi phí dӵ án xây dӵng nhҵm ѭӟc tính tәng chi phí cӫa dӵ án NhiӅu nghiên cӭu tұp trung vào cҧi thiӋn mӭc ÿӝ tin cұy cӫa kӃt quҧ ѭӟc tính bҵng cách áp dөng các thuұt toán khác nhau: ANN, SVR, hӗi quy, thuұt toán mӡ logic,…vӟi các công cө giúp xây dӵng mô hình ÿòi hӓi có sӵ am hiӇu nhѭ: Matlab, phҫn mӅm R, python,….Trong khi mӝt hѭӟng tiӃp cұn khác có thӇ cҧi thiӋn ÿѭӧc tính chính xác cӫa ѭӟc tính tәng chi phí dӵ án mà còn có thӇ hӛ trӧ công tác ÿҩu thҫu, dӵ toán, lұp kӃ hoҥch cung ӭng vұt tѭ,…ÿó là xây dӵng mô hình ѭӟc tính khӕi lѭӧng vұt tѭ

2.1.1 Các nghiên cӭu nѭӟc ngoài

B̫ng 2-1 Các ÿ͉ tài nghiên cͱu n˱ͣc ngoài

1

Conceptual Quantities Estimation Using Bootstrapped Support Vector Regression Models

[4]

Oluwafunmibi Seun Idowu

and Ka Chi Lam

2020

Các thông sӕ thiӃt kӃ ÿѭӧc dùng ÿӇ xây dӵng mô hình khӕi lѭӧng khái niӋm (Conceptual Quantity Model)

Nghiên cӭu sӱ dөng mô hình Hӗi quy véc-tѫ hӛ trӧ (SVR), mӝt thuұt toán máy hӑc kӃt hӧp vӟi Kӻ thuұt Bootstrap lҩy mүu hoàn lҥi (Bootstrap resampling)

Nghiên cӭu cung cҩp mӝt phҥm vi tӕi thiӇu (low-level range) cho ѭӟc tính khӕi lѭӧng cӫa các phҫn tӱ bê tông cӕt thép

[7]

Loukas Dimitriou,

Marina Marinelli, and

Nikolaos

Fragkakis

2017

Nghiên cӭu nhҵm mөc ÿích ѭӟc tính ÿѭӧc chi phí cӫa các dӵ án vӅ cҫu tҥi thӡi ÿiӇm dӵ án trҥng thái ý tѭӣng

Nghiên cӭu dùng mô hình FFANN vӟi các dӳ liӋu thӵc tӃ cӫa 68 dӵ án vӅ cҫu FFANN ÿѭӧc dùng rҩt tӕt vӟi các mӕi tѭѫng quan có tính phӭc tҥp trong tұp dӳ liӋu, cung cҩp khoҧng tin cұy cho các khӕi lѭӧng vұt tѭ sau cùng

3

Artificial Intelligence and Parametric Construction Cost Estimate Modeling: State-of-the-Art Review

[8]

Haytham H

Elmousalami 2019

Nghiên cӭu nhҵm mөc ÿích kӃt hӧp nhӳng kӻ thuұt mô hình hóa và các xu hѭӟng tѭѫng lai Bao gӗm: Thuұt toán logic mӡ (FL); ANNs; Hӗi quy; Suy luұn dӵa trên trѭӡng hӧp (CBR); mô hình lai; Cây ÿѭa ra quyӃt ÿӏnh (DT); Rӯng ngүu nhiên (RF); Máy hӛ trӧ véc-tѫ (SVM), …

4

Comparison of Artificial Intelligence Techniques for

Project Conceptual Cost Prediction: A Case Study

and Comparative Analysis

Nghiên cӭu tұp trung nhӳng kӻ thuұt AI thӵc hiӋn lұp mô hình chi phí trong giai ÿoҥn lên ý tѭӣng dӵ án nhѭ: logic mӡ, ANN, hӗi quy ÿa tuyӃn, Suy luұn dӵa trên trѭӡng hӧp, mô hình lai nhѭ: mӡ - di truyӅn và kӃt hӧp…

5

Data-Driven Insights on the Knowledge Gaps of

Xi He1; Rui Liu, Ph.D., A.M ASCE; and Chimay J

2020

Nghiên cӭu nhҵm xác ÿӏnh nhӳng mөc tiêu chính trong viӋc thӵc thi mô hình ѭӟc tính chi phí khái niӋm Trong ÿó trӑng tâm nghiên cӭu vào hai mөc tiêu chính: chuҭn bӏ dӳ liӋu và

2.1.2 Các nghiên cӭu trong nѭӟc

Conceptual Cost Estimation Modeling

[10]

Anumba, Ph.D., F ASCE

ÿánh giá cho mô hình

Hai khung công viӋc (framework) cho khai thác dӳ liӋu: khung KDD (Knowledge Discovery in Dataset) và khung CRISP-DM (The cross-industry standard process for data mining)

Nghiên cӭu phә biӃn gӗm: hӗi quy, ANNs, suy luұn dӵa trên trѭӡng hӧp (CBR), thuұt toán vӅ di truyӅn (GA), hӋ thӕng chuyên gia và lý thuyӃt mӡ

6

A Survey on Applications of Artificial Intelligence for

Pre-Parametric Project Cost and Soil Shear-Strength Estimation in Construction and Geotechnical

Engineering

[5]

Sparsh Sharma, Suhaib Ahmed, Mohd Naseem,

Waleed S Alnumay, Saurabh Singh

2021

Mөc tiêu nghiên cӭu hѭӡng vào viӋc khám phá mô hình trí thông minh nhân tҥo khác nhau ÿӇ nhҵm dӵ ÿoán và ѭӟc tính chi phí dӵ án xây dӵng sѫ bӝ, thӡi gian, sӭc chӕng cҳt

Các thuұt toán máy hӑc ÿã ÿѭӧc áp dөng trѭӟc ÿây nhѭ: Máy hӗi quy hӛ trӧ (SVM); Tӕi thiӇu máy hӗi quy hӛ trӧ (LSSVM); ANN, mҥng ANN và kӻ thuұt bootstrapt; ANN tiêu chuҭn và ANN lai, hӗi quy và ANN; …

7

The Challenges of Nonparametric Cost Estimation of Construction

Works With the Use of Artificial Intelligence Tools

B̫ng 2-2 Các ÿ͉ tài nghiên cͱu trong n˱ͣc

1

Mô Hình Xác Ĉӏnh Chi Phí Xây Dӵng Dӵa Trên Ӭng Dөng Mҥng Nѫ Ron

2

Ѭӟc Lѭӧng Chi Phí Ĉҫu Tѭ Xây Dӵng Dӵ Án Chung Cѭ Bҵng Neural

4

Dӵ Ĉoán Ĉӝ Chính Xác Ѭӟc Lѭӧng Chi Phí Các Dӵ Án Xây Dӵng Trong Giai Ĉoҥn Hình Thành DӵÁn Sӱ Dөng Nhân Tӕ Phân Tích Và Mҥng Nѫ-

5

Dӵ Trù Chi Phí Xây Dӵng Cao Ӕc Văn Phòng Bҵng Mô Hình Hӗi Quy TuyӃn Tính Và Mҥng Neuron

KӃt quҧ mô hình ANN chӍ ra chúng có khҧ năng mô hình dӳ liӋu mang tính phi tuyӃn và MAPE = 14,4%

6

Ѭӟc Tính Chi Phí Ĉҫu Tѭ Xây Dӵng Phҫn Ngҫm Dӵ Án Nhà Cao Tҫng Khu Vӵc Thành Phӕ Hӗ Chí Minh Dùng Mҥng Nѫ Ron

KӃt quҧ mô hình ANN dӵ ÿoán chi phí có ÿӝ chính xác dӵ báo chênh lӋch 2,75% vӟi giá trӏ thӵc

7

Ѭӟc Lѭӧng Chi Phí Xây Dӵng Cҫu Dҫm Nhӏp Giҧn Ĉѫn Bҵng Mô Hình Mҥng Neuron Nhân Tҥo (ANN)

[18]

Ĉһng Trҫn Ĉăng Khoa

2016

Tác giҧ xây dӵng mô hình ѭӟc lѭӧng chi phí, sӱ dөng bӝ dӳ liӋu tӯ 33 công trình ÿã thi công giai ÿoҥn 2013-2014 trên toàn tӍnh Long An Mҥng nѫ-ron kӃt hӧp cùng kӻ thuұt bootstrap vӟi 14 biӃn ÿҫu vào ÿã ÿѭӧc xây dӵng KӃt quҧ chӍ ra mô hình ANN có khҧ năng ѭӟc lѭӧng nhanh và chính xác

8

Ѭӟc Lѭӧng Chi Phí Xây Dӵng Công Trình Trѭӡng Trung Hӑc Phә Thông Tҥi TP Hӗ Chí Minh Sӱ Dөng Mҥng Nѫ-Ron Nhân Tҥo

[19]

NguyӉn Minh Quang

2017

Nghiên cӭu ÿã lұp mӝt mô hình chi phí ban ÿҫu bҵng viӋc kӃt hӧp phѭѫng pháp tӕi ѭu hóa trӑng sӕ bҵng giҧi thuұt lan truyӅn ngѭӧc sai sӕ Trong ÿó bӝ trӑng sӕ giai ÿoҥn này ÿѭӧc thiӃt lұp bҵng thuұt toán Excel Sau ÿó SPSS sӁ kiӇm tra và tӕi ѭu thuұt toán Excel Ĉӝ chính xác sau khi ÿѭӧc tӕi ѭu bҵng SPSS tăng tӯ 85% lên 92% KӃt quҧ tӯ ANN cho mӭc sai sӕ 5,68%

9

Ѭӟc Lѭӧng Chi Phí Xây Dӵng Ĉѭӡng Cao Tӕc Ӣ

10

Phát TriӇn Mô Hình Lai Ghép Mӟi AFG Sӱ Dөng

Mҥng Thҫn Kinh Nhân Tҥo (ANN) KӃt Hӧp Fuzzy Và Thuұt Toán Sói

Xám (GWO) Trong ViӋc Ѭӟc Tính Chi Phí Xây Dӵng Tàu ĈiӋn Metro

Nghiên cӭu ÿҥt ÿѭӧc tӯ luұn văn thì mҥng nѫ-ron mӡ ANFIS kӃt hӧp giҧi thuұt GWO có ѭu thӃ hѫn các mô hình ANFIS thông thѭӡng

2.2 Các kӻ thuұt máy hӑc dùng trong mô hình ѭӟc tính sѫ bӝ khӕi lѭӧng vұt tѭ

Máy hӑc, thuӝc mӝt nhánh con cӫa trí tuӋ nhân tҥo, có khҧ năng hӑc tӵ ÿӝng tӯ nhӳng thông tin quá khӭ mà không cҫn can thiӋp lұp trình mӝt cách rõ ràng ViӋc tҥo lұp mӝt mô hình máy hӑc dӵa trên loҥi vҩn ÿӅ (phân loҥi hay hӗi quy) và mөc tiêu khai thác dӳ liӋu (tӕi ѭu, phân tích xu hѭӟng, nguyên nhân hay phân tích mӕi quan hӋ) [4] Nhìn chung, tùy thuӝc các hoҥt ÿӝng dӵa vào dӳ liӋu mà máy hӑc chia ÿѫn giҧn làm hai loҥi phә biӃn: hӑc có giám sát và hӑc không có giám sát

Hình 2-1: Phân lo̩i máy h͕c

Trong phҥm vi luұn văn này, viӋc xây dӵng mô hình hӑc có giám sát dӵa trên vҩn ÿӅ mang tính hӗi quy trong viӋc ѭӟc tính các giá trӏ liên tөc hay kӃt quҧ ÿӏnh lѭӧng (khӕi lѭӧng vұt tѭ)

2.2.1 Hӗi quy

Hӗi quy ÿѭӧc ÿѭa ra lҫn ÿҫu bӣi mӝt nhà khoa hӑc ngѭӡi Anh, Francis Galton (1822-1911), trong mӝt nghiên cӭu vӅ lƭnh vӵc di truyӅn Phân tích hӗi quy là phѭѫng pháp xem xét mӕi quan hӋ giӳa các biӃn Mӕi quan hӋ này biӇu diӉn thông qua mӝt phѭѫng trình hoһc mӝt mô hình kӃt nӕi giӳa biӃn phҧn hӗi/biӃn phө thuӝc và mӝt hoһc nhiӅu biӃn giҧi thích/dӵ ÿoán [22] Kӻ thuұt hӗi quy thѭӡng dùng trong viӋc dӵ ÿoán và ѭӟc lѭӧng chi phí xây dӵng Kӻ thuұt hӗi quy có thӇ chia ÿѫn giҧn thành hai loҥi: hӗi quy tuyӃn tính ÿѫn giҧn và hӗi quy tuyӃn tính ÿa biӃn Dҥng tәng quát cӫa 2 loҥi này nhѭ sau:

+ H͛i quy tuy͇n tính ÿ˯n gi̫n

(2-1)

+ H͛i quy tuy͇n tính ÿa bi͇n

112233 tt

Yab Xb Xb Xb XH

(2-2)

trong ÿó:

Y: biӃn dӵ ÿoán (biӃn phө thuӝc)

X: biӃn sӱ dөng ÿӇ dӵ ÿoán Y (hay còn gӑi là biӃn ÿӝc lұp) a: giao ÿiӇm (the intercept)

b: ÿӝ dӕc (the slope)

İ: phҫn dѭ hӗi quy hay còn gӑi là sai sӕ (the regression residual) ĈӇ áp dөng kӻ thuұt hӗi quy ÿòi hӓi mӕi quan hӋ tuyӃn tính giӳa biӃn phө thuӝc và mӝt hay các biӃn ÿӝc lұp, phҫn dѭ hӗi quy (sai sӕ) nên là phân phӕi chuҭn và các biӃn ÿӝc lұp phҧi ÿӝc lұp vӟi nhau NӃu mӝt sӕ biӃn có tính ÿa cӝng tuyӃn liên kӃt vӟi nhau thì kӃt quҧ dӵ báo sӁ không cho kӃt quҧ chính xác Hѫn nӳa khi mô hình có quá nhiӅu biӃn ÿҫu vào (biӃn ÿӝc lұp) và nhiӅu mӕi quan hӋ khác nhau thì kӻ thuұt hӗi quy thông thѭӡng sӁ không còn phù hӧp

2.2.2 Máy hӛ trӧ véc-tѫ

SVMs thuӝc máy hӑc phân loҥi có giám sát (Supervised learning) Phѭѫng pháp này dӵa vào lý thuyӃt hӑc thӕng kê SVMs dùng nhiӅu trong viӋc giҧi quyӃt các vҩn ÿӅ có tính chҩt phi tuyӃn ngay cҧ vӟi dӳ liӋu ÿѭa vào huҩn luyӋn có khӕi lѭӧng nhӓ [4]

Noueali và cӝng sӵ (2019) ÿã sӱ dөng SVR ÿӇ ѭӟc tính chi phí vӕn khai thác các mӓ ÿӗng tӯ dӳ liӋu cӫa 52 mӓ ÿӗng lӝ thiên khai thác thu thұp ÿѭӧc KӃt quҧ cho thҩy mô hình SVR có thӇ ѭӟc tính chi phí vӕn khai thác tӕt hѫn so vӟi mô hình KRR (Kernel Ridge Regression) [23] Wenhui và cӝng sӵ (2021) ÿã sӱ dөng SVR cho viӋc ѭӟc tính chi phí cho các dӵ án xây dӵng dân dөng, kӃt quҧ ѭӟc tính trên 84 dӵ án dân dөng thu thұp tҥi Trung Quӕc cho thҩy SVR cho kӃt quҧ tӕt hѫn so vӟi BPNN và rӯng ngүu nhiên (Random Forest) [24] SangJun Ahn và cӝng sӵ

(2020) dùng mô hình SVR ÿӇ cҧi thiӋn viӋc ѭӟc tính chi phí vұn chuyӇn cҩu kiӋn ÿúc sҹn dӵa vào tính năng trích xuҩt dӳ liӋu GPS quy mô lӟn trên hàng rào ÿӏa lý.Các bӝ dӳ liӋu GPS ÿѭӧc thu thұp tӯ 221 dӵ án dân dөng trong 8 tháng, chi phí ѭӟc tính sӁ ÿѭӧc so sánh vӟi chi phí vұn chuyӇn thӵc tӃ KӃt quҧ SVR cho thҩy chênh lӋch trung bình 57% giӳa chi phí cӕ ÿӏnh và chi phí vұn chuyӇn thӵc tӃ ÿã giҧm 14% khi phѭѫng pháp dӵa trên dӳ liӋu GPS ÿѭӧc sӱ dөng.[25]

Oluwafunmibi và Ka Chi Lam (2020) ÿã sӱ dөng SVR ÿӇ mô hình hóa mӝt thành tӕ cӫa chi phí – ÿó là khӕi lѭӧng trong giai ÿoҥn sӟm cӫa dӵ án HiӋu suҩt cӫa hӗi quy vectѫ hӛ trӧ tӕt hѫn so vӟi mҥng nѫ-ron lan truyӅn ngѭӧc thông thѭӡng.[4]

Tӯ các nghiên cӭu cho thҩy, SV5 có thӇ hoҥt ÿӝng tӕt trong viӋc ѭӟc tính,cung cҩp kӃt quҧ ѭӟc tính có ÿӝ tin cұy

2.2.3 Mҥng Nѫ-ron thҫn kinh nhân tҥo

ANN ÿѭӧc sӱ dөng rӝng rãi nhҩt trong ӭng dөng vӅ dӵ báo chi phí, tiӃn ÿӝ cӫa các dӵ án xây dӵng Nó có thӇ giҧi quyӃt các vҩn ÿӅ phi tuyӃn tӕt và là mӝt cách tiӃp cұn hiӋu quҧ cho mô hình dӳ liӋu có tính phӭc tҥp

Năm 2020, Mohamed Badawy ÿã kӃt hѫp ANN vӟi kӻ thuұt hӗi quy ÿӇ ѭӟc tính chi phí cӫa các tòa nhà dân dөng dӵa trên 174 dӵ án thӵc tӃ hoàn thành tҥi Ai Cұp [2] Hong Zhang và cӝng sӵ (2020) ÿã ÿӅ xuҩt mô hình AI cho viӋc ѭӟc tính chi phí vӕn cӫa các dӵ án ÿang khai thác bҵng thuұt toán ÿàn kiӃn dӵa trên mҥng nѫ-ron nhân tҥo sâu Mô hình này ÿѭӧc phát triӇn ÿӇ dӵ báo vӅ chi phí vӕn cho 74 dӵ án khai thác ÿӗng ÿang hoҥt ÿӝng [26] Mostafa Mir và cӝng sӵ (2021) ÿã áp dөng ANN ÿӇ dӵ báo các khoҧng thӡi gian ÿáng tin cұy ÿӇ ѭӟc tính vӅ giá vұt tѭ xây dӵng [27] Bakhoun và cӝng sӵ (1998) ӭng dөng ANN ÿӇ ѭӟc tính khӕi lѭӧng sѫ bӝ (conceptual quantities) cӫa bê tông và lѭӧng ӭng suҩt/m2 tӯ nguӗn dӳ liӋu cӫa 10 cây cҫu ӣ Ai Cұp[28]

Nhӳng ÿһc ÿiӇm cӫa mҥng nhân tҥo ÿѭӧc cho là vѭӧt trӝi hѫn các kӻ thuұt

khác theo Sharma và cӝng sӵ (2021) [5] nhѭ sau: + Có khҧ năng tӵ hӑc

+ Ngay cҧ khi mӝt sӕ tӃ bào thҫn kinh không phҧn hӗi, mӝt sӕ thông tin bӏ thiӃu hoһc dӳ liӋu bӏ bóp méo và nhiӉu, ANN vүn có thӇ tҥo ra ÿҫu ra và có khҧ năng xác ÿӏnh lӛi

+ Hӑc tұp thích ӭng

+ Khҧ năng xӱ lý dӳ liӋu lӟn

+ Dӳ liӋu sӁ ÿѭӧc lѭu trong mҥng thay vì trong cѫ sӣ dӳ liӋu (database) vì vұy viӋc mҩt mát dӳ liӋu cNJng không ҧnh hѭӣng ÿӃn công viӋc

2.2.4 Giҧi thuұt k-lân cұn gҫn nhҩt

Giҧi thuұt k-lân cұn gҫn nhҩt (KNN) là mӝt trong nhӳng giҧi thuұt ÿѫn giҧn và ÿѭӧc sӱ dөng rӝng rãi dӵa trên dӳ liӋu lӏch sӱ ÿӇ xác ÿӏnh ÿiӇm lân cұn gҫn

nhҩt cӫa mӝt ÿiӇm dӳ liӋu ÿѭӧc cho

Mathieu và cӝng sӵ (2016) ÿã sӱ dөng KNN ÿӇ dӵ báo tiӃn ÿӝ cӫa dӵ án, nghiên cӭu cho thҩy KNN ÿѭӧc phát triӇn nhѭ mӝt công cө dӵ ÿoán và cho phép ÿánh giá ÿӝ chính xác [29] Muizz và cӝng sӵ (2021) trong viӋc phát triӇn mô hình ѭӟc tính chi phí sѫ bӝ cho các tòa nhà cao tҫng dӵa trên máy hӑc Hӑ ÿã xem xét mӝt sӕ kӻ thuұt nhѭ: hӗi quy ÿa tuyӃn tính (MLRA), KNN, ANN, SVM Nghiên cӭu này cho rҵng KNN cho ra kӃt quҧ tӕt nhҩt trong các mô hình xem xét trong hӋ thӕng ÿa phân loҥi [30] Wuttipong và cӝng sӵ (2022) ÿã sӱ dөng KNN trong viӋc dӵ ÿoán ngân sách cho các dӵ án xây dӵng chính phӫ Khoҧng 692 dӵ án hoàn thành trong năm 2019 tҥi Thái Lan ÿã ÿѭӧc thu thұp KӃt quҧ tӯ nghiên cӭu cho thҩy tính chính xác cӫa mô hình ÿѭӧc phát triӇn bҵng KNN là 0.86 [31]

Có thӇ thҩy rҵng, KNN ӭng dөng nhiӅu trong xây dӵng các mô hình ѭӟc tính và cho kӃt quҧ chính xác Vì vұy, giҧi thuұt này sӁ ÿѭӧc ÿѭa vào nghiên cӭu nhѭ mӝt mô hình ÿӅ xuҩt cho ѭӟc tính sѫ bӝ khӕi lѭӧng vұt tѭ

2.3 Mô hình kӃt hӧp (Ensemble models)

Bҵng cách kӃt hӧp các ÿiӇm mҥnh các thuұt toán ÿӝc lұp vӟi nhau ÿӇ cho ra kӃt quҧ dӵ báo ÿѭӧc chính xác hѫn, các mô hình kӃt hӧp ÿang ÿѭӧc áp dөng rӝng rãi Sӵ kӃt hӧp này giúp mô hình dӵ báo có nhiӅu ѭu thӃ so vӟi các mô hình ÿӝc lұp Mô hình kӃt hӧp gӗm mӝt sӕ loҥi nhѭ sau: bagging – “ÿóng bao”, random forest – “rӯng ngүu nhiên”, adaboost, stacking – “xӃp chӗng” và voting [32] Trong ÿó mô hình kӃt hӧp voting ÿѭӧc xem là mô hình kӃt hӧp ÿѫn giҧn bӣi chúng dӉ sӱ dөng và thiӃt ÿһt Bên cҥnh ÿó, chúng còn cho ra kӃt quҧ ѭӟc tính, dӵ báo hiӋu quҧ; mô hình kӃt hӧp loҥi này dùng cho các vҩn ÿӅ hӗi quy và phân loҥi

Hình 2-2 Khung ho̩t ÿ͡ng cͯa mô hình k͇t hͫp [32]

Y Cao và cӝng sӵ (2018) ÿӅ xuҩt mô hình kӃt hӧp máy hӑc dӵ ÿoán giá thҫu cho các dӵ án cҧi tҥo bӅ mһt ÿѭӡng cao tӕc tҥi bang Georgia, Hoa KǤ Dӳ liӋu vӅ giá thҫu cӫa hѫn 1400 dӵ án ÿã ÿѭӧc thu thұp ÿӇ ÿào tҥo mô hình KӃt quҧ thu ÿѭӧc cho thҩy mô hình kӃt hӧp cho kӃt quҧ tӕt hѫn bҩt kǤ mô hình ÿӝc lұp nào và các mô hình cѫ sӣ (mô phӓng Monte Carlo và mô hình hӗi quy ÿa tuyӃn) vӟi chӍ sӕ MAPE xҩp xӍ 7.56% [33] Trong vҩn ÿӅ dӵ báo sӵ chұm trӉ dӵ án xây dӵng vӅ tiӃn ÿӝ cӫa Christian và cӝng sӵ (2021) ÿã phát triӇn mô hình thuұt toán kӃt hӧp cho vҩn ÿӅ này, thuұt toán kӃt hӧp cho thҩy chúng giúp cҧi thiӋn năng lӵc dӵ ÿoán so vӟi mӝt thuұt toán ÿѫn thuҫn [34] Ngӑc Trí và cӝng sӵ (2022) ÿã ÿѭa ra các mô hình kӃt hӧp máy hӑc trong viӋc tăng cѭӡng ÿӝ chính xác cho viӋc dӵ ÿoán sӵ tiêu thө năng lѭӧng cӫa tòa nhà [35]

Vì vұy, mô hình thuұt toán kӃt hӧp sӁ ÿѭӧc ÿѭa vào nghiên cӭu nhҵm kiӇm tra vӅ khҧ năng ѭӟc tính cӫa chúng

2.4 Phҫn mӅm máy hӑc

Các phҫn mӅm hӑc máy không chӍ ÿѭӧc ÿánh giá vӅ khҧ năng ÿem lҥi ÿӝ chính xác cho các mô hình dӵ báo mà các phҫn mӅm này còn có giao diӋn thân thiӋn, mang tính ӭng dөng cao Trong sӕ ÿó phә biӃn bao gӗm: IBM SPSS Modeler, IBM SPSS Statistic, RapidMiner Studio và Weka Trong ÿó phҫn mӅm Weka là công cө ÿѭӧc xem là dӉ sӱ dөng (ÿѭӧc viӃt bӣi Trѭӡng Ĉҥi hӑc Waikato thuӝc New Zealand dӵa trên nӅn tҧng Java) Nó giúp hӛ trӧ nhiӅu mөc ÿích khai phá dӳ liӋu tiêu chuҭn nhѭ: xӱ lý dӳ liӋu, trӵc quan dӳ liӋu, hӗi quy, phân loҥi và cөm,… [36]

Hình 2-3 Giao di͏n ph̯n m͉m Weka

Magdalini và cӝng sӵ (2021) ÿã sӱ dөng Weka xây dӵng các mô hình dӵ ÿoán vӅ tiӃn ÿӝ thӵc tӃ cho các công trình ÿѭӡng cao tӕc tҥi Hy Lҥp [37] Tѭѫng tӵ tính ӭng dөng cӫa Weka ÿã ÿѭӧc nghiên cӭu liên quan trong ngành xây dӵng [38], [39], [40]

CHѬѪNG 3 PHѬѪNG PHÁP NGHIÊN CӬU

Các thuұt toán máy hӑc ÿѭӧc ÿӅ xuҩt dӵa trên yӃu tӕ : nhӳng phѭѫng pháp phә biӃn ÿã ÿѭӧc áp dөng trong ngành xây dӵng hoһc liên quan trong máy hӑc Nghiên cӭu sӁ xem xét các thuұt toán nhѭ : ANN, KNN, SVR và máy hӑc vӟi thuұt toán kӃt hӧp (Ensemble methods) Vì thӃ, chi tiӃt vӅ toán hӑc cӫa các phѭѫng pháp này ÿã ÿѭӧc trình bày trong các nghiên cӭu tѭѫng tӵ ngành xây dӵng [41], [42], [43], [44], [45]

3.1 Quy trình thӵc hiӋn nghiên cӭu

Nghiên cӭu xuҩt phát tӯ các vҩn ÿӅ gһp phҧi trong công viӋc Vӟi nhiӅu nguӗn tѭ liӋu nghiên cӭu cùng các công cө trӵc tuyӃn sӁ hӛ trӧ cho viӋc thӵc hiӋn Tӯ ÿây cѫ sӣ xây dӵng các lý thuyӃt ban ÿҫu sӁ hình thành cho ÿӅ tài nghiên cӭu này

Nghiên cӭu này tұp trung vào nhiӋm vө ѭӟc tính bҵng mô hình máy hӑc ÿã ÿѭӧc áp dөng trong ngành xây dӵng hay trí thông minh nhân tҥo Mӝt sӕ lý thuyӃt toán hӑc sӁ ÿѭӧc trình bày tóm tҳt cho các mô hình ѭӟc tính sӱ dөng trong nghiên cӭu này

Lѭu ÿӗ cө thӇ nhѭ sau:

Hình 3-1 Quy trình th͹c hi͏n nhi͏m vͭ nghiên cͱu

3.2 Công cө thӵc hiӋn nghiên cӭu

Tӯ quy trình thӵc hiӋn nhiӋm vө nghiên cӭu ÿã nêu ӣ mөc 3.1, các công cө sau ÿây sӁ ÿѭӧc áp dөng:

B̫ng 3.1 Công cͭ th͹c hi͏n nghiên cͱu

Ӭѫc tính khӕi lѭӧng vұt tѭ sѫ bӝ trong giai ÿoҥn lұp kӃ hoҥch dӵ án dân dөng kӃt cҩu bê tông cӕt thép

- Dӳ liӋu lӏch sӱ cӫa các dӵ án

Lұp mô hình ѭӟc tính - Phҫn mӅm Weka, Excel,…

3.3 Các lý thuyӃt, thuұt toán áp dөng 3.3.1 Mҥng nѫ-ron thҫn kinh nhân tҥo

3.3.1.1 Sѫ lѭӧc vӅ nѫ-ron (tӃ bào thҫn kinh) sinh hӑc

ANNs là thuұt toán ÿѭӧc phát triӇn dӵa trên sӵ giҧ lұp tӃ bào thҫn kinh não bӝ ngѭӡi Cҩu tҥo cӫa tӃ bào thҫn kinh ÿѭӧc chia thành ba phҫn chính: thân tӃ bào (soma), ÿuôi gai, sӧi trөc (axon) [46]

Hình 3-2 S͹ giao ti͇p cͯa t͇ bào th̯n kinh trong não [47]

3.3.1.2 Mҥng nѫ ron thҫn kinh nhân tҥo

Năm 1943, mҥng nѫ-ron nhân tҥo ÿѭӧc giӟi thiӋu lҫn ÿҫu tiên bӣi McCulloch Ông ÿã ÿӅ xuҩt cҩu trúc cѫ bҧn cӫa nѫ-ron nhân tҥo nhѭ sau:

Hình 3-3 C̭u trúc c˯ b̫n cͯa m͡t n˯-ron nhân t̩o thͱ i ÿ͉ xṷt bͧi McCulloch, năm 1943

Mҥng nѫ-ron thҫn kinh nhân tҥo là mӝt phiên bҧn giҧ lұp nѫ-ron sinh hӑc, vì vұy các nѫ-ron thҫn kinh nhân tҥo cNJng ÿѭӧc liên kӃt vӟi nhau bҵng các liên kӃt nѫ-ron Mӛi liên kӃt ÿһc trѭng bӣi mӝt trӑng sӕ (weights) Trong mӝt mҥng nѫ-ron các nѫ-ron nhұn tín hiӋu vào sӁ thuӝc lӟp ÿҫu vào, các nѫ-ron xuҩt tín hiӋu ÿҫu ra sӁ thuӝc lӟp xuҩt, các liên kӃt nѫ-ron sӁ nҵm trong lӟp ҭn (Hidden layer) Mҥng nѫ-ron gӗm thành phҫn cѫ bҧn sau: tұp dӳ liӋu ÿҫu vào, trӑng sӕ liên kӃt, hàm tәng, hàm truyӅn, ngѭӥng (bias), ÿҫu ra

™ Hàm tәng (Summing function):

Hàm tәng có chӭc năng tính tәng cӫa các tích ÿҫu vào sau ÿó chuyӇn kӃt quҧ ÿӃn hàm truyӅn (transfer function)

thӭ j, wij là trӑng sӕ liên kӃt giӳu xi và și là giá trӏ ngѭӥng cӫa phҫn tӱ thӭ i Gía trӏ ngѭӥng și còn ÿѭӧc gӑi là ÿӝ lӋch – bias Hàm tәng fi thѭӡng có hai dҥng nhѭ sau:

+ Hàm tәng hӧp tuyӃn tính 1

f¦w xT

+ Hàm tәng hӧp phi tuyӃn bình phѭѫng 2

f¦w xT

(3-2)

™ Hàm truyӅn (Transfer function)

Hàm truyӅn hay hàm kích hoҥt dùng ÿӇ giӟi hҥn phҥm vi ÿҫu ra cӫa mӛi nѫ-ron Phҥm vi ÿҫu ra cӫa hàm kích hoҥt thông thѭӡng ÿѭӧc giӟi hҥn trong ÿoҥn [0;1] hoһc [-1;1] [48] Các hàm thѭӡng ÿѭӧc sӱ dөng bao gӗm:

Hình 3-4 M͡t s͙ d̩ng hàm truy͉n (Hagan và các tác gi̫, năm 2004)

Trong ngành xây dӵng, hàm truyӅn Sigmoid và Tagent HyperBolic ÿѭӧc dùng phә biӃn trong viӋc ѭӟc tính

Hình 3-5 Hàm truy͉n Sigmoid g(x) = 1/(1+e-x)

Vӟi hàm truyӅn dҥng Sigmoid, nѫ-ron có giá trӏ ÿҫu ra nҵm trong khoҧng (0;1) và khiŇxŇlӟn thì nó ÿҥt giá trӏ bão hòa (xҩp xӍ 0 hoһc 1) Vì vұy viӋc chuҭn hóa cho các tín hiӋu ÿҫu vào có giá trӏ tuyӋt ÿӕi lӟn cҫn ÿѭӧc quan tâm, nӃu không quá trình hӑc sӁ cho kӃt quҧ không nhѭ mong muӕn vì các giá trӏ này có thӇ ÿã bão hòa tӯ ban ÿҫu Thông thѭӡng nó ÿѭӧc chuҭn hóa vӅ phҥm vi [-3;3] cho giá trӏ ÿҫu vào Ngoài ra, do nѫ-ron mang tín hiӋu ÿҫu ra nҵm trong phҥm vi (0;1) vì thӃ tín hiӋu ÿҫu ra cӫa mүu hӑc nên nҵm trong phҥm vi này ÿӇ dùng quá trình huҩn luyӋn ĈӇ các giá trӏ thӵc tӃ tҥi ÿҫu ra cӫa mҥng có trong phҥm vi (0;1) cҫn chuyӇn vӅ miӅn các giá trӏ thӵc tӃ [48]

™ Trӑng sӕ liên kӃt

Các mҥng có chӭc năng ánh xҥ tӯ véc-tѫ ÿҫu vào x ࣅ X thành các véc-tѫ ÿҫu ra y ࣅ Y qua các “lѭӟi” trӑng sӕ

Hình 3-6 Ma tr̵n tr͕ng s͙ W (theo Hagan và các tác gi̫, năm 2004)

Theo ÿó, ma trұn trӑng sӕ W ÿѭӧc xác ÿӏnh bҵng R phҫn tӱ cҫn ÿѭӧc xӱ lý trong mӝt mҥng nѫ ron nhân tҥo và mӛi phҫn tӱ xӱ lý tѭѫng ӭng sӁ có mӝt trӑng sӕ thích nghi Ma trұn trӑng sӕ W sӁ chӭa tҩt các các phҫn tӱ thích nghi Quá trình cұp nhұt ma trұn ÿҧm bҧo ÿiӅu kiӋn ma trұn trӑng sӕ thӵc phҧi xҩp xӍ ma trұn trӑng sӕ mong ÿӧi cӫa mҥng nѫ-ron thҫn kinh nhân tҥo

™ Phân loҥi mҥng nѫ-ron

Thông thѭӡng, ANNs ÿѭӧc chia hai dҥng chính: mҥng hӗi quy và mҥng truyӅn thҷng Ѭu ÿiӇm cӫa mҥng truyӅn thҷng mang lҥi hiӋu suҩt cho mҥng nѫ-ron cao hѫn bӣi cҩu trúc và thuұt toán ÿѫn giҧn Mҥng nѫ-ron truyӅn thҷng gӗm: mҥng nѫ-ron truyӅn thҷng mӝt lӟp (percepton) và mҥng nѫ-ron truyӅn thҷng nhiӅu lӟp (MLP: Multi layer percepton)

+ Mҥng nѫ-ron truyӅn thҷng mӝt lӟp (percepton): mҥng gӗm lӟp nѫ-ron ÿҫu ra duy nhҩt và lӟp này không ÿóng vai trò xӱ lý Mӛi nѫ-ron có thӇ thu tín hiӋu tӯ nhiӅu ÿҫu vào nhѭ x1, x2, …., xm ÿӇ cho tín hiӋu tѭѫng ӭng ӣ ÿҫu ra