Luận văn thạc sĩ Quản lý xây dựng: Ước lượng chi phí xây dựng đường cao tốc ở Việt Nam

Thông qua dữ liệu của một số tuyếncao tốc đã xây dựng và đưa vào khai thác, tác giả nhận thấy răng hầu hết các tuyếncao tốc đều bị đội vốn so với tong mức dau tu được duyét ban dau, có n

ĐẶT VAN DE

Trong những năm gần đây, cùng với sự phát triển và lớn mạnh của nền kinh tế nước ta, nhu cầu đầu tư hạ tầng giao thông ngày càng cao để kịp thời đáp ứng tốc độ phát triển nhanh chóng của nền kinh tế Trong đó việc phát triển mạng lưới DCT 1a một trong những van dé vô cùng cấp thiết Theo quyết định số 326 ngày 01/03/2016 của Thủ tướng, căn cứ vào các nhu cầu phát triển kinh tế, xã hội, nhu cầu giao thông vận tải kết nối đến các vùng kinh tế trọng điểm, các thành phố lớn và các khu du lịch thì đến năm 2020 tổng chiều dai DCT được xây dựng ở nước ta sẽ là 2.703 km, chiếm gần 50% tổng chiều dài mạng lưới ĐCT được quy hoạch Trong những năm gan đây, chúng ta đã hoàn thành và đưa vào sử dung được khoảng 800 km DCT, với các tuyến cao tốc như Trung Lương - Thành phố Hồ Chí Minh với tổng chiều dai 62km được đưa vào sử dụng từ năm 2010, tuyến Đà Nẵng — Quảng Ngãi với chiều dài 139km, đã được đưa vào sử dụng năm 2018, tuyến Hạ Long- Vân Đồn với tong chiéu dai 60km với tong vốn dau tư 12.000 tỷ đồng tuyến cao tốc TpHCM- Long Thanh- Dầu Giây được đưa vào sử dụng năm 2015, góp phần thúc đây nền kinh tế khu vực Đông Nam Bộ {| I |

GIAI DOAN KHỞI DONG TANG/TRUONG

Tổng chiều dài hoàn tat (km)

Hình ảnh 1.1 Các giai đoạn phát triển của ĐCT ở Việt Nam

Nguồn: Đoàn Nghiên cứu VITRANSS 2

Hầu hết các tuyến cao tốc trong mạng đường bộ cao tốc Việt Nam về cơ bản đều đã được nghiên cứu và đưa vào quy hoạch, một vải tuyến đưa vào sử dụng và khai thác Tuy nhiên, vì nguồn vốn xây dựng các dự án DCT là rất lớn, trong khi đó nguôn vốn ngân sách nhà nước không đủ và vốn vay ODA ưu đãi thi lại ngày càng khó khăn, nên kết quả xây dựng hệ thống đường bộ cao tốc ở Việt Nam hiện nay còn rất hạn chế Vì vậy vào tháng 05/2019 Bộ Giao Thông Vận Tai đã kêu gọi đầu tư 8 dự án ĐCT theo hình thức đầu tư PPP với nhiều cam kết cho nhà đầu tư Tuy nhiên, rất khó khăn dé các nhà đầu tư mặn mà với các dự án này vì ân chứa nhiều rủi ro cao như: đội vốn chi phí đầu tư, khả năng thu hồi vốn chậm, thời gian thu hồi kéo dải, nha nước không đảm bảo tài chính Trong đó công tác chuẩn bị đầu tư các tuyến cao tốc là khâu hết sức quan trọng, quyết định đến sự thành bại của từng dự án xây dựng các tuyến cao tốc Các nghiên cứu lập dự án, nghiên cứu khả thi, các giải pháp kỹ thuật doTổ chức Tư vẫn đề xuất có ảnh hưởng rất lớn đến quá trình xây dựng của dự án và điều này trực tiếp ảnh hưởng tới tính hiệu quả đầu tư của nhà đầu tư.

1.2 Xác định van đề nghiên cứu

Các dự án xây dựng DCT đều cần vốn đầu tu lớn và thời gian xây dựng kéo dai, qua nhiều vùng địa chất, địa hình khác nhau, vì vậy dé xác định được chi phí đầu tư của dự án trong giai đoạn ban dau là rất khó Thông qua dữ liệu của một số tuyến cao tốc đã xây dựng và đưa vào khai thác, tác giả nhận thấy răng hầu hết các tuyến cao tốc đều bị đội vốn so với tong mức dau tu được duyét ban dau, có nhiều dự án lên đến 145%, điều này xảy ra có thể do nhiều nguyên nhân như sau: khái toán chưa đúng, chưa đủ, thiết kế không phù hợp thực tế, thay đổi thiết kế, biến động giá vật tư Chính vi vay, tác gia muốn xây dựng một mô hình ước lượng chi phí ban đầu cho các dự án xây dựng ĐCT, mô hình sẽ sử dụng dữ liệu quá khứ của các dự án đã hoàn thành để ước lượng chi phí cho các dự án trong tương lai Giai đoạn lập dự án, lúc này đơn vi tư vẫn lập dự án đã xác định được các thông số như: hướng tuyến, số làn xe, chiều dai tuyến đường, các điểm giao cat giữa DCT và các tuyến đường khác; xác định được vi trí, chiêu dài phan cầu (bao gồm cau vượt va cầu qua sông): xác định được vi trí, chiều dải phần hầm, vùng địa hình; đánh giá điều kiện địa chất Các phương án tuyến sẽ được dé xuất dựa trên các điểm khống chế Việc lựa chọn phương án tuyến nào sẽ dựa trên nhiều tiêu chí, trong đó CPXD đóng vai trò rất quan trọng Đơn vị tư vấn lập dự án cần tính nhanh CPXD của dự án, đánh giá các tiêu chí và lựa chọn phương án tối ưu nhất Độ chính xác của việc ước lượng chỉ phí trong giai đoạn này là rất quan trọng, một kết qua chi phí quá thấp sẽ dẫn tới đội vốn chỉ phí trong tương lai, làm mat lòng tin của công chúng Một kết quả ước lượng quá cao sẽ dẫn đến việc không thể bố trí nguồn vốn phù hợp, không đáp ứng được nhu cau cần thiết của dự án (Asmar,

1.3 Mục tiêu cua nghiên cứu

Nghiên cứu được tiên hành nhăm xác định những vân dé dưới day:

Xác định các nhân tố quan trọng, có ảnh hưởng lớn đến CPXD DCT ở

Việt Nam; Ứng dụng mang neural mờ để xây dựng mô hình ước lượng CPXD DCT ở Việt Nam;

Xác nhận độ tin cậy của mô hình và sử dụng mô hình để xác định chỉ phí 01 gói thầu cụ thể trong thực tế

Xây dựng một chương trình ước lượng chi phí trên nền tang phần mềm Matlab, để tạo một ứng dụng đơn giản cho người sử dụng.

1.4 Phạm vi của nghiên cứu

Nghiên cứu sẽ được thực hiện trong phạm vi như sau:

Dữ liệu đã được lẫy từ các hồ sơ dự toán, bản vẽ phê duyệt, phê duyệt TKKT, hop đồng các gói thầu tại các dự án ĐCT ở Việt Nam, các dự án đã đưa vào sử dụng, và các dự án đang được xây dựng và các dự án đã được phê duyệt thiết kế kỹ thuật.

Những đối tượng khảo sát trong nghiên cứu này gồm: các kỹ sư và chuyên gia có nhiều kinh nghiệm, cụ thể là trong lĩnh vực quản lý dự án,tư vấn, nhà thầu xây dựng DCT ở Việt Nam, cụ thể như : Ban quản lý dự án chuyên ngành PMU7, PMU85, Tổng công ty ĐTPT- QLDA HạTầng Giao thông Cửu Long (CIPM), Tổng công ty Đầu tư - phát triểnDCT Việt Nam (VEC), Cục Quản lý xây dựng & chất lượng công trình giao thông thuộc Bộ Giao Thông Vận Tải, Công ty Tư vấn Thiết kế Giao thông Vận tải TEDI, Công ty Tư vẫn Dasan (Hàn Quốc), Nippon

1.5 Y nghĩa của dé tài a Dé tài có tính thực tiễn cao như sau:

Theo như quy hoạch phát triển đường bộ cao tốc của nước ta, đến năm 2030 chúng ta cần phải hoàn thành mục tiêu xây dựng 6411 km ĐCT theo như quy hoạch đã được duyệt Chính vì vậy việc nghiên cứu về CPXD DCT ở Việt Nam có tính thời sự, cấp thiết đối với sự phát triển của mạng lưới giao thông quốc gia Hơn nữa, trong thời gian gân day, trên các phương tiện thông tin báo dai, dư luận có nhiều bức xúc và đặt nhiều câu hỏi tại sao CPXD ĐCT ở Việt Nam lại quá đắt so với các nước trên thế giới như vậy, trong đó dẫn chứng ra nhiều tuyến cao tốc của Việt Nam đắt gấp 2,3 lần so với các nước khác Sau đó dư luận có dé xuất xây mẫu 1 km DCT để làm định mức xây dựng, tuy nhiên Bộ GTVT đã bác bỏ và khăng định điều này không phản ánh đúng khoa học về xây dựng định mức Do đó, thông qua dé tài nghiên cứu nay, tác giả mong muốn có những đóng góp, giải quyết những van dé sau: e Góp phan trong việc tìm ra các nhân tô chính ảnh hưởng đến CPXD

DCT ở Việt Nam; e Giúp co quan chức năng, đơn vị tư van có thé nhanh chóng đưa ra ước lượng chỉ phí của tuyến ĐCT theo mô hình đáng tin cậy nhất. b Về mặt học thuật:

Nghiên cứu này góp phần mở rộng ứng dụng của mạng neural mờ trong ngành

Quản lý xây dung và mở rộng ứng dung trong công tác ước lượng CPXD.

Ung dụng công cụ ANFIS trong phan mém MATLAB để giải quyết các bài toán mờ và xây dựng mô hình ước lượng CPXD.

TONG QUAN

Một dự án xây dựng bao gồm rất nhiều van dé cần phải quan tâm và quan lý, trong đó CPXD là một trong những van dé quan trọng nhất trong quan lý dự án và được xác định băng những cách khác nhau trong mỗi giai đoạn của một dự án (Ayed, 1997) Trong đó, dự toán chi phí giai đoạn thiết kế sơ bộ là một yếu tố quan trọng quyết định đến sự thành công trong tương lai của các dự án cơ sở hạ tầng ở giai đoạn đầu trước khi hoàn thành thiết kế chỉ tiết Đây là một quá trình dựa trên kinh nghiệm, trong đó liên quan đến việc tìm ra mối quan hệ phức tạp giữa chi phí và các nhân tố ảnh hưởng của nó (Ahiaga-Dagbui, 2012) Chúng ta có thé thay được tầm quan trọng của việc xác định đúng chi phí trong giai đoạn thiết kế sơ bộ của dự án thông qua hình ảnh 2.1 là như thế nao, ở giai đoạn ban đầu của dự án, đường cong ảnh hưởng đến chi phí năm vị trí rất cao, sau đó giảm dan, điều này chứng tỏ rằng các nhiệm vụ của chúng ta trong giai đoạn đầu mang tầm ảnh hưởng rất lớn đến CPXD sau này Vì vậy việc xác định đúng CPXD trong giai đoạn nảy có ý nghĩa to lớn đến sự đúng đăn của tông mức đầu tư được phê duyệt, bởi vì các chi phí như quản lý dự án, chi phi thâm tra, tư van đều được xác định thông qua CPXD theo một thông số phan trăm theo quy định của nha nước Dự án xây dựng DCT luôn an chứa nhiều rủi ro hơn các dự án thông thường khác, vi đây là dự án thường có nguồn vốn rất lớn và cần rất nhiều nhân công, máy móc, thiết bị, chính vì vậy việc xác định giá trị vốn ban đầu có ý nghĩa quyết định đến thành công của dự án.

CAO Đường cong CAO Ảnh hưởng Ộ Đường cong

Quyhoạch Lậpkếhoạch Thiết kế Thiếtkế Xinphép Thắng thầu Thỉ công cơ sở chỉ tiết

Hình ảnh 2.1 Đường cong ảnh hưởng đến chi phi qua từng giai đoạn phát triển dự án

Dự toán chi phí là yếu tố quan trọng hàng đầu của quá trình ra quyết định đầu tư cho các dự án Từ quan điểm của các nhà cung cấp cơ sở hạ tầng, dự toán chi phí chính xác sẽ cho phép lập ngân sách và vốn hiệu quả cho một dự án Ước tính chi phí ban dau là sẽ luôn gặp khó khăn vì lượng thông tin về dự án hạn chế và có khả năng thay đôi thiết kế nhiều lần và thường được chuẩn bị trong thời gian hạn chế Việc uớc tính CPXD trong giai đoạn ban dau, nghiên cứu khả thi được coi là một nhiệm vụ day khó khan, thách thức đối với các kỹ sư lập dự án, vì việc này diễn ra ở giai đoạn ban đầu của một dự án, thời điểm chỉ có những thông tin hạn chế, thiếu chính xác và nhiều yếu tố ảnh hưởng đến chi phí dự án không rõ ràng, nhất là đối với các dự án xây dựng hạ tang giao thong, ma dac biét hon laDCT Bang những phương pháp hiện tại như sử dung suất dau tu hay dữ liệu dự án tương tự thì nhiễu kỹ sư lập dự án đã chưa đánh giá được tổng quát những nhân tố ảnh hưởng đến CPXD DCT như là: các yếu tố địa hình, địa chất, các đoạn đường gom, các nút giao, CLVC vật liệu đến công trinh Nhiéu nghiên cứu trên thế giới cũng đã được thực hiện để ước lượng sơ bộ CPXD DCT, ví du, trong đó Tares (1998) đã phát triển một mô hình ước lượng CPXD cho các dự án ĐCT bang mang ANN và được xây dựng băng bảng tinh excel sử dung 18 dự án thực tế của các dự án DCT Sodikov (2009) đã thông qua một quá trình nghiên cứu cua ông nham phát triển một phương pháp cho tiễn hành mô hình ước lượng CPXD đường chính xác cho các nước đang phát triển.

2.2 Các nghiên cứu trước đây

2.2.1 Các nghiên cứu ngoài nước

Tarek Hegazy (1998) đã ứng dụng mang ANN dé ước lượng chi phí cho một dự án ĐCT ở Mỹ Theo như kết quả nghiên cứu thì Hegazy đã thu thập dữ liệu từ các dự án xây dựng ĐCT với các giá trị đầu vào như chiều rộng tuyến đường, vị trí xây dựng, chiều đài, các mùa thi công, năm xây dựng, mô hình cho kết quả dự báo khá tốt với sai số 20% so với thực tế [36]

Amr S Ayed (1997) với nghiên cứu có nội dung ước lượng CPXD các dự án đường giao thông bằng mô hình Neural nhân tạo Ông đã đưa ra các giá trị đầu vào của mô hình là: loại dự án như cau, đường hạ tang kỹ thuật, năm xây dung, mùa xây dựng, vị trí, thời gian hoàn thành dự án, điều kiện địa chất Với giá trị đầu ra là CPXD tuyến đường, mô hình dự báo khá tốt.[33]

Kate D Hunter (2014) với đề tài xây dựng mô hình dự toán CPXD trong giai đoạn ban đầu của dự án xây dựng ĐCT ở Hoa Kỳ Tác giả đã chỉ ra các nhân tố chính ảnh hưởng đến xây dựng ĐCT như sau: độ phức tạp của dự án, chiều dài tuyến đường, số lượng cau, số làn xe, điều kiện địa chất Với 45 dự án đã được thu thập làm cơ sở dữ liệu và đầu ra của mô hình là CPXD của tuyến DCT [37]

Sonmez (2009) với nghiên cứu có nội dung phát triển một mô hình tham số cho dự toán chỉ phí hệ thống đường sắt đô thị trong giai đoạn thiết kế ban đầu của dự án Tác giả đã thu thập một bộ dữ liệu gồm 13 dự án đường sắt và tàu điện ngâm ở Thổ Nhĩ Ky và biên soạn để định lượng tac động của các tham số trên chi phi của dự án Xây dựng các mô hình được phát triển bang phân tích hồi quy va kỹ thuật mang neural nhân tạo với 8 biến đầu vào và 1 biến đầu ra là CPXD, mô hình cho kết quả sai số 15% so với thực tế Hai mạng lưới thần kinh được coi là một giải pháp thay thế cho các mô hình hồi quy, đặc biệt là để xác định các mỗi quan hệ phi tuyến tính Hành vi dự đoán và hiệu suất của các mô hình được so sánh để xác định một mô hình thể hiện mối quan hệ đầy đủ và có độ chính xác hợp lý Phương pháp đề xuất cung cấp một cách tiếp cận mạnh mẽ để xác định mô hình chi phí tham số thỏa đáng trong giai đoạn đầu dự án bằng cách kết hop sử dụng phối hợp phân tích hồi quy va kỹ thuật mạng than kinh [38]

Yuanxin Zhang (2017) sử dụng hồi quy LASSO để dự báo chỉ phí hoàn thành các dự án xây dựng DCT Tác giả dé xuất một cách tiếp cận thay thế toán tử co ngót và lựa chọn tối thiểu tuyệt đối (LASSO) đã được chứng minh trong các lĩnh vực nghiên cứu khác tốt hơn đáng ké so với phương pháp OLS ở nhiều khía cạnh, bao gồm lựa chọn tính năng tự động, khả năng xử lý tương quan cao dữ liệu, dễ hiểu va tính 6n định của mô hình, đồng thời khám phá các biến liên quan đến dự án với một số yếu tố kinh tế chưa được sử dụng trong nghiên cứu trước đây.

Dữ liệu thu thập được chia lam 02 nhóm: một nhóm để đào tạo mô hình và nhóm khác cho mục đích xác nhận Sử dụng cùng một bộ dữ liệu, cả LASSO và OLS đã được sử dụng để xây dựng các mô hình và sau đó hiệu suất được đánh giá dựa trên sai số tuyệt đối trung bình, sai số phần trăm trung bình và sai số bình phương trung bình gốc Kết quả cho thay mô hình hồi quy LASSO vượt trội hon mô hình hồi quy OLS dựa trên các tiêu chi.[39]

Nabil Ibrahim (2003) dé xuất mô hình ước lượng CPXD đường bằng SVM.

Tác giả đưa ra 12 nhân tố ảnh hưởng đến mô hình ước lượng chi phí Tổng cộng có 70 trường hợp nghiên cứu từ dữ liệu lịch sử được chia ngẫu nhiên thành ba bộ: tập huấn luyện bao gồm 60 trường hợp, bộ xác nhận chéo bao gồm 03 trường hop và bộ kiểm tra bao gồm 07 trường hợp Mô hình được xây dựng có thể dự đoán thành công chi phí dự án với độ tin cậy là 95%.[40]

Wilmot (2005) với nghiên cứu ứng dụng mạng neural nhân tạo để ước lượng CPXD đường Tác giả đã sử dụng mô hình mang ANN dé dự đoán CPXD DCT trong tương lai, dựa trên các nhân tố CPXD, chi phí vật liệu, nhân công va thiết bị, loại hợp đồng Mục tiêu của nghiên cứu này là phát triển một quy trình ước tính sự leo thang của CPXD ĐCT theo thời gian Một mô hình mạng lưới thần kinh nhân tạo đã được phát triển liên quan đến tong CPXD DCT, được mô tả theo chỉ số CPXD DCT, đến chi phí vật liệu xây dựng, nhân công và thiết bị, đặc điểm của hợp đồng và môi trường hợp đồng phổ biến tại thời điểm đó hợp đồng đã cho.

Kết quả chứng minh rang mô hình có thé tái tạo xu hướng CPXD DCT trong qua khứ ở Louisiana với độ chính xác hợp lý Chi phí đầu vào xây dựng trong tương lai được ước tính từ các dự báo có san trên thị trường về các biến chỉ số liên quan chặt chẽ với giá nhân công xây dựng, thiết bị xây dựng và một bộ vật liệu xây dựng ĐCT Đặc điểm hợp đồng trong tương lai và môi trường hợp đồng có khả năng tôn tại trong tương lai được ước tính từ các xu hướng trong quá khứ hoặc được quy định là phù hợp với các quyết định chính sách trong tương lai Các dự đoán được đưa ra bởi mô hình ước tính răng CPXD DCT 6 Louisiana sẽ tăng gap đôi từ năm 1998 đến 2015 [41]

Mounir El Asmar (2011) đề ra cách tiếp cận mới để xây dựng mô hình ước lượng CPXD DCT Tác giả tập trung vào phương pháp phát triển dé phân tích dữ liệu giá thầu; phân tích 14 tuyến DCT với 77 dự án có CPXD theo giá thầu lớn hơn 830 triệu USD; và sử dụng phương pháp xác nhận chéo để xác nhận tính chính xác của mô hình dự đoán Bang cách sử dụng kỹ thuật loại PERT, CPXD đã được dự đoán chính xác ở giai đoạn sơ bộ trong khoảng 20% [42]

Xishi Huang (2008) đã ứng dụng Neural Fuzzy phát triển mô hình

COMOCO, trên cơ sở dữ liệu kinh nghiệm của các dự án trước đây, mô hình này cho phép ước tính được chi phí của các dự án khác lớn hơn và được ứng dụng trong ước tính chi phí của dự án công nghiệp Tác gia sử dụng các tham số học tập trong mô hình, có ý nghĩa cụ thể và toàn bộ quá trình quyết định là rõ ràng cho người dùng: do đó mô hình này có thé được giải thích và định giá bởi các chuyên gia Một tính năng khác của mô hình là cho phép các giá trị xếp hạng liên tục làm đầu vào và do đó loại bỏ vẫn đề của các dự án tương tự với các ước tính chi phí khác nhau Xác thực bằng dữ liệu công nghiệp cho thấy răng mô hình của chúng tôi có thể rất chính xác ước tính độ chính xác khi so sánh với mô hình COCOMO tiêu chuẩn [43]

Kareem Adel (2016) đã xác định 07 yếu tố có ý nghĩa tác động đến chi phí của các dự án ĐCT Dữ liệu được sử dụng cho phát triển và xác nhận mô hình dựa trên lịch sử cơ sở dữ liệu được thu thập từ 75 dự án ĐCT đã hoàn thành, được xây dựng từ năm 2003 đến 2013 tại Ai Cập Một mô hình mạng lưới thần kinh được thiết kế bao gồm 3 lớp Một lớp dau vào với 7 neural thé hiện các yếu tô chi phí.

Một lớp an được tối ưu hóa bang cách sử dụng thuật toán di truyền bao gồm 26 tế bào thần kinh Một lớp đầu ra bao gồm một neural đại diện cho chi phí của mỗi hồ sơ thu thập dự án DCT.[44]

2.2.2 Các nghiên cứu trong nước.

PHƯƠNG PHÁP NGHIÊN CỨU

Dé tài nghiên cứu: ; Ước lượng chi phí xây dựng đường cao toc ở Việt Nam

Tham khảo các nghiên aam khảo c: ề Các nhân tô ảnh hưởng chính cứu trước, các chuyên _ đên chi phí xây dựng đường gia trong nước, các cơ Ì cao tốc quan quản lý, đầu tư đường cao tôc VEC, CIPM, Bộ GTVT

Thu thập dữ liệu chi phí các gói thâu xây dựng đường cao tôc v

Xây dựng mô hinh ước lượng băng Adaptive Neuro-Fuzzy

Viết chương trình ứng dụng ước lượng chi phí, kêt hợp FIS va GUI trên MATLAB

Kết luận va kiến nghị

Hình ảnh 3.1 Quy trình nghiên cứu

3.2 Xác định các nhân tố anh hưởng Đề xác định các nhân tố ảnh hưởng đến CPXD DCT, trước tiên chúng ta cần phải xem xét các dự án ĐCT có gì khác so với các dự án xây dựng khác, cụ thể như

- Tinh chất trải dài theo tuyến, ảnh hưởng đến toàn bộ quá trình đầu tư xây dựng dự án, không chỉ trong giai đoạn ban đầu của dự án mà còn trong suốt quá trình khai thác công trình;

- Cac tuyến cao tốc đều đi qua nhiều vùng địa hình, địa chất khác nhau, khó khăn trong công tác khảo sát địa hình, thiết kế, thi công;

- Cac dự án DCT thường gây ra tinh trạng chia cắt các vùng dân cư ma nó đi qua, gây khó khăn cho giao thông địa phương, giao thông dân sinh, vì vậy các dự án cao tốc thường phải tốn thêm rất nhiều chi phí để xây dung các ham chui dân sinh, các tuyến đường gom, các nút giao khác mức

- Cac dự án DCT đòi hỏi vốn đầu tư rất lớn và tình trạng thiếu vốn diễn ra thường xuyên, gây đình trệ dự án. Đề xây dựng mô hình ước lượng CPXD nói chung và DCT nói riêng chúng ta cần phải xem xét thông qua hàng loạt các nghiên cứu trước đây, cả trong và ngoài nước Cũng như tham khảo các ý kiến các chuyên gia có nhiều năm hoạt động trong ngành xây dựng DCT, các chuyên gia ở các ban quan ly dự án chuyên ngành PMU7,

PMUS5, Tổng công ty ĐTPT & QLDA Ha Tang Giao thông Cửu Long (CIPM), Tổng công ty Dau tu phát triển DCT Việt Nam (VEC), Cục Quản lý xây dựng va chất lượng công trình giao thông thuộc Bộ Giao Thông Vận Tải Sau khi tổng hợp từ nhiều nguồn, tác giả xác định được 14 nhân tố theo bảng dưới đây :

Bảng 3.1 Các nhân lô ảnh hưởng

STT NHÂN TO ANH HUONG

| Chiêu dài tuyến 2 Số làn xe

3 Chiều dài phần cầu 4 Chiều dài phần hầm 5 Số lượng hầm chui dân sinh 6 Số lượng nút giao

7 Điều kiện địa hình (đầm lầy, đồng bang, đồi núi, núi) 8 Điều kiện địa chất (yếu, tương đối, tốt, rất tốt)

9 Số lượng công hộp thoát nước ngang 10 Số lượng cống tròn thoát nước ngang 11 CLVC vat liệu đắp từ mỏ đến công trình 12_ CLVC vat liệu đá các loại từ mỏ đến công trình 13 CLVC vật liệu cát bê tông từ mỏ đến công trình 14 Chiều dài đường gom

Các nhân tố trên được tổng hop đưa vào bảng khảo sát Sau khi gửi bảng khảo sát đến 05 chuyên gia có nhiều năm công tác trong các dự án ĐCT, đây là những cán bộ có nhiều năm kinh nghiệm thi công, quản lý dự án xây dựng ĐCT ở Việt Nam, sau khi tham khảo ý kiến, tat cả đều thống nhất đưa các nhân tố trên vào bước thu thập dữ liệu.

3.3 Qúa trình thu thập dữ liệu

3.3.1 Bang thu thập dữ liệu Ở phân trên tác giả đã tiễn hành tìm ra 14 nhân tô ảnh hưởng chính đến CPXD DCT ở Việt Nam, sau khi đã tìm ra các nhân tố, chúng ta tiến hành xây dựng bang thu thập dữ liệu, xác định đơn vị do của các nhân t6 để việc thu thập dữ liệu được thuận tiện và chính xác.

Bang 3.2 Bang thu thập dữ liệu số 1

STT NHÂN TO ANH HUONG THU NGUYEN 1 Chiéu dải tuyến Km

2 S6 lan xe Số nguyên3 _ Chiều dài phan cầu Km4 Chiều dai phan ham Km5 _ Số lượng hầm chui dân sinh Số nguyên6 Số lượng nút giao Số nguyên7 Điều kiện địa hình (đầm lay, đồng bằng, đôi núi, núi) Không thứ nguyên8 Điều kiện địa chất ( yếu, tương đối, tốt, rất tốt) Không thứ nguyên9 Số lượng công hộp thoát nước ngang Số nguyên10 Số lượng cống tròn thoát nước ngang Số nguyênI1 CLVC vật liệu dap từ mỏ đến công trình Km12_ CLVC vật liệu đá các loại từ mỏ đến công trình Km13 CLVC vật liệu cát bê tông từ mỏ đến công trình Km14 Chiều dài đường gom Km

Bang 3.3 Bảng thu thập dit liệu số 2

STT TÊN HẠNG MỤC THỨ NGUYÊN 1 CPXD của gói thau/ dự án Ty VND 2 Nam xác định chi phí Số nguyên

3.3.2 Phương pháp thu thập và xw lý dữ liệu

Dữ liệu được sử dụng trong phương pháp nghiên cứu được thu thập từ các gói thầu, dự án đã thi công, đang thi công hoặc đã có thiết kế, có các số liệu vẻ thiết kế và dự toán Kết quả sau khi nhận được từ bảng khảo sát sẽ dùng làm bộ dữ liệu cho việc xây dựng mô hình ước lượng Số gói thầu thu thập được đánh số mã hiệu theo thứ tự từ 1 đến 55 Các đữ liệu của gói thầu, dự án được tong hợp từ các hồ sơ sau: e Các quyết định phê duyệt Thiết kế kỹ thuật các gói thầu; e Các quyết định phê duyệt Dự toán CPXD các gói thầu: e Các quyết định phê duyệt kết qua đấu thầu; e© Hồ sơ thuyết minh, bản vẽ, thuyết minh dự toán các gói thầu:

Số liệu các công trình được thu thập trong khoảng thời gian từ 2008 đến 2014 nên các yếu tô giá vật tư, nhân công, nhiên liệu và CPXD công trình cũng thay đối theo thời gian Dé xây dựng mô hình ước lượng được CPXD DCT có thời gian khác thời gian các công trình thu thập dữ liệu cần phải loại trừ các yếu tố biến động như giá vật liệu,nhân công, giá xây dựng theo thời gian Vì vậy ta phải quy đổi CPXD về cùng năm2010 theo chỉ số giá xây dựng Các chỉ số giá xây dựng sé được lay theo công bố chi số giá xây dựng của Sở Xây Dựng các tỉnh, thành phố tùy theo địa phương, nơi xây dựng công trình và sẽ được lẫy theo năm gốc là năm 2010. Đối với các dự án được thu thập dữ liệu từ hồ sơ dự toán ở giai đoạn Thiết kế kỹ thuật hoàn chỉnh, chi phí sẽ được quy đổi về thời điểm quyết toán công trình, dựa trên những dữ liệu quá khứ một số dự án mà tác giả đã thu thập được, lấy giá trị trung bình chênh lệch chi phí giữa giá tri dự toán giai đoạn TKKT và giá tri quyết toán là 12%, vậy thì giá trị quyết toán = giá trị dự toán* 1.12

Các thông tin địa hình, địa chất sẽ được quy định để đưa vào mô hình như sau :

- _ Địa hình : dam lay, dong bằng, đổi núi, nui tương ứng với các giá trị 1,2,3,4- Dia chất: rdt yếu, yếu, tương đối, tốt tương ứng với các giá trị 1,2,3,4

Ty VND Ty VND Ty Km Km Km Km Km Km Km

Bang 3.3 Tổng hop dit liệu các gói thâu, dự án thu thập được

3.4 Sứ dụng ANFIS để xây dựng mô hình.

Mang neural sẽ xây dựng các quá trình học để hệ thống mờ được học tu tập dữ liệu đầu vào, từ đó sẽ khởi tạo một hệ thống các hàm membership funtion, cho phép hé thong nay khởi tao các suy luận mờ Bộ dữ liệu đầu vào được đưa vào mô hình dưới dạng ma trận với các dữ liệu đã được chuẩn hóa, để tăng hiệu suất đào tạo của mô hình Thông qua các quá trình học của mạng neural, các thông tin mờ sẽ được điều chỉnh liên tục qua mỗi lần học của mạng, mạng sẽ dừng lại khi đã đạt đến sai số băng không hoặc đủ số lần học theo điều chỉnh của người sử dụng Trong khi Mamdani FIS sử dụng kỹ thuật làm mờ đầu ra mờ, Sugeno FIS sử dụng trung bình có trọng số dé tính toán dau ra rõ nét Trong thực tế, cấu trúc hệ thống suy luận mờ thích nghi bao gồm một cau trúc như một cau trúc mang, có khả năng học tập thần kinh của các hệ thống mờ loại Sugeno Mạng này được tạo thành từ sự kết hợp của các nút, được đặt dưới dạng các lớp dé thực hiện các chức năng cụ thé.

-# Neuro-Fuzzy Designer: Untitled {com ||| fama]

[ Loaddata ———IƑE Generate FIS ~~] [_ Train FIS —~1f_ Test FIS ơ

Type: From: Optim Method: ®) Training Load from file hybrid + || Plot against:

Tan: ©' file Load from worksp Error Tolerance: @' Training data ©) Grid partii jo Testing data Checking worksp Pere Epochs: '

Load Data | Clear Data | Generate FIS Train Te

Hình ảnh 3.2 Công cu ANFIS trong MATLAB

Các tinh năng ưu việt của ANFIS bao gồm triển khai dé dang, học nhanh va chính xác, khả năng khái quát hóa mạnh mẽ, phương tiện giải thích tuyệt vời thông qua các quy tắc mờ và dễ dàng kết hợp cả kiến thức ngôn ngữ và số để giải quyết van đề Các mô hình ANFIS gan đây đã trở nên phố biến không chỉ để hiệu chỉnh các mối quan hệ phi tuyến tính bởi vì chúng mang lại nhiều lợi thế hơn so với các kỹ thuật mô hình thông thường, bao gồm khả năng xử lý một lượng lớn dữ liệu nhiễu từ các hệ thống động và phi tuyến tính, đặc biệt là các mối quan hệ vật lý cơ bản không được hiểu đây đủ, mà còn để giải các hệ thống tuyến tính bao gồm mô hình nội suy như chuỗi thời gian Về các nghiên cứu trước cho thấy rất nhiều phương pháp ANFIS và FIS đã được dé xuất dé xác định độ không đảm bảo của nhận dạng mẫu, so khớp hình ảnh và nghiên cứu định nghĩa ba chiều trong các ứng dụng thị giác máy tính.

BB) Membership Function Editor: Untitled — oO x

FIS Variables Membership function plots Plot points: 181 input variable "in1”

Current Variable Current Membership Function (click on MF to select)

Name int Name in1cluster1

Display Range [0 1] Help Close Ready

XÂY DỰNG MÔ HINH

4.1 Mô hình ước lượng CPXD DCT.

Trong chương này, chúng ta sẽ sử dụng hàm ANFIS trong phần mém Matlab để xây dựng mô hình ước lượng CPXD DCT Dữ liệu sau khi thu thập được từ 5Š gói thầu tại các dự án, sẽ được chia ngẫu nhiên ra làm hai nhóm, nhóm 1 để huấn luyện mô hình với 47 gói thầu, nhóm 2 sẽ được sử dụng để xác nhận mô hình với 8 gói thầu Chúng ta sẽ tiến hành đưa bộ dữ liệu vào mô hình để thực hiện quá trình huấn luyện và trước khi được đưa vào mô hình, dữ liệu sẽ được chuẩn hóa để cải thiện hiệu suất của mô hình Sau khi chuẩn hóa, dữ liệu được đưa vào mô hình thông qua các ma trận, sau đó thông qua quá trình huấn luyện với sai số gần băng 0 và được điều chỉnh các tham số mờ thông qua công cụ Sub.Cluster, chúng ta sẽ tạo được vô số mô hình ANFIS thông qua mỗi lần huấn luyện Vậy làm thế nao để có thể biết được mô hình nào là tốt nhất? Đó là lúc cần phải sử dụng nhóm dữ liệu thứ 2 gồm 8 gói thầu để xác nhận lại độ tin cay của mô hình, mô hình nao có sai số nhỏ nhất trong các mô hình tạo ra sẽ được sử dụng để viết chương trình ứng dụng Và sai số của mô hình so với bộ dữ liệu xác nhận nên nhỏ hơn 10% thì có thể chấp nhận được, vì theo kinh nghiệm của tác giả thông qua các dự án đã đưa vào sử dụng thì sự chênh lệch chi phí thông thường là từ 30- 40 %, chính vì vậy sai số nhỏ hơn10% được tác giả đánh giá là khá tốt.

Tông hợp dữ liệu dau vào và dau ra, dựa trên dữ liệu thu thập được

Phân ving đữ liệu băng phương pháp phân cụm trừ mờ

Xác định thông sô việc học

Tối ưu hóa các thông số mô hình FIS thông qua quá trinh hoc

Kiểm định mô hình từ đữ liệu kiểm tra

Hình anh 4.1 Quy trình tạo mô hình ANFIS.

4.2 Xử lý bộ dữ liệu cho mô hình

Tiến hành lựa chọn ngẫu nhiên và chia tập dữ liệu ra làm 02 nhóm: e Nhém 1: Gồm có 47 gói thầu chiếm 85.5%, dùng để xây dựng và huấn luyện mạng (training). e Nớm 2: Gồm có 08 gói thầu chiếm 14.5%, để kiểm tra (testing) trong quá trình huấn luyện và đánh giá mô hình.

1 | Chiêu dài tuyến Không sử dụng 2 | Số làn xe input]

Bộ dữ liệu sẽ được chuẩn hóa trước khi được đưa vào mô hình, chuẩn hóa dữ liệu được sử dụng để chuyển đổi thành phân phối đối xứng giúp cải thiện hiệu suất của mô hình, đáp ứng đầy đủ hơn các giả định của suy luận thống kê và tuân theo các biến đối của biến (Ghassemzadeh et al 2013) Dữ liệu được chuẩn hóa băng công thức sau (Kalkhaheh et al 2012):

Xtnax~Xmin ® Xnorm là giá trị chuẩn hóa e x là giá trị thực của dữ liệu © Xmin là giá trị nhỏ nhất ® X„„„ là giá trị lớn nhất Một số ưu điểm của việc chuẩn hóa đữ liệu trước khi được đưa vào mô hình ANFIS đó là tránh được việc một số biến đầu vào có phạm vi số lớn hơn những biến đầu vào có phạm vi dữ liệu nhỏ Thứ hai là để tránh sự khác biệt về số trong quá trình tính toán (Mittal et al 2012) Với dữ liệu được chuẩn hóa, di liệu sẽ được thu nhỏ để chúng nam trong phạm vi được chỉ định trước, chăng hạn như [0.1] (Mitsa 2010) Trong nay nghiên cứu quá trình mô hình hóa, tất cả các giá trị dữ liệu được thu nhỏ lại phạm vi từ 0 đến 1 băng phương trình (*).

Bang 3.5 Bảng dữ liệu sau khi được chuẩn hóa

4.3 Tạo mồ hình ANFIS trong Matlab.

Dé tạo mô hình anfis trong Matlab, chúng ta cần phải nắm rõ các dòng lệnh cơ bản để gọi chương trình ứng dụng Có rất nhiều cách để mở ứng dụng, có thé dùng lệnh có sẵn hoặc code tự viết Tập dữ liệu được sử dụng làm đầu vào cho hàm ANFIS phải ở trong một dạng ma trận, trong đó cột cuối cùng trong ma trận là đầu ra, và ma trận chứa bao nhiêu cột cần thiết để biểu diễn các đầu vào cho hệ thống Các hàng đại diện cho tất cả các dữ liệu hiện có tình huống và khi các hàm thành viên ban đầu được tạo, hệ thống bắt đầu đào tạo Khi quá trình đào tạo kết thúc hàm thành viên cuối cùng và lỗi đào tao từ mô hình được tạo ra Sau khi dao tạo hệ thống hoan tat, mô hình cung cấp một phương pháp để nghiên cứu và đánh giá hệ thống hiệu suất bang cách sử dụng chức nang evalfis Được dao tao, chung ta có thể kiểm tra hệ thống dựa trên các bộ dữ liệu khác nhau các giá trị để kiểm tra chức năng của hệ thông được đề xuất.

Trình tự các bước tao mô hình như sau : e Dua dữ liệu đã được chuẩn hóa vào MATLAB, dif liệu được chia làm 2 file trong excel, Train.xlsx và Testing.xlsx tại cửa số Command window gõ lệnh: a=xIsread('Train.xlsx') b=xlsread('Testing.xlsx') e Khởi tao công cu ANFIS editor bang lệnh anfisedit

BH Anfis Editor: Untitled — Oo x

[—— Loaddata ——][— GenerateFIS ——])[— TrainFIS —][— TestFS — Type: From: Optim Method: © Training CO Load from file hybrid ~ || | Plot against:

OC) Testing (®) file © Load from worksp Error Tolerance: (®) Training data

Hình ảnh 4.2 Cửa số huấn luyện Anfis editor e Tai dữ liệu Training và Checking vào mô hình Bộ dữ liệu đầu vào được chuẩn hóa và lưu file dưới dang excel Bộ dữ liệu Training được sử dụng để mạng neural học từ bộ dữ liệu này, sau đó khởi tạo các mô hình mờ ban dau, sau đó thông qua quá trình huấn luyện của mang, các thông số của mô hình mờ sẽ được điều chỉnh qua mỗi lần huấn luyện với sai số giảm dan đến 0 sau nhiêu lân huân luyện.

By Anfis Editor: Untitled — im x

Hình anh 4.3 Tai dữ liệu Training vào Anfis editor e ước đầu tiên là chuẩn bi dữ liệu đào tạo dé làm việc với ANFIS, tập dữ liệu được sử dụng làm đầu vào cho hàm anfis phải ở dạng ma trận, trong đó cột cuối cùng trong ma trận là đầu ra và ma trận chứa cảng nhiều cột cần thiết dé biểu diễn các đầu vào cho hệ thống Các hàng đại diện cho tất cả các tình huông đữ liệu hiện có.

IN Anfis Editor: Untitled — oO x

Hình anh 4.4 Tai dit liệu Testing vào Anfis editor e Chon cac thong số ban đầu cho ANFIS và khởi tao mô hình mờ cho bộ dữ liệu lần đầu tiên băng công cụ Generate FIS Thông thường ANFIS sẽ để mặc định sử dung Grid partition, được mặc định sử dụng cho các trường hợp số lượng input khá ít Phân vùng lưới phân chia không gian dữ liệu thành các không gian con hình chữ nhật được gọi là lưới grids dựa trên số lượng chức năng thành viên và các loại của họ Việc sử dụng phân vùng lưới trong bất kỳ ứng dụng nào, bị hạn chế Số lượng quy tắc mờ tăng theo cấp số nhân, khi số lượng biến đầu vào tăng Ví dụ: nếu có m hàm thành viên cho mỗi biến đầu vào và tổng số n biến đầu vào cho van dé, thì tong số quy tac mờ cần thiết là m" Do đó, phân vùng lưới chỉ phù hợp cho các ứng dụng có số lượng nhỏ các biến đầu vào thường dưới 6 Các mô hình phân vùng lưới có thể chạy chính xác với một số lượng chức năng thành viên ít Điều này đòi hỏi ít thời gian mô phỏng Phương pháp phân vùng lưới đạt được lỗi giá trỊ thấp bang cach su dung mot số hàm thành viên Mat khác, chức năng phân cụm Subtractive tạo ra giá tri đầu ra chính xác bang cách su dụng một số lượng lớn các hàm thành viên Điều nay đòi hỏi nhiều thời gian mô phỏng hơn Vi vậy, nó là hợp lý dé áp dung phân vùng lưới dé tạo cấu trúc FIS e Tuy nhiên trong nghiên cứu này, chúng ta có đến 13 biến đầu vào, nếu sử dụng Grid partion, giả sử mỗi biến sẽ có 3 hàm phụ thuộc mfl, mf2, mf3 thé thì số luật mờ được tạo ra sẽ là 3! 94323 luật, số lượng luật mờ tao ra quá lớn, vượt quá khả năng xử lý của máy tính thông thường Vì vậy trong nghiên cứu này, phương pháp Subtractive clustering sẽ được sử dụng dé khởi tạo các hàm liên thuộc, các luật mờ giữa các biến đầu vào và đầu ra.

Trong phương pháp Sub Clustering chúng ta có 04 thông số cần phải điều chỉnh (Aydin et all,2006), ý nghĩa của chúng như sau : o Phạm vi ảnh hưởng: cho biết phạm vi bán kính của một cụm, khi không gian dữ liệu được coi là một khối dữ liệu Các giá trị được chap nhận cho bán kính thường năm trong khoảng 0,2 - 0,5 Bán kính nhỏ thường sẽ mang lại nhiều cụm nhỏ trong dữ liệu, dẫn đến nhiều luật mờ và ngược lại Nếu cùng một giá trị được áp dụng cho tất cả các kích thước dữ liệu, mỗi trung tâm cụm sẽ có một vùng ảnh hưởng hình cầu với bán kính cho trước. o Hệ số bán kính: Hệ số squash là tỉ số bán kính vùng lân cận và phạm vi ảnh hưởng, dé tránh khoảng cách gần nhau giữa các cụm ta nên đặt giá tri bán kính xác định vùng lân cận cao hon bán kính của cụm, do đó hệ số squash sẽ luôn lớn hơn 1 Nếu giá trị squash tăng lên sẽ làm giảm số lượng luật mờ. o Hệ số chấp nhận: tiềm năng của trung tâm cụm đầu tiên ở trên một điểm dữ liệu khác sẽ được chấp nhận là một trung tâm cụm Gia tri cao được dùng dé chấp nhận dữ liệu các điểm có tiềm năng cao để trở thành trung tâm cụm. o Hệ số loại trừ: tiềm năng của trung tâm cụm đầu tiên bên dưới một điểm dữ liệu sẽ bị từ chối được xem như là một trung tâm cum Gia tri cao, chang han nhu 0,7 duoc su dung dé từ chối tất cả điểm dữ liệu mà không có tiêm năng cao. Đây là bước đầu tiên để trích xuất mô hình mờ ban đầu băng cách phân cụm trừ, kỹ thuật này là áp dụng cho các cặp dữ liệu đầu vào đầu vào, được lay từ hệ thống sẽ được mô hình hóa Các kỹ thuật ước tính cụm giúp định vị các trung tâm cụm của các cặp dữ liệu đầu vào đầu vào.

Bước này sẽ lần lượt giúp xác định các quy tắc năm rải rác trong không gian đầu ra đầu vào, vì mỗi cụm trung tâm là một dau hiệu của sự hiện diện của một quy tắc Ngoài ra, nó cũng giúp xác định các giá trị của các tham số tiền dé Điều này rất quan trọng vì một giá trị ban đầu, rất gần với cuối cùng gia tri, cudi cùng sẽ dan đến sự hội tụ nhanh chóng của mô hình hướng tới giá trị cuối cùng của nó trong quá trình buổi đào tao với mạng lưới thân kinh Trong kỹ thuật phân cụm này tiềm năng của tất cả các đầu ra đầu vào các điểm dữ liệu được tính như các hàm của khoảng cách của chúng từ tất cả các điểm dữ liệu khác Các điểm có tiềm năng trên một giá trỊ đặt trước nhất định được coi là trung tâm cụm.

Sau cụm các trung tâm được xác định mô hình mờ ban đầu có thể được trích xuất sau đó vì các trung tâm cũng sẽ đưa ra một dấu hiệu về số lượng các biến ngôn ngữ Phương pháp ước tính cụm để xác định số lượng quy tắc và tham số quy tắc ban đầu.

Testing Data ( ) — ANFIS Info — 1 o Oo

$ Range of influence: # of input mfs:

08, , - +, One ; [ono Accept ratio: ` Structure 1.25

——— Loaddata ——— Reiect ratio: rs re —

Type: From: *5 Method: © Training : cance! | Y | | Plot against:

O Testing O file Dlerance: © Training data

: CO Grid partition sd CO Testing data

Hình anh 4.5 Tạo FIS bằng phương pháp phân cum trừ e Quá trình thiết lập mô hình Sugeno ANFIS được thực hiện với 13 biến đầu vào, 01 đầu ra với 39 hàm thành viên được tạo ra sau nhiều lần điều chỉnh băng phương pháp phân cụm trừ mờ để tìm được mô hình ước lượng tốt nhất, loại ham để mô tả ham thành viên được su dụng ở đây là hàm Gaussian Chúng ta có thể xem cấu trúc mẫu FIS ban đầu được tạo băng cách nhân vao nút Structure, chúng ta có thé dé dang thay được cau trúc của mô hình với 13 biến đầu vào và có 05 lớp neural, giống với cơ sở lý thuyết của hệ neural mờ.

| Cick on each node to see detaied information | |

Hình ảnh 4.6 Cau trúc của hệ thong neural - mờ Cau trúc của hệ thông đang được mô hình hóa được coi là mô hình cuối cùng với sai số là tối thiểu Các tham số hệ quả của mô hình mờ ban đầu được cập nhật bang cách sử dụng thuật toán ước lượng bình phương tối thiểu (LSE) Tương tự, các quy tắc thu được từ phân cụm hoặc phương pháp dựa trên phân vùng lưới được cập nhật bởi mạng neural sử dụng phương pháp học lan truyền ngược với thuật toán giảm độ dốc Cập nhật này dẫn đến việc tối ưu hóa tham số tiền đề của các hàm thành viên mờ để đưa ra mô hình mờ cuối cùng Thông qua quá trình huấn luyện, các sai số huan luyện sẽ được giảm dần qua mỗi lần học Các hàm thành viên của mô hình mờ cũng sẽ được điều chỉnh thông qua mỗi lần huấn luyện, các thông số được điều chỉnh như là : số lượng hàm mờ trong mỗi biến, vị trí của hàm, và hàm loại hình như thê nào

BB) Anfis Editor: Untitled — oO x

File Edit View x10° Training Error — ANFISinfo — 14,

[—— Loaddaa ———][— GenerateFIS —][— TrainFIS —][— TestFiS — Type: From: Optim Method: © Training © Load from file hybrid v | | Plot against:

O Testi O file © Load from worksp Error Tolerance: @ Training data esting 0

O Checking @) worksp O era Epochs: © Testing data

O Demo @ Sub clustering 40 O Checking data Load Data | Clear Data | Generate FIS | Test Now

KET LUẬN VÀ KIEN NGHỊ

Việt Nam hiện nay đang là một trong những quốc gia có tốc độ tăng trưởng kinh tế cao nhất thé giới, là điểm đến hap dẫn cho các nha đầu tư nước ngoài Theo như dự báo thì sắp tới Việt Nam sẽ được mệnh danh là công xưởng của thế 2101, chinh vi vay chung ta can phải có sự chuẩn bị tốt cho sự phát triển của nên kinh tế trong tương lai Một trong những yếu tố quan trọng hàng đầu đó là phát triển cơ sở hạ tang, trong đó dau tu xây dung, quản ly DCT là nhiệm vu cấp bách Bên cạnh các công tác xây dựng, quản lý, công tác lập dự án đầu tư các tuyến cao tốc là khâu hết sức quan trong, bên cạnh các yếu tô về lựa chon hướng tuyến, dự báo nhu cầu giao thong, phân tích tính khả thi kinh tế thì việc xác định CPXD của dự án trong giai đoạn chuẩn bị đầu tư cũng quan trọng không kém Bởi vì CPXD của dự án là thành phân chính của tổng mức đầu tư dự án, việc xác định đúng CPXD có ý nghĩa quyết định đến các công tác phê duyệt tong mức đầu tư, tính toán các chi phí khác như chi phí tư van, chi phí quản lý dự án ký kết nguồn vốn vay hoặc bố trí nguồn vốn nhà nước phù hợp Chính vì điều đó, tác giả đã xây dựng một mô hình ước lượng CPXD DCT ở Việt Nam, dựa trên 13 nhân t6 ảnh hưởng chính đến CPXDDCT đã được tìm thay thông qua các nghiên cứu trước đó, chính kinh nghiệm của tác giả và phỏng vẫn những chuyên gia về hạ tầng giao thông, những người đã có nhiều năm kinh nghiệm trong thi công quản lý dự án ĐCT Hiện nay các đơn vị tư van lập dự án DCT thường sử dung các phương pháp ước lượng chi phí ban đầu quen thuộc như là sử dụng suất đầu tư mà Bộ Xây Dựng ban hành hoặc sử dụng các dự án tương tự đã hoàn thành Tuy nhiên tác giả nhận thấy răng cả hai cách làm trên đều thiếu sự chính xác rất lớn, dễ dẫn đến những sai lệch đáng kể Nếu sử dung theo suất dau tư thì chúng ta chưa đánh giá được các nhân tố ảnh hưởng đáng kể đến chi phí như là điều kiện địa hình, dia chất, các CLVC vật liệu, các nút giao được xây dựng hay chiều dài các tuyến đường gom chính vì vậy kết quả khó có độ chính xác cao Nếu sử dụng theo các dự án tương tự cũng rất khó, vì bản chất các dự án xây dựng ĐCTT có tính trải dài theo tuyến, qua nhiều vùng địa hình, địa chất, việc xác định dự án như thế nảo là tương tự là rất khó và không thuyết phục Chính vì vậy, tác giả thay rang sử dụng mô hình ước lượng chi phí trên giúp các don vị tư van lập dự án có công cụ đánh giá tong quan và chính xác dự án, đưa ra giá trị CPXD gần với chỉ phí thực tế nhất.

Không giống như các mạng thần kinh sinh học, các mạng thần kinh nhân tạo thể hiện nỗ lực mô hình hóa bộ não con người thông qua điện toán hiện đại.

Chúng bao gồm một số yếu tố quá trình, hoặc nhân tạo tế bào thần kinh, tương tự như não, trong đó các yếu tố cơ bản là tế bảo thần kinh Tính năng cơ bản của chúng là khả năng học hỏi, điều đó có nghĩa là cần thiết trước tiên dao tao mạng để thực hiện hiệu quả các nhiệm vụ như nhận dạng hình dạng, hình ảnh, lời nói, chức năng xấp xỉ, dự đoán, tối ưu hóa, phân cụm đữ liệu, xử lý dữ liệu không chính xác và không day du Theo đó, nhiệm vu co ban của mang neural nhân tao là két hop các đầu vào khác nhau va xử lý và chuyén tiếp tín hiệu đến một hoặc nhiều dau ra.

Các công nghệ mờ cho phép máy tính làm việc với sự không chắc chăn, do đó đạt được sự tương đồng với cách suy nghĩ của con người Logic mờ là một phần mở rộng cua logic cô điên trong đó các biên chỉ có thê có hai giá tri: đúng và không chính xác Theo cách nay, các bién có thể chiếm bat kỳ giá trị thực nào từ 0 đến 1.

Các tập mờ là các yếu t6 cơ bản dé trình bày và xử lý không rõ ràng những điều và sự không chắc chắn trong logic mờ, va chúng được trình bày một cách toán học bởi tư cách thành viên chức năng Hệ thống suy luận trong logic mờ ngụ ý các hàm thành viên được xác định của cá nhân các biến và quy tắc suy luận, kết nỗi các bién đầu vào với một suy luận; chúng được gọi là quy tắc néu- thì Các hệ thống tích hợp các nguyên tac của mang neural nhân tao và logic mờ được gọi là hệ thống thần kinh mờ Hệ thống sử dụng khả năng học tập của các mạng thần kinh nhân tạo dựa trên dữ liệu đào tao dé thích ứng các hình thức của chức năng mờ thành viên và suy luận quy tắc mờ Theo cách này, trong một hệ thống, những lợi thế của suy luận logic và huấn luyện được kết hợp Một trong những các hệ thống mang neural nhân tạo mờ thường được su dụng la ANFIS ANFIS là một mạng lưới thần kinh đa lớp, dựa trên dữ liệu để đảo tạo, cung cấp một số nhất định gia tri của một biến đầu ra cho các đầu vào nhất định Một tính năng quan trọng là ANFIS có thể hiệu quả mô hình kết nối phi tuyến của đầu vào và đầu ra Mô hình được đảo tạo dựa trên ứng dụng của một thuật toán lan truyền lỗi lạc hậu, một mình hoặc kết hợp với phương pháp lỗi bình phương nhỏ nhất.

Trong nghiên cứu này, tác giả đã xây dựng mô hình tính toán đưa vào 13 nhân tố ảnh hưởng đến CPXD DCT ở Việt Nam, thông qua khảo sát ý kiến các chuyên gia và tác giả đã thu thập dữ liệu cho mô hình từ 55 gói thầu đã được xây dựng và đưa vào sử dụng Các gói thầu trên đã được thu thập tại các dự án trên khắp cả nước, từ các tỉnh miễn núi phía bac cho đến các tỉnh miền đồng bằng sôngCửu Long Thông tin từ bộ dữ liệu sẽ được thu thập dựa trên các nhân tố ảnh hưởng đến CPXD DCT đã được xác định trước đó Đối với các dự án được thu thập từ hồ sơ dự toán sẽ được quy đổi sang giá trị CPXD giai đoạn quyết toán bằng hệ số quy đối dựa trên kinh nghiệm của tác giả thông qua tham khảo các dự án đã đưa vào sử dụng Tác giả đã sử dụng mang neural mờ trong cau trúc ANFIS của công cu Fuzzy logic toolbox, MATLAB R2010b với các hàm thành viên là ham Gaussian va sử dụng thuật toán lan truyền ngược và phân cụm dữ liệu trừ để tạo ra các mô hình ANFIS tối ưu Dữ liệu trước khi đưa vào mô hình đã được chuẩn hóa theo tỉ lệ [0,1] để tăng hiệu suất dao tạo cho mô hình Sau nhiều lần huấn luyện dé đạt đến sai số rất nhỏ gần như bằng không và điều chỉnh các hệ số của công cụ Sub.Cluster để cho sai số của bộ dữ liệu xác nhận mô hình là nhỏ nhất Sau nhiều lần điều chỉnh và tìm được kết quả tốt nhất là 0.097 (sai số mô hình là 9,7%) và chấp nhận sử dụng mô hình Từ kết quả tính toán mô hình, một ứng dụng GUI được viết ra dé dễ dàng sử dụng và sé là công cụ hữu ích cho các đơn vi tư van thiết ké, chủ đầu tư, cơ quan quản ly trong việc ước lượng CPXD DCT ở giai đoạn nghiên cứu kha thi, chưa có nhiều thông tin chính xác, chưa có thiết kế chỉ tiết.

5.2 Kiến nghị và hướng phát triển đề tài.

Tác giả nhận thấy răng kết quả mô hình tùy thuộc rất nhiều vào dữ liệu thu thập được, dữ liệu phải bao trùm, đủ độ lớn Hiện tại nước ta chỉ mới xây dựng được khoảng 800km DCT, một con số rất nhỏ so với tong chiéu dai du kién dén nam2030 là 7000km Chính vi vậy việc thu thập dữ liệu đã gặp rat nhiễu khó khăn, một phan vì số lượng dự án xây dựng DCT hiện tại chưa nhiều, va cũng vì đây đều là những dự án lớn, thuộc quản lý của các cơ quan nhà nước nên việc thu thập dữ liệu là không dễ.

Chính vì vậy, tác giả đề nghị hướng phát triển tiếp theo của đề tải là:

= Tăng thêm dữ liệu tập mau, cập nhật thêm các dự án xây dựng DCT đang được triển khai trong những năm tới Một số dự án đang được triển khai hiện nay và cần được cập nhật sau khi hoàn thành như là : cao tốc Trung Lương — Mỹ Thuận dự kiến hoàn thành năm 2020, cao tốc Bến Lức — Long Thành dự kiến hoàn thành năm 2021, cao tốc Lộ Tẻ- Rach Soi dự kiến hoàn thành năm

= Bồ sung, xây dựng mô hình dự báo, đánh giá rủi ro về chậm tiễn độ và vượt

" Dự báo chi phi, tiến độ các hạng mục khác của dự án ĐCT như : cầu dây văng, hầm xuyên núi, cầu vượt biên những hạng mục có cấu trúc phức tap khác.

Quy hoạch Tổng thể Đường bộ cao tốc Bắc-Nam, 2010 VITRANSS2:

Nghị quyết số 52/2017/QH2014 Về chủ trương dau tư Dự án xây dựng một số đoạn đường bộ cao tốc trên tuyển Bắc- Nam phía đông giai đoạn 2017-2020;

Ks Nguyễn Mạnh Hà, Hiện trạng và tương lai phát triển hệ thông ĐCT Việt Nam, Tổng công ty TVTK-GTVT (TEDI):

Quyết định số 1291/QD-BXD, Công bố suất vốn đầu tu xây dung công trình và giá xây dựng tông hợp bộ phận kết cấu công trình năm 2017;

Nghị định 32/2015/NĐ-CP Quản lý chỉ phi dau tu xây dựng TCVN 5729:2012 Đường ô tô cao tốc- Yêu cầu thiết kế Nguyễn Phuong Châm (2018) “ Nghiên cứu hoàn thiện quản lý dau tư xây dựng va khai thác DCT ở Việt Nam”, Luận an Tién sĩ kinh tế Đặng Thị Hà (2013), “ Huy động vốn ngoài ngân sách nhà nước đề thực hiện các dự án xây dung DCT ở Việt Nam”, Luan an Tiến sĩ kinh tế Lê Mạnh Cường (2018), “ Kiểm soát chi phí đâu tư xây dựng công trình sử dụng vốn nhà nước ”, Luận án Tiến sĩ kinh tế Nguyễn Như Hiền, Lại Khắc Lãi (2007), “ Hệ mo & neural trong kỹ thuật điều khiển ”.

Bui Công Cường (2001), “ Hệ mở, mang neural và ứng dung”

Nguyễn Đắc Nam (2017), “ Nghiên cứu ứng dung mang neural mờ dé xây dựng thuật toán điều khiển hệ diéu tốc turbine- máy phát thủy điện ”, Luận an,

Tiên sĩ tự động hóa

13 Luan văn Thạc sỹ, Trần Bách, “ Xác định CPXD dựa trên ứng dụng mạng

Neuron mờ ” Đại học Bách Khoa Tp HCM (2006);

14 Luan văn Thạc sỹ, Dang Trần Đăng Khoa, “ ớc lượng CPXD cầu đầm nhịp giản đơn bằng mô hình mạng neural nhân tạo” Đại học Bách Khoa Tp.

15 Luan văn Thạc sỹ, Lưu Nhất Phong, “ Ứng dụng mang neural nhân tạo và hồi quy đa biến dé dự báo tổng mức đầu tư các dự án công trình giao thông” Đại hoc Bách Khoa Tp HCM (2010); l6 Phan Văn Khoa, Lưu Trường Văn, Lê Hoài Long, 2007 “ Ước lượng CPXD chung cư bằng mạng neuron nhân tạo ”

17 Luận văn Thạc sỹ, Nguyễn Hữu Dương “ Ước lượng CPXD đường ham dẫn nước tại Việt Nam” Đại học Bach Khoa Tp HCM (2010);

18 Luận văn Thạc sỹ Lê Xuân Khánh “ ớc lượng CPXD của các công trình trường học bang lập luận dựa vào tinh huống ” Đại học Bách Khoa Tp HCM

19 Luan văn Thạc sỹ, Nguyễn Hữu Thức, “ Dự trù CPXD cao ốc van phòng băng mô hình hồi quy tuyến tính và mạng Neural nhân tạo”

20 An, S.H., Park, U Y., Kang, K I., Cho, M Y., and Cho, H H (2007).

“Application of support vector machines in assessing conceptual cost estimates.”

21 Attalla, M., and Hegazy, T (2003) “Predicting cost deviation in reconstruction project: artificial neural networks versus regression.” ASCE 4, pp.

22 _ Chao,L.C (2009) “Estimating project overheads rate in bidding: DSS approach using neural networks.” Construction Management and Economics 28, pp 287-299.

23 Cheng, M.Y., Tsai, H C., and Hsieh, W S (2009) “Web-based conceptual cost estimates for construction projects using Evolutionary Fuzzy Neural

Inference Model.” Automation in Construction 18, pp 164-172.

24 Emsley, M W., M.W., Lowe, D J., Duff, A J., Harding, A., and Hickson,

A (2002) “Data modeling and application of a neural network approach to the prediction of total construction costs.” Construction Management and

25 Gunaydm, H M., and Dogan, S Z (2004) “A neural network approach for early cost estimation of structural systems of buildings.” International Journal of

26 Hola, B., and Krzysztof (2010) “Estimation of earthworks execution time cost by means of artificial neural networks.” Automation in Construction xxx, pp 1-10.

27 Kim,G.H.,An,S.H., and Kang, K I (2004) “Comparision of construction cost estimating models based on regression analysis, neural networks, and case- based reasoning.” Building and Environment 39, pp 1235-1242.

28 Kim, G H., Yoon, J E., An, S H., Cho, H H., and Kang, K I (2004).

“Neural network model incorporating a genetic algorithm in estimating construction costs.” Building and Environment 39, pp 1333-1340.

29 Kim,G.H., Seo, D S., and Kang, K I (2005) “Hybrid models of neural networks and genetic algorithms for predicting preliminary cost estimates.”

30 Lowe, D J (1996) “Experiential learning in design cost estimating.” Ph.D. thesis, UMIST.

31 Slitmore, M., Strandling, S., Tuohy, A and Mkwezalamba, H (1990) “ The

Accuracy of Construction Price Forecasts ”, University of Salford, Manchester.

32 Fuzzy Logic Toolbox User’s Guide, Matlab (2014)

33 Panarat SRISAENG, Glenn S BAXTER, Graham WILD (2015), “ An adaptive Neuro-Fuzzy inference system for forecasting Australia’s domestic low cost carrier passenger demand ”

34 Holly A Danker-McDermot (2004) “ A fuzzy- neural approach to cost prediction with small data sets”

35 Amr S.Ayed (1997) “ Parametric cost estimating of Highway project using

36 Ahiaga- Dagbui and Simon D.Smith (2012) “ Data mining to reduce construction cost overruns”

37 Jamshid Sodikov (2009) “ Cost estimation of highway project in developing contries: artificial neural network approach”

38 Hegazy, T., and Ayed, A (1998) “ Neural Network Model for Parametric

Cost Estimation of Highway Projects”

39 Kate D Hunter (2014) “ Estimating preconstruction services costs for highway projects”

40 Sonmez, R and Ontepeli, B (2009) “Predesign cost estimation of urban railway projects with parametric modeling.”

41 Zhang, Yuanxin, Minchin Jr., R Edward, & Agdas, Duzgun (2017) “

Forecasting completed cost of highway construction projects using LASSO regularized regression ”

42 Ibrahim Mahamid (2003) “ Early Cost Estimating for Road Construction

Projects Using Multiple Regression Techniques ”

43 Chester G Wilmot, Bing Mei (2005) “Neural Network Modeling of Highway Construction Costs”

44 Mounir El Asmar, Awad S Hanna, Gary C Whited (2011) “ New Approach to Developing Conceptual Cost Estimates for Highway Projects ”

45 Xishi Huang Luiz Fernando Capretz Jing Ren Danny Ho (2008) “ A Neuro-

Fuzzy Model for Software Cost Estimation”

46 Kareem Adel, Ahmed Elyamany, Adel Mahmoud Belal, Akram Soltan Kotb

(2016) “ Developing Parametric Model for Conceptual Cost Estimate of

PHU LUC 1 BANG KHAO SÁT

Kinh chao quy Anh/Chi

Tên tôi là Nguyễn Văn Danh, học viên Cao học khoá 2017 Ngành Quan Lý Xây Dung, Trường Đại học Bách Khoa TPHCM Hiện nay, tôi đang tiễn hành thực hiện luận văn tốt nghiệp với dé tài “Ước lượng chi phí xây dung đường cao tốc ở Việt

~ Đây là dé tài nghiên cứu về việc ước lượng chi phí xây dựng đường cao tốc ở Việt Nam Bảng câu hỏi này nhăm xác định mức độ quan trọng, tâm ảnh hưởng của các nhân tô đến chi phí xây dung đường cao tốc ở Việt Nam Vi vậy những thông tin quý báu mà Anh/Chị đóng góp trong bảng câu hỏi khảo sát là dữ liệu quan trọng cho sự thành công của nghiên cứu cũng như việc ứng đụng kết quả của nó trong thực tế.

* “+ Bảng câu hỏi chi thu thập dữ liệu cho mục tiêu nghiên cứu Tôi cam đoan mọi thông tin mà quý vị cung cấp sẽ được giữ bí mật Sự giúp đỡ và đóng góp của quý vị về vân đề này là đữ liệu quan trọng cho sự thành công của luận văn cũng như ứng dụng của đề tài trong thực tế Tôi xin chân thành cám ơn!

Nếu Anh/Chị có ý kiên đóng góp về dé tài nghiên cứu, vui lòng liên hệ với tôi theo địa chỉ sau:

Nguyễn Văn Danh- Học viên Cao học khóa 2017 ngành Quản Lý Xây Dựng,

Trường Đại học Bách khoa TPHCM.

L CÁC NHÂN TO ANH HUONG DEN CHI PHÍ XÂY DUNG DUONG CAO TOC O VIỆT NAM.

Anh/chị vui lũng đỏnh “ŸXẽ vào một trong cỏc 6 sau tựy thuộc vào mức độ anh hưởng của các nhân tô cụ thê như sau:

Không ảnh hưởng 1 > 2 > 3 > 4 > 5 RR Anh hưởng rất đáng kẻ

(1) Không ảnh hưởng (2) Anh hưởng không đáng kế (3) Anh hưởng trung bình (4) Anh hưởng đáng kê (5) Anh hưởng tất đáng kể

- | | MỨC ĐỘ ANH HƯỚNG STT | NHÂN TÓ ẢNH HƯỞNG

1 | Chiểu dai tuyén EI |EI |EI |EI |EI 2 | Số làn xe EL |E1 |EI lia lg 3 Chiêu đài phân câu ELl |EI |EI |EI |LE]

4 | Chiêu đài ham chui dan sinh LH |EI |EI |EI |E]

5 | Số lượng nút giao ELỊ |EJI |E1 lai Điều kiện địa hình (đâm lây, đông băng đôi

6 "ơ H |ịH |ùủm oso nui, núi) Điều kiện địa chat ( yêu, tương đối, tốt, rất

7 | HH |ủm|ủm|nỡ tot)

Khau độ và sô lượng công hộp thoát nước

Khâu độ và sô lượng công tròn thoát nước 9 ngang

Cự ly vận chuyên vật liệu dap từ mỏ đến h công trình

Cự ly vận chuyên vật liệu đá các loại từ mo ạ đến công trình

Cự ly vận chuyên vật liệu cát bê tông từ mo ớ đến công trình

13 | Chiêu dai đường gom 14 | Chiêu dai phân ham II THONG TIN CHUNG Anh/chi vui lòng đánh “Click” l4 vào ô lựa chọn Thời gian anh chị công tác trong các dự án xây dung đường cao tốc?

[]

Tiêu đề	Ước lượng chi phí xây dựng đường cao tốc ở Việt Nam
Tác giả	Nguyen Van Danh
Người hướng dẫn	TS. Lê Hoài Long, TS. Nguyễn Văn Châu
Trường học	Trường Đại học Bách Khoa, Đại học Quốc gia Thành phố Hồ Chí Minh
Chuyên ngành	Quản lý xây dựng
Thể loại	Luận văn thạc sĩ
Năm xuất bản	2019
Thành phố	Thành phố Hồ Chí Minh

Định dạng
Số trang	120
Dung lượng	62,72 MB