Luận văn thạc sĩ Quản lý xây dựng: Dự báo tiến độ thi công công trình lắp ghép bằng trí tuệ nhân tạo

Tôi xin cam đoan rang:Số liệu thu thập trong luận văn này là hoàn toàn trung thực và kết quả nghiêncứu chưa từng được sử dụng hoặc công bồ trong bất kỳ công trình nao khác.Mọi sự giúp đỡ

HUYNH NGOC HUE

Chuyên Ngành: QUANLY XÂY DUNG

Mã số: 60580302

LUẬN VĂN THẠC SĨ

TP HỎ CHÍ MINH, Tháng 06 Năm 2018

Cán bộ hướng dẫn khoa hoc: TS Trần Đức HọcCán bộ chấm nhận xét 1: TS Chu Việt CườngCán bộ cham nhận xét 2: TS Phạm Vũ Hồng Sơn

Luận văn thạc sĩ được bảo vệ tại Trường Dai học Bách Khoa, DHQG Tp.HCM ngày 24 tháng 07 năm 2018

Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm:

1 PGS.TS Luong Đức Long

2 TS Đỗ Tiến Sỹ3 TS Pham Vũ Hồng Sơn

4 TS Chu Việt Cường

5 PGS.TS Phạm Hồng Luân

Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý

chuyền ngành sau khi luận van đã được sửa chữa.

CHỦ TỊCH HỘI ĐÔNG TRƯỞNG KHOA

NHIEM VỤ LUẬN VAN THẠC SĨ

Họ tên học viên: Huỳnh Ngọc Huệ MSHV: 1670137

Ngày, tháng, năm sinh: 02/11/1991 Nơi sinh: Quảng Nam

Chuyên ngành: Quan! xây dựng Mã số: 60580302

I TÊN DE TÀI:

DỰ BAO TIEN ĐỘ THI CÔNG CÔNG TRÌNH LAP GHÉP BANG

TRÍ TUỆ NHÂN TẠO

Il NHIEM VU VÀ NOI DUNG:- Thu thập dữ liệu công trình Bêtông lắp ghép.- Xây ding các mô hình trí tuệ nhân tạo gồm CART, ANN, SVM, mô hình kết hop d dbbáo tiến độ thi công lắp di ng công trình Bêtông lắp ghép

IH NGÀY GIAO NHIỆM VU : 15/01/2(018 S333 grrerreedIV NGÀY HOÀN THÀNH NHIEM VU: 17/06/20118 - 56s sEsEsEseeeeeereedV CAN BO HUONG DAN : TS TRAN DUC HOC

Tp HCM, ngày 18 thang 06 năm 2018

CAN BO HUONG DAN CHU NHIEM BO MON DAO TAO(Họ tên va chữ ky) (Họ tên và chữ ký)

TRƯỞNG KHOA(Họ tên và chữ ký)

Trước tiên, tôi xin g il ¡ cảm ơn chân th nh đ n TS Trần Đức Học đ tntâm hướng dnv gi pđ tôi r t nhi u để ho nth nh lu n văn n y Xin đượcg il i cảm ơn đ n những thầy cô giảng dạy ngành Quản lý xây dựng, thuộctru ng Dai học Bách Khoa Tp Hỗ Chi Minh, đ truy n đạt nhi u ki n thức bổich trong suốt quá trình học t p.

Xin cảm ơn các anh chị em Ban Quản Lý Công ty Vinaconex Xuân Mai,

Công ty Cô phần xây dựng Số 2, Ban chỉ huy Công tru ng Eco Green S i Gòn

đ h trợ cung c p thông tin, gi pd tôi r t nhi u trong quá trình thu th p dữli u cũng như khảo sát trực ti p tại công trư ng.

Xin chân th nh cảm ơn những ngư 1 bạn học lớp Quản lý Xây dựng đ

cùng tôi trải qua những ng y tháng học t p, rèn luy n, trao đổi v thảo lu n v

học t p trên lớp, gi p tôi học hỏi được nhi u đi u.

V cuối cùng tôi xin g il ¡ cảm ond n những ngư i thân trong gia đình,những ban bè đ luôn bên cạnh quan tâm, động viên, gi pd tôiv tinh thần,gi p tôi vượt qua những khó khăn dé ho nth nh lu n văn n y

Tp Hỗ Chí Minh, ng y 18 tháng 06 năm 2018

Xin chan th nhe mon

Huynh Ngoc Hué

tue lan nh thấu thi công | p gh p VL đặc trưng công trình, có nhỉ u yếu nhhư ng đến tiến d thi công 1 p gh p nên c c thuật to n CART (Classification and

Regression Trees), ANN (Artificial Neural Networks), SVM (Support Vector

Machine) va Ensemble du cs dngd gi iquyétv nd n y Trong nghiên c uny, b nmô hình đã du c xây dựng äđ dub otiénd thi công Ì pgh p Năm mươi

d li u công trình đã du c thu tháp, phương ph p Cross Validation de c pd ng

ä kétqu dub o đư ckh ch quan V ib n mô hình dw c xây dựng, mô hình SVMcho kết qu t tnh tv ikh năng kh iqu hav hit d x cdnhtiénd thi

cong! pgh p.

AbstractDetermining construction schedule of Prefabricated construction is animportant issue for investors and Prefabricated Contractors In terms ofConstruction characteristics, there are many factors that affect the progress ofassembly, so Classification and Regression Trees (CARTs), ANN (Artificial NeuralNetworks), SVM (Support Vector Machine) and Ensemble are used to solve thisproblem In this study, four models were constructed to forecast the progress of the

assembly Fifty data Constructions have been collected, the CrossValidationmethod is applied to predict the result With four models built, the SVM model givesthe best results with low error and convergence capability to determine the

progress of assembly.

Tôi xin cam đoan rang:Số liệu thu thập trong luận văn này là hoàn toàn trung thực và kết quả nghiêncứu chưa từng được sử dụng hoặc công bồ trong bất kỳ công trình nao khác.

Mọi sự giúp đỡ cho việc thực hiện luận văn này đã được cám ơn và các thông

tin trích dan trong luận văn đều được ghi rõ nguồn gốc

Tác giả luận văn

Huỳnh Ngọc Huệ

1.2 XAC DINH V ND NGHIEN CU Lniecceccscsscsessesesesescsserstseseseens 111.3.M €C TIỂU NGHIÊN _ U 2 2E SE E2 SEEEEEEEEEEEEErkrkerered 1114.PH M VI NGHIEN Co U - 525C E2 SE SE EEEEEEEEEErkrkerered 111.5 ĐÓNG GÓP DỰ KIÊN CUA NGHIEN Co U - 552 12

1.5.1.V m th C thu ( - CS nh ve 12

1.5.2 Vio m tth Cth 1 -ccc cv kh re 12

CHƯƠNG 2 T NG QUAN uoccececcsccccsssscssssssscsssscstsscscsscstsscstsscanssssnsesscensseensseasens 132.1 CAC KHÁI NI M NHÀ LAP GHÉP 2-2 S+E+EeESEE+E+EeEsrerered 132.1.1 Kết cau bê tông ứng 1 € true - 6E ExSk+E‡E#E£EeEeEeEsErererees 13

"0U: non 13

2.1.3 Cau tạo nha cao tang bê tông cốt th p đúc sẵn -cscscs sec: 13

2.1.4 Quá trình 1 p Gh p << SH HS 0111111 khe, 15

2.1.5 Trinht | p gh p công trimh oo cece 5-55 S113 36555555xerrsee 15

2.1.6 Chi tiết liên kẾT: ¿5E SE SE E2 12111 121111121215111111 1511 tk 172.1.7 Hình nh thi công th € tẾ - Gv EEEEEESEeExrererers 21

2.2.T NG QUAN V_ DATA MINING : 5-52 ccc2ckcEcrkererkrrereee 24

2.3.3 Nội dung thu t toán SVMM: - G G QQQ H011 1111111 S SH 2 111111 kg 26

2.4 MÔ HINH CAY QUYET ĐỊNH (CART) 5 scscsEsesesesrsrererees 29

2.4.1 Định nghĩa : 000000 1111111 ng T000 111 1 kh rre 29

2.4.2 Ưu điểm của cây quyết định - - 6 xxx #EEEeEeEeEsrerererees 302.4.3 Vẫn đ xây d ng cây quyết định -¿- - -s+x+x+k‡keEeEeEsrsrerrerees 302.4.4 Các thu t toán khai phá dữ liệu băng cây quyết định - 302.5.M NGNORON NHAN T O (ARTIFICIAL NEURAL NETWORK) 33

2.5.1 Kal NIGM La eee ce eeeccccccceeeesseccccceeessescccsseesssesccsseeuesccsssseussesscssseeuesess 33

2.5.2 Mô hình mang NOON .cccccccccccceeeessessseessssnsceeeeeeeceeeeeeseessssseaeeeees 33

2.5.3 H nan he 35

2.5.4 Mạng lan truy 1 TPƯỢC: -Ăc S119 111111111 re re, 35

2.6 KET HOP CÁC PHƯƠNG PHÁP (ENSEMBLE METHOD) 352.6.1 Kết hợp các bộ phân loại - +xSSkSxSk+k#k#EeEeEeEersrrererees 35

2.6.2 Phương pháp bagØøØ1ng -c c c1 11111199 12111111111 re, 36

2.6.3 Ưu điểm của mô hình kết hop: -¿- - - + +k+k+E£E+E+EeEsrerererees 372.7 PHƯƠNG PHÁP CROSS VALIDATION (KIEM CH NG CHEO) 382.7.1 Tam quan tr ng của việc kiểm tra Ch Ot ccescsssesesssecssssesssesereeseeeseeee 382.7.2 Ap dụng phương pháp K-fold cross validation: -s «se: 382.8 CAC NGHIÊNC_ U LIEN QUAN: - 6+2 EeEeEeEsEsrsereserered 40CHƯƠNG 3 PHƯƠNG PHÁP NGHIÊN C_ U -c2 2 s+cscscseẻ 433.1 QUY TRÌNH NGHIÊN C U: E8 EEEEeEeEeEsereserered 433.2 PHƯƠNG PHÁP THU THẬP DU LI U: 22-552 25scs 433.3.CÔNGC_ NGHIÊNC_ U:: 5- S2 SE C223 1E 2121515111111 xe 44CHƯƠNG 4 THU THẬP VÀ PHAN TÍCH DỮ LI U - 2s cs =5: 45

4.1.T NGHOP YEU TO LIEN QUAN DEN THỜI GIAN THI CÔNG 454.1.1 Nhóm yếu tổ v môi trường bên ngoài 5 s+s+esesEsrerereei 454.1.2 Nhóm yếu tố v nguồn vốn th chiệnd án 5sc- 464.1.3 Nhóm yếu tố v năng l c các bên tham giad án 464.1.4 Nhóm yếu tố v đ ctrưng d án -scScccceeesesrsrerererees 474.2 LỰA CHỌN YEU TÔ ANH HUONG DEN TIEN ĐỘ THI CONG 484.2.1 Khó khăn của việc thu th p các yếu tố nh hưởng: - 484.2.2 Thời điểm cần clad báo tiễn độ thi công : cscscecec 494.2.3 Các yếu tô được 1 a ch n: - ch EEEEEESEsrrererees 494.3 XÂY DUNG BANG THU THẬP DU LI U: 5-5- 5c: 504.3.1 Câu trúc b ng thu th p dữ liệu : ¿2E k+k+E£E+EeEeEersEerrerees 50CHƯƠNG 5 XÂY DUNG MÔ HINH DỰ BÁO -¿-5-ccccccccccsrsceee 525.1.C U TRÚC XÂY DỰNG MÔ HÌNH - - + 255+c+cecscesrsceee 525.1.1 Sơ đỗ quy trình th c hiện : + + sk+EsESESExEkSkckekekekekekeeeeesee 525.1.2 Phương pháp đánh giá hiệu suất mô hình : - 2s +s+s+sscse 535.2 THỰC HI N MÔ HÌNH: - + 52 SE t2 E3 E5E1212122121 111111 cxe, 54

5.2.1 Phân chia và nh p dữ liỆu: c1 EEreessssssssss 54

5.2.2 Thông số mô hình : - ¿k6 kE#E#E#ESESESEEEEEEEEEEEkekekekekrererree 555.2.3 Xây d ng mô hình bang SPSS Modeler: - ¿2 ss+s+s+s+E+sscse 565.3 KET QUÁ MÔ HỈÌNH: Gv E SE E1 1111111111511 se 57

5.3.1 T p DataSet Ì: TQ 00100 1001111111111 1111111 xa 58

5.3.2 T p DataSet 2: oc cccccsccccccccccccccccceceseeeeceesceeeeeeeseeeeeseessseeeeseegees 60

5.3.3 T p DataSet 3: oc ccccccsssccccccccceeceeeececeeeeeeeeeeeeeeeeeeeeeeeeseseeeeeeeegees 62

5.3.4 T p DataSet 4: oc cccccccsccccccceeceeeeeeeeeeeeeeeeeeeeeeeeeeeeseesseeeeeeeeeees 64

5.3.5 T p DataSet Š: TQ Q Q0 Q 1H HH HH HH HH và 66

5.3.6 Tong hop: ccccccccccsssssssssssssscsesesscecscscscacsssvsvsvsvsvsesessesesesesesscacacasavavavans 685.3.7 Hệ số d báo tầm quan tr gt cccccceccesssssssscscsesescsesesesessecececesevesevens 685.4 TÔI UU HÓA KET QUA MÔ HÌNH: 2 25c 5s x3 ‡E+EzE+Ezksesesees 76

5.4.2 KẾT QU : - CT1 H111 1111150 1111 grờp 775.4.3 Tong hops ccccccccccccccsssssssssssssesesessccecscscscsssvsvsvsvsvsesesesesesesecesecacacasavavavans 785.4.4 Hệ số d báo tầm quan tr Qt c.ccccccceesssssscsesesescsesesesessecscecesevesevens 78CHƯƠNG 6 KẾT LUẬN VÀ KIÊN NGHỊ, ¿2-5 2 2+s+£z£cxzezrsceee 796.1 KẾT LUẬN - 56 SE 1 E2 1 15151121515111111 1111171111111 1101110111 01 T1 y0 796.2 4i) 0) 80

ƯtỨ EŒ EZ E ECŒ E ÈE CC E ECng 5.3 Đánh giá mô hình voit p Testing 1 ec cccesssseesssceeeeeeeeeeeeees 58

ng 5.4 Két qu d bao với t p Testing 2 i ccccscsccssscssssscssssessssserseseeeees 60

ng 5.5 Đánh giá mô hình voit p Testing 2 csssssssssesssssss 60

ng 5.6 Két qu d báo với t p Testing 3 oc ccccscscsesssssssssscssssesssererseseeeeee 62

ng 5.7 Đánh giá mô hình với t p Testing 3 -cSsSSssssssesssssss 62

ng 5.8 Kếtqu d báo với t p Testing 4 ác gvgvererererreeo 64

ng 5.9 Đánh giá mô hình voit p Testing4 cccssstssssesssssss 64

ng 5.10 Kếtqu d báo với t p Testing 5 -¿-c-cccxsxckskeEeEsrsrerererees 66

ng 5.11 Đánh gia mô hình với t p TestingŠ cccssssssesesssssss 66

Hình 1.1 Công trình bêtông | p gh p Imperial Plaza - 03 tòa 30 tầng 9Hình 2.1 Câu kiện dầm đúc Sam oo eseeseesseecsessseeesnesseecseecneecneecnsecneeeneecneeeneeenseenes 14Hình 2.2 B n thang đúc sẵn - - s + xxx SE 11T 111v ngư 14Hình 2.3 Câu kiện Cột đúc sẵn - cc treo 15

Hình 2.4 Trinh t thi công nhal p gh p - 5555533 SSSSSSS35665555xsxrses 16

Hình 2.5 Liên kết dầm ti n chế và cột tại chỗ (Liên kết ướt) - ««-: 17Hình 2.6 Liên kết dầm ti n chế - dầm ti n chế 2-2-5 2 + £E+E+x+E+xerezxd 17Hình 2.7 Chỉ tiết vat vai dầm tỉ n chế ccccttsrerritrrrtrrirrrrrrrirrrrrreo 18Hình 2.8 Liên kết dầm tại gối E119 5E ST v1 1E ro 18Hình 2.9 Liên kết Panel với dầm oo seseesseesseesseseseeeseesneecseecneecssesneeeneecneeeneeeneeeees 19Hình 2.10 Liên kết giữa 2 panel XỐp - + EEEEeEeEeEerererees 20Hình 2.11 Th p chờ dé xỏ 16 từ móng — đả kỉ ng, - - - 5 s+s+esesEereceei 21Hình 2.12 V n chuyển cau kiện Cộtt + 22 +E+E+E#ESEEEE+EEEEEEEErErkrrererkrkd 22Hình 2.13 L p đ t cột vào liên kẾT ¿- - + s + + +E+E+E#ESEEEEEEEEEEEEErkrkrrererkrkd 22Hình 2.14 Neo giữ 4 phương của cột bằng cáp -c- -ccssstsxeEeksesrerererees 22Hình 2.15 L p đ t dầm vào CỘtt - - + SEESE£EEESEEEEEEEEEEEEEEErkrkrrererkrkd 23

Hình 2.16 L p panel sàn và d t lưới th p - c5 5S S S2 ssssssseerres 24

Hình 2.17 Đồ bê tông b sản - (+ E133 SE ST ng grrvio 24

Hình 2.18 Khai phá dữ liệu là một bước trong quá trình khai phá tri thức 25Hình 2.19 Mot phương pháp SVM LG QQQ Q1 S1 nSH HS SH S9 021111111 ren 26

Hình 2.24 Cây quyết định phân lớp mức lương - - 2 2 2 s+s+x+E+xerezxd 29Hình 2.25 Mô hình ANN tổng quất - << sex EEEEEEeEeErererees 34

Hình 2.26 Mô hình hoạt động của Bagging c1 1 1 sresee 37Hình 2.27 Mot phương pháp Cross Validation với 3-fold ‹‹‹‹ - 40Hình 3.1 Quy trình nghiên cứu LU n văn - 55555 + S*vvEessssseeeeeerrs 43

Hình 5.1 Sơ đồ các bước xây d ng mô hình d_ báo băng SPSS Modeler 52

Hình 5.2 Phân chia t p dữ liệu với 5- ÍOÌd - + +++++*2252555555eeexexss 54Hình 5.3 Gant p Traning DataSet 1 vào SPSS Modeler - 55

Hình 5.4 Xây d ng mô hình đơn, mô hình kết hợp với DataSet 1 57

Hình 5.5 Kết quHình 5.6 Kết quHình 5.7 Kết quHình 5.8 Kết quHình 5.9 Kết qu

Hình 5.10.Hình 5.11.Hình 5.12.Hình 5.13.Hình 5.14.Hình 5.15.Hình 5.16.Hình 5.17.Hình 5.18.Hình 5.19.Hình 5.20.Hình 5.21.Hình 5.22.Hình 5.23.Hình 5.24.Hình 5.25.Hình 5.26.Hình 5.27.Hình 5.28.Hình 5.29.Hình 5.30.Hình 5.31.Hình 5.32.Hình 5.33.Hình 5.34.

Kết quKết quKết quKết quKết quKết quKết quKết quKết quKết quHệ số dHệ số dHệ số dHệ số dHệ số dHệ số dHệ số dHệ số dHệ số dHệ số dHệ số dHệ số dHệ số dHệ số dHệ số d

phân tích mô hình CART- DataSet 1phân tích mô hình ANN- DataSet 1phân tích mô hình SVM- DataSet 1phân tích mô hình CART- DataSet 2phân tích mô hình ANN- DataSet 2

phân tích mô hình SVM- DataSet 2phân tích mô hình CART- DataSet 3phân tích mô hình ANN- DataSet 3phân tích mô hình SVM- DataSet 3phân tích mô hình CART- DataSet 4phân tích mô hình ANN- DataSet 4phân tích mô hình SVM- DataSet 4phân tích mô hình CART- DataSet 5phân tích mô hình ANN- DataSet 5phân tích mô hình SVM- DataSet 5

báo tầm quan trbáo tầm quan trbáo tầm quan trbáo tầm quan trbáo tầm quan trbáo tầm quan trbáo tầm quan trbáo tầm quan trbáo tầm quan trbáo tầm quan trbáo tầm quan trbáo tầm quan trbáo tầm quan trbáo tầm quan trbáo tầm quan tr

¬ 59

¬ 59¬ 59¬ 61

¬ 61¬ 61

ng mô hình CART — DataSet 1 68

ng mô hình ANN — DataSet 1 69

ng mô hình SVM — DataSet 1 69

ng mô hình CART — DataSet 2 70

ng mô hình ANN — DataSet 2 70

ng mô hình SVM — DataSet 2 71

ng mô hình CART — DataSet 3 71

ng mô hình ANN — DataSet 3 72

ng mô hình SVM — DataSet 3 72

ng mô hình CART — DataSet 4 73

ng mô hình ANN — DataSet 4 73

ng mô hình SVM — DataSet 4 74

ng mô hình CART — DataSet Š 74

ng mô hình ANN — DataSet 5 75

ng mô hình SVM — DataSet Š5 75

Hình 5.35 Biéu đồ tổng hợp hệ số d báo tầm quan tr ng

CHUONG1.D TV ND NGHIENC U1.1 GIOI THIEU CHUNG

Ngày nay, ở những nước phát triển, c ng với việc công nghiệp hóa ngành xâyd ng, cơ giới hóa thi công, thì phương pháp thi công | p gh p, cau kiện bê tông và bêtông ứng suất trước được sử dụng rộng rãi trong xây d ng dân dung dé đáp ứng đượcnhu câu đô thị hóa cao ở các thành phố lớn

Thu t ngữ "bê tông đúc san" bao gồm các s n phẩm được s n xuất tại nhà máyvới chất lượng cao nhằm tạo s n phẩm thương mai và dân dụng Riêng s n phẩm baogồm kết cau chịu 1 c sử dụng bê tông đúc sẵn, tường móng, tường âm thanh, tườngch n, san nhà và mái nhà tam, cầu, trụ cầu và đường ham, đã được chứng minhtrong quá trình sử dụng với v t liệu mới, linh hoạt và b n, phục vụ nhu cầu của xã hội

mỗi ngày

Những năm gần đây, những thành t uv nghiên cứu cũng như phương pháp tínhtoán bê tông cốt th p trên thế giới càng thúc day ngành công nghiệp s n xuất bê tôngcốt th p đúc san phát triển Bê tông cốt th p ứng suất trước cho ph pt n dụng bê tôngsố hiệu cao, thép cường độ cao, tiết kiệm bê tông và cốt th p [1]

Hình 1.1 Công trình bêtông | p gh p Imperial Plaza - 03 tòa 30 tang

Cấu kiện bê tông cốt th p đúc sẵn có những ưu thé riêng mà bê tông toàn khốikhông có được Theo các chuyên gia xây d ng hang dau, việc áp dung sàn bê tông | pgh p có thể tiết kiệm tới 70% chi phí xây d ng (áp dụng với các công trình có quy mô

lớn).

Ưu điểm có thé kế đến của phương pháp này là:Kiểm soát chất lượng thu n tiện: chất lượng cầu kiện ôn định.=D ng v t liệu cường độ cao: tiết kiệm v t liệu

= Thân thiện với môi trường.= Cho nhịp lớn, tạo ra không gian thông thoáng cho công trình.

„ Tiến độ thi công nhanh.- Gi m thiểu lượng nhân công, ván khuôn và giáo chống tại hiện trường.: Thích ứng được với nhỉ u loại hình kiến trúc

- Hiệu qu kinh tế.Với tốc độ đô thị hóa của Việt Nam hiện nay, dan cư t p trung ở các thành phốlớn tăng rất nhanh Trong khi đó, với cơn sốt đất b t đầu từ cuối năm 2015, người laođộng bình thường không thé mua nổi nhà ở ho c chung cư Từ di n biến đó tạo nênbài toán nan gi i, vừa xây d ng nhanh để gi i quyết bài toán dân số, mà giá thành ph ihợp lý để người lao động có kh năng mua được

Gi i pháp hiện nay là gi m diện tích căn hộ (trong Chung cư) dé bán và mô hìnhnhà l p gh p bang các cau kiện bê tông đúc sẵn mà Công ty CP Bê tông và Xây d ngVinaconex đang triển khai được đánh giá là rấtkh quanc v gid thành và tiến độ xâyd ng Th c tế trên cho thay rất có thé sau gần nửa thé ky không còn được coi tr ng,nhà l p gh p bang bê tông đúc sẵn đang chuẩn bị quay lại và có nhỉ u triển v ng làcứu cánh cho việc phát triển nhà ở nhanh, rẻ hơn so với phương pháp xây d_ng thông

thường hiện nay [2]

Rất nhi u nước đã ứng dụng công nghệ này dé gi i quyết van đ Nhà Ở Xã hội,kế c_ các nước phát triển Các nước láng gi ng như Singapore, Thái Lan thì sử dụngcông nghệ này từ vài chục năm trước và đã tỏ ra rất hiệu qu Ở một đất nước mà quỹđất vô c ng hạn chế như Singapore nhưng đã tạo ra nguồn nhà ở đ mb o cho m ingười và tao được một bộ m t do thi, kiến trúc rất tốt đẹp

Trong đi u kiện hiện nay đối với Việt Nam, phương an! p gh p bang bê tôngđúc sẵn có vẻ có ưu thế Phương án này phát huy được tối đa thế mạnh là s n xuất

hàng loạt val pd ng nhanh.

Như vậy nhà bê tông lắp ghép có thể là giải pháp cho việc xây dựng nhà giárẻ cho người có thu nhập thấp tại các đô thị trong tương lai tới Giải quyết đượcvấn đề xây dựng nhanh mà giá thành rẻ

1.2 XÁC ĐỊNHV ND NGHIENC UXác định được tiễn độ thi công | p gh p là cơ sở dé nhà thầu thi công xác địnhđược tông tiễn độ thi công trong giai đoạn đấu thầu Vad a vao các yếu tố nh hưởngtới tiễn độ thi công thì đơn vị thi công có những chủ động trong việc lên kế hoạch thi

công và có biện pháp ứng phó với những rủi rov_ thời gian trong quá trình thi công.

1.3 MỤC TIỂU NGHIENC UTrên cơ sở vẫn đ nghiên cứu, đ tài này được tiễn hành nhằm mục tiêu sau:- Xác định tiễn độ thi công 1 pd ng cấu kiện bê tông cốtth pd ứng l c căngtrước tỉ n chế

- So sánh các thu t toán Data Mining dé tìm được thu t toán tối ưu cho phươngpháp d_ báo tiến độ thi công

- Xác định các yếu tố quan tr ng có tính tương quan đáng kế với kếtqu d báo,từ đó đ ra gi i pháp tối ưu tiễn độ thi công

1.5 ĐÓNG GÓP DỰ KIÊN CUA NGHIÊNC U1.5.1 Về m th c thuật

ng dụng được phương pháp khoa h c (AI- trí tuệ nhân tạo) trong việc xác định

tiễn độ thi công 1 p gh p cấu kiện bê tông đúc san.Xây d ng phương pháp tính toán, | p mô hình tính toán tiễn độ thi công chocông nghệ thi công | p gh p cau kiện bê tông đúc sẵn thông qua các công cụ có sẵn, và

từ những dữ liệu thu th p được.

1.5.2 Vé m t thực tỉ nThông qua mô hình phân tích, có thé xây d ng được tiễn độ thi công tổng thé củacông trình phục vụ cho giai đoạn đấu thầu, ho cd_ báo được tiễn độ lý thuyết khi cóđủ dữ liệu từ b n vẽ Đi u này sẽ giúp ích cho Chủ Dau Tu rất nhi u trong bai toánkinh tế, chủ động dòng tỉ n, thời gian

Qua Lu n văn, các thu ttodnd báo có thé làm cơ sở dé so sánh với các phươngpháp khác, từ đó thay được ưu điểm của bê tông | p gh p

CHƯƠNG2.T NG QUAN

2.1 CÁC KHÁI NIỆM NHÀ LAP GHÉP2.1.1 Kết cấu bê tông ng lực trướcKết cau bê tông cốt th p ứng suất trước, còn g i là kết cau bê tông cốt th p ứng1 e trước, là kết câu bê tông cốt th p sử dụng s kết hop ứng 1 c căng rất cao của cốtth p ứng suất trước và sức chịu n n của bê tông để tạo nên trong kết cau những biến

dạng ngược với khi chịu t i, ở ngay trước khi chịu t 1 [3]

2.1.2 Công tác lắp ghépCông nghệ thi công | p gh p là công nghệ | p ráp tại hiện trường các cấu kiện đãđược chế tạo sẵn ở nhà máy thành các kết cấu chịu 1 c của một công trình, sau khi đãđược v n chuyển đến công trường, bang các mối nối thi công tại công trường Các caukiện bang kim loại thì thường được giáp mối bằng mdi liên kết hàn hay liên kết cơ khíkhác Các cau kiện bằng bê tông ho c bê tông cốt th p đúc sẵn thì liên kết băng mối liênkết bê tông hay bê tông cốt th p có chất lượng tương đương với việc thi công bê tôngtoàn khối Các cau kiện đúc sẵn có thé là dầm, cột, cầu thang, b n sàn (panel sàn), tắmtường (panel tường), dàn vì kèo, móng cốc, đoạn đường ống (tunnel), đốt e e [2]

“Thi công công trình theo phương pháp | p gh p là phương pháp trong đó các kếtcầu được chế tạo thành những cau kiện tại nhà máy và được | pd ng bằng các phương

tiện cơ giới tại công trường”.

2.1.3 Cau tao nhà cao tang bê tông c t thép đúc sẵn“Các cau kiện cột, dầm, sàn được s n xuất tại nhà máy Các tắm sàn được thiết kếcó hệ sườn và lớp đệm, lõi cứng của công trình được thi công tại chỗ ho c trượt lõi Saukhi cột, dầm, tam san được | p thì đỗ một lớp bê tông cốt th p toàn khối trên toan bộm t sàn từng tang, tam sàn là tam 3 lớp [2]

Một số cau kiện bê tông cốt th p đúc sẵn:

5ne :

(Công trưởng Eco Green Sài gon, Q.7)

2.1.4 Quá trình lắp ghép- Vận chuyến: Bao gồm bốc xếp, v n chuyển cấu kiện từ nơi s n xuất đến côngtrường và các quá trình liên quan đến v n chuyển, bốc xếp cau kiện | p gh p tại m tbăng công trình

- Chuẩn bị:+ Kiểm tra chất lượng, kích thước, hình dạng, s đồng bộ và số lượng cầu kiệntheo thiết kế, khuyếch đại và gia cường các kết cấu (nếu cần thiết)

+ Chuẩn bị giản giáo, các thiết bị phục vụ cho việc treo, buộc, cau, | p các thiếtbi, dụng cụ di uch nh, kiểm tra, cố định tạm và cố định vĩnh vi n

+ Chuẩn bị vị trí 1 p (vệ sinh, vạch tim, trục ) gối t a để đ t cau kiện vào vị tríthiết kế

- Lắp đ t kết cấu: Tiến hành treo, buộc nâng cầu kiện vào vị trí thiết kế, cỗ địnhtạm, di uch nh và cỗ định vĩnh vi n kết cau

2.1.5 Trình tự lắp ghép công trình

Fill back by groutingconstruction

Precast prestress

conerete beami) Fillin the hole (40x80)

: " xế : by grouting grade 600#

Starting bars ` ` 1 ; after erection

Column C2

Top of column Starting bars

) Beam DP 1 : 6 8Ø) Beam DP1

) Beam DT1B ye 1) Beam DT1B

) Column C2 ( : ®) Stirrups

Starting bars Stirrups

Beam DT1B (` Concrete cast on site

(Grade 350#)® Mesh steel ¿6 Panels

Beam DT1A Column C2

Bước 5:L pd ngtam san

Hình 2.4 Trinh t thi công nhal p gh p

(Ngu n: Vinaconex Xuán Mai)

2.1.6 Chỉ tiết liên kết:

DAI CỘT BƯỚC 100

A ĐAI COT DANG DAI KIN HOẶC

= Ỷ — LA 02 DAI U UP LẠI HAN ĐIỂI

COLUMN BEAR PC BEAM DIRECTLY ~~ 7

Hình 2.5 Liên kết dầm ti n chế và cột tại chỗ (Liên kết ướt)

Lỗ CHO TRONG DAM

WA KHÔNG CO MÁC >= 550#

[WAITING HOLES IN BEAM]

[NO SHRINKABLE GROUT][WITH GRADE >= 5504]

.——————~”

" 200-250 It 29 \ Vai damTHEP CHO LIEN KET : mn (Corbel)

[STARTING BARS]

Hinh 2.6 Lién két dam ti n ché - dam ti n ché

Dam Chinh(Main Beam) VAT VAI DAM

~ Vai dam

(Corbel)

Hinh 2.7 Chi tiét vat vai dam ti n ché

PANEN DAC - SOLID SLAB

PANEN RONG - HOLLOW SLAB

Œ 2ø12 : GIỮA DAM, CHẠY DOC DAM[2012 : MIDDLE BEAM, ALONG BEAMS L(2) THÉP ÂM DAT TẠI GỐI

[PUT NEGATIVE BARS ON SUPPORT ]

~ ———————>>—=—— 4

ENGTH]

Hình 2.8 Liên kết dầm tại gối

ĐỐI VỚI PANEL CÓ XỐP - HOLLOW SLAB

LƯỞI THÉP - [MESH STEEL] @® THÉP ÂM @X: XEM TRONG TINH TOAN PANEL @

95(6) 150x150 [NAGATIVE STEEL SEE CALCULATION PANNEL]

, 300 ,

| Cover tap) |

our: GIUA DAM, CHẠY DOC DAM / >= L(panel)/8,400mm |

(2012: MIDDLE BEAM, ALONG BEAM]

ĐỐI VỚI PANEL ĐẶC - SOLID SLAB

LƯỞI THÉP - [MESH STEEL) THÉP AM X: XEM TRONG TINH TOÁN PANEL

95(6) «150x150, [NAGATIVE BARS SEE PANEL CALCULATION STATEMENT]

\ 2012 : GIUA DAM, CHẠY DOC DAM @

[2ø12: MIDDLE BEAM, ALONG BEAM]

300 300

|

*T

r-Hình 2.9 Liên kết Panel với dầm

[CHO HOAT TAI (FOR LIVE LOAD) >= 750 KG/M2]

MAT BEN PANEL

$6 7iq7a DẨM ĐỤC SAN

PANEL

Hình 2.10 Liên kết giữa 2 panel xốp

(Ngu n: Vinaconex Xuân Mai)

2.1.7 Hình anh thi công thực tếCác hình nh dưới đây là hình nh Thi côngth ctếtạid án Eco Green Sai Gòn- Công trình Trường Tiểu h c Kim Đồng (Thang 6/2018)

Hình 2.13 L pd t cột vào liên Hình 2.14 Neo giữ 4 phương của cột

kết băng cáp

Trang 23

Hình 2.17 Đồ bê tôngb_ san

22.7 NGQUANV_ DATA MINING :2.2.1 Định nghĩa:

Khai phá dữ liệu là một khái niệm ra đời vào những năm cuối của th p ky 80 Nóbao hàm một loạt các kỹ thu t nham phát hiện ra các thông tin có giá trị tỉ m an trongcác t p dữ liệu lớn (các kho dữ liệu) Vb n chất, khai pha dit liệu liên quan đến việcphân tích các dữ liệu và sử dụng các kỹ thu t để tìm ra các mẫu hình có tính chính quy

trong t p dữ liệu [4]

Ở một mức độ trừu tượng nhất định có thé định nghĩa: Khai phá dữ liệu (DataMining) là một quá trình tìm kiếm, phát hiện các tri thức mới, ti m ấn, hữu dung trong

cơ sở đữ liệu lớn.Khai phá tri thức là mục tiêu chính của khai phá dữ liệu, do v y hai khái niệm đó

được xem như hai lĩnh ve tương đương nhau Nhưng, nếu phân chia một cách tách

bạch thì khai phá dữ liệu là một bước chính trong quá trình Khai phá tri thức [4]

Diễn giải/ Đánh giá = Sa

Tri thire

Khai phá o ảnh - :— ig Cac mau :

( huyền đôi vi : dữ liệu :

© : := : Dữ liệu :

Liên xứ * 4 Đã chuyển doi

Hình 2.18 Khai phá dữ liệu là một bước trong quá trình khai phá tri thức

2.2.2 Các kỹ thuật tiếp cận trong khai phá dữ liệu.Nếu đứng trên quan điểm củah c máy (Machine Learning), thì các kỹ thu ttrong Data Mining, bao gồm: H c có giám sát (Supervised learning),H c không có

giám sát (Unsupervised learning), H c nửa giám sát (Semi - Supervised learning) [5]

Nếu căn cứ vào lớp các bài toán cần gi i quyết, thi Data Mining bao gồm các kỹthu t sau: Phân lớp vad đoán (Classification & prediction), Lu t kết hợp

(Association rules), Khai thác mẫu tuầnt (Sequential/temporal patterns), Phân cum

- Là 1 phương pháp thử nghiệm, đưa ra 1 trong những phương pháp mạnh và chính

xác nhất trong số các thu t toán nổi tiếng v phân lớp dữ liệu.- SVM là một phương pháp có tính tổng quát cao nên có thể được áp dụng cho

nhi u loại bài toán nh n dạng va phân loại.

2.3.2 Y tưởng của SVMCho trước một t p huấn luyện, được biểu di n trong không gian vector, trong đómỗi tài liệu là một điểm, thu t toán này tìm ra một siêu phăng f quyết định tốt nhất cóthể chia các điểm trên không gian này thành hai lớp riêng biệt tương ứng là lớp + và lớp— Chất lượng của siêu phăng này được quyết định bởi kho ng cách (g i là biên) củađiểm dữ liệu gần nhất của mỗi lớp đến m t phang này Khi đó, kho ng cách biên cảnglớn thì m t phăng quyết định càng tốt, đồng thời việc phân loại càng chính xác [6]

Mục đích của thu t toán SVM là tìm được kho ng cách biên lớn nhất, đi u này

được minh h a trong hình dưới đây.

Hình 2.19 Môt phương pháp SVM

Đường tô đ m là siêu phăng tốt nhất và các điểm được bao bởi hình chữ nh t lànhững điểm gần siêu phăng nhất, chúng được g i là các vector hỗ trợ (support vector).Các đường n t đứt ma các support vector nam trên đó được g ilal (margin)

2.3.3 Nội dung thuật toán SVM:

2.3.3.1 Cơ sở lý thuyết:SVM th c chất là một bài toán tối ưu, mục tiêu của thu ttoán này là tìm được mộtkhông gian F và siêu phăng quyết định f trên F sao cho sai số phân loại là thấp nhất

Cho t p mẫu (xi y¡) (Xs Y2). (Xp yp} VOIX; € R”, thuộc vao hai lớp nhãn: y; €

{-1,1} là nhãn lớp tương ứng của các x; (-1 biểu thị lớp I, 1 biểu thị lớp ID

Ta có, phương trình siêu phang chứa vecto x, trong không gian:

x.w+b=0 (2.1)

— —— +1,x,.w +Ð > Ô

D t f(x,)=sign(x,.wtb)=) _ (2.2)

-lxw+b<0

Như v y, f (x ) biéu di ns phan lớp cua x, vào hai lớp như đã nêu Ta nói yi=

+1 nêu x, c lớp II Khi đó dé có siêu phẳng f ta sẽ ph i gi i bài toán sau:

Tim min|w| với w thỏa mãn di u kiện sau:

y,(sign(x,.w+b))21,Vieln (2.3)

Bài toán SVM có thé gi i băng kỹ thu t sử dung nhân tir Lagrange dé biến đổi vthành dạng đăng thức Một đ c điểm thú vị của SVM là m t phắng quyết định ch phụ

^ ` r ` r r lệ is “ is ° ` |thuộc vào các Support Vector và nó có kho ng cách đên m t phăng quyết định la NI

"

Chod các điểm khác có bị xóa đi thì thu t toán vẫn có kết qu giéng ban dau Đâychính là điểm nỗi b t của thu t toán SVM so với các phương pháp khác vì tatc dữliệu trong t p huấn luyện đ u được d ng để tôi ưu hóa kết qu

Tóm lại, trong trường hợp nhị phân phân tách tuyên tính, việc phân lớp đượcth c hiện qua hàm quyết định f(x) =sign(wx+b), ham này thu được băng việc thay

đôi vector chuân w, day là vector đêc c đại hóa mi nd c trưng y=

—¬II2 `lh

Việc mở rộng SVM dé phân đa lớp hiện nay vẫn dang được dau tư nghiên cứu Cómột phương pháp tiếp c n dé gi i quyết van đ này là xây d ng và kết hợp nhi u bộphân lớp nhị phân SVM (Chang hạn: trong quá trình huan luyện với SVM, bài toán phânm lớp có thé được bién đôi thành bài toán 2*m lớp, khi đó trong mỗi hai lớp, hàm quyếtđịnh sẽ được xác định cho kh năng tổng quát hóa tôi đa)

2.3.3.2 Bài toán phân da lớp với SVM

Đề phân đa lớp thì kỹ thu t SVM sẽ chia không gian dữ liệu thành 2 phân và tiếptục với không gian đã được phân chia Khi đó hàm quyết định phân dữ liệu vào lớp thứ

1 Sẽ là:

Kỹ thu t phân đa lớp bằng phương pháp SVM hiện vẫn đang được tiếp tụcnghiên cứu và phát triển.

2.3.3.3 Các bước chính cua phương pháp SVM

Theo Thái Sơn [6], các bước chính của phương pháp SVM gồm:- Ti n xử lý dữ liệu: Phương pháp SVM yêu cau dit liệu được di nt như cácvector của các số th c Như v y nếu dau vào chưa ph ¡ là số th c thì ta cần ph ¡tìmcách chuyển chúng v dạng số của SVM Tránh các số quá lớn, thường nên co giãn dữliệu dé chuyển v đoạn [-1,1] ho c [0,1]

- Ch n hàm hạt nhân: Cần ch n hàm hạt nhân ph hợp tương ứng cho từng bàitoán toán cụ thể để đạt được độ chính xác cao trong quá trình phân lớp

- Th_c hiện việc kiểm tra ch o dé xác định các tham số cho ứng dụng.- Sử dụng các tham số cho việc huẫn luyện t p mẫu

- Kiểm thử t p dữ liệu Test

2.3.3.4 Lựa ch n hàm nhân cho các ng dụng

Đi u cốt lõi của việc xây d ng ứng dụng d a trên thu ttoán SVM chính lal ach n các ham hạt nhân ph hợp Đó là một van đ khó khăn Hiện nay người ta thườngáp dụng các hàm hạt nhân có sẵn như:

Tuyến tính: K(x, Z) =x.z (2.6)

Đa thức b c đ: Kặ@.z)=(xz+e)# (2.7)

Radial Basis Function: K(x,z) = exp(-y|x- =| ), y>0 (2.8)

Khil ach n hàm hạt nhân, các nghiên cứu ch ra rằng hàm hạt nhân d a trênkho ng cách (RBF: Radial basis function) được | ach n đầu tiên, hàm nhân RBF ánhxa phi tuyến dữ liệu vào không gian đ c trưng nhỉ u chi u Ham RBE có it tham số

hơn nênd | ach n và đi uchnhph hợp cho từng ứng dụng [6|

2.4 MÔ HÌNH CÂY QUYÉT ĐỊNH (CART)

2.4.1 Định nghĩa :

Trong lĩnh v ch c máy, cây quyết định là một kiểu mô hình d_ báo (predictivemodel), nghĩa là một ánh xạ từ các quan sat v mộts v t/hiện tượng tới các kết lu nv giá trị mục tiêu của s v t/hién tượng Mỗi một nút trong (internal node) tương ứngvới một biến: đường nỗi giữa nó với nút con của nó thé hiện một gia tri cụ thé cho biénđó Mỗi nút lá đại diện cho giá trịd đoán của biến mục tiêu, cho trước các gia tri củacác biến được biểu di n bởi đường đi từ nút gốc tới nút lá đó Kỹ thu th c may d ngtrong cây quyết định được g ilah c băng cây quyết định, hay ch g ¡ với cái tên ng nø n là cây quyết định [7]

Ví dụ : Cây quyết định phân lớp mức lương

Vé Yoi“ i“<40 >40 <50 >50

BAD GOOD BAD GOOD

Hình 2.20 Cây quyết định phân lớp mức lương

2.4.2 Ưu điểm của cây quyết địnhSo với các phương pháp khai pha dữ liệu khác, cây quyết định có một số ưu điểm

sau:

- Cây quyết định tương đối dé hiéu

- Doi hỏi mức ti n xử ly dữ liệu đơn gi n.

- Có thé xử lý với e các dữ liệu rời rac va liên tục.- Cây quyết định là một mô hình hộp tr ng

- Kếtqu d đoán băng cây quyết định có thé thâm định lại bang cách kiểm trathống kê

2.4.3 Van đề xây dựng cây quyết địnhCó nhi u thu t toán khác nhau để xây d ng cây quyết định như: CLS, ID3, C4.5,SLIQ, SPRINT, EC4.5, C5.0 Nhưng nói chung quá trình xây d ng cây quyết định

đ u được chia ra làm 3 giai đoạn cơ b n:

Xây dựng cây: Th c hiện chia một cách đệ quy t p mẫu dé liệu huẫn luyện chođến khi các mẫu ở mối nút lá thuộc c ng một lớp

Cắt tỉa cây: Là việc làm d ng để tối ưu hoá cây c tt a cây chính là việc trộn

một cây con vào trong một nút lá.

Đánh giá cây: D ng để đánh giá độ chính xác của cây kết qu Tiêu chí đánh giálà tong số mẫu được phân lớp chính xác trên tong số mẫu đưa vao

2.4.4 Các thuật toán khai phá dữ liệu bằng cây quyết định

2.4.4.1 Thuật toán CLS [7|Thu t toán này được Hovland va Hint giới thiệu trong Concept leaming System

(CLS) vào những năm 50 của thế kỷ 20 Sau đó g ¡t t là thu ttoán CLS Thu t toánCLS được thiết kế theo chiến lược chia dé trị từ trên xuống Nó gồm các bước sau:

1 Tạo một nút T, nút này gồm tấtc các mẫu của t p huấn luyện.2 Nếu tat c các mẫu trong T có thuộc tính quyết định mang giá trị "yes" (hay

thuộc c ng một lớp), thì gán nhãn cho nút T là "yes” và dừng lại T lúc này là nút lá.

3 Nếu tấtc các mẫu trong T có thuộc tính quyết định mang giá trị "no" (hay

thuộc c ng một lớp), thi gan nhãn cho nút T là "no" và dừng lại T lúc này là nút lá.

4 Trường hợp ngược lại các mẫu của t p huấn luyện thuộc c hai lớp "yes" và

"no" thi:

+ Ch n một thuộc tinh X trong t p thuộc tính của t p mau đữ liệu , X có các giá

tri V1,V2, .Vn.

+ Chiat p mẫu trong T thành các t p con Tis To, , Tn chia theo giá trị của X

+ Tạo n nút con Ti G= 1,2 n) với nút cha là nút T.

+ Tạo các nhánh nối từ nút T đến các nút Ti (i= 1,2 n) là các thuộc tính của X

5 Th c hiện Ì p cho các nút con Ti (i =I, 2 n) và quay lại bước 2.

Tanh n thay trong bước 4 cua thu t toán, thuộc tính được ch n để triển khai câylà tuỳ ý Dov yc ng với một t p mẫu dé liệu huấn luyện nếu áp dụng thu t toán CLSvới thứt ch n thuộc tính triển khai cây khác nhau, sẽ cho ra các cây có hình dạng

khác nhau Việc | ach n thuộc tính sẽ nh hưởng tới độ rộng độ sâu, độ phức tạp của

cây Viv y một câu hỏi đ t ra là thứt thuộc tinh nào được ch n để triển khai cây sẽlà tốt nhất vẫn đ này sẽ được gi ¡ quyết trong thu t toán ID3 dưới đây

2.4.4.2 Thuật toán ID3 [7]

Thu t toán ID3 được phát biểu bởi Quinlan (trường đại h c Syney, Australia) vàđược công bồ vao cuối th p niên 70 của thé kỷ 20 Sau đó, thu t toán ID3 được giới

thiệu và trình bày trong mục Induction on decision trees, machine leaming năm 1986.

ID3 được xem như là một c i tiến của CLS với kh năng Ì ach n thuộc tính tốt nhấtdé tiếp tục triển khai cây tại mỗi bước ID3 xây d ng cây quyết định từ trên- xuống

(top -down).

Entropy: dùng để đo tính thuần nhất của một t p dữ liệu Entropy của một t p s

được tính theo công thức:

Entropy(S)= - P* logz(P”)-P' logz(P) (2.9)2.4.4.3 Thuật toán C4.5 [7]

- Thu t toán C4.5 được phát triển và công bố bởi Quinlan vào năm 1996 Thu ttoán C4.5 là một thu t toán được c i tiến từ thu t toán ID3 với việc cho ph p xử lýtrên t p dữ liệu có các thuộc tinh số (numeric atributes) và và làm việc được với t p dữliệu bị thiếu và bị nhỉ u Nó th c hiện phân lớp t p mẫu dữ liệu theo chiến lược ưutiên theo chỉ u sâu (Depth - First) Thu ttoán x t tatc các ph p thử có thé dé phân

chia t p dữ liệu đã cho và ch n ra một ph p thử có giá trị GainRatio tốt nhất.GainRatio là một đại lượng dé đánh giá độ hiệu qu của thuộc tính d ng dé th c hiệnph p tách trong thu t toán dé phát triển cây quyết định GainRatio được tính d a trênkết qu tính toán đại lượng Information Gain theo công thức sau:

Gain(X.,T)GainRation(X ,T ) = Splitinfo(X.T) (2.10)Với:

2.4.4.4 Đánh giá và kết luận về các thuật toán xây dựng cây quyết địnhCác thu t toán xây d ng cây quyết định vừa được trình bay ở trên đ u có nhữngđiểm mạnh và điểm yếu riêng của nó

Thuật toán CLS đây là một trong những thu t toán ra đời sớm nhất Nó ch áp

dụng cho các CSDL có các thuộc tính nhỏ, giá tri các thuộc tính dạng phân loại hay rời

rac Còn đối với các CSDL lớn và có chứa các thuộc tính mà giá trị của nó là liên tụcthì CLS làm việc không hiệu qu Thu t toán có thể cho các kết qu khác nhau vớic ng một t p dữ liệu đầu vào Bởi vì, thu t toán này chưa có tiêu chí để l ach n thuộc

tính trong quá trình xây d ng cây Nhung đây là thu ttoán đơn gi n,d cài đ t, ph

hợp trong việc hình thành ý tưởng va gi i quyết những nhiệm vụ don gi n.Thuật toán ID3: trong thu t toán [D3, Quinlan đã kh c phục được han chế củathu t toán CLS (ID3 được xem là phiên b nc ¡ tiến của CLS) Thu t toán nay làmviệc rất có hiệu qu , nó cho kết qu tối ưu hơn thu ttoán CLS Khi áp dụng thu t toánID3 choc ng một t p dữ liệu đầu vao và thử nhi u lần thì cho c ng một kết qu Bởivì, thuộc tính ứng viên được | ach n ở mỗi bước trong quá trình xây d ng cây được

1 ach n trước Tuy nhiên thu t toán này cũng chưa gi i quyết đượcv vẫn đ thuộc

tính số, liên tục, số lượng các thuộc tính còn bị hạn chế và gi 1 quyét hạn chế với van

d dữ liệu bị thiếu ho c bị nhi u [7]Thuật toán C4.5: Dé tiếp tục kh c phục những nhược điểm của thu t toán ID3,Quinlan đã đưa ra thu ttoán C4.5(C4.5 làs c ¡ tiễn cho thu t toán ID3 vac ilaphiên b n sau của ID3) Trong thu t toán này đã gi i quyết được van d làm việc vớithuộc tính số(liên tục), thuộc tính có nhỉ u giá trị, và van đ dữ liệu bị thiếu ho c bịnhỉ u Trong C4.5 th c hiện việc phân ngưỡng với thuộc tính số bang ph p tách nhị phân đưa vào đại lượng GainRatio thay thé cho đại lượng Gain của ID3 De gi i quyếtđược vấn đ thuộc tính có nhỉ u giá trị Ngoài ra C4.5 còn có bước c tt a nhánh khôngph hợp Tuy nhiên yếu điểm của thu t toán này là làm việc không hiệu qu với nhữngCSDL lom vì chưa gi i quyết được van đ bộ nhớ [7]

2.5 MẠNG NORON NHÂN TẠO (ARTIFICIAL NEURAL NETWORK)

2.5.1 Khái niệm:

ANN là một hệ thống xử lý thông tin bằng máy tính mà mô phỏng chức năng củanão người Não người gồm hăng triệu tế bao nối với nhau g i là noron Nơron có 4phân chính: thân noron (soma), cây thần kinh (dendrite), trục thần kinh (axon) và khớpthân kinh (synapse) [8]

2.5.2 Mô hình mạng Noron

Cau trúc của ANN gồm có 3 phan: lớp đầu vào, lớp an và lớp đầu ra như chi trênHình 2.6 Lóp đầu vào là lớp có kết nối với thế giới bên ngoài Lớp đầu vào sẽ nh nthông tin từ thế giới bên ngoài Lớp an không có kết nối với thế giới bên ngoai, nó chikết nối với lớp đầu vào và lớp đầu ra Lớp đầu ra sẽ cung cấp đầu ra của mạng ANNcho thé giới bên ngoài sau khi thông tin vào được mạng xử lý [8]

Hidden nodes layerInput nodes layer (

Input x1 s\\_ Output nodes layer

vã Ox " ous

Input x2—$—p

2.5.2.2 Perceptron nhiều lớp:Dang đơn giãn nhất của peceptron nhỉ u lớp sẽ có 3 lớp, một lớp đầu vào, mộtlớp ấn, và một lớp dau ra [8]

2.5.2.3 Mang Hopfield:

Có thé được phan loại là một mang ANN ph n hối (feedback), vi trong mang naymột lớp không chi nh n thông tin từ lớp trước đó mà còn nh n từ đầu ra trước đó và

bias [§]2.5.2.4 Mạng Kohonen:

Gồm có các đơn vị dau vào truy n thăng và một lớp phụ (bên) (lateral layer).Lớp phụ có một vài nơron, nối theo hướng ngang đến các noron lân c n MangKohonen có thêt tổ chức và có thé làm cho noron lân c nph nứng theo c ng một

cách [8]