Luận văn thạc sĩ Quản lý xây dựng: Ước lượng chi phí xây dựng cầu dầm nhịp giản đơn bằng mô hình mạng neuron nhân tạo (ANN)

Trong quá trình thực hiện luận văn, Học viên đã nhận được sự giúp đỡ thật quýbáo của nhiều cá nhân và tổ chức.Lời đầu tiên, Học viên xin được bày tỏ lòng biết ơn sâu sắc đến thầy TS.Lê H

PHƯƠNG PHÁP NGHIÊN CỨU

Chương 3 sẽ giới thiệu quy trình thực hiện nghiên cứu Việc xác định các nhân tố ảnh hưởng đến chi phí xây dựng cau dam nhịp giản đơn dựa trên nghiên cứu trước đây và tham khảo ý kiến của các chuyên gia đầu ngành công tác tại Sở Giao thông Vận tai tinh Long An Xây dựng bang câu hỏi khao sát, khảo sát các cán bộ quản lý dự án công tác trong ngành tại địa phương, từ đó rút ra được các nhân tố chính ảnh hưởng đến chi phí.

Thu thập dữ liệu liên quan đến các nhân tố ảnh hưởng dựa trên các công trình đã và đang thực hiện trên phạm vi tỉnh Long An.

Thể hiện các bước xây dựng mô hình ANN Các hệ số kiểm định mô hình ANN.

2 Quy trình nghiên cứu Đề tài nghiên cứu: Ước lượng chi phí xây dựng cầu dầm nhịp giản đơn bang mô hình ANN

Tham khảo các nghiên cứu trước, các chuyên gia công tác tai Sở GTVT

Các nhân to anh hưởng chính đến chi phí xây dựng cau

Xây dựng mô hình ước lượng ANN

Viết chương trình ứng dụng mô hình trên phần mềm

Su dung phuong phap Bootstrap ước lượng khoảng tin cậy giá tri ước lượng từ mô hình

Kết luận và kiến nghị

Hình anh 10 Qui trình nghiên cứu

3 Xác định các nhân té anh hưởng Đề xây dựng mô hình ước lượng chỉ phí, trước hết phải xác định các nhân tô ảnh hưởng đến chi phí xây dựng Tham khảo bài giảng của PGS.TS.Lưu Trường Văn: “Quy trình thực hiện một luận văn cao học ngành quản lý xây dựng về dự báo tông mức đầu tr xây dung công trình giao thông tại Binh Dinh”, các nhân tỗ sau ảnh hưởng đến chi phí xây dựng cầu:

Quy mô dự án (Cấp thiết kế công trình).

Khu vực (địa điểm, vị trí địa lý theo quy định).

Tham khảo các ý kiến chuyên gia có nhiều năm hoạt động trong ngành giao thông công tác tại Sở Giao thông Vận tải tỉnh Long An Các nhân tô này được chia làm

Nhóm các nhân tổ liên quan đến các thông số kỹ thuật của dự án:

Môđun đàn hồi kết cau yêu cau.

Chiêu dài cầu (bao gồm cả đường vào câu).

Số lượng dam DUL theo từng loại (ở đây chỉ xét các dam I có trên thị truong:18.6, 24.54 ).

Chiêu dai cọc bê tông cốt thép thiết kế.

Nhóm các nhân tô liên quan đền giá các vật liệu chính ảnh hưởng đền giá tri xây dựng câu:

Ngoài ra còn nhân tố khác như: Mức lương co bản

Các nhân tô trên được tổng hợp đưa vào bang câu hỏi khảo sát Sau khi khảo sát ý kiến của các lãnh đạo Sở, tat cả thống nhất sử dụng các nhân tố trên đưa vào bước thu thập dữ liệu.

Do đữ liệu thu thập từ các dự án cầu dam nhịp giản đơn được thực hiện trên địa bàn tỉnh Long An, trong khoảng thời gian gần nhau nên thay đối do yếu tố lạm phát về gid vật liệu không đáng kế Yếu tô thay đổi về nhân công ca máy do Nhà nước thay doi chính sách đã được khử băng cách chuyển các giá tri dự toán của các dự án về cùng hệ số của cùng một thời điểm Trong quá trình thu thập, các nhân t6 sau giống nhau đối với các dự án xây dựng trong vùng: Cấp thiết kế, khu vực, thời gian thi công, vận tốc thiết kế, tải trọng thiết kế, biện pháo thi công và mức lương cơ bản.

Vì vậy, các nhân tố sau đây là ảnh hưởng nhiều đến chi phí xây dựng cầu dam nhịp giản đơn:

Nhóm các nhân tổ liên quan đến thông số kỹ thuật:

- _ Môđun đàn hồi kết cấu thiết kế (MDDH).

- _ Chiều dai cầu (bao gồm đường vào cau) (CDTC).

- _ Chiều dai phan cầu (CDPC).

- _ Chiều cao thông thuyền (CCTT).

- Chiéu dai coc bê tông thiết kế (CDCO).

Nhóm các nhân tổ liên quan đến giá các vật liệu thi công chính:

Công tác thu thập dữ liệu các công trình được thực hiện đối với các dự án được thực hiện trong năm 2013 và 2014 dựa vào hồ sơ thuyết minh dự án và dự toán các công trình Số dự án thu thập được là 33 dự án Trong đó 32 dự án phục vụ công tác xây dựng mô hình va | dự án phục vụ cong tác thử nghiệm mô hình Số liệu các dự án được tổng hợp như sau: s ọ 2 oS | | lo + |e |S = E = < |% eo

OQ WY © S Ps Eg lz sg & ra ` 5 2 oOo SS > FF

= a + a & II ls B/E E E a= 74 — o |E 8š Z|Eš | E ‘S S = a —

OO 1 sg ‹ i) no) co Ww 3 Ss} `9 ` ‹4) — ©

# = @ |? Đ © lo |“ = = = # lễ = & sc | 8 | 2 |e le E |4/4/;s |] 9 ° ==- = k= = ‘= © lẽ ) jo a =

120 | 562.61 | 179.18] 12 5.4 24 49 | 1733 | 189300 | 488200 | 16320 | 14780 | 19700 | 31048496624 o gq 9 oO l.@ | ep S + |9 | = E = = ~ |c eo m c = Š | 3 Tal œ on = m> ae z = < rO â _= oN `- = ~ = ằ ` % 2 Oo = > >

OS 7 Co s CS = Tc Ww `S Nae) Nas) - ‹q) — © S mH = _ a |? 5 Oo |*© >< ` G G h> = = &

Bang 2 Bảng tong hop những số liệu can thiết dé xây dựng mô hình

5 Xây dựng mô hình mang neuron nhân tạo

Lựa chọn mô hình: thuật toán, hàm tôi ưu, liên kêt giữa các neuron

Vv Vv Lua chon cau trúc mang Ỷ Xác định sô lớp của mạng

Xác định sô lượng neuron

Xác định tân suât và cách thức học tập

Chap nhận lỗi huấn luyện

Tap hợp dữ | igu phan tích

Châp n phân tích vào dữ A hận sai sô liệu dau vào

Ap dung cho thuc té

Hình anh 11 Quy trình phát trién mô hình neuron

5.1 Dinh hinh mang Một mang neuron nhân tạo (đơn giản) là một mô hình tính toán được đặc trưng bởi các đặc tính sau:

- _ Loại neuron và số lượng neuron.

- _ Câu trúc liên kết và tổ chức liên kết giữa các neuron.

- - Thuật toán ghi nhớ. a Học của mang neuron: Học là quá trình thay đối hành vi của các vật theo một cách nào đó làm cho chúng có thé thực hiện tốt hon trong tương lai.

Một mang neuron được huyan luyện sao cho với một tập các vector đầu vào X, mạng có khả năng tạo ra tập các vector đầu ra mong muốn Y của nó Tập X được sử dụng cho huấn luyện mạng được gọi là tập huấn luyện (training set) Các phân tử X thuộc X được gọi là các mẫu huấn luyện (training example) Quá trình huấn luyện bản chất là sự thay đối các trọng số liên kết của mạng Trong quá trình này, các trọng số của mạng sẽ hội tụ dần tới các giá tri sao cho với mỗi vector đầu vào x từ tập huấn luyện, mạng sẽ cho ra vector đầu ra y như mong muốn

Có ba phương pháp học cơ bản là học có giám sát (supervised learning), học không giám sát (unsupervised learning) và học tăng cường (Reinforcement learning). b Thuật toán lan truyền ngược Thuật toán lan truyền ngược được phát triển và ứng dụng đầu tiên bởi Paul Werbos vào năm 1974 Thuật toán này đã trở thành thuật toán quan trọng nhất trong lich sử phát triển mạng neuron, nó được ứng dụng pho biến cho đến ngày nay.

Quá trình huấn luyện mạng được bắt đầu bởi bộ trọng SỐ ngẫu nhiên Trong lần chạy đầu tiên mạng sẽ cho giá trị đầu ra Y từ mô hình Giá trị đầu ra Y này sẽ được so sánh với giá tri Y thực sự từ bộ dữ liệu Sai số sẽ được tính toán và lan truyền ngược trở lại từng lớp neuron trước đó để cập nhật lại trọng số thông qua phương pháp giảm gradient M6 hình sau khi cập nhật lại bộ trọng số sẽ tiến hành lần chạy lượt tiếp theo để cho ra giá trị Y thứ 2 và giá tri này tiếp tục được so sánh với giá trị Y thực sự để tính toán sai số và lan truyền ngược trở lại mạng Cứ như vậy quá trình này được lặp đi lặp lại nhiều lần. c Các vấn đề cần quan tâm trong công tác huấn luyện mạng.

Kích thước mẫu và vẫn đề nhiễu.

Không có nguyên tắc nào hướng dẫn lựa chọn kích thước mẫu cho một bài toán cụ thể Kích thước mẫu càng lớn độ chính xác cảng cao Kích thước mẫu thường phụ thuộc vào:

- Dang hàm đích — khi ham đích càng phức tạp thì kích thước mẫu cần tăng.

- _ Nhiễu — khi mức độ nhiễu của dữ liệu càng cao thì kích thước mẫu cần tăng.

Van dé nhiễu xảy ra do thiếu thông tin, thông tin không chính xác, không bao phủ van dé Van dé nhiễu làm giảm độ chính xác của mô hình.

Van dé quá khớp xảy ra khi mạng trả lời chính xác những gì nó được học còn những gi không được học nó sẽ không quan tâm Van dé này làm cho mạng không có tính tổng quát.

Một số cách khắc phục van dé quá khớp.

- Han chế các nút an.

- Ngan không cho mạng sử dụng những trọng số quá lớn.

- Gidi hạn số lần huấn luyện mạng.

Khi số lượng nút an càng cao, trọng số lớn tính tổng quát của mô hình càng giảm Vì vậy, dễ dẫn đến van dé quá khớp trong mô hình.

Việc đánh giá mô hình dựa trên các giá tri sai số và độ phù hợp của mồ hình.

Các giá trị sai số như: PE, MAPE, MSE, RMSE cho thay độ chênh lệch giữa giá trị thực tế và giá tri ước tính từ mô hình, thể hiện độ chính xác của mô hình Các giá tri sai số càng tiễn gan về 0 thì mô hình càng chính xác.

- Sai số phan trăm (percentage error)

Sai số phan trăm tuyệt đôi trung bình (Mean absolute percentage error)

Sai số bình phương trung bình (Mean squared error) ằ (Pr edicted — Actual)

Sai s6 can bac hai binh phuong trung binh (Root mean squared error) ằ (Pr edicted-Actual)*

XÂY DỰNG MÔ HÌNH ANN

1 Giới thiệu chương Đề xuất cấu hình mang ANN sẽ được sử dụng trong nghiên cứu này Từ đó xây dựng các mô hình ANN tương ứng với bộ dữ liệu đầu vào Nhận xét, đánh 21a các mô hình.

2 Dé xuất câu hình mang ANN Nhiéu nghiên cứu ứng dụng ANN trong lĩnh vực quan lý xây dựng được thực hiện Các nghiên cứu này chứng minh rằng mô hình ANN muôi tiễn nhiêu lớp (multilayer feed-forward networks) với thuật toán lan truyền ngược (back-propagation) là cầu trúc phù hợp nhất trong việc xây dựng mô hình ước tính.

Theo các luận văn nghiên cứu về dé tài ước lương chi phi đã thực hiện: số lượng lớp ấn (hidden layer) để sử dụng trong mô hình là một hoặc hai lớp ân, ở đây ta sẽ sử dụng cả hai loại mô hình 1 lớp ấn và mô hình 2 lớp ân để xây dựng mô hình, sử dụng hàm chuyên sigmoid cho lớp ân và hàm chuyền tuyến tính cho lớp output Tuy nhiên dé đạt độ chính xác cân xác định số neuron trong lớp an sao cho phù hợp.

Theo một số nghiên cứu khác trước đây, số neuron lớp ân năm trong khoảng từ 2Jn+m đến 2n+1 với n là số neuron đầu vào và m là số neuron đầu ra.

Dé xây dựng và đánh giá mô hình, phan mém SPSS 22 và excel được sử dụng.

Mô hình xây dựng cho thuật toán tôi ưu sử dụng là scaled conjugate gradient, hàm chuyên sigmoid cho lớp ấn và ham identity cho lớp output Việc phân chia mau được lây theo tỉ lệ 75% (ứng với 24 mẫu) cho bộ training và 25% (tương ứng 8 mẫu) cho bộ test Tiên hành lựa chọn ngẫu nhiên 8 mẫu cho bộ test trong tổng sô 32 mẫu thu thập được Dé phân chia bộ training và bộ test trong SPSS ta bổ sung thêm biến có giá trị

“0” cho bộ test và “1” cho bộ training.

Dựa vào số liệu thu thập được ta có thé chia các bién thành 2 mô hình theo 2 giai đoạn phát triển của dự án:

Giai đoạn 1: Bước lập dự án sôm có 8 bién dau vào bao sôm: biến MDDH,

CDTC, CDC, CRC, CCTT, CDCOC, 5D24.54, SD18.6.

Giai đoạn 2: Bước hoàn thiện thiết kế bản vẽ thi công gồm có 14 biến đầu vào bao gồm: biên MDDH, CDTC, CDC, CRC, CCTT, CDCOC, SD24.54, SD18.6, GXM,

GC, GD, GN, GTH, GNL.

3 Xây dựng và đánh gia mô hình giai đoạn 1

Mô hình 1: Cau hình mạng nuôi tiễn nhiều lớp với 1 lớp ân, số neuron lớp an thay đối từ 7 đến 17, sử dụng ham sigmoid cho lớp an và hàm identity cho lớp output.

Số mô hình cần xây dựng là 11 mô hình.

Mô hình 2: Cau hình mạng nuôi tiễn nhiều lớp với 2 lớp ân, số neuron lớp an thay đối từ 7 đến 17, sử dụng ham sigmoid cho lớp an và hàm identity cho lớp output.

Số mô hình cần xây dựng là 121 mô hình.

0,001 | LJ LJ | LJ LJ | LJ LJ LJ |

Hình ảnh 12 Đà thị R”(mô hình 8 biến dau vảo 1 lớp ẩn)

800 L L L T L L L T L L L T L L L T L L L T L L L T L L L T L L L T L L L T L L T T L L T 1 VAD WN HH ^Ấ 2® AS 2Ý ^ A6 AN “9 2N DH NO 2Ô ^^ rh A© Ất ASaYAYAYAY War er arg? I Mor gr gr oy A9 e3, gone

Hình ảnh 13 Đà thị hệ số R”(mô hình 8 biến dau vào 2 lớp ẩn)

Xàằ ao A %Ak 6 4 No Ao 29 AD Am AG

SSAA S Xs : Torr PPP 0 00v VDD kỳ kỳ

Hình anh 14 Đà thị hệ số R”(mô hình 8 biến dau vào 2 lớp ẩn)

1.000 naan atom đề” ÔN MẾÙ) (raining)

800 LJ LJ LJ LJ J LJ LJ J LJ J LJ LJ J LJ LJ LJ LJ J LJ LJ J LJ J LJ LJ J LJ LJ LJ LJ J LJ LJ

^ ND “ SO Dv am A6 AẤ Xiằ A9 xẤ

XP A2 QoỲ Qoy VSỲ QSỲ xe wor or Yor Or NN AY Ar AY a?

Hình anh 15 Đà thị hệ số R”(mô hình 8 biến dau vào 2 lớp ẩn)

Nhóm mô hình 8 biến đâu vào | Nhóm mô hình 8 biên dau

1 lớp an vào 2 lớp an

Bang 3 Tổng hợp hệ số xác định (R’) mô hình ANN giai đoạn 1

Hình ảnh 12 đến 15 va bảng 3 cho thay, hệ số xác định ANN ứng với bộ training luôn cao hơn bộ test Kết quả phù hợp với các nghiên cứu về xây dựng mô hình ANN thể hiện khả năng hoc của các mồ hình tốt hơn kiểm tra.

Cả hai mô hình, hệ số xác định của bộ training dao dộng tương đối nhỏ từ 0.017 đến 0.08, hệ số xác định của bộ test dao động từ 0.024 đến 0.039 Điều đó cho thay mô hình ANN 8 biến đầu vào 2 lớp an cho kết quả học và kiểm tra tốt hơn mô hình ANN llớp an Tuy nhiên mô hình ANN I lớp ấn có sự 6n định hơn.

Hình ảnh 16 Do thị sai số MAPE (mô hình 8 biến đâu vảo 1 lớp ẩn)

000% Yor F F Ì tf F F T tf YF bt PF bP Í TT Í T Í Í Ì T TT T T T Í Í Í Ì T Í Í T Í Í TT Ì T TT 1 hbỲ ỉ — œủ ưu đ C c\ỡ l â CB Ooa hen c6 C c\ Tt vO a ear Siar Sher mo TS 5S TS mm cjO CO mm “CC mm nm

Hình anh 17 Đồ thị sai số MAPE (mô hình 8 biến dau vào 2 lớp dn)

000% LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ 1 mAmamANnNnrwAoOontTonanrAananNrDwAoONT © ee PP TT: EPC c) TT; TT; TT TT ôEE oP PP, TT TT TT TỦ

Hình anh 18 Đồ thị sai số MAPE (mô hình 8 biến đâu vào 2 lớp dn)

000% L L T L L L T L L T T L L T L L L T L L T T L L T L L L T L L L 1 Ấ V9 NSN dh nO Ao OD YD ^ co AA Sm A9 A

S3 D7 OY Oy Oy my OGY Or Or ory NOT NV AY Ad Ay a>

NP DOT PM OT Sở OPO Or AO” Or VÀ? NAT AP AT 2A

Hình anh 19 Đồ thị sai số MAPE (mô hình 8 biến dau vào 2 lớp dn)

Nhóm mô hình 8 biển dau vào | Nhóm mô hình 8 biến dau

1 lớp an vào 2 lớp an

Bang 4 Tổng hop sai số MAPE giai đoạn 1

Hình ảnh 16 đến 19 và bảng 4 cho thay, sai số tuyệt đối trung bình (MAPE) của các mô hình ANN ứng với bộ training nhỏ hơn bộ test Với kết quả này các mô hình luôn cho sai số phần trăm tuyệt đối trung bình trong quá trình huấn luyện thấp hơn quá trình kiểm tra.

Các giá trị MAPE của bộ training trong nhóm mô hình 1 lớp an dao động từ 4.31% đến 6.02% tốt hơn so mới giá trị MAPE của bộ training nhóm mô hình 2 lớp an từ 4.48% đến 8.74% Giá trị của bộ test của nhóm mô hình | lớp an cho kết quả tốt hơn dao dộng từ 5.66% đến 8.51% so với bộ dao động của nhóm 2 lớp an từ 6.47% đến 16.16% Nhóm mô hình | lớp an giá trị MAPE trung bình cho tat cả các mô hình ứng với bộ training là 4.97% và với bộ test là 6.81% Nhóm mô hình 2 lớp an giá trị MAPE trung bình cho tat cả các mô hình ứng với bộ training là 5.67% và với bộ test là 8.73%.

Kết quả cho thấy quá trình học của 2 nhóm mô hình có sai số là tương đương nhau.

Nhìn chung các giá trị MAPE của hai mô hình này khá thấp, cho thấy việc ứng dụng mô hình ANN để sử dụng mục đích của đề tài là phù hợp.

Hình anh 20 Đồ thị sai số MAPE của bộ Test (Mô hình ANN 8 biến dau vào I lớp ẩn)

Hình anh 21 Đà thị hệ số R° của bộ Test (Mô hình ANN 8 biến dau vào 1 lớp ẩn)

0% T1 l l Í T T Í Í TT T Í T Í l Í TT Í Í Í l Í l T Í l l Í TT Tl l Ì l l 1 A A9 SN 45 v9 4À od OAD Adm AO od v9 SD DM ym x6

AN AAPA AM Ay Bar arar sở 9 Mgroergrar Peer ve

Hình anh 22 Đồ thị sai số MAPE của bộ Test (Mô hình ANN 8 biến đầu vào 2 lớp ẩn)

0% ror fF Ff Ff PF Pf Í Í Po bP PP Í Í Í TT Tet

DN > AD A Ad AD AY Ak OV „9 Ad 5 29 A DAD ad AC

MT 1N nà nàn Y xà vờ và vờ l0 SERRATE PT NNT AD TATE 2 DET AD? Abe AD Hình anh 23 Đồ thị sai số MAPE của bộ Test (Mô hình ANN 8 biến đầu vào 2 lớp ẩn)

0% UJ UJ UJ UJ UJ UJ UJ J J J J J UJ UJ UJ UJ UJ UJ UJ UJ UJ J T T T T T J J J J 1

\ 49 Nee) 6 ` % ~® © A ` v ^ mr A95 cờ cờ CỬ OD Oy ằ Gy or MAT A AY AY Ad a>

NN ch ` Ne or N Áo? Yor V6 6 aE OIG RING RING.

800 T T T T 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 T T T T T T T T T T T LJ LJ LJ LJ LJ LJ LJ LJ A A9 YS DD MN oS OD WY am © 4 9 YD OO NY QS WY bk ©

Ar Asay Arar ary & a sỲ SY % v Sằ 9 o> o> o> sờ SOS Ỳ

Hình ảnh 25 Đà thị hệ số R? của bộ Test (Mô hình ANN 8 biến dau vào 2 lớp ẩn)

LVS@ = "LULZ

_€EỨS€¿ ce mayan mane mrane _GS¿ | "6l. œ ©S o> CC EC=So Co Oo Co CC CC &

(mô hình 14 biên đâu vào 2 lớp án) x p2 R é SO

Bang 7 Tổng hợp hệ số xác định (R’) mô hình ANN 2 lớp ẩn

Nhóm mô hình 14 biển đầu | Nhóm mô hình 14 biến đầu vào | lớp an vào 2 lớp an

Hình ảnh từ 28 đên 38 và bảng 7 cho thấy, hệ số xác định ANN ứng với bộ training luôn cao hơn bộ test Két quả phù hợp với các nghiên cứu vê xây dựng mồ hình ANN thể hiện khả năng học của các mô hình tốt hơn kiểm tra.

Cả hai mô hình, hệ số xác định của bộ training dao dộng tương đối nhỏ từ 0.063 đến 0.101, hệ số xác định của bộ test dao động từ 0.142 đến 0.314 Điều đó cho thấy mô hình ANN 14 biến đầu vào 2 lớp an cho kết quả học và kiểm tra tốt hơn mô hình ANN I lớp an.

Hình ảnh 39 Do thị sai số MAPE (mô hình 14 biến đâu vao 1 lớp ẩn)

000% Tor Ff TF fT PF PF PP PU Td Te

Hình anh 40 Do thị sai sô MAPE (mô hình 14 biên đáu vào 2 lớp án)

000% Tor Ff Ff Ff PF PT PF PF bt PO bP Tet Nn — ce@ t2 h ©ŒẦ — ca Ư) ELè CŒ C C1 TT Ub wont Oo GẰ + ST z 0N Q 8q ẹ San na san Qa q8 ẹ

000% ror tf f F fF TF Y Ff F Í F fF fF bt T PT Um mm mT a Tet

— ỉ8 ủnằœamứmứmứmmmóứm xxx x1 51x 6x Hình anh 42 Do thị sai sô MAPE (mô hình 14 biên đáu vào 2 lớp án)

000% YT fF Í T fF F Ff Ff Tt tm Um T Um TT

NmaAamMnMNnhrAawAmMnNnNrBWDW_ TOA TVO WAQGOnananwrt oO Ww Vader z ier Mier OS SỐ SQ Q ẹ ir i er mm ma Q SS

Hình ảnh 43 Đô thị sai số MAPE (mô hình 14 biến đâu vào 2 lớp ẩn)

000% Yor T Ff F TT Ff Tf Ff YF TP TT T T T T T Í Í TT T T T Í 1 T TT T T T Í T Ì T T 1 1 Ằ mm e6 t2) © —= e VÀ E Ô C C1 TT CC 0Œ CÔ c1 x CC we B7 mẽ mẽ mẽ 0 NAN ẹ SỐ == AaAN AAA

—mtmhẽthh*hhh*hhrhhrhh®hhrhrh9SðSẽẽ#ẽ*ềš*ề*ềš*šề*ềề

—— MAPE (training) 005% - MAPE (test) 000% LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ tod ben © © © > OE © > EE © > EE © > CỔ CỔ CỔ CỔ CC CC CC CC CC > oP) Sa — — — = = = = —= C©\Ì C\Ì C\ C\ C\I €ầẦ\ €©( ầ(Ã ON NN

Hình anh 45 Do thị sai sô MAPE (mô hình 14 biên dau vào 2 lớp án)

006% UNA sa ~ Á ` NT MAPE (trating)

000% ror Tf fF fF TT fF fF fF PF PF bf PF TT YP Um Í UU Í 1 T TT Tt

NA ce t2 Rr ADA mMNnNr CŒ C Ccì TVO Œ C cì x vo w - ST z NA S Q Qq ẹ Sa na at Q Q a ẹ N —= = —= = = T = = — — C\Ì C\ C\Ì C\Ị C\ C\Ị C\Ị C\Ị ON NN

€ẦẹÁ âCâl âl C(L â( â( â( €â( â( €â( ANNAN €â( AN AA A

NHÀ V2

000% LJ LJ LJ LJ LJ LJ LJ LJ LJ LJ T LJ LJ LJ LJ LJ LJ T LJ LJ 1

Hình anh 47 Đồ thị sai số MAPE (mô hình 14 biến dau vào 2 lớp ẩn)

ANY |

Hình anh 49 Do thị sai sô MAPE (Mô hình ANN 14 biên đâu vào 2 lớp Gn)

= = 15 fo le IM [HA [Ss

‘= ơ Dia [re |8 iw |9 s ‹â zœ@ & = > SS

“ |a lolx |c jo} lao) - ro lao) + fon & s |3 is |S |5 Is

Hình anh từ 39 đên 49 va bảng 8 cho thay, sai số tuyệt đối trung bình (MAPE) của các mô hình ANN ứng với bộ training nhỏ hơn bộ test Với kết quả này các mô hình luôn cho sai số phan trăm tuyệt đối trung bình trong quá trình huấn luyện thấp hơn quá trình kiểm tra.

Các giá trị MAPE của bộ training trong nhóm mô hình 1 lớp an dao động từ 2.08% đến 6.69% tốt hơn so mới giá trị MAPE của bộ training 2 lớp ân từ 1.61% đến 9.09% Giá trị của bộ test của nhóm | lớp an cho kết quả tốt hon dao dộng từ 7.00% đến 13.39% so với bộ dao động của nhóm 2 lớp an từ 5.53% đến 22.45% Nhóm 1 lớp ân giá trị MAPE trung bình cho tất cả các mô hình ứng với bộ training là 4.62% và với bộ test là 10.11% Nhóm 2 lớp an giá trị MAPE trung bình cho tat cả các mô hình ứng với bộ training là 5.44% và với bộ test là 10.99% Kết quả cho thấy quá trình học của 2 nhóm mô hình có sai số là tương đương nhau Tuy nhiên quá trình kiểm tra nhóm 1 lớp ân cho kết quả tốt hơn Nhìn chung các giá trị MAPE của hai mô hình này khá thấp, cho thay việc ứng dụng mô hình ANN dé sử dụng mục đích của dé tài là phù hợp. wee A A_\ aan TV AVN

Hình anh 50 Đồ thị sai số MAPE của bộ Test (Mô hình ANN 14 biến dau vào 1 lớp ẩn)

Hình anh 51 Đà thị hệ số R của bộ Test (Mô hình ANN 14 biến dau vào 1 lớp ẩn)

NNDNNDADANDAAADAAA CCC CC Ce cc een na aT ơ rs es es " "== " ee "= "= ơ “= ce "=

07ST_8ESI

0ESI

_€ZtI_ €ếtI mrad!_6lbI_/ƑI_€ƑbI_£IImee!

Hình anh 54 Do thị sai sô MAPE của bộ Test (Mô hình ANN 14 biên đáu vào 2 lớp án)

_ 6781_/Z8I_€Z8I_£Z8I_Tế8I_6Ƒ8I_/Ƒ8I_€ƑSI_£FSI_TE8I _8£/I-9TLT_t£I _68I

_ứZ/I_0ể/I_8EZI(OTLCPL(TU LI_0IZI(6791_/Z91_€Z9T

LUIZ-ST IZ

- LV€?@_ ST €%- EV EZmans _ 8Œ- 9 CZ_ VTC- TTC- OC 7- SUC _6££

53 - 87ST- 97ST_tfsc_C{Sc- 0 SZ_8I Sở_9l€Z_bl Sở - 697 - 197 _€Ứ9 - LV97_€EỨ9

_ ETHmia- 67_ LV_€lté_€lté_IƑté

` kàdà li Vân: bán À hoài Ĩ _66_/£6_€Z6| €76_ 176616_ LV6_€F6_£F6mans _0Ƒ0I man)! _8Z0I_9Z01_tZ0I(Ol- 07 OT_8Ƒ0I_9Ƒ0I_t[Ƒ0I _6TI _/ƑTI_€ƑTI_£ƑTI_TEH oy

` Lá cua bộ Test (Mô hình ANN 14 biến đâu vào 2 lớp an) a _ Ấ m2 ệ số R

` (Oe!(67 TT mana! _tểclmera!_0ểZI_8FzI(OTTBawa! _9ểZI (877 _6€I CLIVE_€Ƒ€I_EF€Iman Roe _6££I_/££I(STECET EI_Tế£I

6FƑII

` Lá cua bộ Test (Mô hình ANN 14 biến đâu vào 2 lớp an) a _ Ấ m2 ệ số R

54 (87ST(97ST_tểSsl| ST(07ST_8ESI_9ƑS]_t[SI(TST_0ESI(6741_/ZtI_€ZtI_ £ếbImrad!Roe!_/ƑI_€ƑbI_£ltImee! - 691 _/Ƒ9I_€Ƒ9I_£F9Imae)!

` Lá cua bộ Test (Mô hình ANN 14 biến đâu vào 2 lớp an)

` (TU LILOLI(6791 Bawa (O07 LI_8EZI(OT LI (tL _8Z/I_9/7/I_tvểzI _6SI (6781(L781_€ZSI_£ZSI_lếSI_6ƑSI_/Ƒ8I_€FSI_£FSI_TESI

6FƑ9I

` Lá cua bộ Test (Mô hình ANN 14 biên đầu vào) a _ Ấ m2 ệ số R

Hình anh 63 Do thị h (6761_/£61_€Z61_£Z61Min_6F6I_/Ƒ61_€Ƒ6Iman!man _ 8707_ 9707_ v7 07_ {c0- 07 07_ 8107- 91°07_b[0_cƑ0_0Ƒ 02 617 - ITI? _/UƑTế_S€ƑTếmam rs

` Lá cua bộ Test (Mô hình ANN 14 biến đâu vào 2 lớp an) x p2 R ệ số

SZT¿

THU NGHIEM MO HINH, UNG DUNG MO HINH TREN PHAN MEM EXCEL, UOC LƯỢNG KHOANG TIN CAY

Thử nghiệm các mô hình cho kết quả tốt nhất từ bước xây dựng mô hình thông qua dit liệu từ dự án thử nghiệm Từ đó chọn ra mô hình ANN tối ưu nhất.

Xây dựng mô hình ANN trên phan mềm Excel So sánh kết quả ước lượng từ mô hình ANN với chi phí xây dựng từ Suất vốn đầu tư do Bộ Xây dựng công bồ tương ứng với thời gian thực hiện dự án Sử dụng phương pháp Bootstrap ước lượng khoảng tin cậy của các giá tri ước lượng.

Với kết quả nhận được sau khi xây dựng mô hình bằng phương pháp ANN Ta tiền hành thử nghiệm cho các mô hình sau:

Như đã trình bay ở chương 4, trong giai đoạn 1 kết quả xây dựng 2 mô hình có cau trúc mạng như sau:

- M6 hình mạng ANN nuôi tiễn nhiều lớp 1 lớp ân, 8 biến đầu vào, 10 neuron ở lớp an, sử dung hàm chuyên sigmoid cho lớp an va hàm identity cho lớp output.

- Mô hình mạng ANN nuôi tiến nhiều lớp 2 lớp an, 8 biến đầu vào, 7 neurno ở lớp ấn số 1, 9 neuron ở lớp an số 2, sử dụng hàm chuyền sigmoid cho lớp an và hàm identity cho lớp output.

Giai đoạn 2 kết quả xây dựng 2 mô hình có cấu trúc mạng như sau:

- Mô hình mạng ANN nuôi tiễn nhiều lớp 1 lớp an, 14 biến đầu vào, 16 neuron ở lớp an, sử dung hàm chuyên sigmoid cho lớp an va hàm identity cho lớp output.

- Mô hình ANN nuôi tiễn nhiều lớp 2 lớp an, 14 biến đầu vào, 25 neuron ở lớp an số 1, 16 neuron ở lớp an số 2, sử dụng hàm chuyền sigmoid cho lớp an và ham identity cho lớp output.

3 Dự án thử nghiệm Ấp dụng mô hình ước tính thử nghiệm cho dự án vừa hoàn thành tại Long An với các dữ liệu như sau:

MDDH | CDTC CDC (m) CRC CCTT | CDCOC | SD24.54 | SD18.6 m ` :

GXM GC GD GN GTH GNL `

` ` ` ` ` ` CPXD (đồng) (đồng) (đồng) (đồng) (đồng) (đồng) (đồng)

Bang 11 Dữ hiệu cua du an được thứ nghiệm

4 Kết qua thử nghiệm mô hình:

Mô hình giai đoạn 1, 1 lớp an

Mô hình giai đoạn 1, 2 lớp an

Mô hình giai đoạn 2, | lớp ân

Mô hình giai đoạn 2, 2 lớp an Mô hình giai đoạn 1, 1 lớp an 0.50 Sai số phần | Mô hình giai đoạn 1, 2 lớp an 1.91 trăm — PE (%) | Mô hình giai đoạn 2, 1 lớp ân 5.11

Mô hình giai đoạn 2, 2 lớp an 9.57 Bảng 12 Tổng hợp kết quả thử nghiệm mô hình

So sánh kết quả ước lượng từ mô hình ANN được xuất ra từ phân mêm SPSS20, kết quả thử nghiệm trùng khớp với kết quả lúc xây dựng mô hình. Ở giai đoạn 1, mô hình ANN có 2 lớp an cho giá trị ước tính chính xác hơn so với mô hình ANN có | lớp an. Ở giai đoạn 2, mô hình ANN có | lớp ấn cho giá trị ước tính chính xác so với mô hình ANN có 2 lớp ấn.

= Giai đoạn I: lập dự án, phương pháp ước lượng chi phí thích hợp nhất là mô hình ANN nuôi tiến nhiều lớp với 2 lớp ân, 8 bién đầu vào, 7 neuron lop ân sô 1, 9 neuron lớp an số 2, hàm truyén sigmoid cho lớp an, ham identity cho lớp xuất.

Giai đoạn 2: bước lập bản vẽ thi công, phương pháp ước lượng chi phí thích hợp nhất là mô hình ANN nuôi tiến nhiều lớp với 1 lớp an, 14 bién đầu vào, 16 neuron lớp ân, hàm truyền sigmoid cho lớp an, ham identity cho lớp xuất.

5 Xây dựng mô hình ước lượng ANN trên phần mềm exccl:

Từ mô hình ANN được phát triển trên phan mềm SPSS.20, ta xác định được bộ ma trận trọng số liên kết (Wj) và sal số bias (b) tương ứng cho từng lớp an và lớp xuất của mô hình giai đoạn | và của m6 hình giai đoạn 2 như sau:

Giai đoạn 1: Lập dự án

Bang 13 Ma trận trọng số liên kết và sai số bias lớp Gn số 1

Neuron lớp Neuron lớp ân số 1 ơ Blas ân sô 2 ] 2 3 4 5 6 7

Bang 14 Ma trận trong số liên kết và sai số bias lớp ân số 2

Bién Neuron lớp ân số 2

Bang 15 Ma trận trọng số liên kết và sai số bias lớp xuấtGiai đoạn 2: Hoàn thiện thiết kế bản vẽ thi công

Neuron Biến đầu vào lop an | Bias yp | CDT CD | Sp | SD

I wa | ce CPC] ERE] CCTT | con | oer | pee | GXM | GC | GĐ | GN | GTH | GNL

Neuron Biến đầu vào lop an | Bias | MD | CDT CD | SD | SD by CDC | CRC | CCTT GXM | GC GD GN | GTH | GNL so DH C COC 24.54 | 18.6

Bang 16 Ma trận trọng số liên kết và sai số bias lớp dn

Bang 17 Ma trận trọng số liên kết và sai số bias lớp xuất

Sử dụng hàm truyền sigmoid cho lớp ấn và hàm truyén tuyến tính cho lớp xuất Công thức các hàm truyền như sau:

1 y=ƒ/Œz)=l+e* với A là độ dốc của ham sigmoid, A >0.

Với các số liệu ở trên, ta xây dựng được mô hình ước lượng ANN trên phan mềm Excel như sau:

MÔ HIN UGC LUONG CH PHi XÂY DUNG CAU DAM GIAN ĐĂNG ee |] ( sá

Tiêu đề	Ước lượng chi phí xây dựng cầu dầm nhịp giản đơn bằng mô hình mạng neuron nhân tạo (ANN)
Tác giả	Dang Tran Dang Khoa
Người hướng dẫn	TS. Đinh Cong Tinh, TS. Lê Hoài Long
Trường học	Trường Đại học Bách Khoa - ĐHQG-HCM
Chuyên ngành	Công nghệ và Quản lý Xây dựng
Thể loại	Luận văn thạc sĩ
Năm xuất bản	2016
Thành phố	Tp. Hồ Chí Minh

Định dạng
Số trang	150
Dung lượng	25,62 MB