Mạng BAYESIAN BELIEF NETWORKS (BBNs) một số ứng dựng trong quản lý xây dựng

Bayesian Belief Networks (BBNs) coøn goïi laø Bayesian Networks (BNs) hay Belief Networks (BNs) ñöôïc phaùt trieãn ñaàu tieân vaøo cuoái nhöõng naêm 1970s ôû Ñaïi hoïc Stanford 1. BBNs laø moâ hình ñoà thò (graphical model) theå hieän moái quan heä nhaân – quaû (cause – effect) giöõa caùc bieán. BBNs chuû yeáu döïa treân lyù thuyeát xaùc suaát coù ñieàu kieän hay coøn goïi laø lyù thuyeát Bayes (Bayesian theory, hay Bayes’ theory). Chính vì theá, kyõ thuaät naøy coù teân goïi laø Bayesian Belief Networks (BBNs). BBNs coøn laø moät daïng cuûa bieåu ñoà aûnh höôûng (influence diagram), keát hôïp haøi hoøa giöõa lyù thuyeát xaùc suaát vaø lyù thuyeát ñoà thò ñeå giaûi quyeát hai vaán ñeà quan troïng: tính khoâng chaéc chaén vaø tính phöùc taïp, ñöôïc öùng duïng roäng raõi trong toaùn hoïc vaø kyõ thuaät Cuøng vôùi caùc lyù thuyeát khaùc nhö loâgic môø (Fuzzy Logic), maïng nôron nhaân taïo (Artificial Neural Networks ANNs), thuaät toaùn gen (Genitic Algorithrs GAs)…, BBNs laø phöông phaùp chuû yeáu döïa treân xaùc suaát coù ñieàu kieän ñeå döï baùo (prediction) hoaëc chuaån ñoaùn (diagnosis) moät söï vieäc, moät vaán ñeà ñaõ, ñang vaø saép xaûy. Chaúng haïn, trong thieân nhieân, ñeå döï baùo nöôùc luõ hay baõo cho moät khu vöïc naøo ñoù, ta döïa vaøo döõ lieäu cuûa caùc laàn xaûy ra baõo, luït tröôùc ñoù vaø nhöõng baèng chöùng (evidences) hieän taïi lieân quan, xaây döïng moâ hình BBNs vaø töø ñoù ta coù theå döï baùo ñöôïc coù hay khoâng vieäc xaûy ra nöôùc luõ hay baõo vaø möùc ñoä aûnh höôûng laø nhö theá naøo. Trong lónh vöïc xaây döïng, BBNs duøng ñeå döï baùo, ñaùnh giaù ruûi ro tieán ñoä, kinh phí, chaát löôïng, tai naïn lao ñoäng...Ngoaøi ra, BBNs coøn ñöôïc duøng ñeå chuaån ñoaùn trong y hoïc; trong coâng ngheä kyõ thuaät, döï baùo chaát löôïng cuûa caùc phaàn meàm maùy tính, ruûi ro tai naïn ñöôøng saét

MẠNG BAYESIAN BELIEF NETWORKS (BBNs) VÀ GIỚI THIỆU MỘT SỐ NGHIÊN CỨU ỨNG DỤNG TRONG QUẢN LÝ XÂY DỰNG KS. NGUYỄN VĂN TUẤN, ThS. LƯU TRƯỜNG VĂN - Trường Đại Học Bách Khoa Tp.HCM GS. LÊ KIỀU - Trường Đại Học Kiến Trúc Hà Nội 1. GIỚI THIỆU Bayesian Belief Networks (BBNs) còn gọi là Bayesian Networks (BNs) hay Belief Networks (BNs) được phát triễn đầu tiên vào cuối những năm 1970s ở Đại học Stanford [1]. BBNs là mô hình đồ thò (graphical model) thể hiện mối quan hệ nhân – quả (cause – effect) giữa các biến. BBNs chủ yếu dựa trên lý thuyết xác suất có điều kiện hay còn gọi là lý thuyết Bayes (Bayesian theory, hay Bayes’ theory). Chính vì thế, kỹ thuật này có tên gọi là Bayesian Belief Networks (BBNs). BBNs còn là một dạng của biểu đồ ảnh hưởng (influence diagram), kết hợp hài hòa giữa lý thuyết xác suất và lý thuyết đồ thò để giải quyết hai vấn đề quan trọng: tính không chắc chắn và tính phức tạp, được ứng dụng rộng rãi trong toán học và kỹ thuật [2]. Sơ đồ 1a, 1b trình bày mô hình minh họa cho mạng BBNs. Sơ đồ 1a: Mô hình minh họa mạng BBNs [3] Sơ đồ 1b: Mô hình minh họa mạng BBNs [3] Cùng với các lý thuyết khác như lôgic mờ (Fuzzy Logic), mạng nơron nhân tạo (Artificial Neural Networks - ANNs), thuật toán gen (Genitic Algorithrs - GAs)…, BBNs là phương pháp chủ yếu dựa trên xác suất có điều kiện để dự báo (prediction) hoặc chuẩn đoán (diagnosis) một sự việc, một vấn đề đã, đang và sắp xảy. Chẳng hạn, trong thiên nhiên, để dự báo nước lũ hay bão cho một khu vực nào đó, ta dựa vào dữ liệu của các lần xảy ra bão, lụt trước đó và những bằng chứng (evidences) hiện tại liên quan, xây dựng mô hình BBNs và từ đó ta có thể dự báo được có hay không việc xảy ra nước lũ hay bão và mức độ ảnh hưởng là như thế nào. Trong lónh vực xây dựng, BBNs dùng để dự báo, đánh giá rủi ro tiến độ, kinh phí, chất lượng, tai nạn lao động Ngoài ra, BBNs còn được dùng để chuẩn đoán trong y học; trong công nghệ kỹ thuật, dự báo chất lượng của các phần mềm máy tính, rủi ro tai nạn đường sắt…[1], [8]. 2. CƠ SỞ LÝ THUYẾT 2.1. Công thức Bayes BBNs dựa trên lý thuyết xác suất có điều kiện của Thomas Bayes, ông này đã đưa ra qui luật cơ bản của xác suất, do đó gọi là công thức Bayes [4]. Công thức đơn giản nhất như sau: )( )( )/()/( BP AP xABPBAP = Trong đó: A và B là hai sự kiện có thể xảy ra và phụ thuộc với nhau. P(A) là xác suất của sự kiện A; P(B) là xác suất của sự kiện B; P(B/A) là xác suất có điều kiện của B khi biết trước A đã xảy ra; và P(A/B) là xác suất có điều kiện của A khi biết trước B đã xảy ra. 2.2. Cấu trúc mạng BBNs BBNs là mô hình trực tiếp mà mỗi biến được đại diện bởi một nút (node), mối quan hệ nhân quả giữa hai biến đó được biểu thò bằng mũi tên được gọi “edge”. Mũi tên hướng từ nút nguyên nhân “parent node” đến nút kết quả “child node”. Nút kết quả phụ thuộc có điều kiện vào nút nguyên nhân. Mỗi nút (hay là biến) có một trạng thái (state) tùy thuộc đặc trưng của biến đó. Cụ thể, theo sơ đồ 2, nút “tuyết rơi” là nút nguyên nhân ảnh hưởng đến nút kết quả “tình trạng con đường” và chúng có những trạng thái tương ứng [3]. Trong quản lý dự án xây dựng, cấu trúc BBNs trình bày ở sơ đồ 3 thể hiện ảnh hưởng của “chủ đầu tư khó khăn về tài chính” đến “sự chậm trễ tiến độ công trình”. Sơ đồ 4, 5 thể hiện cấu trúc của mạng BBNs tổng quát hơn, phức tạp hơn với nhiều nút (nodes) và nhiều cạnh liên kết (edges) [5], [4]. 2.3. Bảng xác suất có điều kiện(CPT) Mỗi nút luôn được gắn với một bảng xác suất có điều kiện (conditional probability table: CPT) dựa vào những thông tin ban đầu hay dữ liệu, kinh nghiệm trong quá khứ. Ví dụ, mạng BBNs trong sơ đồ 2, CPT của các biến như sau (Bảng 1) [3]: Parent node Child node Precipitation Road Conditions Impassable Passable None 0.05 0.95 Light 0.10 0.90 Heavy 0.70 0.30 Chủ đầu tư khó khăn về tài chính Sự chậm trễ tiến độ công trình Nút nguyên nhân (parent node) Nút kết quả (child node) Mũi tên liên kết (edge) Sơ đồ 3: Cấu trúc đơn giản của mạng BBNs trong xây dựng Sơ đồ 4: Cấu trúc mạng BBNs tổng quát Bảng 1: CPT của các biến “Road Conditions” của mạng BBNs theo sơ đồ 2 Tuyết rơi (Precipitation) Tình trạng con đường (Road conditions) Nút nguyên nhân (Parent node) Nút kết quả (Child node) Trạng thái (state) + Không (none) + Nhẹ (light) + Nặng (heavy) Trạng thái (state) + Đi qua được (passable) + Không qua được (impassable) Sơ đồ 2:Cấu trúc đơn giản của BBNs trong tự nhiên[3] edge Sơ đồ 5: Mô hình BBNs dùng để đánh giá mức độ rủi ro về tai nạn lao động trên cao [4] Theo bảng 1, ta thấy: “nếu tuyết rơi (Precipitation) ở trạng thái nhẹ (Light) thì khả năng (hay xác suất) để con đường (Road Conditions) có thể đi qua được (Passable) là 90%; và không thể đi qua được (Impassable) là 10%” [3]. Trong BBNs, nút mà không có nguyên nhân ( no parent) gây ra nó thì gọi là nút gốc (root node). CPT của nút này gọi là xác suất ban đầu (prior probability). Theo sơ đồ 2, CPT của nút Precipitation (Hình 2) [3]: Precipitation None Light Heavy 0.800 0.150 0.005 Bảng 2: CPT của các biến “Precipitation” trong mạng BBNs theo sơ đồ 2 2.4. Phần mềm tính toán BBNs Có rất nhiều phần mềm để hổ trợ trong tính toán mạng BBNs, như là BNet.Builder, Hugin Explorer, MSBNx (của hãng Microsoft)… Có thể download tại các đòa chỉ: www.research.microsoft.com/adapt/MSBNx/ www.kdnuggets.com/software/bayesian.html/ www.hugin.dk/ www.cs.cmu.edu/~javebayes/ Bài báo này giới thiệu về phần mềm MSBNX [4]. 2.5. Các bước xây dựng mô hình BBN  Xác đònh các biến và trạng thái của chúng để đưa vào mô hình.  Xác đònh mối quan hệ “nhân– quả” giữa các biến dựa vào suy luận logic, dữ liệu quá khứ…  Lập bảng xác suất có điều kiện (CPTs) ứng với mỗi sự kết hợp của biến nguyên nhân và bảng xác suất ban đầu của chúng. CPTs có thể xác đònh từ kinh nghiệm của chuyên gia, hoặc từ kết quả của mô hình khác…  Sau khi đã lập CPTs, đưa vào phần mềm để tính toán. 2.6. Ứng dụng phần mềm MSBNX Xét mô hình ở sơ đồ 1a: Giả sử ta có các CPTs như sau: 1- CPT của nút “Cloudy”: Cloudy True False 0.50 0.50 2- CPT của nút “Spinkler”: Parent nodes Child node Cloudy Sprinkler True False True 0.10 0.90 Fasle 0.50 0.50 3- CPT của nút “Rain”: Parent nodes Child node Cloudy Rain True False True 0.80 0.20 Fasle 0.20 0.80 4- CPT của nút “Wet Grass”: Parent nodes Child node Sprinkler Rain Wet Grass True False True True 0.99 0.01 False 0.90 0.10 False True 0.90 0.10 False 0.00 1.00 Các bảng xác suất có điều kiện CPTs được đưa vào phần mềm MSBNX như sau: Kết quả được thể hiện bằng mô hình và các xác suất tương ứng ở sơ đồ 6. Dựa vào đó, ta thấy rằng, xác suất để cho biến “WetGrass” ở trạng thái “True” là 0.6471 và ở trạng thái “Fasle” là 0.3529. Sơ đồ 6: Kết quả sau khi dùng phần mềm MSBNX để giải mạng BBNs ở sơ đồ 1a. 3. CÁC ỨNG DỤNG CỦA BBNs - William Marsh đã ứng dụng mạng BBNs (Bayesian Network) để mô hình hóa kết quả rủi ro tai nạn trong công nghiệp đường sắt ở Vương quốc Anh [6]. - Martin Neil & Norman Fenton, Northampton Square đã ứng dựng BBNs để dự báo chất lượng của phần mềm trong hội nghò hàng năm lần thứ 21 vào tháng 12, năm 1996 [7]. - Long D. Nguyen đã ứng BBNs để đánh giá rủi ro về tai nạn lao động khi làm việc trên cao ở công trường xây dựng. Tác giả đã kiểm chứng tính hợp lý của mô hình bằng những công trình cụ thể ở San Francisco, California [4]. - Brian S. G. E. Sahely; David M. Bagley đã chẩn đoán sự xáo trộn trong việc xử lý nước thải bò ô nhiễm bằng cách áp dụng mô hình BBNs [1]. - Isabel Milho, Ana Fred, Jorge Albano, Nuno Baptista, Poulo Sena đã ứng dụng BBNs để chuẩn đoán bệnh trong y học [8]. 4. KẾT LUẬN & KIẾN NGHỊ BBNs được ứng dụng rộng rãi trong nhiều lónh vực khác nhau, cho nhiều ngành khác nhau. Tuy nhiên, trong quản lý xây dựng, việc ứng dụng BBNs vẫn còn nhiều hạn chế đối với cả thế giới nói chung và Việt Nam nói riêng. BBNs có thể được sử dụng trong quản lý dự án để dự báo, đánh giá rủi ro về tiến độ, kinh phí, chất lượng, tai nạn lao động… trong xây dựng. Bản thân nhóm tác giả cũng đang thực hiện một đề tài với tựa đề “Nghiên cứu đònh lượng rủi ro tiến độ xây dựng bằng mô hình Bayesian Belief Networks”. Hiện đề tài nói trên đang trong giai đọan kết thúc, kết quả nghiên cứu sẽ được công bố trong vài tháng tới Qua bài báo, nhóm tác giả mong muốn giới thiệu về mạng BBNs, phần mềm áp dụng và các phạm vi ứng dụng của nó nhằm khuyến khích các nhà nghiên cứu Việt Nam đi theo một hướng nghiên cứu tuy “cũ người” nhưng “mới ta” trong quản lý xây dựng. Hy vọng rằng, với sự phát triễn mạnh mẽ và ưu điểm vượt trội, trong tương lai không xa BBNs sẽ được đưa vào ứng dụng trong quản lý xây dựng tại Việt Nam như là một “vũ khí” lợi hại. TÀI LIỆU THAM KHẢO [1] Brian S. G. E. Sahely; David M. Bagley (2001): “Diagnosing upsets in anaerobic wastewater treatment using Bayesian Belief Networks.” Journal of Environmental Engineering 127(4) (2001). [2] Murphy, K (2001): “ A brief introduction to graphical models and Bayesian Networks” <www.cs.berkeley.edu/~murphyk/Bayes/bay es.html/> October 14, 2001 [3] Charles River Analytics, Inc (2004): “About Bayesian Belief Networks”. [4] Long D. Nguyen (2005): “Accident risks of working- at- heights in building construction: An Assessment Framework.” Term project report, May 5, 2005. [5] Kevin P. Murphy (2001): “An introdution to graphical models.”, 10 May 2001. [6] William Marsh, RADAR Group Queen Mary, University of London, Mile End Road, E1 4NS, London, UK. william@dcs.qmul.ac.uk: “Using Bayesian Networks to Model Accident Causation in the UK Railway Industry”. [7] Neil, M. and Fenton, N. (1996): “Predicting software quality using Bayesian Belief Networks” Proceeding of 21 st Annual Software Engineering Workshop, NASA/Goddard Space Flight Center, December 4-5, 1996. [8] Isabel Milho, Ana Fred, Jorge Albano, Nuno Baptista, Poulo Sena: “An Auxiliary System for Medical Diagnosis Based on Bayesian Belief Networks”. . thuật [2]. Sơ đồ 1a, 1b trình bày mô hình minh họa cho mạng BBNs. Sơ đồ 1a: Mô hình minh họa mạng BBNs [3] Sơ đồ 1b: Mô hình minh họa mạng BBNs [3] Cùng với các lý thuyết khác như lôgic mờ (Fuzzy. kết (edge) Sơ đồ 3: Cấu trúc đơn giản của mạng BBNs trong xây dựng Sơ đồ 4: Cấu trúc mạng BBNs tổng quát Bảng 1: CPT của các biến “Road Conditions” của mạng BBNs theo sơ đồ 2 Tuyết rơi (Precipitation) Tình. 2: CPT của các biến “Precipitation” trong mạng BBNs theo sơ đồ 2 2.4. Phần mềm tính toán BBNs Có rất nhiều phần mềm để hổ trợ trong tính toán mạng BBNs, như là BNet.Builder, Hugin Explorer, MSBNx