Mạng nơ ron nhân tạo và ứng dụng trong quản lý xây dựng

Mạng nơ ron nhân tạo (Artificial Neural Network ANN) là một mô phỏng xử lý thông tin, được nghiên cứu ra từ hệ thống thần kinh của sinh vật, giống như bộ não, để xử lý thông tin. Nó bao gồm số lượng lớn các mối gắn kết cấp cao để xử lý các yếu tố làm việc trong mối liên hệ giải quyết vấn đề rõ ràng. ANNs, giống như con người, được học bởi các kinh nghiệm, lưu những kinh nghiệm hiểu biết và sử dụng trong những tình huống phù hợp.

MẠNG NƠ RON NHÂN TẠO VÀ ỨNG DỤNG TRONG QUẢN LÝ XÂY DỰNG LƯU TRƯỜNG VĂN TRƯỜNG ĐẠI HỌC BÁCH KHOA TP.HCM PHAN VĂN KHOA TRƯỜNG ĐẠI HỌC BÁCH KHOA TP.HCM, BQLDA HCM – CIC8 I Giới thiệu Mạng nơ ron nhân tạo (Artificial Neural Network - ANN) mô xử lý thông tin, nghiên cứu từ hệ thống thần kinh sinh vật, giống não, để xử lý thông tin Nó bao gồm số lượng lớn mối gắn kết cấp cao để xử lý yếu tố làm việc mối liên hệ giải vấn đề rõ ràng ANNs, giống người, học kinh nghiệm, lưu kinh nghiệm hiểu biết sử dụng tình phù hợp Đầu tiên ANN giới thiệu năm 1943 nhà thầân kinh học Warren McCulloch nhà logic học Walter Pits Nhưng với kỹ thuật thời gian chưa cho phép họ nghiên cứu nhiều Những năm gần mô ANN xuất phát triển Các nghiên cứu ứng dụng thực ngành: điện, điện tử, kỹ thuật chế tạo, y học, quân sự, kinh tế …và nghiên cứu ứng dụng ngành quản lý dự án xây dựng Mặc dù nghiên cứu ứng dụng mô ANN quản lý xây dựng thực nhiều nước phát triển, Việt Nam việc nghiên cứu bắt đầu nhen nhóm thực cần phát triển II Cơ sở lý thuyết phát triển ứng dụng: 1) Cấu Trúc Mạng Neural: Mỗi Neural (nút) đơn vò xử lý thông tin mạng neural Nó yếu tố để cấu tạo nên mạng neural Trang Hình : Cấu trúc Neural xi : tín hiệu input wkp : trọng số input f(.) : hàm hoạt động yk : kết xuất Neural b : thông số ảnh hưởng đến ngưỡng output Cấu trúc mạng Neural : a Mạng dẫn tiến lớp (single-layer feedforward networks): Đây cấu trúc mạng neural đơn giản Mạng neural gồm lớp xuất lớp ẩn Hình 2: Cấu trúc mạng neural lớp b Mạng dẫn tiến nhiều lớp (Multilayer feedforward networks): Mạng neural nhiều lớp giải toán phi tuyến nhờ vào lớp ẩn Các lớp ẩn xen input bên output mạng Càng nhiều lớp ẩn khả mở rộng thông tin cao xử lý tốt mạng có nhiều input output Trang Hình 3: Cấu trúc mạng neural nhiều lớp Ngoài có mạng hồi quy mạng Neural dạng lưới 2) Hàm Hoạt Động Các hàm hoạt động phải có đặc tính sau: + Hàm bò chặn chặn + Hàm có tính đơn điệu + Hàm phải có tính liên tục trơn Trong thực tế thông thường người ta thường chọn hàm sau: a Hàm Threshold : u  0 u < f(u) = b Hàm piecewise-linear: f(u) = u u  1  u 2 u  1 c Hàm sigmoid (logistic): f(u) = 1  exp(au ) d Hàm tang – hyperbol: f(u) = (u) = e u  e u e u  e u 3) Tiến Trình Học (training): Tiến trình học tiến trình quan trọng người, nhờ học mà não ngày tích lũy kinh nghiệm để thích nghi với môi trường xử lý Trang tình tốt Mạng neural xây dựng lại cấu trúc não cần phải có khả nhận biết liệu thông qua tiến trình học, với thông số tự mạng thay đổi liên tục thay đổi môi trường mạng neural ghi nhớ giá trò Hình 4: Tiến trình học Trong trình học, giá trò đầu vào đưa vào mạng theo dòng chảy mạng tạo thành giá trò đầu Tiếp đến trình so sánh giá trò tạo mạng Neural với giá trò mong muốn Nếu hai giá trò giống không thay đổi Tuy nhiên, có sai lệch hai giá trò vượt giá trò sai số mong muốn ngược mạng từ đầu đầu vào để thay đỗi số kết nối Đây trình lặp liên tục không dừng tìm giá trò w cho đầu tạo mạng Neural đầu mong muốn Do thực tế người ta phải thiết lập tiêu chuẩn dừng dựa giá trò sai số hai giá trò này, hay dựa số lần lặp xác đònh Để tiện cho việc trình bày, ta ký hiệu y giá trò kết xuất mạng Neural, t giá trò mong muốn, e sai lệch hai giá trò này: e=t–y 4) Giải Thuật Back-Propagation: Thuật toán Back-propagation sử dụng để điều chỉnh trọng số kết nối cho tổng sai số E nhỏ E= n  (t ( x , w)  y( x )) i 1 i i Trong đó: t(xi,w) : giá trò tập mẫu y(xi) : giá trò kết xuất mạng Trang Trước tiên ta xét Neural, Neural có giá trò vào ra, giá trò vào có trọng số để đánh giá mức độ ảnh hưởng giá trò vào Thuật toán back-propagation điều chỉnh trọng số để giá trò ej = Tj – yj nhỏ Trước hết ta phải xác đònh vò trí neuron Neuron lớp ẩn neuron lớp xuất Ta cần biết ký hiệu: wij : vector trọng số neuron j số đầu vào i uj : vector giá trò kết xuất neuron lớp j Hình 5: Mô hình tính toán neuron - Giá trò sai số neuron j vòng lặp thứ n: ej(n) = tj(n) – yj(n) ; - Tổng bình phương sai số mạng neural : E(n) = - Tại neuron j ta có tổng trọng số input: uj(n) = p  w x ( n) ; i 0 ij i - Giá trò kết xuất neuron j: yj(n) = f j (u j (n)) ; - Tính toán giá trò đạo hàm sai số cho neuron wij : E (n) E (n) e j (n) y j (n) u j (n) ;  wij (n) e j (n) y j (n) u j (n) wij (n) Trong đó: k  e j ( n) E (n) j 1  e j (n) ; = e j (n) e j (n) Trang k  e j ( n) ; j 1 e j (n) y j (n) = (t j (n)  y j ( n)) y j (n) y j (n) u j (n)  1 ; = f j(u j (n)) ; p u j (n) wij (n)  =  ( wij xi (n)) i 0 wij (n)  xi ( n) ; E (n) = e j (n) f (u j (n)).xi (n) ; wij (n) Giá trò điều chỉnh trọng số: wij   E (n) = .e j (n) f (u j (n)).xi (n) ; wij (n) Đặt  j   E (n) E (n) e j (n) y j (n)   e j (n) f (u j (n)) ; wij (n) e j (n) y j (n) u j (n) Tacó: wij  . j (n).xi (n) ; Từ ta có công thức điều chỉnh trọng số: wij (n  1)  wij (n)  wij (n) ; Như trình điều chỉnh trọng số xác đònh theo công thức trên, nhiên ta cần phải xác đònh vò trí neuron thuộc lớp (lớp ẩn hay lớp xuất) Điều quan trọng việc tính toán  j cho hệ số điều chỉnh trọng số Hình 6: Mô hình tính toán mạng neural tổng quát Trường hợp 1: Nếu neuron j nút xuất: Ta có:  k   E (n)   E (n) ek (n) yk (n)  ek (n) f k(uk (n))  w jk  . k (n) y j (n) ; w jk (n) ek (n) yk (n) uk (n) Trang Trường hợp 2: Nếu neuron j nút ẩn:  E (n)  y j (n) E (n) E (n) y j (n)   wij (n) y j (n) u j (n) E (n) f (u j (n)); y j (n) Trong đó: E (n)  Khi đó: j   q  ek (n) ; k 1 ( q  ek (n)) q ek (n) k 1 ;   ek y j (n) y j (n) k 1 ek (n) ek (n) uk (n)  ; y j (n) uk (n) y j (n) ek (n) (tk (n)  yk (n)) (tk (n)  f k (uk (n)))     f k(uk (n)) ; uk (n) uk (n) uk (n) m uk (n)   w jk (n) y j (n) ; Ta có: j 0 m  uk (n)  y j (n)  ( w jk (n) y j (n)) j 0 y j (n)  w jk (n) ; q E (n)   ek (n) f k(uk (n)) w jk (n) ; y j (n) k 1 Theo ta có: k    E (n)  ek (n) f k(uk (n)) ; w jk (n) q E (n)    k (n) w jk (n) ; y j (n) k 1 q Vậy:  j (n)  f (u j (n))  k (n) w jk (n) ; k 1 Từ công thức tính ta tổng quát sau: Trong đó: Trang + Nếu neuron j nút xuất:  j  e j (n) f j(u j (n)) ; + Nếu neuron j nút ẩn : q  j (n)  f (u j (n))  k (n) w jk (n) ; k 1 Như tùy theo hàm hoạt động ta tính dễ dàng tính toán giá trò điều chỉnh trọng số cho trọng số tương ứng theo thuật toán Backpropagation III Một số nghiên cứu ứng dụng ANN quản lý xây dựng: - Florence Yean Yng (Singapore) Min Liu (USA) nghiên cứu “Ứng dụng Neural network để dự báo kế hoạch thực xây dựng dự án Singapore” Theo nghiên cứu tác giả thực 11 phép đo, 65 nhân tố tác động đến thành công 33 dự án trước Chỉ phép đo dự báo thành công kế hoạch thực dự án với mức độ xác hợp lý: tầm quan trọng dự án, tốc độ xây dựng, tốc độ giải vấn đề khó khăn, luân phiên thay công nhân nghỉ việc, chất lượng hệ thống thiết bò - Về lónh vực dự toán chi phí cho dự án: tác giả Tarek Hegazy Amr Ayed (Canada) ứng dụng ANN để dự toán chi phí cho dự án đường cao tốc Hojjat Adeli Mingyang Wu (Đại Học bang Ohio - Mỹ) dự toán giá bê tông cốt thép vóa hè cho dự án xây dựng đường Xishi Huang, Danny Ho, Jing Ren, Luiz F Caprestz (Canada) ứng dụng Neural Fuzzy phát triển mô hình COCOMO (Construction Cost Model), sở liệu kinh nghiệm dự án trước đây, mô hình cho phép ước lượng chi phí dự án khác lớn Và ứng dụng ước lượng chi phí dự án công nghiệp - Jason Portas Simaan AbouRizk (Canada) ứng dựng mô hình Neural network để đánh giá khả sản xuất xây dựng - Irem Dikmen M.Talat Birgonul (Turkey) nghiên cứu ANN để đánh giá thò trường quốc tế đònh thực dự án, dựa nhân tố Trang dự án quốc tế gồm: nguồn tiền, khối thò trường, thành công kinh tế, kiểu hợp đồng, hệ số rủi ro - Hashem Al-Tabtabai (Kuwait) ứng dụng ANN để xây dựng mô hình phân tích kinh nghiệm hệ thống dự báo cho dự án xây dựng Trên sở liệu dự án trước về: tiến độ thực nhà thầu, dòng ngân lưu, vật liệu & thiết bò, thời tiết & môi trường, phần trăm công việc hoàn thành, chất lượng, giá vật tư, thuế, bảo hiểm… để dự báo phần trăm thay đổi kế hoạch, phần trăm thay đổi chất lượng, công nhân lao động sản xuất, thay đổi mức lương lao động, thay đổi giá vật tư, thay đổi giá đầu tư, thay đổi giá thực trình thực dự án - VK Gupta, JG Chen, MB Murtaza (Mỹ) ứng dụng để phân loại dự án xây dựng công nghiệp, theo biến quan hệ: vò trí xây dựng, lao động, vấn đề tổ chức, đặc điểm khu vực, rủi ro dự án môi trường Như ứng dụng ANN quản lý dự án xây dựng cho phép giải dự báo vấn đề về: chi phí, chất lượng, kế hoạch – tiến độ tư vấn đònh thực dự án Trang Tài liệu tham khảo: - Neural Networks by Christos Stergiou and Dimitrios Siganos - Estimating software development effort with connectionist models by Gerhard Wittig, Gavin Finnie, 1997 - A Learning Vector Quantization Neural Network Model for the Classification of Industrial Construction Projects by VK GUPTA, JG CHEN, MB MURTAZA,1997 - Neural Network Model for Estimating Construction Productivity by Jason Portas and Simaan Abourizk ASCE, Journal of Construction Engineering and Management, 1997 - A framework for developing an expert analysis and forecasting system for construction projects – Hashem Al-Tabtabai, 1998 - Regularization Neural Network For Construction Cost Estimation by Hojjat Adeli and Mingyang Wu ASCE, Journal of Construction Engineering and Management, 1998 - Neural Network Model for Parametric Cost Estimating of Highway Project by Tarek Hegazy and Amr Ayed ASCE, Journal of Construction Engineering and Management, 1998 - Neural Network Model to Support international Market Entry Decisions by Irem Dikmen and M.Talat Birgonul ASCE, Journal of Construction Engineering and Management, 2004 - Using neural network to predict performance of design-build projects in Singapore- Florence Yean Yng Ling, Min Liu Building and Environment, 2004 - Improving the COCOMO model using a neuro-fuzzy approach by Xishi Huang, Danny Ho, Jing Ren, Luiz F Capretz, 2005 Trang 10 - Ứng dụng mạng Neural điều khiển thích nghi trình gia công máy phay CNC Phan văn Khánh Trang 11 [...]...- Ứng dụng mạng Neural trong điều khiển thích nghi quá trình gia công trên máy phay CNC của Phan văn Khánh Trang 11