DỰ BÁO TIẾN ĐỘ THI CÔNG CÔNG TRÌNH LẮP GHÉP BẰNG TRÍ TUỆ NHÂN TẠO

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐAI HOC BÁCH KHOA 9 HUỲNH NGỌC HUỆ DỰ BÁO TIẾN ĐỘ THI CƠNG CƠNG TRÌNH LẮP GHÉP BẰNG TRÍ TUỆ NHÂN TẠO Chuyên Ngành: QUẢN LÝ XÂY DỰNG Mã số: 60580302 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, Tháng 06 Năm 2018 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA -ĐHQG -HCM Cán hướng dẫn khoa học: TS Trần Đức Học Cán chấm nhận xét 1: TS Chu Việt Cường Cán chấm nhận xét 2: TS Phạm Vũ Hồng Sơn Luận văn thạc sĩ bảo vệ Trường Đại học Bách Khoa, ĐHQG Tp HCM ngày 24 tháng 07 năm 2018 Thành phần Hội đồng đánh gỉá luận văn thạc sĩ gồm: PGS.TS Lương Đức Long TS Đỗ Tiến Sỹ TS Phạm Vũ Hồng Sơn TS Chu Việt Cường PGS.TS Phạm Hồng Luân Xác nhận Chủ tịch Hội đồng đánh giá LV Trưởng Khoa quản lý chuyên ngành sau khỉ luận văn sửa chữa CHỦ TỊCH HỘI ĐÒNG TRƯỞNG KHOA ĐẠI HỌC QIJC'C GIA TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA CỘNG Ht>A XÃ HỘI CHU NGHĨA VIỆT NAM Độc lập - Tự - Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ •••• Họ tên học viên: Huỳnh Ngọc Huệ MSHV: 1670137 Ngày, tháng, năm sinh: 02/11/1991 Nơi sinh: Quảng Nam Chuyên ngành: Quản lý xây dựng Mã số: 60580302 I TÊN ĐỀ TÀI: Dự BÁO TIẾN Độ THI CƠNG CƠNG TRÌNH LẮP GHÉP BẰNG TRÍ TUỆ NHẢN TẠO II NHIỆM VỤ VÀ NỘI DUNG: - Thu thập liệu cơng trình Bêtơng lắp ghép - Xây dựng mơ hình trí tuệ nhân tạo gồm CART, ANN, SVM, mơ hình kết hợp để dự báo tiến độ thi công lắp dựng cơng trình Bêtơng lắp ghép III NGÀY GIAO NHIỆM vụ : 15/01/2018 IV NGÀY HOÀN THÀNH NHIỆM VỤ: 17/06/2018 V CÁN Bộ HƯỚNG DẪN : TS TRẦN ĐỨC HỌC Tp HCM, ngày 18 tháng 06 năm 2018 CÁN Bộ HƯỚNG DẪN (Họ tên chữ ký) CHỦ NHIỆM Bộ MÔN ĐÀO TẠO (Họ tên chữ ký) TRƯỞNG KHOA (Họ tên chữ ký) LỜI CÁM ƠN Trước tiên, xin gửi lời cảm ơn chân thành đến TS Trần Đức Học tận tâm hướng dẫn giúp đỡ nhiều để hoàn thành luận văn Xin gửi lời cảm ơn đến thầy cô giảng dạy ngành Quản lý xây dựng, thuộc trường Đại học Bách Khoa Tp Hồ Chí Minh, truyền đạt nhiều kiến thức bổ ích suốt trình học tập Xin cảm ơn anh chị em Ban Quản Lý Công ty Vinaconex Xuân Mai, Công ty Cổ phần xây dựng số 2, Ban huy Cơng trường Eco Green Sài Gòn hỗ trợ cung cấp thông tin, giúp đỡ nhiều trĩnh thu thập liệu khảo sát trực tiếp công trường Xin chân thành cảm ơn người bạn học lóp Quản lý Xây dựng trải qua ngày tháng học tập, rèn luyện, trao đổi thảo luận học tập lóp, giúp tơi học hỏi nhiều điều Và cuối xin gửi lời cảm ơn đến người thân gia đĩnh, bạn bè bên cạnh quan tâm, động viên, giúp đỡ tinh thần, giúp tơi vượt qua khó khăn để hồn thành luận văn Tp Hồ Chí Minh, ngày 18 tháng 06 năm 2018 Xin chân thành cảm ơn Huỳnh Ngọc Huệ TÓM TẮT Xác định tiến độ thi công lẳp ghép vẩn đề quan trọng chủ đầu tư lẫn nhà thầu thi công lẳp ghép, đặc trung cơng trình, có nhiều yểu tố ảnh hưởng đến tiến độ thi công lẳp ghép nên thuật toán CART (Classification and Regression Trees), ANN (Artificial Neural Networks), SVM (Support Vector Machine) Ensemble sử dụng để giải vẩn đề Trong nghiên cứu này, bổn mơ hình xây dựng để dự bảo tiến độ thi công lẳp ghép Năm mươi liệu cơng trình thu thập, phương pháp Cross Validation áp dụng để kết dự bảo khách quan Với bốn mơ hình xây dựng, mơ hình SVM cho kết tốt với khả khải hóa hội tụ để xác định tiến độ thi công lap ghép Abstract Determining construction schedule of Prefabricated construction is an important issue for investors and Prefabricated Contractors In terms of Construction characteristics, there are many factors that affect the progress of assembly, so Classification and Regression Trees (CARTs), ANN (Artificial Neural Networks), SVM (Support Vector Machine) and Ensemble are used to solve this problem In this study, four models were constructed to forecast the progress of the assembly Fifty data Constructions have been collected, the CrossValidation method is applied to predict the result With four models built, the SVM model gives the best results with low error and convergence capability to determine the progress of assembly LỜI CAM ĐOAN Tôi xin cam đoan rằng: Số liệu thu thập luận văn hoàn toàn trung thực kết nghiên cứu chưa sử dụng cơng bố cơng trình khác Mọi giúp đỡ cho việc thực luận văn cám ơn thông tin trích dẫn luận văn ghi rõ nguồn gốc Tác giả luận văn Huỳnh Ngọc Huệ Trang MUC LUC •• CHƯƠNG ĐẶT VẢN ĐỀ NGHIÊN cứu 1.1 GIỚI THIỆU CHUNG 1.2 XÁC ĐỊNH VẢN ĐỀ NGHIÊN cứu 11 1.3 MỤC TIÊU NGHIÊN cứu 11 1.4 PHẠM VI NGHIÊN cứu 11 1.5 ĐÓNG GÓP Dự KIẾN CỦA NGHIÊN cứu 12 1.5.1 mặt học thuật 12 1.5.2 mặt thực tiễn 12 CHƯƠNG TÔNG QUAN 13 2.1 CÁC KHÁI NIỆM NHÀ LẮP GHÉP 13 2.1.1 Kết cấu bê tông ứng lực trước 13 2.1.2 Công tác lắp ghép 13 2.1.3 Cấu tạo nhà cao tầng bê tông cốt thép đúc sẵn 13 2.1.4 Quá trình lắp ghép 15 2.1.5 Trình tự lắp ghép cơng trình 15 2.1.6 Chi tiết liên kết: 17 2.1.7 Hĩnh ảnh thi công thực tế 21 2.2 TỒNG QUAN VỀ DATA MINING : 24 2.2.1 Định nghĩa: 24 2.2.2 Các kỹ thuật tiếp cận khai phá liệu 25 2.3 Trang 2.3.3 Nội dung thuật toán SVM: 26 2.4 MƠ HÌNH CÂY QUYẾT ĐỊNH (CART) 29 2.4.1 Định nghĩa : 29 2.4.2 ưu điểm định .30 2.4.3 Vấn đề xây dựng định 30 2.4.4 Các thuật toán khai phá liệu định 30 2.5 MẠNG NORON NHÂN TẠO (ARTIFICIAL NEURAL NETWORK) 33 2.5.1 Khái niệm: 33 2.5.2 Mơ hình mạng Noron 33 2.5.3 Học tập 35 2.5.4 Mạng lan truyền nguợc: 35 2.6 KẾT HỢP CÁC PHƯONG PHÁP (ENSEMBLE METHOD) 35 2.6.1 Kết họp phân loại 35 2.6.2 Phuơng pháp bagging 36 2.6.3 ưu điểm mơ hình kết họp: 37 2.7 PHƯONG PHÁP CROSS VALIDATION (KIÊM CHÚNG CHÉO) 38 2.7.1 Tầm quan trọng việc kiếm tra chéo: 38 2.7.2 Áp dụng phuơng pháp K-fold cross validation: 38 2.8 CÁC NGHIÊN cứu LIÊN QUAN: 40 CHƯONG PHƯONG PHÁP NGHIÊN cứu 43 3.1 QUY TRÌNH NGHIÊN CỨU: 43 3.2 PHƯONG PHÁP THU THẬP DỮ LIỆU: 43 3.3 CÔNG CỤ NGHIÊN cứu : 44 CHƯONG THU THẬP VÀ PHÂN TÍCH DỮ LIỆU 45 Trang 4.1 TÔNG HỢP YẾU TỐ LIÊN QUAN ĐẾN THỜI GIAN THI CƠNG 45 4.1.1 Nhóm yếu tố mơi trường bên ngồi 45 4.1.2 Nhóm yếu tố nguồn vốn thực dự án 46 4.1.3 Nhóm yếu tố lực bên tham gia dự án 46 4.1.4 Nhóm yếu tố đặc trưng dự án 47 4.2 LựA CHỌN YẾU TỐ ẢNH HUỞNG ĐẾN TIẾN ĐỘ THI CÔNG 48 4.2.1 Khó khăn việc thu thập yếu tố ảnh hưởng: 48 4.2.2 Thời điểm cần dự báo tiến độ thi công : 49 4.2.3 Các yếu tố lựa chọn : 49 4.3 XÂY DỤNG BẢNG THU THẬP DỮ LIỆU : 50 4.3.1 Cấu trúc bảng thu thập liệu : 50 CHUƠNG XÂY DỤNG MƠ HÌNH Dự BÁO 52 5.1 CẢU TRÚC XÂY DỤNG MƠ HÌNH 52 5.1.1 Sơ đồ quy trình thực : 52 5.1.2 Phương pháp đánh giá hiệu suất mơ hình : 53 5.2 THỰC HIỆN MƠ HÌNH: 54 5.2.1 Phân chia nhập liệu: 54 5.2.2 Thơng số mơ hình : 55 5.2.3 Xây dựng mô hĩnh SPSS Modeler: 56 5.3 KẾT QUẢ MƠ HÌNH: 57 5.3.1 Tập DataSet 1: 58 5.3.2 Tập DataSet 2: 60 5.3.3 Tập DataSet 3: 62 5.3.4 Tập DataSet 4: 64 Trang 5.3.5 Tập DataSet 5: 66 5.3.6 Tổng hợp: 68 5.3.7 Hệ số dự báo tầm quan trọng: 68 5.4 TỐI ƯU HÓA KẾT QUẢ MƠ HÌNH: 76 5.4.1 Phuơng pháp : 76 5.4.2 Kết quả: 77 5.4.3 Tổng hợp: 78 5.4.4 Hệ số dự báo tầm quan trọng: 78 CHƯƠNG KẾT LUẬN VÀ KIẾN NGHỊ 79 6.1 KẾT LUẬN 79 6.2 KIẾN NGHỊ 80 Trang 65 Analysis of [Tien do] dfilB Edit ỆÉ Collapse All B -□X HalV IE® ^1 Expand All ResuHs tor oulpul fỉel lí Tien B"compa nnqjR-Tier doYíiilhTien Minimum Error Maximum Error Mean Error Moan Absolute Error stantjam Deviation Linear Co (tolas un Otturrentes -0.257 0.167 021 0.086 □.113 889 10 Hình 5.14 Kết phân tích mơ hình CART- DataSet Hình 5.15 Kết phân tích mơ hình ANN- DataSet Hình 5.16 Kết phân tích mơ hình SVM- DataSet Trang 66 5.3.4.2 Nhân xét: Với tâp DataSet4, mơ hình kết hợp cho dư báo xấu với chi số MAPE, MAE cao Mơ hình SVM tâp liệu dư báo tốt so với mơ hình khác với SI« 5.3.5 Tập DataSet 5: 5.3.5.I Kết dự báo: Bảng 5.10 Kết dự báo với tập Testing CART y SVM y' y ANN y’ y ENSEMBLE y’ y y' 0.390845 0.366197 0.390845 0.482083 0.390845 0.383854 0.390845 0.410711 0.419014 0.366197 0.419014 0.347587 0.419014 0.319442 0.419014 0.344409 0.264085 0.457746 0.264085 0.415665 0.264085 0.283163 0.264085 0.385525 0.137324 0.152414 0.137324 0.230756 0.137324 0.195172 0.137324 0.192781 0.390845 0.39507 0.390845 0.378429 0.390845 0.344334 0.390845 0.372611 0.68662 0.454225 0.68662 0.397891 0.68662 0.404057 0.68662 0.418724 0.602113 0.620892 0.602113 0.599111 0.602113 0.636127 0.602113 0.61871 0.602113 0.620892 0.602113 0.599111 0.602113 0.636127 0.602113 0.61871 0.602113 0.620892 0.602113 0.542442 0.602113 0.577074 0.602113 0.580136 0.464789 0.333333 0.464789 0.446157 0.464789 0.470788 0.464789 0.416759 Bảng 5.11 Đánh giá mơ hình với tập Testing5 CART SVM ANN ENSEMBLE 0.772 1.296 0.176 0.712 1.404 0.818 1.223 0.145 1.248 0.172 0.801 0.226 0.071 0.107 0.079 0.115 0.061 0.099 0.066 0.100 0.447 1.000 0.000 0.193 Trang 67 Hình 5.17 Kết phân tích mơ hình CART- DataSet Hình 5.18 Kết phân tích mơ hình ANN- DataSet Hình 5.19 Kết phân tích mơ hình SVM- DataSet Trang 68 5.3.5.2 Nhận xét: Trong tập liệu cuối, mơ hình ANN xếp thứ nhất, nhung hệ số tưcmg quan tất mơ hình khơng cao (80%), mơ hình SVM xếp thứ với giá trị R thấp MAPE cao 5.3.6 Tổng họp: Từ giá trị trên, ta tổng họp đuợc giá trị trung bình hệ số đánh giá xếp hạng mơ hình Ta nhận thấy mơ hình có hệ số tuơng quan cao, tỷ lệ >85%, Sai số phần trăm trung bĩnh tuyệt đối MAPE chấp nhận đuợc với mức trung bĩnh 23% Mô hĩnh SVM tỏ vuợt trội so với mơ hĩnh lại (SI = 0.07) Mơ hĩnh ANN với hệ số tuơng quan thấp hệ số MAPE, RMSE cao xếp thứ CART 0.890277 1.123245 0.17423 0.069569 0.09887 0.148986 SVM 0.913599 1.094572 0.20439 0.073025 0.090257 0.071973 ANN 0.853963 1.171012 0.298723 0.102665 0.129259 0.859204 ENSEMBLE 0.908084 0.268084 0.145336 0.103628 0.545925 1.10122 5.3.7 Hệ số dự báo tầm quan trọng: 5.3.7.I DataSet 1: Variable Importaiwre Titles Ti ủn dú Hình 5.20 Hệ sơ dụ báo tâm quan trọng mô hĩnh CART - DataSet Trang 69 Variable Importance Tjrjets; riencfo Hình 5.21 Hệ số dự báo tàm quan trọng mơ hình ANN - DataSet Variable Importance Tan^rtỉ! Tiifi Hình 5.22 Hệ số dự báo tầm quan trọng mơ hình SVM - DataSet Trang 70 s.3.7.2 DataSet 2: -:JB 'VM T K ,3r*+ /(ô ' Ơrsini:V ""liniiTf “rt* r o Cm J w« Jl Hình 5.23 Hệ số dự báo tầm quan trọng mơ hình CART - DataSet ■m hi ™d w Ũ /«*»■ Ũ Vririttljte LllịKirttliKlẺ Tir-j^fla; Tun sta J- B SsiVfiWV K3đJô AvrCIVirii Q* J Sail Hình 5.24 Hệ số dự báo tầm quan trọng mơ hình ANN - DataSet ta* flpa j| Trang 71 ^ \'Ể ĨẼE» Ossrtttli /|H t-í V.’ri/iIJ'r llHỊn II r.Vifr T»| rlirm hh VB ĨKI QÉtp ỉa W| 1« eiir Mm *tr TK ta li 'II■ I lẩip eUíi Pil » l«j I V1 |W| J* 'I.I I K! ĩ * 1? i-j UI bia Cu 0M IM- ■ 10 IM ftM H»M !-ri IJỊ linrm kntdn on 3* MỊ 0* i Hình 5.25 Hệ số dự báo tầm quan trọng mơ hình SVM - DataSet 5,3.7.3 DataSet 3: #■ ca í TIM I QEte &Gsww.*i /sw làl Valuable nrnwrffince T-y'l«;: Tatn ifr Si T*1| III" *T«r I Till ụ ta bih HI lap ị Sl -=■! ihdC- p> call fc*! ll**T-L so Cãi11'ifi' í ■* vwr Toe -di •tế oang LVa] -in hrtr 5JÌ5»J kÌOTMatí- HihM >««1 f— f.ol.'.l _kj' - ; - i - r »»•1 |*>W 3*nnm AiMlỉuyH ỸK J tm«4 ị Hình 5.26 Hệ số dự báo tầm quan trọng mơ hình CART - DataSet Silts B«íi J Trang 72 Hình 5.27, Hệ số dự báo tầm quan trọng mơ hình ANN - DataSet V S.WI X - ■;'Ịy Variable ImportBiHS Tj'Jvtv: llírtdù 30 an Ui a»n Si CM Fwg T#ia4tP4ihii'III '1II| se nu “*1 C-ỊTV1 >b iiu liHi UTWKI Z-7 'H ằH1 TK *? S'! c*