Đang tải... (xem toàn văn)
Xác định tiến độ thi công lẳp ghép là một vấn đề quan trọng đối với chủ đầu tư lẫn nhà thầu thi công lẳp ghép, về đặc trưng công trình, có nhiều yếu tổ ảnh hưởng đến tiến độ thi công lẳp ghép nên các thuật toán CART (Classification and Regression Trees), ANN (Artificial Neural Networks), SVM (Support Vector Machine) và Ensemble được sử dụng để giải quyết vẩn đề này. Trong nghiên cứu này, bốn mô hình đã được xây dựng để dự báo tiến độ thi công lẳp ghép. Năm mươi dữ liệu công trình đã được thu thập, phương pháp Cross Validation được áp dụng để kết quả dự báo được khách quan. Vớỉ bổn mô hình được xây dựng, mô hình SVM cho kết quả tổt nhẩt với khả năng khải quả hóa và hội tụ để xác định tiến độ thi công lẳp ghép
ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA 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 sỗ: 60580302 LUẬN VĂN THẠC SĨ TP HỔ 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 thạc sĩ bảo vệ Trường Đại học Bách Khoa, ĐHQG Tp HCM ngày 24 tháng 07 năm 2018 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: PGS.TS Lương Đức Long TSĐỗTiếnSỹ 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 QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA CỘNG HOA XÃ HỘI CHỦ 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 ĐÈ TÀI: DỰ BÁO TIẾN ĐỘ THI CƠNG CƠNG TRÌNH LẮP GHÉP BẰNG TRÍ TUỆ NHÂN 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 cơng 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 TRẰN 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 q 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 Công trường Eco Green Sài Gòn hỗ trợ cung cấp thơng tin, giúp đỡ tơi nhiều q trình 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 lớp, giúp học hỏi nhiều điều Và cuối xin gửi lời cảm ơn đến người thân gia đình, bạn bè bên cạnh quan tâm, động viên, giúp đỡ tinh thần, giúp 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 vấn đề quan trọng chủ đầu tư lẫn nhà thầu thi cơng lẳp ghép, đặc trưng cơng trình, có nhiều yếu tổ 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, bốn mơ hình xây dựng để dự báo tiến độ thi công lẳp ghép Năm mươi liệu cơng trình thu thập, phương pháp Cross Validation áp dụng để kết dự báo khách quan Vớỉ bổn mơ hình xây dựng, mơ hình SVM cho kết tổt nhẩt với khả khải hóa hội tụ để xác định tiến độ thi công lẳp 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 công bố cơng trình khác Mọi giúp đỡ cho việc thực luận văn cám ơn thơng tin trích dẫn luận văn ghi rõ nguồn gốc Tác giả luận vãn Huỳnh Ngọc Huệ Trang MỤC LỤC CHƯƠNG ĐẶT VẤNSUPPORT ĐỀ NGHIÊN cứu 2.3 THUẬT TOÁN VECTOR MACHINE (SVM) 25 2.3.1 Định nghĩa SVM 25 2.3.2 Ý tưởng SVM 26 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 dụng 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: 2.5.2 Mơ hình mạng Noron .33 2.5.3 Học tập 2.5.4 2.6 33 35 Mạng lan truyền nguợc: 35 KẾT HỌP CÁC PHƯONG PHÁP (ENSEMBLE METHOD) .35 2.6.1 Kết hợp 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 CHƯNG CHÉO) 38 2.7.1 Tầm quan trọng việc kiểm tra chéo: 38 2.7.2 Áp dụng phuomg pháp K-fold cross validation: 38 2.8 CÁC NGHIÊN cứu LIÊN QUAN: 40 CHUÔNG PHUONG PHÁP NGHIÊN cứu .43 3.1 QUY TRÌNH NGHIÊN CỨU: 43 Trang 3.2 PHUONG PHÁP THU THẬP DỮ LIỆU: .43 3.3 CÔNG CỤ NGHIÊN cứu : 44 CHUÔNG THU THẬP VÀ PHÂN TÍCH DỮ LIỆU .45 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 Nh óm yếu tố nguồn vốn thực dự án 46 4.1.3 Nhóm yếu tố lực bên tham gia dự án 46 4.1.4 Nh óm yếu tố đặc trưng dự án 47 4.2 LỤA CHỌN YẾU TỐ ẢNH HUỞNG ĐẾN TIẾN ĐỘ THI CÔNG .48 4.2.1 Kh ó 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 CẤU 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 mơ hình SPSS Modeler: 56 Trang 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 5.3.5 Tập DataSet 5: 66 5.3.6 Tổng hợp: 68 5.3.7 5.4 Hệ số dự báo tầm quan trọng: 68 TỐI ƯU HĨA KẾT QUẢ MƠ HÌNH: 76 5.4.1 .Phương 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 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 53.4.2 Nhận 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 ~ 53.5 Tập DataSet 5: 53.5.1 Kết dự báo: Bảng 5.10 Kết dự báo với tập Testing SVM ANN CART y y' y y’ y y y' 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 0.385525 0.137324 0.152414 0.137324 0.230756 0.137324 0.195172 0.137324 0.192781 0.390845 0.390845 0.366197 0.390845 0.482083 y’ ENSEMBLE 0.390845 0.383854 0.264085 0.283163 039507 0.390845 0.378429 0.390845 0.344334 0.390845 0.372611 0.68662 0.454225 0.68662 0.397891 0.602113 0.620892 0.602113 0.599111 0.68662 0.404057 0.602113 0.636127 0.68662 0.602113 0.418724 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 0.772 1.296 0.176 0.071 0.107 0.447 SVM 0.712 1.404 0.226 0.079 0.115 1.000 ANN ENSEMBLE 0.818 1.223 1.248 0.145 0.172 0.061 0.099 0.066 0.100 0.000 0.193 0.801 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 5.3.5.2 Nhận xét: Trong tập liệu cuối, mơ hình ANN xếp thứ nhất, hệ số tương quan tất mơ hình khơng cao (80%), mơ hình SVM xếp thứ với giá trị R thấp MAPE cao 5.3.6 Tổng hợp: Từ giá trị trên, ta tổng hợp giá trị trung bình hệ số đánh giá xếp hạng mơ hình Ta nhận thấy mơ hình có hệ số tương quan cao, tỷ lệ >85%, Sai số phần trăm trung bình tuyệt đối MAPE chấp nhận với mức trung bình 23% Mơ hình SVM tỏ vượt trội so với mơ hình lại (SI = 0.07) Mơ hình ANN với hệ số tương 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 1.10122 0.268084 0.145336 0.103628 0.545925 5.3.7 Hệ số dự báo tầm quan trọng: 5.3.7.I DataSet 1: Variable Importaixe Tirọttí Ti ùn dủ Hình 5.20 Hệ sơ dự báo tâm quan trọng mơ hình CART - DataSet Variable Importance Tjnjets; riencfo Hình 5.21 Hệ số dự báo tầm quan trọng mơ hình ANN - DataSet Variable IiifiportancE TifijWS! Tifiil Hình 5.22 Hệ số dự báo tầm quan trọng mơ hình SVM - DataSet 53.7.2 DataSet 2: X 13 EM- /-fin Q ijBj ■if Mmniiir C—linnnwr Hình 5.23 Hệ số dự bảo tầm quan trọng mơ hình CART - DataSet Hình 5.24 Hệ số dự báo tầm quan trọng mơ hình ANN - DataSet V.Tbilir liniimi.xirf TBB3 dirn ã.'I ■■■B I|i sưrmii I '■+ I CWM Hình 5.28 Hệ sơ dự bảo tâm quan trọng mơ hình SVM - DataSet 53.7.4 DataSet 4: Hình 5.29 Hệ số dự báo tầm quan trọng mơ hình CART - DataSet Hình 530 Hệ số dự báo tầm quan trọng mơ hình ANN - DataSet J| mil REfc □ Tj!ọ«n: THTI lii Mridfl EirtkiMji Awwfettflj ị «■ ] I C-*r* ỂW* I Hình 5.31 Hệ số dự báo tầm quan trọng mơ hình SVM - DataSet s.3.7.5 DataSet 5: Hình 5.32 Hệ số dự báo tầm quan trọng mơ hình CART - DataSet / |KD 919KNLE QH3JI] I* |«m EfilDE > 553fl ... TÊN ĐÈ TÀI: DỰ BÁO TIẾN ĐỘ THI CÔNG CƠNG TRÌNH LẮP GHÉP BẰNG TRÍ TUỆ NHÂN 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,... công lắp ghép sở để nhà thầu thi công xác định tổng tiến độ thi công giai đoạn đấu thầu Và dựa vào yếu tố ảnh hưởng tới tiến độ thi cơng đơn vị thi cơng có chủ động việc lên kế hoạch thi công. .. tơng lắp ghép 1.5 ĐĨNG GĨP DỰ KIẾN CỦA NGHIÊN CỨU 1.5.1 mặt học thuật ứng dụng phương pháp khoa học (AI- trí tuệ nhân tạo) việc xác định tiến độ thi công lắp ghép cấu kiện bê tông đúc sẵn Xây dựng