Trong nghiên cứu này, bốn mô hình đã được xây dựng để dự báo tiến độ thi công lắp 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. Với bốn mô hình được xây dựng, mô hình SVM cho kết quả tốt nhất với khả năng khái quát hóa và hội tụ để xác định tiến độ thi công lắp ghép.
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 11(132).2018, QUYỂN 41 ỨNG DỤNG TRÍ TUỆ NHÂN TẠO ĐỂ DỰ ĐỐN TIẾN ĐỘ THI CÔNG NHÀ LẮP GHÉP USING ARTIFICIAL INTELLIGENT TECHNIQUES IN PRECAST CONSTRUCTION PROJECT PROGRESS/ SCHEDULE ESTIMATION Trần Đức Học1, Phạm Anh Đức2, Nguyễn Đăng Trình1, Huỳnh Ngọc Huệ1 Trường Đại học Bách khoa - Đại học Quốc gia TP.HCM; tdhoc@hcmut.edu.vn, ndtrinh@hcmut.edu.vn, huynhngochuexd@gmail.com Trường Đại học Bách khoa - Đại học Đà Nẵng; paduc@dut.udn.vn Tóm tắt - Xác định tiến độ thi công lắp ghép là một vấn đề quan trọng đối với chủ đầu tư lẫn nhà thầu thi cơng lắp ghép Về đặc trưng cơng trình, có nhiều yếu tố ảnh hưởng đến tiến độ thi công lắp ghép, nên thuật toán CART (Classification and Regression Trees), ANN (Artificial Neural Networks), SVM (Support Vector Machine) và Ensemble được sử dụng để giải vấn đề này Trong nghiên cứu này, bớn mơ hình được xây dựng để dự báo tiến độ thi công lắp ghép Năm mươi dữ liệu cơng trình được thu thập, phương pháp Cross Validation được áp dụng để kết quả dự báo được khách quan Với bớn mơ hình được xây dựng, mơ hình SVM cho kết quả tớt nhất với khả khái quát hóa và hợi tụ để xác định tiến độ thi công lắp 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 are constructed to forecast the progress of the assembly Fifty data Constructions have been collected The Cross Validation 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 Từ khóa - quản lý xây dựng; tiến đợ; dự đoán; trí ṭ nhân tạo; thi công lắp ghép Key words - construction management; progress/schedule; estimation; artificial intelligence; prefabricated construction Đặt vấn đề Với phát triển khoa học kỹ thuật, việc giới hóa thi cơng ngày diễn mạnh mẽ Một số đó, thi cơng lắp ghép kết hợp bê tông ứng suất trước sử dụng rộng rãi lĩnh vực xây dựng dân dụng, cầu đường, để đáp ứng cho q trình thị hóa nhanh chóng thành phố lớn [1] Với ưu so với bê tơng tồn khối, phương pháp lắp ghép tiết kiệm chi phí, tiến độ lẫn chất lượng thi cơng Theo chuyên gia xây dựng hàng đầu, việc áp dụng sàn bê tơng lắp ghép tiết kiệm tới 70% chi phí xây dựng áp dụng với cơng trình có quy mơ lớn Trong điều kiện Việt Nam, thi công phương pháp lắp ghép dần có xu phát triển Phương pháp thi công dựa vào việc cấu kiện sản xuất trước nhà máy, với chất lượng đảm bảo lắp dựng cơng trường triển khai xác, nhanh chóng Vì thế, phương pháp giải pháp phù hợp cho cơng trình dành cho người thu nhập thấp đô thị lớn thời gian tới Ví dụ, cơng trình Eco Dream Nguyễn Xiển (Quận 9, TP.HCM) vượt tiến độ tháng, với tốc độ thi công ngày/sàn lắp ghép, qua cho ta thấy ưu ưu việt tốc độ bêtông lắp ghép Xác định tiến độ thi 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 công, đơn vị thi cơng có những chủ động việc lên kế hoạch thi cơng có biện pháp ứng phó với những rủi ro thời gian trình thi công Trên sở vấn đề nghiên cứu, báo tiến hành nhằm mục tiêu sau: (1) Xác định tiến độ thi công lắp dựng cấu kiện bê tông cốt thép dự ứng lực căng trước tiền chế; (2) So sánh thuật tốn trí tuệ nhân tạo khai phá dữ liệu để tìm thuật tốn tối ưu cho phương pháp dự báo tiến độ thi cơng; (3) Xác định yếu tố quan trọng có tính tương quan đáng kể với kết dự báo, từ đề giải pháp tối ưu tiến độ thi công Nhà lắp ghép Kết cấu bê tông cốt thép ứng suất trước bê tông dự ứng lực, khác với kết cấu bê tông cốt thép thông thường Thay sử dụng cốt thép cường độ trung bình, cấu kiện sử dụng cốt thép ứng suất trước có lực căng cao, cường độ chịu kéo tốt kết hợp với sức chịu nén bê tông để tạo nên kết cấu biến dạng ngược với biến dạng cấu kiện làm việc Thông qua việc này, kết cấu bê tơng dự ứng lực có khả chịu tải trọng giới hạn lớn kết cấu bê tông thông thường, vượt nhịp lớn nhờ vào trọng lượng thân nhỏ vật liệu cường độ cao [2] Với công nghệ thi công lắp ghép, cấu kiện chế tạo hoàn chỉnh bán phần nhà máy dựa vào vẽ kỹ thuật, sau cấu kiện vận chuyển đến công trường Các cấu kiện liên kết với mối nối kỹ thuật, đảm bảo khả chịu lực Các cấu kiện đúc sẵn dầm, cột, panel sàn, panel tường, cầu thang, dàn kèo… cấu kiện cầu đường móng cốc, đoạn đường ống (tunnel), đốt cọc [3] Các sàn thiết kế có hệ sườn lớp đệm, lõi cứng cơng trình thi cơng chỗ trượt lõi Sau cột, dầm, sàn lắp đở lớp bê tơng cốt thép toàn khối toàn mặt sàn tầng, sàn ba lớp [4] 42 Trần Đức Học, Phạm Anh Đức, Nguyễn Đăng Trình, Huỳnh Ngọc Huệ Khai phá liệu trí tuệ nhân tạo 3.1 Khai phá liệu Khái niệm khai phá dữ liệu (Data Mining) đời vào cuối thập kỷ 80 Mục đích phát thơng tin có giá trị tiềm ẩn tập dữ liệu lớn Khai phá dữ liệu liên quan đến việc phân tích tập dữ liệu sử dụng kỹ thuật, cơng cụ để tìm đặc điểm mẫu tập dữ liệu [5] Có thể hiểu rằng, khai phá dữ liệu trình tìm kiếm, phát tri thức tiềm ẩn sở dữ liệu lớn Khai phá tri thức mục tiêu quan trọng khai phá dữ liệu, đó, nói hai khái niệm xem hai lĩnh vực tương đương Nếu phân chia cách rõ ràng khai phá dữ liệu bước q trình khai phá tri thức 3.2 Trí tuệ nhân tạo a Thuật tốn support vector machine (SVM) Mơ hình máy véc tơ hỗ trợ thuật toán dựa tảng lý thuyết thống kê Vapnik, thuật tốn có tảng tốn học chặt chẽ để đảm bảo kết tìm xác Thuật toán học giám sát (supervied learning) sử dụng cho việc phân lớp dữ liệu SVM sử dụng phổ biến nay, ưu điểm xử lý khơng gian số chiều cao, tính linh hoạt tiết kiệm nhớ SVM công nhận những phương pháp mạnh xác số thuật tốn nởi tiếng phân lớp dữ liệu Vì có tính tởng qt cao, nên SVM áp dụng cho nhiều loại toán nhận dạng phân loại nhận dạng hình ảnh, dự báo [6] b Mơ hình định (CART) Là một mơ hình lĩnh vực học máy (Machine Learning), CART kiểu mô hình dự báo, định nghĩa ánh xạ từ quan sát vật/ tượng tới kết luận giá trị mục tiêu vật/ tượng Mỗi nút tương ứng với biến; đường nối giữa với nút thể giá trị cụ thể cho biến Mỗi nút (nút phân nhánh cuối cùng) đại diện cho giá trị dự đoán biến mục tiêu, giá trị cho trước biến biểu diễn đường từ nút gốc tới nút Kỹ thuật học máy dùng định gọi học định, dựa vào xác suất thống kê, tùy theo giai đoạn [7] c Mạng nơ ron nhân tạo (ANN) Là mơ hình xử lý thơng tin dựa vào cấu tạo hệ thần kinh sinh vật gồm nhiều nơ ron kết hợp với trọng số biến, độ mạnh liên kết hiệu chỉnh Cấu trúc hệ thống nơ ron gồm có phân lớp: lớp đầu vào, lớp ẩn lớp đầu Lớp đầu vào lớp có kết nối với dữ liệu bên ngồi Lớp ẩn khơng có kết nối với dữ liệu, lớp kết nối với lớp đầu vào lớp đầu thơng qua số tiêu chí mạng Lớp đầu cung cấp kết mạng ANN sau dữ liệu đầu vào mạng xử lý d Kết hợp phương pháp (Ensemble method) Là phương pháp kết hợp thuật toán chọn CART, Naives bayes, mạng nơ-ron, SVM Khi dữ liệu phân loại dự đoán, dữ liệu xử lý phân loại kết hợp kết chúng kết hợp theo cách để đưa dự đoán cuối kết hợp tập Có thể sử dụng phương pháp trọng số (weighted), bagging sở (boosting) để kết hợp thuật tốn Để có có kết dự đốn tốt, kết hợp thường tở hợp thuật tốn có khả dự báo/ phân loại tốt kết thuật toán khơng có độ tương quan cao với [8] Thu thập phân tích liệu Căn vào nghiên cứu trước đây, kết hợp với quy định đặc thù dự án Việt Nam, đồng thời thông qua vấn chuyên gia, tác giả tham khảo, tởng hợp nhóm yếu tố ảnh hưởng đến biến động tiến độ hoàn thành dự án: (1) Tởng diện tích sàn thi cơng lắp ghép; (2) Số tầng thi công lắp ghép; (3) Tổng số cấu kiện cột; (4) Tổng số cấu kiện dầm; (5) Tổng số cấu kiện sàn; (6) Số lượng cẩu tháp, máy cẩu công trường; (7) Tốc độ thi cơng tầng điển hình Bảng Thơng số dự án SỐ LƯỢNG ĐƠN VỊ Ký hiệu ĐẶC TRƯNG DỰ ÁN X1 Tởng diện tích sàn thi cơng lắp ghép (phần khung) m2 X2 Số tầng thi công lắp ghép Tầng X3 Tổng số cấu kiện cột Cấu kiện X4 Tổng số cấu kiện dầm Cấu kiện X5 Tổng số cấu kiện sàn (panel) Cấu kiện X6 Số lượng cẩu tháp, máy cẩu công trường (Số lượng X Số ca /2) Công X7 Tốc độ thi công tầng điển hình Ngày/ sàn Y1 Tởng thời gian thi cơng lắp ghép theo tiến độ đề Ngày Bảng dùng cho thu thập dữ liệu để gửi tới cơng trường xây dựng Xây dựng mơ hình dự báo Quy trình dự báo trình bày Hình Bước 1: Giai đoạn đầu vào: Đưa dữ liệu vào mơ hình, dùng thuật tốn Cross Validation phân chia thành dữ liệu Qua lọc để xác định tập dữ liệu Train/Test Bước 2: Mơ hình huấn luyện: sử dụng node dự đoán để huấn luyện dữ liệu theo thuật toán ANN, SVM, CART Bước 3: Thử nghiệm mơ hình: sử dụng nút Nugget để xác thực dữ liệu thử nghiệm Bước 4: Kết hợp mơ hình thơng qua Ensemble Node Bước 5: Giai đoạn đầu ra: đánh giá kết phân tích thơng qua nút bảng phân tích ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 11(132).2018, QUYỂN 43 áp dụng: a Phương trình tương quan tuyến tính (R)/ Hệ số xác định R2 R= n y y '− ( y )( y ') n( y ) −( y ) n( y '2 ) −( y ') (1) Trong đó: y’ giá trị dự đốn; y giá trị thực tế; n số lượng dữ liệu mẫu Tương tự vậy, hệ số xác định, R2 thước đo mức độ tốt giá trị dự đoán giá trị thực tế b Độ lệch phần trăm trị tuyệt đối trung bình (Mean Absolute Percentage Error-MAPE) MAPE = n y − y' y n i =1 (2) c Sai số tuyệt đối trung bình (Mean Absolute ErrorMAE) MAE = Hình Sơ đồ bước xây dựng mơ hình dự báo phần mềm SPSS Modeler Thông qua phương pháp thử nghiệm (trial and error) đề xuất từ nghiên cứu trước Jui-Sheng Chou and Pham Anh Duc (2013) [8], nghiên cứu đề xuất tham số cho mơ Bảng Bảng Thiết lập thông số cho SPSS Modeler Mơ hình Thơng số Giá trị ANN Alpha Initial Eta High Eta Low Eta Eta decay Hidden layers Persistence 0,9 0,3 0,1 0,01 30 Three (20, 15, 10) 200 CART Levels below root Mode Maximum surrogates Minimum change in impurity Impurity measure for categorical targets Minimum records in parent branch (%) Minimum records in child branch (%) Simple 0,0001 Gini Stopping criteria Regularization parameter (C) Regression precision (epsilon) Kernel type RBF gbamma 1,0E-3 10 0,1 SVM n y − y' n i =1 (3) d Sai số bình phương trung bình quân phương (Root mean square Error-RMSE) RMSE = n ( y '− y)2 n i =1 (4) Để có thước đo hiệu suất toàn diện, số tổng hợp (SI) thông qua bốn biện pháp thống kê, 1/R, MAPE, MAE, RMSE, biểu diễn sau: SI = m Pi − Pmin,i m i =1 Pmax,i − Pmin,i (5) Trong đó: m số phép đo hiệu suất (các kết công thức trên); Pi thước đo hiệu suất thứ i Phạm vi SI [0,1]; giá trị SI gần cho biết độ xác cao mơ hình dự báo (độ sai số nhỏ nhất) Hiệu suất mơ hình dự đoán xác nhận mặt tương quan tuyến tính R, RMSE MAPE Giá trị R cao giá trị RMSE MAPE thấp cho thấy hiệu suất mơ hình hiệu [9] 5.2 Phân chia liệu RBF 0,1 5.1 Phương pháp đánh giá hiệu suất mơ hình Các mơ hình đơn kết hợp sau huấn luyện, cần có phương pháp đánh giá mơ hình, từ có sở để xếp hạng mơ hình dự báo Các thơng số đánh giá sau Hình Phân chia tập liệu với 5- fold Trước đưa dữ liệu vào mơ hình, ta phải thực việc chuẩn hóa dữ liệu đầu vào, tránh số lớn, thường nên co giãn dữ liệu để chuyển đoạn [-1,1] [0,1] [8] Đối với nghiên cứu này, dữ liệu Trần Đức Học, Phạm Anh Đức, Nguyễn Đăng Trình, Huỳnh Ngọc Huệ 44 dương nên ta đưa dữ liệu [0,1] Với tập gồm 50 dữ liệu cơng trình, áp dụng thuật toán k-fold, ta chia dữ liệu thành fold Hình 2, fold gồm 10 dữ liệu cơng trình Ứng với cách chia có trường hợp dữ liệu tạo (Data 1…Data 5) Ta phân chia tập dữ liệu với tỷ lệ Traning/Testing 80/20 5.3 Xây dựng mơ hình SPSS Modeler Hình mơ tả mơ hình tập dữ liệu với node hoàn chỉnh cho việc phân tích, dự báo “Tổng diện tích sàn thi cơng lắp ghép” có ảnh hưởng lớn đến kết dự báo (lần lượt chiếm 32,5% 15,9%) Hai yếu tố đại diện cho yếu tố số tầng thi cơng lắp ghép Trong đó, yếu tố “Tốc độ thi cơng tầng điển hình” lại khơng có ảnh hưởng nhiều đến kết quả, thuật tốn khơng “nhận biết” tầm quan trọng yếu tố tốc độ thi công ảnh hưởng đến tiến độ, nên ta mô biến tốc độ thi công tầng điển hình biến có liên quan mật thiết với biến tốc độ thi công Kết luận Nghiên cứu sử dụng thuật toán SVM, CART, ANN kết hợp với phương pháp k-fold cross validation tạo nên mơ hình dự báo tiến độ thi cơng cơng trình lắp ghép dựa tập 50 dữ liệu với thông số đầu vào đặc trưng dự án Đây sở quan trọng để giúp Chủ đầu tư hoạch định chiến lược, chủ động tài chính, thời gian cho dự án Dựa vào kết nghiên cứu thực nghiệm, tác giả đưa kết luận sau: • Thơng qua trao đổi với chuyên gia, sàng lọc tài liệu xác định những yếu tố cần thiết từ đặc trưng dự án có ảnh hưởng đến tiến độ thi cơng • Giới thiệu số thuật tốn Data Mining máy học vector hỗ trợ, định, mạng nơron nhân tạo Hình Xây dựng mơ hình đơn, mơ hình kết hợp Kết mơ hình Từ giá trị thông qua dữ liệu, ta tởng hợp giá trị trung bình hệ số đánh giá xếp hạng mơ Bảng Bảng Kết dự đoán MƠ HÌNH R 1/R MAPE MAE RMSE SI RANK CART 0,890 1,123 0,174 0,069 0,098 0,148 SVM 0,913 1,094 0,204 0,073 0,090 0,071 ANN 0,853 1,171 0,298 0,102 0,129 0,859 ENSEM BLE 0,908 1,101 0,268 0,145 0,103 0,545 Ta 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 Hình Biểu đồ tổng hợp hệ số dự báo tầm quan trọng Hình cho thấy, yếu tố “Số tầng thi cơng lắp ghép” • Nghiên cứu áp dụng phương pháp xác thực chéo kfold để giảm thiểu sai lệch liên quan đến việc lấy mẫu ngẫu nhiên dữ liệu training testing, giúp cho kết khách quan • Sử dụng cơng cụ SPSS Modeler xây dựng mơ hình để tiến hành dự báo thời gian thi công lắp ghép TÀI LIỆU THAM KHẢO [1] T.N.T.Hồng, Xác định tốc độ thi cơng lắp dựng bê tông cốt thép dự ứng lực căng trước tiền chế Luận văn Thạc sỹ, Đại học Bách khoa Tp.Hồ Chí Minh, 2013 [2] Elsharkawy, H.-e.A.-e., et al., “Behavior of post-tensioned fiber concrete beams”, HBRC Journal, 2013 9(3): p 216-226 [3] Dawood, N.N., “Scheduling in the precast concrete industry using the simulation modelling approach”, Building and Environment, 1995 30(2): p 197-207 [4] Vaghei, R., et al., “Evaluate Performance of Precast Concrete Wall to Wall Connection”, APCBEE Procedia, 2014 9: p 285-290 [5] Cường, T.H and N.Đ Vĩnh, “Tổng quan phát tri thức khai phá dữ liệu”, Tạp chí Khoa học & Cơng nghệ Trường Đại học cơng nghiệp Hà Nội, 2011 5: p 50-55 [6] Deris, A.M., A.M Zain, and R Sallehuddin, “Overview of Support Vector Machine in Modeling Machining Performances”, Procedia Engineering, 2011 24: p 308-312 [7] Rutkowski, L., et al., “The CART decision tree for mining data streams”, Information Sciences, 2014 266: p 1-15 [8] Chou, J.-S and A.-D Pham, “Enhanced artificial intelligence for ensemble approach to predicting high performance concrete compressive strength”, Construction and Building Materials, 2013 49: p 554-563 [9] Chou, J.-S and A.-D Pham, “Hybrid computational model for predicting bridge scour depth near piers and abutments”, Automation in Construction, 2014 48: p 88-96 (BBT nhận bài: 05/11/2018, hoàn tất thủ tục phản biện: 18/11/2018) ... • Sử dụng cơng cụ SPSS Modeler xây dựng mơ hình để tiến hành dự báo thời gian thi công lắp ghép TÀI LIỆU THAM KHẢO [1] T.N.T.Hoàng, Xác định tốc độ thi công lắp dựng bê tông cốt thép dự ứng lực... cẩu công trường (Số lượng X Số ca /2) Công X7 Tốc độ thi cơng tầng điển hình Ngày/ sàn Y1 Tởng thời gian thi công lắp ghép theo tiến độ đề Ngày Bảng dùng cho thu thập dữ liệu để gửi tới công. .. validation tạo nên mơ hình dự báo tiến độ thi cơng cơng trình lắp ghép dựa tập 50 dữ liệu với thông số đầu vào đặc trưng dự án Đây sở quan trọng để giúp Chủ đầu tư hoạch định chiến lược, chủ động