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 thị (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

thị 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 lĩnh 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:

( / ) ( / ) (( ))

B P

A P x A B P B A

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 thị

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]:

Impassable Passable

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

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 địa 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 định các biến và trạng thái của

chúng để đưa vào mô hình

 Xác định 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 định 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

2- CPT của nút “Spinkler”:

Parent nodes Child node

3- CPT của nút “Rain”:

Parent nodes Child node

True 0.80 0.20

4- CPT của nút “Wet Grass”:

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 nghị 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 bị 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 lĩnh 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 định 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

<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 21st 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”.