Mạng bayesian belief networks (BBNs) và giới thiệu một số nghiên cứu ứng dụng trong quản lý xây dựng

Bài viết giới thiệu về Mạng bayesian belief networks (BBNs), phần mềm áp dụng và các phạm vi ứng dụng của nó nhằm khuyến khích các nhà nghiên cứu Việt Nam trong quá trình áp dụng quản lý xây dựng.

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 P

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]:

Parent node Child node

Precipitation Road Conditions

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 

None 0.05 0.95

Bảng 1: CPT của các biến “Road  Conditions” của  mạng BBNs theo sơ đồ 2

cao [4]

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

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

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

True False

3- CPT của nút “Rain”:

Parent nodes Child node

True False

4- CPT của nút “Wet Grass”:

Parent nodes Child node

Sprinkler Rain Wet Grass

True False

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]

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 Bayesian 

Networks”

<www.cs.berkeley.edu/~murphyk/Bayes/bayes

.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

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”.