Ước lượng chi phí xây dựng cầu dầm nhịp giản đơn bằng mô hình mạng neuron nhân tạo (ann)

Nhận thức được tầm quan trọng của công tác quản lý dự án, quản lý chi phí xây dựng, các cơ quan chuyên môn, cơ quan có thẩm quyền mà ở đây đặc biệt quan trọng là Sở Giao thông Vận tải Lo

Trang 1

ĐẠI HỌC QUỐC GIA TP.HỒ CHÍ MINH

NHÂN TẠO (ANN)

Chuyên ngành: CÔNG NGHỆ VÀ QUẢN LÝ XÂY DỰNG

Mã số : 60.58.90

LUẬN VĂN THẠC SĨ

TP.Hồ Chí Minh, tháng 01 năm 2016

Trang 2

Công trình được hoàn thành tại: Trường Đại học Bách Khoa – ĐHQG-HCM Cán bộ hướng dẫn khoa học : TS ĐINH CÔNG TỊNH

Cán bộ hướng dẫn khoa học: TS LÊ HOÀI LONG

Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có)

Trang 3

ĐẠI HỌC QUỐC GIA TP HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

-

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Chuyên ngành: Công nghệ & Quản lý xây dựng Mã số : 60.58.90

I TÊN ĐỀ TÀI:

ƯỚC LƯỢNG CHI PHÍ XÂY DỰNG CẦU DẦM NHỊP GIẢN ĐƠN BẰNG MÔ

HÌNH MẠNG NEURON NHÂN TẠO (ANN)

II NHIỆM VỤ VÀ NỘI DUNG:

1 Xác định các nhân tố ảnh hưởng đến chi phí xây dựng cầu dầm nhịp giản đơn

2 Xây dựng mô hình mạng neuron nhân tạo ANN

3 Kiểm định, đánh giá và thử nghiệm mô hình

4 Ứng dụng mô hình ANN trên phần mềm Excel

NGÀY GIAO NHIỆM VỤ: 06/7/2015

Trang 4

Đồng thời, Học viên xin chân thành cảm ơn Qúy Thầy cô trong Bộ môn Thi công

và quản lý xây dựng, phòng đào tạo sau đại học trường đại học Bách Khoa Tp.Hồ Chí Minh đã hướng dẫn, truyền đạt kiến thức trong suốt thời gian Học viên theo học tại trường;

Xin chân thành cảm ơn Lãnh đạo Sở Giao thông Vận tải tỉnh Long An, nơi Học viên đang công tác đã quan tâm, tạo điều kiện và giúp đỡ Học viên trong suốt thời gian học tập;

Xin chân thành cảm ơn Gia đình, đồng nghiệp và bạn bè đã động viên, giúp đỡ cho Học viên hoàn thành việc học tập, nghiên cứu trong khóa học này

Một lần nữa Học viên xin chân thành cảm ơn!

Đặng Trần Đăng Khoa

Trang 5

TÓM TẮT

Giao thông phát triển là một trong những yếu tố hàng đầu giúp nền kinh tế phát triển Tỉnh Long An trong những năm gần đây đã đẩy mạnh công tác xây dựng nâng cấp các tuyến đường tỉnh, đường huyện Đặc biệt là xây dựng mới những cầu giao thông với tải trọng HL93 theo tiêu chuẩn xây dựng cầu 22TCN 272-05, nâng cao khẩu

độ cầu, mở rộng khoảng thông thuyền giúp ích cho giao thông đường bộ và đường thủy được thuận tiện hơn Vốn ngân sách tỉnh chi vào các công trình cầu giao thông ngày càng nhiều Nhận thức được tầm quan trọng của công tác quản lý dự án, quản lý chi phí xây dựng, các cơ quan chuyên môn, cơ quan có thẩm quyền mà ở đây đặc biệt quan trọng là Sở Giao thông Vận tải Long An đã có nhiều biện pháp nhằm kiểm soát chi phí xây dựng các cầu giao thông đạt chất lượng, hiệu quả mà chi phí đảm bảo không vượt quá nhiều

Qua tham khảo và khảo sát ý kiến của các chuyên gia về lĩnh vực giao thông tại địa phương, việc áp dụng ước lượng chi phí vào giai đoạn lập dự án rất hợp lý, giúp công tác đánh giá và chuẩn bị dự án đạt hiệu quả cao hơn Thông qua đánh giá của các chuyên gia, các lãnh đạo trong ngành đã chọn ra được 14 nhân tố chính ảnh hưởng trực tiếp đến chi phí xây dựn cầu dầm nhịp giản đơn Dựa vào các số liệu các công trình đã thi công trong năm 2013 và 2014 trên toàn tỉnh, chọn ra được 33 bộ dữ liệu có thể sử dụng phục vụ công tác nghiên cứu này

Sử dụng ứng dụng mô hình ANN trên phần mềm SPSS20 và tham khảo các nghiên cứu trước đây về ước lượng chi phí đã thực hiện tại Việt Nam và thế giới để xây dựng mô hình ước lượng chi phí xây dựng cầu dầm nhịp giản đơn

Luận văn này chỉ ra cách xây dựng và thử nghiệm mô hình ANN vào việc ước lượng chi phí xây dựng cầu dầm nhịp giản đơn áp dụng tại Long An

Trang 6

LỜI CAM ĐOAN

Tôi, Đặng Trần Đăng Khoa, xin cam kết rằng trong quá trình thực hiện luận văn “Ước lượng chi phí xây dựng cầu dầm nhịp giản đơn bằng mô hình mạng neuron nhân tạo (ANN)” các số liệu thu thập và kết quả nghiên cứu đƣợc thể hiện hoàn toàn trung thực

và chƣa đƣợc công bố ở bất kỳ nghiên cứu nào khác Tôi xin chịu trách nhiệm hoàn toàn về nghiên cứu của mình

TP.HCM, ngày……tháng……năm 2016

ĐẶNG TRẦN ĐĂNG KHOA

Trang 7

MỤC LỤC

CHƯƠNG 1: ĐẶT VẤN ĐỀ 7

1 Xác định vấn đề nghiên cứu 7

2 Mục tiêu nghiên cứu 7

3 Phạm vi nghiên cứu 8

4 Đóng góp của nghiên cứu: 8

CHƯƠNG 2: TỔNG QUAN 9

1 Giới thiệu chương 9

2 Các khái niệm chung: 9

3 Tổng quan phương pháp ANN 10

3.1 Neuron sinh học 11

3.2 Neuron nhân tạo 12

3.3 Mô hình mạng neuron 14

a Các kiểu mô hình mạng neuron 15

b Perceptron 17

c Mạng nhiều tầng truyền thẳng (MLP) 18

4 Phương pháp Boostrap 19

5 Tổng quan các nghiên cứu trước đây 20

CHƯƠNG 3 : PHƯƠNG PHÁP NGHIÊN CỨU 22

2 Quy trình nghiên cứu 22

3 Xác định các nhân tố ảnh hưởng 24

4 Thu thập dữ liệu: 26

5 Xây dựng mô hình mạng neuron nhân tạo 30

5.1 Định hình mạng 31

5.2 Đánh giá mô hình 32

CHƯƠNG 4: XÂY DỰNG MÔ HÌNH ANN 34

2 Đề xuất cấu hình mạng ANN 34

3 Xây dựng và đánh giá mô hình giai đoạn 1 35

Trang 8

4 Xây dựng và đánh giá mô hình giai đoạn 2 42

5 Kết luận: 56

CHƯƠNG 5: THỬ NGHIỆM MÔ HÌNH, ỨNG DỤNG MÔ HÌNH TRÊN PHẦN MỀM EXCEL, ƯỚC LƯỢNG KHOẢNG TIN CẬY 58

2 Mô hình ước tính 58

3 Dự án thử nghiệm 58

4 Kết quả thử nghiệm mô hình: 59

5 Xây dựng mô hình ước lượng ANN trên phần mềm excel: 60

6 Suất vốn đầu tư, giá bộ phận kết cấu công trình: 65

7 Ước lượng khoảng 66

CHƯƠNG 6: KẾT LUẬN VÀ KIẾN NGHỊ 69

1 Kết luận 69

2 Kiến nghị: 69

TÀI LIỆU THAM KHẢO 69

BẢNG CÂU HỎI KHẢO SÁT 71

PHỤ LỤC 76

Phụ lục 1: Tổng hợp kết quả mô hình ANN 8 biến đầu 1 lớp ẩn, 7 đến 17 neuron lớp ẩn: 76

Phụ lục 2: Tổng hợp kết quả mô hình ANN 14 biến đầu 1 lớp ẩn, 7 đến 29 neuron lớp ẩn: 77

Phụ lục 3: Tổng hợp kết quả mô hình ANN 8 biến đầu vào 7 đến 17 neuron lớp ẩn số 1 và 2: 80

Phụ lục 4: Tổng hợp kết quả mô hình ANN 14 biến đầu vào 9 đến 29 neuron lớp ẩn số 1 và 2: 95

Trang 9

DANH MỤC HÌNH ẢNH

Hình ảnh 1 Cấu trúc của một nơron sinh học điển hình 11

Hình ảnh 2 Neuron nhân tạo 12

Hình ảnh 3 Mạng tự kết hợp 15

Hình ảnh 4 Mạng kết hợp khác kiểu 16

Hình ảnh 5 Mạng truyền thẳng 16

Hình ảnh 6 Mạng phản hồi 17

Hình ảnh 7 Perceptron 17

Hình ảnh 8 Mạng MLP tổng quát 18

Hình ảnh 9 Sơ đồ mô phỏng phân phối Bootstrap 19

Hình ảnh 10 Qui trình thực hiện nghiên cứu 23

Hình ảnh 11 Quy trình phát triển mô hình neuron 30

Hình ảnh 12 Đồ thị R 2 (mô hình 8 biến đầu vảo 1 lớp ẩn) 35

Hình ảnh 13 Đồ thị hệ số R 2 (mô hình 8 biến đầu vào 2 lớp ẩn) 35

Hình ảnh 16 Đồ thị sai số MAPE (mô hình 8 biến đầu vảo 1 lớp ẩn) 37

Hình ảnh 17 Đồ thị sai số MAPE (mô hình 8 biến đầu vào 2 lớp ẩn) 37

Hình ảnh 20 Đồ thị sai số MAPE của bộ Test (Mô hình ANN 8 biến đầu vào 1 lớp ẩn) 39

Hình ảnh 21 Đồ thị hệ số R 2 của bộ Test (Mô hình ANN 8 biến đầu vào 1 lớp ẩn) 39

Hình ảnh 28 Đồ thị R 2 (mô hình 14 biến đầu vảo 1 lớp ẩn) 43

Trang 10

Hình ảnh 39 Đồ thị sai số MAPE (mô hình 14 biến đầu vảo 1 lớp ẩn) 46

Hình ảnh 49 Đồ thị sai số MAPE (Mô hình ANN 14 biến đầu vào 2 lớp ẩn) 49

Trang 11

Hình ảnh 63 Đồ thị hệ số R 2 của bộ Test (Mô hình ANN 14 biến đầu vào) 54

Hình ảnh 68 Chương trình ước lượng bằng Excel cho mô hình giai đoạn 1 64

Hình ảnh 69 Chương trình ước lượng bằng Excel cho mô hình giai đoạn 2 65

Trang 12

DANH MỤC BẢNG BIỂU

Bảng 1 Một số hàm truyền thông dụng 14

Bảng 2 Bảng tổng hợp những số liệu cần thiết để xây dựng mô hình 29

Bảng 3 Tổng hợp hệ số xác định (R 2 ) mô hình ANN giai đoạn 1 36

Bảng 4 Tổng hợp sai số MAPE giai đoạn 1 38

Bảng 5 Kết quả đánh giá hai mô hình ANN tốt nhất và kém nhất trong nhóm 2 lớp ẩn 42

Bảng 6 Kết quả đánh giá hai mô hình ANN tốt nhất và kém nhất trong nhóm 1 lớp ẩn 42

Bảng 7 Tổng hợp hệ số xác định (R 2 ) mô hình ANN 2 lớp ẩn 46

Bảng 8 Tổng hợp sai số MAPE (mô hình ANN 2 lớp ẩn) 49

Bảng 9 Kết quả đánh giá hai mô hình ANN tốt nhất và kém nhất trong nhóm mô hình ANN 2 lớp ẩn 56

Bảng 10 Kết quả đánh giá hai mô hình ANN tốt nhất và kém nhất trong nhóm mô hình ANN 1 lớp ẩn 56

Bảng 11 Dữ liệu của dự án được thử nghiệm 59

Bảng 12 Tổng hợp kết quả thử nghiệm mô hình 59

Bảng 13 Ma trận trọng số liên kết và sai số bias lớp ẩn số 1 60

Bảng 14 Ma trận trọng số liên kết và sai số bias lớp ẩn số 2 60

Bảng 15 Ma trận trọng số liên kết và sai số bias lớp xuất 61

Bảng 16 Ma trận trọng số liên kết và sai số bias lớp ẩn 63

Bảng 17 Ma trận trọng số liên kết và sai số bias lớp xuất 63

Bảng 18 Tổng hợp kết quả thử nghiệm mô hình 66

Bảng 19 Tổng hợp ước lượng khoảng chi phí xây dựng theo phương pháp Bootstrap 67

Trang 13

Tuy nhiên, vốn ngân sách tỉnh hạn hẹp, kinh phí đầu tư vào các dự án cầu giao thông còn nhiều hạn chế, đòi hỏi các cơ quan lãnh đạo địa phương phải tính toán sao cho chất lượng công trình vẫn đảm bảo mà không lãng phí chi phí xây dựng Công tác xác định chi phí xây dựng cầu dầm nhịp giản đơn được thực hiện thông qua bước thiết

kế bản vẽ thi công với cách tính truyền thống là lập dự toán

Bên cạnh đó, ngày càng có nhiều nghiên cứu khoa học liên quan đến việc xác định chi phí trong lĩnh vực xây dựng Trong đó mô hình mạng neuron nhân tạo (ANN) được xem như một giải pháp hữu hiệu để ước lượng chi phí xây dựng

Nghiên cứu này được thực hiện để thực hiện công tác xác định chi phí xây dựng cho các dự án tương tự sẽ được thực hiện dựa trên các dữ liệu của các dự án tương tự bằng ứng dụng của mô hình mạng neuron nhân tạo ANN

2 Mục tiêu nghiên cứu

Nghiên cứu được tiến hành nhằm đáp ứng các mục tiêu sau đây:

- Xác định các nhân tố chính ảnh hưởng đến chi phí xây dựng cầu dầm nhịp giản đơn

- Ứng dụng mô hình ANN để xây dựng mô hình ước lượng chi phí xây dựng cầu

Trang 14

- Kiểm tra, đánh giá kết quả mô hình và so sánh kết quả thông quan dự án thử nghiệm với chi phí xây dựng trong suất vốn đầu tư do Bộ Xây dựng công bố

- Viết chương trình ứng dụng mô hình trên phần mềm Excel

- Ước lượng khoảng tin cậy của giá trị ước lượng từ mô hình dựa trên phương pháp Bootstrap

và đang thực hiện ở Long An

4 Đóng góp của nghiên cứu:

Nghiên cứu này sử dụng dữ liệu các công trình cầu dầm nhịp giản đơn đã và đang thực hiện, qua đó áp dụng vào các dự án sau này, giúp chủ đầu tư biết trước được chi phí xây dựng qua đó quản lý tốt hơn về chất lượng và chi phí công trình

Nghiên cứu còn tạo ra thêm một phương pháp tính toán ước lượng dự toán chi phí cầu ngay cả khi chưa có thiết kế chi tiết

Đề tài còn là cở sở để xây dựng và phát triển một mô hình xác định chi phí xây dựng mới hoàn thiện và phổ biến hơn trong tương lai thay thế các phương pháp truyền thống, giúp giảm thiểu các chi phí sinh ra trong công tác lập chi phí xây dựng

Trang 15

CHƯƠNG 2: TỔNG QUAN

1 Giới thiệu chương

Nội dung của Chương 2 sẽ đi vào hai vấn đề chính đó là làm sáng tỏ các khái niệm quan trọng được sử dụng trong Luận văn và tổng hợp các nghiên cứu trước về phương pháp cũng như các rủi ro tiềm năng

2 Các khái niệm chung:

a Công trình cầu giao thông sử dụng dầm nhịp giản đơn

Cầu là một phương tiện nối liền 2 hay nhiều điểm khác nhau, giúp việc di chuyển giữa các vị trí ấy được dễ dàng hơn

Cầu là một công trình giao thông được bắc qua các chướng ngại nước như: rãnh nước, dòng suối, dòng sông, hồ, biển, thung lung, hay các chướng ngại khác như: đường bộ, đường sắt… đảm bảo cho giao thông được liên tục

Cầu dầm nhịp giản đơn: nhịp cầu gồm các dầm bằng BTCT Bộ phận chịu lực chủ yếu là dầm, làm việc theo chịu uốn, phản lực ở gối kê dầm có phương thẳng đứng

và có hướng từ dưới lên

b Dự án đầu tư xây dựng:

Dự án đầu tư xây dựng là tập hợp các đề xuất có liên quan đến việc sử dụng vốn

để tiến hành hoạt động xây dựng để xây dựng mới, sửa chữa, cải tạo công trình xây dựng nhằm phát triển, duy trì, nâng cao chất lượng công trình hoặc sản phẩm, dịch vụ trong thời hạn và chi phí xác định Ở giai đoạn chuẩn bị dự án đầu tư xây dựng, dự án được thể hiện thông qua Báo cáo nghiên cứu tiền khả thi đầu tư xây dựng, Báo cáo nghiên cứu khả thi đầu tư xây dựng hoặc Báo cáo kinh tế - kỹ thuật đầu tư xây dựng

c Lập dự án đầu tư xây dựng công trình

Lập dự án đầu tư xây dựng công trình để chứng minh cho người quyết định đầu

tư thấy được sự cần thiết, mục tiêu, hiệu quả đầu tư của dự án; làm cơ sở cho người bỏ vốn (cho vay vốn) xem xét hiệu quả dự án và khả năng hoàn trả vốn Đồng thời để các

cơ quan quản lý nhà nước xem xét sự phù hợp của dự án đối với quy hoạch phát triển

Trang 16

kinh tế - xã hội, quy hoạch phát triển ngành và quy hoạch xây dựng; đánh giá tác động

về sự ảnh hưởng của dự án tới môi trường, mức độ an toàn đối với các công trình lân cận; các yếu tố ảnh hưởng tới kinh tế xã hội; sự phù hợp với các yêu cầu về phòng chống cháy nổ, an ninh quốc phòng Lập dự án đầu tư xây dựng công trình gồm việc lập Báo cáo nghiên cứu tiền khả thi đầu tư xây dựng (nếu có), Báo cáo nghiên cứu khả thi đầu tư xây dựng hoặc Báo cáo kinh tế - kỹ thuật đầu tư xây dựng và thực hiện các công việc cần thiết để chuẩn bị đầu tư xây dựng

d Thiết kế bản vẽ thi công

Thiết kế bản vẽ thi công là thiết kế đảm bảo thể hiện được đầy đủ các thông số

kỹ thuật, vật liệu sử dụng và chi tiết cấu tạo phù hợp với quy chuẩn, tiêu chuẩn áp dụng, đảm bảo đủ điều kiện để triển khai thi công xây dựng công trình

e Suất vốn đầu tư:

Suất vốn đầu tư xây dựng công trình là mức phí cần thiết để đầu tư xây dựng công trình mới tính theo đơn vị diện tích, công suất hoặc năng lực phục vụ theo thiết kế công trình

Suất vốn đầu tư là cơ sở phục vụ cho việc xác định tổng mức đầu tư dự án, lập

và quản lý chi phí dự án trong giai đoạn chuẩn bị dự án

Giá xây dựng tổng hợp bộ phận kết cấu công trình bao gồm toàn bộ chi phí cần thiết để hoàn thành một bộ phận kết cấu công trình Giá xây dựng tổng hợp bộ phận kết cấu công trình là cơ sở để phục vụ cho việc xác định dự toán công trình

3 Tổng quan phương pháp ANN

Nội dung này được tổng hợp từ các tài liệu: Tài liệu giảng dạy ứng dụng trí tuệ nhân tạo trong xây dựng (Lê, 2012), Báo cáo mạng neural và ứng dụng (Đỗ, Bùi, Lê& Hoàng, 2010 Các trang web: tailieu.tv, luanvan.net.vn

Mạng nơ ron nhân tạo là một mô phỏng xử lý thông tin, được nghiên cứu ra từ

hệ thống thần kinh của sinh vật, giống như bộ não để xử lý thông tin Nó bao gồm số lượng lớn các mối gắn kết cấp cao để xử lý các yếu tố làm việc trong mối liên hệ giải

Trang 17

3.1 Neuron sinh học

Qua quá trình nghiên cứu về bộ não, người ta thấy rằng: bộ não con người bao gồm khoảng 1011 neuron tham gia vào khoảng 1015 kết nối trên các đường truyền Mỗi đường truyền này dài khoảng hơn một mét Các neuron có nhiều đặc điểm chung với các tế bào khác trong cơ thể, ngoài ra chúng còn có những khả năng mà các tế bào khác không có được, đó là khả năng nhận, xử lý và truyền các tín hiệu điện hóa trên các đường mòn neuron, các con đường này tạo nên hệ thống giao tiếp của bộ não

Hình ảnh 1 Cấu trúc của một nơron sinh học điển hình

Mỗi neuron sinh học có 3 thành phần cơ bản:

• Các nhánh vào hình cây ( dendrites)

• Thân tế bào (cell body)

Trang 18

• Sợi trục ra (axon)

Các nhánh hình cây truyền tín hiệu vào đến thân tế bào Thân tế bào tổng hợp và

xử lý cho tín hiệu đi ra Sợi trục truyền tín hiệu ra từ thân tế bào này sang neuron khác Điểm liên kết giữa sợi trục của neuron này với nhánh hình cây của neuron khác gọi là synapse Liên kết giữa các neuron và độ nhạy của mỗi synapse được xác định bởi quá trình hóa học phức tạp Một số cấu trúc của neuron được xác định trước lúc sinh ra Một số cấu trúc được phát triển thông qua quá trình học Trong cuộc đời cá thể, một số liên kết mới được hình thành, một số khác bị hủy bỏ

Như vậy neuron sinh học hoạt động theo cách thức sau: nhận tín hiệu đầu vào,

xử lý các tín hiệu này và cho ra một tín hiệu output Tín hiệu output này sau đó được truyền đi làm tín hiệu đầu vào cho các nơron khác

Dựa trên những hiểu biết về neuron sinh học, con người xây dựng neuron nhân tạo với hy vọng tạo nên một mô hình có sức mạnh như bộ não

3.2 Neuron nhân tạo

Một neuron là một đơn vị xử lý thông tin và là thành phần cơ bản của một mạng neuron Cấu trúc của một neuron được mô tả trên hình dưới

Hình ảnh 2 Neuron nhân tạo

Các thành phần cơ bản của một neuron nhân tạo bao gồm:

♦ Tập các đầu vào: Là các tín hiệu vào (input signals) của nơron, các tín hiệu này thường được đưa vào dưới dạng một vector N chiều

Trang 19

♦ Tập các liên kết: Mỗi liên kết được thể hiện bởi một trọng số (gọi là trọng số liên kết – Synaptic weight) Trọng số liên kết giữa tín hiệu vào thứ j với neuron k thường được kí hiệu là wkj Thông thường, các trọng số này được khởi tạo một cách ngẫu nhiên ở thời điểm khởi tạo mạng và được cập nhật liên tục trong quá trình học mạng

♦ Bộ tổng (Summing function): Thường dùng để tính tổng của tích các đầu vào với trọng số liên kết của nó

♦ Ngưỡng (còn gọi là một độ lệch - bias): Ngưỡng này thường được đưa vào như một thành phần của hàm truyền

♦ Hàm truyền (Transfer function) : Hàm này được dùng để giới hạn phạm vi đầu

ra của mỗi neuron Nó nhận đầu vào là kết quả của hàm tổng và ngưỡng đã cho Thông thường, phạm vi đầu ra của mỗi neuron được giới hạn trong đoạn [0,1] hoặc [-1, 1] Các hàm truyền rất đa dạng, có thể là các hàm tuyến tính hoặc phi tuyến Việc lựa chọn hàm truyền nào là tuỳ thuộc vào từng bài toán và kinh nghiệm của người thiết kế mạng Một số hàm truyền thường sử dụng trong các mô hình mạng neuron được đưa ra trong bảng 1

♦ Đầu ra: Là tín hiệu đầu ra của một neuron, với mỗi neuron sẽ có tối đa là một đầu ra

Xét về mặt toán học, cấu trúc của một nơron k, được mô tả bằng cặp biểu thức sau:

m

j

j kj

k w x u

0

Trong đó: x1, x2, , xp: là các tín hiệu vào; (wk1, wk2, , wkp) là các trọng số liên kết của neuron thứ k; uk là hàm tổng; bk là một ngưỡng; là hàm truyền và yk là tín hiệu đầu ra của neuron

Trang 20

Như vậy tương tự như neuron sinh học, neuron nhân tạo cũng nhận các tín hiệu đầu vào, xử lý ( nhân các tín hiệu này với trọng số liên kết, tính tổng các tích thu được rồi gửi kết quả tới hàm truyền), và cho một tín hiệu đầu ra ( là kết quả của hàm truyền)

Trang 21

định qua các tham số: kiểu neuron (như là các nút nếu ta coi cả mạng neuron là một đồ thị), kiến trúc kết nối (sự tổ chức kết nối giữa các neuron) và thuật toán học (thuật toán dùng để học cho mạng)

Về bản chất một mạng neuron có chức năng như là một hàm ánh xạ F: X → Y, trong đó X là không gian trạng thái đầu vào (input state space) và Y là không gian trạng thái đầu ra (output state space) của mạng Các mạng chỉ đơn giản là làm nhiệm

vụ ánh xạ các vector đầu vào x ∈ X sang các vector đầu ra y ∈ Y thông qua “bộ lọc” (filter) các trọng số Tức là y = F(x) = s(W, x), trong đó W là ma trận trọng số liên kết Hoạt động của mạng thường là các tính toán số thực trên các ma trận

a Các kiểu mô hình mạng neuron

Cách thức kết nối các neuron trong mạng xác định kiến trúc (topology) của mạng Các neuron trong mạng có thể kết nối đầy đủ (fully connected) tức là mỗi neuron đều được kết nối với tất cả các neuron khác, hoặc kết nối cục bộ (partially connected) chẳng hạn chỉ kết nối giữa các neuron trong các tầng khác nhau Người ta chia ra hai loại kiến trúc mạng chính:

♦ Tự kết hợp (autoassociative): là mạng có các neuron đầu vào cũng là các neuron đầu ra Mạng Hopfield là một kiểu mạng tự kết hợp

Hình ảnh 3 Mạng tự kết hợp

♦ Kết hợp khác kiểu (heteroassociative): là mạng có tập neuron đầu vào và đầu

ra riêng biệt Perceptron, các mạng Perceptron nhiều tầng (MLP: MultiLayer Perceptron), mạng Kohonen, … thuộc loại này

Trang 22

Hình ảnh 4 Mạng kết hợp khác kiểu

Ngoài ra tùy thuộc vào mạng có các kết nối ngược (feedback connections) từ các neuron đầu ra tới các neuron đầu vào hay không, người ta chia ra làm 2 loại kiến trúc mạng

♦ Kiến trúc truyền thẳng (feedforward architechture): là kiểu kiến trúc mạng không có các kết nối ngược trở lại từ các neuron đầu ra về các neuron đầu vào; mạng không lưu lại các giá trị output trước và các trạng thái kích hoạt của neuron Các mạng neuron truyền thẳng cho phép tín hiệu di chuyển theo một đường duy nhất; từ đầu vào tới đầu ra, đầu ra của một tầng bất kì sẽ không ảnh hưởng tới tầng đó Các mạng kiểu Perceptron là mạng truyền thẳng

Hình ảnh 5 Mạng truyền thẳng

♦ Kiến trúc phản hồi (Feedback architecture): là kiểu kiến trúc mạng có các kết nối từ neuron đầu ra tới neuron đầu vào Mạng lưu lại các trạng thái trước đó, và trạng

Trang 23

Perceptron là mạng neuron đơn giản nhất, nó chỉ gồm một neuron, nhận đầu vào

là vector có các thành phần là các số thực và đầu ra là một trong hai giá trị +1 hoặc -1

Hình ảnh 7 Perceptron

Đầu ra của mạng được xác định như sau: mạng lấy tổng có trọng số các thành phần của vector đầu vào, kết quả này cùng ngưỡng b được đưa vào hàm truyền (Perceptron dùng hàm Hard-limit làm hàm truyền) và kết quả của hàm truyền sẽ là đầu

ra của mạng

Perceptron cho phép phân loại chính xác trong trường hợp dữ liệu có thể phân chia tuyến tính (các mẫu nằm trên hai mặt đối diện của một siêu phẳng) Nó cũng phân

Trang 24

Hình ảnh 8 Mạng MLP tổng quát

Kiến trúc của một mạng MLP tổng quát có thể mô tả như sau:

♦ Đầu vào là các vector (x1, x2, , xp) trong không gian p chiều, đầu ra là các vector (y1, y2, , yq) trong không gian q chiều Đối với các bài toán phân loại, p chính

là kích thước của mẫu đầu vào, q chính là số lớp cần phân loại

♦ Mỗi neuron thuộc tầng sau liên kết với tất cả các neuron thuộc tầng liền trước

nó

♦ Đầu ra của neuron tầng trước là đầu vào của neuron thuộc tầng liền sau nó Hoạt động của mạng MLP như sau: tại tầng đầu vào các neuron nhận tín hiệu vào xử lý (tính tổng trọng số, gửi tới hàm truyền) rồi cho ra kết quả (là kết quả của hàm truyền); kết quả này sẽ được truyền tới các neuron thuộc tầng ẩn thứ nhất; các neuron tại đây tiếp nhận như là tín hiệu đầu vào, xử lý và gửi kết quả đến tầng ẩn thứ 2;…; quá trình tiếp tục cho đến khi các neuron thuộc tầng ra cho kết quả

Một số kết quả đã được chứng minh:

Trang 25

♦ Mọi hàm bất kỳ đều có thể xấp xỉ bởi một mạng MLP 3 tầng sử dụng hàm truyền sigmoid cho các neuron tầng ẩn và hàm truyền tuyến tính cho các neuron tầng

ra

4 Phương pháp Boostrap

Trong thống kê, Bootstrap được xem như là một phương pháp giải quyết các bất định của bài toán thống kê mà không đòi hỏi các điều kiện ban đầu về phân phối xác suất Phương pháp Bootstrap là phương pháp coi mẫu gốc ban đầu đóng vai trò tổng thể mà từ đó nó được rút ra Từ mẫu ban đầu lấy lại các mẫu ngẫu nhiên cùng cỡ với mẫu gốc bằng phương pháp lấy mẫu có hoàn lại, gọi là mẫu bootstrap Với mỗi mẫu lấy lại ta tính được giá trị tham số thống kê quan tâm gọi là tham số bootstrap Sự phân

bố của các tham số thống kê mẫu bootstrap là phân phối bootstrap

Hình ảnh 9 Sơ đồ mô phỏng phân phối Bootstrap

Phương pháp Bootstrap là một phương pháp hữu ích dùng để tính khoảng ước lượng tin cậy của các giá trị ước lượng điểm được lấy từ mô hình ANN

Trang 26

5 Tổng quan các nghiên cứu trước đây

Có rất nhiều nghiên cứu ứng dụng ANN trong quản lý xây dựng :

a Nghiên cứu nước ngoài

- Ứng dụng Neural network để dự báo kế hoạch thực hiện xây dựng dự án ở Singapore (Florence Yean Yng (Singapore), MinLiu (USA),2004) Theo nghiên cứu

này tác giả đã thực hiện trên 11 phép đo, 65 nhân tố ảnh hưởng đến sự thành công của

33 dự án trước đây Chỉ ra 6 phép đo có thể dự báo sự thành công của kế hoạch thực hiện dự án với mức độ chính xác hợp lý: tầm quan trọng dự án, tốc độ xây dựng, tốc độ giải quyết vấn đề khó khăn, sự luân phiên thay thế công nhân nghỉ việc, chất lượng của

hệ thống và thiết bị

- Ứng dụng ANN để dự trù chi phí xây dựng của dự án đường cao tốc (Tarek

Hegazy, Amr Ayed, 1998) Nguồn dữ liệu tác giả thu nhập được từ 18 dự án xây dựng cầu đường, với các giá trị đầu vào: Năm xây dựng, các mùa thi công, vị trí xây dựng, chiều dài đường, chiều rộng đường, Giá trị đầu ra: là tổng chi phí xây dựng dự án

b Nghiên cứu trong nước

- Ước lượng chi phí xây dựng chung cư bằng mạng neuron nhân tạo (Phan Văn

Khoa, Lưu Trường Văn, Lê Hoài Long, 2007) Các nhân tố ảnh hưởng được chia làm 2 nhóm: Nhóm quy mô công trình và nhóm các yếu tố vật tư chính Tiến hành thu thập

dữ liệu của 14 chung cư được xây dựng từ năm 2000, xây dựng mô hình ANN dựa trên ứng dụng của Matlab, sử dụng mô hình mạng neuron nuôi tiến nhiều lớp với 1 lớp ẩn,

sử dụng thuật toán lan truyền ngược, hàm học ở đây là hàm tansig

- Ứng dụng mạng nơ-ron nhân tạo và hồi qui đa biến để dự báo tổng mức đầu tư các dự án công trình giao thông (Lưu Nhất Phong, 2010) Thu thập dữ liệu của các

công trình giao thông được thực hiện từ năm 2000 đến 2009 để xây dựng mô hình ANN và MLR

- Xây dựng mô hình ước tính tổng giờ công thiết kế chi tiết phần xây dựng các công trình Onshore tại tổng công ty tư vấn thiết kế dầu khí (Nguyễn Hữu Nhã, 2015)

Sử dụng mô hình ANN và hồi quy tuyến tính cho công tác ước tính, đánh giá và lựa

Trang 27

2, hàm truyền thích hợp là hàm sigmoid hoặc tansig cho lớp ẩn

Trang 28

CHƯƠNG 3 : PHƯƠNG PHÁP NGHIÊN CỨU

Chương 3 sẽ giới thiệu quy trình thực hiện nghiên cứu Việc xác định các nhân

tố ảnh hưởng đến chi phí xây dựng cầu dầm nhịp giản đơn dựa trên nghiên cứu trước đây và tham khảo ý kiến của các chuyên gia đầu ngành công tác tại Sở Giao thông Vận tải tỉnh Long An Xây dựng bảng câu hỏi khảo sát, khảo sát các cán bộ quản lý dự án công tác trong ngành tại địa phương, từ đó rút ra được các nhân tố chính ảnh hưởng đến chi phí

Thu thập dữ liệu liên quan đến các nhân tố ảnh hưởng dựa trên các công trình đã

và đang thực hiện trên phạm vi tỉnh Long An

Thể hiện các bước xây dựng mô hình ANN Các hệ số kiểm định mô hình ANN

2 Quy trình nghiên cứu

Trang 29

Hình ảnh 10 Qui trình nghiên cứu

Đề tài nghiên cứu:

Ước lượng chi phí xây dựng cầu dầm nhịp giản đơn

bằng mô hình ANN

Tham khảo các nghiên

cứu trước, các chuyên gia

công tác tại Sở GTVT

Long An

Các nhân tố ảnh hưởng chính đến chi phí xây dựng cầu

Kiểm định mô hình

Xây dựng mô hình ước lượng ANN

Viết chương trình ứng dụng

mô hình trên phần mềm

Excel

Sử dụng phương pháp Bootstrap ước lượng khoảng tin cậy giá trị ước lượng từ mô hình

Kết luận và kiến nghị

Trang 30

3 Xác định các nhân tố ảnh hưởng

Để xây dựng mô hình ước lượng chi phí, trước hết phải xác định các nhân tố ảnh

hưởng đến chi phí xây dựng Tham khảo bài giảng của PGS.TS.Lưu Trường Văn: “Quy trình thực hiện một luận văn cao học ngành quản lý xây dựng về dự báo tổng mức đầu

tư xây dựng công trình giao thông tại Bình Định”, các nhân tố sau ảnh hưởng đến chi

phí xây dựng cầu:

- Quy mô dự án (Cấp thiết kế công trình)

- Khu vực (địa điểm, vị trí địa lý theo quy định)

- Thời gian thi công

Nhóm các nhân tố liên quan đến các thông số kỹ thuật của dự án:

- Môđun đàn hồi kết cấu yêu cầu

- Chiều dài cầu (bao gồm cả đường vào cầu)

- Chiều dài phần cầu

- Chiều rộng cầu

- Chiều cao thông thuyền

- Số lượng dầm DƯL theo từng loại (ở đây chỉ xét các dầm I có trên thị

trường:18.6, 24.54…)

- Chiều dài cọc bê tông cốt thép thiết kế

Nhóm các nhân tố liên quan đến giá các vật liệu chính ảnh hưởng đến giá trị xây dựng cầu:

- Giá xi măng

- Giá cát

Trang 31

- Giá đá

- Giá nhựa

- Giá thép

- Giá nhiên liệu

Ngoài ra còn nhân tố khác như: Mức lương cơ bản

Các nhân tố trên được tổng hợp đưa vào bảng câu hỏi khảo sát Sau khi khảo sát

ý kiến của các lãnh đạo Sở, tất cả thống nhất sử dụng các nhân tố trên đưa vào bước thu thập dữ liệu

Do dữ liệu thu thập từ các dự án cầu dầm nhịp giản đơn được thực hiện trên địa bàn tỉnh Long An, trong khoảng thời gian gần nhau nên thay đổi do yếu tố lạm phát về giá vật liệu không đáng kể Yếu tố thay đổi về nhân công ca máy do Nhà nước thay đổi chính sách đã được khử bằng cách chuyển các giá trị dự toán của các dự án về cùng hệ

số của cùng một thời điểm Trong quá trình thu thập, các nhân tố sau giống nhau đối với các dự án xây dựng trong vùng: Cấp thiết kế, khu vực, thời gian thi công, vận tốc thiết kế, tải trọng thiết kế, biện pháo thi công và mức lương cơ bản

Vì vậy, các nhân tố sau đây là ảnh hưởng nhiều đến chi phí xây dựng cầu dầm nhịp giản đơn:

Nhóm các nhân tố liên quan đến thông số kỹ thuật:

- Môđun đàn hồi kết cấu thiết kế (MDDH)

- Chiều dài cầu (bao gồm đường vào cầu) (CDTC)

- Chiều dài phần cầu (CDPC)

- Chiều rộng cầu (CRC)

- Chiều cao thông thuyền (CCTT)

- Số dầm 24.54 (D24.54)

- Số dầm 18.6 (D18.6)

- Chiều dài cọc bê tông thiết kế (CDCO)

Nhóm các nhân tố liên quan đến giá các vật liệu thi công chính:

- Giá xi măng (GXM)

Trang 36

5 Xây dựng mô hình mạng neuron nhân tạo

Hình ảnh 11 Quy trình phát triển mô hình neuron

Lựa chọn mô hình: thuật toán, hàm tối ƣu, liên kết giữa các neuron …

Lựa chon cấu trúc mạng

Dữ liệu đầu vào

Xác định số lớp của mạng

Xác định số lƣợng neuron trong mỗi lớp

liệu đầu vào

Chấp nhận lỗi huấn luyện

Chấp nhận sai số

Trang 37

5.1 Định hình mạng

Một mạng neuron nhân tạo (đơn giản) là một mô hình tính toán được đặc trưng bởi các đặc tính sau:

- Loại neuron và số lượng neuron

- Cấu trúc liên kết và tổ chức liên kết giữa các neuron

- Thuật toán học

- Thuật toán ghi nhớ

a Học của mạng neuron: Học là quá trình thay đổi hành vi của các vật theo một

cách nào đó làm cho chúng có thể thực hiện tốt hơn trong tương lai

Một mạng neuron được huyấn luyện sao cho với một tập các vector đầu vào X, mạng có khả năng tạo ra tập các vector đầu ra mong muốn Y của nó Tập X được sử dụng cho huấn luyện mạng được gọi là tập huấn luyện (training set) Các phần tử x thuộc X được gọi là các mẫu huấn luyện (training example) Quá trình huấn luyện bản chất là sự thay đổi các trọng số liên kết của mạng Trong quá trình này, các trọng số của mạng sẽ hội tụ dần tới các giá trị sao cho với mỗi vector đầu vào x từ tập huấn luyện, mạng sẽ cho ra vector đầu ra y như mong muốn

Có ba phương pháp học cơ bản là học có giám sát (supervised learning), học không giám sát (unsupervised learning) và học tăng cường (Reinforcement learning)

b Thuật toán lan truyền ngược

Thuật toán lan truyền ngược được phát triển và ứng dụng đầu tiên bởi Paul Werbos vào năm 1974 Thuật toán này đã trở thành thuật toán quan trọng nhất trong lịch sử phát triển mạng neuron, nó được ứng dụng phổ biến cho đến ngày nay

Quá trình huấn luyện mạng được bắt đầu bởi bộ trọng số ngẫu nhiên Trong lần chạy đầu tiên mạng sẽ cho giá trị đầu ra Y từ mô hình Giá trị đầu ra Y này sẽ được so sánh với giá trị Y thực sự từ bộ dữ liệu Sai số sẽ được tính toán và lan truyền ngược trở lại từng lớp neuron trước đó để cập nhật lại trọng số thông qua phương pháp giảm gradient Mô hình sau khi cập nhật lại bộ trọng số sẽ tiến hành lần chạy lượt tiếp theo

để cho ra giá trị Y thứ 2 và giá trị này tiếp tục được so sánh với giá trị Y thực sự để

Trang 38

Không có nguyên tắc nào hướng dẫn lựa chọn kích thước mẫu cho một bài toán

cụ thể Kích thước mẫu càng lớn độ chính xác càng cao Kích thước mẫu thường phụ thuộc vào:

- Dạng hàm đích – khi hàm đích càng phức tạp thì kích thước mẫu cần tăng

- Nhiễu – khi mức độ nhiễu của dữ liệu càng cao thì kích thước mẫu cần tăng Vấn đề nhiễu xảy ra do thiếu thông tin, thông tin không chính xác, không bao phủ vấn đề Vấn đề nhiễu làm giảm độ chính xác của mô hình

Quá khớp

Vấn đề quá khớp xảy ra khi mạng trả lời chính xác những gì nó được học còn những gì không được học nó sẽ không quan tâm Vấn đề này làm cho mạng không có tính tổng quát

Một số cách khắc phục vấn đề quá khớp

- Hạn chế các nút ẩn

- Ngăn không cho mạng sử dụng những trọng số quá lớn

- Giới hạn số lần huấn luyện mạng

Khi số lượng nút ẩn càng cao, trọng số lớn tính tổng quát của mô hình càng giảm Vì vậy, dễ dẫn đến vấn đề quá khớp trong mô hình

5.2 Đánh giá mô hình

Việc đánh giá mô hình dựa trên các giá trị sai số và độ phù hợp của mô hình Các giá trị sai số như: PE, MAPE, MSE, RMSE cho thấy độ chênh lệch giữa giá trị thực tế và giá trị ước tính từ mô hình, thể hiện độ chính xác của mô hình Các giá trị sai số càng tiến gần về 0 thì mô hình càng chính xác

- Sai số phần trăm (percentage error)

Trang 39

(Pr dic d-Actual) S

Trang 40

CHƯƠNG 4: XÂY DỰNG MÔ HÌNH ANN

Đề xuất cấu hình mạng ANN sẽ được sử dụng trong nghiên cứu này Từ đó xây dựng các mô hình ANN tương ứng với bộ dữ liệu đầu vào Nhận xét, đánh giá các mô hình

2 Đề xuất cấu hình mạng ANN

Nhiều nghiên cứu ứng dụng ANN trong lĩnh vực quản lý xây dựng được thực hiện Các nghiên cứu này chứng minh rằng mô hình ANN nuôi tiến nhiều lớp (multilayer feed-forward networks) với thuật toán lan truyền ngược (back-propagation)

là cấu trúc phù hợp nhất trong việc xây dựng mô hình ước tính

Theo các luận văn nghiên cứu về đề tài ước lương chi phí đã thực hiện: số lượng lớp ẩn (hidden layer) để sử dụng trong mô hình là một hoặc hai lớp ẩn, ở đây ta sẽ sử dụng cả hai loại mô hình 1 lớp ẩn và mô hình 2 lớp ẩn để xây dựng mô hình, sử dụng hàm chuyển sigmoid cho lớp ẩn và hàm chuyển tuyến tính cho lớp output Tuy nhiên

để đạt độ chính xác cần xác định số neuron trong lớp ẩn sao cho phù hợp

Theo một số nghiên cứu khác trước đây, số neuron lớp ẩn nằm trong khoảng từ

2 n m đến 2n+1 với n là số neuron đầu vào và m là số neuron đầu ra

Để xây dựng và đánh giá mô hình, phần mềm SPSS 22 và excel được sử dụng

Mô hình xây dựng cho thuật toán tối ưu sử dụng là scaled conjugate gradient, hàm chuyển sigmoid cho lớp ẩn và hàm identity cho lớp output Việc phân chia mẫu được lấy theo tỉ lệ 75% (ứng với 24 mẫu) cho bộ training và 25% (tương ứng 8 mẫu) cho bộ test Tiến hành lựa chọn ngẫu nhiên 8 mẫu cho bộ test trong tổng số 32 mẫu thu thập được Để phân chia bộ training và bộ test trong SPSS ta bổ sung thêm biến có giá trị

“0” cho bộ test và “1” cho bộ training

Dựa vào số liệu thu thập được ta có thể chia các biến thành 2 mô hình theo 2 giai đoạn phát triển của dự án:

Giai đoạn 1: Bước lập dự án gồm có 8 biến đầu vào bao gồm: biến MDDH, CDTC, CDC, CRC, CCTT, CDCOC, SD24.54, SD18.6

Định dạng
Số trang	150
Dung lượng	2,95 MB