Mô hình xác định chi phí xây dựng dưa trên ứng dụng mạng neuron mờ

Qua những nghiên cứu trên, việc chọn đề tài xác định chi phí xây dựng dựa trên ứng dụng mạng neuron mờ là mong muốn đóng góp vào việc tìm ra cơ sở để xác định chi phí thực của dự án để t

-oOo -

TRẦN BÁCH

MÔ HÌNH XÁC ĐỊNH CHI PHÍ XÂY DỰNG DỰA

TRÊN ỨNG DỤNG MẠNG NEURON MỜ

Chuyên ngành : CÔNG NGHỆ VÀ QUẢN LÝ XÂY DỰNG

Mã số ngành : 60.58.90

LUẬN VĂN THẠC SĨ

TP HỒ CHÍ MINH, tháng 07 năm 2006

TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH

Cán bộ hướng dẫn khoa học : ………

Cán bộ chấm nhận xét 1 : ………

Cán bộ chấm nhận xét 2 : ………

Luận văn thạc sĩ được bảo vệ tại HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC

SĨ

TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày tháng năm 2006

Tp HCM, ngày tháng năm 2006

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ tên học viên : Trần Bách Phái : Nam

Ngày, tháng, năm sinh : 08-06-1981 Nơi sinh : Quảng Ngãi Chuyên ngành : Công nghệ và Quản lý Xây dựng MSHV : 00804190

I TÊN ĐỀ TÀI :

MÔ HÌNH XÁC ĐỊNH CHI PHÍ XÂY DỰNG DỰA TRÊN ỨNG DỤNG MẠNG

NEURON MỜ

II NHIỆM VỤ VÀ NỘI DUNG :

Xâây dựng mô hình xác định chi phí xây dựng dựa trên ứng dụng mạng neuron mờ

Kiểm tra kết quả của mô hình bằng các dự án thực và so sánh kết quả với mô hình hồi quy

Phân tích các yếu tố tác động đến chi phí xây dựng

III NGÀY GIAO NHIỆM VỤ:

IV NGÀY HOÀN THÀNH NHIỆM VỤ :

V CÁN BỘ HƯỚNG DẪN : TIẾN SĨ PHAN ĐỨC DŨNG

CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM NGÀNH CN BỘ MÔN

QL CHUYÊN NGÀNH

Nôi dung và đề cương luận văn thạc sĩ đã được Hội Đồng Chuyên Ngành thông qua

Ngày tháng năm 2006

TRƯỞNG PHÒNG ĐT-SĐH TRƯỞNG KHOA QL NGÀNH

Trước tiên, xin gửi lời cảm ơn sâu sắc đến TS Phan Đức Dũng, người đã hướng dẫn cho tôi thực hiện luận văn này Xin chân thành cảm ơn các thầy cô trong Khoa Xây Dựng, đặc biệt là các thầy cô thuộc Bộ môn Thi Công Những kiến thức, kinh nghiệm thầy cô đã truyền đạt trong suốt quá trình học, những góp

ý của thầy cô về luận văn là tài sản quý giá cho tôi tiếp tục có những hướng đi đúng đắn, tiếp cận xu thế phát triển chung của ngành Xây Dựng

Xin cảm ơn những bạn bè cùng lớp, những người đã cùng tôi trải qua những ngày học tập thật vui và những trao đổi nhiệt tình trong suốt thời gian học qua đã hoàn thiện cho tôi nhiều kiến thức còn thiếu Những nổ lực của các bạn và tôi chắc chắn sẽ đem lại cho chúng ta những điều tốt đẹp của ngày mai

Xin cảm ơn những hổ trợ của ban giám đốc và các đồng nghiệp tại công ty M.E.C.C, công ty Obayashi trong suốt thời gian học tập và quá trình thực hiện luận văn

Cuối cùng, xin cảm ơn những người thân trong gia đình đã luôn quan tâm và động viên giúp tôi vượt qua những ngày khó khăn để hoàn thành luận văn này

Tp Hồ Chí Minh, ngày 06 tháng 07 năm 2006

về mặt quản lý Khi tình trạng vượt chi phí luôn hiện hữu trong các dự án tại Việt Nam và rủi ro trong ước tính chính xác chi phí được đánh giá là rủi ro lớn nhất đối với các dự án xây dựng thì xác lập được một mô hình dự đoán chính xác chi phí sẽ tạo ra một một công cụ hữu hiệu hổ trợ nhà quản lý đưa ra những quyết định đúng đắn

Mạng neuron mờ đã được biết như một hệ thống tự động giải quyết vấn đề có mối quan hệ phức tạp và các tình huống không dự đoán được nhờ khả năng tích hợp thông minh giữa mạng neuron với bộ điều khiển mờ Ứng dụng mạng neuron mờ trong xây dựng mô hình xác định chi phí đã cho thấy những điểm đáng tin cậy về khả năng phân tích và dự báo Với hệ số tương quan Pearson : 0.933 giữa kết quả tính và kết quả từ dữ liệu thu thập, mô hình cho thấy đã phản ánh rất chính xác kết quả thực tế Hơn nữa, mô hình cũng cho thấy được khả năng kiểm soát tốt nhiều nhân tố tác động đến chi phí xây dựng

Abstract

Cost is constituted a major driving force for a successful project undertaking Cost overrruns are investigated relating to all construction projects, and inaccurate estimates are demonstrated to be the most important construction risk Then, find out an accurate estimate model is an effective approach to project manager

Fuzzy neural networks are introduced as integrated system of artifitial neural networks and fuzzy control systems, based on the learning capabilities of artifitial neural networks while maintaining the flexbility in variable description

of fuzzy-based modelling The use of fuzzy neural networks in predicting cost provide an comprehensive and plausible platform for establishing the relationships among the engineering inputs and the cost of construction project The Pearson’s correlation coefficent between the predicted and the actual cost was 0.933 This value is considered an excellent indicator of the model’s expected cost Also, the FNN model is more sensitive to a large number of variables

Chương I : Giới thiệu đề tài nghiên cứu 01

I.1 Tổng quan nền kinh tế và ngành xây dựng Việt Nam 01

Chương II : Tổng quan về mạng neuron mờ 10

II.1 Các nghiên cứu trước về vấn đề chi phí xây dựng

và các yếu tố đánh giá sự thành công của dự án xây dựng 10

II.2 Nền tảng của mạng neuron nhân tạo (ANNs) 13

II.2.2 Luật học thông số tổng quát cho các mạng neuron nhân tạo 15

Chương III : Mô hình xác định chi phí xây dựng dựa 37

trên ứng dụng mạng neuron mờ

III.3 Mô hình xác định chi phí xây dựng dựa trên ứng 40

dụng mạng neuron mờ

III.3.3 Phần mềm ứng dụng xây dựng mô hình 49

IV.1 Kết quả tính của mô hình xây dựng dựa trên ứng 58

dụng mạng neuron mờ

IV.3 Phân tích các biến tác động đến tỷ lệ phát sinh trong 64

chi phí xây dựng

V.1 Kết luận về mô hình xác định chi phí xây dựng dựa 68

trên ứng dụng mạng neuron mờ

V.2 Kiến nghị về hướng phát triển của đề tài 69

Tài liệu tham khảo

Phần phụ lục

CHƯƠNG I : GIỚI THIỆU ĐỀ TÀI NGHIÊN CỨU

I.1 Tổng quan chung về nền kinh tế và ngành Xây dựng Việt Nam

Những năm cuối của thế kỷ XX, các nước Châu Á lâm vào cuộc khủng hoảng tài chính Từ đó thế giới chứng kiến sự thay đổi lớn lao của các nền kinh tế đang phát triển Và, kinh tế Việt Nam đã có những trỗi dậy đáng tự hào, vượt qua giai đoạn suy giảm tốc độ tăng trưởng, khôi phục để chuyển sang nhịp tăng trưởng mới, giữ vững tốc độ tăng trưởng kinh tế cao nhất so với các nước trong khu vực Đông Nam Á, và thuộc loại cao nhất so với các vùng lãnh thổ trên thế giới

Năm 2005, tăng trưởng kinh tế Việt Nam đã đạt mức 8.43%, mức tăng trưởng kinh tế cao nhất kể từ sau cuộc khủng hoảng tài chính – tiền tệ khu vực năm 1997 Tốc độ tăng trưởng này dù chưa bằng tốc độ tăng trưởng của những năm 1995, 1996 nhưng đây là thành tích rất đáng được khích lệ

Bảng 1.1 : Tăng trưởng GDP (%, giá năm 1994)

1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 9.54 9.34 8.15 5.56 4.77 6.79 6.89 7.08 7.34 7.69 8.43

Nguồn : Tổng cục Thống kê ( TCTK)

Số liệu thống kê trên cho thấy : Đất nước ta đang từng ngày đổi mới, nền kinh tế liên tục tăng trưởng trong 25 năm, vượt qua kỷ lục 23 năm của Hàn Quốc tính đến năm 1997, chỉ thấp thua so với kỷ lục 27 năm tính cho đến nay của Trung Quốc.Và so với giai đoạn 1991-1995, trong giai đoạn hiện nay nền kinh tế Việt Nam có mức tăng trưởng cao hơn và ổn định hơn

Đối với đất nước ta, tăng trưởng kinh tế nhanh là mục tiêu có tầm quan trọng hàng đầu trong các mục tiêu, tăng trưởng kinh tế nhanh chẳng những để giúp đất nước tránh bị tụt hậu xa hơn, đưa nước ta sớm ra khỏi những nước kém phát triển, mà còn là tiền đề để thực hiện các mục tiêu kinh tế – xã hội quan trọng khác

Đồng hành với sự tăng trưởng kinh tế nhanh là sự thay đổi trong cơ cấu của nền kinh tế Sau mười lăm năm, tỷ trọng của ngành Công nghiệp – Xây dựng liên tục tăng, từ tỉ trọng khá thấp trong tổng thể nền kinh tế, chỉ với tỷ trọng 22.67% vào năm 1990, thì đến năm 2002 ngành Công nghiệp – Xây dựng đã chiếm tỉ trọng 38.55%, cao nhất trong nền kinh tế, và tiếp tục tăng trưởng đạt

tỉ trọng 41.03 % trong năm 2005 Trong đó, xây dựng chiếm 3-5% tỷ trọng của tổng thể nền kinh tế

Bảng 1.2 : Cơ cấu ngành kinh tế ở Việt Nam

Tỷ trọng của các ngành Năm Tổng số

Nông nghiệp Công nghiệp – Xây dựng Dịch vụ

Nguồn : Kinh tế Việt Nam 2005-2006, Thời báo Kinh Tế Việt Nam

Tuy trong thời gian qua nền kinh tế nước ta liên tục tăng trưởng nhưng GDP bình quân đầu người mới đạt 637.3 USD, tính theo sức mau ngang giá (PPP) thì con số này mới đạt trên 2700 USD Đó là chỉ số còn thấp xa so với mức bình quân chung của khu vực, của châu Á cũng như toàn thế giới Nói cách khác, nước ta vẫn bị xem là nước kém phát triển theo tiêu chuẩn của Liên hiệp quốc

Xét về khía cạnh chất lượng tăng trưởng, chúng ta đã quá nghiêng về tăng trưởng chiều rộng tức là tăng trưởng chủ yếu dựa vào tăng trưởng vốn, tăng số lao động, tăng cường khai thác tài nguyên hơn là tăng trưởng theo chiều sâu, tăng trưởng do tăng năng suất lao động, nâng cao hiệu quả sử dụng vốn – tức là nâng cao năng suất các nhân tố tổng hợp

Thật vậy, nước ta hiện đang ở vào thời điểm, nếu không nâng cao chất lượng tăng trưởng thì tăng trưởng không những không cao lên mà ngay cả tăng trưởng với tốc độ củ cũng không duy trì được và bị tụt hậu là điều không thể tránh khỏi

Bảng 1.3 : Các mặt hàng xuất khẩu chủ yếu của Việt Nam

Mặt hàng xuất khẩu 2000 2001 2002 2003 2004 2005

Dầu thô(Nghìn tấn) 15.424 16.732 1.687 17.143 19.501 18.084

Gạo(Nghìn tấn) 3.477 3.721 3.236 3.810 4.060 5.202 Than đá(Nghìn tấn) 3.251 4.292 6.407 7.261 11.624 17.882

Dệt may(Triệu USD) 1.892 1.975 2.752 3.689 4.386 4.806 Giày dép(Triệu USD) 1.472 1.578 1.875 2.281 2.692 3.005

Nguồn : Kinh tế Việt Nam 2005-2006, Thời báo Kinh Tế Việt Nam

So với thời kỳ 1993-1997, từ năm 1998 đến nay tỷ trọng đóng góp vào tốc độ tăng trưởng GDP của yếu tố vốn giảm từ 69% còn 57.5%, của yếu tố lao động đã tăng từ 16% lên 20%, của yếu tố năng suất các nhân tố tổng hợp đã tăng từ 15% lên 22.5% Tuy vậy, tỷ trọng của vốn và lao động lên tới 77.5%, cao gấp ba lần tỷ trọng đóng góp của các yếu tố năng suất các nhân tố tổng hợp

Mặc dù, đã có những đầu tư và đổi mới, hiện tại trình độ khoa học – công nghệ của ngành công nghiệp của nước ta vẫn còn rất thấp Tỷ trọng doanh nghiệp có công nghệ cao của Việt Nam mới đạt khoảng 20.6%, thấp xa so với các con số tương ứng 29.1% của Philiplines, 29.7% của Indonesia, 30.8% của Thái Lan, 51.1% của Malaysia và 73% của Singapore

Tỷ lệ chi phí trung gian trong tổng giá trị sản xuất , nếu từ năm 1999 trở về trước còn ở mức dưới 48%, thì từ năm 2000 đã vượt qua mức 50% và đến nay vượt qua mức 55%

Ngoài những nguyên nhân khách quan như cơ cấu chuyển dịch theo xu hướng tỉ trọng những ngành chế biến tăng, giá nhập khẩu tăng trong những năm gần đây tăng… Những nguyên nhân chủ quan đáng lưu ý đó là lãng phí thất thoát trong đầu tư, mặt bằng lãi suất, các chi phí bôi trơn ngoài tầm tay của doanh nghiệp cao

Riêng trong ngành xây dựng, tỷ lệ chi phí trung gian trong giá trị sản xuất của ngành xây dựng còn cao hơn Giá trị này luôn nằm trong khoảng 62-66% và không có xu hướng giảm

Bảng 1.4 : Tỷ lệ chi phí trung gian trong giá trị sản xuất

1997 1998 1999 2000 2001 2002 Toàn bộ nền kinh tế 48.76 47.83 47.75 50.35 51.57 52.1 Lĩnh vực Công nghiệp – Xây

dựng 65.16 63.76 62.30 63.90 64.58 65.12

Nguồn : TCTK Số liệu thống kê tài khoản quốc gia thời kỳ 1995-2002

Một trong những nguyên nhân của hiện tượng này là sự khép kín trong lĩnh vực đầu tư, đặc biệt là đầu tư từ ngân sách nhà nước Đây chính là nguồn gốc của sự lãng phí và thất thoát Theo nhiều chuyên gia trong và ngoài nước, lãng phí trong khâu quy hoạch và quyết định đầu tư chiếm 60-70% tổng số lãng phí, thất thoát [11] Thanh tra Nhà nước năm 2002 đã tiến hành thanh tra 17 dự án có tổng mức đầu tư là 9.385 tỷ đồng, tổng giá trị vốn đầu tư được thanh tra kiển tra là 6.407 tỷ đồng Tổng số sai phạm về tài chính phát hiện ở 17 dự án là

871 tỷ đồng, chiếm 13.6% Năm 2003 đã thanh tra 14 dự án lớn với tổng mức đầu tư là 8.193 tỷ đồng trong đó giá trị vốn đầu tư được thanh tra là 6.450 tỷ đồng Qua thanh tra đã phát hiện sai phạm về kinh tế là 1.235 tỷ đồng, chiếm 19% [10] Hiện nay, ở diễn đàng Quốc hội đang tranh luận tỷ lệ thất thoát đầu

tư xây dựng cơ bản là 30-40% hay 10-20%, tuy nhiên ta dễ dàng nhận thấy tình trạng này xảy ra hàng ngày và con số nào cũng thấy thất thoát là rất lớn

Bên cạnh đó, tình trạng đầu tư dàn trải trong đầu tư bằng nguồn vốn nhà nước đã gây ra lãng phí lớn dẫn đến hiệu quả đầu tư thấp Biểu hiện của sự dàn trải này là số dự án nhóm B, C (do các bộ, ngành, địa phương quyết định và bố trí vốn đầu tư ) Trong các năm từ 2001-2004, số dự án thuộc loại này tăng liên tục từ 6.942 dự án năm 2001 lên 12.355 dự án năm 2004, trong khi đó vốn bố trí cho dự án lại có xu hướng giảm dần 5.33 tỷ đồng/dự án năm 2001 và 4.33 tỷ đồng/dự án năm 2004 Việc đầu tư dàn trãi chính là rào cản ảnh hưởng đến thời gian thi công công trình, làm cho nhiều dự án dở dang và chậm đưa vào sử dụng

Bảng 1.5 : Tổng số các dự án đầu tư và quy mô bình quân mỗi dự án

2001 2002 2003 2004 Tổng số dự án 6.942 7.605 10.596 12.355

Số dự án nhóm B, C tăng

Các dự án nhóm B, C 6.854 7.529 10.507 12.266

Quy mô vốn bố trí bình

quân mỗi dự án ( tỷ đồng ) 5.33 5.30 4.43 4.33

Nguồn : Bộ tài chính

Một nguyên nhân khác là tình trạng thi công kéo dài làm cho công trình vửa chậm hoàn thành, đưa vào hoạt động để thu hồi vốn, lỡ thời cơ, vừa làm cho tổng tổng lượng vốn lớn hơn nữa trong khi lãi chồng lên vốn, nhất là nguồn vốn ODA, nguồn vốn phải trả lãi ngay từ ngày vay

Tình trạng nợ đọng vốn đầu tư xây dựng cơ bản cũng xem là rào cản cho phát triển Nợ đọng vốn đầu tư xây dựng cơ bản làm ảnh hưởng không chỉ đến khả năng đầu tư của nhiều chủ dự án mà còn làm ảnh hưởng đến năng lực tài chính của nhà thầu Hiện nay nợ phải thu của DNNN bằng 51% tổng số vốn và

23% tổng doanh thu của các DNNN Theo Bộ Kế hoạch Đầu tư, hết năm 2003 tổng số nợ vốn đầu tư xây dựng cơ bản liên quan đến nguồn vốn ngân sách nhà nước là 11.000 tỷ đồng, ngân sách trung ương đã phải bỏ ra trên 6000 tỷ đồng để trả, nhưng đến đầu năm 2005, số nợ đó lại lên đến 13000 tỷ đồng và đến nay còn cao hơn [10]

Việc đầu tư dàn trải và nợ đọng vốn đầu tư là hai rào cản có liên quan với nhau và gây ra tiêu cực cho cả nhà thầu và cả nền kinh tế : hiệu quả đầu tư thấp (dự án kéo dài, chi phí đầu tư lớn)

Một vấn đề khác của nền kinh tế Việt Nam nói chung và trong ngành Xây dựng nói chung : Tham nhũng đã trở thành thói quen Lợi ích cá nhân đã thúc đẩy nhiều người thực hiện hành vi tham nhũng Khi các cơ quan thanh tra, kiểm tra bất cứ đâu điều phát hiện có những sai phạm và tiêu cực Việt Nam được 2.6 điểm trên thang điểm 10 của chỉ số nhận biết tham nhũng của tổ chức Transparency International Trong số những vụ án tham nhũng điển hình năm

2004, với 4/10 vụ ngành xây dựng là ngành có tình trạng tham nhũng cao nhất Điển hình [10]:

Vụ đường dây 500KV Bắc–Nam Một số đối tượng thuộc công ty Vinapol (Hội Hữu nghị Việt Nam–Ba Lan) đã móc ngoặc với Bên A, công trình đường dây 500 KV thông qua mua bán lòng vòng 4.000 tấn thép để thu lợi bất chính trên 3 tỷ đồng Kết quả, đã truy tố bộ trưởng năng lượng, một thứ trưởng, hai phó tổng giám đốc, hai phó giám đốc và một số đối tượng liên quan

Vụ khách sạn Bàn Cờ Nguyễn Đăng Khoa (Phó Chủ tịch Uỷ ban nhân dân quận 3, Thành phố Hồ Chí Minh), Nguyễn Văn Châu (Giám đốc công ty Vật tư quận 3 ), Nguyễn Văn Phương (Kế toán trưởng khách sạn Bàn Cờ) đã lợi dụng sự quản lý lỏng lẻo của các cơ quan nhà nước cố ý làm trái pháp luật để tham ô 14 tỷ đồng thông qua mua sắm vật tư, xây dựng khách sạn Bàn Cờ Các đối tượng này điều bị truy tố, xét xử…

Vụ Xí nghiệp Xây dựng công trình giao thông Bằng thủ đoạn lập chứng từ khống, một số cán bộ lãnh đạo Xí nghiệp xây dựng công trình giao thông (Bộ Giao Thông Vận Tải) đã gây thiệt hại cho nhà nước 26 tỷ đồng, trong đó tham ô

15 tỷ đồng

Vụ Xí nghiệp xây dựng số 2 Phạm Văn Tạo (PGĐ Xí nghiệp xây dựng số

2, Tổng công ty Xây dựng công nghiệp) và đồng bọn tham ô 5 tỷ đồng trong quá trình thi công 8 công trình tại Thanh Hóa và Hà Tĩnh thông qua việc lập khống hoá đơn, chứng từ

Gần đây nhất và được bao chí đề cập nhiều nhất là những sai phạm tại ban quản lý các dự án 18 - PMU18 Đây được xem những sai phạm rất điển hình của ngành xây dựng Việt Nam mà nguyên nhân chính là do tình trạng đầu tư khép kín, theo cơ chế “xin – cho” Sai phạm đã kéo dài suốt ba đời bộ trưởng và

cho đến nay mới được đề cập Dù sai phạm đang được điều tra nhưng đã có một bộ trưởng buộc phải từ chức, nhiều quan chức cao cấp của chính phủ nằm trong tình nghi, một thứ trưởng đang tạm giam cùng với tổng giám đốc, trưởng phòng kế hoạch và nhiều đối tượng liên quan khác tại ban quản lý này

I.2 Cơ sở chọn đề tài

Như vậy, một cách thẳng thắn thừa nhận rằng, vấn đề của ngành Xây dựng Việt Nam hiện nay hoặc trực tiếp hoặc gián tiếp là vấn đề con người Qua

20 năm đổi mới và tiếp cận với nền kinh tế thị trường, Việt Nam đã có được một đội ngũ cán bộ có khả năng, sẳn sàng đối mặt với những thách thức của hội nhập Vấn đề là họ có phát huy năng lực của mình hay tiếp tục bị sa lầy bởi những rào cản trong nhận thức và cơ chế

Trước hết, chúng ta phải giải quyết vấn đề quy hoạch và quyết định đầu

tư vì lãng phí trong khâu quy hoạch và quyết định đầu tư chiếm 60-70% tổng số lãng phí, thất thoát [11]

Cùng với sự phát triển của nền kinh tế, vốn đầu tư dành riêng cho ngành xây dựng tăng lên nhanh chóng Việc quản lý hiệu quả nguồn vốn này thật sự là khó khăn và thách thức với các nhà quản lý

Bảng 1.6 : Vốn đầu tư phát triển dành cho ngành xây dựng

Năm 1997 1998 1999 2000 2001 2002 2003 2004 Vốn đầu tư

(tỉ đồng) 3.251 3.663 2.942 3.563 9046 10.435 11.141 43.100

Nguồn : Kinh tế Việt Nam 2005-2006, Thời báo Kinh Tế Việt Nam

Đã có nhiều nghiên cứu dưới nhiều góc độ khác nhau về thực trạng của ngành xây dựng Việt Nam

Nghiên cứu của Nguyen Duy Long, Stephen Ogunlana, Truong Quang, Ka Chi Lam (2004, [12]) về các dự án xây dựng lớn tại Việt Nam Với năm vấn đề xác định là rất thường gặp trong các dự án tại Việt Nam được đề cập trong nghiên cứu : Dự án bị án hoãn, vượt chi phí, xảy ra tai nạn lao động, chất lượng kém, và tranh chấp giữa các bên tham gia

Bảng 1.7 : Bảng xếp hạng các vấn đề thường gặp trong ngành xây dựng Xếp hạng Vấn đề Trung bình Độ lệch chuẩn

Nguồn : Tài Liệu [12]

Để ngành xây dựng đảm bảo được nhiệm vụ của mình trong nền kinh tế Các vấn đề trên cần phải nhanh chóng được cải thiện vì với trị trung bình trong khoảng 3÷4 đồng nghĩa với việc dự án bị trì hoãn và vượt chi phí hầu như xảy ra với tất cả các dự án

Vậy đâu là nhân tố để đánh giá một dự án thành công và nhân tố nào sẽ tác động đến sự thành công của dự án

Theo nghiên cứu của Nguyễn Duy Long, Đỗ Thị Xuân Lan (2003, [5]) về các yếu tố thành công của dự án xây dựng Dựa trên đánh giá được ghi nhận dưới cả ba góc độ là chủ đầu tư, nhà thầu và đơn vị thiết kế Các nhân tố sau sẽ tác động đến sự thành công của dự án :

Bảng 1.8 : Xếp hạng các nhân tố ảnh hưởng đến sự thành công của dự án

Các yếu tố ảnh hưởng đến sự thành công

của DA

Xếp hạng chung

Chủ đầu tư

Thiết kế

Nhà thầu

Đầy đủ tài chính để hoàn thành DA 2 1 3 3

Sự ủng hộ của lảnh đạo cấp cao 6 6 8 7

Giao thầu cho đúng đơn vị thiết kế, thi công 7 12 6 6

Mục tiêu và quy mô dự án rõ ràng 9 5 12 9

Nguồn : [5]

Như vậy, để dự án thành công năng lực của các bên tham gia và sự quyết tâm của các bên tham gia được đánh giá cao nhưng một nhân tố khác đó là việc đảm bảo tài chính cho dự án cũng như dự toán chi phí chính xác cũng được đánh giá cao Điều này cho thấy việc xác định đúng chi phí xây dựng ảnh hưởng trực tiếp và gián tiếp đến sự thành công của dự án

Tại Nigeria, khi nghiên cứu về các nguyên nhân gây ra việc chậm tiến độ và vượt chi phí trong các dự án xây dựng trong nước (1997, [13]), cũng giống tình hình tại Việt Nam, các tác giả cũng nhận thấy trễ tiến độ là do quản lý nhà thầu kém, tài chính không được đảm bảo, vật tư không đầy đủ, thay đổi trong thiết kế … Vượt chi phí là do vật giá thay đổi, dự toán chi phí không chính xác, và trễ tiến độ

Như vậy, nâng cao năng lực các bên tham gia và hạn chế các rủi ro tài chính sẽ góp phần đem lại thành công cho dự án

Tại Hong Kong, nghiên cứu của Syed M Ahmed; Riaz Ahmad and Darshi

De Saram (1999, [8]) về xu hướng rủi ro trong quản lý xây dựng cũng chỉ ra rủi

ro về tài chính dự án là rủi ro được nhà thầu và chủ đầu tư e ngại nhiều nhất

Qua những nghiên cứu trên, việc chọn đề tài xác định chi phí xây dựng dựa trên ứng dụng mạng neuron mờ là mong muốn đóng góp vào việc tìm ra cơ sở để xác định chi phí thực của dự án để từ đó nhà quản lý đánh giá hiệu quả đầu tư thực của dự án và có quyết định đầu tư đúng đắn

Ứng dụng của mạng neuron mờ được biết như là một hệ thống tự động giải quyết các vấn đề có các mối quan hệ phức tạp và các tình huống không dự đoán được Hệ thống này đang nhận được nhiều sự quan tâm ứng dụng trong những năm gần đây Đặc biệt trong lĩnh vực quản lý xây dựng ( John Seydel

1997, [4])

I.3 Mục tiêu nghiên cứu

Nghiên cứu được thực hiện hướng tới ba mục tiêu :

Xâây dựng mô hình xác định chi phí xây dựng dựa trên ứng dụng mạng neuron mờ

Kiểm tra kết quả của mô hình bằng các dự án thực và so sánh kết quả với mô hình hồi quy

Phân tích các yếu tố tác động đến chi phí xây dựng trong các dự án

Trong đó, theo thông tư 04/2005/TT-BXD, tổng mức đầu tư dự án đầu tư xây dựng công trình bao gồm :

+ Chi phí xây dựng

+ Chi phí thiết bị

+ Chi phí đền bù giải phóng mặt bằng, tái định cư

+ Chi phí quản lý dự án và chi phí khác

+ Chi phí dự phòng

Trong đó, chi phí xây dựng bao gồm :

+ Chi phí xây dựng các công trình, hạng mục công trình thuộc dự án + Chi phí phá và tháo dỡ các vật kiến trúc cũ

+ Chi phí san lấp mặt bằng xây dựng

+ Chi phí xây dựng công trình tạm, công trình phụ trợ phục vụ thi công, nhà tạm tại hiện trường để ở và điều hành thi công

I.4 Giới hạn của nghiên cứu

Xây dựng mô hình dự báo dựa trên các lý thuyết về mạng neuron và lý thuyết mờ đã được áp dụng rộng rãi trong nhiều nghiên cứu vì những khả năng giải quyết các mối quan hệ phức tạp trong các phân tích cũng như xử lý các tình huống khó định lượng Tuy nhiên, để mô hình dự báo chính xác, dữ liệu đưa vào xây dựng mô hình phải đầy đủ và chính xác

Đây cũng là một trong những hạn chế của nghiên cứu vì rất khó khả thi để thu thập được đầy đủ dữ liệu trong một thời gian tương đối ngắn, hơn nữa trong lĩnh vực xây dựng, thu thập đầy đủ thông tin về một dự án từ giai đoạn chuẩn bị thực hiện đầu tư đến giai đoạn quyết toán công trình là rất hạn chế và các thông tin năng lực của chủ đầu tư, các đơn vị tư vấn hay đơn vị thi công tham gia dự án thường bị bóp méo

Với 52 mẩu dữ liệu phần lớn từ các dự án dân dụng và công nghiệp đưa vào huấn luyện mô hình, kết quả dự đoán chắc chắn có những sai lệch so với kết quả thực mà mô hình mong muốn đạt được và sai lệch có thể lớn đối với các dự án không thuộc nhóm dự án khảo sát

Mặc dù vậy, ứng dụng của mạng neuron mờ trong việc xây dựng mô hình cũng cho thấy những nhiều điểm tích cực và kết quả dự báo của mô hình nằm trong sai số cho phép

CHƯƠNG II : TỔNG QUAN VỀ MẠNG NEURON MỜ

II.1 Các nghiên cứu trước

Xây dựng mô hình xác định chi phí xây dựng đã được thực hiện trong

nhiều nghiên cứu trước đây Dựa trên lý thuyết mô phỏng Monte Carlo, Ali Touran và Lerdwuthirong Suphot thực hiện nghiên cứu “Rank Correlations in

Simulating Construction Costs” (1997, [3])

Khác biệt với các mô hình dự đoán dựa trên lý thuyết mô phỏng Monte Carlo, mô hình mô phỏng của Ali Touran và Lerdwuthirong Suphot đã sử dụng tương quan hạng Spearman để thay thế cho tương quan Pearson trong đánh giá mức độ tương quan giữa các biến tác động đến chi phí xây dựng công trình Để xác định chi phí xây dựng công trình, các chi phí của các công tác phải được xác định Mỗi chi phí của mỗi công tác này có một phân phối xác suất phù hợp Ví dụ chi phí của công tác bêtông có phân phối xác suất Lognomal, công tác metal có phân phối Beta, công tác cơ điện có phân phối Gamma, Erlang … Phân phối của chi phí tổng có phân bố xác suất gamma

Nghiên cứu cho thấy , khi sử dụng tương quan hạng Spearman phân phối mô phỏng của biến chi phí tổng rất gần với phân phối thật của nó Sai số lớn nhất của giá trị trung bình và độ lệch chuẩn trong phân tích : 7.8% Nguyên nhân của sai số này chính là do sự lựa chọn phân phối xác suất của các biến đầu vào cũng như sự tồn tại mối liên hệ phi tuyến giữa các biến trong mô hình Đây cũng chính là nhược điểm lớn nhất khi sử dụng lý thuyết mô phỏng Monte Carlo

Dựa trên lý thuyết về GPM (General Performance Model) và đứng trên quan điểm của chủ đầu tư, nghiên cứu của Luis Fernando Alarcon và Claudio Muorgues(2002, [1]) đã đưa ra mô hình xác định chi phí xây dựng dựa trên giá bỏ thầu của nhà thầu, khả năng tài chính, năng lực, kinh nghiệm thi công của nhà thầu và những thông tin về tính chất của dự án

Với các thông tin về giá bỏ thầu của nhà thầu, khả năng tài chính, năng lực, kinh nghiệm thi công của nhà thầu và những thông tin về tính chất của dự án, các chuyên gia nhiều kinh nghiệm của chủ đầu tư sẽ thực hiện đánh giá các yếu tố đầu vào của mô hình (xây dựng dựa trên lý thuyết GPM)

Với mô hình này, chi phíù dự kiến mà nhà thầu sẽ cần để thực hiện thành công dự án :

price bid

s Contractor

Cost Estimated

.'

Đây là mô hình tính cho kết quả khá chính xác (2002, [1]) Tuy nhiên, có thể nhận thấy để cho ra kết quả chính xác các chuyên gia phải có năng lực và nhiều kinh nghiệm để đánh giá chính xác các tham số của mô hình

Năm 2003, dựa trên ứng dụng của mạng neuron nhân tạo (ANN-Artifitial Neural Network), Mohamed Attalla và Tarek Hegazy (2003, [6]) xây dựng mạng neuron để dự đoán chi phí xây dựng của các dự án sữa chửa, cải tạo và xây mới thay thế công trình hiện hữu

Từ các nghiên cứu trước về các yếu tố ảnh hưởng đến chi phí phát sinh trong các công trình sữa chửa, cải tạo và xây mới thay thế công trình hiện hữu bằng kỹ thuật phân tích thống kê, mười tám nhân tố tác động gồm chi phí xây dựng, tiến độ, chất lượng công trình, vấn đề an toàn lao động, điều kiện công trường, hệ thống thông tin … được đưa vào mô hình xây dựng dựa trên mạng neuron nhân tạo

Và để kiểm tra tính chính xác của kết quả tính trong mô hình dựa trên mạng neuron nhân tạo, mô hình hồi quy được xây dựng đồng thời để kiểm chứng kết quả này Kết quả nghiên cứu cho thấy : Cả hai mô hình điều cho kết quả chính xác như nhau

Tuy nhiên, dựa trên ứng dụng của mạng neuron nhân tạo, mô hình giải quyết được các vấn đề mang tính không chắc chắn của dữ liệu thu thập tốt hơn

so với kết quả của mô hình hồi quy Hơn nữa, mô hình dựa trên ứng dụng mạng neuron nhân tạo cho thấy có thể phân tích nhiều yếu tố ảnh hưởng đến chi phí xây dựng hơn mô hình hồi quy

Vì một số nhược điểm của mạng neuron nhân tạo : Không xử lý được trong trường hợp biến đầu vào không thể định lượng được

Maged E Georgy, Luh-Maan Chang và Lei Zhang (2005, [2]) cũng thực hiện xây dựng mô hình đánh giá những giá trị đạt được của dự án dựa trên ứng dụng của mạng neuron mờ (FNN-Fuzzy Neural Network) Giá trị đạt được của dự án : Sự chậm trể so với tiến độ chi tiết, vượt chi phí so với dự toán chi tiết, thiết kế lại, khoảng tiền tiết kiệm được nhờ áp dụng constructability, chi phí gia tăng do thiết kế tồi…

Cũng như mô hình dựa trên mạng neuron nhân tạo, các yếu tố ảnh hưởng đến các giá trị đạt được của dự án được đưa vào phân tích trong mạng neuron mờ FNN

Kết quả nghiên cứu cho thấy, mô hình đánh giá dựa trên ứng dụng FNNs cho kết quả tương đối chính xác dù số liệu thu thập được khá không đầy đủ

Bên cạnh đó cũng có nhiều nghiên cứu khác về vấn đề chi phí xây dựng như nghiên cứu của D.K.H Chua (2000, [7]) nghiên cứu các nhân tố tác đôïng đến chi phí xây dựng trong mô hình xác định giá bỏ thầu

Tại Việt Nam, có nhiều nghiên cứu khám phá về thực trạng ngành xây dựng Điển hình :

Nghiên cứu về các vấn đề thành công của dự án của Nguyen Duy Long và Do thi Xuan Lan (2003, [5]) Nghiên cứu đã xác định những nhân tố tạo ra sự thành công của dự án và các các yếu tố thành công của dự án tại Việt Nam Nghiên cứu của Nguyen Duy Long, Stephen Ogunlana, Truong Quang,

Ka Chi Lam (2004, [12]) về các dự án xây dựng lớn tại Việt Nam đã tìm ra các vấn đề thường xảy ra trong các dự án tại Việt Nam, xếp hạng nguyên nhân và xếp hạng mức độ ảnh hưởng của các nhân tố gây ra các vấn đề này

Các nghiên cứu trên là các nghiên cứu khám phá Đây là cơ sở để thực hiện các nghiên cứu sâu hơn về đề tài quản lý xây dựng

II.2 Nền tảng của neuron mờ

II.2.1 Mạng neuron nhân tạo ( Artifitial Neural Network)

Mạng neuron nhân tạo được xem như một mô hình toán học đơn giản mô phỏng bộ não con người Mạng được xây dựng từ ý tưởng đầu tiên của Mc Culloch & Pitts (1943)

Thành phần cơ bản của mạng neuron gồm có phần tử xử lý, mô hình kết nối và chương trình huấn luyện mạng

f a(f)

a(f) f

a(f) f

Mỗi phần tử xử lý có nhiều đầu vào và một đầu ra Để kết hợp các đầu vào của phần tử xử lý, một hàm tổng hợp f có chức năng tổng hợp tất cả các thông tin từ các nguồn bên ngoài hoặc từ nhiều phần tử xử lý khác gửi đến và để truyền thông tin đến mỗi phần tử xử lý sau đó, một hàm tác động hay còn gọi là hàm truyền đạt a(f) có nhiệm vụ xử lý thông tin và truyền đi

Hàm tổng hợp

Nếu xj là đầu vào từ môi trường bên ngoài hoặc đầu ra của một phần tử xử lý thứ j, wij là trọng số kết nối giữa xj và phần tử xử lý thứ i và θI là giá trị ngưỡng của phần tử xử lý thứ i, thì hàm tổng hợp fi để kết hợp tất cả các thông tin từ các đầu vào của phần tử xử lý i được định nghĩa một trong các dạng như sau :

Hàm tổng hợp tuyến tính :

Hàm tác động

Kết hợp đầu ra của phần tử xử lý thứ i là một hàm tác động còn gọi là hàm truyền đạt a(f) Một số hàm truyền được sử dụng :

Hàm bậc thang đơn vị :

a(f) =

0

00

Hàm signum :

a(f) =

0

01

Hàm tuyến tính : a(f) = f

Hàm Unipolar sigmoid : a(f) = f

+11

Hàm Bipolar sigmoid : a(f) = 1

1

+e − fλ

Mô hình kết nối

Thành phần quan trọng thứ hai của mạng neuron nhân tạo đó là mô hình kết nối Trên cơ sở mô hình kết nối, mạng neuron nhân tạo có thể phân thành hai loại đó là mạng truyền thẳng (feedforward network) và mạng hồi tiếp (feedback network)

Mạng truyền thẳng được xây dựng bằng cách : Đầu ra của neuron ở lớp đứng trước là đầu vào của các neuron lớp đứng sau

Mạng hồi tiếp được xây dựng : Các đầu ra của neuron của lớp được định hướng lùi về làm đầu vào cho các neuron ở cùng lớp hay lớp đứng trước nó

Hình 2.2 : Mạng truyền thẳng nhiều lớp

Hình 2.3 : Mạng hồi tiếp nhiều lớp

Nếu mạng hồi tiếp mà các đầu ra của các đầu ra của lớp neuron đầu ra là các đầu vào của lớp neuron đầu vào thì được gọi là mạng hồi quy hay mạng hồi tiếp vòng kín Ban đầu mạng nhận các đầu vào từ môi trường ngoài, sau đó thông qua việc huấn luyện các đầu ra cũng là chính là đầu vào của mạng

Hình 2.4: Mạng hồi quy nhiều lớp

II.2.2 Luật học thông số tổng quát cho các mạng neuron nhân tạo

Thành phần quan trọng thứ ba của mạng neuron đó là việc huấn luyện mạng hay còn gọi là việc học cho mạng sử dụng các luật học khác nhau Có hai cách học khác nhau trong mạng neuron nhân tạo : Học thông số (parameter learning) và học cấu trúc (structure learning)

Học thông số là phương pháp học bằng cách cập nhật trọng số kết nối và học cấu trúc là phương pháp học bằng cách thay đổi bên trong cấu trúc mạng bao gồm số các phần tử xử lý và các mô hình kết nối mạng

Giả sử có n phần tử xử lý trong một mạng neuron nhân tạo và mỗi phần tử xử lý có chính xác m trọng số thích nghi Ma trận trọng số W được định nghĩa bằng :

T T

n

m m

w w

w

w w

w

w w

w

2 1

2 22

21

1 12

11

Trong đó wi = (wi1, wi2, …, wim), i = 1, 2 …n

n : là vectơ trọng số của phần tử xử lý thứ i

wij : là trọng số để kết nối phần tử xử lý thứ j và phần tử xử lý thứ i

Giả sử ta đã có ma trận trọng số mong muốn W chứa tất cả các phần tử thích nghi của mạng Vấn đề đặt ra là tìm cách nào để tìm ra một ma trận trọng số thực sự của mạng xấp xỉ với ma trận W trong quá trình xử lý thông tin ? Để làm được điều này, luật học thông số tổng quát được phát triển nhằm cập nhật

ma trận trọng số sao cho có được một ma trận trọng số thực sự của mạng xấp xỉ với ma trận trọng số mong muốn của mạng

Một cách tổng quát, học thông số có thể chia làm ba chế độ học : Học giám sát, học củng cố và họ không giám sát

Học giám sát

Trong cách học giám sát, mạng neuron nhân tạo được cung cấp một dãy các cặp đầu vào, đầu ra mong muốn : (x(1), d(1)), (x(2), d(2)), …, (x(k), d(k)) Khi mỗi đầu vào x(k) được đặt vào mạng thì đầu ra mong muốn tương ứng d(k) và đầu ra mong muốn d(k) được giám sát trong khâu phát sinh tín hiệu sai số Trọng số kết nối giữa các neuron trong mạng này sẽ được cập nhật sử dụng tín hiệu sai lệch này sao cho đầu ra thật sự của mạng sẽ tiến đến đầu ra mong muốn của mạng

Hình 2.5 : Mô tả cách học giám sát của một mạng neuron nhân tạo

Mạng neuron W

Khâu phát sinh tín hiệu sai số

Y (Đầu ra thực sự)

X (Đầu vào)

Học củng cố

Trong cách học giám sát ta giả định mỗi đầu ra mong muốn của mạng phải được biết trước cho mỗi đầu vào của mạng Tuy nhiên, trong một vài tình huống nào có thể thiếu thông tin chi tiết : mạng vẫn được cung cấp các mẫu đầu vào mong muốn nhưng mạng không được cung cấp rõ ràng các mẫu đầu ra mong muốn Học dựa trên cơ sở loại các thông tin đánh giá đúng hay sai từ thông tin hồi tiếp từ đầu ra của mạng được gọi là học củng cố và thống tin hồi tiếp được gọi là thông tin củng cố

Hình 2.6 : Mô tả cách học củng cố của một mạng neuron nhân tạo Học củng cố là một dạng học có giám sát vì mạng vẫn nhận một vài thông tin hồi tiếp từ môi trường của nó

Học không giám sát

Trong cách học không giám sát, không có bất kỳ một thông tin hồi tiếp nào từ môi trường để xác nhận kết quả đầu ra đúng hay sai Trong cách học này, mạng chỉ được cung cấp các mẫu đầu vào và mạng tự điều chỉnh các trọng số kết nối giữa các neuron trong mạng bằng cách sử dụng các mẫu đầu ra thực sự của mạng

Hình 2.7 : Mô tả cách học không giám sát của một mạng neuron nhân

tạo

Mạng neuron W Y (Đầu ra thực sự)

X (Đầu vào)

Mạng neuron W

Khâu phát sinh tín hiệu sai số

Y (Đầu ra thực sự)

X (Đầu vào)

Tín hiệu củng cố Tín hiệu củng cố

Trong các mô hình học trên, giá trị ngưỡng θ của neuron thứ i có thể được đưa vào việc học Nó được xem như là một trọng số Wmi bằng cách gán cho vectơ đầu vào xm giá trị cố định : xm = -1

Hình 2.8 : Mô tả luật học thông số tổng quát cho một phần tử xử lí thứ i Luật học trọng số tổng quát trong các mạng neuron được định nghĩa như sau :

Δwi(t) = ηrX(t)

Trong đó : Δwi(t) là sự gia tăng của vectơ trọng số tại mỗi bước học

η : hằng số học (learning constant) để xác định tốc độ học trong mạng

Do vậy, tại bước học t+1 vectơ trọng số có thể cải tiến bằng công thức :

wi(t+1) = wi(t) + ηrX(t)

Nếu là chế độ học giám sát thì tín hiệu học r được biểu diễn bằng một hàm có dạng tổng quát :

r = fr (wi, X, di) = di - yi Nếu là chế độ học củng cố thì tín hiệu học r được biểu diễn bằng một hàm có dạng tổng quát :

r = fr (wi, X, di) = di Nếu là chế độ học không giám sát thì tín hiệu học r được biểu diễn bằng một hàm có dạng tổng quát :

r = fr (wi, X, di) = yi Nếu việc học được thực hiện liên tục, phương trình dưới đây được dùng để cập nhật vectơ trọng số tại thời điểm (t+1)

)()

II.2.3 Giải thuật giảm gradient (sleepest gradient) :

Giải thuật giảm gradient là một trong những giải thuật dùng để câp nhật trọng số trong các luật học có giám sát nêu trên

Đây là giải thuật giải lặp, trong đó J : là hàm mục tiêu

Trọng số w được xác định khi J đạt cực tiểu

Xét một neuron có n biến đầu vào

J : hàm theo w : J = J(w)

w = [w1 w2 … wn]T

w

net net

y y

J w

J

1

)(()

d

1

)(()( a’(net).x(k)

Theo luật học có giám sát :

k y k

d

1

)(()( a’(net).x(k) : Đây là giải thuật

giảm gradient dùng để cập nhật trọng số trong luật học có giám sát

II.3 Lý thuyết mờ

Lý thuyết mờ được Zadel xây dựng năm 1961 dựa trên cơ sở mở rộng và phát triển từ logic rõ Lý thuyết mờ là cơ sở lý thuyết của một phương pháp xử lý tri thức không chắc chắn trong các hệ thống trí tuệ nhân tạo đang được ứng dụng nhiều trong lĩnh vực điều khiển

II.3.1 Khái niệm tập mờ (Fuzzy set) :

Cho F là một tập hợp trong không gian U, và x các phần tử của U F được gọi là tập mờ trong U nếu F được định nghĩa bằng hàm thuộc μF(x) của nó sao cho μF(x) có thể nhận bất kỳ giá trị nào trong khoảng [0.1]

F : tập hợp được xác định trên tập kinh điển X mà mỗi phần tử x∈ X qua ánh xạ μF cho giá trị μF(x) ∈ [0,1]

μF : X → [0,1]

x∈ X → y = μF(x) Hàm μF: gọi là hàm thuộc của tập mờ F (Membership function)

f) e)

d)

c) b)

a)

x

μ

x 0

x 0

1 1

45 50 70 90 11030

x

L

M x x

Giả sử biến chi phí dự án xây dựng được mô tả bằng ba biến ngôn ngữ ( tập mờ)ø : Sx, Mx, Lx .(Xem hình 2.6)

Mờ hoá là quá trình xác định giá trị của biến theo các biến ngôn ngữ của biến

Trong ví dụ trên, giá trị của dự án 45 tỷ được mờ hoá thể hiện qua ba biến ngôn ngữ :

)(

)(454545

X

X M

X S

μμ

750

250

Các phép toán trên tập mờ :

Những phép toán cơ bản trên tập mờ là phép hợp, phép giao và phép bù Tương tự như định nghĩa về tập mờ các phép toán trên tập mờ cũng được định nghĩa thông qua các hàm thuộc, được xây dựng tương tự như các hàm thuộc của các phép toán giao, hợp và bù giữa hai tập hợp kinh điển Nói cách khác, khái niệm xây dựng các phép toán trên tập mờ được hiểu là việc xác định các hàm thuộc cho các phép hợp, giao và bù từ những tập mờ

Phép hội hai tập mờ

Phép hội hai tập mờ A và B có cùng tập nền X là một tập mờ A∪B cũng được xác định trên tập nền X có hàm thuộc thoả mãn :

a) μA∪B (x) chỉ phụ thuộc vào μA (x) và μB (x)

b) μB (x) = 0 với mọi x ⇒ μA∪B (x) = μA (x)

c) μA∪B (x) =μB∪A (x)

d) μ(A∪B)∪C (x) =μA∪(B∪C) (x)

e) Nếu A1 ⊆ A2 thì A1∪B ⊆ A2∪B, hay μA∪B (x) có tính không giảm : μA1(x) ≤ μA2 (x) ⇒ μA1∪B (x) ≤ μA2∪B (x)

Hai luật thường được sử dụng để xác định μA∪B (x) :

1) Luật max : μA∪B (x) = max{μA (x), μB (x)}

2) Luật sum : μA∪B (x) = min{1,μA (x)+ μB (x)}

Phép giao hai tập mờ

Phép giao hai tập mờ A và B có cùng tập nền X là một tập mờ A∩B được xác định trên tập nền X có hàm thuộc thoả mãn :

a) μA∩B (x) chỉ phụ thuộc vào μA (x) và μB (x)

b) μB (x) = 0 với mọi x ⇒ μA∩B (x) = μA (x)

c) μA∩B (x) =μB∩A (x)

d) μ(A∩B) ∩C (x) =μA∩ (B∩C) (x)

e) Nếu A1 ⊆ A2 thì A1∩B ⊆ A2∩B, hay μA∩B (x) có tính không giảm : μA1(x) ≤ μA2 (x) ⇒ μA1∩B (x) ≤ μA2∩B (x)

Hai luật thường được sử dụng để xác định μA∩B (x) :

1) Luật min : μA∩B (x) = min{μA (x), μB (x)}

2) Luật prod : μA∩B (x) = μA (x).μB (x)

Phép bù một tập mờ

Phép bù một tập mờ A có tập nền X là một tập mờ Ac cũng được xác định trên tập nền X có hàm thuộc thoả mãn :

a) μAc(x) chỉ phụ thuộc vào μA (x)

b) Nếu x∈A thì x∉Ac, hay μA (x) = 1 ⇒ c(x)

II.3.2 Luật hợp thành mơ.ø

Khái niệm mệnh đề hợp thành mờ

Mệnh đề hợp thành mờ là mệnh đề dạng Nếu A Thì B (A ⇒ B) : Nghĩa

là với giá trị đầu vào xo thoả mãn mệnh đề thì sẽ xác định được giá trị mờ đầu ra của yo

Mệnh đề hợp thành mờ là phép suy diễn được xây dựng trên cơ sở tri thức của người thực hiện chương trình

Phép suy diễn mờ

Giá trị của mệnh đề hợp thành mờ là một tập mờ B’ định nghĩa trên nền

Y (không gian nền của B) và có hàm thuộc :

2 μ (μA ,μB) = μA μB

Hai công thứùc trên có tên chung là quy tắc hợp thành theo Mamdani

Qui tắc hợp thành Min

Theo qui tắc hợp thành Min, giá trị của mệnh đề hợp thành mờ B’ được định nghĩa trên nền Y (không gian nền của B) có hàm thuộc :

μB’(y) = min{μA ,μB(y )}

Qui tắc hợp thành Prod

Theo qui tắc hợp thành Prod, giá trị của mệnh đề hợp thành mờ B’ được định nghĩa trên nền Y (không gian nền của B) có hàm thuộc :

μB’(y) = μA μB(y)

c.

μ

y x

Hình 2.11 : a Hàm thuộc μchậm(x) và μtăng(y)

b μB’(y) xác định theo quy tắc hợp thành Min

c μB’(y) xác định theo quy tắc hợp thành Prod

Luật hợp thành mờ

Luật hợp thành mờ là tập hợp của một hay nhiều mệnh đề hợp thành mờ Một luật hợp thành chỉ có một mệnh đề hợp thành được gọi là luật hợp thành đơn Ngược lại, nếu luật hợp thành có hơn nhiều hơn một mệnh đề hợp thành được gọi là luật hợp thành kép

Phần lớn các hệ mờ trong thực tế điều có mô hình xây dựng từ các luật hợp thành kép

Thuật toán thực hiện luật hợp thành đơn max-Min, max-Prod câu trúc SISO

Luật hợp thành max-Min

Xét luật hợp thành SISO chỉ có một mệnh đề hợp thành

R1 : Nếu X = A Thì Y = B

Ma trận R của luật hợp thành max-Min được xây dựng gồm các giá trị

μB’(y) tương ứng với giá trị đầu vào x Ứng với giá trị (x,y) thì giá trị μR(x,y) được xác định :

Hình 2.12 : Xây dựng R theo quy tắc max - Min

Luật hợp thành max-Prod

Xét luật hợp thành SISO chỉ có một mệnh đề hợp thành

tăng

μ (y) (y)

y 0.9

0.7 0.5

0.5

Hình 2.13 : Xây dựng R theo quy tắc max - Prod

Thuật toán thực hiện luật hợp thành có câu trúc MISO

Xét luật hợp thành MISO chỉ có một mệnh đề hợp thành

R1 : Nếu X1 = A1 và X2 = A2 và … và Xn = An Thì Y = B

Bao gồm n biến ngôn ngữ đầu vào và một biến đầu ra Luật hợp thành được xây dựng như sau :

Rời rạc hóa miền xác định hàm thuộc μA1(x1), μA2(x2), …, μAn(xn), μB(y) của các mệnh đề điều kiện và mệnh đề kết luận

Xác định độ thỏa mãn H cho từng vectơ các giá trị rõ đầu vào là vectơ tổ hợp n điểm mẩu thuộc miền xác định của các hàm thuộc μAi(xi), i = 1:n Giả sử với một vectơ các giá trị rõ đầu vào x = ( x1, x2, …, xn )T thì

H = min {μA1(x1), μA2(x2), …, μAn(xn)}

Tập R gồm các hàm thuộc giá trị mờ đầu ra cho từng vectơ các giá trị véc tớ đầu vào theo nguyên tắc :

μB’(y) = min{H, μB(y)} nếu sử dụng quy tắc max-Min

μB’(y) = H μB(y) nếu sử dụng quy tắc max-Prod

(y)

B μ

Hình 2.14 : Xây dựng R cho luật hợp thành MISO theo quy tắc max - Min Thuật toán thực hiện luật hợp thành kép có nhiều mệnh đề hợp thành

Tổng quát hóa phương pháp mô hình hóa trên cho mệnh đề hợp thành gồm :

R = R1 ∪ R2 ∪ … ∪ Rn

Sẽ như sau :

1 Rời rạc hoá X tại n điểm x1, x2, …, xn và Y tại n điểm y1, y2, …, yn

2 Xác định các vectơ

k A

k B

μ , K = 1:n theo

T k A

μ = (μAk(x1), (μAk(x2), …,(μAk(x2))

T k B

μ = (μBk(y1), (μBk(y2), …,(μBk(y2)) tức là mờ hoá các điểm rời rạc của X, Y

3 Xác định mô hình cho luật điều khiển

a Rk =

k A

k B

b Trong đó phép nhân được thay bằng phép tính lấy cực tiểu min khi sử dụng nguyên tắc max-Min

4 Xác định luật hợp thành R = max (r | k = 1:n) ij k

Khi xây dựng luật hợp thành, từng mệnh đề điều kiện nên được mô hình hoá thống nhất theo một qui tắc chung như qui tắc max-Min hoặc max-Prod… Khi đó các luật điều khiển sẽ có tên chung là luật hợp thành max-Min hay luật hợp thành max-Prod và gọi chung là luật hợp thành

0.5

μchậm(x) (x)

(y)

tăng μ

(y)

giảm μ

μ tăng (y) (x)

chậm μ

Hình 2.15 : Hàm thuộc của hai luật điều khiển

a Xác định hàm thuộc đầu ra của luật điều khiển thứ nhất

b Xác định hàm thuộc đầu ra của luật điều khiển thứ hai

c Hàm thuộc đầu ra của luật hợp thành

II.3.3 Giải mờ

Giải mờ là quá trình xác định một giá trị rõ y* nào đó có thể chấp nhận được từ hàm thuộc μB’(y) của giá trị mờ B’(tập mờ)

Hai phương pháp giải mờ chính thường được sử dụng là phương pháp giải mờ cực đại và phương pháp giải mờ điểm trọng tâm

Phương pháp giải mờ cực đại :

Giải mờ theo phương pháp cực đại là xác định giá trị rõ y từ tập mờ mà y có độ phụ thuộc lớn nhất Giá trị y được xác định theo hai bước :

- Xác định miền G chứa giá trị y

- Xác định giá trị y trong miền G Có 3 nguyên lý xác định y :

+ Nguyên lý trung bình : y* =

2 2

y +

+ Nguyên lý cận trái : y* = y1

+ Nguyên lý cận phải : y* = y2

2 y

y1

B2

(y) Y

μ

y

0

Hình 2.16 : Phương pháp giải mờ cực đại

Phương pháp điểm trọng tâm :

Phương pháp điểm trọng tâm sẽ cho

ra kết quả y* là hoành độ của điểm trọng

tâm của miền giới hạn bởi μy(y) và trục

hoành Công thức tính y* theo phương

pháp điểm trọng tâm :

∫

∫

=

dy y

dy y y y

Y

Y

)(

)(

*

μμ

Y

Y

μμ

Hoặc các tập mờ đầu ra không có

Y

Y

μμ

μ

yy*

μ

y

μ2μ3μ1μ

z

II.3.4 Bộ điều khiển mờ

Bộ điều khiển mờ gồm ba thành phần cơ bản đã giới thiệu trong phần

trên bao gồm : Khâu mờ hóa, thiết bị thực hiện luật hợp thành và khâu giải mờ

y

x

μ x

Cơ sở trí thức

Giải mờ

Luật hợp thành Mờ hoá

Hình 2.17 : Cấu trúc của bộ điều khiển mờ

Bộ điều khiển mờ được thiết kế dựa trên :

Dao diện đầu vào bao gồm khâu mờ hoá và các khâu phụ trợ thêm để thực hiện các bài toán động như tích phân, vi phân…

Thiết bị hợp thành mà bản chất của nó sự triển khai luật hợp thành R được xây dựng trên cơ sở luật điều khiển

Khâu giao diện đầu ra gồm khâu giải mờ và các khâu giao diện trực tiếp với đối tượng

Nguyên tắc tổng hợp một bộ điều khiển mờ hoàn toàn dựa vào những phương pháp toán học trên cơ sở định nghĩa các biến ngôn ngữ vào/ra và sự lựa chọn những luật điều khiển

II.4 Mạng neuron mờ

II.4.1 Giới thiệu về mạng neuron mờ

Mạng neuron mờ là cấu trúc tích hợp giữa mạng neuron nhân tạo (ANN) và bộ điều khiển mờ dựa vào những ưu điểm của mạng neuron lại là nhược điểm của bộ điều khiển mờ và ngược lại

Do vậy, việc tích hợp sẽ làm tăng tính chính xác của mô hình tính toán và phân tích hiệu quả các vấn đề có tính không chắc chắn

Bảng 2.1 : Bảng so sánh ưu điểm, nhược điểm của mạng neuron và bộ điều khiển mờ

1 Thể hiện tri thức Thông qua trọng số, được thể hiện ẩn trong

mạng

Được thể hiện ngay trong luật hợp thành

2 Nguồn của tri thức Từ các mẫu học Từ kinh nghiệm chuyên gia

3 Xử lý thông tin không chắc chắn Định lượng Định tính và định lượng

4 Lưu giữ trí thức

Trong neuron và trọng số của từng đường ghép nối neuron

Trong luật hợp thành và hàm thuộc

5 Khả năng cập nhật và nâng cao trí thức Thông qua quá trình học Không có

6 Tính nhạy cảm với các thay đổi mô hình Thấp Cao

Nguồn : Tài liệu Điều khiển mờ [10].

Hiện nay, theo nghiên cứu của Geogy, Chang và Zhang [2] có 3 dạng tích hợp để xây dựng mạng neuron mờ :

Hệ mờ dựa trên mạng neuron (Neural-Based Fuzzy System) :

Hệ mờ dựa trên mạng neuron được xây dựng dựa trên cơ sở tích hợp sử dụng tính thích nghi của mạng neuron để điều chỉnh chi bộ điều khiển mờ, nhưng không làm thay đổi chức năng của bộ điều khiển mờ

Mạng neuron dựa trên logic mờ (Fuzzy Logic-Based Neural Networks) : Mạng neuron dựa trên logic mờ được xây dựng dựa trên cơ sở tích hợp cho phép giử lại cấu trúc và các tính chất cơ bản của mạng neuron nhưng một hoặc nhiều thông số của mạng bị mờ hoá

Hệ lai (Fuzzy-Neural Hybrid System ) : Theo cơ sở tích hợp này, mạng neuron và bộ điều khiển mờ được tích hợp nối tiếp hoặc song song để làm tăng khả năng xử lý vấn đề

II.4.2 Neuron mờ

Neuron mờ loại một

Neuron mờ loại một có n tín hiệu vào rõ xi , các trọng số là các tập mờ Ai, với các hàm thuộc μAi , i = 1:n

Với mỗi tín hiệu đầu vào xi , thuộc tập mờ Ai , giá trị đưa vào neuron mờ loại một tổng hợp : μAi(xi) và giá trị đầu ra Y là :

μA(x )

2x

Hình 2.18 : Mô hình neuron mờ loại 1

Neuron mờ loại hai

Neuron mờ loại hai có n tín hiệu vào mờ xi , các trọng số là các giá trị wi,

x

wn

xn

Hình 2.19 : Mô hình neuron mờ loại 2

Neuron mờ loại ba

Neuron mờ loại ba có n đầu vào và một đầu ra Neuron mờ loại ba biểu diễn quan hệ của luật hợp thành If-then

If X1 and X2 and … and Xn then Y

Xi : các giá trị đầu vào và Y : là giá trị đầu ra

Về thực chất neuron mờ loại ba thể hiện mối quan hệ mờ : R = X1 × X2 ×

Hình 2.30 : Mô hình neuron mờ loại 3

Để xây dựng mạng neuron mờ, ba dạng qui tắc mờ sau có thể được sử dụng :

Dạng 1 : Những quy tắc mờ với kết quả là hằng số

If X1 is A1 and X2 is A2 and … and Xn is An then Y is c

Dạng 2 : Những quy tắc mờ với kết quả là hàm tổ hợp tuyến tính

If X1 is A1 and X2 is A2 and … and Xn is An then Y is f(x1, x2, …,

xn) = b0 + b1x1 + … + bnxn.

Dạng 3 : Những quy tắc mờ với kết quả là tập mờ

If X1 is A1 and X2 is A2 and … and Xn is An then Y is BY

II.4.3 Cấu trúc mạng neuron mờ

Mạng neuron mờ bao gồm hai mạng con : mạng Match và mạng DFZ tương ứng với 2 giai đoạn xử lý trong mạng neuron mờ : giai đoạn suy luận mờ và giải mờ

Mạng Match xử lý các thông tin trong các luật hợp thành (các qui tắc mờ), điều khiển các trọng số trong mạng để đưa ra tín hiểu thích hợp Các tín hiệu này sẽ được đưa vào mạng giải mờ DFZ thực hiện giải mờ, điều khiển và cho ra kết quả tính của mạng

2

y

ny

1

x

x n

x2

Hình 2.31 : Mô hình mạng neuron mờ

Mạng Match

Mạng Match dùng để tính toán mức độ tác động của tín hiệu vào và điều khiển những tín hiệu này có sự tác động phù hợp theo biến đầu vào Thông thường, mạng Match bao gồm 4 lớp neuron :

L

L21

L

2x

nx

x1

Hình 2.32 : Mô hình mạng Match.

Lớp 1 : Lớp thứ nhất chứa các tín hiệu đầu vào rõ X1, X2, … , Xn

Lớp 2 : Tín hiệu từ lớp 1 truyền tới lớp 2 để thực hiện quá trình mờ hoá : Giả sử biến Xi được thể hiện bằng 3 biến ngôn ngữ S, M, L thì giá trị của biến Xi được thể hiện trong lớp 2 bằng 3 neuron L2(1), L2(2), L2(3) :

Lớp 3 : Các neuron của lớp 3 có vai trò thể hiện mối quan hệ Ri : If X1 is

A1 and X2 is A2 and … and Xn is An then Y is BY trong các luật hợp thành

Kết quả xử lý của các neuron lớp 3 có thể được tính theo một trong hai phép toán :

Tùy theo dạng qui tắc mờ được sử dụng, số neuron trong lớp bốn được xác định phù hợp Trường hợp mạng được xây dựng theo qui tắc mờ dạng 1 hoặc 2 thì số neuron trong lớp bốn bằng số luật hợp thành của mạng neuron mờ

Trường hợp mạng được xây dựng theo qui tắc mờ dạng 3 thì số neuron trong lớp bốn bằng số biến ngôn ngữ của biến đầu ra của mạng neuron mờ

Để điều chỉnh thông số trong mạng Match, chúng ta sử dụng giải thuật truyền ngược giảm độ dốc để đạt được giá trị mong muốn của mạng

Mạng DFZ

Trong mạng Match, ta đã xác định được mức độ tương tác tương ứng của các biến đầu vào Để xác định kết quả kỳ vọng của biến đầu ra, ta phải thực hiện quá trình rõ hóa thông qua mạng DFZ

Mạng DFZ cũng được xây dựng bao gồm nhiều lớp neuron mờ Tuỳ theo phương pháp giải mờ mà số lớp neuron sẽ xây dựng phù hợp

w

w n1 n2

Đối với qui tắc mờ dạng 1, giá trị của biến đầu ra được xác định theo công thức sau :

Đối với qui tắc mờ dạng 2, giá trị của biến đầu ra được xác định theo công thức sau :