GIỚI THIỆU ĐỀ TÀI
Giới thiệu chung
Trong những năm gần đây, sự gia tăng các hạng mục công trình cầu đường bộ với quy mô lớn là điều cần thiết cho sự phát triển của đất nước Tuy nhiên, việc chậm trễ trong tiến độ thi công tại Việt Nam hiện nay rất phổ biến, dẫn đến tăng chi phí và làm chậm quá trình đưa công trình vào sử dụng.
Cầu đường bộ là một công trình phức tạp, thường gặp nhiều rủi ro trong quá trình thi công, dẫn đến việc các dự án thường chậm tiến độ Sự chậm trễ này không chỉ kéo dài thời gian hoàn thành mà còn làm tăng chi phí dự án, đồng thời có thể ảnh hưởng đến chất lượng công trình do không kiểm soát được các rủi ro.
Ước lượng tiến độ trong giai đoạn đầu của dự án là mục tiêu quan trọng, đòi hỏi xác định các yếu tố ảnh hưởng đến thời gian thi công Việc xác định thời gian hợp lý cho từng công đoạn như khảo sát, thi công móng, và thi công sàn cầu là cần thiết để xây dựng công cụ dự đoán hiệu quả Mô hình ước lượng thời gian thi công hỗ trợ nhà đầu tư, quản lý và nhà thầu lập tiến độ chính xác hơn, đồng thời kiểm soát rủi ro cho dự án.
Trong quá trình xây dựng cầu, từ giai đoạn chuẩn bị đến hoàn tất, có nhiều rủi ro tiềm ẩn cần được chú ý Các công trình cầu đường bộ, đặc biệt là những công trình cao trên mặt đất, thường gặp phải nguy cơ cao hơn so với các loại hình xây dựng khác Những rủi ro này có thể dẫn đến tổn thất lớn cho các chủ sở hữu và doanh nghiệp xây dựng nếu việc ước lượng và quản lý không được thực hiện một cách nghiêm túc.
Hiện nay, có rất nhiều nghiên cứu xây dựng các mô hình ước lượng thời gian,
Chương 1: Giới thiệu đề tài GVHD: TS Lê Hoài Long ảnh hưởng đến tiến độ thi công Việc kiểm soát rủi ro trong từng giai đoạn thi công sẽ rất phức tạp Việc xây dựng được một mô hình ước lượng tối ưu để kiểm soát được rủi ro sẽ là rất cần thiết Trong các phương pháp trên, phương pháp ước lượng điểm bằng mô hình ANN (Artificial Neural Network) kết hợp ước lượng khoảng bằng kỹ thuật Bootstrap sẽ là phương pháp ưu việt trong việc ước lượng tiến độ thi công cầu đường bộ.
Xác định vấn đề nghiên cứu
Trong giai đoạn hình thành dự án xây dựng, chủ đầu tư và nhà quản lý dự án cần xác định các rủi ro tiềm ẩn, lượng nguồn lực cần huy động và ước lượng tiến độ thi công cho từng giai đoạn Việc lựa chọn mô hình tối ưu để thực hiện các ước lượng này cũng là một yếu tố quan trọng trong quá trình lập kế hoạch dự án.
Thi công cầu đường bộ là một quá trình phức tạp, đòi hỏi khảo sát chi tiết về địa hình, địa chất, và điều kiện tự nhiên Đặc biệt, vị trí thi công và thiết bị máy móc cũng cần được xem xét kỹ lưỡng Với các dự án cầu lớn, rủi ro gia tăng, yêu cầu các nhà quản lý lập tiến độ hợp lý để đảm bảo tiến trình thi công hiệu quả.
Hiện nay, tiến độ thi công các dự án cầu đường bộ chậm hơn dự kiến do rủi ro không được kiểm soát chặt chẽ và phụ thuộc vào kinh nghiệm Điều này dẫn đến việc đưa công trình vào sử dụng bị trì hoãn, ảnh hưởng nghiêm trọng đến sự phát triển kinh tế và xã hội giữa các vùng miền.
Thời gian thi công cầu đường bộ bị ảnh hưởng bởi nhiều yếu tố, bao gồm yếu tố chủ quan như con người và yếu tố khách quan như điều kiện tự nhiên Mỗi công đoạn thi công có sự biến động về thời gian riêng, do đó, việc xây dựng mô hình ước lượng thời gian thi công là rất quan trọng Điều này giúp dự án tránh những rủi ro trong quá trình thực hiện, đặc biệt trong giai đoạn lập dự án.
Chương 1: Giới thiệu đề tài GVHD: TS Lê Hoài Long
Việc xác định mối quan hệ giữa các yếu tố ảnh hưởng đến tiến độ dự án có thể rất phức tạp Mặc dù các mô hình hồi quy tuyến tính đơn giản có thể hỗ trợ quá trình mô hình hóa, nhưng chúng không luôn đảm bảo tính đầy đủ trong việc đại diện cho các yếu tố này Do đó, nghiên cứu này phát triển một phương pháp ước lượng tiến độ thi công cầu đường bộ, giúp xác định tác động của các yếu tố ảnh hưởng đến tiến độ một cách dễ dàng và hiệu quả hơn.
Các nghiên cứu trước đây đã chỉ ra rằng mô hình mạng neuron nhân tạo (ANN) vượt trội trong việc ước lượng điểm chính xác Gần đây, ANN đã được sử dụng thay thế cho mô hình hồi quy trong công tác ước lượng Mạng neuron là công cụ mạnh mẽ để mô hình hóa các mối quan hệ phức tạp giữa các yếu tố ảnh hưởng đến tiến độ thi công cầu đường bộ Tuy nhiên, tiến độ thi công thường gặp nhiều biến động về thời gian, khiến cho việc ước lượng điểm không thể kiểm soát hoàn toàn các rủi ro của dự án Do đó, cần thiết phải có ước lượng khoảng chắc chắn để hỗ trợ quyết định dự báo cho dự án.
Kỹ thuật Bootstrap, theo Tsai và Li (2008), được áp dụng để nâng cao hiệu suất dự đoán của mạng neuron trong việc ước lượng các rủi ro trong thi công cầu đường bộ Mạng neuron là công cụ hiệu quả để mô hình hóa các mối quan hệ phức tạp giữa các yếu tố ảnh hưởng đến tiến độ thi công Kỹ thuật Bootstrap cung cấp phương pháp thực tiễn để xác định các khoảng dự đoán cho mô hình mạng neuron Sự kết hợp giữa kỹ thuật Bootstrap và mạng neuron mang lại thông tin quan trọng cho việc quản lý, đặc biệt trong giai đoạn đầu của các dự án xây dựng.
Theo nghiên cứu của Aasadullah Attal (2010), mô hình mạng nơ-ron nhân tạo (ANN) cho kết quả chính xác và độ tin cậy cao hơn so với phương pháp phân tích hồi quy tuyến tính trong việc xác định các thông số và dự báo.
Chương 1: Giới thiệu đề tài GVHD: TS Lê Hoài Long
Các nghiên cứu trước đây đã chỉ ra rằng mô hình ANN có khả năng ước lượng điểm chính xác Tuy nhiên, trong thực tế, tiến độ thi công cầu đường bộ thường gặp nhiều biến động về thời gian, dẫn đến việc ước lượng điểm không thể kiểm soát hoàn toàn rủi ro của dự án Do đó, việc xây dựng biểu đồ xác suất cho ước lượng khoảng thời gian thi công cầu đường bộ sẽ giúp kiểm soát rủi ro hiệu quả hơn thông qua kỹ thuật Bootstrap Sự kết hợp giữa mô hình ANN và kỹ thuật Bootstrap hứa hẹn sẽ là giải pháp tối ưu cho việc ước lượng thời gian thi công cầu đường bộ.
Mục tiêu nghiên cứu
Đề xuất quy trình ứng dụng mô hình ANN kết hợp với kỹ thuật Bootstrap nhằm đánh giá xác suất thời gian thi công cầu đường bộ, dựa trên bộ số liệu của tác giả Nguyễn Hữu Phúc (2015).
- Áp dụng kỹ thuật Bootstrap để ước lượng xác suất thời gian thi công cầu đường bộ
1.4 Đối tƣợng và phạm vi nghiên cứu
Đề tài nghiên cứu tập trung vào các dự án xây dựng cầu đường bộ đã hoàn thành, với phạm vi giới hạn tại khu vực Đông Nam Bộ và Đồng Bằng Sông Cửu Long.
- Thời gian nghiên cứu: 06 tháng
Nghiên cứu đã tiến hành phân tích 43 bộ dữ liệu từ các dự án lịch sử tại khu vực Đông Nam Bộ và Đồng Bằng Sông Cửu Long, tất cả các dự án này đều đã hoàn thành trước năm 2015 (Nguyễn Hữu Phúc, 2015).
1.5 Đóng góp của nghiên cứu
Chương 1: Giới thiệu đề tài GVHD: TS Lê Hoài Long
Nghiên cứu này đề xuất tích hợp hai phương pháp nhằm giảm thiểu rủi ro trong quá trình thi công cầu đường bộ tại khu vực Đông Nam Bộ và Đồng Bằng Sông Cửu Long, giúp kiểm soát tiến độ thi công cho từng giai đoạn.
1.5.1 Đóng góp về mặt học thuật
Nghiên cứu này kết hợp ước lượng điểm từ mô hình ANN và kỹ thuật Bootstrap để đánh giá xác suất rủi ro trong tiến độ thi công cầu đường bộ giai đoạn đầu của dự án Việc phân tích mối quan hệ giữa các yếu tố ảnh hưởng đến thời gian thi công tại khu vực Đông Nam Bộ và Đồng Bằng Sông Cửu Long giúp kiểm soát thời gian thi công hiệu quả hơn, từ đó giảm thiểu rủi ro về mặt thời gian trong quá trình thực hiện dự án cầu đường bộ.
1.5.2 Đóng góp về mặt thực tiễn
Nghiên cứu đóng vai trò quan trọng trong việc giúp nhà thầu đưa ra quyết định hợp lý về nguồn tài nguyên, nhân lực và đấu thầu Điều này không chỉ hỗ trợ chủ đầu tư trong việc đưa công trình vào khai thác sớm mà còn giúp các đơn vị quản lý kiểm soát chặt chẽ tiến độ thi công ở từng giai đoạn.
Chương 1: Giới thiệu đề tài GVHD: TS Lê Hoài Long
Danh mục tài liệu tham khảo
Bảng 1.1: Cấu trúc Luận văn
CH ƢƠNG 1: GIỚI THIỆU ĐỀ TÀI
1.2 Xác định vấn đề nghiên cứu 1.3 Mục tiêu nghiên cứu
Đóng góp của nghiên cứu
Chương 1: Giới thiệu đề tài GVHD: TS Lê Hoài Long
Nghiên cứu này đề xuất tích hợp hai phương pháp nhằm giảm thiểu rủi ro trong thi công cầu đường bộ tại khu vực Đông Nam Bộ và Đồng Bằng Sông Cửu Long, đồng thời kiểm soát tiến độ thi công cho từng giai đoạn.
1.5.1 Đóng góp về mặt học thuật
Nghiên cứu này kết hợp ước lượng điểm từ mô hình ANN và kỹ thuật Bootstrap để đánh giá xác suất rủi ro trong tiến độ thi công cầu đường bộ giai đoạn đầu của dự án Bằng cách phân tích mối quan hệ giữa các yếu tố ảnh hưởng đến thời gian thi công cầu đường bộ tại khu vực Đông Nam Bộ và Đồng Bằng Sông Cửu Long, nghiên cứu giúp kiểm soát thời gian thi công hiệu quả hơn, từ đó giảm thiểu rủi ro về mặt thời gian trong quá trình thực hiện.
1.5.2 Đóng góp về mặt thực tiễn
Nghiên cứu đóng vai trò quan trọng trong việc hỗ trợ nhà thầu đưa ra quyết định hợp lý về nguồn tài nguyên, nhân lực và chiến lược đấu thầu Đối với chủ đầu tư, việc này giúp đẩy nhanh tiến độ đưa công trình vào khai thác Công cụ nghiên cứu cũng giúp các đơn vị quản lý kiểm soát chặt chẽ tiến độ thi công ở từng giai đoạn.
Chương 1: Giới thiệu đề tài GVHD: TS Lê Hoài Long
Cấu trúc Luận văn
Danh mục tài liệu tham khảo
Bảng 1.1: Cấu trúc Luận văn
CH ƢƠNG 1: GIỚI THIỆU ĐỀ TÀI
1.2 Xác định vấn đề nghiên cứu 1.3 Mục tiêu nghiên cứu
1.4 Đối tượng và phạm vi nghiên cứu 1.5 Đóng góp của nghiên cứu
TỔNG QUAN
Các khái niệm và định nghĩa
CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU 3.1 Tómtắt chương
CHƯƠNG 4: KẾT QUẢ NGHIÊN CỨU 4.1 Tóm tắt chương
4.2 Các yếu tố ảnh hưởng đến thời gian thi công cầu đường bộ
4.3 Mô hình mạng Neuron nhân tạo
Kết luận chương
PHƯƠNG PHÁP NGHIÊN CỨU
KẾT QUẢ NGHIÊN CỨU
Đánh giá rủi ro tiến độ thi công khi ước lượng cho các dự án xây dựng cầu đường bộ
CHƯƠNG 5: KẾT LUẬN VÀ KHUYẾN NGHỊ 5.1 Kết luận
TÀI LIỆU THAM KHẢO PHỤ LỤC
Chương 2: Tổng quan GVHD: TS Lê Hoài Long
CHƯƠNG 2: TỔNG QUAN 2.1 Tóm tắt chương 2
Hình 2.1: Sơ đồ tóm tắt chương 2
2.2 Các khái niệm và định nghĩa
2.2.1 Khái niệm mạng neuro nhân tạo (ANN) 2.2.2 Kỹ thuật Bootrap
2.3 Các nghiên cứu trước đó đã được công bố
2.3.1 Các nghiên cứu nước ngoài
2.3.2 Các nghiên cứu trong nước
2.4.1 Vấn đề tồn tại của các nghiên cứu trước 2.3.2 Vấn đề giải quyết của nghiên cứu
Chương 2: Tổng quan GVHD: TS Lê Hoài Long
2.2 Các khái niệm và định nghĩa
2.2.1 Khái niệm mạng neuron nhân tạo (ANN)
Mạng thần kinh neuron nhân tạo, theo Thuc (2010), là một mô hình toán học được xây dựng dựa trên các mạng neuro sinh học, bao gồm một nhóm các neuron nhân tạo (nút) kết nối với nhau Hệ thống này xử lý thông tin thông qua việc truyền tải qua các kết nối và cập nhật giá trị tại các nút Đặc biệt, mạng neuron nhân tạo có khả năng thích ứng, tự động điều chỉnh cấu trúc của mình dựa trên thông tin bên ngoài hoặc bên trong trong quá trình học.
Hình 2.2: Mô hình neuron nhân tạo điển hình (Nguồn Young II và ctg,
Nhiều mạng neuron được sử dụng như các công cụ mô hình hóa dữ liệu thống kê phi tuyến, giúp mô hình hóa các mối quan hệ phức tạp giữa dữ liệu đầu vào và kết quả Chúng cũng có khả năng tìm kiếm các dạng và mẫu trong dữ liệu.
Chương 2: Tổng quan GVHD: TS Lê Hoài Long
Efron (1979) giới thiệu Bootstrap, một kỹ thuật lấy mẫu có hoàn lại nhằm ước lượng phân bố của các số liệu thống kê dựa trên các quan sát độc lập Kỹ thuật này cho phép mỗi mẫu được lấy ra sẽ được trả lại bộ dữ liệu sau khi lấy mẫu, tạo điều kiện cho việc phân tích và đánh giá chính xác hơn.
2.3 Các nghiên cứu trước đó đã được công bố
2.3.1 Các nghiên cứu nước ngoài
Attalla và Hegazy (2003) đã trình bày một mô hình dự đoán độ lệch chi phí trong các dự án tái thiết xây dựng có rủi ro cao Nghiên cứu tập trung vào việc ước lượng tổng chi phí cho công trình xây dựng, so sánh hiệu quả giữa mô hình hồi quy tuyến tính và mô hình mạng neuron.
+ Mô hình hồi quy: Tác giả đã sử dụng 5 biến đầu vào
+ Mô hình ANN: Tác giả sử dụng 18 biến đầu vào
Kết quả đạt được: ớc lượng bằng mạng neuron 41 biến đầu vào với biến đầu ra là chi phí trên m2 cho kết quả tốt hơn
Emsley (2002) đã phát triển một mô hình mạng neuron dựa trên dữ liệu từ gần 300 dự án xây dựng, thu thập thông tin về chi phí qua nhiều phương pháp khác nhau Ông sử dụng mô hình hồi quy và mạng neuron để phân tích dữ liệu, và kết quả cho thấy mạng neuron có khả năng dự đoán tốt hơn so với hồi quy tuyến tính.
Gunaydin (2004) đã nghiên cứu tính ứng dụng của mạng neuron trong việc giải quyết vấn đề chi phí cho giai đoạn thiết kế sơ bộ các công trình bê tông cốt thép từ 4 đến 8 tầng tại Thổ Nhĩ Kỳ, với dữ liệu chi phí thiết kế được thu thập từ 30 dự án Mạng neuron có khả năng xử lý mối quan hệ phi tuyến, mang lại kết quả đáng tin cậy hơn Mô hình ANN được sử dụng để ước lượng chi phí phần thô của công trình, đạt độ chính xác trung bình 93% và sai số bình phương trung bình (MSE) là 3,8%, cho thấy hiệu quả của phương pháp này.
Chương 2: Tổng quan GVHD: TS Lê Hoài Long
Sự phân bố của các thông số sức kháng cắt ảnh hưởng lớn đến độ tin cậy độ dốc, với kỹ thuật Bootstrap, chỉ số này được thể hiện qua khoảng tin cậy thay vì một giá trị cố định Khoảng tin cậy tăng lên khi hệ số an toàn độ dốc tăng Các yếu tố không chắc chắn như điều tra không đầy đủ, sai số đo lường và biến cố của đất cũng đóng vai trò quan trọng Nghiên cứu trước đây chỉ ra rằng bất ổn trong thông số đất có thể ảnh hưởng đáng kể đến khả năng thất bại trong quá trình đào đất.
Cầu là một cấu trúc giao thông quan trọng, và việc quản lý rủi ro trong các dự án xây dựng cầu là cần thiết để đảm bảo hiệu quả về thời gian, ngân sách và chất lượng Kỹ thuật Bootstrap lấy mẫu có hoàn lại được sử dụng để phân tích rủi ro, cung cấp kết quả xác suất đáng tin cậy hơn Do tính phức tạp và sự không chắc chắn trong quyết định tại các dự án cầu, kỹ thuật này giúp đưa ra các giá trị khoảng, hỗ trợ quyết định trong quá trình thi công Mục tiêu là giảm sai lệch chuẩn cho xác suất rủi ro và tác động nguy cơ so với các phương pháp truyền thống Bài báo này áp dụng cho một trường hợp nghiên cứu tại Iran.
Mousavi và Aminian (2009) đã chỉ ra rằng kỹ thuật Bootstrap phi tham số là một công cụ mạnh mẽ trong quản lý rủi ro, đặc biệt khi các kỹ thuật thống kê thông thường không thể giải quyết các vấn đề phức tạp Kỹ thuật này giúp đánh giá độ chính xác của các ước lượng tham số, đặc biệt hữu ích trong trường hợp kích thước dữ liệu nhỏ Lợi ích chính của Bootstrap là khả năng cung cấp ước lượng chính xác, bất chấp sự phức tạp trong xử lý dữ liệu Nghiên cứu này chứng minh rằng kỹ thuật Bootstrap rất phù hợp cho việc ước lượng rủi ro.
Chương 2: Tổng quan GVHD: TS Lê Hoài Long hợp của phân tích hồi quy và kỹ thuật Bootstrap được sử dụng để phát triển ước tính chi phí xây dựng Kỹ thuật Bootstrap bao gồm lợi thế của phương pháp ước lượng xác suất và thông số, đồng thời nó đòi hỏi giả định ít hơn so với các kỹ thuật thống kê cổ điển
Mạng neuron là công cụ mạnh mẽ để mô hình hóa mối quan hệ phức tạp giữa các yếu tố và chi phí Kỹ thuật Bootstrap được áp dụng để ước lượng chi phí dự đoán và thiết lập mức độ không chắc chắn cho các thông số ước tính Ba mạng neuron với số lượng đơn vị lớp ẩn khác nhau được huấn luyện nhằm xác định số lượng tối ưu cho mô hình Kỹ thuật này cũng giúp cải thiện hiệu suất dự đoán của mạng neuron trong trường hợp dữ liệu thưa thớt Kết quả là một hàm phân phối xác suất thực nghiệm cho từng thành phần chi phí, được tạo ra từ các ước tính chi phí dựa trên 1000 mẫu Bootstrap.
Aasadullah Attal (2010) đã phát triển Mạng nơ-ron nhân tạo (ANNs) nhằm tạo ra một mô hình đáng tin cậy để dự đoán chi phí xây dựng cho thiết kế đường cao tốc ban đầu Các biến độc lập và phụ thuộc được xác định rõ ràng trong mô hình, và quá trình tính toán dựa trên ANNs giúp nâng cao độ chính xác của dự đoán.
Mô hình mạng thần kinh, như được trình bày bởi Petruseva S., Zujo V., và Zileska – Pancovska V (2013), đã được áp dụng để dự đoán thời gian hoàn thành dự án xây dựng tại Liên bang Bosnia và Herzegovina, với dữ liệu thu thập từ 75 tòa nhà Trong suốt 20 năm qua, mạng neuron nhân tạo (ANN) đã chứng minh là một công cụ tính toán mạnh mẽ và linh hoạt, có khả năng giải quyết nhiều vấn đề kỹ thuật khác nhau Nhiều ứng dụng của ANN cho thấy hiệu quả vượt trội so với các phương pháp truyền thống, đặc biệt trong việc xử lý dữ liệu phi tuyến, cho thấy tính hữu ích của nó trong các lĩnh vực kỹ thuật.
Chương 2: Tổng quan GVHD: TS Lê Hoài Long hoặc phân loại, nơi phương pháp phân tích thông thường rất khó để theo đuổi, hoặc hiển thị hiệu suất kém hơn
Zhang YF và Fuh JYH (1998) đã phát triển và thử nghiệm một mô hình ước lượng chi phí cho hệ thống kết cấu của tòa nhà xương bê tông cốt thép trong giai đoạn thiết kế ban đầu bằng cách áp dụng mạng neuron nhân tạo (ANN) Dữ liệu mẫu cho các dự toán chi phí và phân tích chi phí xây dựng được thu thập từ Thổ Nhĩ Kỳ Mô hình ANN được thiết kế nhằm cung cấp dự toán chi phí cho các tòa nhà có chiều cao từ 4 đến 8 tầng trong giai đoạn thiết kế ban đầu.
2.3.2 Các nghiên cứu trong nước
