Nghiên cứu áp dụng thuật toán trí tuệ nhân tạo để ước lượng rác thải xây dựng ở TP Hồ Chí Minh

Luận văn thạc sĩ kỹ thuật phân tích quản lý xây dựng áp dụng thuật toán trí tuệ nhân tạo ai để ước lượng rác thải xây dựng trong các, đánh giá thực trạng, chỉ ra hạn chế, đề xuất

• Tác giả: Phạm Thanh Thùy
• Người hướng dẫn: PGS. Phạm Vũ Hồng Sơn
• Trường học: Đại học Bách Khoa - ĐHQG TP.HCM
• Chuyên ngành: Quản lý xây dựng
• Đề tài: Áp Dụng AI Trong Ước Lượng Rác Thải Xây Dựng Tại TP Hồ Chí Minh
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: TP. HỒ CHÍ MINH

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN THẠC SĨ
• LỜI CAM ĐOAN
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG
• DANH MỤC BIỂU ĐỒ
• DANH MỤC CÁC TỪ VIẾT TẮT
• 1. CHƯƠNG 1: MỞ ĐẦU
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Phạm vi nghiên cứu
• 1.4. Ý nghĩa về mặt khoa học và về thực tiễn ứng dụng của đề tài
• 1.4.1. Về mặt khoa học
• 1.4.2. Về mặt thực tiễn ứng dụng
• 1.5. Cấu trúc luận văn
• 2. CHƯƠNG 2: TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU
• 2.1. Một số nghiên cứu trước đây
• 2.1.1. Các nghiên cứu nước ngoài
• 2.1.2. Các nghiên cứu trong nước
• 2.2. Các kỹ thuật trí tuệ nhân tạo (AI) dùng trong mô hình ước lượng rác thải xây dựng trong các công trình dân dụng
• 2.2.1. Các mô hình phân tích hồi quy độc lập
• 2.2.2. Các mô hình kết hợp
• 2.2.3. Mô hình mạng thần kinh nhân tạo
• 2.3. Môi trường ảo thực thi máy học
• 2.4. Kết luận về vấn đề nghiên cứu
• 3. CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU
• 4. CHƯƠNG 4: HUẤN LUYỆN MÔ HÌNH ƯỚC LƯỢNG VÀ ĐƯA RA NHẬN XÉT VỀ MÔ HÌNH
• 4.1. Các trường hợp nghiên cứu
• 4.1.1. Bài toán thực tế 1
• 4.1.2. Bài toán thực tế 2
• 4.2. Nhận xét về mô hình máy học đối với ước lượng rác thải xây dựng trong công trình dân dụng
• 4.3. Xây dựng công cụ ước lượng rác thải xây dựng trong các công trình dân dụng tại thành phố Hồ Chí Minh
• KẾT LUẬN VÀ HƯỚNG NGHIÊN CỨU TRONG TƯƠNG LAI
• Hướng nghiên cứu trong tương lai
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về tình hình rác thải xây dựng tại TP Hồ Chí Minh

Tình hình rác thải xây dựng tại TP Hồ Chí Minh đang trở thành một vấn đề đáng lo ngại trong bối cảnh đô thị hóa nhanh chóng. Theo thống kê, lượng rác thải xây dựng phát sinh hàng năm chiếm khoảng 10-12% tổng lượng chất thải rắn đô thị. Thành phố với tốc độ phát triển xây dựng cao, đặc biệt là các công trình dân dụng, đã tạo ra một khối lượng lớn rác thải. Việc quản lý rác thải này gặp nhiều khó khăn do thiếu các giải pháp công nghệ hiệu quả. Do đó, áp dụng AI trong ước lượng rác thải trở thành một giải pháp tiềm năng nhằm cải thiện hiệu quả quản lý và xử lý rác thải. Việc sử dụng công nghệ AI không chỉ giúp ước lượng chính xác khối lượng rác thải mà còn tối ưu hóa quy trình xử lý, từ đó giảm thiểu tác động tiêu cực đến môi trường.

II. Công nghệ AI trong quản lý rác thải xây dựng

Công nghệ AI đang ngày càng được ứng dụng rộng rãi trong nhiều lĩnh vực, trong đó có quản lý rác thải xây dựng. Sử dụng công nghệ AI để ước lượng rác thải giúp cải thiện độ chính xác và hiệu quả trong việc dự đoán khối lượng rác thải phát sinh từ các dự án xây dựng. Các mô hình máy học như KNN, LR, và MLP đã được nghiên cứu và áp dụng để phân tích dữ liệu liên quan đến rác thải. Những mô hình này giúp nhận diện các yếu tố ảnh hưởng đến khối lượng rác thải, từ đó cung cấp những ước lượng chính xác hơn. Việc áp dụng AI không chỉ giúp tiết kiệm thời gian mà còn giảm thiểu chi phí cho các nhà thầu và cơ quan quản lý nhà nước trong việc lập kế hoạch xử lý rác thải.

III. Phân tích dữ liệu rác thải xây dựng

Phân tích dữ liệu là một phần quan trọng trong việc quản lý rác thải xây dựng. Các dữ liệu được thu thập từ các dự án xây dựng trước đó, bao gồm thông tin về số tầng, diện tích xây dựng và diện tích đất, được sử dụng làm đầu vào cho các mô hình máy học. Việc phân tích dữ liệu rác thải không chỉ giúp xác định khối lượng rác thải phát sinh mà còn cung cấp thông tin về thành phần và nguồn gốc của rác thải. Các nghiên cứu trước đây đã chỉ ra rằng việc áp dụng các mô hình máy học có thể giúp cải thiện đáng kể độ chính xác trong ước lượng khối lượng rác thải. Điều này không chỉ giúp các nhà thầu có kế hoạch tốt hơn mà còn hỗ trợ các cơ quan quản lý trong việc đưa ra các chính sách hợp lý về xử lý rác thải.

IV. Giải pháp và triển khai mô hình AI

Việc triển khai mô hình AI trong ước lượng rác thải xây dựng tại TP Hồ Chí Minh cần có sự kết hợp chặt chẽ giữa các cơ quan quản lý và các nhà thầu. Các giải pháp công nghệ cần được thiết lập để thu thập dữ liệu một cách hiệu quả và chính xác. Mô hình KNN đã cho thấy hiệu quả cao nhất trong việc ước lượng rác thải với tỉ lệ lỗi tuyệt đối trung bình (MAER) là 10.8286 và hệ số tương quan (R2) ấn tượng. Điều này cho thấy rằng việc áp dụng mô hình này có thể mang lại lợi ích lớn trong việc quản lý rác thải xây dựng. Hơn nữa, việc xây dựng một hệ thống quản lý rác thải thông minh dựa trên AI sẽ hỗ trợ các nhà thầu trong việc lập kế hoạch và dự báo chính xác hơn về khối lượng rác thải phát sinh.

V. Kết luận và khuyến nghị

Từ những phân tích trên, có thể thấy rằng việc áp dụng AI trong ước lượng rác thải xây dựng tại TP Hồ Chí Minh không chỉ là một giải pháp khả thi mà còn cần thiết để cải thiện hiệu quả quản lý rác thải. Các mô hình máy học đã chứng minh được khả năng ước lượng chính xác, góp phần giảm thiểu rủi ro và chi phí cho các nhà thầu. Để đạt được hiệu quả cao nhất, cần có sự phối hợp chặt chẽ giữa các bên liên quan trong việc triển khai và ứng dụng công nghệ AI. Các cơ quan quản lý cũng cần có chính sách hỗ trợ và khuyến khích việc sử dụng công nghệ trong quản lý rác thải, từ đó hướng đến một môi trường sống sạch đẹp và bền vững hơn cho TP Hồ Chí Minh.

Nội dung chính

Tổng quan nghiên cứu

Sự bùng nổ của các hoạt động kinh tế và quá trình đô thị hóa nhanh chóng đang tạo ra áp lực khổng lồ lên hệ thống quản lý môi trường toàn cầu. Theo các thống kê môi trường, toàn thế giới phát sinh khoảng 2,01 tỷ tấn chất thải rắn mỗi năm và con số này được dự báo sẽ chạm mốc 3,4 tỷ tấn vào năm 2050. Trong cơ cấu phát thải, rác thải từ hoạt động xây dựng và phá dỡ công trình chiếm tỷ trọng đặc biệt lớn, điển hình như tại Liên minh Châu Âu chiếm 36%, tại Hoa Kỳ chiếm 60% và tại Trung Quốc chiếm từ 30% đến 40% tổng lượng chất thải rắn. Tại Việt Nam, các đô thị ghi nhận lượng chất thải rắn phát sinh trung bình khoảng 60.000 tấn mỗi ngày, trong đó phế thải xây dựng tại các đô thị đặc biệt như Thành phố Hồ Chí Minh và Hà Nội chiếm tỷ lệ lên đến 25%. Riêng tại Thành phố Hồ Chí Minh, lượng rác thải xây dựng được thu gom chính thức đạt khoảng 1.800 tấn mỗi ngày, chưa kể khối lượng lớn bị đổ thải bừa bãi chưa được kiểm soát.

Vấn đề cốt lõi đặt ra là phương pháp ước tính truyền thống dựa trên bảng bóc tách khối lượng vật liệu thường có sai lệch rất lớn, khi thực tế lượng phế thải phát sinh sau phá dỡ thường cao gấp 15 đến 20 lần so với dự toán ban đầu. Điều này dẫn đến tình trạng quá tải hạ tầng xử lý, phát sinh chi phí đột biến và gây ô nhiễm môi trường nghiêm trọng. Nhằm giải quyết triệt để bất cập này, luận văn thạc sĩ chuyên ngành Quản lý Xây dựng với đề tài áp dụng thuật toán trí tuệ nhân tạo để ước lượng rác thải xây dựng trong các công trình dân dụng ở Thành phố Hồ Chí Minh của tác giả Phạm Thanh Thùy đã được thực hiện. Mục tiêu trọng tâm của nghiên cứu là xây dựng công cụ máy học có khả năng dự báo chính xác khối lượng rác thải xây dựng và chi phí xử lý ngay từ giai đoạn tiền khả thi dựa trên các đặc tính hình học cơ bản của công trình. Phạm vi nghiên cứu tập trung vào các công trình dân dụng trên địa bàn Thành phố Hồ Chí Minh, góp phần hỗ trợ cơ quan quản lý nhà nước hoạch định vùng xử lý chất thải và giúp doanh nghiệp xây dựng tối ưu hóa chi phí đầu tư.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng lý thuyết học máy có giám sát thuộc lĩnh vực trí tuệ nhân tạo, giải quyết bài toán hồi quy nhằm xác định mối tương quan phi tuyến giữa các đặc trưng đầu vào của công trình và khối lượng rác thải phát sinh. Dựa trên định lý No Free Lunch do David Wolpert và William Macready công bố năm 1997, không có một mô hình thuật toán đơn lẻ nào tối ưu tuyệt đối cho mọi tập dữ liệu thực tế. Do đó, tác giả đã thiết lập hệ thống thử nghiệm và so sánh toàn diện giữa 8 mô hình máy học thuộc ba nhóm thuật toán chủ đạo.

Nhóm mô hình hồi quy độc lập bao gồm Hồi quy tuyến tính, Hồi quy Lasso áp dụng kỹ thuật chính quy hóa chuẩn L1 để triệt tiêu các trọng số biến dư thừa, Hồi quy vectơ hỗ trợ ứng dụng nguyên lý tối đa hóa vùng biên an toàn, Hồi quy cây quyết định phân chia không gian dữ liệu nhị phân, và thuật toán K-lân cận gần nhất dựa trên việc đo lường khoảng cách hình học Euclidean trong không gian đa chiều.

Nhóm mô hình kết hợp khai thác sức mạnh của thuật toán Rừng ngẫu nhiên theo phương chế tính trung bình các cây quyết định để giảm phương sai, cùng thuật toán Tăng cường Gradient tuần tự điều chỉnh trọng số nhằm giảm thiểu độ chệch.

Nhóm mô hình mạng thần kinh nhân tạo ứng dụng cấu trúc mạng nơ-ron nhiều tầng truyền thẳng có các lớp ẩn phi tuyến để mô phỏng khả năng học sâu của não bộ. Hệ thống biến đầu vào quan trọng được lựa chọn bao gồm số tầng công trình, tổng diện tích sàn xây dựng, diện tích khuôn viên đất và vị trí xây dựng.

Phương pháp nghiên cứu

Quy trình nghiên cứu khoa học được tiến hành chuẩn mực qua 5 giai đoạn liên hoàn: thu thập dữ liệu lịch sử phá dỡ thực tế, làm sạch và chuẩn hóa dữ liệu, huấn luyện các thuật toán máy học, đánh giá chéo hiệu năng mô hình, và xây dựng công cụ ứng dụng thực tế.

Về nguồn dữ liệu, nghiên cứu tiến hành thu thập và tổng hợp dữ liệu thực nghiệm từ các dự án phá dỡ công trình dân dụng trên địa bàn các quận, huyện thuộc Thành phố Hồ Chí Minh, kết hợp đối sánh với cơ sở dữ liệu lịch sử đã được công bố từ các nghiên cứu tiền nhiệm trong và ngoài nước. Cỡ mẫu nghiên cứu được sàng lọc kỹ lưỡng, áp dụng phương pháp chọn mẫu phân tầng có chủ đích nhằm đại diện đầy đủ cho các quy mô công trình từ nhà ở thấp tầng đến các khối nhà dân dụng nhiều tầng phổ biến tại đô thị.

Toàn bộ thuật toán được lập trình và thực thi thông qua ngôn ngữ Python trên nền tảng điện toán đám mây Google Colaboratory, sử dụng các thư viện tính toán khoa học chuyên sâu như Scikit-learn, Pandas và Numpy. Để đo lường và đánh giá hiệu quả dự báo một cách khách quan, nghiên cứu áp dụng hai chỉ số thống kê tiêu chuẩn bao gồm Tỷ lệ lỗi tuyệt đối trung bình và Hệ số xác định. Việc lựa chọn các chỉ số này cho phép đánh giá chính xác cả mức độ sai số tương đối trên từng công trình lẫn khả năng giải thích phương sai tổng thể của mô hình đối với dữ liệu thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực thi và kiểm thử đồng thời 8 mô hình học máy trên tập dữ liệu thực tế tại Thành phố Hồ Chí Minh đã đem lại những phát hiện quan trọng về mặt định lượng và thuật toán:

• Thuật toán K-lân cận gần nhất chứng minh sự vượt trội toàn diện so với các phương pháp còn lại, đạt tỷ lệ lỗi tuyệt đối trung bình ở mức thấp kỷ lục là 10.8286% và hệ số xác định đạt mức tiệm cận tối ưu, mang lại độ tin cậy vượt bậc trong việc dự báo khối lượng phế thải xây dựng.
• Các mô hình kết hợp như Rừng ngẫu nhiên và Tăng cường Gradient cùng mô hình mạng nơ-ron nhiều tầng tuy có khả năng mô hình hóa quan hệ phi tuyến mạnh mẽ nhưng lại có độ nhạy cao với kích thước mẫu, đạt mức sai số lớn hơn so với K-lân cận gần nhất trong bài toán dữ liệu xây dựng dân dụng thực tế.
• Các mô hình hồi quy tuyến tính cổ điển và Hồi quy Lasso cho thấy sai số dự báo tương đối lớn do không thể thích ứng hoàn toàn với các biến động phức tạp và tính phi tuyến của dữ liệu phế thải công trình.
• Phân tích thực nghiệm về cơ cấu rác thải xây dựng tại Việt Nam xác định rõ các thành phần chiếm tỷ trọng áp đảo: đất, cát, sỏi chiếm 36%; gạch và khối xây chiếm 31%; bê tông chiếm 23%; trong khi kim loại chiếm 5%, nhựa chiếm 2%, gỗ chiếm 1% và các tạp chất khác chiếm 2%.

Thảo luận kết quả

Hiệu năng tối ưu của mô hình K-lân cận gần nhất bắt nguồn từ đặc thù không gian quy hoạch kiến trúc của các công trình dân dụng tại Thành phố Hồ Chí Minh. Các công trình xây dựng trong cùng một phân khúc đô thị thường có mối tương đồng chặt chẽ về mật độ xây dựng, hệ số sử dụng đất, số tầng và kết cấu chịu lực bê tông cốt thép. Thuật toán K-lân cận gần nhất thông qua việc tính toán khoảng cách hình học đa chiều đã tìm kiếm hiệu quả các công trình tương đồng nhất trong lịch sử để đưa ra dự báo mà không bị ảnh hưởng bởi giả định tuyến tính gò bó.

Khi so sánh với các nghiên cứu quốc tế của các tác giả tại Hàn Quốc, Trung Quốc và Tây Ban Nha, việc áp dụng trí tuệ nhân tạo luôn cho kết quả vượt trội hơn so với phương pháp thống kê mô tả truyền thống. Tuy nhiên, thay vì sử dụng các mạng nơ-ron phức tạp đòi hỏi tài nguyên tính toán lớn, việc tối ưu hóa mô hình K-lân cận gần nhất trong nghiên cứu này mang lại giải pháp gọn nhẹ, trực quan và dễ dàng triển khai trên thực tế. Dữ liệu khi được trực quan hóa trên đồ thị ma trận tương quan cho thấy tổng diện tích sàn và số tầng là hai biến số có tương quan thuận mạnh nhất với khối lượng phế thải phát sinh. Kết quả này giúp xóa bỏ hoàn toàn sai lệch từ 15 đến 20 lần của phương pháp bóc tách thủ công, tạo tiền đề vững chắc cho việc dự toán kinh phí phá dỡ và xử lý môi trường.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, bốn nhóm giải pháp hành động cụ thể được đề xuất nhằm nâng cao hiệu quả quản lý rác thải xây dựng tại đô thị:

1. Tích hợp thuật toán K-lân cận gần nhất vào hệ thống dịch vụ công trực tuyến của Sở Xây dựng và Sở Tài nguyên và Môi trường Thành phố Hồ Chí Minh, hướng tới mục tiêu tự động hóa 100% công tác ước lượng rác thải phá dỡ khi xét duyệt hồ sơ cấp phép xây dựng trước năm 2025.
2. Xây dựng và chuẩn hóa cơ sở dữ liệu số về rác thải xây dựng đô thị định kỳ hàng quý, giao Ủy ban nhân dân các quận, huyện phối hợp cùng các đơn vị thu gom cập nhật liên tục thông số phá dỡ thực tế, nhằm tinh chỉnh mô hình và kiểm soát sai số dự báo dưới 8%.
3. Áp dụng quy chuẩn định mức chi phí xử lý chất thải xây dựng dựa trên công cụ trí tuệ nhân tạo vào hồ sơ mời thầu của các nhà thầu thi công trong vòng 6 tháng tới, giúp các doanh nghiệp kiểm soát chặt chẽ ngân sách và hạn chế thất thoát tài chính dự án.
4. Hoàn thiện quy hoạch mạng lưới các trạm trung chuyển và nhà máy tái chế phế thải xây dựng phân vùng theo dữ liệu dự báo mật độ phát thải, thực hiện mục tiêu tái chế ít nhất 50% chất thải xây dựng rắn theo định hướng đô thị thông minh bền vững của Quyết định số 950/QĐ-TTg trước năm 2030.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả của luận văn mang lại giá trị ứng dụng thiết thực cho bốn nhóm đối tượng chính:

1. Cơ quan quản lý nhà nước về đô thị và môi trường: Các chuyên viên tại Sở Xây dựng, Sở Tài nguyên và Môi trường có thể ứng dụng mô hình để đánh giá nhanh khối lượng phát thải rác xây dựng theo từng khu vực, từ đó xây dựng chính sách quản lý, định mức kinh tế kỹ thuật và quy hoạch vị trí bãi xử lý rác hợp lý.
2. Ban quản lý dự án và các nhà thầu xây dựng: Các kỹ sư định giá và quản lý thi công sử dụng công cụ AI để dự toán chính xác khối lượng phế thải phá dỡ, lập dự toán chi phí môi trường chuẩn xác và xây dựng giá dự thầu cạnh tranh nhằm tối đa hóa tỷ lệ trúng thầu.
3. Doanh nghiệp đầu tư xử lý và tái chế chất thải: Các nhà đầu tư hạ tầng môi trường có cơ sở dữ liệu khoa học để đánh giá dung lượng thị trường nguyên liệu tái chế, tính toán quy mô công suất dây chuyền và lựa chọn địa điểm đặt nhà máy tái chế tối ưu.
4. Giảng viên, nhà nghiên cứu và học viên sau đại học: Luận văn là tài liệu tham khảo học thuật giá trị trong việc ứng dụng khoa học dữ liệu, ngôn ngữ Python và các thuật toán máy học vào giải quyết bài toán thực tế của ngành Quản lý Xây dựng.

Câu hỏi thường gặp

1. Tại sao phương pháp bóc tách khối lượng vật liệu truyền thống lại có sai số dự báo phế thải rất lớn? Phương pháp truyền thống chỉ tính toán trên bản vẽ lý thuyết mà không phản ánh được quá trình vỡ vụn, trương nở thể tích của gạch, vữa, bê tông và lượng tạp chất đất cát lẫn vào trong quá trình phá dỡ thực tế. Do đó, khối lượng phế thải ghi nhận tại hiện trường thường gấp 15 đến 20 lần so với dự đoán trên hóa đơn vật tư ban đầu.

2. Thuật toán K-lân cận gần nhất có ưu thế gì vượt trội so với mạng nơ-ron nhân tạo trong nghiên cứu này? Mô hình K-lân cận gần nhất đạt tỷ lệ lỗi tuyệt đối trung bình thấp nhất ở mức 10.8286% nhờ khả năng phân cụm hình học chính xác trên dữ liệu công trình dân dụng TP.HCM. Thuật toán này không đòi hỏi cấu hình siêu tham số phức tạp, tránh được hiện tượng quá khớp và cho kết quả ổn định hơn mạng nơ-ron nhiều tầng trên cỡ mẫu thực nghiệm vừa và nhỏ.

3. Những thông số công trình nào đóng vai trò quan trọng nhất trong việc ước lượng khối lượng rác thải? Tổng diện tích sàn xây dựng, diện tích khu đất và số tầng là ba thông số đầu vào quan trọng nhất. Các phân tích tương quan thống kê chứng minh đây là các biến số mang tính quyết định đến tổng khối lượng kết cấu bê tông, khối xây và đất thải phát sinh sau khi công trình bị phá dỡ hoàn toàn.

4. Khung pháp lý hiện hành nào tại Việt Nam quy định bắt buộc về quản lý rác thải xây dựng? Hoạt động quản lý rác thải xây dựng được quy định rõ tại Nghị định số 38/2015/NĐ-CP của Chính phủ, Thông tư số 08/2017/TT-BXD của Bộ Xây dựng và Luật Xây dựng năm 2014, yêu cầu chủ nguồn thải và nhà thầu phải có phương án phân loại, thu gom, vận chuyển và chuyển giao phế phẩm xây dựng đến cơ sở xử lý hợp pháp được cấp phép.

5. Công cụ ước lượng bằng trí tuệ nhân tạo trong luận văn có thể mở rộng cho các loại hình công trình khác không? Mô hình hoàn toàn có khả năng mở rộng cho công trình công nghiệp, công trình hạ tầng giao thông hoặc thủy lợi. Điều kiện tiên quyết là cần bổ sung tập dữ liệu huấn luyện đặc thù tương ứng với các chỉ tiêu định mức kết cấu thép, bê tông khối lớn và biện pháp thi công của từng loại hình công trình cụ thể.

Kết luận

• Luận văn đã ứng dụng thành công các thuật toán trí tuệ nhân tạo hiện đại để giải quyết bài toán ước lượng khối lượng rác thải xây dựng trong các công trình dân dụng tại Thành phố Hồ Chí Minh.
• Nghiên cứu chứng minh mô hình K-lân cận gần nhất là thuật toán tối ưu nhất với tỷ lệ lỗi tuyệt đối trung bình đạt 10.8286%, vượt trội so với các thuật toán hồi quy tuyến tính, mạng nơ-ron và mô hình kết hợp.
• Đề tài đóng góp phương pháp luận khoa học mới cho ngành Quản lý Xây dựng, kết nối hiệu quả giữa công nghệ máy học với công tác bảo vệ môi trường và chuyển đổi số theo định hướng phát triển đô thị thông minh.
• Kết quả nghiên cứu cung cấp công cụ định lượng hỗ trợ các nhà thầu và cơ quan nhà nước kiểm soát chính xác chi phí xử lý phế phẩm phá dỡ, tránh thâm hụt ngân sách dự án.
• Hướng phát triển tiếp theo trong giai đoạn 2024–2026 là mở rộng quy mô thu thập dữ liệu trên phạm vi toàn quốc và tích hợp mô hình thành phần mềm ứng dụng di động phục vụ trực tiếp tại công trường. Các đơn vị quản lý và doanh nghiệp xây dựng cần nhanh chóng ứng dụng giải pháp công nghệ này để nâng cao năng lực quản trị dự án và thúc đẩy phát triển xây dựng xanh bền vững.

Trích đoạn nội dung tài liệu

Đặt vấn đề Ngày nay xã hội ngày càng phát triển về nhiều mặt, các hoạt động về khoa học công nghệ, khoa học máy tính diễn ra nhanh chóng, cùng hòa nhịp độ của sự phát triển ấy của xã hội, thì các ngành công nghiệp, dịch vụ trên toàn thế giới cũng phát triển không hề thua kém, nhưng đằng sau sự phát triển về văn hóa, kinh tế và đời sống thì môi trường phải gánh thêm nhiều tác nhân gây ô nhiễm, một trong số đó chính là rác thải. Theo số liệu thống kê và dự đoán trong trong được đưa ra vào năm 2016 đã thế giới có 2,01 tỷ tấn chất thải rắn được sinh ra, và chưa dừng lại ở đó tỉ lệ này tăng lên 3,4 tỷ tấn vào khoảng những năm 2050[1], được thể hiện ở (Hình 1. Khối lượng thải ra rất lớn, nếu không có chiến lược quản lý sẽ làm ảnh hưởng tác động xấu môi trường làm nguồn nước và ô nhiễm, chất lượng không khí bị giảm ở mức thấp cũng như môi trường đất bị phá hủy, mang lại nhiều hệ lụy về bệnh tật và đã có hơn 40 triệu ca bệnh có các vấn đề do ảnh hưởng của rác thải và 5 triệu người chết mỗi năm, gây suy giảm và kìm hãm sự đi sự phát triển kinh tế.1 Khối lượng rác thải trên toàn thế giới .Nguồn:[1] HVTH: Phạm Thanh Thùy - 1970733 GVHD1: PGS.TS Phạm Vũ Hồng Sơn GVHD2: TS Lê Hoài Long 2 LUẬN VĂN THẠC SĨ NGÀNH QUẢN LÝ XÂY DỰNG Trên toàn thế giới, chỉ có gần 40% tổng khối lượng được phát thải ra được đưa đi đến địa điểm bãi xử lý rác tập trung bằng hình thức chôn lấp tập trung, có khoảng 19% được thu hồi vật liệu thông qua tái sử dụng và chỉ có 11% được xử lý bằng cách đốt, số rác còn lại khoảng 33% vẫn chưa được xử lý và đổ bừa bãi ra ngoài môi trường[1]. Việc thu gom rác thải phụ thuộc vào sự nghiêm khác về môi trường cũng như chính sách riêng cho mỗi từng quốc gia, nhưng đa số khác biệt của việc thu gom tập trung rác giữa vùng ở nông thôn và vùng ở đô thị, điển hình như khu vực Thái Bình Dương trung bình có khoảng 71% rác thải được thu gom, trong số đó khoảng 77% rác ở các khu vực đô thị, ở vùng nông thôn thì con số này là 45% [1].

Ngành xây dựng không nằm ngoài sự sôi động của phát triển của những ngành công nghiệp chủ đạo khác, ngành xây dựng những đóng góp đáng kể về sự tăng trưởng và phát triển kinh tế, tốc độ phát triển tăng trưởng của ngành xây dựng ngày còn cao, hàng năm rác thải xây dựng phát sinh và được tạo ra lên đến hàng triệu tấn trên toàn thế giới. Mọi hoạt động của việc xây dựng mới hay của việc phá dỡ tạo ra dòng chất thải lớn nhất trên mọi quốc gia trên toàn thế giới, còn số này chiếm 36% tổng lượng các loại chất thải rắn ở Châu Âu, và có đến 60% chất thải rắn do các hoạt động xây dựng được tạo ra ở Hoa Kỳ, con số tỷ 30%–40% chất thải rắn sinh ra tại Trung Quốc[2]. Với mức tỷ lệ tái chế, tái sử dụng lại còn thấp dẫn sự lãng phí về các nguồn vật liệu như cát, đá, gỗ. dẫn đến làm tăng các nguồn khai thác nguồn vật liệu xây dựng làm cho môi trường ngày còn bị ảnh hưởng.

Tại Châu Âu (EU) vào năm 2016 đã đưa ra nhiều luật lệ về một số công tác trong việc quản lý rác thải của ngành công nghiệp xây dựng cho 28 quốc gia ở trung khu vực mục tiêu hướng đến tỷ lệ là 70% rác thải xây dựng được tái chế sử dụng lại trong tổng số lượng rác thải xây dựng[2]. Ở Mỹ, khoảng 136 triệu tấn rác xây dựng được tạo ra trong số đó và chỉ có từ 20% – 30% tổng khối được tái sử dụng, Ở tại nước Anh mỗi năm có khoảng 70 triệu tấn rác xây dựng nhưng cũng chỉ tái chế sử dụng lại chỉ đạt mức từ 10% – 15%[1], còn lại những chất thải được đưa đi đến nơi xử lý hoặc bị vứt bỏ ra môi trường. Tại Việt Nam, theo báo cáo môi trường quốc gia năm 2011[3] về chất thải rắn, và báo cáo hiện trạng môi trường quốc gia năm 2019[4], mỗi ngày trung bình có đến HVTH: Phạm Thanh Thùy - 1970733 GVHD1: PGS.TS Phạm Vũ Hồng Sơn GVHD2: TS Lê Hoài Long 3 LUẬN VĂN THẠC SĨ NGÀNH QUẢN LÝ XÂY DỰNG 60 nghìn tấn rác thải rắn được sản sinh ra ở các đô thị. Trong đó lượng rác thải xây dựng chiếm tỷ lệ 10%-12% lượng các rác thải rắn được sinh ra ở khu vực đô thị, với thành phần của rác thải khác nhau như (Biều đồ 1.

Một số khu đô thị có lượng dân cư đông đúc và phát triển cao về kinh tế điển hình như Hà Nội và Hồ Chí Minh thì số loại chất thải và phế phẩm xây dựng ở mức cao hơn so với các đô thị nhỏ hơn trong cả nước và chiếm đến 25% lượng rác thải rắn sinh ra ở đô thị.Ngoài ra ở tại một số tỉnh khác như tỉnh Bắc Giang, Hải Phòng và An Giang thì khối lượng rác xây dựng tỷ chiếm tỉ lệ thấp hơn là 12% – 13% tổng chất thải rắn ở đô thị. Thành phần chất thải xây dựng 2% 1% 2% 5% 36% 23% 31% Đất, cát, sỏi Gạch và khối xây Bê tông Kim loại Nhựa Gỗ Chất khác Biểu đồ 1.1: Thành phần rác thải xây dựng tại Việt Nam Nguồn: [5] Với lượng rác thải của ngành xây dựng ngày còn tăng theo hằng năm, để quản lý được không phải điều dễ thực hiện. Nhà nước cùng với các đoàn thể có thẩm quyền về quản lý rác thải cũng đưa ra những quy định và một số thông tư để hướng dẫn cho một số việc liên quan đến rác thải, đánh giá rác thải như phế liệu, và các rác thải có tính chất nguy hại đến và ảnh hưởng môi trường, cũng như rác thải rắn sản sinh ra từ HVTH: Phạm Thanh Thùy - 1970733 GVHD1: PGS.TS Phạm Vũ Hồng Sơn GVHD2: TS Lê Hoài Long 4 LUẬN VĂN THẠC SĨ NGÀNH QUẢN LÝ XÂY DỰNG việc sinh hoạt của đời sống hằng ngày cho đến rác thải rắn ở các khu công nghiệp. Đề cử như Nghị định số 38/2015/NĐ-CP[6] và Thông tư 08/2017/TT-BXD[7], có các nội dung được bắt buộc phải thực hiện như nêu rõ như rác thải của ngành xây dựng nếu không tái sử dụng hoặc tái chế bắt buộc phải bằng hình thức thu gom tập kết đến các khu xử lý hợp pháp được cấp phép.

Một những lập luận cho từ các nghiên cứu trước đó đã chứng rằng, việc có kế hoạch không đầy đủ và hoạt động không thường xuyên là những lý do chính khiến đến việc quản lý và kiểm soát nguồn rác thải không có hiệu quả và bị vỡ kế hoạch đề ra [8]. Việc thu thập, quản lý, kiểm soát rác thải xây dựng yếu kém là do nhiều nguyên nhân tạo ra khác nhau chẳng hạn như dân cư quá đông, tổng lượng sản phẩm quốc nội, tốc độ diễn ra quá trình đô thị hóa diễn ra nhanh, và liên quan biện pháp kiểm soát quản lý rác thải xây dựng còn lạc hậu[9]. Công việc kiểm soát và quản lý rác cần nhiều người tham gia rất tốn kém, chi phí dùng cho quá trình quản lý là rất đáng kể. Chi phí cần dùng cho việc thu gom, phân lại và xử lý rác thải có thể là hạng mục phí gây ra thâm hụt ngân sách ở nhiều địa phương, có nơi nó chiếm gần 20% tổng chi phí ngân sách.

Ở những nước có thu nhập bình quân đầu người thấp hoặc ở mức trung bình thì chi phí ngân sách bị chiếm hơn 10% cho các việc xử lý rác, và có số này chiếm 4% ngân sách ở các nước có mức thu nhập bình quân đầu người cao hơn[1]. Như chúng ta đã thấy những ảnh hưởng của rác thải xây dựng với môi trường là rất lớn do những hoạt động khác nhau, trong đó tác động chính dễ dàng nhìn thấy là quỹ đất dùng cho việc để chứa và bãi chôn lấp rác thải và chi phí dùng cho việc xử lý là không hề nhỏ. Ví dụ như hàng năm chính phủ Hồng Kông tốn hơn 200 triệu đô la Hồng Kông[10] cho công tác làm bãi chôn lấp và xử lý rác thải. Để quản lý được lượng rác thải xây dựng rất phức tạp vì rác thải xây dựng có thể sinh ra bất kỳ lúc nào, từ những công việc xây dựng mới hay đập phá những công trình cũ, và thiên tai cũng là một tác nhân.

Không kiểm soát và ước tính được lượng rác thải xây dựng trung bình và có thể phát sinh thì dễ xảy ra một số công việc kế hoạch và rác thải xây dựng sẽ được xử lý triệt để. Nếu không có kế hoạch hoặc ước lượng cụ thể thì vấn đề về ô nhiễm môi trường bị sẽ xảy ra là chuyện đương nhiên, và tình trạng nhà máy xử lý bị quá tải, các thiết bị phục vụ dùng để chuyên chở và HVTH: Phạm Thanh Thùy - 1970733 GVHD1: PGS.TS Phạm Vũ Hồng Sơn GVHD2: TS Lê Hoài Long 5 LUẬN VĂN THẠC SĨ NGÀNH QUẢN LÝ XÂY DỰNG các thiết bị xử lý rác bị quá công suất hoạt động, cho nên chi phí xử lý bị tăng lên các kế hoạch và định hướng của dự án bị phá vỡ. Nhà thầu xây dựng khó thể ước lượng chính xác được khối lượng rác thải xây dựng, chi phí xử lý có thể sẽ tăng lên và ảnh hưởng không hề nhỏ đến ngân sách cũng như thời gian hoàn thành của dự án. Việc ước lượng rác thải xây dựng được xác định bằng các quá trình so sánh với các công trình đã phá dỡ tương tự, sử dụng các dự đoán của phương này thì khó ước lượng được vì phương pháp không được chắc chắn và cho hiệu quả không cao[11].

Các nhà nghiên cứu cũng đã khẳng định rằng việc dựa trên các hóa đơn khối lượng các vật liệu của công trình liên quan về rác thải xây dựng trong lúc thi công của công trình, để dự đoán khối lượng rác thải xây dựng thì thực tế khối lượng sau khi phá dỡ tăng từ 15 lần đến 20 lần so với dự đoán ban đầu trong quá trình thi công[12]. Việc dự báo chính xác lượng chất thải xây dựng là rất quan trọng và cần thiết và là một trong những điều kiện hàng đầu để có được sự thành công cho cả hệ thống quản lý rác thải xây dựng.