Áp dụng thuật toán trí tuệ nhân tạo (AI) để ước lượng rác thải xây dựng trong các công trình dân ...

Nghiên cứu ứng dụng AI ước lượng rác thải xây dựng tại TP.HCM. Phân tích tiềm năng, thách thức, và giải pháp quản lý hiệu quả hơn.

• Tác giả: Phạm Thanh Thùy
• Người hướng dẫn: PGS. Phạm Vũ Hồng Sơn
• Trường học: Trường Đại học Bách Khoa Tp. Hồ Chí Minh
• Chuyên ngành: Quản lý Xây dựng
• Đề tài: Áp Dụng Thuật Toán Trí Tuệ Nhân Tạo (AI) Để Ước Lượng Rác Thải Xây Dựng Trong Các Công Trình Dân Dụng Ở 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
• 1. CHƯƠNG 1: MỞ ĐẦU
• 1.1. Đặt vấn đề
• 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
• Kết luận không có số. Hướng nghiên cứu trong tương lai
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan Ước lượng rác thải xây dựng bằng AI tại TP

Ngày nay, xã hội ngày càng phát triển, các hoạt động khoa học công nghệ diễn ra nhanh chóng. Cùng với sự phát triển đó, các ngành công nghiệp và dịch vụ cũng phát triển mạnh mẽ. Tuy nhiên, đằng sau sự phát triển về kinh tế và đời sống là vấn đề ô nhiễm môi trường, đặc biệt là rác thải. Theo thống kê năm 2016, thế giới có 2,01 tỷ tấn chất thải rắn sinh ra và dự kiến tăng lên 3,4 tỷ tấn vào năm 2050. Khối lượng rác thải khổng lồ này gây ra nhiều tác động tiêu cực đến môi trường như ô nhiễm nguồn nước, ô nhiễm không khí, phá hủy môi trường đất, gây bệnh tật và kìm hãm sự phát triển kinh tế. Việc thu gom và xử lý rác thải còn nhiều hạn chế, đặc biệt ở các khu vực nông thôn. Ngành xây dựng, đóng góp đáng kể vào sự tăng trưởng kinh tế, cũng tạo ra lượng lớn rác thải xây dựng hàng năm. Việc tái chế và tái sử dụng rác thải xây dựng còn thấp, gây lãng phí tài nguyên và ảnh hưởng đến môi trường. Vì vậy, việc quản lý rác thải xây dựng hiệu quả là vô cùng quan trọng.

1.1. Tầm quan trọng của việc ước lượng rác thải xây dựng chính xác

Việc ước lượng rác thải xây dựng chính xác đóng vai trò quan trọng trong việc lập kế hoạch quản lý và xử lý rác thải hiệu quả. Số liệu ước tính tin cậy giúp các nhà thầu, cơ quan quản lý nhà nước dự đoán khối lượng rác thải phát sinh sau khi phá dỡ công trình, từ đó đưa ra các chính sách và kế hoạch phù hợp. Ước lượng chính xác còn giúp tối ưu hóa chi phí xử lý rác thải và thúc đẩy các hoạt động tái chế, tái sử dụng.

1.2. Bài toán quản lý rác thải xây dựng tại TP. Hồ Chí Minh

TP. Hồ Chí Minh là một trong những đô thị lớn nhất Việt Nam, với tốc độ phát triển xây dựng nhanh chóng. Điều này dẫn đến lượng rác thải xây dựng phát sinh ngày càng lớn, gây áp lực lên hệ thống quản lý và xử lý rác thải của thành phố. Do đó, việc áp dụng các giải pháp công nghệ tiên tiến để ước lượng và quản lý rác thải xây dựng hiệu quả là vô cùng cần thiết.

II. Thách thức Quản lý rác thải xây dựng thủ công ở TP

Hiện nay, việc ước lượng rác thải xây dựng thường dựa vào kinh nghiệm hoặc các phương pháp thủ công, dẫn đến độ chính xác không cao. Điều này gây khó khăn cho việc lập kế hoạch quản lý rác thải, dẫn đến lãng phí nguồn lực và gây ô nhiễm môi trường. Theo báo cáo môi trường quốc gia năm 2011 và 2019, lượng rác thải xây dựng chiếm tỷ lệ 10%-12% lượng rác thải rắn sinh ra ở khu vực đô thị. Tại các đô thị lớn như Hà Nội và TP. Hồ Chí Minh, con số này còn cao hơn, chiếm đến 25%. Thành phần rác thải xây dựng đa dạng, bao gồm đất, đá, bê tông, gạch, gỗ, kim loại, nhựa, v.v. Việc phân loại và xử lý rác thải xây dựng còn nhiều hạn chế.

2.1. Các hạn chế của phương pháp ước lượng truyền thống

Các phương pháp ước lượng rác thải xây dựng truyền thống thường dựa vào kinh nghiệm của các chuyên gia hoặc các công thức đơn giản, không учитывать yếu tố ảnh hưởng đến khối lượng rác thải. Điều này dẫn đến sai số lớn trong quá trình ước lượng, gây khó khăn cho việc lập kế hoạch quản lý rác thải hiệu quả.

2.2. Ảnh hưởng của rác thải xây dựng đến môi trường và sức khỏe cộng đồng

Rác thải xây dựng không được xử lý đúng cách có thể gây ô nhiễm môi trường đất, nước và không khí. Bụi và các chất độc hại từ rác thải xây dựng có thể gây ảnh hưởng đến sức khỏe cộng đồng, đặc biệt là các bệnh về đường hô hấp và da liễu.

2.3. Chi phí xử lý và quản lý rác thải xây dựng ngày càng tăng

Chi phí xử lý rác thải ngày càng tăng, đặc biệt là chi phí vận chuyển và chôn lấp. Việc quản lý rác thải không hiệu quả có thể gây lãng phí lớn về kinh tế và ảnh hưởng đến sự phát triển bền vững của đô thị.

III. Giải pháp Ứng dụng thuật toán AI ước lượng rác thải xây dựng

Để giải quyết các thách thức trong việc quản lý rác thải xây dựng, việc áp dụng các giải pháp công nghệ tiên tiến là vô cùng cần thiết. Một trong những giải pháp tiềm năng là sử dụng trí tuệ nhân tạo (AI), đặc biệt là các thuật toán AI và học máy (machine learning), để ước lượng rác thải xây dựng. Các mô hình AI ước lượng có khả năng phân tích dữ liệu lớn, học hỏi từ kinh nghiệm và đưa ra dự đoán chính xác về khối lượng rác thải phát sinh. Điều này giúp các nhà quản lý có thông tin chính xác để lập kế hoạch và tối ưu hóa quy trình xử lý rác thải.

3.1. Tổng quan về các thuật toán AI ứng dụng trong ước lượng

Nghiên cứu này đề xuất sử dụng nhiều mô hình học máy khác nhau để ước lượng rác thải xây dựng, bao gồm: mô hình K-lân cận gần nhất (KNN), mô hình hồi quy tuyến tính (LR), mô hình Lasso, mô hình máy vectơ hỗ trợ (SVR), mô hình cây quyết định (DT), mô hình rừng ngẫu nhiên (RF), mô hình kết hợp tăng cường gradient (GBR) và mô hình mạng nơ ron thần kinh dạng hồi quy mạng nhiều lớp (MLP). Các mô hình này có khả năng học hỏi từ dữ liệu quá khứ và đưa ra dự đoán chính xác về khối lượng rác thải.

3.2. Ưu điểm của việc sử dụng AI so với phương pháp truyền thống

Sử dụng trí tuệ nhân tạo (AI) để ước lượng rác thải xây dựng mang lại nhiều ưu điểm so với phương pháp truyền thống, bao gồm: tăng độ chính xác, giảm chi phí, tiết kiệm thời gian, cải thiện hiệu quả quản lý rác thải, và hỗ trợ đưa ra các quyết định dựa trên dữ liệu.

3.3. Các yếu tố đầu vào quan trọng cho mô hình AI

Để xây dựng một mô hình AI hiệu quả, cần thu thập đầy đủ dữ liệu đầu vào liên quan đến các yếu tố ảnh hưởng đến khối lượng rác thải xây dựng, chẳng hạn như: số tầng của công trình, tổng diện tích xây dựng, tổng diện tích khu đất, loại vật liệu xây dựng, phương pháp phá dỡ, v.v.

IV. Nghiên cứu Đánh giá hiệu quả mô hình AI tại các công trình dân dụng

Luận văn này trình bày kết quả nghiên cứu về việc áp dụng các thuật toán trí tuệ nhân tạo (AI) để ước lượng rác thải xây dựng trong các công trình dân dụng tại TP. Hồ Chí Minh. Nghiên cứu sử dụng ngôn ngữ lập trình Python để xây dựng và huấn luyện các mô hình học máy trên dữ liệu thu thập được từ các nghiên cứu trước và khảo sát thực tế. Kết quả cho thấy các mô hình AI có khả năng ước lượng rác thải với độ chính xác cao, đặc biệt là mô hình KNN. Điều này mở ra tiềm năng lớn cho việc ứng dụng AI trong quản lý rác thải xây dựng tại TP. Hồ Chí Minh.

4.1. Mô tả dữ liệu và phương pháp thu thập dữ liệu

Dữ liệu sử dụng trong nghiên cứu bao gồm dữ liệu từ các nghiên cứu trước và dữ liệu khảo sát thực tế tại các công trình xây dựng ở TP. Hồ Chí Minh. Các thông số được thu thập bao gồm: số tầng của công trình, tổng diện tích xây dựng, tổng diện tích khu đất, v.v. Dữ liệu được xử lý và chuẩn hóa trước khi đưa vào huấn luyện mô hình AI.

4.2. Kết quả đánh giá và so sánh các mô hình AI khác nhau

Nghiên cứu đánh giá hiệu quả của các mô hình AI khác nhau bằng các chỉ số như: tỉ lệ lỗi tuyệt đối trung bình (MAER) và hệ số tương quan (R2). Kết quả cho thấy mô hình KNN cho độ chính xác cao nhất so với các mô hình khác.

4.3. Ứng dụng thực tế và lợi ích của mô hình KNN

Mô hình KNN có thể được sử dụng để ước lượng rác thải xây dựng cho các công trình dân dụng tại TP. Hồ Chí Minh. Kết quả ước lượng giúp các nhà thầu và cơ quan quản lý nhà nước lập kế hoạch quản lý rác thải hiệu quả, giảm chi phí xử lý rác thải và bảo vệ môi trường.

V. Kết luận Tiềm năng và hướng phát triển của AI trong xây dựng

Nghiên cứu này đã chứng minh tiềm năng của việc áp dụng trí tuệ nhân tạo (AI) để ước lượng rác thải xây dựng trong các công trình dân dụng tại TP. Hồ Chí Minh. Việc sử dụng AI giúp cải thiện độ chính xác, giảm chi phí và nâng cao hiệu quả quản lý rác thải. Trong tương lai, có thể tiếp tục nghiên cứu và phát triển các mô hình AI phức tạp hơn, tích hợp thêm các yếu tố khác như loại vật liệu xây dựng, phương pháp phá dỡ, v.v. để nâng cao độ chính xác của ước lượng. Đồng thời, cần xây dựng cơ sở dữ liệu rác thải xây dựng đầy đủ và chính xác để hỗ trợ việc huấn luyện mô hình AI.

5.1. Thách thức và cơ hội khi triển khai AI trong quản lý rác thải

Việc triển khai AI trong quản lý rác thải còn gặp nhiều thách thức, chẳng hạn như: thiếu dữ liệu, chi phí đầu tư ban đầu cao, và cần có đội ngũ chuyên gia có kinh nghiệm. Tuy nhiên, cơ hội là rất lớn, với tiềm năng cải thiện đáng kể hiệu quả quản lý rác thải, giảm chi phí và bảo vệ môi trường.

5.2. Đề xuất chính sách và giải pháp hỗ trợ ứng dụng AI

Để thúc đẩy ứng dụng AI trong quản lý rác thải, cần có các chính sách hỗ trợ từ nhà nước, chẳng hạn như: đầu tư vào nghiên cứu và phát triển, xây dựng cơ sở dữ liệu, đào tạo nguồn nhân lực, và khuyến khích các doanh nghiệp ứng dụng AI trong hoạt động của mình.

5.3. Hướng nghiên cứu tiếp theo để hoàn thiện mô hình ước lượng

Hướng nghiên cứu tiếp theo có thể tập trung vào việc tích hợp thêm các yếu tố khác vào mô hình AI, chẳng hạn như thông tin về loại vật liệu xây dựng, phương pháp phá dỡ, v.v. Đồng thời, cần thu thập thêm dữ liệu và cập nhật mô hình thường xuyên để đảm bảo độ chính xác cao.

Nội dung chính

Tổng quan nghiên cứu

Theo thống kê toàn cầu năm 2016, lượng chất thải rắn sinh ra đạt khoảng 2,01 tỷ tấn và dự kiến tăng lên 3,4 tỷ tấn vào năm 2050. Trong đó, rác thải xây dựng chiếm tỷ lệ lớn, lên đến 36% tổng lượng chất thải rắn tại châu Âu và 60% tại Hoa Kỳ. Tại Việt Nam, mỗi ngày có khoảng 60 nghìn tấn rác thải rắn đô thị được sinh ra, trong đó rác thải xây dựng chiếm từ 10% đến 12%, thậm chí tại các đô thị lớn như Hà Nội và TP. Hồ Chí Minh, tỷ lệ này lên đến 25%. Tình trạng thu gom và xử lý rác thải xây dựng còn nhiều hạn chế, gây ảnh hưởng nghiêm trọng đến môi trường và sức khỏe cộng đồng.

Luận văn tập trung nghiên cứu ứng dụng thuật toán trí tuệ nhân tạo (AI), cụ thể là các mô hình máy học, để ước lượng chính xác khối lượng rác thải xây dựng phát sinh từ các công trình dân dụng tại TP. Hồ Chí Minh. Mục tiêu chính là xây dựng mô hình ước lượng có độ tin cậy cao, giúp các nhà thầu và cơ quan quản lý dự báo khối lượng rác thải, từ đó lập kế hoạch quản lý và xử lý hiệu quả, đồng thời kiểm soát chi phí xử lý rác thải. Phạm vi nghiên cứu tập trung vào các công trình dân dụng tại TP. Hồ Chí Minh, sử dụng dữ liệu thực tế về số tầng, tổng diện tích xây dựng và diện tích khu đất.

Việc phát triển công cụ ước lượng dựa trên AI không chỉ góp phần nâng cao hiệu quả quản lý rác thải xây dựng mà còn hỗ trợ phát triển đô thị thông minh, bảo vệ môi trường và thúc đẩy phát triển bền vững trong ngành xây dựng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn áp dụng các lý thuyết và mô hình máy học thuộc nhóm học có giám sát, nhằm dự đoán biến đầu ra (khối lượng rác thải xây dựng) dựa trên các biến đầu vào (số tầng, diện tích sàn, diện tích đất). Các mô hình chính bao gồm:

• Mô hình K-lân cận gần nhất (KNN): Thuật toán dựa trên khoảng cách Euclidean để tìm k điểm dữ liệu gần nhất và dự đoán giá trị trung bình. KNN được đánh giá cao về độ chính xác trong bài toán ước lượng rác thải xây dựng.

• Mô hình hồi quy tuyến tính (LR): Mô hình đơn giản, giả định mối quan hệ tuyến tính giữa biến đầu vào và đầu ra, được sử dụng để so sánh hiệu quả với các mô hình phức tạp hơn.

• Mô hình hồi quy Lasso: Là hồi quy tuyến tính có thêm hạng phạt L1 nhằm chọn lọc biến và giảm thiểu đa cộng tuyến, giúp cải thiện độ chính xác dự đoán.

• Mô hình hồi quy vectơ hỗ trợ (SVR): Mô hình hồi quy phi tuyến, tối ưu hóa vùng biên để khái quát hóa tốt hơn trên dữ liệu mới.

• Mô hình cây quyết định (DT): Phân chia dữ liệu thành các nhánh dựa trên các điều kiện, dễ hiểu và áp dụng trong phân loại và hồi quy.

• Mô hình rừng ngẫu nhiên (RF): Kết hợp nhiều cây quyết định để giảm phương sai và tăng độ chính xác.

• Mô hình tăng cường gradient (GBR): Thuật toán kết hợp các mô hình yếu để tạo thành mô hình mạnh, cải thiện hiệu suất dự đoán.

• Mô hình mạng nơ ron nhân tạo đa lớp (MLP): Mạng thần kinh nhiều tầng ẩn, xử lý các mối quan hệ phi tuyến phức tạp trong dữ liệu.

Phương pháp nghiên cứu

Nguồn dữ liệu sử dụng bao gồm dữ liệu khảo sát thực tế từ các công trình dân dụng tại TP. Hồ Chí Minh và dữ liệu từ các nghiên cứu trước đó có tính tương đồng. Các biến đầu vào chính gồm số tầng, tổng diện tích xây dựng, tổng diện tích khu đất, loại công trình và địa điểm xây dựng. Biến đầu ra là khối lượng rác thải xây dựng phát sinh.

Phương pháp phân tích sử dụng ngôn ngữ lập trình Python trên môi trường Google Colab, tận dụng các thư viện máy học như scikit-learn để xây dựng và huấn luyện các mô hình. Cỡ mẫu dữ liệu được lựa chọn đảm bảo tính đại diện và đủ lớn để huấn luyện mô hình, với quy trình gồm:

1. Chuẩn bị và xử lý dữ liệu: làm sạch, chuẩn hóa và phân chia dữ liệu thành tập huấn luyện và tập kiểm tra.
2. Huấn luyện các mô hình máy học: KNN, LR, Lasso, SVR, DT, RF, GBR, MLP.
3. Đánh giá mô hình dựa trên các chỉ số MAER (tỉ lệ lỗi tuyệt đối trung bình) và hệ số xác định R2.
4. So sánh hiệu quả các mô hình để lựa chọn mô hình tối ưu nhất.
5. Áp dụng mô hình tối ưu vào trường hợp thực tế tại TP. Hồ Chí Minh để kiểm chứng.

Quá trình nghiên cứu được thực hiện trong khoảng thời gian từ tháng 9 đến tháng 12 năm 2023.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả mô hình KNN vượt trội: Mô hình KNN đạt tỉ lệ lỗi tuyệt đối trung bình (MAER) là 10.8286 và hệ số xác định R2 đạt mức cao, cho thấy độ chính xác vượt trội so với các mô hình khác. Kết quả này được xác nhận trên cả dữ liệu thực tế và dữ liệu nghiên cứu trước đó.

2. Mô hình hồi quy tuyến tính và Lasso cho kết quả khả quan: Mô hình LR và Lasso cũng cho kết quả dự đoán tương đối chính xác với MAER lần lượt khoảng 15-20 và R2 ở mức trung bình, tuy nhiên thấp hơn KNN.

3. Mô hình kết hợp như RF và GBR cải thiện độ chính xác: Các mô hình rừng ngẫu nhiên và tăng cường gradient cho kết quả tốt hơn các mô hình hồi quy đơn lẻ, với MAER giảm khoảng 5-7% so với LR và Lasso.

4. Mô hình mạng nơ ron MLP có độ phức tạp cao nhưng không vượt trội: MLP cho kết quả tương đương hoặc thấp hơn KNN, đồng thời yêu cầu thời gian huấn luyện lâu hơn và cần điều chỉnh tham số phức tạp.

Thảo luận kết quả

Nguyên nhân mô hình KNN đạt hiệu quả cao là do khả năng tận dụng dữ liệu gần nhất để dự đoán, phù hợp với tính chất dữ liệu xây dựng có sự tương đồng cao giữa các công trình cùng loại. Các mô hình hồi quy tuyến tính và Lasso bị hạn chế bởi giả định tuyến tính, không thể nắm bắt các mối quan hệ phi tuyến phức tạp trong dữ liệu.

Mô hình kết hợp như RF và GBR tận dụng ưu điểm của nhiều cây quyết định, giảm thiểu sai số và tăng khả năng khái quát hóa, phù hợp với các bài toán có dữ liệu phức tạp. Tuy nhiên, độ phức tạp và yêu cầu tính toán cao hơn so với KNN.

Mô hình MLP mặc dù có khả năng học các mối quan hệ phi tuyến sâu, nhưng đòi hỏi dữ liệu lớn và thời gian huấn luyện dài, đồng thời dễ bị quá khớp nếu không được điều chỉnh kỹ.

Kết quả nghiên cứu phù hợp với các nghiên cứu quốc tế về ứng dụng AI trong ước lượng rác thải xây dựng, đồng thời khẳng định tính khả thi và hiệu quả của việc áp dụng mô hình máy học trong quản lý xây dựng tại Việt Nam.

Dữ liệu kết quả có thể được trình bày qua các biểu đồ so sánh MAER và R2 giữa các mô hình, cũng như bảng tổng hợp kết quả ước lượng trên các bộ dữ liệu thực tế.

Đề xuất và khuyến nghị

1. Triển khai rộng rãi mô hình KNN trong quản lý rác thải xây dựng: Các cơ quan quản lý và nhà thầu nên áp dụng mô hình KNN để ước lượng khối lượng rác thải xây dựng nhằm nâng cao độ chính xác và hiệu quả quản lý. Thời gian áp dụng trong vòng 6-12 tháng để tích hợp vào quy trình quản lý hiện hành.

2. Phát triển phần mềm công cụ ước lượng dựa trên AI: Xây dựng ứng dụng hoặc hệ thống trực tuyến sử dụng mô hình KNN và các mô hình kết hợp để hỗ trợ người dùng nhập liệu và nhận kết quả ước lượng nhanh chóng. Chủ thể thực hiện là các đơn vị công nghệ và cơ quan quản lý xây dựng.

3. Tăng cường thu thập và cập nhật dữ liệu thực tế: Để nâng cao chất lượng mô hình, cần xây dựng hệ thống thu thập dữ liệu rác thải xây dựng liên tục, đa dạng về loại công trình và địa điểm. Cơ quan quản lý địa phương phối hợp với các nhà thầu thực hiện trong vòng 1-2 năm.

4. Đào tạo và nâng cao nhận thức cho các bên liên quan: Tổ chức các khóa đào tạo về ứng dụng AI trong quản lý xây dựng cho cán bộ quản lý, nhà thầu và các bên liên quan nhằm thúc đẩy việc áp dụng công nghệ mới. Thời gian thực hiện trong 6 tháng đầu năm 2024.

5. Xây dựng chính sách hỗ trợ và khuyến khích ứng dụng công nghệ: Nhà nước cần ban hành các chính sách ưu đãi, hỗ trợ tài chính và kỹ thuật cho các dự án ứng dụng AI trong quản lý rác thải xây dựng, góp phần phát triển đô thị thông minh và bền vững.

Đối tượng nên tham khảo luận văn

1. Cơ quan quản lý nhà nước về xây dựng và môi trường: Giúp hoạch định chính sách, lập kế hoạch quản lý rác thải xây dựng hiệu quả dựa trên dữ liệu ước lượng chính xác.

2. Nhà thầu và chủ đầu tư công trình dân dụng: Hỗ trợ dự toán chi phí xử lý rác thải, lập kế hoạch thi công và kiểm soát ngân sách, nâng cao hiệu quả quản lý dự án.

3. Các nhà nghiên cứu và sinh viên ngành quản lý xây dựng, công nghệ thông tin: Cung cấp cơ sở lý thuyết và thực nghiệm về ứng dụng AI trong lĩnh vực xây dựng, mở rộng nghiên cứu về mô hình máy học.

4. Doanh nghiệp công nghệ phát triển phần mềm và giải pháp AI: Tham khảo để phát triển các công cụ, ứng dụng hỗ trợ quản lý xây dựng và môi trường, đáp ứng nhu cầu thực tiễn.

Câu hỏi thường gặp

1. Tại sao chọn mô hình KNN làm mô hình tối ưu?
   Mô hình KNN cho kết quả ước lượng với MAER thấp nhất (10.8286) và hệ số xác định R2 cao, thể hiện độ chính xác và khả năng khái quát tốt trên dữ liệu thực tế. KNN tận dụng dữ liệu gần nhất, phù hợp với đặc điểm dữ liệu xây dựng.

2. Dữ liệu đầu vào của mô hình gồm những yếu tố nào?
   Các biến đầu vào chính gồm số tầng công trình, tổng diện tích xây dựng, tổng diện tích khu đất, loại công trình và địa điểm xây dựng. Những thông số này dễ thu thập và phản ánh đặc điểm công trình ảnh hưởng đến khối lượng rác thải.

3. Mô hình có thể áp dụng cho các loại công trình khác ngoài dân dụng không?
   Hiện nghiên cứu tập trung vào công trình dân dụng để đảm bảo độ chính xác và tính khả thi. Việc mở rộng sang công trình công nghiệp hoặc hạ tầng cần nghiên cứu thêm do đặc thù khác biệt về vật liệu và quy trình xây dựng.

4. Làm thế nào để cập nhật mô hình khi có dữ liệu mới?
   Mô hình có thể được huấn luyện lại định kỳ với dữ liệu mới thu thập để cải thiện độ chính xác và thích ứng với thay đổi trong đặc điểm công trình và quy trình xây dựng.

5. Chi phí và thời gian triển khai mô hình trong thực tế như thế nào?
   Chi phí chủ yếu liên quan đến thu thập dữ liệu và phát triển phần mềm hỗ trợ. Thời gian triển khai dự kiến từ 6 đến 12 tháng, tùy thuộc quy mô và mức độ tích hợp vào hệ thống quản lý hiện tại.

Kết luận

• Luận văn đã xây dựng thành công mô hình ước lượng rác thải xây dựng trong các công trình dân dụng tại TP. Hồ Chí Minh dựa trên các thuật toán máy học, trong đó mô hình KNN đạt hiệu quả cao nhất với MAER 10.8286 và hệ số R2 ấn tượng.
• Việc áp dụng AI giúp nâng cao độ chính xác trong dự báo khối lượng rác thải, hỗ trợ quản lý chi phí và kế hoạch xử lý rác thải hiệu quả.
• Nghiên cứu góp phần phát triển công cụ quản lý xây dựng hiện đại, phù hợp với xu hướng đô thị thông minh và phát triển bền vững.
• Đề xuất triển khai mô hình KNN rộng rãi, phát triển phần mềm hỗ trợ và tăng cường thu thập dữ liệu thực tế để nâng cao hiệu quả quản lý.
• Các bước tiếp theo bao gồm hoàn thiện công cụ ước lượng, đào tạo nhân lực và xây dựng chính sách hỗ trợ ứng dụng AI trong ngành xây dựng.

Hành động ngay: Các cơ quan quản lý và nhà thầu nên phối hợp triển khai thử nghiệm mô hình KNN trong các dự án xây dựng dân dụng để đánh giá và tối ưu hóa quy trình quản lý rác thải xây dựng.

Trích đoạn nội dung tài liệu

ĐẠI HỌC QUỐC GIA TP.HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA TP.HỒ CHÍ MINH ---o0o--- PHẠM THANH THÙY ÁP DỤNG THUẬT TOÁN TRÍ TUỆ NHÂN TẠO (AI) ĐỂ ƯỚC LƯỢNG RÁC THẢI XÂY DỰNG TRONG CÁC CÔNG TRÌNH DÂN DỤNG Ở TP. HỒ CHÍ MINH Chuyên ngành: Quản lý Xây dựng Mã số: 8580302 LUẬN VĂN THẠC SĨ Tp. HỒ CHÍ MINH, tháng 01 năm 2024 CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI: TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐHQG – TP HCM Cán bộ hướng dẫn khoa học 1: PGS. Phạm Vũ Hồng Sơn Chữ ký: Cán bộ hướng dẫn khoa học 2: TS. Lê Hoài Long Chữ ký: Cán bộ chấm nhận xét 1: PGS. Đỗ Tiến Sỹ Chữ ký: Cán bộ chấm nhận xét 2: TS. Đặng Ngọc Châu Chữ ký: Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, ĐHQG TP.HCM, ngày 17 tháng 01 năm 2024 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: 1. Lương Đức Long – Chủ tịch hội đồng 2. Trần Đức Học – Thư ký 3. Nguyễn Văn Tiếp – Ủy viên 4. Đỗ Tiến Sỹ – Phản biện 1 5. Đặng Ngọc Châu – Phản biện 2 Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có). CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA KỸ THUẬT XÂY DỰNG PGS. Lương Đức Long PGS. Lê Anh Tuấn ĐẠI HỌC QUỐC GIA TP.HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc lập - Tự do - Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: PHẠM THANH THÙY MSHV: 1970733 Ngày, tháng, năm sinh: 23/02/1995 Nơi sinh: Quảng Ngãi Chuyên ngành: Quản lý xây dựng Mã số: 8580302 I. TÊN ĐỀ TÀI: ÁP DỤNG THUẬT TOÁN TRÍ TUỆ NHÂN TẠO (AI) ĐỂ ƯỚC LƯỢNG RÁC THẢI XÂY DỰNG TRONG CÁC CÔNG TRÌNH DÂN DỤNG Ở TP. HỒ CHÍ MINH APPLY ARTIFICIAL INTELLIGENT FOR ESTIMATING CONSTRUCTION WASTE OF CIVIL CONSTRUCTION PROJECT IN HO CHI MINH CITY II. NHIỆM VỤ VÀ NỘI DUNG: 1. Tìm hiểu về tình hình rác thải xây dựng và áp dụng các thuật toán trí tuệ nhân tạo để ước lượng rác thải xây dựng trong các công trình dân dụng. Nghiên cứu xây dựng mô hình sử dụng dụng thuật toán trí tuệ nhân tạo để ước lượng rác thải xây dựng trong các công trình dân dụng. Đưa ra nhận xét và đánh giá mô hình. Áp dụng và xây dựng quy trình sử dụng mô hình thuật toán trí tuệ nhân tạo để ước lượng rác thải xây dựng trong các công trình dân dụng ở tại TP. Hồ Chí Minh. NGÀY GIAO NHIỆM VỤ: 04/09/2023 IV. NGÀY HOÀN THÀNH NHIỆM VỤ: 18/12/2023 V. CÁN BỘ HƯỚNG DẪN: PGS.TS PHẠM VŨ HỒNG SƠN - TS. LÊ HOÀI LONG Tp. HCM, ngày 18 tháng 12 năm 2023 CÁN BỘ HƯỚNG DẪN 1 CÁN BỘ HƯỚNG DẪN 2 CHỦ NHIỆM BỘ MÔN ĐÀO TẠO PGS. Phạm Vũ Hồng Sơn TS. Lê Hoài Long TS. Lê Hoài Long TRƯỞNG KHOA KỸ THUẬT XÂY DỰNG PGS.TS Lê Anh Tuấn i LUẬN VĂN THẠC SĨ NGÀNH QUẢN LÝ XÂY DỰNG LỜI CẢM ƠN Xin chân thành gửi lời cảm ơn đến Thầy PGS. Phạm Vũ Hồng Sơn cùng Thầy TS. Lê Hoài Long đã nhiệt tình hỗ trợ và hết lòng hướng dẫn em thực hiện hoàn thành luận văn Thạc sĩ với đề tài “Áp dụng thuật toán trí tuệ nhân tạo (AI) để ước lượng rác thải xây dựng trong các công trình dân dụng ở Tp. Hồ Chí Minh. Từ những ngày tìm ý tưởng và đặt vấn đề thầy đã nhiệt tình gợi ý hướng dẫn cho em những nhận định góc nhìn về đề tài nghiên cứu, và xác định mục tiêu của nghiên cứu, và các thầy cho em nhiều điều động viên về tinh thần khi em gặp nhiều áp lực trong quá trình thực hiện luận văn này. Em rất cảm phục và biết ơn các thầy nhiều và luôn tự hào vì có những người thầy tận tâm, tận tình. Một lần nữa gửi những lời kính mến đến các thầy, chúc các thầy thật nhiều sức khỏe và thành công hơn nữa trong con đường sự nghiệp của mình. Xin chân thành gửi lời cảm ơn các thầy cô giáo của Ngành quản lý xây dựng đã giảng dạy và truyền đạt những kiến thức trong quá trình học Thạc sĩ tại Trường đại học Bách Khoa TP.HCM để em có đầy đủ khả năng kiến thức thực hiện đề tài này. Chúc thầy cô giáo có nhiều sức khỏe để truyền đạt kiến thức vàng cho các học viên như em. Em cũng xin gửi lòng biết ơn đến các anh, chị trong Quý cơ quan đã nhiệt tình hướng dẫn tìm tài liệu cho đề tài, và các anh chị đồng nghiệp và Ban giám đốc công ty nơi em làm việc đã hỗ trợ em trong suốt thời gian vừa qua để thực hiện và hoàn thành tốt luận văn này. Cuối cùng xin cảm ơn gia đình, người thân ủng hộ khích lệ và hỗ trợ về mọi mặt, trong những lúc khó khăn, gia đình là nguồn động lực và là chỗ dựa cho em hoàn thành tốt nhiệm vụ luận văn này. Chân thành cảm ơn! Tp. HCM, ngày 17 tháng 12 năm 2023 Phạm Thanh Thùy ii LUẬN VĂN THẠC SĨ NGÀNH QUẢN LÝ XÂY DỰNG TÓM TẮT LUẬN VĂN THẠC SĨ Mục tiêu hướng đến của đề tài nghiên cứu là đề xuất một phương pháp mới là sử dụng trí tuệ nhân tạo cụ thể là dùng mô hình máy học là một lĩnh vực chuyên sâu của trí tuệ nhân tạo để ước lượng rác thải xây dựng, nhằm đưa ra kết quả ước lượng có độ tin tưởng, và có độ chính xác cao. Để chọn được mô hình ước lượng tốt và hiệu quả, vì thế trong nghiên cứu được thực hiện ở luận văn này là đề xuất một số phương pháp mô hình máy học khác nhau như: mô hình K- lân cận gần nhất (KNN), mô hình tuyến tính (LR), mô hình Lasso (Lasso), mô hình máy vectơ hỗ trợ (SVR), mô hình cây quyết định (DT), mô hình kết hợp rừng ngẫu nhiên (RF), mô hình kết hợp tăng cường gradient (GBR) và mô hình mạng nơ ron thần kinh dạng hồi quy mạng nhiều lớp (MLP). Bằng việc sử dụng ngôn ngữ lập trình Python để soạn thảo lập trình các đoạn mã cho từng mô hình thuật toán. Nguồn dữ liệu mà mô hình sử dụng là các dữ liệu được thu thập (đầu vào) từ dữ liệu của những nghiên cứu trước và dữ liệu được khảo sát thực tế như: số tầng của công trình, tổng diện tích xây dựng và tổng diện tích khu đất của các công trình trong lịch sử đã được phá dỡ. để làm các thông số đầu vào mô hình máy học ước lượng rác thải trong các công trình dân dụng. Sau khi thực thi các mô hình máy học dùng để ước lượng rác thải trên Python, các mô hình đều cho kết quả tương đối cao trên tập dữ liệu thực tế tại các công trình xây dựng trên thành phố Hồ Chí Minh, và dữ liệu của những bài nghiên cứu trước đó để đánh giá mô hình. Nhưng đặc biệt hơn là mô hình máy học K lân cận gần nhất (KNN) cho độ chính xác cao nhất và ưu việt hơn tất cả các mô hình khác với tỉ lệ lỗi tuyệt đối trung bình (MAER) là 10.8286 và hệ số tương quan (R2) khá ấn tượng là 0. Từ kết quả đạt được, có thể thấy mô hình KNN có thể sử dụng mô hình ứng dụng rộng rãi vào trong công việc quản lý để ước lượng rác thải xây dựng của các công trình xây dựng dân dụng sẽ phát sinh. Từ việc có những số liệu ước lượng khối lượng rác thải xây dựng tương đối tin tưởng sẽ giúp chủ nhà thầu, cơ quan quản lý nhà nước về rác thải ước lượng được khối lượng rác thải xây dựng sau khi phá dỡ. Trên cơ sở đó đưa ra các chính sách và lập kế hoạch quản lý rác thải và quản lý chi phí xử lý rác thải hợp lý. iii LUẬN VĂN THẠC SĨ NGÀNH QUẢN LÝ XÂY DỰNG ABSTRACT The goal of the research project is to propose a new method using artificial intelligence tools that can use machine learning models, a specialized field of artificial intelligence, to estimate the amount of waste construction, in order to produce results with high quality ideas and high accuracy. To choose a good and effective estimation model, in the research conducted in this thesis, a number of different machine learning modeling methods are proposed such as: K-nearest neighbor(KNN) model, linear regression model (LR), Lasso model (Lasso), support vector regression model (SVR), decision tree model (DT), random forest model (RF), gradient boosting (GBR), hybrid model and multi-layer network regression (MLP). By using the Python language installer to edit installation code for each algorithm model. The data source used by the model is data collected (input) from data of previous studies and actual survey data such as: number of floors of the building, construction summary and total The land area of historical buildings was studied. to create the first parameters for a machine learning model of waste in civil tools. After implementing machine learning models used to estimate waste on Python, the models all gave results compatible with actual files at construction sites in Ho Chi Minh City and data from other articles. previous research to evaluate the model. But more specifically, the K nearest neighbor (KNN) machine learning model gives the highest accuracy and is superior to all other models with an average absolute error rate (MAER) of 10.8286 and a correlation coefficient (R2) of 10. From the results achieved, it can be seen that the KNN model can be used widely in management work to estimate the amount of construction waste that will arise from civil construction projects. From having the amount of future construction waste, it will help house owners and state management agencies control the amount of construction waste after being evacuated. On that basis, policies and plans for waste management and waste treatment cost management are put in place. iv LUẬN VĂN THẠC SĨ NGÀNH QUẢN LÝ XÂY DỰNG LỜI CAM ĐOAN Tôi xin cam đoan đây là công trình nghiên cứu của bản thân tôi. Các nội dung và kết quả của nghiên cứu này là trung thực, và chưa từng được công bố từ các công trình nghiên cứu trước đây. Nguồn tài liệu tham khảo (nếu có) đã được thực hiện trích dẫn đúng quy định. Tôi xin cam kết chịu trách nhiệm với kết quả nghiên cứu này của mình. Tác giả luận văn Phạm Thanh Thùy v LUẬN VĂN THẠC SĨ NGÀNH QUẢN LÝ XÂY DỰNG MỤC LỤC LỜI CẢM ƠN . i TÓM TẮT LUẬN VĂN THẠC SĨ.ii LỜI CAM ĐOAN . iv DANH MỤC HÌNH ẢNH .vii DANH MỤC BẢNG . viii DANH MỤC BIỂU ĐỒ . x DANH MỤC CÁC TỪ VIẾT TẮT . xi CHƯƠNG 1 MỞ ĐẦU .2 Lý do chọn đề tài .3 Mục tiêu nghiên cứu .4 Phạm vi nghiên cứu .5 Ý nghĩa về mặt khoa học và về thực tiễn ứng dụng của đề tài .1 Về mặt khoa học .2 Về mặt thực tiễn ứng dụng .6 Cấu trúc luận văn .