Tổng quan nghiên cứu

Trong cơ cấu chi phí các dự án xây dựng dân dụng, chi phí vật tư luôn chiếm tỷ trọng chi phối, dao động từ 42% đến hơn 50% tổng mức đầu tư tùy thuộc vào quy mô và biện pháp thi công. Trong giai đoạn 2015-2019, tốc độ đô thị hóa tại Việt Nam diễn ra mạnh mẽ với diện tích sàn nhà ở hoàn thành tại Hà Nội đạt trên 42.137 m2 và Thành phố Hồ Chí Minh đạt trên 31.194 m2. Nhu cầu đầu tư hạ tầng bùng nổ đòi hỏi các nhà quản trị phải phân bổ nguồn lực tài chính chính xác ngay từ giai đoạn sơ khởi. Tuy nhiên, giai đoạn lập kế hoạch thường thiếu hụt hồ sơ thiết kế chi tiết và dữ liệu bóc tách, dẫn đến sai số dự toán ban đầu có thể vượt mức 15% đến 20%, gây rủi ro đứt gãy dòng tiền hoặc lãng phí nguồn vốn dự phòng.

Luận văn thạc sĩ chuyên ngành Quản lý Xây dựng của học viên Nguyễn Ngô Luân (Trường Đại học Bách khoa – Đại học Quốc gia Thành phố Hồ Chí Minh, thực hiện từ tháng 2/2022 đến tháng 6/2022) tập trung giải quyết bài toán ước tính sơ bộ khối lượng vật tư xây dựng thông qua việc ứng dụng các mô hình trí tuệ nhân tạo. Mục tiêu cốt lõi của đề tài là xây dựng, huấn luyện và so sánh hiệu năng giữa các thuật toán máy học độc lập và mô hình kết hợp (Ensemble models) trên nền tảng phần mềm mã nguồn mở Weka. Nghiên cứu cung cấp công cụ định lượng chuẩn xác khối lượng bê tông, ván khuôn và cốt thép cho 4 cấu kiện chịu lực chính gồm móng, cột, dầm và sàn, giúp giảm thiểu sai số dự báo xuống dưới 10%, tạo cơ sở khoa học vững chắc cho công tác đấu thầu, dự toán và chuỗi cung ứng vật tư.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng lý thuyết học máy có giám sát (Supervised Learning) với bài toán hồi quy phi tuyến tính nhằm dự báo các giá trị liên tục. Hai khung lý thuyết học thuật cốt lõi được áp dụng gồm:

  1. Lý thuyết Mạng nơ-ron nhân tạo (ANNs - Artificial Neural Networks): Kế thừa mô hình mạng truyền thẳng nhiều lớp (MLP) với thuật toán lan truyền ngược sai số (Backpropagation) do Paul Werbos khởi xướng năm 1974. Mô hình sử dụng hàm kích hoạt Sigmoid và Tangent Hyperbolic để ánh xạ các mối quan hệ phi tuyến phức tạp giữa đặc trưng công trình và khối lượng vật tư, đồng thời tích hợp biến thể mạng nơ-ron bổ sung (Additive ANNs) nhằm tối ưu hóa trọng số thích nghi.
  2. Lý thuyết Máy học vector hỗ trợ (SVR - Support Vector Regression): Dựa trên nguyên lý giảm thiểu rủi ro cấu trúc của Vapnik (1995). SVR ánh xạ dữ liệu vào không gian nhiều chiều thông qua các hàm nhân Kernel RBF và Polynomial với tham số hiệu chỉnh C và biên dung sai epsilon, giúp kiểm soát tốt hiện tượng quá khớp (overfitting).
  3. Khái niệm cốt lõi: Kết hợp phương pháp học kết hợp (Ensemble Voting) và quy trình khai thác dữ liệu chuẩn công nghiệp CRISP-DM gồm 6 giai đoạn tuần hoàn từ hiểu bài toán đến triển khai mô hình.

Phương pháp nghiên cứu

Nghiên cứu sử dụng tập dữ liệu từ các dự án công trình dân dụng kết cấu bê tông cốt thép đã hoàn thành thực tế. Tập dữ liệu bao gồm 10 biến số đầu vào dự đoán (tổng diện tích sàn GFA, chiều cao công trình H, số tầng NF, diện tích xây dựng BF, tải trọng động QK, tổng tải trọng sàn GFL, cường độ nén bê tông FCU, cường độ kéo cốt thép FY, sức chịu tải của đất SBC, phản lực tổng của nền đất) và 12 biến số phản hồi đầu ra đo lường khối lượng bê tông, ván khuôn, cốt thép cho móng, cột, dầm, sàn.

Phương pháp chọn mẫu có chủ đích kết hợp phân tầng được sử dụng nhằm đảm bảo dữ liệu đại diện cho phân khúc nhà ở cao tầng và văn phòng. Dữ liệu được tiền xử lý, chuẩn hóa về miền giá trị xác định và phân chia theo tỷ lệ 70% cho tập huấn luyện (training set) và 30% cho tập kiểm tra độc lập (testing set). Công cụ phân tích chính là phần mềm Weka phiên bản trên nền tảng Java kết hợp Microsoft Excel, được lựa chọn nhờ giao diện trực quan, khả năng xử lý thuật toán mạnh mẽ và độ tiếp cận cao đối với kỹ sư xây dựng. Hiệu năng mô hình được đánh giá thông qua 4 chỉ số thống kê định lượng gồm: Hệ số tương quan tuyến tính (R), Sai số tuyệt đối trung bình (MAE), Căn bậc hai sai số toàn phương trung bình (RMSE), Phần trăm sai số tuyệt đối trung bình (MAPE) và Chỉ số phân tán (Scatter Index - SI).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu đã tiến hành thử nghiệm và xếp hạng hiệu năng của các mô hình máy học độc lập (ANN, SVR, KNN) cùng các mô hình lai kết hợp (ANN-SVR, ANN-SVR-LR-CART, ANN-KNN-LR-CART) trên 12 biến đầu ra khối lượng vật tư. Những kết quả nổi bật bao gồm:

  1. Ước tính khối lượng bê tông: Thuật toán mạng nơ-ron nhân tạo ANN và mô hình kết hợp thể hiện độ chính xác vượt trội trên cả 4 cấu kiện. Sai số phần trăm tuyệt đối trung bình MAPE đạt mức 5,5% đến 7,2%, hệ số tương quan R đạt trên 0,91. Khối lượng bê tông cột và dầm có độ hội tụ sai số thấp hơn 12% so với mô hình hồi quy tuyến tính cổ điển.
  2. Ước tính diện tích ván khuôn: Mô hình kết hợp Ensemble (ANN - SVR - LR - CART) đạt hiệu suất cao nhất. Sự kết hợp các thuật toán cây quyết định CART và hồi quy tuyến tính giúp triệt tiêu phương sai sai số, cải thiện độ chính xác dự báo ván khuôn sàn và dầm lên thêm 14% đến 18% so với khi chạy từng mô hình đơn lẻ.
  3. Ước tính khối lượng cốt thép: Thuật toán SVR kết hợp hàm Kernel RBF và mạng ANN đạt chỉ số phân tán SI dưới 0,10 (mức phân tán rất thấp). Đối với cấu kiện móng và cột, hệ số tương quan R vượt ngưỡng 0,92, phản ánh mức độ tương thích gần như tuyệt đối giữa giá trị dự báo và khối lượng thực tế.
  4. Đánh giá tổng thể thuật toán: Các mô hình kết hợp Ensemble xếp hạng nhất ở hơn 75% các bài toán thành phần, giúp giảm thiểu đáng kể các điểm ngoại lai (outliers) so với thuật toán KNN đơn thuần.

Thảo luận kết quả

Hiệu năng vượt trội của mô hình Ensemble và SVR xuất phát từ bản chất dữ liệu xây dựng vốn có nhiều tương tác phi tuyến tính phức tạp giữa tải trọng sàn, số tầng và cường độ vật liệu. Khác với hồi quy truyền thống dễ bị sai lệch do hiện tượng đa cộng tuyến, SVR tối ưu hóa biên siêu phẳng và ANN tự điều chỉnh trọng số liên kết thông qua lan truyền ngược, từ đó khái quát hóa tốt dữ liệu thực tế.

Khi so sánh với các nghiên cứu trước đây như mô hình ước lượng chi phí của Phan Văn Khoa (2006) với sai số 5,5% hay Nguyễn Hữu Thức (2010) với MAPE đạt 14,4%, nghiên cứu này đã tiến thêm một bước quan trọng: không chỉ dự báo tổng chi phí quy đổi mà bóc tách trực tiếp khối lượng 3 loại vật tư cốt lõi. Trong các báo cáo kỹ thuật, dữ liệu kết quả có thể được thể hiện trực quan qua biểu đồ phân tán (Scatter Plot) so sánh độ lệch giữa đường dự báo và giá trị thực tế, kết hợp bảng ma trận sai số RMSE và MAPE giữa các thuật toán để chủ đầu tư dễ dàng lựa chọn phương án tối ưu.

Đề xuất và khuyến nghị

Nhằm chuyển hóa kết quả nghiên cứu vào thực tiễn quản lý dự án xây dựng tại Việt Nam, tác giả đưa ra các khuyến nghị hành động cụ thể:

  1. Chuẩn hóa cơ sở dữ liệu số về vật tư công trình: Các chủ đầu tư và tổng thầu cần thiết lập kho dữ liệu tập trung lưu trữ tối thiểu 10 thông số hình học và tải trọng cùng bảng khối lượng thực tế sau hoàn công. Mục tiêu giảm 15% thời gian thu thập dữ liệu đầu vào, hoàn thành trong vòng 3 đến 6 tháng.
  2. Ứng dụng phần mềm Weka và thuật toán Ensemble trong giai đoạn lập báo cáo khả thi: Ban quản lý dự án cần tích hợp quy trình dự báo máy học vào giai đoạn lập kế hoạch, hướng tới mục tiêu kiểm soát sai số dự toán sơ bộ dưới 8%, triển khai áp dụng ngay từ quý 1 của chu kỳ dự án.
  3. Ban hành quy trình thẩm định 10 biến số đầu vào: Bộ phận tư vấn thiết kế và kỹ sư dự toán (QS) cần kiểm soát nghiêm ngặt các chỉ số như tổng tải trọng sàn (GFL), diện tích sàn (GFA) và sức chịu tải của đất (SBC), giúp rút ngắn 40% thời gian bóc tách sơ bộ trong thời hạn 1 tháng trước khi đấu thầu.
  4. Đào tạo nâng cao năng lực ứng dụng trí tuệ nhân tạo: Các viện nghiên cứu, trường đại học và hiệp hội ngành nghề cần tổ chức các khóa huấn luyện chuyên sâu về Machine Learning ứng dụng trong xây dựng, phấn đấu 100% cán bộ quản lý chi phí tiếp cận và vận hành thành thạo các công cụ mô hình hóa trong vòng 12 tháng.

Đối tượng nên tham khảo luận văn

Nội dung luận văn mang tính ứng dụng thực tiễn và giá trị học thuật cao, đặc biệt hữu ích cho 4 nhóm đối tượng sau:

  1. Chủ đầu tư và các Nhà phát triển bất động sản: Giúp định hình khung ngân sách chuẩn xác ngay từ bước ý tưởng, lập kế hoạch dòng tiền chủ động và phân bổ nguồn vốn khả thi trước biến động giá thép và xi măng trên thị trường.
  2. Kỹ sư Dự toán (QS) và Ban Quản lý dự án: Cung cấp công cụ tính toán nhanh khối lượng bê tông, ván khuôn, cốt thép mà không cần chờ bản vẽ chi tiết 2D/3D, hỗ trợ kiểm tra chéo hồ sơ mời thầu và lập kế hoạch cung ứng vật tư tại công trường.
  3. Các Đơn vị Tư vấn Thiết kế và Nhà thầu thi công: Sử dụng mô hình máy học để đánh giá sơ bộ các phương án kết cấu thay thế, tối ưu hóa kích thước hình học cấu kiện nhằm tiết kiệm vật liệu xây dựng.
  4. Học viên cao học, Giảng viên và Nhà nghiên cứu: Tài liệu tham khảo toàn diện về cách ứng dụng quy trình CRISP-DM, mạng nơ-ron MLP, SVR và phần mềm Weka vào việc giải quyết các bài toán định lượng phức tạp trong ngành Quản lý Xây dựng.

Câu hỏi thường gặp

  1. Tại sao giai đoạn lập kế hoạch cần ước tính khối lượng vật tư thay vì chỉ ước tính tổng chi phí? Ước tính khối lượng vật tư mang lại cái nhìn bản chất và ổn định hơn so với tổng chi phí tiền tệ. Giá vật liệu xây dựng như thép, bê tông thường xuyên biến động theo thị trường; việc nắm chắc khối lượng m3 bê tông hay tấn thép giúp nhà quản trị dễ dàng cập nhật đơn giá theo thời điểm thực tế, lập kế hoạch chuỗi cung ứng và đàm phán hợp đồng mua sắm sớm.

  2. Những biến số đầu vào nào có ảnh hưởng lớn nhất đến độ chính xác của mô hình dự báo? Theo phân tích tương quan từ mô hình, 3 biến số có mức độ tác động mạnh nhất gồm tổng diện tích sàn (GFA), tổng tải trọng sàn (GFL) và số tầng công trình (NF). Các yếu tố này quyết định trực tiếp đến quy mô tải trọng truyền xuống hệ dầm, cột và móng, từ đó chi phối lượng bê tông và mật độ cốt thép yêu cầu.

  3. Mô hình kết hợp (Ensemble Voting) có ưu thế gì so với từng thuật toán máy học riêng lẻ? Mô hình kết hợp tổng hợp cơ chế suy luận của nhiều thuật toán khác nhau như ANN, SVR, CART và hồi quy tuyến tính. Khi một thuật toán đơn lẻ bị sai lệch cục bộ tại các điểm dị biệt, cơ chế bỏ phiếu hoặc lấy trung bình của Ensemble sẽ cân bằng và bù trừ sai số, giúp giảm phương sai dự báo và nâng cao tính ổn định tổng thể.

  4. Phần mềm Weka có yêu cầu kỹ năng lập trình phức tạp để triển khai trong doanh nghiệp không? Phần mềm Weka hoàn toàn không đòi hỏi kỹ năng viết mã phức tạp nhờ sở hữu giao diện đồ họa trực quan (GUI). Kỹ sư xây dựng chỉ cần chuẩn bị tập dữ liệu dưới định dạng bảng tính CSV/ARFF, lựa chọn thuật toán trong thẻ xử lý và chạy mô hình trong vài phút, giúp tiết kiệm chi phí đào tạo so với các ngôn ngữ Python hay R.

  5. Luận văn đánh giá độ tin cậy của mô hình qua những tiêu chí định lượng nào? Nghiên cứu sử dụng hệ thống 4 chỉ số chuẩn quốc tế gồm hệ số tương quan R, sai số toàn phương RMSE, sai số tuyệt đối MAE và phần trăm sai số MAPE. Mô hình đạt độ tin cậy cao khi R tiệm cận 1,0, chỉ số phân tán SI dưới 0,10 và sai số MAPE dưới 10% trên toàn bộ tập dữ liệu kiểm tra độc lập.

Kết luận

  1. Đề tài đã đề xuất thành công hệ thống các mô hình máy học (ANN, SVR, KNN và Ensemble) ứng dụng ước tính sơ bộ khối lượng vật tư xây dựng trong giai đoạn lập kế hoạch.
  2. Mô hình kết hợp Ensemble (ANN - SVR - LR - CART) chứng minh ưu thế vượt trội với độ chính xác cao, duy trì sai số MAPE dưới 8% cho cả 3 nhóm vật tư bê tông, cốt thép và ván khuôn.
  3. Khai thác hiệu quả 10 biến số thiết kế ban đầu để dự báo chi tiết cho 4 cấu kiện cốt lõi (móng, cột, dầm, sàn), giải quyết bài toán thiếu hụt thông tin trong giai đoạn tiền khả thi.
  4. Chứng minh tính khả thi và tính đại chúng của phần mềm Weka như một công cụ hỗ trợ ra quyết định mạnh mẽ, dễ tiếp cận cho kỹ sư ngành xây dựng.
  5. Định hướng tiếp theo bao gồm việc mở rộng cỡ mẫu dữ liệu sang các loại hình công trình công nghiệp, cầu đường và tích hợp mô hình máy học vào môi trường số hóa BIM.

Các doanh nghiệp và kỹ sư xây dựng hãy chủ động ứng dụng mô hình máy học Weka vào quy trình lập dự toán sơ bộ để nâng cao năng lực cạnh tranh và tối ưu hóa chi phí dự án ngay hôm nay.