Tổng quan nghiên cứu

Trong bối cảnh ngành công nghiệp dầu khí Việt Nam đóng góp khoảng 18%-20% GDP và chiếm 28%-30% tổng thu ngân sách quốc gia, việc nâng cao năng lực cạnh tranh của các công ty tư vấn thiết kế là vô cùng quan trọng. Tổng công ty tư vấn thiết kế dầu khí với hơn 700 nhân viên, hoạt động chính trong lĩnh vực tư vấn đầu tư, thiết kế và quản lý dự án, đang đối mặt với yêu cầu xác định chính xác tổng giờ công thiết kế chi tiết phần xây dựng các công trình Onshore nhằm tối ưu hóa nguồn lực và nâng cao hiệu quả quản lý. Từ dữ liệu 22 dự án Onshore, trong đó 20 dự án được sử dụng để xây dựng mô hình và 2 dự án để thử nghiệm, luận văn tập trung xây dựng mô hình ước tính tổng giờ công thiết kế chi tiết phần xây dựng bằng hai phương pháp chính: hồi quy tuyến tính đa biến và mạng neuron nhân tạo (ANN).

Mục tiêu nghiên cứu là phát triển mô hình ước tính tổng giờ công thiết kế chi tiết phần xây dựng các công trình Onshore tại Tổng công ty tư vấn thiết kế dầu khí, giúp tăng khả năng cạnh tranh trong đấu thầu, hỗ trợ phân bổ nguồn nhân lực hợp lý và giảm thiểu sai số so với phương pháp truyền thống. Phạm vi nghiên cứu giới hạn trong các dự án Onshore tại Tổng công ty, với dữ liệu thu thập từ năm 2010 đến 2015. Ý nghĩa của nghiên cứu thể hiện qua việc ứng dụng mô hình tính toán mềm giúp giảm sự phụ thuộc vào kinh nghiệm cá nhân, rút ngắn thời gian ước tính và nâng cao độ chính xác, từ đó góp phần nâng cao năng suất lao động và hiệu quả quản lý dự án.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính: phân tích hồi quy tuyến tính đa biến và mạng neuron nhân tạo (ANN). Hồi quy tuyến tính đa biến được sử dụng để mô hình hóa mối quan hệ tuyến tính giữa tổng giờ công thiết kế (biến phụ thuộc) và các biến độc lập như tổng diện tích bê tông, số lượng hạng mục bê tông, tổng diện tích nhà thép, số lượng nhà thép, số lượng móng thiết bị, tổng diện tích đường và tổng chiều dài hàng rào. Các giả định quan trọng của hồi quy tuyến tính bao gồm phân phối chuẩn của phần dư, phương sai không đổi, tính độc lập của sai số và không có đa cộng tuyến giữa các biến độc lập.

Mạng neuron nhân tạo (ANN), đặc biệt là mạng MLP (Multi Layer Perceptron) với thuật toán lan truyền ngược (back-propagation), được áp dụng để xử lý các mối quan hệ phi tuyến tính phức tạp giữa các biến đầu vào và biến đầu ra. ANN có khả năng học và xấp xỉ các hàm phi tuyến, phù hợp với dữ liệu có tính biến động và không tuyến tính cao trong công tác thiết kế xây dựng.

Các khái niệm chuyên ngành quan trọng bao gồm: tổng giờ công thiết kế chi tiết phần xây dựng (man-hour), công trình Onshore (các công trình xây dựng trên bờ phục vụ ngành dầu khí), phương pháp hồi quy tuyến tính đa biến, mạng neuron nhân tạo, và các biến đầu vào ảnh hưởng đến tổng giờ công như diện tích bê tông, số lượng hạng mục, diện tích nhà thép, móng thiết bị, chiều dài hàng rào.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ phần mềm tổng hợp giờ công của Tổng công ty tư vấn thiết kế dầu khí, bao gồm 22 dự án Onshore đã hoàn thành, trong đó 20 dự án được sử dụng để xây dựng mô hình và 2 dự án dùng để thử nghiệm. Dữ liệu được chuẩn hóa và hiệu chỉnh bởi hai chuyên gia có kinh nghiệm trên 10 năm trong lĩnh vực thiết kế công trình Onshore nhằm đảm bảo tính chính xác và phù hợp.

Phương pháp phân tích bao gồm xây dựng mô hình hồi quy tuyến tính đa biến với các thủ thuật chọn biến như forward selection, backward elimination và stepwise regression để lựa chọn các biến đầu vào tối ưu. Các giả định của mô hình hồi quy được kiểm định kỹ lưỡng qua các kiểm định thống kê như kiểm định F, kiểm định t, kiểm định Durbin-Watson, và phân tích phần dư.

Song song đó, mô hình ANN được xây dựng với cấu trúc mạng MLP gồm một lớp đầu vào, một hoặc hai lớp ẩn, và một lớp đầu ra. Số lượng neuron trong lớp ẩn được thử nghiệm từ 7 đến 17, hàm kích hoạt sử dụng hyperbolic tangent và sigmoid, thuật toán huấn luyện là back-propagation với các biến thể như Levenberg-Marquardt và Bayesian regularization. Quá trình huấn luyện và đánh giá mô hình dựa trên các chỉ số như hệ số xác định (R²), sai số trung bình tuyệt đối (MAPE) và sai số bình phương trung bình (MSE).

Timeline nghiên cứu kéo dài từ tháng 8/2014 đến tháng 5/2015, bao gồm các bước xác định nhân tố ảnh hưởng, thu thập và chuẩn hóa dữ liệu, xây dựng mô hình hồi quy và ANN, đánh giá và lựa chọn mô hình, thử nghiệm mô hình trên các dự án thực tế, và tổng kết kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Xác định 8 nhân tố chính ảnh hưởng đến tổng giờ công thiết kế chi tiết phần xây dựng: tổng diện tích bê tông, số lượng hạng mục bê tông, tổng diện tích nhà thép, số lượng nhà thép, số lượng móng thiết bị, tổng diện tích đường, tổng chiều dài hàng rào và kết cấu đỡ ống. Các biến này được chuyên gia xác nhận có ảnh hưởng thực tiễn và được sử dụng làm biến độc lập trong mô hình.

  2. Mô hình hồi quy tuyến tính đa biến với 5 biến đầu vào đạt hệ số xác định R² khoảng 0.85, cho thấy mô hình giải thích được 85% biến động của tổng giờ công thiết kế. Sai số trung bình tuyệt đối (MAPE) của mô hình hồi quy đạt khoảng 10%, thể hiện độ chính xác tương đối cao so với phương pháp truyền thống.

  3. Mô hình ANN với 5 biến đầu vào và số neuron lớp ẩn từ 7 đến 12 cho kết quả tốt nhất, với hệ số xác định R² trung bình đạt 0.89 và MAPE thấp hơn 8%, vượt trội hơn so với mô hình hồi quy tuyến tính. Mô hình ANN thể hiện khả năng xử lý các mối quan hệ phi tuyến và biến động dữ liệu tốt hơn.

  4. Thử nghiệm mô hình trên 2 dự án thực tế cho thấy sai số ước tính tổng giờ công của mô hình ANN thấp hơn 5% so với dữ liệu thực tế, trong khi mô hình hồi quy có sai số khoảng 7%. Điều này chứng tỏ mô hình ANN có tính ứng dụng cao trong thực tế.

Thảo luận kết quả

Nguyên nhân mô hình ANN cho kết quả tốt hơn là do khả năng học và xấp xỉ các quan hệ phi tuyến phức tạp giữa các biến đầu vào và tổng giờ công thiết kế, trong khi hồi quy tuyến tính chỉ mô hình hóa quan hệ tuyến tính. Kết quả này phù hợp với các nghiên cứu trước đây trong lĩnh vực xây dựng và quản lý dự án, nơi ANN thường được ưu tiên khi dữ liệu có tính phi tuyến và biến động cao.

Biểu đồ phân tán phần dư chuẩn hóa so với giá trị dự đoán cho thấy mô hình hồi quy tuyến tính có phần dư phân tán ngẫu nhiên, thỏa mãn giả định tuyến tính và phương sai không đổi. Biểu đồ sai số phần trăm tuyệt đối trung bình (MAPE) của các mô hình cho thấy ANN có sai số thấp hơn, minh chứng cho độ chính xác cao hơn.

Kết quả nghiên cứu có ý nghĩa thực tiễn lớn trong việc hỗ trợ Tổng công ty tư vấn thiết kế dầu khí nâng cao hiệu quả ước tính tổng giờ công thiết kế, từ đó cải thiện kế hoạch phân bổ nhân lực, giảm thiểu lãng phí và tăng khả năng cạnh tranh trong đấu thầu. Mô hình cũng có thể được áp dụng cho các công ty tư vấn thiết kế trong cùng lĩnh vực với điều chỉnh hệ số chuyển đổi phù hợp.

Đề xuất và khuyến nghị

  1. Áp dụng mô hình ANN 5 biến đầu vào trong công tác ước tính tổng giờ công thiết kế chi tiết phần xây dựng tại Tổng công ty tư vấn thiết kế dầu khí nhằm nâng cao độ chính xác và rút ngắn thời gian ước tính. Thời gian triển khai dự kiến trong 6 tháng, do phòng Quản lý dự án chủ trì phối hợp với phòng Công nghệ thông tin.

  2. Xây dựng hệ thống phần mềm hỗ trợ ước tính tự động dựa trên mô hình ANN để giảm sự phụ thuộc vào kinh nghiệm cá nhân và tăng tính nhất quán trong ước tính. Chủ thể thực hiện là phòng Công nghệ thông tin và phòng Kỹ thuật, với thời gian phát triển 9 tháng.

  3. Đào tạo và nâng cao năng lực cho cán bộ kỹ thuật và quản lý dự án về phương pháp tính toán mềm và sử dụng mô hình ANN nhằm đảm bảo vận hành hiệu quả mô hình trong thực tế. Thời gian đào tạo định kỳ hàng năm, do phòng Đào tạo và phát triển nhân sự tổ chức.

  4. Mở rộng nghiên cứu và thu thập thêm dữ liệu từ các dự án mới để cập nhật và hoàn thiện mô hình ước tính, nâng cao tính tổng quát và khả năng áp dụng cho các loại công trình khác. Chủ thể thực hiện là nhóm nghiên cứu nội bộ, với kế hoạch cập nhật mô hình mỗi 2 năm.

Đối tượng nên tham khảo luận văn

  1. Các công ty tư vấn thiết kế xây dựng công nghiệp, đặc biệt trong lĩnh vực dầu khí, để áp dụng mô hình ước tính tổng giờ công thiết kế chi tiết phần xây dựng, giúp nâng cao hiệu quả quản lý dự án và tăng khả năng cạnh tranh trong đấu thầu.

  2. Các nhà quản lý dự án và phòng kế hoạch nhân sự tại các tổng công ty tư vấn thiết kế, nhằm sử dụng mô hình để dự báo nhu cầu lao động, phân bổ nguồn lực hợp lý, giảm thiểu lãng phí và thiếu hụt nhân lực trong quá trình triển khai dự án.

  3. Các nhà nghiên cứu và sinh viên chuyên ngành Công nghệ và Quản lý xây dựng, để tham khảo phương pháp nghiên cứu, ứng dụng hồi quy và mạng neuron nhân tạo trong lĩnh vực ước tính tổng giờ công và quản lý dự án xây dựng.

  4. Các đơn vị phát triển phần mềm quản lý dự án xây dựng, nhằm tích hợp mô hình ước tính vào các công cụ hỗ trợ lập kế hoạch và quản lý nguồn lực, nâng cao tính tự động và chính xác trong công tác dự toán.

Câu hỏi thường gặp

  1. Mô hình ước tính tổng giờ công thiết kế chi tiết phần xây dựng có thể áp dụng cho các công trình ngoài lĩnh vực dầu khí không?
    Mô hình được xây dựng dựa trên dữ liệu các dự án Onshore ngành dầu khí, tuy nhiên với điều chỉnh hệ số chuyển đổi phù hợp, mô hình có thể áp dụng cho các công trình công nghiệp khác có đặc điểm tương tự về khối lượng và loại hình công việc.

  2. Phương pháp mạng neuron nhân tạo (ANN) có ưu điểm gì so với hồi quy tuyến tính trong nghiên cứu này?
    ANN có khả năng xử lý các mối quan hệ phi tuyến phức tạp và dữ liệu biến động cao, cho kết quả ước tính chính xác hơn với sai số thấp hơn so với hồi quy tuyến tính, đặc biệt khi dữ liệu không tuân theo giả định tuyến tính.

  3. Dữ liệu đầu vào của mô hình được thu thập và chuẩn hóa như thế nào?
    Dữ liệu được thu thập từ phần mềm tổng hợp giờ công của Tổng công ty, sau đó được hai chuyên gia có kinh nghiệm trên 10 năm kiểm tra, điều chỉnh và chuẩn hóa để đảm bảo tính chính xác và phù hợp với thực tế.

  4. Sai số trung bình tuyệt đối (MAPE) của mô hình ANN là bao nhiêu?
    Mô hình ANN đạt MAPE khoảng 8% trên bộ dữ liệu thử nghiệm, thấp hơn so với mô hình hồi quy tuyến tính khoảng 10%, cho thấy độ chính xác cao và khả năng ứng dụng thực tế tốt.

  5. Làm thế nào để triển khai mô hình ước tính trong thực tế tại các công ty tư vấn thiết kế?
    Cần xây dựng phần mềm hỗ trợ dựa trên mô hình ANN, đào tạo cán bộ sử dụng, đồng thời cập nhật dữ liệu và mô hình định kỳ để đảm bảo tính chính xác và phù hợp với điều kiện thực tế của từng công ty.

Kết luận

  • Đã xác định được 8 nhân tố chính ảnh hưởng đến tổng giờ công thiết kế chi tiết phần xây dựng các công trình Onshore tại Tổng công ty tư vấn thiết kế dầu khí.
  • Xây dựng thành công mô hình hồi quy tuyến tính đa biến và mô hình mạng neuron nhân tạo (ANN) với 5 biến đầu vào, trong đó mô hình ANN cho kết quả ước tính chính xác hơn.
  • Mô hình ANN đạt hệ số xác định R² khoảng 0.89 và sai số trung bình tuyệt đối (MAPE) dưới 8%, phù hợp để ứng dụng trong thực tế.
  • Mô hình giúp nâng cao năng lực cạnh tranh, hỗ trợ phân bổ nguồn lực và giảm thiểu sai số so với phương pháp truyền thống.
  • Đề xuất triển khai mô hình ANN trong Tổng công ty, phát triển phần mềm hỗ trợ, đào tạo nhân sự và mở rộng nghiên cứu trong tương lai.

Next steps: Triển khai áp dụng mô hình ANN trong công tác ước tính, xây dựng phần mềm hỗ trợ, đào tạo cán bộ và thu thập dữ liệu bổ sung để cập nhật mô hình.

Call to action: Các đơn vị tư vấn thiết kế và quản lý dự án nên nghiên cứu và áp dụng mô hình này để nâng cao hiệu quả công tác ước tính và quản lý nguồn lực, góp phần phát triển bền vững ngành xây dựng công nghiệp.