Luận văn thạc sĩ quản lý xây dựng phát triển mô hình đồ họa bayes sbm và dbm kết hợp thuật toán mote carlo markov chain monte carlo để lựa chọn chương trình năng lượng tái tạo tối ưu trong công trình xây dựng

Luận văn thạc sĩ về quản lý xây dựng: Phát triển mô hình đồ họa Bayes (SBM, DBM) kết hợp thuật toán Monte Carlo để lựa chọn năng lượng tái tạo tối ưu.

• Tác giả: Trần Bình Phương Nhân
• Người hướng dẫn: TS. Phạm Vũ Hồng Sơn
• Trường học: Trường Đại học Bách khoa - ĐHQG TP.HCM
• Chuyên ngành: Quản lý xây dựng
• Đề tài: Phát triển mô hình đồ họa bayes (SBM và DBM) kết hợp thuật toán Monte Carlo - Markov Chain Monte Carlo để lựa chọn chương trình năng lượng tái tạo tối ưu trong công trình xây dựng
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2019
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: LÝ DO CHỌN ĐỀ TÀI
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.3. Phạm vi nghiên cứu, các giả định và giả thuyết
• 1.4. Phương pháp nghiên cứu
• 1.5. Bố cục của luận văn
• 2. CHƯƠNG 2: NGHIÊN CỨU TRƯỚC ĐÂY VỀ PHƯƠNG PHÁP HỖ TRỢ RA QUYẾT ĐỊNH ĐA TIÊU CHÍ (MCDM)
• 3. CHƯƠNG 3: PHÁT TRIỂN NĂNG LƯỢNG TÁI TẠO TRONG THIÊN NIÊN KỶ HIỆN TẠI
• 3.1. Năng lượng Đại dương
• 3.2. Năng lượng gió
• 3.3. Năng lượng địa nhiệt
• 3.4. Năng lượng Nhiệt Mặt trời
• 3.5. Năng lượng sinh học
• 3.6. Quyết định cho nhóm - Group Decision Making (GDM)
• 3.7. Các mối quan hệ giữa tính bền vững và các kế hoạch năng lượng tái tạo
• 3.7.1. Các khía cạnh tác động môi trường
• 3.7.2. Khía cạnh khả năng phát triển kinh tế
• 3.7.3. Khía cạnh của vấn đề xã hội
• 3.8. Vai trò quản lý xây dựng trong phát triển năng lượng tái tạo
• 3.9. Mô hình đồ họa Bayes - Bayes graphical model (BGM)
• 3.10. Thuật toán Monte Carlo (MCS)
• 3.11. Mô phỏng Markov Chain Monte Carlo (MCMC)
• 3.12. Chức năng Vĩnh viễn
• 4. CHƯƠNG 4: PHÁT TRIỂN MÔ HÌNH SBMMCS VÀ DBMMCMC
• 4.1. Mô hình SBMMCS và DBMMCMC
• 4.2. Đánh giá hiệu quả của mô hình
• 4.2.1. Đưa ra một phương pháp MCDM từ một nghiên cứu trước đây
• 4.2.2. Vận dụng mô hình vào một nghiên cứu trước đây
• 4.3. Tính toán cụ thể
• 6. CHƯƠNG 6: KẾT LUẬN VÀ KIẾN NGHỊ
• 6.1. Kết luận
• DANH MỤC TÀI LIỆU THAM KHẢO
• PHẦN LÝ LỊCH TRÍCH NGANG
• QUÁ TRÌNH ĐÀO TẠO
• QUÁ TRÌNH CÔNG TÁC
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG BIỂU
• DANH SÁCH CÁC CHỮ VIẾT TẮT

Tóm tắt

I. Tổng Quan Mô Hình Bayes cho Năng Lượng Tái Tạo 55 ký tự

Trong bối cảnh nhu cầu năng lượng toàn cầu ngày càng tăng và sự cạn kiệt nguồn nhiên liệu hóa thạch, năng lượng tái tạo nổi lên như một giải pháp bền vững. Tuy nhiên, việc lựa chọn nguồn năng lượng tái tạo phù hợp cho từng công trình xây dựng là một bài toán phức tạp, đòi hỏi xem xét nhiều yếu tố như chi phí, hiệu quả, tác động môi trường và xã hội. Mô hình Bayes cung cấp một phương pháp tiếp cận mạnh mẽ để giải quyết bài toán này. Nó cho phép tích hợp thông tin từ nhiều nguồn khác nhau, bao gồm dữ liệu lịch sử, ý kiến chuyên gia và các yếu tố không chắc chắn, để đưa ra quyết định tối ưu hóa năng lượng. Nghiên cứu này tập trung vào việc phát triển và ứng dụng mô hình Bayes để lựa chọn năng lượng tái tạo tối ưu trong xây dựng, góp phần vào mục tiêu phát triển bền vững.

1.1. Giới thiệu về Mô Hình Bayes và ứng dụng

Mô hình Bayes là một phương pháp thống kê cho phép cập nhật niềm tin về một sự kiện dựa trên bằng chứng mới. Trong lựa chọn năng lượng tái tạo, mô hình Bayes có thể được sử dụng để ước lượng xác suất thành công của các dự án khác nhau, dựa trên thông tin về chi phí, hiệu quả và các yếu tố khác. Phương pháp này đặc biệt hữu ích khi dữ liệu còn hạn chế hoặc không chắc chắn, ví dụ như khi đánh giá các công nghệ năng lượng tái tạo mới. Ước lượng Bayesian giúp lượng hóa sự không chắc chắn và đưa ra dự đoán chính xác hơn.

1.2. Vai trò của Năng Lượng Tái Tạo trong Xây Dựng

Việc sử dụng năng lượng tái tạo trong xây dựng đóng vai trò quan trọng trong việc giảm thiểu phát thải carbon và bảo vệ môi trường. Các nguồn năng lượng tái tạo như năng lượng mặt trời, năng lượng gió, và năng lượng địa nhiệt có thể được tích hợp vào các tòa nhà để cung cấp điện, nhiệt và nước nóng. Điều này không chỉ giảm sự phụ thuộc vào nhiên liệu hóa thạch mà còn tạo ra các công trình xây dựng xanh và bền vững.

II. Thách Thức Lựa Chọn Năng Lượng Tái Tạo Tối Ưu 59 ký tự

Việc lựa chọn năng lượng tái tạo tối ưu trong xây dựng không phải là một nhiệm vụ đơn giản. Có rất nhiều loại năng lượng tái tạo khác nhau, mỗi loại có ưu và nhược điểm riêng. Ngoài ra, các yếu tố như vị trí địa lý, điều kiện khí hậu, chi phí đầu tư và vận hành, cũng như các quy định pháp lý, đều ảnh hưởng đến tính khả thi và hiệu quả của từng lựa chọn. Việc đánh giá tính khả thi của các dự án năng lượng tái tạo đòi hỏi phải xem xét nhiều tiêu chí khác nhau, bao gồm cả các yếu tố kinh tế, môi trường và xã hội. Phân tích quyết định đa tiêu chí (MCDM) có thể giúp giải quyết bài toán phức tạp này.

2.1. Các Yếu Tố Ảnh Hưởng Đến Quyết Định Lựa Chọn

Nhiều yếu tố ảnh hưởng đến lựa chọn năng lượng tái tạo, bao gồm chi phí ban đầu và vận hành, hiệu suất chuyển đổi năng lượng, tuổi thọ của thiết bị, tác động môi trường, và sự phù hợp với kiến trúc công trình. Chi phí ban đầu có thể cao đối với một số công nghệ, nhưng chi phí vòng đời có thể thấp hơn so với các nguồn năng lượng truyền thống. Đánh giá rủi ro liên quan đến các yếu tố này là rất quan trọng.

2.2. Khó khăn trong việc Đánh Giá Tính Khả Thi Dự Án

Việc đánh giá tính khả thi của các dự án năng lượng tái tạo thường gặp khó khăn do sự không chắc chắn về giá năng lượng trong tương lai, biến động về chính sách hỗ trợ, và rủi ro công nghệ. Phân tích độ nhạy và phân tích kịch bản có thể được sử dụng để đánh giá tác động của các yếu tố không chắc chắn này đến hiệu quả dự án.

2.3. Tầm quan trọng của Phân tích Đa Tiêu Chí MCDM

Phân tích quyết định đa tiêu chí (MCDM) là một phương pháp hữu ích để so sánh và lựa chọn giữa các phương án năng lượng tái tạo khác nhau dựa trên nhiều tiêu chí. MCDM giúp các nhà hoạch định xem xét các yếu tố kinh tế, môi trường và xã hội một cách có hệ thống và đưa ra quyết định sáng suốt.

III. Phương Pháp Mô Hình Bayes Tối Ưu cho Xây Dựng 58 ký tự

Nghiên cứu này đề xuất việc sử dụng mô hình Bayes kết hợp với thuật toán tối ưu hóa để giải quyết bài toán lựa chọn năng lượng tái tạo trong xây dựng. Mô hình hóa xác suất cho phép lượng hóa sự không chắc chắn và tích hợp thông tin từ nhiều nguồn khác nhau. Thuật toán tối ưu hóa được sử dụng để tìm ra cấu hình năng lượng tái tạo tối ưu, đáp ứng các yêu cầu về chi phí, hiệu quả và tác động môi trường. Việc tích hợp Mô hình Markov Chain Monte Carlo (MCMC) cho phép mô hình Bayes xử lý dữ liệu theo thời gian và đưa ra dự báo động về hiệu quả của các nguồn năng lượng tái tạo.

3.1. Xây dựng Mô Hình Bayes cho Lựa Chọn Năng Lượng

Việc xây dựng mô hình Bayes bắt đầu bằng việc xác định các biến liên quan, bao gồm chi phí đầu tư, chi phí vận hành, hiệu suất, tuổi thọ, phát thải carbon, và các yếu tố xã hội. Sau đó, cần xác định các phân phối xác suất cho các biến này, dựa trên dữ liệu lịch sử, ý kiến chuyên gia, và các yếu tố không chắc chắn khác. Mô hình hóa xác suất này là nền tảng cho việc đánh giá và so sánh các lựa chọn năng lượng tái tạo.

3.2. Tối ưu Hóa bằng Thuật Toán Monte Carlo Markov Chain

Thuật toán Monte Carlo - Markov Chain (MCMC) được sử dụng để tìm kiếm không gian giải pháp và xác định cấu hình năng lượng tái tạo tối ưu. MCMC cho phép mô hình Bayes cập nhật các tham số dựa trên dữ liệu mới và đưa ra dự báo động về hiệu quả của các nguồn năng lượng tái tạo. Điều này đặc biệt quan trọng trong bối cảnh thị trường năng lượng và chính sách năng lượng thay đổi liên tục.

3.3. Tích hợp yếu tố Rủi Ro và Chính Sách Năng Lượng

Mô hình Bayes cho phép tích hợp các yếu tố rủi ro, chẳng hạn như biến động giá năng lượng, rủi ro công nghệ, và thay đổi chính sách. Chính sách năng lượng đóng vai trò quan trọng trong việc khuyến khích hoặc hạn chế việc sử dụng năng lượng tái tạo. Mô hình cần xem xét các chính sách hỗ trợ, thuế, và các quy định khác để đưa ra dự báo chính xác.

IV. Ứng Dụng Mô Hình Bayes trong Dự Án Xây Dựng 53 ký tự

Mô hình Bayes có thể được ứng dụng trong nhiều loại dự án xây dựng khác nhau, từ nhà ở dân dụng đến các tòa nhà thương mại và công nghiệp. Ví dụ, mô hình Bayes có thể giúp các nhà đầu tư lựa chọn hệ thống năng lượng mặt trời phù hợp cho một tòa nhà văn phòng, dựa trên các yếu tố như vị trí địa lý, diện tích mái nhà, và nhu cầu sử dụng điện. Phần mềm mô phỏng năng lượng có thể được sử dụng để đánh giá hiệu quả của các cấu hình năng lượng tái tạo khác nhau.

4.1. Ví dụ thực tế Lựa chọn Năng lượng Mặt Trời cho Tòa Nhà

Trong một dự án tòa nhà văn phòng, mô hình Bayes có thể giúp lựa chọn loại tấm pin năng lượng mặt trời (PV) phù hợp nhất. Mô hình sẽ xem xét các yếu tố như hiệu suất của tấm pin, chi phí lắp đặt, chi phí bảo trì, và tuổi thọ. Kết quả sẽ giúp nhà đầu tư đưa ra quyết định sáng suốt về việc đầu tư năng lượng tái tạo.

4.2. Đánh Giá Hiệu Quả Kinh Tế của Năng Lượng Gió cho Khu Dân Cư

Đối với khu dân cư, mô hình Bayes có thể được sử dụng để đánh giá hiệu quả kinh tế của việc sử dụng năng lượng gió. Mô hình sẽ xem xét các yếu tố như tốc độ gió trung bình, chi phí lắp đặt tua-bin gió, và giá điện. Kết quả sẽ giúp cư dân đưa ra quyết định về việc sử dụng năng lượng gió để giảm chi phí điện.

4.3. So sánh các lựa chọn năng lượng tái tạo khác nhau

Mô hình Bayes cho phép so sánh các lựa chọn năng lượng tái tạo khác nhau một cách khách quan. Ví dụ, mô hình có thể so sánh chi phí và lợi ích của việc sử dụng năng lượng mặt trời, năng lượng gió và năng lượng địa nhiệt cho một dự án cụ thể.

V. Kết Luận Hướng Phát Triển Mô Hình Bayes Tương Lai 57 ký tự

Mô hình Bayes là một công cụ mạnh mẽ để lựa chọn năng lượng tái tạo tối ưu trong xây dựng. Việc phát triển và ứng dụng mô hình Bayes trong lĩnh vực này có thể góp phần vào mục tiêu phát triển bền vững và giảm thiểu tác động tiêu cực đến môi trường. Trong tương lai, cần tiếp tục nghiên cứu và cải tiến mô hình Bayes để tích hợp thêm các yếu tố phức tạp và đáp ứng các yêu cầu ngày càng cao của ngành xây dựng.

5.1. Thách thức và Hạn chế của mô hình hiện tại

Các hạn chế của mô hình hiện tại bao gồm sự phức tạp trong việc thu thập và xử lý dữ liệu, yêu cầu về chuyên môn thống kê cao, và khả năng bị ảnh hưởng bởi các yếu tố không chắc chắn. Cần có các nghiên cứu tiếp theo để giải quyết những hạn chế này.

5.2. Các Bước Cải Tiến để Tăng Độ Chính Xác và Ứng Dụng

Việc cải tiến mô hình Bayes có thể bao gồm việc tích hợp thêm các kỹ thuật tối ưu hóa mới, sử dụng các nguồn dữ liệu đa dạng hơn, và phát triển các giao diện người dùng thân thiện hơn. Mô hình Bayes tích hợp với BIM(Building Information Modeling) giúp việc lựa chọn năng lượng tái tạo hiệu quả hơn.

5.3. Tiềm năng ứng dụng rộng rãi trong Quy Hoạch Năng Lượng

Việc ứng dụng mô hình Bayes không chỉ giới hạn trong lĩnh vực xây dựng, mà còn có thể mở rộng sang lĩnh vực quy hoạch năng lượng ở cấp độ quốc gia và khu vực. Mô hình Bayes có thể giúp các nhà hoạch định đưa ra quyết định sáng suốt về việc đầu tư năng lượng tái tạo và phát triển các lưới điện thông minh.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh nhu cầu năng lượng toàn cầu ngày càng tăng, việc sử dụng nguồn nhiên liệu hóa thạch vẫn chiếm tỷ trọng lớn nhưng đang đối mặt với nguy cơ cạn kiệt và tác động tiêu cực đến môi trường. Theo số liệu của Cơ quan Năng lượng Quốc tế (IEA, 2017), tỷ trọng tiêu thụ năng lượng hóa thạch trên thế giới giảm từ 86,7% năm 1973 xuống còn 81,4% năm 2015, tuy nhiên lượng khí thải CO2 vẫn tiếp tục tăng, gây ra hiệu ứng nhà kính nghiêm trọng. Năng lượng tái tạo (RE) như năng lượng mặt trời, gió, địa nhiệt, sinh khối, thủy điện và đại dương được xem là giải pháp bền vững, thân thiện với môi trường và có tiềm năng thay thế nhiên liệu hóa thạch.

Tuy nhiên, việc lựa chọn nguồn năng lượng tái tạo phù hợp vẫn còn nhiều thách thức do ảnh hưởng đa chiều về kinh tế, môi trường và xã hội. Mục tiêu nghiên cứu của luận văn là phát triển một phương pháp ra quyết định đa tiêu chí (MCDM) dựa trên mô hình đồ họa Bayes tĩnh (SBM) và động (DBM) kết hợp với thuật toán Monte Carlo (MCS) và Markov Chain Monte Carlo (MCMC) để đánh giá, xếp hạng và lựa chọn chương trình năng lượng tái tạo tối ưu trong công trình xây dựng. Nghiên cứu tập trung phân tích dữ liệu từ năm 2009 đến 2017, nhằm cung cấp công cụ hỗ trợ quyết định hiệu quả cho các nhà quản lý và nhà đầu tư trong lĩnh vực năng lượng tái tạo tại Việt Nam và quốc tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai mô hình chính của lý thuyết Bayes:

• Mô hình Bayes tĩnh (SBM): Mô hình này sử dụng cấu trúc đồ họa Bayes để mô hình hóa các mối quan hệ giữa các biến trong một thời điểm cố định, cho phép xử lý sự không chắc chắn và đánh giá xác suất các phương án lựa chọn dựa trên dữ liệu quan sát.

• Mô hình Bayes động (DBM): Mở rộng từ SBM, DBM mô hình hóa sự biến đổi của các biến theo thời gian, kết hợp với thuật toán Markov Chain Monte Carlo (MCMC) để mô phỏng và đánh giá các bảng xếp hạng nguồn năng lượng tái tạo qua các năm.

Các khái niệm chính bao gồm:

• Multi-Criteria Decision Making (MCDM): Phương pháp ra quyết định đa tiêu chí, xử lý các tiêu chí định lượng và định tính để lựa chọn phương án tối ưu.

• Sustainability Indicators (SIs): Các chỉ số bền vững đánh giá tác động môi trường, kinh tế và xã hội của các nguồn năng lượng tái tạo.

• Thuật toán Monte Carlo (MCS): Phương pháp mô phỏng xác suất để đánh giá các kịch bản và rủi ro trong quá trình ra quyết định.

• Markov Chain Monte Carlo (MCMC): Thuật toán mô phỏng chuỗi Markov nhằm ước lượng phân phối xác suất phức tạp trong mô hình Bayes động.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ khảo sát chuyên gia về các chỉ số bền vững (SIs) của các nguồn năng lượng tái tạo trong giai đoạn 2009-2017, cùng với dữ liệu tiêu thụ năng lượng và báo cáo phát triển năng lượng tái tạo trong công trình xây dựng.

Phương pháp phân tích gồm:

• Xây dựng mô hình SBM kết hợp MCS để đánh giá và xếp hạng các nguồn năng lượng tái tạo trong năm 2017.

• Áp dụng mô hình DBM kết hợp MCMC để mô phỏng và đánh giá sự biến thiên bảng xếp hạng nguồn năng lượng tái tạo theo thời gian từ 2009 đến 2017.

Cỡ mẫu khảo sát gồm các chuyên gia trong lĩnh vực năng lượng và xây dựng, được lựa chọn theo phương pháp chọn mẫu thuận tiện và chuyên gia nhằm đảm bảo tính đại diện và độ tin cậy của dữ liệu. Quá trình nghiên cứu được thực hiện trong khoảng thời gian từ tháng 8/2018 đến tháng 12/2018.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Xếp hạng nguồn năng lượng tái tạo năm 2017 theo mô hình SBM-MCS: Kết quả cho thấy năng lượng mặt trời (PV) và năng lượng gió đứng đầu bảng xếp hạng với tỷ lệ ưu tiên lần lượt khoảng 35% và 30%, trong khi năng lượng đại dương và sinh khối có tỷ lệ thấp hơn, dưới 10%.

2. Biến thiên bảng xếp hạng nguồn năng lượng tái tạo giai đoạn 2009-2017 theo mô hình DBM-MCMC: Mô hình cho thấy sự thay đổi vị trí xếp hạng của các nguồn năng lượng theo thời gian, trong đó năng lượng gió tăng trưởng ổn định với mức tăng trung bình 5% mỗi năm, năng lượng địa nhiệt giữ vị trí ổn định, còn năng lượng thủy điện có xu hướng giảm nhẹ do hạn chế về môi trường.

3. Đánh giá tác động đa chiều của các nguồn năng lượng tái tạo: Các chỉ số bền vững (SIs) được phân tích cho thấy năng lượng mặt trời và gió có tác động tích cực về môi trường và xã hội, trong khi năng lượng sinh khối và đại dương cần được cải thiện về mặt kinh tế và kỹ thuật để tăng tính bền vững.

4. So sánh với các phương pháp truyền thống: Mô hình Bayesian kết hợp Monte Carlo cho phép xử lý tốt sự không chắc chắn và đa chiều trong dữ liệu, nâng cao độ tin cậy của quyết định so với các phương pháp MCDM truyền thống như AHP hay TOPSIS.

Thảo luận kết quả

Nguyên nhân của sự ưu tiên năng lượng mặt trời và gió là do tính sẵn có, chi phí đầu tư giảm và tác động môi trường thấp. Sự biến động trong bảng xếp hạng theo thời gian phản ánh sự phát triển công nghệ và chính sách hỗ trợ năng lượng tái tạo. Kết quả phù hợp với các nghiên cứu quốc tế về xu hướng phát triển năng lượng tái tạo.

Việc sử dụng mô hình Bayesian tĩnh và động kết hợp thuật toán Monte Carlo và MCMC giúp mô phỏng chính xác hơn các kịch bản và rủi ro, đồng thời cung cấp công cụ hỗ trợ quyết định đa tiêu chí hiệu quả cho các nhà quản lý xây dựng và hoạch định chính sách năng lượng.

Dữ liệu có thể được trình bày qua các biểu đồ biến thiên vị trí xếp hạng theo năm, bảng tổng hợp tỷ lệ ưu tiên các nguồn năng lượng và biểu đồ so sánh tác động bền vững của từng nguồn.

Đề xuất và khuyến nghị

1. Áp dụng mô hình Bayesian kết hợp Monte Carlo trong ra quyết định năng lượng tái tạo: Khuyến nghị các cơ quan quản lý và nhà đầu tư sử dụng mô hình SBMMCS và DBMMCMC để đánh giá và lựa chọn nguồn năng lượng phù hợp, nhằm tối ưu hóa hiệu quả kinh tế, môi trường và xã hội trong vòng 1-2 năm tới.

2. Tăng cường đầu tư phát triển công nghệ năng lượng mặt trời và gió: Động viên các dự án nghiên cứu và ứng dụng công nghệ mới nhằm giảm chi phí và nâng cao hiệu suất, hướng tới mục tiêu tăng tỷ trọng năng lượng tái tạo lên trên 30% trong tổng nguồn năng lượng sử dụng trong 5 năm tới.

3. Xây dựng hệ thống thu thập và cập nhật dữ liệu chuyên gia định kỳ: Thiết lập cơ chế khảo sát và cập nhật các chỉ số bền vững (SIs) hàng năm để mô hình DBM-MCMC có dữ liệu chính xác, phục vụ cho việc ra quyết định năng lượng tái tạo liên tục và kịp thời.

4. Đào tạo và nâng cao năng lực cho các nhà quản lý xây dựng và hoạch định chính sách: Tổ chức các khóa đào tạo về phương pháp ra quyết định đa tiêu chí và ứng dụng mô hình Bayesian, giúp nâng cao khả năng phân tích và lựa chọn các chương trình năng lượng tái tạo tối ưu trong công trình xây dựng.

Đối tượng nên tham khảo luận văn

1. Nhà quản lý và hoạch định chính sách năng lượng: Luận văn cung cấp công cụ hỗ trợ ra quyết định đa tiêu chí, giúp lựa chọn nguồn năng lượng tái tạo phù hợp với mục tiêu phát triển bền vững quốc gia.

2. Các nhà đầu tư và doanh nghiệp trong lĩnh vực năng lượng tái tạo: Tham khảo để đánh giá hiệu quả và rủi ro của các dự án năng lượng tái tạo, từ đó đưa ra quyết định đầu tư chính xác và tối ưu.

3. Chuyên gia và nhà nghiên cứu về quản lý xây dựng và năng lượng: Cung cấp phương pháp luận và mô hình phân tích tiên tiến, hỗ trợ nghiên cứu và phát triển các giải pháp năng lượng bền vững.

4. Sinh viên và học viên cao học ngành quản lý xây dựng, kỹ thuật năng lượng: Tài liệu tham khảo quý giá về ứng dụng mô hình Bayesian và thuật toán Monte Carlo trong lĩnh vực năng lượng tái tạo và quản lý xây dựng.

Câu hỏi thường gặp

1. Mô hình Bayesian tĩnh và động khác nhau như thế nào?
   Mô hình Bayesian tĩnh (SBM) đánh giá dữ liệu tại một thời điểm cố định, trong khi mô hình Bayesian động (DBM) mô phỏng sự biến đổi của dữ liệu theo thời gian, giúp phân tích xu hướng và biến thiên trong dài hạn.

2. Tại sao kết hợp Monte Carlo và Markov Chain Monte Carlo lại quan trọng?
   Thuật toán Monte Carlo giúp mô phỏng các kịch bản xác suất, còn MCMC cho phép ước lượng phân phối phức tạp trong mô hình động, từ đó xử lý tốt sự không chắc chắn và đa chiều trong dữ liệu.

3. Các chỉ số bền vững (SIs) được xác định như thế nào?
   SIs bao gồm các chỉ số về tác động môi trường (phát thải khí nhà kính), kinh tế (chi phí đầu tư, hiệu quả kinh tế) và xã hội (tạo việc làm, ảnh hưởng sức khỏe), được khảo sát và đánh giá bởi các chuyên gia trong lĩnh vực.

4. Phương pháp này có thể áp dụng cho các khu vực khác ngoài Việt Nam không?
   Có thể áp dụng rộng rãi với điều chỉnh phù hợp theo đặc điểm địa lý, kinh tế và xã hội của từng khu vực, nhờ tính linh hoạt và khả năng xử lý dữ liệu không chắc chắn của mô hình Bayesian.

5. Làm thế nào để cập nhật mô hình khi có dữ liệu mới?
   Mô hình DBM kết hợp MCMC cho phép cập nhật liên tục dữ liệu theo thời gian, giúp mô phỏng và đánh giá bảng xếp hạng nguồn năng lượng tái tạo mới nhất, hỗ trợ ra quyết định kịp thời và chính xác.

Kết luận

• Luận văn đã phát triển thành công mô hình Bayesian tĩnh (SBM) kết hợp Monte Carlo (MCS) và mô hình Bayesian động (DBM) kết hợp Markov Chain Monte Carlo (MCMC) để lựa chọn chương trình năng lượng tái tạo tối ưu trong công trình xây dựng.

• Mô hình cho phép đánh giá đa tiêu chí, bao gồm các khía cạnh môi trường, kinh tế và xã hội, xử lý hiệu quả sự không chắc chắn trong dữ liệu chuyên gia.

• Kết quả nghiên cứu cung cấp bảng xếp hạng nguồn năng lượng tái tạo năm 2017 và biến thiên theo thời gian từ 2009 đến 2017, hỗ trợ quyết định tối ưu cho các nhà quản lý và nhà đầu tư.

• Phương pháp luận và công cụ hỗ trợ quyết định được đề xuất có thể áp dụng rộng rãi trong lĩnh vực năng lượng tái tạo và các lĩnh vực quản lý xây dựng khác.

• Đề xuất các bước tiếp theo bao gồm mở rộng khảo sát chuyên gia, cập nhật dữ liệu định kỳ và đào tạo nâng cao năng lực cho các bên liên quan nhằm thúc đẩy phát triển năng lượng tái tạo bền vững.

Hành động ngay hôm nay: Các nhà quản lý và nhà đầu tư nên áp dụng mô hình này để tối ưu hóa lựa chọn nguồn năng lượng tái tạo, góp phần phát triển bền vững và bảo vệ môi trường cho tương lai.

Trích đoạn nội dung tài liệu

ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA TRAN BÌNH PHƯƠNG NHÂN PHÁT TRIEN MÔ HÌNH ĐỎ HỌA BAYES (SBM VÀ DBM) KET HỢP THUẬT TOÁN MONTE CARLO - MARKOV CHAIN MONTE CARLO ĐỀ LUA CHON CHUONG TRINH NANG LUONG TAI TAO TOI UU TRONG CONG TRINH XAY DUNG Chuyên ngành: Quan lý xây dung Mã số: 60 58 03 02 LUẬN VÁN THẠC SĨ TP. HO CHI MINH, tháng 01 năm 2019 CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRUONG ĐẠI HOC BACH KHOA — ĐHQG - TP.HCM Cán bộ hướng dẫn khoa học: TS. Cán bộ cham nhận xét 1: PGS.TS Phạm Hong Luân Cán bộ chấm nhận xét 2: PGS.TS Nguyễn Minh Hà Luận văn Thạc sĩ được bảo vệ tại Trường Dai học Bách Khoa — DHQG TPHCM, ngày 8 tháng 01 năm 2019. Thành phan Hội đồng đánh giá luận văn thạc sĩ gôm: 1.TS Phạm Hồng Luân 2.TS Nguyễn Minh Hà 3.TS Lương Duc Long 4.

Nguyễn Anh Thư 5. Trần Đức Học 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 ĐÔNG TRUONG KHOA. ĐẠI HỌC QUỐC GIA TP.HCM CONG HOA XÃ HOI 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: Trần Bình Phương Nhân MSHV: 1670146 Ngày, thang, năm sinh: 28-11-1992 Noi sinh: TP.

Hồ Chí Minh Chuyên ngành: Quản lý xây dựng Mã số: 60580302 I. TÊN ĐÈ TÀI: Phát triển mô hình đồ họa bayes (SBM và DBM) kết hợp thuật toán Monte Carlo — Markov Chain Monte Carlo dé lựa chon chuong trinh nang luong tai tạo tối ưu trong công trình xây dựng. ILNHIEM VU VA NỘI DUNG: Mục tiêu chính của nghiên cứu này là dé xuất phương pháp tiếp cận mới nhằm hỗ trợ các quyết định đa tiêu chí - Multi-Criteria Decision Making (MCDM) để có được một kế hoạch năng lượng tái tạo (RE) bên vững đáp ứng nhu cầu của cộng đồng trong khi xem xét không chỉ sự ton tại của tác động kinh tế mà còn ảnh hưởng đến tác động môi trường và vấn dé xã hội. Dé có được mục tiêu trên, nghiên cứu này đề xuất một phương pháp ra quyết định lựa chọn nguồn năng lượng tai tao theo hai trường hợp sau.

Trường hop |: dựa trên mô hình Bayes tinh- The Static Model Bayes (SBM), voi thuat toan Monte Carlo (MCS) dé danh gia, xếp hang các nguồn năng lượng tái tạo (năm 2017). Trường hợp 2: giả định bộ dữ liệu khảo sát của các chuyên gia về các chỉ số năng lượng bên vững (SIs) (từ năm 2009 đến năm 2017). Sau đó, vận dụng mô hình Bayes động - The Dynamic Model Bayes (DBM), kết hợp thuật toán Monte Carlo lai (cụ thể: Markov Chain Monte Carlo — MCMC) dé mô phỏng, đánh giá 9 bảng xếp hang của nguồn năng lượng tái tạo theo thời gian (từ năm 2009 đến 2017). NGAY GIAO NHIỆM VU: 13-8-2018 IV.

NGAY HOAN THANH NHIEM VU: 14-12-2018 V. CAN BO HUONG DAN: TS. Pham Vũ Hồng Sơn Tp. HCM, ngày ö tháng 01 năm 2019.

CÁN BO HƯỚNG DAN CHỦ NHIỆM BỘ MÔN ĐÀO TẠO Phạm Vũ Hồng Sơn TRUONG KHOA. ĐH Bách Khoa TPHCM Luận Văn Thạc Sĩ LỜI CẢM ƠN Thời gian trôi qua thật nhanh, “Nó đi đi mãi không chờ đợi ai”! Mới ngày nào tôi đậu cao học ngành Quản Lý Xây Dựng - Đại học Bách Khoa TPHCM, cũng là lúc tôi bỡ ngỡ bước chân vào nghề mà giờ đây tôi đã hoàn thành khóa học. Tôi nhớ mãi lời của TS. Lê Hoài Long trong buổi học dau tiên hôm ấy “Các bạn ai cũng có những khoản thời gian lao động cực nhọc, những khoản thời gian giành cho gia đình.

Do đó, các bạn phải cô gắng nỗ lực, phải quyết tâm học tới cùng và roi bạn sẽ thấy được con đường đi đến thành công của minh. Bạn hãy mạnh dạn bước đi, đừng ngân ngại gian khổ, con đường tươi sáng đang chờ bạn phía trước”. Cũng chính vì lời động viên ay, tôi học với niềm đam mê, sự nỗ lực, kiên trì để vượt qua biết bao nhiêu khó khăn trong học tập vả cuộc sống. Việc hoàn thành luận văn này là không thể nếu không có sự trợ giúp của nhiều người, tất cả những người này xứng đáng được vinh danh.

Lời cảm ơn đầu tiên tôi xin dành cho gia đình. Day là nguồn động lực to lớn trong đời tôi. Xin cảm ơn ba mẹ hai bên gia đình đã động viên tôi hằng ngày. Xin cảm ơn ngudi vo dau yéu da thầm lặng hỗ trợ tôi trong suốt quá trình học tập, mặc cho những khó khăn, những bộn bé trong cuộc sống tưởng chừng như đã quật ngã tdi.

Đồng thời, tôi xin bày tỏ lòng biết ơn sâu sắc đến các Thầy Cô trong Bộ môn Thi Công và Quản Lý Xây Dựng. Họ đã truyền đạt đến tôi cũng như bao học viên khác băng một sự nhiệt tình và tâm huyết với nghề. Tất cả những kiến thức mà tôi được giảng dạy là vô cùng quý. đó là sự kết hợp giữa tinh hoa của nhân loại hòa quyện với kinh nghiệm thực tiễn trong nghề nghiệp của từng Thầy Cô trong Bộ môn.

Bên cạnh đó, TS. Phạm Vũ Hồng Sơn luôn giành nhiều thời gian quý báu dé động viên, giúp đỡ tôi hoàn thành Luận văn tốt nghiệp với dé tài “Phat triển mô hình SBMMCS và DBMMCMC để lựa chọn chương trình năng lượng tái tạo tối ưu trong công trình xây dựng”. Trong quá trình thực hiện đề tài mặc dù còn gặp nhiều khó khăn, nhưng tôi đã cỗ gang hết sức dé hoàn thiện luận văn. Tuy nhiên, Luận văn này khó tránh khỏi những sai sót, tôi rat mong có được sự nhận xét của HVTH: Trần Bình Phương Nhân-MSHV:1670146 GVHD: TS.

Phạm Vũ Hồng Sơn ĐH Bách Khoa TPHCM Luận Văn Thạc Sĩ Thây Cô và các bạn đê luận văn của nghiên cứu này được hoàn thiện hơn. Luận văn này như một món quà tôi gửi tặng tới Thây, gia đình, bạn bè, những người luôn ủng hộ và ở bên nghiên cứu này. Một lần nữa xin chân thành cảm ơn! Tp. HCM, ngày 14 tháng 12 năm 2018 Tác giả luận văn Trần Bình Phương Nhân HVTH: Trần Bình Phương Nhân-MSHV:1670146 GVHD: TS.

Phạm Vũ Hồng Sơn ĐH Bách Khoa TPHCM Luận Văn Thạc Sĩ TÓM TAT Nửa thé kỷ qua, song song với sự phát triển khoa học kỹ thuật của nhân loại, nhu cầu sử dụng năng lượng của con người trên thế giới ngày càng cao và không thể thiếu. Một trong những nguồn nhiên liệu trong tự nhiên được con người khai thác nhiều nhất đó là nguồn nguyên liệu hóa thạch (bao gom: than da, dau khi, khi ga tu nhiên, da phiến dau, nhựa đường, dau trong cát). Đây là nguồn nguyên liệu sử dung nhiều nhất bởi vì giá thành nó rẻ hơn rất nhiều so với nguồn năng lượng hạt nhât hay năng lượng tái tạo (RE). Tuy nhiên con người phải đối mặt với những khó khăn như: cạn kiệt nguồn nguyên liệu hóa thạch và sự phá hủy môi trường sống do khai thác chúng.

Hang loạt các nghiên cứu của các nhà khoa học đưa ra nhăm giải quyết những khó khăn nêu trên và một trong số đó là sử dụng nguồn RE dé thay thế. Một nguồn năng lượng tự nhiên hau như là vô tận và thân thiện với môi trường (nguồn RE bao gồm: năng lượng mặt trời, năng lượng gió, năng lượng địa nhiệt, năng lượng sinh khối, năng lượng thủy, năng lượng đại dương). Bên cạnh những tìm năng của nguồn RE thì việc khai thác và sử dụng nguồn năng lượng này còn ảnh hưởng đến khía cạnh mô trường, khía cạnh xã hội, khía cạnh kinh tế của mỗi quốc gia. Do đó, việc lựa chọn nguồn RE nào là phù hợp là một trong những vấn đề đáng được quan tâm.

Tuy nhiên, cho đến nay, vấn đề này van ít được chú ý hoặc bỏ qua. Hậu quả là đầu tư ban dau cho RE thì quá nhiều mà hiệu quả mang lại không cao. Dé giải quyết van dé nêu trên, trong nghiên cứu này dé xuất ra một phương pháp lựa chọn các nguôn RE dé phù hợp với ba khía cạnh bền vững trong xã hội (Môi trường, Xã hội, Kinh tế) bang mô hình Bayesian tĩnh (SBM) kết hợp với thuật toán Monte Carlo (MCS) và mô hình Bayesian động (DBM) kết hợp với thuật toán mô phỏng Markov Chain (MCMC). Kết quả nghiên cứu đã đưa ra được bảng xếp hạng cụ thể trong năm 2017 và một bảng xếp hạng biến thiên theo thời gian (từ năm 2009 đến năm 2017), qua đó giúp người ra quyết định có một sự nhìn nhận tong quát nhất lựa chọn một cách tối ưu nhất các nguồn RE.

HVTH: Trần Bình Phương Nhân-MSHV:1670146 GVHD: TS. Phạm Vũ Hồng Sơn ĐH Bách Khoa TPHCM Luận Văn Thạc Sĩ ABSTRACT Over the past century, in parallel with the development of science and technology of mankind, the demand for human energy in the world has been increasing and indispensable. One of the most natural sources of human fuel is fossil fuel (including coal, petroleum, natural gas, oil shale, asphalt, oil in sand). This is the most used source because it is much cheaper than either nuclear or renewable energy (RE).

Human beings, however, face difficulties such as exhaustion of fossil fuels and destruction of habitat by exploiting them. A number of studies have been undertaken by scientists to address these difficulties and one of them is to use RE sources instead. An almost endless source of natural energy and environmentally friendly (RE sources include: solar energy, wind energy, geothermal energy, biomass energy, hydro energy, ocean energy ). In addition to the benefits of RE resources, the exploitation and use of these resources also affects the social, economic, and social dimensions of each country.

Therefore, choosing the right RE source is one of the issues that deserve attention. However, this issue has been less noticeable or overlooked. Consequently, the initial investment for RE is too much but the effect is not high. In order to solve the above problem, this study proposes a method of selecting RE sources to match the three aspects of sustainability in society (Environment, Society, Economy) using the static Bayesian model.

The results of the study show the specific rankings for 2017 and a time- varying ranking (from 2009 to 2017), giving the decision maker the most general view. Select the most optimal sources of RE. HVTH: Tran Binh Phuong Nhân-MSHV:1670146 GVHD: TS. Phạm Vũ Hồng Son ĐH Bách Khoa TPHCM Luận Văn Thạc Sĩ LOI CAM DOAN Tôi xin cam đoan dữ liệu thu thập được trong dé tài “Phát triển mô hình đồ họa bayes (SBM và DBM) kết hợp thuật toán Monte Carlo — Markov Chain Monte Carlo để lựa chọn chương trình năng lượng tái tạo tối ưu trong công trình xây dựng” là hoàn toàn trung thực và chưa từng được công bồ ở bat kì nghiên cứu khoa học nào khác ở thời điểm hiện tại.

HVTH: Trần Bình Phương Nhân-MSHV:1670146 GVHD: TS. Phạm Vũ Hồng Sơn ĐH Bách Khoa TPHCM Luận Văn Thạc Sĩ MỤC LỤC CHUONG 1.