I. Cách AI Tối Ưu Hóa Kiểm Soát Dự Án Xây Dựng Theo EVM
Ứng dụng trí tuệ nhân tạo (AI) trong kiểm soát dự án xây dựng theo phương pháp Quản lý Giá trị Đạt được (EVM) đang trở thành xu hướng tất yếu trong ngành xây dựng hiện đại. EVM là công cụ quản lý tích hợp ba yếu tố cốt lõi: phạm vi, thời gian và chi phí. Tuy nhiên, việc áp dụng EVM truyền thống thường gặp khó khăn do dữ liệu không đầy đủ, biến động thị trường và sai số dự báo. Nhờ khả năng xử lý dữ liệu lớn và học từ các mẫu lịch sử, AI giúp nâng cao độ chính xác của các chỉ số EVM như EAC (Estimate at Completion – Ước tính khi hoàn thành) hay ETC (Estimate to Complete – Ước tính đến hoàn thành). Nghiên cứu của Lê Tuấn Khanh (2017) tại Đại học Duy Tân đã chứng minh rằng mô hình LS-SVM (Least Squares Support Vector Machine) – một nhánh của máy học, có thể cải thiện đáng kể khả năng dự báo chi phí hoàn thành dự án. Việc tích hợp AI vào EVM không chỉ giảm thiểu rủi ro vượt ngân sách mà còn hỗ trợ ra quyết định nhanh chóng, linh hoạt trong môi trường xây dựng đầy biến động.
1.1. Cơ sở lý thuyết của EVM trong quản lý dự án xây dựng
Quản lý Giá trị Đạt được (EVM) là phương pháp đo lường hiệu suất dự án dựa trên ba chỉ số chính: PV (Planned Value – Giá trị kế hoạch), EV (Earned Value – Giá trị kiếm được), và AC (Actual Cost – Chi phí thực tế). Từ đó, các chỉ số như CPI (Cost Performance Index) và SPI (Schedule Performance Index) được tính toán để đánh giá tiến độ và hiệu quả chi phí. Trong xây dựng, EVM giúp phát hiện sớm các lệch pha giữa kế hoạch và thực tế, từ đó điều chỉnh kịp thời. Tuy nhiên, EVM truyền thống phụ thuộc nhiều vào dữ liệu đầu vào chính xác và giả định tuyến tính – điều hiếm khi xảy ra trong thực tế.
1.2. Vai trò của trí tuệ nhân tạo trong cải tiến EVM
Trí tuệ nhân tạo (AI), đặc biệt là các mô hình máy học như LS-SVM và mạng thần kinh nhân tạo (ANN), có khả năng xử lý phi tuyến và học từ dữ liệu lịch sử để dự báo chính xác hơn. AI giúp tự động hóa quá trình phân tích EVM, giảm sai số trong ước tính EAC và ETC. Theo Lê Tuấn Khanh (2017), mô hình EAC-LSPIM (EAC - Least Squares Support Vector Machine Prediction Interval Model) cho phép không chỉ dự báo điểm mà còn đưa ra khoảng dự đoán (Prediction Interval – PI), giúp nhà quản lý hiểu rõ mức độ bất định của dự báo.
II. Thách Thức Khi Áp Dụng EVM Truyền Thống Trong Xây Dựng
Mặc dù EVM được xem là tiêu chuẩn vàng trong quản lý dự án, việc triển khai trong lĩnh vực xây dựng vẫn đối mặt với nhiều rào cản. Các dự án xây dựng thường có tính chất phức tạp, chịu ảnh hưởng bởi hàng loạt yếu tố ngoại vi như thời tiết, biến động giá vật liệu, thay đổi thiết kế và năng lực nhà thầu. Dữ liệu thu thập thường không đồng nhất, thiếu tính thời gian thực, dẫn đến sai lệch trong tính toán giá trị kiếm được (EV). Ngoài ra, EVM truyền thống giả định mối quan hệ tuyến tính giữa tiến độ và chi phí – điều không phản ánh đúng bản chất phi tuyến của các dự án xây dựng. Điều này làm giảm độ tin cậy của các chỉ số như EAC, khiến nhà quản lý khó đưa ra quyết định chiến lược. Nghiên cứu của Lê Tuấn Khanh (2017) chỉ ra rằng tới 68% dự án nhà ở xã hội tại Đà Nẵng bị vượt ngân sách do dự báo EAC không chính xác. Do đó, cần một giải pháp thông minh hơn – và AI chính là chìa khóa.
2.1. Hạn chế về dữ liệu và giả định tuyến tính trong EVM
EVM yêu cầu dữ liệu đầu vào phải đầy đủ, nhất quán và cập nhật liên tục. Tuy nhiên, trong thực tế xây dựng, dữ liệu thường bị trễ, thiếu hoặc sai lệch do quy trình báo cáo thủ công. Hơn nữa, giả định tuyến tính giữa chi phí thực tế và tiến độ thi công không phù hợp với đặc thù công trình, nơi chi phí có thể tăng đột biến do rủi ro kỹ thuật hoặc thay đổi phạm vi.
2.2. Rủi ro vượt ngân sách do dự báo EAC không chính xác
Ước tính khi hoàn thành (EAC) là chỉ số then chốt để kiểm soát ngân sách. Nếu EAC bị đánh giá thấp, chủ đầu tư dễ rơi vào tình trạng thiếu hụt tài chính giữa chừng. Ngược lại, nếu EAC quá cao, nguồn lực sẽ bị phân bổ lãng phí. Các phương pháp EVM truyền thống như EAC = AC + (BAC – EV)/CPI thường không phản ánh được sự biến động phi tuyến, dẫn đến sai số lớn – đặc biệt ở giai đoạn đầu dự án.
III. Phương Pháp AI Kết Hợp LS SVM Để Dự Báo EAC Chính Xác
Phương pháp LS-SVM (Least Squares Support Vector Machine) nổi bật trong việc dự báo EAC nhờ khả năng xử lý dữ liệu phi tuyến và nhiễu. Khác với mạng thần kinh nhân tạo (ANN) truyền thống, LS-SVM chuyển bài toán tối ưu thành hệ phương trình tuyến tính, giúp hội tụ nhanh và ổn định hơn. Mô hình EAC-LSPIM do Lê Tuấn Khanh (2017) đề xuất kết hợp LS-SVM với kỹ thuật ước lượng khoảng cách dựa trên máy học (MLIE) để tạo ra khoảng dự đoán (PI) thay vì chỉ một giá trị điểm. Điều này cung cấp thông tin về mức độ tin cậy của dự báo – yếu tố cực kỳ quan trọng trong quản lý rủi ro. Mô hình được huấn luyện trên dữ liệu thực tế từ các dự án nhà ở xã hội tại Đà Nẵng, sử dụng 10 yếu tố đầu vào như khối lượng công việc, giá vật liệu, năng suất lao động, thời tiết... Kết quả cho thấy RMSE (Root Mean Square Error) giảm 22% so với phương pháp EVM cổ điển, đồng thời PICP (Prediction Interval Coverage Probability) đạt trên 90%, chứng tỏ độ bao phủ cao của khoảng dự đoán.
3.1. Giới thiệu mô hình EAC LSPIM và cấu trúc LS SVM
Mô hình EAC-LSPIM sử dụng LS-SVM để ước lượng cả giá trị trung tâm và giới hạn dự đoán (PL – Prediction Limits) của EAC. Cấu trúc LS-SVM bao gồm hàm kernel (thường là RBF – Radial Basis Function) và các tham số được tối ưu bằng thuật toán tối ưu hóa đột biến (DE – Differential Evolution). Nhờ vậy, mô hình có khả năng tổng quát tốt ngay cả với tập dữ liệu nhỏ – điều phổ biến trong các dự án xây dựng.
3.2. Quy trình huấn luyện và đánh giá hiệu suất mô hình
Dữ liệu từ 11 dự án nhà ở xã hội được dùng để huấn luyện, 2 dự án còn lại để kiểm tra. Các chỉ số đánh giá bao gồm R², RMSE, MPI (Mean Prediction Interval) và PICP. Kết quả cho thấy mô hình không chỉ dự báo chính xác mà còn cung cấp khoảng thời gian dự đoán hợp lý, giúp nhà quản lý lập kế hoạch tài chính linh hoạt hơn. Đặc biệt, thuật toán DE giúp tìm bộ tham số tối ưu nhanh chóng, tránh rơi vào cực tiểu cục bộ.
IV. Ứng Dụng Thực Tế Mô Hình AI EVM Tại Đà Nẵng
Nghiên cứu thực nghiệm của Lê Tuấn Khanh (2017) đã áp dụng mô hình EAC-LSPIM cho nhóm dự án nhà ở xã hội tại Đà Nẵng – loại hình công trình có ngân sách giới hạn và yêu cầu kiểm soát chi phí nghiêm ngặt. Dữ liệu đầu vào bao gồm 10 yếu tố ảnh hưởng như: khối lượng bê tông, thép, nhân công, giá cát, thời gian thi công, v.v. Mô hình LS-SVM được huấn luyện để dự báo ETC và EAC ở từng giai đoạn cập nhật (tháng). Kết quả cho thấy: với cùng mức độ hoàn thành 60%, EVM truyền thống dự báo EAC trung bình là 28,5 tỷ đồng, trong khi mô hình AI-EVM đưa ra khoảng dự báo [26,8 – 30,1] tỷ đồng – sát hơn với chi phí thực tế là 29,3 tỷ. Điều này chứng minh AI không chỉ cải thiện độ chính xác mà còn cung cấp cái nhìn toàn diện về rủi ro tài chính. Ứng dụng này mở ra hướng tiếp cận mới cho các chủ đầu tư muốn tối ưu hóa ngân sách mà vẫn đảm bảo tiến độ và chất lượng công trình.
4.1. Thu thập và xử lý dữ liệu dự án nhà ở xã hội
Dữ liệu được thu thập từ hồ sơ thanh quyết toán, nhật ký thi công và báo cáo tiến độ hàng tháng của 13 dự án. Mỗi dự án có từ 8–12 lần cập nhật thông tin. Các biến đầu vào được chuẩn hóa để loại bỏ ảnh hưởng của đơn vị đo lường khác nhau. Quá trình tiền xử lý đảm bảo dữ liệu sạch, phù hợp cho huấn luyện mô hình máy học.
4.2. Kết quả dự báo và so sánh với phương pháp truyền thống
Mô hình AI-EVM cho kết quả vượt trội: R² đạt 0,92 (so với 0,76 của EVM cổ điển), RMSE giảm 22%, và PICP duy trì trên 90%. Đặc biệt, khoảng dự đoán giúp nhà quản lý phân bổ dự phòng tài chính hợp lý – ví dụ, nếu khoảng EAC rộng, nên chuẩn bị thêm 5–10% ngân sách dự phòng.
V. Tương Lai Của AI Trong Quản Lý Dự Án Xây Dựng Theo EVM
Xu hướng tích hợp trí tuệ nhân tạo vào quản lý dự án xây dựng theo EVM sẽ ngày càng sâu rộng. Với sự phát triển của Internet of Things (IoT) và dữ liệu thời gian thực từ cảm biến công trường, AI có thể cập nhật EVM liên tục thay vì theo chu kỳ tháng. Các mô hình học sâu (deep learning) như LSTM (Long Short-Term Memory) cũng có tiềm năng dự báo xu hướng dài hạn dựa trên chuỗi thời gian phức tạp. Ngoài ra, việc kết hợp AI với BIM (Mô hình Thông tin Xây dựng) sẽ tạo ra hệ sinh thái quản lý dự án thông minh, nơi EVM được tự động hóa hoàn toàn. Tuy nhiên, để triển khai rộng rãi, cần giải quyết các thách thức về hạ tầng dữ liệu, đào tạo nhân lực và tiêu chuẩn hóa quy trình. Như khuyến nghị của Lê Tuấn Khanh (2017), các cơ quan quản lý nên xây dựng cơ sở dữ liệu quốc gia về chi phí xây dựng để làm nền tảng cho các mô hình AI-EVM trong tương lai.
5.1. Xu hướng tích hợp AI với BIM và IoT trong EVM
Khi BIM cung cấp mô hình 3D/5D và IoT cung cấp dữ liệu thi công thời gian thực, AI có thể tự động tính toán EV, AC và cập nhật EAC mỗi giờ. Điều này biến EVM từ công cụ báo cáo định kỳ thành hệ thống cảnh báo sớm – giúp can thiệp kịp thời khi phát hiện lệch pha.
5.2. Kiến nghị phát triển cơ sở dữ liệu và khung pháp lý
Để AI-EVM phát huy hiệu quả, cần xây dựng cơ sở dữ liệu chuẩn về chi phí, tiến độ và rủi ro từ hàng nghìn dự án. Đồng thời, Bộ Xây dựng nên ban hành hướng dẫn kỹ thuật về tích hợp AI vào quản lý dự án, tạo điều kiện cho doanh nghiệp áp dụng công nghệ mới một cách an toàn và hiệu quả.
