Luận Văn Thạc Sĩ: Ứng Dụng Support Vector Machine (SVM) Để Dự Đoán Rò Rỉ Tiềm Ẩn Trên Mạng Lưới Cấp Nước

• Tác giả: Nguyen Duc Phuong Huy
• Người hướng dẫn: Assoc. Tran Duc Hoc
• Trường học: Ho Chi Minh City University of Technology
• Chuyên ngành: Construction Management
• Đề tài: Ứng dụng công cụ máy vectơ hỗ trợ (SVM) để dự đoán các điểm xì bể tiềm ẩn trên mạng lưới cấp nước
• Loại tài liệu: Master’s thesis
• Năm xuất bản: 2024
• Địa điểm: Ho Chi Minh City

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: INTRODUCTION
• 1.1. HCMC water supply’s status quo
• 1.2. The use of machine learning in water supply industry
• 2. CHƯƠNG 2: LITERATURE REVIEW
• 3. CHƯƠNG 3: FRAMEWORK STRUCTURING
• 4. CHƯƠNG 4: DATA PROCESSING
• APPENDIX 2: SPSS STATISTICAL RESULT

I. Support Vector Machine SVM

Support Vector Machine (SVM) là một thuật toán học máy mạnh mẽ được sử dụng rộng rãi trong các bài toán phân loại và hồi quy. SVM hoạt động bằng cách tìm một siêu phẳng tối ưu để phân tách các lớp dữ liệu trong không gian đa chiều. Trong nghiên cứu này, SVM được áp dụng để dự đoán rò rỉ trên mạng lưới cấp nước, giúp xác định các điểm rò rỉ tiềm ẩn một cách chính xác. Tối ưu hóa là yếu tố then chốt trong SVM, đảm bảo mô hình có khả năng tổng quát hóa cao và giảm thiểu sai số.

1.1. Nguyên lý hoạt động của SVM

SVM hoạt động dựa trên việc tìm kiếm siêu phẳng có lề (margin) lớn nhất để phân tách các lớp dữ liệu. Lề là khoảng cách giữa siêu phẳng và các điểm dữ liệu gần nhất (gọi là vector hỗ trợ). Việc tối ưu hóa này giúp mô hình tránh được hiện tượng overfitting và tăng khả năng dự đoán trên dữ liệu mới. Hàm kernel được sử dụng để ánh xạ dữ liệu vào không gian đa chiều, giúp SVM xử lý các bài toán phi tuyến tính.

1.2. Ứng dụng của SVM trong dự đoán rò rỉ

Trong mạng lưới cấp nước, SVM được sử dụng để phân tích dữ liệu lớn từ các cảm biến và hệ thống giám sát. Mô hình SVM có khả năng phát hiện bất thường trong dòng chảy và áp suất, từ đó dự đoán các điểm rò rỉ tiềm ẩn. Công nghệ thông tin đóng vai trò quan trọng trong việc tích hợp SVM vào hệ thống cấp nước, giúp cải thiện hiệu quả quản lý và giảm thiểu tổn thất nước.

II. Dự đoán rò rỉ trên mạng lưới cấp nước

Dự đoán rò rỉ là một vấn đề quan trọng trong quản lý tài nguyên nước, đặc biệt là trong bối cảnh mạng lưới cấp nước đang ngày càng phức tạp và già cỗi. Việc áp dụng học máy và phân tích dữ liệu giúp xác định các điểm rò rỉ tiềm ẩn một cách nhanh chóng và chính xác. An toàn nước được đảm bảo thông qua việc giảm thiểu tổn thất nước và cải thiện hiệu quả vận hành hệ thống.

2.1. Phương pháp phân tích dữ liệu

Phân tích dữ liệu là bước quan trọng trong quá trình dự đoán rò rỉ. Dữ liệu từ các cảm biến, hệ thống giám sát và lịch sử vận hành được thu thập và xử lý để tạo ra các mô hình dự đoán. Thuật toán học máy như SVM được sử dụng để phân tích các mẫu dữ liệu và xác định các điểm bất thường. Dữ liệu lớn đóng vai trò quan trọng trong việc cải thiện độ chính xác của mô hình.

2.2. Phát hiện bất thường

Phát hiện bất thường là quá trình xác định các điểm dữ liệu không tuân theo mẫu thông thường. Trong mạng lưới cấp nước, các điểm bất thường có thể là dấu hiệu của rò rỉ hoặc hư hỏng. SVM được sử dụng để phân loại các điểm bất thường này, giúp các nhà quản lý có thể phản ứng kịp thời và hiệu quả.

III. Mô hình dự đoán và tối ưu hóa

Mô hình dự đoán là công cụ quan trọng trong việc dự đoán rò rỉ trên mạng lưới cấp nước. Việc tối ưu hóa mô hình giúp cải thiện độ chính xác và hiệu suất của hệ thống. Công nghệ thông tin và học máy đóng vai trò then chốt trong việc phát triển và triển khai các mô hình này.

3.1. Xây dựng mô hình dự đoán

Mô hình dự đoán được xây dựng dựa trên dữ liệu lớn và các thuật toán học máy như SVM. Quá trình này bao gồm việc thu thập dữ liệu, tiền xử lý dữ liệu, huấn luyện mô hình và đánh giá hiệu suất. Phân loại và hồi quy là hai phương pháp chính được sử dụng trong mô hình dự đoán.

3.2. Tối ưu hóa mô hình

Tối ưu hóa là quá trình điều chỉnh các tham số của mô hình để đạt được hiệu suất tốt nhất. Trong SVM, việc lựa chọn hàm kernel và điều chỉnh lề là các yếu tố quan trọng trong quá trình tối ưu hóa. Phân tích dữ liệu và học máy giúp xác định các tham số tối ưu cho mô hình.

Tổng quan nghiên cứu

Nước là nguồn tài nguyên thiết yếu cho sự phát triển của mọi sinh vật và đóng vai trò quan trọng trong phát triển kinh tế - xã hội. Tại Thành phố Hồ Chí Minh (HCMC), mạng lưới cấp nước (WSN) đã phát triển hơn 15 thập kỷ với tổng chiều dài khoảng 11.578 km đường ống cấp nước có đường kính từ 100mm trở lên. Tuy nhiên, mạng lưới này đang đối mặt với nhiều thách thức như đường ống cũ kỹ, có những đoạn đã hoạt động trên 40 năm, dẫn đến tình trạng rò rỉ và vỡ ống thường xuyên. Theo báo cáo của SAWACO năm 2024, tỷ lệ thất thoát nước tại HCMC ước tính khoảng 15,90% trên tổng công suất cung cấp khoảng 2 triệu m³/ngày. Tình trạng này không chỉ gây lãng phí tài nguyên mà còn ảnh hưởng nghiêm trọng đến việc cung cấp nước sạch cho người dân.

Bên cạnh đó, các dự án sửa chữa, cải tạo, nâng cấp đường ống nước (RRUWPP) tại HCMC thường xuyên bị chậm tiến độ do nhiều nguyên nhân khách quan và chủ quan. Việc chậm trễ này làm gia tăng nguy cơ thiếu hụt nước sạch, ảnh hưởng đến đời sống và phát triển kinh tế xã hội. Mục tiêu nghiên cứu của luận văn là phân tích các yếu tố gây chậm trễ trong các dự án RRUWPP và ứng dụng thuật toán máy vectơ hỗ trợ (SVM) để dự đoán các điểm rò rỉ tiềm ẩn trên mạng lưới cấp nước. Nghiên cứu tập trung khảo sát dữ liệu thực tế từ hệ thống cấp nước tại 37 phường thuộc 3 quận của HCMC trong giai đoạn từ tháng 2 đến tháng 5 năm 2024.

Việc áp dụng SVM trong dự đoán rò rỉ nước không chỉ giúp nâng cao hiệu quả quản lý mạng lưới mà còn góp phần giảm thiểu thất thoát nước, tiết kiệm chi phí vận hành và bảo vệ môi trường. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc hỗ trợ các nhà quản lý dự án và các đơn vị cấp nước tại HCMC trong việc lập kế hoạch, phân bổ nguồn lực và nâng cao chất lượng dịch vụ cấp nước.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: lý thuyết quản lý dự án đầu tư xây dựng và lý thuyết máy vectơ hỗ trợ (SVM) trong học máy.

1. Lý thuyết quản lý dự án đầu tư xây dựng: Tập trung vào các yếu tố ảnh hưởng đến tiến độ dự án, bao gồm nhóm yếu tố môi trường bên ngoài (thời tiết, địa chất, kinh tế), hệ thống thông tin quản lý, chính sách pháp luật, phân quyền cho nhà đầu tư, nguồn vốn, năng lực các bên tham gia và đặc điểm dự án. Các yếu tố này được khảo sát và phân tích để xác định nguyên nhân gây chậm trễ trong các dự án RRUWPP tại HCMC.

2. Lý thuyết máy vectơ hỗ trợ (SVM): Là thuật toán học máy giám sát, được sử dụng để phân loại và hồi quy. SVM tìm siêu phẳng tối ưu phân chia dữ liệu thành các lớp khác nhau với khoảng cách biên lớn nhất, giúp giảm thiểu sai số phân loại. Trong nghiên cứu, SVM được áp dụng để dự đoán vị trí và kích thước các điểm rò rỉ trên mạng lưới cấp nước dựa trên các tham số như áp suất, lưu lượng và độ cao địa hình. Phương pháp kernel được sử dụng để xử lý dữ liệu phi tuyến, nâng cao độ chính xác của mô hình.

Các khái niệm chính bao gồm: tiến độ dự án (Time Performance Index - TPI), rò rỉ nước, mạng lưới cấp nước (Water Distribution System - WDS), máy vectơ hỗ trợ (Support Vector Machine - SVM), hồi quy tuyến tính, và các yếu tố rủi ro trong quản lý dự án.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ khảo sát thực tế tại 37 phường thuộc 3 quận của HCMC, kết hợp với dữ liệu mô phỏng từ phần mềm thủy lực Bentley WaterGEMS. Khảo sát sử dụng bảng câu hỏi Likert 5 mức độ để đánh giá các yếu tố ảnh hưởng đến tiến độ dự án RRUWPP, với đối tượng tham gia là các chuyên gia, kỹ sư và cán bộ quản lý có kinh nghiệm trên 10 năm trong lĩnh vực cấp nước và quản lý dự án.

Phương pháp phân tích bao gồm:

• Phân tích nhân tố khám phá (EFA) để xác định cấu trúc các nhóm yếu tố ảnh hưởng.
• Phân tích hồi quy tuyến tính để đánh giá mức độ ảnh hưởng của từng yếu tố đến tiến độ dự án.
• Phân tích phương sai (ANOVA) để kiểm định sự khác biệt giữa các nhóm đối tượng khảo sát.
• Mô hình hồi quy vectơ hỗ trợ (Support Vector Regression - SVR) được xây dựng và huấn luyện bằng ngôn ngữ Python, sử dụng dữ liệu đầu vào gồm áp suất, lưu lượng và độ cao địa hình từ hệ thống WaterGEMS để dự đoán các điểm rò rỉ tiềm ẩn trên mạng lưới cấp nước.

Cỡ mẫu khảo sát khoảng 150 người tham gia, được chọn theo phương pháp chọn mẫu phi xác suất (non-probability sampling) nhằm đảm bảo tính đại diện cho các nhóm chuyên gia và cán bộ quản lý trong ngành. Quá trình nghiên cứu diễn ra từ tháng 1 đến tháng 5 năm 2024, với thu thập dữ liệu khảo sát đến cuối tháng 4.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Các yếu tố chính gây chậm trễ dự án RRUWPP: Kết quả phân tích cho thấy nhóm yếu tố liên quan đến nguồn cung cấp vật tư và thiết bị có ảnh hưởng lớn nhất với hệ số hồi quy β = 0,42 (p < 0,01). Tiếp theo là nhóm yếu tố tài chính với β = 0,35 và nhóm yếu tố lao động với β = 0,28. Các yếu tố về chính sách và quy định cũng đóng vai trò quan trọng, chiếm khoảng 20% ảnh hưởng tổng thể.

2. Tỷ lệ thất thoát nước tại HCMC: Theo số liệu của SAWACO năm 2024, tỷ lệ thất thoát nước ước tính đạt 15,90% trên tổng công suất cung cấp khoảng 2 triệu m³/ngày. Mô hình SVR dự đoán các điểm rò rỉ tiềm ẩn với độ chính xác cao, sai số trung bình tuyệt đối (MAE) chỉ khoảng 0,07, hệ số xác định (R²) đạt 0,88, vượt trội so với các mô hình hồi quy tuyến tính truyền thống.

3. So sánh hiệu quả các hàm kernel trong SVM: Mô hình sử dụng hàm kernel Gaussian (RBF) cho kết quả dự đoán tốt hơn so với hàm tuyến tính và polynomial, với sai số RMSE giảm 12% so với hàm tuyến tính.

4. Khác biệt theo giới tính và kinh nghiệm: Phân tích ANOVA cho thấy không có sự khác biệt đáng kể về nhận thức các yếu tố ảnh hưởng đến tiến độ dự án giữa nam và nữ (p > 0,05). Tuy nhiên, nhóm có kinh nghiệm trên 10 năm đánh giá cao hơn về tác động của yếu tố tài chính và thiết bị so với nhóm kinh nghiệm dưới 5 năm.

Thảo luận kết quả

Nguyên nhân chính dẫn đến chậm tiến độ trong các dự án RRUWPP là do sự thiếu hụt và chậm trễ trong cung cấp vật tư, thiết bị và nguồn vốn. Điều này phù hợp với các nghiên cứu trước đây trong ngành xây dựng và cấp nước, cho thấy việc quản lý nguồn lực chưa hiệu quả là nguyên nhân phổ biến gây trì hoãn. Việc áp dụng SVM trong dự đoán rò rỉ nước đã chứng minh tính khả thi và hiệu quả, giúp phát hiện sớm các điểm rò rỉ tiềm ẩn dựa trên dữ liệu áp suất và lưu lượng thu thập từ hệ thống.

So với các phương pháp truyền thống như phương pháp dòng chảy ban đêm hay cảm biến âm thanh, mô hình SVM có ưu điểm vượt trội về độ chính xác và khả năng xử lý dữ liệu phi tuyến phức tạp. Kết quả này cũng tương đồng với các nghiên cứu quốc tế về ứng dụng học máy trong quản lý mạng lưới cấp nước. Việc lựa chọn hàm kernel phù hợp đóng vai trò quan trọng trong việc nâng cao hiệu quả dự đoán, trong đó hàm RBF được khuyến nghị sử dụng.

Dữ liệu có thể được trình bày qua biểu đồ so sánh sai số của các mô hình dự đoán, bảng phân tích hồi quy và biểu đồ phân phối tỷ lệ thất thoát nước theo khu vực. Các kết quả này cung cấp cơ sở khoa học để các nhà quản lý và kỹ sư đưa ra quyết định cải tiến hệ thống cấp nước và quản lý dự án hiệu quả hơn.

Đề xuất và khuyến nghị

1. Tăng cường quản lý nguồn cung vật tư và thiết bị: Thiết lập hệ thống kiểm soát chặt chẽ từ khâu đặt hàng đến giao nhận, đảm bảo vật tư được cung cấp đầy đủ và đúng tiến độ nhằm giảm thiểu rủi ro chậm trễ. Thời gian thực hiện: 6 tháng; Chủ thể: Ban quản lý dự án và nhà thầu cung ứng.

2. Cải thiện quy trình giải ngân và thanh toán vốn: Rút ngắn thời gian hoàn thiện hồ sơ thanh toán, tăng cường phối hợp giữa các phòng ban liên quan để đảm bảo vốn được giải ngân kịp thời, tránh gián đoạn thi công. Thời gian thực hiện: 3 tháng; Chủ thể: Chủ đầu tư và phòng tài chính.

3. Đào tạo và nâng cao năng lực nhân sự vận hành hệ thống SVM: Tổ chức các khóa đào tạo chuyên sâu về học máy và ứng dụng SVM cho kỹ sư và cán bộ quản lý cấp nước nhằm nâng cao hiệu quả vận hành và bảo trì mạng lưới. Thời gian thực hiện: 12 tháng; Chủ thể: SAWACO và các đơn vị liên quan.

4. Đầu tư hệ thống giám sát và thu thập dữ liệu tự động: Lắp đặt cảm biến áp suất, lưu lượng và thiết bị đo đạc hiện đại để thu thập dữ liệu thời gian thực phục vụ cho mô hình dự đoán rò rỉ, nâng cao độ chính xác và khả năng phản ứng nhanh. Thời gian thực hiện: 18 tháng; Chủ thể: SAWACO và các nhà cung cấp công nghệ.

Đối tượng nên tham khảo luận văn

1. Các nhà quản lý dự án cấp nước: Giúp hiểu rõ các yếu tố ảnh hưởng đến tiến độ dự án và áp dụng công nghệ học máy để nâng cao hiệu quả quản lý.

2. Kỹ sư và chuyên gia vận hành mạng lưới cấp nước: Cung cấp kiến thức về ứng dụng SVM trong dự đoán rò rỉ, hỗ trợ công tác bảo trì và vận hành hệ thống.

3. Nhà nghiên cứu và sinh viên ngành quản lý xây dựng, kỹ thuật môi trường: Là tài liệu tham khảo khoa học về phương pháp phân tích rủi ro và ứng dụng trí tuệ nhân tạo trong ngành cấp nước.

4. Các đơn vị cung cấp công nghệ và phần mềm quản lý nước: Tham khảo để phát triển các giải pháp công nghệ phù hợp với thực tiễn tại Việt Nam, đặc biệt là tại các đô thị lớn như HCMC.

Câu hỏi thường gặp

1. SVM là gì và tại sao được chọn để dự đoán rò rỉ nước?
   SVM là thuật toán học máy giám sát, có khả năng phân loại và hồi quy hiệu quả, đặc biệt với dữ liệu phi tuyến. Nó được chọn vì khả năng tối ưu hóa biên phân cách, giúp dự đoán chính xác vị trí rò rỉ dựa trên các tham số áp suất và lưu lượng.

2. Các yếu tố nào ảnh hưởng lớn nhất đến tiến độ dự án RRUWPP?
   Nguồn cung vật tư, thiết bị và tài chính là những yếu tố chính gây chậm trễ, chiếm tỷ trọng ảnh hưởng lần lượt khoảng 42% và 35% trong mô hình hồi quy.

3. Mô hình SVM được huấn luyện như thế nào trong nghiên cứu này?
   Dữ liệu đầu vào gồm áp suất, lưu lượng và độ cao địa hình được thu thập từ hệ thống WaterGEMS và khảo sát thực tế. Mô hình được huấn luyện bằng Python, sử dụng hàm kernel Gaussian để xử lý dữ liệu phi tuyến.

4. Tỷ lệ thất thoát nước tại HCMC hiện nay là bao nhiêu?
   Theo báo cáo năm 2024, tỷ lệ thất thoát nước ước tính khoảng 15,90% trên tổng công suất cung cấp khoảng 2 triệu m³/ngày.

5. Làm thế nào để áp dụng kết quả nghiên cứu vào thực tiễn?
   Các đơn vị cấp nước có thể triển khai hệ thống giám sát tự động, đào tạo nhân sự vận hành mô hình SVM và cải tiến quy trình quản lý vật tư, tài chính để giảm thiểu rủi ro chậm tiến độ và thất thoát nước.

Kết luận

• Nghiên cứu đã xác định các yếu tố chính gây chậm trễ trong dự án sửa chữa, cải tạo, nâng cấp đường ống nước tại HCMC, trong đó nguồn cung vật tư và tài chính đóng vai trò quan trọng.
• Ứng dụng máy vectơ hỗ trợ (SVM) cho phép dự đoán chính xác các điểm rò rỉ tiềm ẩn trên mạng lưới cấp nước với hệ số xác định R² đạt 0,88 và sai số thấp.
• Hàm kernel Gaussian (RBF) được chứng minh là phù hợp nhất trong mô hình SVM cho bài toán dự đoán rò rỉ nước.
• Kết quả nghiên cứu góp phần nâng cao hiệu quả quản lý dự án và vận hành mạng lưới cấp nước, giảm thất thoát tài nguyên và chi phí vận hành.
• Các bước tiếp theo bao gồm triển khai hệ thống giám sát tự động, đào tạo nhân sự và hoàn thiện quy trình quản lý dự án nhằm ứng dụng rộng rãi mô hình SVM trong thực tế.

Đề nghị các nhà quản lý, kỹ sư và nhà nghiên cứu quan tâm áp dụng kết quả nghiên cứu để nâng cao chất lượng dịch vụ cấp nước và quản lý dự án tại các đô thị lớn.