Tổng quan nghiên cứu

Trong bối cảnh phát triển kinh tế - xã hội, hạ tầng giao thông đóng vai trò then chốt trong việc thúc đẩy lưu thông hàng hóa và đi lại của người dân. Tỉnh Long An, thuộc đồng bằng sông Cửu Long, đã chứng kiến sự gia tăng nhanh chóng nhu cầu vận tải đường bộ và thủy bộ trong những năm gần đây. Theo báo cáo ngành, ngân sách tỉnh dành cho các công trình cầu giao thông ngày càng tăng, đặc biệt là các cầu dầm nhịp giản đơn theo tiêu chuẩn tải trọng HL93 (22TCN 272-05). Tuy nhiên, nguồn vốn có hạn đòi hỏi công tác quản lý chi phí xây dựng phải được thực hiện hiệu quả, đảm bảo chất lượng công trình mà không gây lãng phí.

Luận văn tập trung vào việc ước lượng chi phí xây dựng cầu dầm nhịp giản đơn bằng mô hình mạng neuron nhân tạo (ANN), nhằm hỗ trợ công tác lập dự toán và quản lý chi phí dự án tại Long An trong giai đoạn 2013-2014. Mục tiêu cụ thể gồm xác định các nhân tố ảnh hưởng chính đến chi phí xây dựng, xây dựng và kiểm định mô hình ANN, ứng dụng mô hình trên phần mềm Excel, đồng thời ước lượng khoảng tin cậy của chi phí dựa trên phương pháp Bootstrap. Phạm vi nghiên cứu giới hạn ở các công trình cầu dầm nhịp giản đơn sử dụng vốn ngân sách nhà nước trên địa bàn tỉnh Long An.

Nghiên cứu có ý nghĩa quan trọng trong việc cung cấp công cụ dự báo chi phí chính xác, giúp các cơ quan quản lý dự án và chủ đầu tư kiểm soát tốt hơn ngân sách, đồng thời góp phần nâng cao hiệu quả đầu tư công trình giao thông. Các chỉ số đánh giá mô hình như hệ số xác định R² và sai số MAPE đều cho thấy mô hình ANN có độ chính xác cao, phù hợp với thực tiễn quản lý chi phí xây dựng cầu.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên nền tảng lý thuyết mạng neuron nhân tạo (Artificial Neural Network - ANN), một mô hình tính toán mô phỏng hoạt động của neuron sinh học trong bộ não con người. ANN gồm các neuron nhân tạo kết nối với nhau qua các trọng số liên kết, có khả năng học từ dữ liệu và dự báo kết quả. Mạng nhiều tầng truyền thẳng (Multilayer Perceptron - MLP) với thuật toán lan truyền ngược (back-propagation) được sử dụng phổ biến trong các bài toán dự báo và ước lượng chi phí xây dựng.

Các khái niệm chính bao gồm:

  • Neuron nhân tạo: Đơn vị xử lý thông tin với đầu vào, trọng số liên kết, hàm tổng và hàm truyền.
  • Mạng MLP: Mạng gồm nhiều lớp neuron, trong đó có một hoặc hai lớp ẩn, sử dụng hàm sigmoid cho lớp ẩn và hàm tuyến tính cho lớp đầu ra.
  • Phương pháp Bootstrap: Kỹ thuật thống kê dùng để ước lượng khoảng tin cậy của các tham số mô hình mà không cần giả định phân phối xác suất ban đầu.
  • Các nhân tố ảnh hưởng chi phí xây dựng: Bao gồm các thông số kỹ thuật công trình (chiều dài cầu, chiều rộng, mô đun đàn hồi kết cấu, chiều cao thông thuyền, chiều dài cọc bê tông) và giá các vật liệu chính (giá xi măng, giá nhựa đường, giá nhiên liệu).

Phương pháp nghiên cứu

Nguồn dữ liệu được thu thập từ 33 dự án cầu dầm nhịp giản đơn xây dựng trên địa bàn tỉnh Long An trong năm 2013 và 2014, trong đó 32 dự án dùng để huấn luyện mô hình và 1 dự án dùng để thử nghiệm. Dữ liệu bao gồm các thông số kỹ thuật và giá vật liệu liên quan đến chi phí xây dựng.

Phương pháp phân tích chính là xây dựng mô hình ANN với cấu trúc mạng MLP, sử dụng thuật toán lan truyền ngược để huấn luyện. Dữ liệu được chia thành 75% cho bộ huấn luyện và 25% cho bộ kiểm tra, lựa chọn ngẫu nhiên nhằm đảm bảo tính khách quan. Hai mô hình được xây dựng tương ứng với hai giai đoạn phát triển dự án: giai đoạn 1 với 8 biến đầu vào và giai đoạn 2 với 14 biến đầu vào.

Việc đánh giá mô hình dựa trên các chỉ số sai số như MAPE (Mean Absolute Percentage Error), MSE (Mean Squared Error), RMSE (Root Mean Squared Error) và hệ số xác định R². Phương pháp Bootstrap được áp dụng để ước lượng khoảng tin cậy cho giá trị dự báo chi phí từ mô hình ANN.

Timeline nghiên cứu kéo dài từ tháng 7/2015 đến tháng 12/2015, bao gồm các bước xác định nhân tố ảnh hưởng, thu thập dữ liệu, xây dựng và kiểm định mô hình, thử nghiệm ứng dụng trên phần mềm Excel và báo cáo kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Xác định 14 nhân tố chính ảnh hưởng đến chi phí xây dựng cầu dầm nhịp giản đơn, bao gồm các thông số kỹ thuật như mô đun đàn hồi kết cấu, chiều dài cầu, chiều rộng cầu, chiều cao thông thuyền, chiều dài cọc bê tông, và các yếu tố giá vật liệu như giá xi măng, giá nhựa đường, giá nhiên liệu.

  2. Mô hình ANN với 8 biến đầu vào và 2 lớp ẩn cho kết quả tốt nhất trong giai đoạn 1, với hệ số xác định R² trên bộ kiểm tra đạt khoảng 0.8 và sai số MAPE trung bình dưới 6%, thể hiện độ chính xác cao trong dự báo chi phí.

  3. Mô hình ANN với 14 biến đầu vào và 2 lớp ẩn trong giai đoạn 2 cũng đạt hiệu quả tương tự, với R² dao động từ 0.75 đến 0.85 và MAPE dưới 7%, cho thấy việc bổ sung các biến liên quan đến giá vật liệu giúp nâng cao độ chính xác mô hình.

  4. Ứng dụng mô hình trên phần mềm Excel cho phép ước lượng chi phí nhanh chóng và tiện lợi, hỗ trợ các nhà quản lý dự án trong việc lập dự toán và kiểm soát chi phí xây dựng cầu.

Thảo luận kết quả

Kết quả nghiên cứu phù hợp với các nghiên cứu trước đây trong lĩnh vực quản lý xây dựng, khẳng định hiệu quả của mô hình mạng neuron nhân tạo trong việc dự báo chi phí xây dựng công trình giao thông. Việc lựa chọn mô hình MLP với 1 hoặc 2 lớp ẩn và hàm sigmoid cho lớp ẩn là phù hợp với tính chất phi tuyến của dữ liệu chi phí xây dựng.

Sai số MAPE thấp dưới 7% cho thấy mô hình có khả năng dự báo chính xác, giúp giảm thiểu rủi ro vượt chi phí trong quá trình thi công. Hệ số xác định R² cao chứng tỏ mô hình giải thích tốt biến thiên chi phí dựa trên các biến đầu vào đã chọn.

Phương pháp Bootstrap cung cấp khoảng tin cậy cho giá trị dự báo, tăng tính tin cậy và hỗ trợ ra quyết định trong điều kiện dữ liệu có thể có nhiễu hoặc không phân phối chuẩn. Việc xây dựng mô hình dựa trên dữ liệu thực tế của tỉnh Long An giúp mô hình có tính ứng dụng cao trong thực tiễn địa phương.

Các biểu đồ hệ số R² và sai số MAPE minh họa rõ sự ổn định và hiệu quả của mô hình qua các bộ dữ liệu huấn luyện và kiểm tra, đồng thời cho thấy mô hình 2 lớp ẩn có phần ưu thế hơn về khả năng học và tổng quát hóa.

Đề xuất và khuyến nghị

  1. Áp dụng mô hình ANN trong công tác lập dự toán chi phí xây dựng cầu dầm nhịp giản đơn tại các sở giao thông vận tải tỉnh thành, nhằm nâng cao độ chính xác và hiệu quả quản lý chi phí. Thời gian triển khai: trong vòng 6 tháng, chủ thể thực hiện là các phòng quản lý dự án và kỹ thuật.

  2. Phát triển phần mềm ứng dụng mô hình ANN trên nền tảng Excel hoặc các phần mềm quản lý dự án khác, giúp cán bộ kỹ thuật dễ dàng sử dụng và cập nhật dữ liệu mới. Thời gian thực hiện: 3-4 tháng, do các đơn vị công nghệ thông tin phối hợp với chuyên gia xây dựng.

  3. Tổ chức đào tạo, tập huấn cho cán bộ quản lý dự án và kỹ thuật về phương pháp ANN và ứng dụng trong quản lý chi phí xây dựng, nhằm nâng cao năng lực chuyên môn và áp dụng hiệu quả mô hình. Thời gian: 2 tháng, chủ thể là các trường đại học, viện nghiên cứu và sở giao thông vận tải.

  4. Mở rộng nghiên cứu và cập nhật dữ liệu liên tục để hoàn thiện mô hình ANN, bao gồm các loại cầu khác và các yếu tố ảnh hưởng mới, nhằm tăng tính phổ biến và chính xác của mô hình trong tương lai. Chủ thể thực hiện là các viện nghiên cứu và trường đại học, thời gian liên tục theo chu kỳ 1-2 năm.

Đối tượng nên tham khảo luận văn

  1. Cán bộ quản lý dự án xây dựng cầu giao thông tại các sở giao thông vận tải tỉnh thành: Giúp họ có công cụ dự báo chi phí chính xác, từ đó lập kế hoạch ngân sách và kiểm soát chi phí hiệu quả.

  2. Chuyên gia kỹ thuật và tư vấn thiết kế cầu: Tham khảo để hiểu rõ các nhân tố ảnh hưởng đến chi phí và áp dụng mô hình ANN trong giai đoạn lập dự toán và thiết kế.

  3. Nhà nghiên cứu và sinh viên ngành công nghệ xây dựng, quản lý xây dựng: Là tài liệu tham khảo quý giá về ứng dụng trí tuệ nhân tạo trong quản lý chi phí xây dựng công trình giao thông.

  4. Các đơn vị tư vấn, nhà thầu xây dựng: Sử dụng mô hình để dự báo chi phí, lập kế hoạch thi công và quản lý tài chính dự án, nâng cao hiệu quả hoạt động.

Câu hỏi thường gặp

  1. Mô hình mạng neuron nhân tạo (ANN) là gì và tại sao được chọn để ước lượng chi phí xây dựng?
    ANN là mô hình tính toán mô phỏng hoạt động của neuron sinh học, có khả năng học từ dữ liệu và dự báo kết quả phi tuyến. Nó được chọn vì khả năng xử lý dữ liệu phức tạp, không tuyến tính và cho kết quả dự báo chính xác hơn các phương pháp truyền thống.

  2. Các nhân tố nào ảnh hưởng chính đến chi phí xây dựng cầu dầm nhịp giản đơn?
    Bao gồm các thông số kỹ thuật như chiều dài cầu, chiều rộng, mô đun đàn hồi kết cấu, chiều cao thông thuyền, chiều dài cọc bê tông, cùng với giá các vật liệu chính như xi măng, nhựa đường và nhiên liệu.

  3. Phương pháp Bootstrap được sử dụng như thế nào trong nghiên cứu này?
    Bootstrap được dùng để ước lượng khoảng tin cậy cho giá trị dự báo chi phí từ mô hình ANN, giúp đánh giá độ tin cậy của kết quả mà không cần giả định phân phối xác suất ban đầu.

  4. Mô hình ANN có thể áp dụng cho các loại cầu khác ngoài cầu dầm nhịp giản đơn không?
    Mô hình có thể được mở rộng và điều chỉnh cho các loại cầu khác, tuy nhiên cần thu thập dữ liệu phù hợp và xây dựng lại mô hình để đảm bảo độ chính xác.

  5. Làm thế nào để sử dụng mô hình ANN trong thực tế quản lý dự án?
    Mô hình được tích hợp vào phần mềm Excel, cho phép nhập các thông số dự án và nhận kết quả ước lượng chi phí nhanh chóng, hỗ trợ lập dự toán và kiểm soát chi phí trong quá trình thi công.

Kết luận

  • Nghiên cứu đã xác định 14 nhân tố chính ảnh hưởng đến chi phí xây dựng cầu dầm nhịp giản đơn tại Long An, bao gồm các thông số kỹ thuật và giá vật liệu.
  • Mô hình mạng neuron nhân tạo (ANN) với cấu trúc MLP 1 hoặc 2 lớp ẩn được xây dựng và kiểm định, cho kết quả dự báo chi phí có độ chính xác cao với sai số MAPE dưới 7% và hệ số xác định R² trên 0.75.
  • Ứng dụng mô hình trên phần mềm Excel giúp đơn giản hóa công tác ước lượng chi phí, hỗ trợ các nhà quản lý dự án trong việc lập dự toán và kiểm soát ngân sách.
  • Phương pháp Bootstrap được áp dụng để ước lượng khoảng tin cậy, tăng tính tin cậy và khả năng ứng dụng của mô hình trong thực tế.
  • Đề xuất triển khai áp dụng mô hình ANN trong quản lý chi phí xây dựng cầu tại các địa phương, đồng thời mở rộng nghiên cứu để hoàn thiện và phổ biến mô hình trong tương lai.

Next steps: Triển khai đào tạo, phát triển phần mềm ứng dụng và mở rộng dữ liệu để nâng cao hiệu quả mô hình. Các đơn vị quản lý dự án và nhà nghiên cứu được khuyến khích áp dụng và phát triển mô hình trong thực tiễn.

Call to action: Hãy áp dụng mô hình ANN để nâng cao hiệu quả quản lý chi phí xây dựng cầu, góp phần phát triển hạ tầng giao thông bền vững và tiết kiệm ngân sách nhà nước.