Tổng quan nghiên cứu
Ngành thủy lợi đóng vai trò then chốt trong phát triển nông nghiệp và kinh tế quốc gia, đặc biệt tại các đô thị lớn như Thành phố Hồ Chí Minh. Theo số liệu của Tổng cục Thủy lợi, hiện có hơn 900 hệ thống thủy lợi quy mô lớn phục vụ diện tích từ 200 ha trở lên, với tổng cộng hơn 86.000 công trình thủy lợi, bao gồm gần 7.000 đập và hồ chứa, hơn 19.000 km kênh mương các loại. Trong bối cảnh phát triển bền vững và thích ứng với biến đổi khí hậu, việc xây dựng các công trình thủy lợi hiện đại, đồng bộ và thông minh là yêu cầu cấp thiết. Tuy nhiên, thời gian thi công các gói thầu xây dựng công trình thủy lợi thường chịu ảnh hưởng bởi nhiều yếu tố phức tạp như điều kiện địa chất, khí hậu, quy mô công trình và các yếu tố môi trường khác, dẫn đến khó khăn trong việc dự báo chính xác tiến độ thi công.
Mục tiêu nghiên cứu là xác định các nhân tố ảnh hưởng đến thời gian hoàn thành gói thầu thi công xây dựng công trình thủy lợi trên địa bàn Thành phố Hồ Chí Minh trong giai đoạn 2015-2020, từ đó đề xuất mô hình mạng nơ ron nhân tạo (ANN) loại MLP để ước tính thời gian thi công với độ chính xác cao. Nghiên cứu sử dụng dữ liệu thực tế từ 137 gói thầu kênh bê tông cốt thép chữ nhật đã hoàn thành, áp dụng thuật toán Kennard Stone để lựa chọn dữ liệu đại diện, nhằm nâng cao hiệu suất mô hình. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc hỗ trợ chủ đầu tư và nhà quản lý dự án đưa ra quyết định nhanh chóng, chính xác, góp phần nâng cao hiệu quả quản lý tiến độ thi công công trình thủy lợi.
Cơ sở lý thuyết và phương pháp nghiên cứu
Khung lý thuyết áp dụng
Nghiên cứu dựa trên các lý thuyết và mô hình sau:
Khái niệm công trình thủy lợi: Theo Luật Thủy lợi 2017, công trình thủy lợi bao gồm các hạ tầng kỹ thuật như đập, hồ chứa, kênh mương, cống, trạm bơm phục vụ quản lý và khai thác thủy lợi. Việc tổ chức thi công công trình thủy lợi phải tuân thủ các nguyên tắc về điều kiện tự nhiên, địa hình, khí tượng thủy văn và yêu cầu kỹ thuật theo QCVN 04-01:2018/BNNPTNT.
Mạng nơ ron nhân tạo (ANN): Mạng ANN mô phỏng hoạt động của não bộ con người, gồm nhiều nơ ron nhân tạo liên kết qua các lớp (layer). Mạng MLP (Multi-Layer Perceptron) là loại mạng truyền thẳng nhiều lớp, sử dụng hàm kích hoạt phi tuyến và thuật toán lan truyền ngược (backpropagation) để huấn luyện. Mạng MLP có khả năng học và tổng quát hóa tốt trên dữ liệu phức tạp.
Thuật toán Kennard Stone (KS): Phương pháp lựa chọn mẫu dữ liệu đại diện dựa trên khoảng cách trong không gian đa chiều, giúp phân tách dữ liệu thành tập huấn luyện và kiểm tra một cách tối ưu, tránh hiện tượng underfitting và overfitting.
Các chỉ số đánh giá mô hình: Sai số bình phương trung bình (MSE), sai số trung bình tuyệt đối (MAE), sai số phần trăm trung bình tuyệt đối (MAPE) và hệ số xác định (R²) được sử dụng để đánh giá hiệu suất mô hình.
Phương pháp nghiên cứu
Nguồn dữ liệu: Thu thập dữ liệu từ 137 gói thầu thi công kênh bê tông cốt thép chữ nhật trên địa bàn Thành phố Hồ Chí Minh trong giai đoạn 2015-2020. Dữ liệu bao gồm hồ sơ dự án, kế hoạch lựa chọn nhà thầu, nhật ký công trình, báo cáo giám sát và phỏng vấn chuyên gia.
Phương pháp chọn mẫu: Sử dụng bảng câu hỏi với thang đo Likert 5 cấp độ để khảo sát các nhân tố ảnh hưởng đến thời gian thi công. Kích thước mẫu được xác định theo nguyên tắc gấp 4,5 lần số biến quan sát, đảm bảo độ tin cậy và tính đại diện.
Phương pháp phân tích: Dữ liệu được xử lý bằng phần mềm thống kê STATA để kiểm định độ tin cậy (Cronbach’s Alpha) và phân tích nhân tố chính (PCA) nhằm giảm số chiều biến. Mô hình mạng MLP được xây dựng và huấn luyện bằng ngôn ngữ lập trình Python, áp dụng thuật toán lan truyền ngược kết hợp tối