áp dụng thuật toán trí tuệ nhân tạo ai để ước lượng rác thải xây dựng trong các công trình dân dụng ở tp hồ chí minh

Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (2.69 MB, 102 trang )

<span class="text_page_counter">Trang 1</span><div class="page_container" data-page="1">

<b>ĐẠI HỌC QUỐC GIA TP.HỒ CHÍ MINH </b>

<b>TRƯỜNG ĐẠI HỌC BÁCH KHOA TP.HỒ CHÍ MINH </b>

---o0o---

PHẠM THANH THÙY

<b>ÁP DỤNG THUẬT TỐN TRÍ TUỆ NHÂN TẠO (AI) ĐỂ ƯỚC LƯỢNG RÁC THẢI XÂY DỰNG TRONG CÁC </b>

<b>CƠNG TRÌNH DÂN DỤNG Ở TP. HỒ CHÍ MINH </b>

Chuyên ngành: Quản lý Xây dựng Mã số: 8580302

LUẬN VĂN THẠC SĨ

Tp. HỒ CHÍ MINH, tháng 01 năm 2024

</div><span class="text_page_counter">Trang 2</span><div class="page_container" data-page="2">

Cán bộ hướng dẫn khoa học 1: PGS.TS. Phạm Vũ Hồng Sơn Chữ ký:

Cán bộ hướng dẫn khoa học 2: TS. Lê Hoài Long Chữ ký:

3. TS. Nguyễn Văn Tiếp – Ủy viên 4. PGS.TS. Đỗ Tiến Sỹ – Phản biện 1

5. TS. Đặng Ngọc Châu – Phản biện 2

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).

</div><span class="text_page_counter">Trang 3</span><div class="page_container" data-page="3">

<b>NHIỆM VỤ LUẬN VĂN THẠC SĨ </b>

Ngày, tháng, năm sinh: 23/02/1995 Nơi sinh: Quảng Ngãi

<b>I. TÊN ĐỀ TÀI: ÁP DỤNG THUẬT TOÁN TRÍ TUỆ NHÂN TẠO (AI) ĐỂ ƯỚC LƯỢNG RÁC THẢI XÂY DỰNG TRONG CÁC CƠNG TRÌNH DÂN DỤNG Ở TP. HỒ CHÍ MINH </b>

<b>APPLY ARTIFICIAL INTELLIGENT FOR ESTIMATING CONSTRUCTION WASTE OF CIVIL CONSTRUCTION PROJECT IN HO CHI MINH CITY II. NHIỆM VỤ VÀ NỘI DUNG: </b>

1. Tìm hiểu về tình hình rác thải xây dựng và áp dụng các thuật tốn trí tuệ nhân tạo để ước lượng rác thải xây dựng trong các công trình dân dụng.

2. Nghiên cứu xây dựng mơ hình sử dụng dụng thuật tốn trí tuệ nhân tạo để ước lượng rác thải xây dựng trong các cơng trình dân dụng. Đưa ra nhận xét và đánh giá mơ hình.

3. Áp dụng và xây dựng quy trình sử dụng mơ hình thuật tốn trí tuệ nhân tạo để ước lượng rác thải xây dựng trong các cơng trình dân dụng ở tại TP. Hồ Chí Minh.

<b>III. NGÀY GIAO NHIỆM VỤ: 04/09/2023 </b>

<b>IV. NGÀY HOÀN THÀNH NHIỆM VỤ: 18/12/2023 </b>

<b>V. CÁN BỘ HƯỚNG DẪN: PGS.TS PHẠM VŨ HỒNG SƠN - TS. LÊ HOÀI LONG </b>

<i>Tp. HCM, ngày 18 tháng 12 năm 2023</i>

<b>CÁN BỘ HƯỚNG DẪN 1 </b>

<b>CÁN BỘ HƯỚNG DẪN 2 </b>

<b>CHỦ NHIỆM BỘ MƠN ĐÀO TẠO </b>

<b>TS. Lê Hoài Long TRƯỞNG KHOA KỸ THUẬT XÂY DỰNG </b>

</div><span class="text_page_counter">Trang 4</span><div class="page_container" data-page="4">

Em rất cảm phục và biết ơn các thầy nhiều và ln tự hào vì có những người thầy tận tâm, tận tình. Một lần nữa gửi những lời kính mến đến các thầy, chúc các thầy thật nhiều sức khỏe và thành công hơn nữa trong con đường sự nghiệp của mình. Xin chân thành gửi lời cảm ơn các thầy cô giáo của Ngành quản lý xây dựng đã giảng dạy và truyền đạt những kiến thức trong quá trình học Thạc sĩ tại Trường đại học Bách Khoa TP.HCM để em có đầy đủ khả năng kiến thức thực hiện đề tài này. Chúc thầy cơ giáo có nhiều sức khỏe để truyền đạt kiến thức vàng cho các học viên như em.

Em cũng xin gửi lòng biết ơn đến các anh, chị trong Quý cơ quan đã nhiệt tình hướng dẫn tìm tài liệu cho đề tài, và các anh chị đồng nghiệp và Ban giám đốc công ty nơi em làm việc đã hỗ trợ em trong suốt thời gian vừa qua để thực hiện và hoàn thành tốt luận văn này.

Cuối cùng xin cảm ơn gia đình, người thân ủng hộ khích lệ và hỗ trợ về mọi mặt, trong những lúc khó khăn, gia đình là nguồn động lực và là chỗ dựa cho em hoàn thành tốt nhiệm vụ luận văn này.

Chân thành cảm ơn!

<i>Tp. HCM, ngày 17 tháng 12 năm 2023 </i>

<i><b> Phạm Thanh Thùy </b></i>

</div><span class="text_page_counter">Trang 5</span><div class="page_container" data-page="5">

Mục tiêu hướng đến của đề tài nghiên cứu là đề xuất một phương pháp mới là sử dụng trí tuệ nhân tạo cụ thể là dùng mơ hình máy học là một lĩnh vực chuyên sâu của trí tuệ nhân tạo để ước lượng rác thải xây dựng, nhằm đưa ra kết quả ước lượng có độ tin tưởng, và có độ chính xác cao. Để chọn được mơ hình ước lượng tốt và hiệu quả, vì thế trong nghiên cứu được thực hiện ở luận văn này là đề xuất một số phương pháp mơ hình máy học khác nhau như: mơ hình K- lân cận gần nhất (KNN), mơ hình tuyến tính (LR), mơ hình Lasso (Lasso), mơ hình máy vectơ hỗ trợ (SVR), mơ hình cây quyết định (DT), mơ hình kết hợp rừng ngẫu nhiên (RF), mơ hình kết hợp tăng cường gradient (GBR) và mơ hình mạng nơ ron thần kinh dạng hồi quy mạng nhiều lớp (MLP). Bằng việc sử dụng ngơn ngữ lập trình Python để soạn thảo lập trình các đoạn mã cho từng mơ hình thuật tốn. Nguồn dữ liệu mà mơ hình sử dụng là các dữ liệu được thu thập (đầu vào) từ dữ liệu của những nghiên cứu trước và dữ liệu được khảo sát thực tế như: số tầng của cơng trình, tổng diện tích xây dựng và tổng diện tích khu đất của các cơng trình trong lịch sử đã được phá dỡ.. để làm các thông số đầu vào mơ hình máy học ước lượng rác thải trong các cơng trình dân dụng.

Sau khi thực thi các mơ hình máy học dùng để ước lượng rác thải trên Python, các mơ hình đều cho kết quả tương đối cao trên tập dữ liệu thực tế tại các cơng trình xây dựng trên thành phố Hồ Chí Minh, và dữ liệu của những bài nghiên cứu trước đó để đánh giá mơ hình. Nhưng đặc biệt hơn là mơ hình máy học K lân cận gần nhất (KNN) cho độ chính xác cao nhất và ưu việt hơn tất cả các mơ hình khác với tỉ lệ lỗi tuyệt đối trung bình (MAER) là 10.8286 và hệ số tương quan (R<small>2</small>) khá ấn tượng là 0.9834. Từ kết quả đạt được, có thể thấy mơ hình KNN có thể sử dụng mơ hình ứng dụng rộng rãi vào trong công việc quản lý để ước lượng rác thải xây dựng của các cơng trình xây dựng dân dụng sẽ phát sinh.

Từ việc có những số liệu ước lượng khối lượng rác thải xây dựng tương đối tin tưởng sẽ giúp chủ nhà thầu, cơ quan quản lý nhà nước về rác thải ước lượng được khối lượng rác thải xây dựng sau khi phá dỡ. Trên cơ sở đó đưa ra các chính sách và lập kế hoạch quản lý rác thải và quản lý chi phí xử lý rác thải hợp lý.

</div><span class="text_page_counter">Trang 6</span><div class="page_container" data-page="6">

<b>ABSTRACT </b>

The goal of the research project is to propose a new method using artificial intelligence tools that can use machine learning models, a specialized field of artificial intelligence, to estimate the amount of waste construction, in order to produce results with high quality ideas and high accuracy. To choose a good and effective estimation model, in the research conducted in this thesis, a number of different machine learning modeling methods are proposed such as: K-nearest neighbor(KNN) model, linear regression model (LR), Lasso model (Lasso), support vector regression model (SVR), decision tree model (DT), random forest model (RF), gradient boosting (GBR), hybrid model and multi-layer network regression (MLP). By using the Python language installer to edit installation code for each algorithm model. The data source used by the model is data collected (input) from data of previous studies and actual survey data such as: number of floors of the building, construction summary and total The land area of historical buildings was studied... to create the first parameters for a machine learning model of waste in civil tools.

After implementing machine learning models used to estimate waste on Python, the models all gave results compatible with actual files at construction sites in Ho Chi Minh City and data from other articles. previous research to evaluate the model. But more specifically, the K nearest neighbor (KNN) machine learning model gives the highest accuracy and is superior to all other models with an average absolute error rate (MAER) of 10.8286 and a correlation coefficient (R<small>2</small>) of 10.8286. From the results achieved, it can be seen that the KNN model can be used widely in management work to estimate the amount of construction waste that will arise from civil construction projects.

From having the amount of future construction waste, it will help house owners and state management agencies control the amount of construction waste after being evacuated. On that basis, policies and plans for waste management and waste treatment cost management are put in place.

</div><span class="text_page_counter">Trang 7</span><div class="page_container" data-page="7">

Tôi xin cam đoan đây là cơng trình nghiên cứu của bản thân tơi. Các nội dung và kết quả của nghiên cứu này là trung thực, và chưa từng được công bố từ các cơng trình nghiên cứu trước đây. Nguồn tài liệu tham khảo (nếu có) đã được thực hiện trích dẫn đúng quy định. Tôi xin cam kết chịu trách nhiệm với kết quả nghiên cứu này của mình.

Tác giả luận văn

Phạm Thanh Thùy

</div><span class="text_page_counter">Trang 8</span><div class="page_container" data-page="8">

<b>CHƯƠNG 2TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU ... 11</b>

<b>2.1Một số nghiên cứu trước đây ... 11</b>

2.1.1 Các nghiên cứu nước ngoài ... 11

2.1.2 Các nghiên cứu trong nước ... 18

<b>2.2Các kỹ thuật trí tuệ nhân tạo (AI) dùng trong mơ hình ước lượng rác thải xây dựng trong các cơng trình dân dụng ... 21</b>

2.2.1 Các mơ hình phân tích hồi quy độc lập ... 24

2.2.2 Các mơ hình kết hợp ... 27

2.2.3 Mơ hình mạng thần kinh nhân tạo ... 28

<b>2.3Môi trường ảo thực thi máy học ... 28</b>

<b>2.4Kết luận về vấn đề nghiên cứu ... 31</b>

<b>CHƯƠNG 3PHƯƠNG PHÁP NGHIÊN CỨU ... 32</b>

</div><span class="text_page_counter">Trang 9</span><div class="page_container" data-page="9">

<b>CHƯƠNG 4HUẤN LUYỆN MƠ HÌNH ƯỚC LƯỢNG VÀ ĐƯA RA NHẬN </b>

<b>5.2Hướng nghiên cứu trong tương lai ... 82</b>

</div><span class="text_page_counter">Trang 10</span><div class="page_container" data-page="10">

Hình1.1 Khối lượng rác thải trên tồn thế giới .Nguồn:[1] ... 1

Hình 3.1: Quy trình thực hiện nghiên cứu ... 32

Hình 3.2: Sơ đồ hoạt động của mơ hình Rừng ngẫu nhiên ... 40

Hình 3.3: Lưu đồ thuật tốn GBR ... 42

Hình 3.4: Mạng thần kinh nhân tạo ... 43

Hình 3.5: Mơ hình MLP một lớp ẩn ... 45

Hình 3.6: Quy trình huấn luyện mơ hình ước lượng rác thải xây dựng trong cơng trình dân dụng ... 46

Hình 4.1: Mơ tả dữ liệu của mơ hình ước lượng bài tốn thực tế 1 ... 51

Hình 4.2: Mơ tả sự phân bố các đặc tính của mơ hình bài tốn thực tế 1 ... 51

Hình 4.3: Bản đồ khu vực thành phố Hồ Chí Minh. Nguồn[53] ... 62

Hình 4.4: Mơ tả dữ liệu của mơ hình tại thành phố Hồ Chí Minh ... 63

Hình 4.5 Sự tương quan giữa các biến đầu vào và biến ước lượng của mô hình ở TP.Hồ Chí Minh ... 64

Hình 4.6: Quy trình thực hiện của mơ hình sử dụng thuật tốn K lân cận gần nhất để ước lượng rác thải xây dựng ... 80

Hình 4.7: Đoạn mã xử lý của mơ hình ước lượng KNN ... 81

</div><span class="text_page_counter">Trang 11</span><div class="page_container" data-page="11">

Bảng 2.1: Một số nghiên cứu nước ngoài áp dụng trí tuệ nhân tạo hay những liên quan

đến trí tuệ nhân tạo để quản lý rác thải ... 13

Bảng 2.2: Một số đề tài nghiên cứu trong nước về cách quản lý rác thải ... 19

Bảng 3.1: Các công cụ hỗ trợ cho việc nghiên cứu ... 32

Bảng 3.2: Xác định phân loại các ước lượng theo thời gian ... 33

Bảng 3.3: Các đặc tính của dữ liệu của mơ hình ước lượng rác thải xây dựng ... 46

Bảng 4.1Tổng quan dữ liệu mơ hình bài tốn thực tế 1 . Nguồn:[11] ... 49

Bảng 4.2: Kết quả ước lượng của mơ hình KNN trong bài tốn thực tế 1 ... 52

Bảng 4.3: Kết quả ước lượng của mơ hình LR trong bài tốn thực tế 1 ... 52

Bảng 4.4: Kết quả ước lượng của mơ hình Lasso trong bài toán thực tế 1 ... 53

Bảng 4.5: Kết quả ước lượng của mơ hình SVR trong bài tốn thực tế 1 ... 54

Bảng 4.6: Kết quả ước lượng của mơ hình DT trong bài tốn thực tế 1 ... 54

Bảng 4.7: Kết quả ước lượng của mơ hình RF trong bài toán thực tế 1 ... 55

Bảng 4.8: Kết quả ước lượng của mơ hình GBR trong bài toán thực tế 1 ... 56

Bảng 4.9: Kết quả ước lượng của mơ hình MLP trong bài tốn thực tế 1 ... 56

Bảng 4.10: Kết quả tổng hợp kết quả ước lượng của các mơ hình máy học để ước lượng rác thải trong bài toán thực tế 1 ... 57

Bảng 4.11: So sánh các kết quả các mơ hình áp dụng các mơ hình máy học ước lượng rác thải xây dựng trong bài toán thực tế 1 ... 59

Bảng 4.12: Tổng quan các đặc tính bài tốn thực tế 2 ở thành phố Hồ Chí Minh .... 62

Bảng 4.13: Kết quả ước lượng của mơ hình KNN trong bài toán thực tế 2 ... 64

Bảng 4.14: Kết quả ước lượng của mơ hình LR trong bài tốn thực tế 2 ... 65

Bảng 4.15: Kết quả ước lượng của mơ hình Lasso trong bài tốn thực tế 2 ... 66

Bảng 4.16: Kết quả ước lượng của mơ hình SVR trong bài toán thực tế 2 ... 67

Bảng 4.17: Kết quả ước lượng của mơ hình DT trong bài tốn thực tế 2 ... 69

Bảng 4.18: Kết quả ước lượng của mơ hình RF trong bài tốn thực tế 2 ... 70

Bảng 4.19: Kết quả ước lượng của mơ hình GBR trong bài toán thực tế 2 ... 71

Bảng 4.20: Kết quả ước lượng của mơ hình MLP trong bài toán thực tế 2 ... 72

</div><span class="text_page_counter">Trang 12</span><div class="page_container" data-page="12">

Bảng 4.21: Kết quả các mơ hình áp dụng các mơ hình máy học để ước lượng rác thải xây dựng của các cơng trình dân dụng tại thành phố Hồ Chí Minh ... 73Bảng 4.22: Kết quả so sánh các mơ hình áp dụng các mơ hình máy học ước lượng rác thải xây dựng của các cơng trình dân dụng ở thành phố Hồ Chí Minh ... 75

</div><span class="text_page_counter">Trang 13</span><div class="page_container" data-page="13">

Biểu đồ 1.1: Thành phần rác thải xây dựng tại Việt Nam ... 3Biều đồ 2.1: Quy trình huấn luyện mơ hình thuật tốn trí tuệ nhân tạo ... 22Biểu đồ 2.2: Các mơ hình máy học được áp dụng trong nghiên cứu của luận văn .. 24Biểu đồ 3.1: Biểu đồ mơ hình kết hợp được phân loại theo chức năng ... 39Biểu đồ 4.1: So sánh các kết quả của các mô hình máy học ước lượng rác thải ở bài tốn thực tế 1 ... 58Biểu đồ 4.2: So sánh các mơ hình máy học ở bài tốn thực tế 1 theo MAER ... 59Biều đồ 4.3: So sánh các mô hình máy học ở bài tốn thực tế 1 theo R<small>2</small> ... 60Biểu đồ 4.4: So sánh các mơ hình máy học ở bài toán thực tế 1 theo độ chính xác của khối lượng rác thải ... 60Biểu đồ 4.5: So sánh các kết quả ước lượng rác thải xây dựng giữa các mơ hình máy học áp dụng tại thành phố Hồ Chí Minh ... 75Biểu đồ 4.6: So sánh theo MAER giữa các mơ hình máy học áp dụng tại thành phố Hồ Chí Minh ... 76Biểu đồ 4.7: So sánh hệ số R<sup>2</sup> giữa các mô hình máy học ở phố Hồ Chí Minh ... 76Biểu đồ 4.8: So sánh các độ chính xác về khối lượng giữa các mơ hình máy học ở thành phố Hồ Chí Minh ... 77

</div><span class="text_page_counter">Trang 14</span><div class="page_container" data-page="14">

<b>DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt Từ gốc tiếng Anh (nếu có) Tiếng Việt </b>

ACO Ant colony optimization Thuật toán tối ưu đàn kiến AI Artificial Intelligence Trí tuệ nhân tạo

ANFIS Adaptive Network-based Fuzzy. Inference System

Hệ thống suy luận mờ kích ứng

ANN Artificial Neural Networks Mạng thần kinh nhân tạo BD-P Big data-probability Mơ hình dữ liệu lớn

C&DW Construction and Demolition Waste

Chất thải xây dựng phá dỡ

GA Genetic Algorithm Thuật toán di truyền GBR Gradient Boosting Regressor Tăng cường Gradient GIS Geographics Information

System

Hệ thống thông tin địa lý

KNN K-nearest neighbors K-lân cận gần nhất

MAER Mean absolute error rate Tỉ lệ lỗi trung bình tuyệt đối

MLP Multilayer Perceptron Mạng nhiều tầng truyền thẳng NFL No Free Lunch Định lý khơng có bữa trưa miễn phí R2 Coefficient of Determination Hệ số xác định

RMSE Root Mean Square Error Sai số căn trung bình bình phương SVM support vector machine Máy vec tơ hỗ trợ

SVR Support Vector Regression Hồi quy dựa theo vectơ hỗ trợ XGBoost Extreme Gradient Boosting Tăng cường Gradient cực cao

</div><span class="text_page_counter">Trang 15</span><div class="page_container" data-page="15">

<b>CHƯƠNG 1 </b>

Ngày nay xã hội ngày càng phát triển về nhiều mặt, các hoạt động về khoa học công nghệ, khoa học máy tính diễn ra nhanh chóng, cùng hịa nhịp độ của sự phát triển ấy của xã hội, thì các ngành cơng nghiệp, dịch vụ trên tồn thế giới cũng phát triển không hề thua kém, nhưng đằng sau sự phát triển về văn hóa, kinh tế và đời sống thì mơi trường phải gánh thêm nhiều tác nhân gây ơ nhiễm, một trong số đó chính là rác thải. Theo số liệu thống kê và dự đoán trong trong được đưa ra vào năm 2016 đã thế giới có 2,01 tỷ tấn chất thải rắn được sinh ra, và chưa dừng lại ở đó tỉ lệ này tăng lên 3,4 tỷ tấn vào khoảng những năm 2050[1], được thể hiện ở (Hình 1.1). Khối lượng thải ra rất lớn, nếu khơng có chiến lược quản lý sẽ làm ảnh hưởng tác động xấu môi trường làm nguồn nước và ơ nhiễm, chất lượng khơng khí bị giảm ở mức thấp cũng như môi trường đất bị phá hủy, mang lại nhiều hệ lụy về bệnh tật và đã có hơn 40 triệu ca bệnh có các vấn đề do ảnh hưởng của rác thải và 5 triệu người chết mỗi năm, gây suy giảm và kìm hãm sự đi sự phát triển kinh tế.

Hình1.1 Khối lượng rác thải trên toàn thế giới .Nguồn:[1]

</div><span class="text_page_counter">Trang 16</span><div class="page_container" data-page="16">

Trên tồn thế giới, chỉ có gần 40% tổng khối lượng được phát thải ra được đưa đi đến địa điểm bãi xử lý rác tập trung bằng hình thức chơn lấp tập trung, có khoảng 19% được thu hồi vật liệu thông qua tái sử dụng và chỉ có 11% được xử lý bằng cách đốt, số rác còn lại khoảng 33% vẫn chưa được xử lý và đổ bừa bãi ra ngồi mơi trường[1]. Việc thu gom rác thải phụ thuộc vào sự nghiêm khác về mơi trường cũng như chính sách riêng cho mỗi từng quốc gia, nhưng đa số khác biệt của việc thu gom tập trung rác giữa vùng ở nông thơn và vùng ở đơ thị, điển hình như khu vực Thái Bình Dương trung bình có khoảng 71% rác thải được thu gom, trong số đó khoảng 77% rác ở các khu vực đô thị, ở vùng nông thôn thì con số này là 45% [1].

Ngành xây dựng khơng nằm ngồi sự sơi động của phát triển của những ngành công nghiệp chủ đạo khác, ngành xây dựng những đóng góp đáng kể về sự tăng trưởng và phát triển kinh tế, tốc độ phát triển tăng trưởng của ngành xây dựng ngày còn cao, hàng năm rác thải xây dựng phát sinh và được tạo ra lên đến hàng triệu tấn trên toàn thế giới. Mọi hoạt động của việc xây dựng mới hay của việc phá dỡ tạo ra dòng chất thải lớn nhất trên mọi quốc gia trên tồn thế giới, cịn số này chiếm 36% tổng lượng các loại chất thải rắn ở Châu Âu, và có đến 60% chất thải rắn do các hoạt động xây dựng được tạo ra ở Hoa Kỳ, con số tỷ 30%–40% chất thải rắn sinh ra tại Trung Quốc[2]. Với mức tỷ lệ tái chế, tái sử dụng lại cịn thấp dẫn sự lãng phí về các nguồn vật liệu như cát, đá, gỗ.. dẫn đến làm tăng các nguồn khai thác nguồn vật liệu xây dựng làm cho mơi trường ngày cịn bị ảnh hưởng. Tại Châu Âu (EU) vào năm 2016 đã đưa ra nhiều luật lệ về một số công tác trong việc quản lý rác thải của ngành công nghiệp xây dựng cho 28 quốc gia ở trung khu vực mục tiêu hướng đến tỷ lệ là 70% rác thải xây dựng được tái chế sử dụng lại trong tổng số lượng rác thải xây dựng[2]. Ở Mỹ, khoảng 136 triệu tấn rác xây dựng được tạo ra trong số đó và chỉ có từ 20% – 30% tổng khối được tái sử dụng, Ở tại nước Anh mỗi năm có khoảng 70 triệu tấn rác xây dựng nhưng cũng chỉ tái chế sử dụng lại chỉ đạt mức từ 10% – 15%[1], còn lại những chất thải được đưa đi đến nơi xử lý hoặc bị vứt bỏ ra môi trường.

Tại Việt Nam, theo báo cáo môi trường quốc gia năm 2011[3] về chất thải rắn, và báo cáo hiện trạng môi trường quốc gia năm 2019[4], mỗi ngày trung bình có đến

</div><span class="text_page_counter">Trang 17</span><div class="page_container" data-page="17">

60 nghìn tấn rác thải rắn được sản sinh ra ở các đơ thị. Trong đó lượng rác thải xây dựng chiếm tỷ lệ 10%-12% lượng các rác thải rắn được sinh ra ở khu vực đô thị, với thành phần của rác thải khác nhau như (Biều đồ 1.1). Một số khu đơ thị có lượng dân cư đơng đúc và phát triển cao về kinh tế điển hình như Hà Nội và Hồ Chí Minh thì số loại chất thải và phế phẩm xây dựng ở mức cao hơn so với các đô thị nhỏ hơn trong cả nước và chiếm đến 25% lượng rác thải rắn sinh ra ở đơ thị.Ngồi ra ở tại một số tỉnh khác như tỉnh Bắc Giang, Hải Phòng và An Giang thì khối lượng rác xây dựng tỷ chiếm tỉ lệ thấp hơn là 12% – 13% tổng chất thải rắn ở đô thị.

Biểu đồ 1.1: Thành phần rác thải xây dựng tại Việt Nam Nguồn: [5]

Với lượng rác thải của ngành xây dựng ngày còn tăng theo hằng năm, để quản lý được không phải điều dễ thực hiện. Nhà nước cùng với các đoàn thể có thẩm quyền về quản lý rác thải cũng đưa ra những quy định và một số thông tư để hướng dẫn cho một số việc liên quan đến rác thải, đánh giá rác thải như phế liệu, và các rác thải có tính chất nguy hại đến và ảnh hưởng môi trường, cũng như rác thải rắn sản sinh ra từ

Thành phần chất thải xây dựng

Đất, cát, sỏi Gạch và khối xây Bê tông

Chất khác

</div><span class="text_page_counter">Trang 18</span><div class="page_container" data-page="18">

việc sinh hoạt của đời sống hằng ngày cho đến rác thải rắn ở các khu công nghiệp. Đề cử như Nghị định số 38/2015/NĐ-CP[6] và Thông tư 08/2017/TT-BXD[7], có các nội dung được bắt buộc phải thực hiện như nêu rõ như rác thải của ngành xây dựng nếu không tái sử dụng hoặc tái chế bắt buộc phải bằng hình thức thu gom tập

Một những lập luận cho từ các nghiên cứu trước đó đã chứng rằng, việc có kế hoạch khơng đầy đủ và hoạt động khơng thường xun là những lý do chính khiến đến việc quản lý và kiểm soát nguồn rác thải khơng có hiệu quả và bị vỡ kế hoạch đề ra [8]. Việc thu thập, quản lý, kiểm soát rác thải xây dựng yếu kém là do nhiều nguyên nhân tạo ra khác nhau chẳng hạn như dân cư quá đông, tổng lượng sản phẩm quốc nội, tốc độ diễn ra q trình đơ thị hóa diễn ra nhanh, và liên quan biện pháp kiểm soát quản lý rác thải xây dựng cịn lạc hậu[9]. Cơng việc kiểm sốt và quản lý rác cần nhiều người tham gia rất tốn kém, chi phí dùng cho q trình quản lý là rất đáng kể. Chi phí cần dùng cho việc thu gom, phân lại và xử lý rác thải có thể là hạng mục phí gây ra thâm hụt ngân sách ở nhiều địa phương, có nơi nó chiếm gần 20% tổng chi phí ngân sách. Ở những nước có thu nhập bình quân đầu người thấp hoặc ở mức trung bình thì chi phí ngân sách bị chiếm hơn 10% cho các việc xử lý rác, và có số này chiếm 4% ngân sách ở các nước có mức thu nhập bình quân đầu người cao hơn[1].

Như chúng ta đã thấy những ảnh hưởng của rác thải xây dựng với môi trường là rất lớn do những hoạt động khác nhau, trong đó tác động chính dễ dàng nhìn thấy là quỹ đất dùng cho việc để chứa và bãi chơn lấp rác thải và chi phí dùng cho việc xử lý là khơng hề nhỏ. Ví dụ như hàng năm chính phủ Hồng Kơng tốn hơn 200 triệu đô la Hồng Kông[10] cho công tác làm bãi chôn lấp và xử lý rác thải.

Để quản lý được lượng rác thải xây dựng rất phức tạp vì rác thải xây dựng có thể sinh ra bất kỳ lúc nào, từ những công việc xây dựng mới hay đập phá những cơng trình cũ, và thiên tai cũng là một tác nhân. Khơng kiểm sốt và ước tính được lượng rác thải xây dựng trung bình và có thể phát sinh thì dễ xảy ra một số cơng việc kế hoạch và rác thải xây dựng sẽ được xử lý triệt để. Nếu khơng có kế hoạch hoặc ước lượng cụ thể thì vấn đề về ơ nhiễm mơi trường bị sẽ xảy ra là chuyện đương nhiên, và tình trạng nhà máy xử lý bị quá tải, các thiết bị phục vụ dùng để chuyên chở và

</div><span class="text_page_counter">Trang 19</span><div class="page_container" data-page="19">

các thiết bị xử lý rác bị quá cơng suất hoạt động, cho nên chi phí xử lý bị tăng lên các kế hoạch và định hướng của dự án bị phá vỡ.

Nhà thầu xây dựng khó thể ước lượng chính xác được khối lượng rác thải xây dựng, chi phí xử lý có thể sẽ tăng lên và ảnh hưởng không hề nhỏ đến ngân sách cũng như thời gian hoàn thành của dự án.

Việc ước lượng rác thải xây dựng được xác định bằng các q trình so sánh với các cơng trình đã phá dỡ tương tự, sử dụng các dự đốn của phương này thì khó ước lượng được vì phương pháp không được chắc chắn và cho hiệu quả không cao[11]. Các nhà nghiên cứu cũng đã khẳng định rằng việc dựa trên các hóa đơn khối lượng các vật liệu của cơng trình liên quan về rác thải xây dựng trong lúc thi cơng của cơng trình, để dự đốn khối lượng rác thải xây dựng thì thực tế khối lượng sau khi phá dỡ tăng từ 15 lần đến 20 lần so với dự đoán ban đầu trong q trình thi cơng[12]. Việc dự báo chính xác lượng chất thải xây dựng là rất quan trọng và cần thiết và là một trong những điều kiện hàng đầu để có được sự thành cơng cho cả hệ thống quản lý rác thải xây dựng. Các dự báo trong tương lai về lượng rác thải, đó là cơ sở cho việc phát triển hạ tầng phụ trợ cho việc quản lý rác thải hiện có cũng những kế hoạch đầu tư hạ tầng phục vụ cho việc quản lý rác trong tương lai.

Từ những vấn đề tiêu cực khơng ước lượng được hoặc ước lượng khơng chính xác khối lượng rác thải xây dựng, vì thế cần tạo ra một ước lượng tính tốn nhằm kiểm sốt được lượng rác thải xây dựng được tạo ra là cần thiết vì có những lợi ích như sau: cơng cụ ước lượng này giúp cho cơ quan quản lý trong lĩnh vực mơi trường ước lượng và tính tốn nhanh và nắm bắt được vùng rác thải khu vực mình quản lý, các nhà đầu tư hệ thống xử lý rác thải nắm được quy mô cũng dễ dàng quyết định thực hiện đầu tư dây chuyền xử lý phù hợp với lượng rác cần được xử lý do có thể biết được khối lượng rác thải xây dựng sẽ tạo ra ở trong hiện tại và dự đoán khối lượng rác sinh ra ở thời điểm trong tương lai.

Từ việc ước lượng được khối lượng rác thải xây dựng, do đó đưa ra các giải pháp xử lý tốt nhất, nhằm góp phần bảo vệ mơi trường và tính tốn được ngân sách dành cho việc xử lý rác thải. Vì vậy xây dựng cơng cụ ước lượng và quy trình ước lượng được lượng rác thải được cho là rất khả thi và cần thiết với nhiều lợi ích mà nó

</div><span class="text_page_counter">Trang 20</span><div class="page_container" data-page="20">

mang lại. Sau khi thành cơng nó cơng cụ hữu ích trong hiện và tương lai. Tuy nhiên, việc xây dựng phương pháp ước lượng rác thải xây dựng cũng được cho là nhiều thách thức và nhiều khó khăn như việc rác thải xây dựng được thải bỏ tràn lan không đúng nơi quy định dẫn đến việc thu thập xây dựng nguồn dữ liệu có nhiều sai lệch, do một số người dân chưa thực hiện tốt các quy định về việc xử lý rác thải xây dựng.

Vấn đề liên quan và ảnh hưởng đến môi trường hiện nay, là một chủ đề đang được mọi người đưa ra bàn luận và đưa ra giải pháp, do tình trạng đang bị ơ nhiễm nghiêm trọng, trong đó tác nhân chính chủ yếu là rác thải sản sinh từ những hoạt động sinh hoạt hằng ngày và trong việc sản xuất xuất, và rác thải xây dựng cũng là một tác nhân gây sự ô nhiễm này. Việc không quản lý và ước lượng được lượng rác thải xây dựng dẫn đến xu hướng tăng những tác động xấu cho môi trường, do rác thải xây dựng không được thu gom hết.

Việt Nam là quốc gia có dân số đơng với hơn 99 triệu người dân số liệu được thống kê năm 2022. Việt Nam được xem là một quốc gia đang trong giai đoạn đơ thị hóa và phát triển mạnh về lĩnh vực xây dựng, vì thế các hoạt động bổ trợ cho ngành xây dựng và hoạt động xây dựng, cải tạo các cơng trình diễn ra hết sức sơi nổi chủ yếu ở là ở Hà Nội và Hồ Chí Minh. Theo Sở Tài Ngun và Mơi trường Hồ Chí Minh thống kê năm 2019 mỗi ngày khối lượng rác thải xây dựng được tạo ra khoảng 1.800 tấn và con số này chỉ được thống kê được từ việc thu gom của các doanh nghiệp thu gom xử lý, nhưng trên thực tế khối lượng rác thải xây dựng còn tăng thêm đáng kể do chưa được thống kê hoặc rác thải xây dựng bị đổ bừa bãi không ước lượng được.

Ở thời điểm hiện tại và trước đó Nhà nước ta đã có một số chương trình và nhiều cuộc vận động các cá nhân, tổ chức nhằm mục đích tạo các ý tưởng để xây dựng các đô thị thông minh, môi trường sống ngày còn trở nên hiện đại. Nhà nước cũng ban hành nhiều chính sách thức đẩy các về nghiên cứu về ứng dụng công nghệ trong mọi ngành nghề mọi lĩnh vực và kèm các hướng dẫn thực hiện. Quyết định số 950/QĐ-TTg[13] là một trong những chính sách đó với mục tiêu của quyết định là phát triển đô thị thông minh bền vững về kinh tế cũng như môi trường sống của con người cần

</div><span class="text_page_counter">Trang 21</span><div class="page_container" data-page="21">

được nâng cao, tăng trưởng xanh bền vững, khai thác tối ưu hiệu quả và hạn chế sử dụng các nguồn năng lượng không được tái tạo. Nhà nước hết sức tạo những điều kiện thực hiện cho cá nhân và những tập thể tích cực tham gia tích vào nghiên cứu, dùng trí tuệ đầu tư xây dựng những mơ hình, dự án phát triển đơ thị thơng minh. Thúc đẩy và khuyến khích các áp dụng cơng nghệ cao, trí tuệ nhân tạo (AI), cơng nghệ dữ liệu lớn (Big Data), vào internet cho vạn vật (IoT).

Việc ước lượng được lượng rác thải xây dựng là thành công không hề nhỏ cho công cuộc quản lý và hạn chế được các chất thải ra môi trường, tạo không gian sống tốt, sạch đẹp không bị ô nhiễm nâng cao đời sống và chất lượng cuộc sống của con người, hạn chế được bệnh tật do ô nhiễm môi trường gây ra. Và một điều quan trọng không thể không kể đến là ước lượng được rác là kiểm sốt được chi phí xử lý.

Để thực hiện được việc ước lượng rác thải xây dựng và tính chính xác cao và hiệu quả cần thì cần đề xuất những mơ hình dự đốn ước lượng rác thải xây dựng phù hợp, chỉ cần biết những thông tin và số liệu thực tế đã ghi nhận lại được như: địa điểm cơng trình, số tầng, số tòa nhà, năm xây dựng, năm phá hủy, số lượng căn hộ, tổng diện tích sàn nhà được xây dựng, tổng diện tích đất, thì có thể biết được khối lượng rác thải xây dựng, chi phí xử lý.

Từ những mục tiêu về của Chính phủ về kêu gọi nâng cao môi trường sống và về ứng dụng chuyển đổi số vào nhiều ngành nghề vào mọi công việc đời sống hàng ngày. Mặc khác là biết được khối lượng rác thải xây dựng một cách có cơ sở từ đó ước lượng được chi phí sử dụng cho việc xử lý rác thải xây dựng trong giai đoạn đầu

<b>của việc đầu tư xây dựng. Vì vậy, đề tài nghiên cứu “Áp dụng thuật tốn trí tuệ </b>

<b>nhân tạo (AI) để ước lượng rác thải xây dựng trong các cơng trình dân dụng ở TP. Hồ Chí Minh” trong luận văn này là rất thiết thực và cần thiết mang lại ý nghĩa </b>

nhất hiện nay, nhằm mục đích ước lượng chính xác khối lượng rác thải xây dựng từ các cơng trình dân dụng có thể phát sinh ở tại Thành phố Hồ Chí Minh, cũng như góp phần trách nhiệm của bản thân trong việc xây dựng và bảo vệ đất nước.

Như chúng ta biết gần đây ngành cơng nghệ thơng tin có những bùng nổ về các công cụ sử dụng nghệ thông minh được cho là phát triển một cách chóng mặt, các cụm từ “Trí tuệ nhân tạo” hay gọi là “AI” viết tắt chữ tiếng anh “Artificial

</div><span class="text_page_counter">Trang 22</span><div class="page_container" data-page="22">

intelligence” không phải phải những từ ngữ hay câu nói quá lạ lẫm với mỗi chúng ta, công nghệ này giúp được nhiều ngành nghề khác nhau phát triển, con người bắt tay nghiên cứu nhằm hỗ trợ nhiều cho công việc của con người, để mang lại năng suất cao và độ chính xác cao hơn với ít nhất sự tương tác và điều khiển của con người.

Nhằm mục đích đưa ra một cơng cụ ước lượng tính tốn nhanh hơn và có kết quả có sự tin tưởng cao, cho nên trí tuệ nhân tạo sẽ được sử dụng vào công cụ ước lượng này, cụ thể hơn là dùng phương pháp máy học sẽ để làm mơ hình ước lượng, máy học là một nhánh nhỏ chuyên sâu về dự đốn, phân loại của trí tuệ nhân tạo được ứng dụng vào tính tốn và dự đốn cho ra những kết quả rất khả quan và có độ chính xác cao hơn so với những phương pháp cũ trước kia. Việc ứng dụng trí tuệ nhân tạo dùng để ước lượng rác thải từ các hoạt động tháo dỡ của những cơng trình dân dụng thơng qua các dữ liệu dễ dàng đo được hay bằng trực quan như về diện tích sàn, diện tích đất, số tầng nhà từ đó ước lượng khổi lượng rác thải sau khi cơng trình được phá dỡ.

<b>1.3 Mục tiêu nghiên cứu </b>

Mục tiêu nghiên cứu là ứng dụng trí tuệ nhân tạo và đề xuất mơ hình ước lượng triển vọng, nhằm tạo ra một công cụ ước lượng rác thải xây dựng của các cơng trình dân dụng trong giai đoạn đầu của dự án, nhằm kiểm soát được lượng rác thải trước khi tháo dỡ các cơng trình cũ.

Xây dựng mơ hình trí tuệ nhân tạo ước lượng hoạt động độc lập trong quá trình ước lượng. So sánh kết quả của công cụ ước lượng rác thải xây dựng trong các cơng trình dân dụng sử dụng mơ hình trí tuệ nhân tạo với những phương pháp ước lượng khác đã nghiên cứu trước kia để ước lượng rác thải xây dựng. Qua kết quả của việc so sánh, đánh giá được những đặt tính tốt của mơ hình và những mặc cần cải thiện của mơ hình.

Áp dụng thuật tốn trí tuệ nhân tạo để ước lượng rác thải xây dựng trong các cơng trình dân dụng có thể tính tốn chi phí xử lý rác thải của các cơng trình xây dựng thực tế.

<b>1.4 Phạm vi nghiên cứu </b>

</div><span class="text_page_counter">Trang 23</span><div class="page_container" data-page="23">

Có thể nói ngành xây dựng là ngành khá rộng,có các cơng trình xây dựng rất đa dạng như nhà dân dụng, nhà công nghiệp, cầu đường, cảng biển….Để xây dựng mơ hình được hiệu quả và cho độ chính xác cao nên mơ hình này chỉ tập trung vào loại cơng trình dân dụng.

Đối tượng của nghiên cứu là các thuật tốn trí tuệ nhân tạo sử dụng trong các mơ hình máy học, khối lượng rác thải trong các cơng trình dân dụng.

Địa điểm áp dụng là các dự án ở tại thành phố Hồ Chí Minh

Đối tượng khảo sát: Số tầng, tổng diện tích sàn, diện tích đất, loại cơng trình, địa điểm xây dựng, khối lượng rác thải xây dựng tạo ra.

Công cụ hỗ trợ: Ngơn ngữ lập trình trên máy tính là Python, Google Colab và các ứng dụng tính tốn khác.

<b>1.5 Ý nghĩa về mặt khoa học và về thực tiễn ứng dụng của đề tài 1.5.1Về mặt khoa học </b>

Sau khi hồn thiện, mơ hình nghiên cứu sẽ có những lợi ích về mặt khoa học như sau:

Là nghiên cứu áp dụng được trí tuệ nhân tạo vào ngành quản lý xây dựng, với các điều kiện sơ bộ, có thể dự đốn kết quả thơng qua khơng gian mơ phỏng.

Đánh giá được tính hiệu quả mơ hình sử dụng trí tuệ nhân tạo trong ước lượng rác thải xây dựng trong các cơng trình dân dụng, thơng qua việc ước lượng chính xác khối lượng và chi phí để xử lý rác thải xây dựng.

Xây dựng nền móng cho các nghiên cứu áp dụng trí tuệ nhân tạo khác về sau, góp thêm phương pháp mới cho lĩnh vực quản lý xây dựng hiện nay.

Đề tài nghiên cứu trong luận văn này là đưa ra công cụ để ước lượng được khối lượng rác thải xây dựng và chi phí xử lý rác thải xây dựng, từ đó giúp nhà thầu các cơng trình xây dựng khơng bị vượt ngân sách đã dự đoán, tiết kiệm được chi phí xử lý rác thải xây dựng sau khi phá dỡ, xây dựng kế hoạch hợp lý và tiến độ hoàn thành dự án phù hợp.

</div><span class="text_page_counter">Trang 24</span><div class="page_container" data-page="24">

Có khối lượng chính xác từ đó các nhà thầu xây dựng các cơng trình xây dựng dân dụng, đưa ra giá dự thầu hợp lý để tăng tỉ lệ trúng thầu.

Uớc lượng rác thải xây dựng cũng góp phần vào công tác quản lý rác thải và bảo vệ môi trường.

Giúp cơ quan quản lý nhà nước có được một cơng cụ ước lượng được khối lượng rác thải xây dựng trong khu vực quản lý, từ đó đưa ra những vùng quy hoạch thuận tiện để xây dựng nhà máy xử lý rác thải.

Đưa ra khối lượng rác thải xây dựng và chi phí xử lý, giúp các nhà đầu tư nhà máy xử lý rác nắm được quy mô của thị trường, mật độ khu vực phát thải, trên cơ sở của việc ước lượng chủ động quyết định địa điểm đầu tư.

Từ việc ước lượng được khối lượng, từ đó có cơ sở chọn địa điểm xây dựng nhà máy xử lý và tái chế rác thải xây dựng phù hợp.

Nâng cao năng lực quản lý xây dựng ở Việt Nam, ứng dụng công nghệ cao vào trong xây dựng, phát triển ngành xây dựng bền vững và hiện đại.

Cấu trúc luận văn cơ bản gồm những chương và những phần như sau:

<b>CHƯƠNG 1: Mở đầu đưa những ý tưởng chọn đề tài, lý chọn chọn đề tài nghiên </b>

cứu, mục tiêu và phạm vi nghiên cứu và những ý nghĩa mà đề tài nghiên cứu mang lại.

<b>CHƯƠNG 2: Tổng quan sơ lược về những điều cần liên quan trong nghiên cứu, </b>

trình bày về những nghiên cứu liên quan đến vấn đề đã được nghiên cứu.

<b>CHƯƠNG 3: Quy tình thực hiện thực hiện nghiên cứu, các cơ sở lý thuyết các </b>

thuật tốn trong mơ hình máy học sử dụng trong bài toán ước lượng rác thải xây dựng.

<b>CHƯƠNG 4: Xây dựng mơ hình trên cơ sở của những số liệu thực tế và so sánh </b>

các mơ hình để chọn mơ hình ước lượng hiệu quả nhất. Xây dựng cơng cụ ước lượng từ mơ hình ước lượng cho kết quả được cho là tối ưu nhất.

<b>CHƯƠNG 5: Đưa ra kết luận của vấn đề nghiên cứu, đưa ra một số hướng </b>

nghiên cứu mới dựa trên nghiên cứu mới dựa trên hướng nghiên cứu vừa đề xuất.

</div><span class="text_page_counter">Trang 25</span><div class="page_container" data-page="25">

<b>CHƯƠNG 2 </b>

<b>TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU 2.1 Một số nghiên cứu trước đây </b>

Để bắt kịp cùng xu hướng trong nền công nghiệp lần thứ tư thường được gọi là công nghiệp 4.0, những chủ đề về áp dụng công nghệ thông tin và ứng dụng tin học trong ngành xây dựng được một số nhà nghiên cứu quan tâm nhiều hơn và thúc đẩy ứng dụng ngày còn nhiều. Những nhà nghiên cứu về các vấn đề liên quan đến ngành xây dựng trong nước và nước ngồi đã sử dụng các mơ hình sử dụng những thuật tốn tối ưu, trí tuệ nhân tạo (AI) áp dụng vào ngành xây dựng. Trong đó có nhiều nghiên cứu liên quan đến lĩnh vực ước lượng và quản lý rác thải. Sử dụng thuật tốn trí tuệ nhân tạo với ưu điểm như: thời gian tính tốn nhanh, độ chính xác cao, ngồi ra có một số nhược điểm như: cần tập hợp một số dữ liệu trong thời gian dài với số lượng dữ liệu lớn. Các tác giả đã nghiên cứu nhiều bằng nhiều phương pháp và nhìn vấn đề theo nhiều chiều hướng khác nhau để đưa ra các cách giải quyết và đề xuất những giải pháp tốt nhất có thể.

<b>2.1.1Các nghiên cứu nước ngồi </b>

Có nhiều đề tài nghiên cứu nước ngồi và đề cập đến dự đốn về lượng rác thải xây dựng, nhưng chủ yếu có thể phân thành năm loại chính: (i) phương pháp thống kê mơ tả[14]; (ii)phân tích hồi quy tuyến tính của Denafas và cộng sự[15]; (iii) mơ hình dịng ngun liệu của Liu và cộng sự [16]; (iiii) phân tích chuỗi thời gian Xu, Lilai và cộng sự[17]; (iiiii) các mơ hình trí tuệ nhân tạo của Abbasi và cộng sự[18, 19]. Mỗi phương pháp đều có những điểm mạnh của nó và hạn chế riêng của mỗi phương pháp. Trong đó phương pháp hồi quy đã được cải tiến như một phương pháp ước tính số lượng và chi phí xử lý rác thải xây dựng và được cho là một trong số những mơ hình rất hiệu quả trong các dự án xây dựng để phân tích tiền khả thi về kinh tế ở giai đoạn đầu[20-22], nhưng phương pháp hồi quy vẫn có một số hạn chế như thiếu cách tiếp cận cụ thể để lựa chọn mơ hình dữ liệu lịch sử phù hợp nhất khi dự đốn chi phí xây dựng[22]. Ngồi ra, các biến đầu vào cịn ảnh hưởng đến cách ước lượng, như vậy phải được xem xét trước và rất khó quản lý một số lượng lớn các biến[23]. Các phương pháp thống kê mô tả thông thường để dự báo lượng chất thải

</div><span class="text_page_counter">Trang 26</span><div class="page_container" data-page="26">

rắn sinh hoạt thường sử dụng mức tăng dân số và lượng chất thải bình quân đầu người làm yếu tố dự báo chính[24], tuy nhiên, phương pháp này khơng cịn hiệu quả do tính chất động của quá trình phát sinh chất thải[25]. Các nghiên cứu gần đây những mơ hình trí tuệ nhân tạo để ước lượng khối lượng và chi phí trong lĩnh vực xây dựng như mơ hình như máy vectơ hỗ trợ (SVM), mơ hình mạng lưới nơ ron thần kinh nhân tạo (ANN) và mơ hình hệ thống suy luận mờ thần kinh thích ứng (ANFIS), những mơ hình này đã trở nên dần phổ biến do sự phát triển của công nghệ AI và cải thiện đi sự hạn chế của những phương pháp tính tốn thơng thường.

Chẳng hạn như mơ hình máy học sử dụng máy vectơ hỗ trợ (SVM) đã được sử dụng để ước tính chi phí vì hiệu suất cao và khả năng tự học của nó[21]. Tuy nhiên, SVM yêu cầu một phương pháp thử và sai để xác định cả chức năng cốt lõi thích hợp và các tham số liên quan[26]. Mơ hình ANN, dùng để tái hiện lại quá trình học tập và bắt chước các hoạt động của não bộ, mô hình đã được ứng dụng cũng khá phổ biến để ước tính chi phí trong lĩnh vực đầu tư xây dựng[23]. Một số đề tài nghiên cứu trước đây đã mô tả ANN vượt trội hơn SVM trong việc ước tính số lượng và chi phí xây dựng[27]. Một mơ hình khác là mơ hình thuật tốn lan truyền ngược(BP) chính là một trong những thuật tốn ANN phổ biến nhất, cung cấp đào tạo về cài đặt điều chỉnh tham số cho ANN. BP khơng có một lý thuyết xác định rõ ràng cho việc tìm kiếm các cài đặt tham số phù hợp. Các thông số được xác định bằng cách thử và sai, cũng như theo kinh nghiệm, điều này dẫn đến rời rạc và mất nhiều thời gian [11].

Dongoun Lee cùng nhóm cộng sự[11] đề xuất phương pháp ước lượng rác thải xây dựng của các tòa nhà khu dân cư ở Hàn Quốc, nghiên cứu đề xuất một tối ưu hóa mạng ANN và dùng thuật tốn tối ưu đàn kiến (ACO) điều chỉ thơng số để ước lượng rác thải xây dựng với các thơng số đầu vào số lượng tịa nhà, diện tích sàn, diện tích đất xây dựng, năm xây dựng, năm phá hủy.

Mohamed Abdallah cùng nhóm cộng sự[28] nghiên cứu xác định các mơ hình AI phù hợp nhất nhằm mục đích quản lý những chất thải rắn điển hình như mơ hình mạng thần kinh nhân tạo (ANN), máy vectơ hỗ trợ (SVM), hồi quy tuyến tính (LR), cây quyết định (DT) và thuật toán di truyền (GA).

</div><span class="text_page_counter">Trang 27</span><div class="page_container" data-page="27">

Qua những tìm hiểu và sưu tầm thì đã tổng hợp được một số nghiên cứu nước ngồi có liên quan đến việc áp dụng trí tuệ nhân tạo bằng nhiều phương pháp khác nhau để ước lượng và quản lý rác thải (Bảng 2.1)

Bảng 2.1: Một số nghiên cứu nước ngồi áp dụng trí tuệ nhân tạo hay những liên quan đến trí tuệ nhân tạo để quản lý rác thải

Estimation of construction waste generation and management in Thailand[29]

Oyeshola Femi Kofoworola, Shabbir H. Gheewala

Nghiên cứu này xem xét việc phát sinh và quản lý chất thải xây dựng ở Thái Lan. Người ta ước tính rằng từ năm 2002 đến 2005, trung bình 1,1 triệu tấn chất thải xây dựng được tạo ra mỗi năm ở Thái Lan. Bằng phương pháp ước lượng từ cơ sở dữ liệu của giấy phép xây dựng như diện tích sàn, loại cơng

<b>trình. </b>

Web-based construction waste estimation system for building construction projects[30]

Yashuai Li, Xue

qing Zhang <sup>2013 </sup>

Bài báo này đề xuất hệ thống ước tính chất thải xây dựng dựa trên web (WCWES) cho hoạt động xây dựng cơng trình.

Kết hợp bóc tách khối lượng vật liệu, phân loại vật liệu, tỷ lệ chuyển đổi vật liệu, mức độ lãng phí vật

</div><span class="text_page_counter">Trang 28</span><div class="page_container" data-page="28">

<b>STT Tên nghiên cứu <sup>Tác giả </sup>Năm Mô tả </b>

liệu và nguyên tắc cân bằng khối lượng.

Estimation of building-related construction and demolition waste in Shanghai[31]

Tao Ding, Jianz

huang Xiao <sup>2014 </sup>

Một phương pháp được đề xuất để ước tính số lượng và thành phần chất thải xây dựng và phá dỡ ở một khu vực đang phát triển nhanh như Thượng Hải, Trung Quốc bằng 2 phương pháp: Phương pháp 1: Cân bằng nguyên liệu phân tích. Nó tính tốn lượng vật liệu được đưa vào sử dụng tức là chất thải phá dỡ.

Phương pháp 2: Dựa trên về một số phép đo của công trình hoặc hoạt động phá dỡ mức độ trong một khu vực (theo diện tích của cơng trình) và mức trung bình

Estimation of the annual

production and composition of C&D Debris in Galicia

quản lý rác chất thải xây dựng . Quy trình được ước tính từ dữ liệu có sẵn trong

</div><span class="text_page_counter">Trang 29</span><div class="page_container" data-page="29">

<b>STT Tên nghiên cứu <sup>Tác giả </sup>Năm Mô tả </b>

những năm gần đây, cũng như thông tin về khối lượng của các tòa nhà cũ phá dỡ trong khu vực

Estimation of construction and demolition waste using waste generation rates in Chennai, India[33]

VG Ram and Satyanarayana N Kalidindi

2017

Bài báo trình bày ước tính lượng phát sinh chất thải xây dựng và phá hủy là cần thiết để nâng cao nhận thức về dòng chất thải rắn này trong cộng đồng.

các cơ quan chính phủ ở Ấn Độ. Ước lượng bằng phương pháp phân tích hồi quy sử dụng dữ liệu chất thải từ 45 nghiên cứu trường hợp

Artificial intelligence applications in solid waste management: A systematic research review[28]

Mohamed Abdallah và cộng sự

2020

Bài báo trình bày sử dụng kỹ thuật trí tuệ nhân tạo (AI)

trong việc đưa ra các phương pháp tính tốn thay thế để giải quyết các vấn đề về quản lý chất thải rắn.

Development of Hybrid Model for Estimating

Construction

Dongoun Lee , Seungho Kim and Sangyong Kim

2016

Trình bày ước tính chính xác lượng chất thải xây dựng là yếu tố then chốt

</div><span class="text_page_counter">Trang 30</span><div class="page_container" data-page="30">

<b>STT Tên nghiên cứu <sup>Tác giả </sup>Năm Mô tả </b>

Waste for Multifamily Residential Buildings Using Artificial Neural Networks and Ant Colony Optimization[11]

dẫn đến thành công của một dự án

Mơ hình ước tính kết hợp để dự đoán số lượng và chi phí của chất thải trong giai đoạn đầu xây dựng.

Mơ hình lai được đề xuất sử dụng mạng nơ-ron nhân tạo (ANN) và tối ưu hóa đàn kiến (ACO). Nó dự kiến sẽ cung cấp một ước tính chất thải chính xác bằng cách áp dụng dữ liệu lịch sử từ các tòa nhà dân cư nhiều gia đình.

Forecasting Construction and Demolition Waste Using Gene Expression Programming[34]

Zezhou Wu; Hongqin Fan; and Guiwen Liu

2014

Bài báo trình bày ước lượng rác thải xây dựng bằng sử dụng mơ hình GEP với những thơng số đầu vào diện tích sàn xây dựng. Kết quả và phát hiện thu được từ nghiên cứu này cho thấy rằng GEP là một mơ hình hiệu quả để dự đoán phát sinh chất thải, với sai số dự báo trung bình thấp hơn mơ hình tuyến tính và

</div><span class="text_page_counter">Trang 31</span><div class="page_container" data-page="31">

<b>STT Tên nghiên cứu <sup>Tác giả </sup>Năm Mô tả </b>

mạng lưới thần kinh nhân tạo

Methodology for upstream

estimation of construction waste for new building projects[35]

Patrick

T.I. Lam , Ann T.W. Yu, Zezhou Wu , Chi Sun Poon

2019

Bài báo trình bày phương pháp dự đoán lượng rác thải xây dựng vào thời kì đầu của dự án thông qua định mức dự tốn của cơng trình từ đó đưa ra những số liệu chất thải sau khi phá dỡ

Estimation of construction waste

composition based on bulk density: A big data-probability (BD-P)

model[36]

Liang Yuan, Weisheng Lu, Fan Xue

2021

Bài báo trình bày phương pháp dự báo ước lượng rác thải bằng mô hình dữ liệu lớn BD-P mơ hình được tính tốn ở Hong Kong.

Estimating construction waste generation in the Greater Bay Area, China using machine learning[37]

Weisheng Lu, Jinfeng Lou, Chris Webster, Fan Xue, Zhikang Bao, Bin Chi

2021

Bài báo này trình bày sử dụng máy học để ước lượng tính tốn lượng rác thải xây dựng , đưa ra phương pháp máy học tốt nhất để ước lượng. Bằng cách phân tích dữ liệu bằng bốn loại mơ hình học máy, cụ thể là

</div><span class="text_page_counter">Trang 32</span><div class="page_container" data-page="32">

<b>STT Tên nghiên cứu <sup>Tác giả </sup>Năm Mơ tả </b>

hồi quy tuyến tính đa biến, cây quyết định, mơ hình màu xám và mạng lưới thần kinh nhân tạo. Bài tốn tính tốn cơng trình ở khu vực Trung Quốc

Estimation of Construction and Demolition Waste (C&DW) Generation and Multicriteria Analysis of C&DW Management Alternatives: A Case Study in Spain[38]

M. Coronado và

Bài báo này trình bày một phương pháp hai bước để phân tích định lượng và quản lý chất thải của C&DW đã được phát triển và áp dụng cho nghiên cứu điển hình ở Tây Ban Nha. Tính tốn bằng phương pháp phương trình kết hợp giấy phép thành phố và tỷ lệ chất thải trên một đơn vị diện tích xây dựng, phá dỡ, cải tạo. Ở bước thứ hai, đánh giá quản lý cho C&DW đã được thực hiện sự phát triển của một phương pháp dựa trên nhiều tiêu chí.

<b>2.1.2Các nghiên cứu trong nước </b>

Công việc quản lý rác thải ở Việt Nam dần được quan tâm hơn những năm gần đây với nhiều điều luật và nghị định, thông tư được đưa ra. Ví dụ như theo Nghị định

</div><span class="text_page_counter">Trang 33</span><div class="page_container" data-page="33">

38/2015/NĐ-CP ngày 24/4/2015 của Chính phủ quy định về: Quản lý chất thải bao gồm chất thải nguy hại, chất thải rắn sinh hoạt, chất thải rắn công nghiệp thông thường, sản phẩm thải lỏng, nước thải, khí thải cơng nghiệp và các chất thải đặc thù khác; bảo vệ môi trường trong nhập khẩu phế liệu[39]. Cũng như Luật Xây dựng 2014 có quy định các nhà thầu xây dựng, chủ đầu tư phải chịu trách nhiệm về quản lý phế thải xây dựng[40].

Từ những ràng buộc về những pháp lý nêu trên thì những nghiên cứu kế hoạch quản lý chặt chẽ nguồn rác thải ngày còn nhiều, số bài nghiên cứu về việc quản lý rác thải trong nước cũng tăng lên trong giai đoạn gần đây (Bảng 2.2).

Hầu hết các nghiên cứu ở trong nước nêu về cách quản lý và đánh giá tác động của rác thải cũng như các đưa ra các đề tài nghiên cứu về các sản phẩm được chế tạo vật liệu mới từ rác thải. Tuy nhiên các mơ hình dự đốn, ước lượng và quản lý rác thải bằng cách ứng dụng công nghệ hiện đại thì vẫn chưa có nhiều nghiên cứu về vấn đề này.

Bảng 2.2: Một số đề tài nghiên cứu trong nước về cách quản lý rác thải

Nghiên cứu hiện trạng quản lý phế thải xây dựng và phá dỡ ở Việt Nam[41]

Ngô Kim Tuân và

. Bài viết này trình bày tình hình quản lý phế thải Xây dưng hiện tại ở Việt Nam và đưa ra những thách thức và khả năng tái chế sử dụng lại các phế phẩm của ngành xây dưng. Giải pháp được đề xuất là các chiến lược quản lý và tái chế ý phế thải xây dung một cách phù hợp nhất với các điều

</div><span class="text_page_counter">Trang 34</span><div class="page_container" data-page="34">

<b>STT Tên nghiên cứu Tác giả Năm Mô tả </b>

kiện hiện nay, đưa ra lợi ích của việc quản lý phá thải xây dựng

Xây dựng mơ hình quản lý chất thải rắn đô thị bằng phần mềm waste (computer tool for solid waste

management), bước đầu tin học hóa ứng dụng quản lý chất thải tại Tp. Hồ Chí Minh[42]

PGS.TSKH Bùi Tá Long, Th.S Trương Thị Diệu Hiền, Th.S Trần Đức Thảo

2014

Nghiên cứu này giới thiệu và đề xuẩt phương pháp, một số kết quả từ việc ứng dụng phần mềm ứng dụng GIS (Geographics Information System). Đưa ra các các phương pháp của tin học môi trường để nâng cao hiệu quả quản lý từ quá trình thu thập nhập dữ liệu, đến xuất dữ liệu liên quan tới chất thải rắn đô thị.

Current status of construction and demolition waste management in Vietnam: challenges and opportunities[43]

Nguyen Van Tuan

và cộng sự <sup>2018 </sup>

Bài viết này mô tả thực trạng quản lý rác thải xây dựng ở Việt Nam và trình bày những thách thức và cơ hội của việc tái chế .

Gần đây, việc phát triển các mô hình ước lượng mới hoặc cải thiện các mơ hình ước lượng hiện tại càng được các nhà nghiên cứu đề cập và tìm hiểu nhiều hơn. Các

</div><span class="text_page_counter">Trang 35</span><div class="page_container" data-page="35">

vấn đề nghiên cứu chủ yếu liên quan đến định lý No Free Lunch(NFL) của Wolpert và Macready năm 1997. Định lý No Free Lunch (NFL) cho rằng trong lĩnh vực học máy và tối ưu hóa, có thể khẳng định một cách logic rằng khơng có thuật tốn tối ưu hồn hảo cho tất cả các vấn đề. Với NFL, rõ ràng đã cho phép và tạo động lực cho các nhà nghiên cứu cải thiện mô hình hiện tại để giải quyết các vấn đề cụ thể khác nhau, hoặc đề xuất các mơ hình mới nhằm cung cấp các kết quả cạnh tranh so với các thuật tốn hiện tại.

Chính vì vậy, luận văn này sẽ thực hiện lựa chọn và xây dựng mơ hình ước lượng rác thải xây dựng trong các cơng trình dân dụng dựa trên các mơ hình ước lượng rác thải xây dựng trước đó. Với những mơ hình ước lượng trước đó có tính khả quan và tính ứng dụng cao thì ở luận văn sẽ tiếp tục cải thiện và sử dụng những thuật tốn mới của trí tuệ nhân tạo nói chung và trọng tâm hơn là các thuật tốn của mơ hình máy học bao gồm: các mơ hình hồi quy độc lập, các mơ hình kết hợp và mơ hình mạng thần kinh nhân tạo.

Các nguồn dữ liệu kết quả được so sánh đánh giá được lấy từ dữ liệu của các nghiên cứu trước đó và có những điều kiện và nét tương đồng với những cơng trình mà mơ hình ước lượng rác thải xây dựng hướng đến, cụ thể là cơng trình dân dụng. Từ kết quả của các mơ hình, so sánh kết quả với kết quả nghiên cứu được công bố trước. Từ đó chọn ra mơ hình có tính ưu việt và khả thi để sử làm công cụ ước lượng rác thải của các cơng trình dân dụng ở thành phố Hồ Chí Minh.

<b>2.2 Các kỹ thuật trí tuệ nhân tạo (AI) dùng trong mơ hình ước lượng rác thải xây dựng trong các cơng trình dân dụng </b>

Đối với mơ hình ước lượng rác thải xây dựng trong các cơng trình dân dụng các kỹ thuật trí tuệ nhân tạo (AI) chủ yếu là kết hợp các bộ dữ liệu được cách huyến luyện (học tập) của các thuật tốn sau đó được xử lý bằng cách lặp đi lặp lại một cách thông minh để học hỏi các đặt tính của dữ liệu mẫu, sau các vòng lặp sẽ tự kiểm tra kết quả và đưa ra kết quả tốt nhất để giải quyết những vấn đề cụ thể. Nên chọn lọc những thuật toán phù hợp với dữ liệu

Đối với mọi bài toán cơ bản của thuật tốn trí tuệ nhân tạo cụ thể sẽ có quy trình như sau:

</div><span class="text_page_counter">Trang 36</span><div class="page_container" data-page="36">

- Chuẩn bị dữ liệu (Dataset preparation) - Chọn mơ hình .(Selection model) - Huấn luyện (Initial training).

- Xác nhận huấn luyện (Training validation) - Thử nghiệm mô hình (Test the model).

Ứng dụng của các mơ hình sử dụng thuật tốn trí tuệ nhân tạo (Artificial Intelligence):

- Nhận diện hình ảnh. - Xử lý giọng nói.

- Dự đốn giá cả, sản lượng…

Biều đồ 2.1: Quy trình huấn luyện mơ hình thuật tốn trí tuệ nhân tạo

Đối với những bài tốn ước lượng, quản lý, tối ưu hóa q trình sản xuất, thường dùng một nhánh của trí tuệ nhân tạo đó là cơng nghệ máy học (Machine Learning) để giải quyết các vấn đề thông qua sử dụng các phương pháp thống kê và dùng các thuật toán phân loại và khám quá một cách chi tiết của dữ liệu.

Máy học dựa trên ý tưởng từ một chương trình máy tính có thể học từ dữ liệu, định rõ các mẫu và rút ra lựa chọn với sự can thiệp ít nhất đến từ con người. Khái niệm học máy bắt nguồn từ nghiên cứu về AI và thống kê.

Trong những năm 1950 và 1960, các nhà khoa học như Frank Rosenblatt và nhóm các nhà nghiên cứu tại Hội nghị Dartmouth đã đề xuất khái niệm về một loại máy có thể học hỏi kinh nghiệm. Trong những năm 1980 và 1990, sự phát triển của phần cứng máy tính tiên tiến hơn và lượng dữ liệu lớn ngày càng sẵn có đã dẫn đến sự phát triển của lĩnh vực máy học.

Phương pháp máy học có ba loại chính:

Chuẩn bị

dữ liệu <sup>Chọn mơ </sup>hình

Huấn luyện

Xác nhận huấn luyện

Thử nghiệm mơ hình

</div><span class="text_page_counter">Trang 37</span><div class="page_container" data-page="37">

(i) Máy học có giám sát: là nhóm các thuật tốn sử dụng các dữ liệu được gắn nhãn để huấn luyện nhằm mục đích mơ hình hóa tìm rac các mối tương quan giữa các biến đầu vào của mơ hình và biến đầu ra đầu ra của mơ hình và đưa dự đoán ước lượng đầu ra của dữ liệu mới trên cơ sở của mối quan hệ liên quan giữa các biến đầu vào và đầu ra của dữ liệu được gắn nhãn.

(ii) Máy học không giám sát: là nhóm thuật tốn sử dụng các thuật tốn để phân tích các dữ liệu hoặc các cụm dữ liệu khơng được gắn nhãn, các thuật tốn tự nhận biết các mẫu và dữ liệu bị ẩn trong các đặt tính mà khơng cần sự trợ giúp, can thiệp của con người .

(iii) Học tập bán giám sát: là sự kết hợp giữa 2 cách học, là giám sát và học không giám sát để sử dụng các ưu điểm của từng loại trong trường hợp không đủ dữ liệu.

Có nhiều sự phân vân lựa chọn các mơ hình học máy, làm thế nào để sử dụng được mơ hình phù hợp và phát huy hết tính năng của mơ hình để đưa ra mục tiêu kết quả tốt nhất đo là một điều cần được giải quyết. Để trả lời cho truy vấn này sẽ phụ thuộc vào nhiều yếu tố khác nhau, gồm:

 Kích cỡ, chất lượng và thuộc tính của dữ liệu;  Thời gian xử lý;

 Tính cấp thiết của nhiệm vụ;  Mục đích sau cùng với dữ liệu.

Với mục tiêu nghiên cứu được nêu ở luận văn này là ước lượng chính xác rác thải xây dựng của các cơng trình dân dụng. Chính vì vậy, luận văn tiến hành xây dựng mơ hình học máy có giám sát như (Biều đồ 2.1), dựa trên vấn đề mang tính hồi quy trong việc ước lượng kết quả gần nhất và có độ chính xác cao so với các giá trị đã được ghi nhận trong thực tế.

</div><span class="text_page_counter">Trang 38</span><div class="page_container" data-page="38">

Biểu đồ 2.2: Các mơ hình máy học được áp dụng trong nghiên cứu của luận văn

Phân tích hồi quy là một phương pháp thống kê để tạo một mối tương quan giữa một dữ liệu đầu vào và đầu ra dựa trên các cặp đầu vào và đầu ra tương ứng đã biết ở dữ liệu mẫu[44]. Cụ thể hơn, phân tích hồi quy giúp chúng ta hiểu sự tương ứng giữa biến đầu vào và biến đầu ra.

Mơ hình máy học

Hồi quy

Hồi quy Lasso

Hồi quy tuyến tính

</div><span class="text_page_counter">Trang 39</span><div class="page_container" data-page="39">

Mơ hình K–lân cận (KNN) lần đầu được giới thiệu lần đầu năm 1951 bởi Joseph Hodges và Evelyn Fix sau đó được nhiều nhà nghiên cứu mở rộng, trong đó Edward A. Kirschbaum, người đã sử dụng thuật tốn với mục đích hồi quy[44]. Là một thuật học có giám sát (supervised learning) được sử dụng nhiều trong máy học một phần của thuật tốn trí tuệ nhân tạo AI[45]. Mơ hình KNN được sử dụng rộng rãi trong các ứng dụng khác nhau, với bao gồm phân loại, hồi quy, ước tính mật độ và phát hiện bất thường.

<i>2.2.1.2 Mơ hình hồi quy tuyến tính </i>

Mơ hình hồi quy tuyến tính (LR) là nhóm học có giám sát(supervised learning). Mơ hình hồi quy tuyến tính (Linear Regression - LR) được đưa ra lần đầu bởi Francis Galton là nhà khoa học người Anh rất nổi tiếng[46]. Mơ hình hồi quy tuyến tính là một trong những phương pháp rất đơn giản, nhưng nó đã được chứng minh được tính hữu ích với các mẫu có một số lượng lớn cho các tình huống khác nhau.

<i>2.2.1.3 Mơ hình hồi quy Lasso </i>

Mơ hình hiệu chỉnh trị tuyệt đối bé nhất và lựa chọn biến (Lasso) được đề xuất bởi một nhà thống kê của Đại học Stanford là Robert Tibshirani vào những năm 1990 là một phương pháp phân tích hồi quy có giám sát, được ứng dụng nhiều trong các mơ hình dự báo, đánh giá hiệu quả.

B. D. İÇTENBAŞ[47] đã ước lượng rác thải rác thải y bằng các phương pháp sử dụng các mơ hình máy học bao gồm Ridge Regression, Elastic Net Regression và Lasso Regression, kết quả cho thấy thuật toán dựa trên Lasso đạt được độ chính xác cao hơn đáng kể so với các phương pháp cịn lại.

<i>2.2.1.4 Mơ hình hồi quy dựa theo vector hỗ trợ </i>

Mơ hình hồi quy dựa theo vector hỗ trợ (SVR) là phương pháp học có giám sát, được đề xuất vào những năm 1990 bởi Vladimir N. Vapnik cùng các đồng nghiệp như một phần mở rộng của SVR cho các tác vụ hồi quy. Sự phát mơ hình hồi quy mở ra ứng dụng mới như dự đốn, và khái qt hóa các hàm giá trị trong học tăng cường.

</div><span class="text_page_counter">Trang 40</span><div class="page_container" data-page="40">

Ruibo Hu cùng nhóm nghiên cứu[48], đã xây dựng mơ hình ước lượng rác thải xây dựng dự trên mơ hình dự đốn bằng SVR. Mơ hình dự đoán cho ra kết quả ước lượng khối lượng rác thải khả quan, với hệ số tương quan R<small>2</small>=86,87%, mô hình mang tính hiệu quả cao và các phép đo lường dự đoán được cải tiến.

Majeed S Jassim cùng nhóm nghiên cứu[49], dùng các mơ hình thuật tốn trí tuệ nhân tạo để dự đoán chất thải rắn các thuật toán học máy như mạng nơ ron thần kinh nhân tạo nhiều lớp (MLP-ANN) và hồi quy vec tơ hỗ trợ (SVR). Các thuật toán dự đoán lượng chất thải rắn đô thị hàng năm thông qua các biến đầu vào như tổng thu nhập quốc nội, dân số, số lượng khách du lịch hàng năm, mức tiêu thụ điện năm, và tổng lượng khí thải cacbon đioxit thải ra để xây dựng mơ hình . Qua sự so sánh phân tích cho thấy, mơ hình SVR làm việc tốt hơn so với mơ hình ANN

<i>2.2.1.5 Mơ hình hồi quy cây quyết định </i>

Mơ hình cây quyết định (Decision Trees-DT) là mơ hình học có giám sát, được phát minh vào năm 1963. Đến năm 1966 mơ hình đầu tiên về cây quyết định được viết ra bởi Hunt, phương pháp cây quyết định phân chia dữ liệu thành hai tập con bằng cách sử dụng các mơ hình hóa khái niệm học tập của con người. Mơ hình cây quyết định DT đã được sử dụng để ước lượng chất thải phát sinh, cũng như nén chất thải và phân loại chất thải, như cũng như việc phát hiện các mơ hình hành vi tạo ra chất thải và nơi đổ rác thải trái phép[28].

Qua các nghiên cứu trong nước và một số nghiên cứu của quốc tế đã đưa ra các mơ hình hồi quy đơn lẻ được ứng dụng nhiều để xây dựng các mơ hình ước lượng và cho kết quả rất khả quan. Vì thế, các mơ hình đơn lẻ đã được giới thiệu sẽ được đưa vào nghiên cứu như một mơ hình giả định để so sánh với các mơ hình khác cho việc ước lượng rác thải trong các cơng trình dân dụng bao gồm: Lasso, LR, KNR, SVR và DT

</div>