Trong nghiên cứu này, bốn mô hình đã được xây dựng để dự báo tiến độ thi công lắp ghép. Năm mươi dữ liệu công trình đã được thu thập, phương pháp cross validation được áp dụng để kết quả dự báo được khách quan. Với bốn mô hình được xây dựng, mô hình SVM cho kết quả tốt nhất với khả năng khái quát hóa và hội tụ để xác định tiến độ thi công lắp ghép. | ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 11(132).2018, QUYỂN 1 41 ỨNG DỤNG TRÍ TUỆ NHÂN TẠO ĐỂ DỰ ĐOÁN TIẾN ĐỘ THI CÔNG NHÀ LẮP GHÉP USING ARTIFICIAL INTELLIGENT TECHNIQUES IN PRECAST CONSTRUCTION PROJECT PROGRESS/ SCHEDULE ESTIMATION Trần Đức Học1, Phạm Anh Đức2, Nguyễn Đăng Trình1, Huỳnh Ngọc Huệ1 1 Trường Đại học Bách khoa - Đại học Quốc gia ; tdhoc@, ndtrinh@, huynhngochuexd@ 2 Trường Đại học Bách khoa - Đại học Đà Nẵng; paduc@ Tóm tắt - Xác định tiến độ thi công lắp ghép là một vấn đề quan trọng đối với chủ đầu tư lẫn nhà thầu thi công lắp ghép. Về đặc trưng công trình, có nhiều yếu tố ảnh hưởng đến tiến độ thi công lắp ghép, nên các thuật toán CART (Classification and Regression Trees), ANN (Artificial Neural Networks), SVM (Support Vector Machine) và Ensemble được sử dụng để giải quyết vấn đề này. Trong nghiên cứu này, bốn mô hình đã được xây dựng để dự báo tiến độ thi công lắp ghép. Năm mươi dữ liệu công trình đã được thu thập, phương pháp Cross Validation được áp dụng để kết quả dự báo được khách quan. Với bốn mô hình được xây dựng, mô hình SVM cho kết quả tốt nhất với khả năng khái quát hóa và hội tụ để xác định tiến độ thi công lắp ghép. Abstract - Determining construction schedule of Prefabricated construction is an important issue for investors and Prefabricated Contractors. In terms of Construction characteristics, there are many factors that affect the progress of assembly, so Classification and Regression Trees (CARTs), ANN (Artificial Neural Networks), SVM (Support Vector Machine) and Ensemble are used to solve this problem. In this study, four models are constructed to forecast the progress of the assembly. Fifty data Constructions have been collected. The Cross Validation method is applied to predict the result. With four models built, the SVM model gives the best results with low error and convergence
