T. 16 S. 04 (2026): Tạp chí Vật liệu và Xây dựng
##common.pageHeaderLogo.altText##
Tạp chí Vật liệu và Xây dựng - Bộ Xây dựng

ISSN:

Website: www.jomc.vn

Áp dụng mô hình học máy trong lập dự toán các công trình thủy lợi ở Việt Nam

Lê Minh Thoa

Từ khóa:

Học máy
Dự toán
Công trình thủy lợi
Việt Nam

Tóm tắt

Trong bối cảnh phát triển hạ tầng nông nghiệp và thích ứng với biến đổi khí hậu, các công trình thủy lợi ở Việt Nam ngày càng có quy mô lớn, kỹ thuật phức tạp và chịu nhiều yếu tố bất định như điều kiện địa chất, thủy văn, vật liệu và biến động giá. Do vậy cần phải tiếp cận mô hình học máy nhằm nâng cao độ chính xác trong lập dự toán đầu tư xây dựng. Mô hình học máy, đặc biệt là Random Forest, có độ chính xác cao hơn đáng kể so với phương pháp truyền thống. Nghiên cứu phân tích tầm quan trọng của các biến đầu vào, chỉ ra rằng quy mô công trình, giá vật liệu và điều kiện thi công là các yếu tố ảnh hưởng chính đến chi phí. Kết quả nghiên cứu góp phần đề xuất hướng tiếp cận mới trong lập dự toán, hỗ trợ ra quyết định đầu tư hiệu quả hơn trong lĩnh vực thủy lợi tại Việt Nam.

Điều hướng Người dùng

Cách trích dẫn

Lê Minh Thoa. (2026). Áp dụng mô hình học máy trong lập dự toán các công trình thủy lợi ở Việt Nam . Tạp Chí Vật liệu Và Xây dựng - Bộ Xây dựng, 16(04). https://doi.org/10.54772/jomc.04.2026.1352

Tài liệu tham khảo

  1. L. Breiman, “Random forests,” Machine Learning, vol. 45, no. 1, pp. 5 -32, 2001.
  2. T. Chen and C. Guestrin, “XGBoost: A scalable tree boosting system,” in Proc. 22nd ACM SIGKDD Int. Conf. Knowledge Discovery and Data Mining, 2016, pp. 785 - 794.
  3. I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning. Cambridge, MA, USA: MIT Press, 2016.
  4. T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning, 2nd ed. New York, NY, USA: Springer, 2009.
  5. C. M. Bishop, Pattern Recognition and Machine Learning. New York, NY, USA: Springer, 2006.
  6. G. H. Kim, S. H. An, and K. I. Kang, “Comparison of construction cost estimating models based on regression analysis, neural networks, and case-based reasoning,” Building and Environment, vol. 39, no. 10, pp. 1235 - 1242, 2004.
  7. R. Sonmez, “Range estimation of construction costs using neural networks with bootstrap prediction intervals,” Expert Systems with Applications, vol. 38, no. 8, pp. 9913 - 9917, 2011.
  8. I. H. Witten, E. Frank, M. A. Hall, and C. Pal, Data Mining: Practical Machine Learning Tools and Techniques, 4th ed. Burlington, MA, USA: Morgan Kaufm, 2016.
  9. Z. H. Zhou, Ensemble Methods: Foundations and Algorithms. Boca Raton, FL, USA: CRC Press, 2012.
  10. Bộ Xây dựng, Thông tư 11/2021/TT-BXD hướng dẫn xác định và quản lý chi phí đầu tư xây dựng, 2021.
  11. Chính phủ Việt Nam, Nghị định 10/2021/NĐ-CP về quản lý chi phí đầu tư xây dựng, 2021.
  12. N. V. Đáng, Quản lý chi phí xây dựng công trình. Hà Nội: NXB Xây dựng, 2019.
  13. P. V. Hùng, “Ứng dụng trí tuệ nhân tạo trong dự báo chi phí xây dựng ở Việt Nam,” Tạp chí Xây dựng, no. 5, pp. 45 - 50, 2022.
  14. L. A. Tuấn, “Nghiên cứu áp dụng mô hình học máy trong dự báo tổng mức đầu tư công trình xây dựng,” Tạp chí Khoa học Công nghệ Xây dựng, vol. 15, no. 3, pp. 78 - 85, 2021.
  15. N. Q. Toản, “Ứng dụng BIM trong quản lý chi phí xây dựng tại Việt Nam,” Tạp chí Kinh tế Xây dựng, no. 4, pp. 12 - 18, 2020.
  16. H. V. Cường, “Ứng dụng học máy trong phân tích chi phí dự án hạ tầng,” Tạp chí Khoa học Giao thông, no. 2, pp. 33 - 40, 2023.