BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN QUỐC GIA VỀ KHOA HỌC, CÔNG NGHỆ VÀ ĐỔI MỚI SÁNG TẠO

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  30,080,127
  • Công bố khoa học và công nghệ Việt Nam

50

Tự động hóa (CAD/CAM, v.v..) và các hệ thống điều khiển, giám sát, công nghệ điều khiển số bằng máy tính (CNC), …

BB

Võ Huỳnh Kim Chi, Trương Đình Nhật(1), Nguyễn Thanh Phong, Lê Thị Thùy Linh, TRƯƠNG ĐÌNH NHẬT(2)

Xây dựng mô hình học máy được tối ưu hóa bằng thuật toán jellyfish search để dự báo năng suất lao động trên công trường

Developing a machine learning model optimized with the jellyfish search algorithm for predicting labor productivity on construction sites

Tạp chí Xây dựng

2024

2

50-55

2734-9888

Jellyfish Search, Năng suất lao động, Mô hình học máy, Tối ưu hóa, Dự báo.

Jellyfish Search, Labor productivity, Machine learning models, Optimization, Prediction system.

Các hoạt động xây dựng phụ thuộc rất nhiều vào năng suất lao động bởi các tác động trực tiếp của nó đến hiệu quả kinh tế và tiến độ của dự án. Vì vậy, nâng cao năng suất lao động trên công trường luôn là mục tiêu hàng đầu của các doanh nghiệp và các chuyên gia quản lý xây dựng. Nghiên cứu này trình bày các so sánh và đánh giá hiệu suất của các mô hình học máy, bao gồm bốn mô hình đơn ANN, SVR, LR, CART và ba mô hình hỗn hợp Voting, Bagging, Stacking. Kết quả thu được cho thấy mô hình hỗn hợp Bagging-ANN mang lại hiệu quả cao nhất. Các tham số của mô hình được chọn sẽ được tối ưu hóa bằng thuật toán Jellyfish Search để nâng cao hiệu suất mô hình. Kết quả cuối cùng được so sánh với các đề xuất trước đó cho thấy hiệu suất vượt trội của mô hình JS-Bagging-ANN.

Construction activities are significantly dependent on labor productivity due to its direct impact on economic efficiency and project progress. Therefore, enhancing labor productivity on construction sites remains a top priority for businesses and construction management experts. This study presents a comparative evaluation of the performance of various machine learning models, including four individual models: ANN, SVR, LR, CART, and three ensemble models: Voting, Bagging, and Stacking. The results demonstrate that the Bagging-ANN ensemble model yields the highest efficiency. The model's parameters are optimized using the Jellyfish Search algorithm to improve its performance. The final results are compared with literature, revealing the superior performance of the JS-Bagging-ANN model.

TTKHCNQG, CVv21

Xem toàn văn