Bài báo này đề xuất trong nghiên cứu này có thể dùng để dự đoán nhanh chóng và chính xác sức kháng cắt của dầm BTCT không có cốt đai, phục vụ thực tế cho các kỹ sư công trình trong công tác tính toán, thiết kế.
Journal of Science and Transport Technology University of Transport Technology Application of Tree-Based Machine Learning Methods in Predicting the Shear Capacity of Steel Reinforced Concrete Beams without Stirrups Thuy Anh Nguyen, Hai Bang Ly* University of Transport Technology, 54 Trieu Khuc, Thanh Xuan, Hanoi 100000, Vietnam Article info Type of article: Original research paper Corresponding author: E-mail address: banglh@utt.edu.vn Published: 27 September 2021 Abstract: This study proposes two tree-based machine learning models, namely Ensemble Learning (ELB) and Random Forest (RF), to predict the shear resistance of reinforced concrete beams without reinforcement A database of 1849 beam test results collected from the available literature is used for the training and validation phases of the proposed tree models The database uses twelve input parameters, representing the beam’s geometry, loading conditions, and material properties The evaluation of the models is performed using the cross-validation technique and wellknown statistical criteria, namely the coefficient of determination (R2), root mean square error (RMSE), and mean absolute error (MAE) The results show that both models can perform well in predicting the shear resistance of reinforced concrete beams without reinforcement, with R = 0.917, RMSE = 43.32, MAE = 20.82 using ELB model, and R2 = 0.913, RMSE = 46.4, MAE = 22.43 for RF model These excellent results demonstrate that the proposed tree-based machine learning models are accurate and useful predictors for engineers in the pre-design phase Keywords: Machine learning, Ensemble learning, Random Forest, Shear Resistance, Reinforced concrete beam without stirrups JSTT 2021, (1), 1-12 https://jstt.vn/index.php/vn Tạp chí điện tử Khoa học Cơng nghệ Giao thông Trường Đại học Công nghệ GTVT Ứng dụng mơ hình học máy dựa thuật tốn để giải toán dự báo sức kháng cắt dầm BTCT không cốt đai Nguyễn Thùy Anh, Lý Hải Bằng* Trường Đại học Công nghệ Giao thông vận tải, 54 Triều Khúc Thanh Xuân, Hà Nội 100000 Thông tin viết Dạng viết: Bài báo nghiên cứu Tác giả liên hệ: Địa E-mail: banglh@utt.edu.vn Ngày đăng bài: 27/9/2021 Tóm tắt: Mơ hình Ensemble Learning (ELB) mơ hình rừng ngẫu nhiên (RF) để dự đốn sức kháng cắt dầm bê tơng cốt thép khơng có cốt đai đề xuất nghiên cứu Bộ sở liệu gồm 1849 kết thí nghiệm dầm thu thập từ tài liệu có sẵn sử dụng cho trình huấn luyện kiểm chứng mơ hình học máy đề xuất, với 12 thơng số đầu vào, miêu tả đặc tính hình học, vật liệu dầm, điều kiện gia tải Việc đánh giá mơ hình tiến hành so sánh cách sử dụng phép đo thống kê tiếng, cụ thể hệ số xác định (R2), sai số tồn phương trung bình (RMSE) sai số tuyệt đối trung bình (MAE) Kết nghiên cứu cho thấy hai mơ hình học máy có khả thực tốt việc dự đốn sức kháng cắt dầm BTCT khơng có cốt đai, với R2 = 0.917, RMSE = 43.32, MAE = 20.82 tương ứng với mơ hình ELB R2 = 0.913, RMSE = 46.4, MAE = 22.43 tương ứng với mô hình RF Điều thể hai mơ hình học máy đề xuất công cụ dự đốn xác hữu ích cho kỹ sư giai đoạn tiền thiết kế Từ khóa: Học máy, Ensemble learning, Rừng ngẫu nhiên, Sức kháng cắt, Dầm BTCT không cốt đai Giới thiệu Ứng xử cắt dầm bê tơng cốt thép (BTCT) với vết nứt hình thành tiết diện nghiêng tượng phức tạp Điều ứng xử cắt dầm BTCT chịu ảnh hưởng nhiều tham số kích thước dầm, chiều dài nhịp cắt, cường độ nén bê tông, tỷ lệ phần trăm cốt thép cường độ chảy thép [1,2] Sự phụ thuộc lẫn tham số phức tạp để mơ hình hóa tính tốn Ngồi ra, lực cắt tác động kết hợp với loại tải trọng khác tải trọng uốn, tải trọng dọc trục đôi JSTT 2021, (1), 1-12 lực xoắn, khiến toán trở nên thêm phức tạp thực tế [3] Do đó, dự đốn khả chịu cắt xác điều quan trọng hư hỏng tượng cắt thường xảy đột ngột mà khơng có cảnh báo trước Phương pháp thiết kế truyền thống để xác định khả chịu cắt dầm thiết kế mẫu dầm phòng thí nghiệm để xác định sức kháng cắt đảm bảo yêu cầu Tuy nhiên, với số lượng lớn nhân tố ảnh hưởng, cần phải chuẩn bị số lượng mẫu lớn, điều gây tốn thời gian tiền bạc [4] Đối với dầm BTCT khơng có cốt đai, nhiều phương pháp thiết kế đề xuất để https://jstt.vn/index.php/vn JSTT 2021, (1), 1-12 giải vấn đề này, chẳng hạn mơ hình Zhang cộng [5], Sigrist cộng [6], Xu cộng [7], Park Kuchma [8], Bentz cộng [9], Vecchio Collins [10] Một số mô hình ứng dụng cho tiêu chuẩn thiết kế tại, chẳng hạn ACI 318-14 [11], Eurocode [12] CSA A23.3-14 [13] Tuy nhiên, hầu hết mơ hình dựa phương pháp tiếp cận thực nghiệm bán thực nghiệm, phát triển chủ yếu cách điều chỉnh cho phù hợp với liệu thực nghiệm, đó, số trường hợp định, chúng dẫn đến việc đánh giá khơng xác khả chịu cắt dầm Trong năm gần đây, với phát triển nhanh chóng kỹ thuật trí tuệ nhân tạo, thuật toán học máy phổ biến lĩnh vực sống hiệu mà chúng đem lại nhiều vấn đề có độ phức tạp cao [14–16] Một số thuật tốn máy học phổ biến kể đến như: mạng nơ ron nhân tạo (ANN), rừng ngẫu nhiên (RF), máy vec tơ hỗ trợ (SVM) Trong số thuật tốn học máy, mơ hình mạng nơ ron nhân tạo nhiều nhà khoa học ứng dụng để dự đốn sức kháng cắt dầm bê tơng cốt thép Trong nghiên cứu Oreta [17], mơ hình ANN xây dựng dựa liệu gồm 155 mẫu với thơng số đầu vào để dự đốn sức kháng cắt dầm mảnh khơng có cốt đai, mơ ảnh hưởng kích thước đến khả chịu cắt Mansour cộng [18] sử dụng ANN để dự đoán khả chịu cắt dầm BTCT có cốt thép đai với liệu gồm Nguyễn & Lý 176 mẫu thông số đầu vào Kết cho thấy mơ hình ANN cơng cụ khả thi để dự đốn sức chống cắt cuối dầm BTCT có cốt thép đai phạm vi tham số đầu vào xem xét Bên cạnh đó, mơ hình ANN phát triển nghiên cứu Amani Moeini [19], Cladera Mari [20], Abdalla cộng [21] Tuy nhiên, hạn chế mơ hình ANN cần phải xác định cấu trúc tối ưu tham số của mơ hình thơng qua q trình “thử sai” Điều làm nhiều thời gian cho q trình xây dựng mơ hình Đồng thời, liệu sử dụng cho nghiên cứu kể hạn chế, dừng lại số loại dầm với điều kiện cụ thể, khoảng biến thiên thông số ảnh hưởng không lớn Trong nghiên cứu này, liệu lớn gồm 1849 kết thí nghiệm dầm BTCT khơng có cốt thép đai tiến hành 60 năm qua thu thập để xây dựng mô hình học máy Đồng thời, mơ hình rừng ngẫu nhiên mơ hình Ensemble Learning, hai số mơ hình học máy phổ biến phát triển để dự đoán sức kháng cắt dầm Nội dung báo chia thành phần sau: Phần hai nội dung liệu, sau trình bày vắn tắt mơ hình dự báo thơng tin liên quan; phần trình bày kết tính tốn thảo luận; cuối kết luận Cơ sở liệu Bộ liệu dầm BTCT khơng có cốt thép đai tổng hợp từ tài liệu quốc tế có uy tín Hình Minh hoạ sơ đồ thí nghiệm dầm mặt cắt xét tới sở liệu JSTT 2021, (1), 1-12 Nguyễn & Lý tổng hợp tài liệu [22] Bộ liệu bao gồm 1849 kết thí nghiệm thực từ nghiên cứu 60 năm qua Các tiêu chí để thu thập liệu mẫu dầm xét sau: (1) mặt cắt ngang hình chữ nhật chữ T khơng giới hạn kích thước dầm; (2) dầm bê tơng cốt thép khơng có cốt đai; (3) tiến hành thí nghiệm cắt tác dụng tải trọng tập trung đặt điểm đối xứng dầm Sơ đồ thí nghiệm dầm minh hoạ hình Bộ sở liệu gồm 12 thông số khác ảnh hưởng đến sức kháng cắt dầm BTCT cốt đai (được ký hiệu O), cụ thể chiều rộng sườn dầm (I1), chiều rộng cánh dầm (I2), chiều cao mặt cắt (I3), chiều cao hữu hiệu (I4), khoảng cách từ điểm đặt tải trọng đến vị trí đạt mơ men uốn lớn (I5), chiều dài nhịp cắt (I6), tỷ lệ chiều dài nhịp cắt chiều cao hữu hiệu (I7), chiều dài chịu lực mặt chịu uốn (I8), tỷ lệ cốt thép dọc (I9), cường độ nén bê tông (I10), kích thước cốt liệu tối đa (I11) cuối cường độ chảy thép (I12) Bảng trình bày chi tiết ký hiệu, vai trị phân tích thống kê (giá trị tối thiểu, tối đa, trung bình, trung vị, độ lệch độ lệch chuẩn) tham số đầu vào tham số đầu Dữ liệu nghiên cứu chia thành hai tập hợp con, 70% liệu sử dụng để phát triển mơ hình học máy, gọi liệu huấn luyện, 30 % lại sử dụng để kiểm tra đánh giá mức độ xác mơ hình phát triển, gọi liệu kiểm chứng Quá trình phân chia lựa chọn cách ngẫu nhiên, đảm bảo cho mẫu chọn có khả đại diện cho toàn liệu Lưu ý rằng, 555 mẫu thí nghiệm liệu kiểm chứng khơng tham gia vào phát triển mơ hình học máy để đảm bảo tính khách quan tiến hành dự báo Nói cách khác, 555 mẫu thí nghiệm liệu kiểm tra xem liệu mà mơ hình học máy chưa gặp trình học phát Bảng Thống kê liệu sử dụng nghiên cứu 1Độ # Min Trung vị Trung bình Max StD1 Sk2 I1 21 153 213.01 3000 212.94 5.13 I2 21 157 256.76 3000 230.22 3.79 I3 51 305 364.35 3140 254.05 3.53 I4 41 270 320.25 3000 237.77 3.67 I5 80 711 953.22 9000 823.70 3.33 I6 80 800 1000.97 9000 845.97 3.17 I7 0.25 3.20 15.06 1.82 1.95 I8 102 107.13 600 74.15 0.59 I9 0.10 1.87 2.24 9.50 1.52 1.88 I10 6.10 29.70 34.86 127.50 18.34 2.03 I11 19 18.48 50 6.96 0.14 I12 267 420 462.37 1779 172.14 4.39 O 1.90 73.40 129.59 1575 153.21 2.95 lệch chuẩn; 2Độ lệch JSTT 2021, (1), 1-12 triển Cũng theo số nghiên cứu, tỷ lệ 70/30 cho trình phân chia liệu tỷ lệ hợp lý để đảm bảo mưc độ tin cậy đại diện liệu cho mô hình học máy qua trình huấn luyện q trình kiểm chứng [23] Các mơ hình máy học 3.1 Mơ hình Ensemble Learning, sử dụng thuật tốn Bagging (ELB) Lĩnh vực máy học ngày trở nên phổ biến theo thời gian, mơ hình dự đốn cốt lõi học máy Độ xác tốt nghĩa mơ hình xây dựng có khả dự báo tốt, sử dụng nhiều trở thành giải pháp cho vấn đề cụ thể Nhưng thực tế, khơng phải mơ hình đạt hiệu suất cao có kết tốt Một phương pháp để cải thiện hiệu suất mơ hình học máy sử dụng việc kết hợp mơ hình lại với nhau, phương pháp gọi phương pháp tập hợp mô hình (Ensemble Learning) [24] Ensemble giải pháp kết hợp tập hợp đa dạng mơ hình riêng lẻ với để tăng tính ổn định khả dự đốn mơ hình Các kỹ thuật phổ biến sử dụng mơ hình Ensemble learning kể đến kỹ thuật Bagging (đóng bao), kỹ thuật Boosting (tăng cường) kỹ thuật Stacking (xếp chồng) Trong nghiên cứu này, kỹ thuật Bagging lựa chọn để dự đoán sức kháng cắt dầm bê tơng cốt thép khơng có cốt đai Ngun lý ỹ thuật Bagging xây dựng lượng lớn mơ hình (thường loại) tập khác từ tập liệu huấn luyện Những mơ hình huấn luyện độc lập song song với đầu chúng tính trung bình cộng kết cuối Chính vậy, kỹ thuật Bagging giúp Ensemble Learning giảm sai số đáng kể 3.2 Mơ hình rừng ngẫu nhiên Thuật toán rừng ngẫu nhiên (Random Forest – RF) Breiman [25] đề xuất thuật tốn học máy với nhiều định Nó kết hợp phương pháp Bagging [26] Random Nguyễn & Lý Subspaces [27] Phương pháp chứng tỏ thành cơng toán hồi quy phân loại năm gần thuật toán học máy tốt sử dụng nhiều lĩnh vực khác [28–30] Trong kỹ thuật bagging, trồng cách chọn điểm chia tốt nút cho tất biến dự báo Thuật toán RF chỉnh sửa phương pháp chia tách cách lựa chọn điểm chia tốt từ tập hợp ngẫu nhiên lựa chọn biến dự báo [31] Việc lựa chọn biến dự báo ngẫu nhiên tạo đa dạng làm giảm mối tương quan chúng Tuy nhiên, sử dụng lựa chọn ngẫu nhiên nên RF mang lại kết khác lần tính tốn Việc kết hợp biến đầu từ có khả làm giảm sai khác kết cây, đồng thời tạo mô hình tổng qt Ước tính cuối RF giá trị trung bình tất kết từ toán hồi quy Thuật toán RF mạnh thuật toán học máy khác khả nhận liệu huấn luyện cách ngẫu nhiên từ tập hình thành với thuật toán ngẫu nhiên 3.3 Xác thực chéo (Cross Validation) Trong lĩnh vực máy học, xác thực chéo phương pháp phổ biến để hạn chế tượng khớp “overfitting” huấn luyện mạng Thông thường, liệu chia thành tập: tập liệu huấn luyện (training set), tập liệu xác thực (validation set) tập liệu kiểm chứng (testing set), training set dùng để huấn luyện mơ hình, validation set dùng để xác thực trình huấn luyện testing set dùng để kiểm tra cho mô hình cuối Với trường hợp tập liệu chia thành hai phần tập liệu huấn luyện tập liệu kiểm chứng, xác thực chéo giải pháp để tránh tượng khớp “overfitting” Khi đó, tập liệu kiểm chứng để riêng dành cho bước đánh giá cuối nhằm kiểm tra “phản ứng” mơ hình gặp liệu hồn tồn khơng biết.Tập liệu huấn luyện chia ngẫu nhiên thành K phần Sau đào tạo JSTT 2021, (1), 1-12 Nguyễn & Lý Hình Minh hoạ kỹ thuật xác nhận chéo 10 lần mơ hình K lần, lần đào tạo chọn phần làm liệu xác thực K-1 phần lại làm liệu huấn luyện Kết đánh giá mơ hình cuối trung bình cộng kết đánh giá K lần huấn luyện Trong nghiên cứu này, xác thực chéo với K = 10 chọn, K lớn, tập huấn luyện lớn nhiều so với tập kiểm tra, kết đánh giá không phản ánh chất phương pháp máy học, đặc biệt với tập liệu lớn Đó lý đánh giá chéo 10-fold nhiều học giả quốc tế lựa chọn [32] Kỹ thuật xác thực chéo 10 lần nghiên cứu minh họa hình 3.4 Đánh giá lực dự báo Để đánh giá hiệu suất độ xác mơ hình học máy việc dự đốn sức kháng cắt dầm BTCT khơng có cốt đai, số hiệu suất sử dụng nghiên cứu bao gồm hệ số xác định (R2), sai số tồn phương trung bình (RMSE) sai số tuyệt đối trung bình (MAE) Các số hiệu suất xác định theo công thức sau: kN1 pk qk 2 R 1 N k 1 pk (1) RMSE MAE N pk qk N k 1 N pk qk N k 1 (2) (3) p giá trị thí nghiệm thực tế, q giátrị dự đốn, tính theo dự báo mơ hình, N số lượng mẫu sở liệu Trong số số hiệu suất dự báo mơ hình sử dụng, RMSE MAE đạt giá trị tối ưu R2 đạt giá trị tối ưu 1, nghĩa mơ hình có khả dự báo tốt số đạt giá trị Đây tiêu phổ biến thường sử dụng để đánh giá lực dự báo mơ hình Kết thảo luận 4.1 Đánh giá tương quan biến đầu vào từ liệu ban đầu Trong tốn dự báo nói chung, việc tinh giản miền không gian biến đầu vào bước quan trọng để mơ hình có khả dự báo xác hơn, mơ nhanh sử dụng nhớ Mối tương quan thông số đầu vào, thông số đầu vào Fig Correlation matrix of input and output variables JSTT 2021, (1), 1-12 Nguyễn & Lý Hình Mối tương quan giá trị biến đầu vào liệu: (a) liệu gốc – Dataset.01; (b) liệu sau giảm biến đầu vào – Dataset02 với thông số đầu sở quan trọng để lựa chọn số lượng tham số đầu vào cho mơ hình dự báo Do đó, ma trận tương quan thơng số phân tích minh họa hình 3, với mục đích giảm số lượng biến đầu vào liệu thu thập Trong đó, giá trị dương biểu thị mối tương quan tích cực, giá trị âm biểu thị mối tương quan tiêu cực Đồng thời mức độ đậm nhạt màu sắc thể giá trị tương quan chúng Các cặp thuộc tính có mức độ tương quan cao loại bỏ để giảm mức độ ảnh hưởng biến không cần thiết đến mơ hình dự báo [33] Theo đó, cặp thuộc tính có mối tương quan lớn 0.75 nhỏ -0.75 coi cặp thuộc tính có mối tương quan cao cần xem xét cách kỹ lưỡng thơng số cịn lại sau loại bỏ thơng số nói trên, tạo thành liệu Dataset.02 Qua phân tích mối tương quan liệu rút gọn, thông số giữ lại có mối tương quan vừa nhỏ Điều cho thấy tám thông số đầu vào liệu coi biến độc lập Trong đó, sức kháng cắt dầm BTCT khơng có cốt đai dự báo dựa tám thông số đầu vào gọi biến phụ thuộc Với liệu này, sức kháng cắt dầm có tương quan tương biến I1 (chiều rộng sườn dầm) I4 (chiều cao hữu hiệu) Bộ liệu Dataset.02 sử dụng nghiên cứu nhằm dự báo sức kháng cắt dầm BTCT khơng có cốt đai Hình 3a thể mối tương quan giá trị thông số cho liệu ban đầu (được đặt tên Dataset.01) với 12 thơng số đầu vào Phân tích ban đầu cho thấy số cặp thơng số đầu vào có mối tương quan cao, cụ thể tương quan I1 I2 ( 0.9), I3 I4 ( 1), I5 I6 ( 1) Ngoài ra, tham số đầu vào I5 I6 cịn có mối tương quan tương đối lớn với I3, I4 I7 Chính vậy, để tối ưu hóa khơng gian tham số đầu vào tốn, giảm thời gian tính tốn dung lượng nhớ, nhóm tác giả lựa chọn phương án bỏ biến I2, I3, I5, I6 khỏi miền khơng gian biến đầu vào Hình 3b thể mối tương quan Trong phần này, trình xây dựng hai công cụ mô số ELB RF thực Quá trình xây dựng chất nằm việc xác định giá trị siêu tham số (hyper-parameters) hai mơ hình Với mơ hình học máy dựa thuật tốn cây, siêu tham số phổ biến thường số cây, số nhánh số Trước tiên,quá trình đào tạo hai mơ hình học máy tiến hành liệu Dataset.02 Ở bước này, liệu huấn luyện chia thành 10 phần để tiến hành xác thực chéo Với 10 lần mô phỏng, hiệu suất trung bình liệu huấn luyện tính trình bày Hình 4.2 Xây dựng mơ hình ELB RF cho tốn JSTT 2021, (1), 1-12 Đáng ý, liệu kiểm chứng (30% liệu) không xét đến q trình xây dựng mơ hình, siêu tham số ELB RF lựa chọn dựa liệu huấn luyện liệu xác thực Nguyễn & Lý xuất đưa lực dự báo cao Cụ thể, mơ hình RF cho hiệu suất R2 0.88, RMSE 52.7, MAE 23.0, mơ hình ELB cho R2 0.89, RMSE 53.0, MAE 23.6 Hình Kết hiệu suất dự báo hai mơ hình ELB RF liệu Dataset02 dựa tiêu chí: (a) R2, (b) RMSE, (c) MAE Đánh giá kết hình cho thấy mơ hình RF có khả đào tạo tốt, giá trị R2 cao ổn định R2 0.977, RMSE 24.5, MAE 10.7 Năng lực đào tạo mơ hình ELB so với RF thấp hơn, với giá trị R2 0.894, RMSE 48.5, MAE 23.1 Tuy nhiên, hiệu suất đạt mơ hình cho thấy khả dự báo sức kháng cắt dầm BTCT tốt Đối với liệu kiểm chứng, tiêu đánh giá lực dự báo tính tốn tương ứng với 10 lần xác thực chéo (Hình 3) Với 30% liệu hồn tồn khơng biết tới q trình huấn luyện, hai mơ hình đề Như vậy, nói sau thực 10 lần xác thực chéo, hai mơ hình ELB RF xây dựng với độ xác cao kiểm chứng độ tin cậy phần liệu độc lập trích xuất từ liệu Dataset.02 Vì vậy, hai mơ hình lựa chọn để trình bày kết dự báo tiêu biểu 4.3 Kết dự báo tiêu biểu hai mơ hình ELB RF Trong phần này, kết dự báo điển hình hai mơ hình ELB RF trình bày Những kết trích xuất từ hai mơ hình JSTT 2021, (1), 1-12 Nguyễn & Lý Hình Kết hồi quy hai mơ hình liệu Dataset.02: (a) mơ hình ELB với tập liệu huấn luyện – xác thực, (b) mơ hình ELB với tập liệu kiểm chứng, (c) mơ hình RF với tập liệu huấn luyện – xác thực, (d) mô hình RF với tập liệu kiểm chứng xây dựng, xác thực kiểm chứng phần trước Mô hình hồi quy cho liệu khác nhau, dự đoán ELB RF thể hình Mơ hình hồi quy cho liệu khác nhau, dự đoán ELB RF thể hình Rõ ràng hai mơ hình máy học tốt để dự đốn sức kháng cắt dầm BTCT không cốt đai Hai mô hình đề xuất nghiên cứu đạt độ xác cao Cụ thể, mơ hình ELB đạt R2 = 0.916, RMSE = 45.20, MAE = 21.28 cho tập liệu huấn luyện – xác thực, R2 = 0.917, RMSE = 43.32, MAE = 20.82 cho tập liệu kiểm chứng Bên cạnh đó, mơ hình RF đạt R2 = 0.976, RMSE = 25.33, MAE = 10.91 cho tập liệu huấn luyện – xác thực, R2 = 0.913, RMSE = 46.40, MAE = 22.43 cho tập liệu kiểm chứng Hệ số tương quan R2 cao kết hợp với sai số thấp hai mơ hình đề xuất mơ hình dựu báo tuyệt vời thể hiệu suất tổng quát hóa việc dự đốn sức kháng cắt dầm BTCT khơng có cốt đai Mơ hình RF có độ xác cao tập liệu huấn luyện – xác thực, JSTT 2021, (1), 1-12 Nguyễn & Lý Hình Kết phân bố sai số hai mơ hình liệu Dataset.02: (a) mơ hình ELB với tập liệu huấn luyện – xác thực, (b) mơ hình ELB với tập liệu kiểm chứng, (c) mơ hình RF với tập liệu huấn luyện – xác thực, (d) mô hình RF với tập liệu kiểm chứng tập liệu kiểm chứng, mơ hình dường đưa nhiều kết lệch với giá trị sức kháng cắt lớn (trên 600 kN) Để so sánh cụ thể hơn, nhóm tác giả trình bày hình đồ thị phân bố sai số mơ mơ hình ELB RF thơng qua tập liệu huấn luyện – xác thực kiểm chứng Có thể nhận thấy sai số trường hợp tập trung phân bố quanh vị trí kN với mật độ lớn Ngồi ra, dựa đường phân phối tích lũy khoảng 95% sai số tập trung khoảng gần kN, điều khẳng định khả mô xác khả chịu cắt dầm BTCT khơng cốt đai Chỉ vài trường hợp có sai số lớn (ngoài 200 kN) phát hai mơ hình ELB RF, nhiên điều khơng ảnh hưởng nhiều tới tính tổng qt mơ hình học máy Kết luận Xác định khả chịu cắt dầm bê tông cốt thép vấn đề quan trọng lĩnh vực xây dựng Để giải vấn đề này, hai mô hình dựa thuật tốn ELB RF xây dựng phát triển nghiên cứu để dự đoán sức kháng cắt dầm bê tơng cốt thép khơng có cốt đai Một sở liệu gồm 1849 kết thí nghiệm suốt 60 năm thu thập từ công bố quốc tế uy tín Dữ liệu đầu vào tốn mơ bao gồm 12 thơng số, thông số lựa chọn để làm biến đầu vào cho q trình xây dựng mơ hình, cụ thể chiều rộng sườn dầm, chiều cao hữu hiệu, tỷ lệ chiều dài nhịp cắt chiều cao hữu hiệu, chiều dài chịu lực mặt chịu uốn, tỷ lệ cốt thép dọc, cường độ 10 JSTT 2021, (1), 1-12 nén bê tơng, kích thước cốt liệu tối đa cường độ chảy thép Ba tiêu chí thống kê hệ số xác định (R2), sai số tồn phương trung bình (RMSE) sai số tuyệt đối trung bình (MAE) sử dụng để đánh giá mối tương quan giá trị dự đốn hai mơ hình học máy giá trị thực nghiệm Kết cho thấy hai mơ hình học máy đạt độ xác cao để dự đoán sức kháng cắt dầm BTCT khơng có cốt đai (R2 = 0.917 với mơ hình ELB R2 = 0.913 với mơ hình RF) Điều thể hai mơ hình học máy đề xuất nghiên cứu dùng để dự đốn nhanh chóng xác sức kháng cắt dầm BTCT khơng có cốt đai, phục vụ thực tế cho kỹ sư cơng trình cơng tác tính tốn, thiết kế Nguyễn & Lý [11] [12] [13] [14] [15] Tài liệu tham khảo [1] M.P Collins, D Mitchell, P Adebar, F.J Vecchio (1996) A general shear design method ACI Structural Journal 93-S5, 36–45 [2] K.N Smith, A.S Vantsiotis (1982) Shear strength of deep beams Journal Proceedings Vol.79, 201–213 [3] K.S Ismail (2016) Shear behaviour of reinforced concrete deep beams, PhD Thesis, University of Sheffield [4] W Nadir, M.K Dhahir, F.H Naser (2018) A compression field based model to assess the shear strength of concrete slender beams without web reinforcement Case Studies in Construction Materials doi.org/10.1016/j.cscm.2018.e00210 [5] T Zhang, P Visintin, D.J Oehlers (2016) Shear strength of RC beams without web reinforcement Australian Journal of Structural Engineering Vol 17, 87–96 DOI:10.1080/13287982.2015.1122502 [6] V Sigrist, E Bentz, M.F Ruiz, S Foster (2013) A Muttoni, Background to the fib Model Code 2010 shear provisions–part I: beams and slabs Structural Concrete Vol.14, 195-203 [7] S Xu, X Zhang, H.W Reinhard (2012) Shear Capacity Prediction of Reinforced Concrete Beams without Stirrups Using Fracture Mechanics Approach ACI Structural Journal Vol 109, 705-714 [8] J Park, D Kuchma (2007) Strut-and-tie model analysis for strength prediction of deep beams ACI Structural Journal Vol 104, 657-666 [9] E.C Bentz, F.J Vecchio, M.P Collins (2006) Simplified modified compression field theory for calculating shear strength of reinforced concrete elements ACI Structural Journal Vol 103, 614624 [10] F.J Vecchio, M.P Collins (1986) The modified [16] [17] [18] [19] [20] [21] [22] [23] compression-field theory for reinforced concrete elements subjected to shear ACI J 83, 219-231 A.C.I Standard (2008) Building Code Requirements for Structural Concrete (ACI 318M08) and Commentary, Reported by ACI Committee 318 BS EN 1992-1-1:2004 (2015) Eurocode 2: Design of Concrete Structures – Part 1-1: General Rules and Rules for Biddings, in: BSI Standards Limited, IEEE, pp 55-60 C.S Association (2014) Design of Concrete Structures (CSA A23 3-14)., CSA Group, Mississauga, ON, Canada H.Q Nguyen, H.B Ly, V.Q Tran, T.A Nguyen, T.T Le, B.T Pham (2020) Optimization of artificial intelligence system by evolutionary algorithm for prediction of axial capacity of rectangular concrete filled steel tubes under compression, Materials Vol 13 https://doi.org/10.3390/MA13051205 T.A Nguyen, H.B Ly (2020) Phương pháp dự đoán tải trọng ổn định đàn hồi dầm thép bụng khoét lỗ tròn dựa máy vec-tơ hỗ trợ Transport and Communications Science Journal H.B Ly, T.A Nguyen (2020) Nghiên cứu dự báo sức chịu tải tới hạn cấu kiện cột ống thép nhồi bê tơng có tiết diện hình chữ nhật mạng nơ ron nhân tạo, Transport and Communications Science Journal Vol.71,154-166 doi.org/10.25073/tcsj.71.2.10 A.W.C Oreta (2004) Simulating size effect on shear strength of RC beams without stirrups using neural networks Engineering Structures Vol 26, 681-691 M.Y Mansour, M Dicleli, J.-Y Lee, J Zhang (2004) Predicting the shear strength of reinforced concrete beams using artificial neural networks Engineering Structures Vol 26, 781-799 https://doi.org/10.1016/j.engstruct.2004.01.011 J Amani, R Moeini (2012) Prediction of shear strength of reinforced concrete beams using adaptive neuro-fuzzy inference system and artificial neural network Scientia Iranica Vol 19, 242–248 https://doi.org/10.1016/j.scient.2012.02.009 A Cladera, A.R Mari (2004) Shear design procedure for reinforced normal and high-strength concrete beams using artificial neural networks Part II: beams with stirrups Engineering Structures Vol 26, 927-936 https://doi.org/10.1016/j.engstruct.2004.02.011 J.A Abdalla, A Elsanosi, A Abdelwahab (2007) Modeling and simulation of shear resistance of R/C beams using artificial neural network Journal of the Franklin Institute Vol 344, 741–756 M.P Collins, E.C Bentz, E.G Sherwood (2008) Where is shear reinforcement required? Review of research results and design procedures Structural Journal Vol 105, 590-600 M.S Khorsheed, A.O Al-Thubaity (2013) Comparative evaluation of text classification techniques using a large diverse Arabic dataset 11 JSTT 2021, (1), 1-12 [24] [25] [26] [27] [28] [29] Language Resources and Evaluation Vol 47, 513-538 T.G Dietterich (2002) Ensemble learning The Handbook of Brain Theory and Neural Networks Vol 2, 110-125 L Breiman (2001) Random forests Machine Learning Vol 45, 5-32 L Breiman (1996) Bagging predictors Machine Learning Vol 24, 123-140 T.K Ho (1998) The random subspace method for constructing decision forests IEEE Transactions on Pattern Analysis and Machine Intelligence Vol 20, 832-844 H.B Ly, T.A Nguyen, B.T Pham (2021) Estimation of Soil Cohesion Using Machine Learning Method: A Random Forest Approach Advances in Civil Engineering Vol 2021 E Izquierdo-Verdiguier, R Zurita-Milla (2020) An evaluation of Guided Regularized Random Forest for classification and regression tasks in Nguyễn & Lý remote sensing International Journal of Applied Earth Observation and Geoinformation Vol 88 [30] M Jeung, S Baek, J Beom, K.H Cho, Y Her, K Yoon (2019) Evaluation of random forest and regression tree methods for estimation of mass first flush ratio in urban catchments Journal of Hydrology Vol 575, 1099–1110 [31] A Liaw, M Wiener (2002) Classification and regression by randomForest R News Vol.2, 218–22 [32] R Kohavi (1995) A study of cross-validation and bootstrap for accuracy estimation and model selection, in: Ijcai, Montreal, Canada pp 1137– 1145 [33] J.R Schott (2016) Matrix analysis for statistics., John Wiley & Sons 12 ... chịu cắt dầm bê tông cốt thép vấn đề quan trọng lĩnh vực xây dựng Để giải vấn đề này, hai mơ hình dựa thuật toán ELB RF xây dựng phát triển nghiên cứu để dự đốn sức kháng cắt dầm bê tơng cốt thép. ..Tạp chí điện tử Khoa học Cơng nghệ Giao thông Trường Đại học Công nghệ GTVT Ứng dụng mơ hình học máy dựa thuật tốn để giải toán dự báo sức kháng cắt dầm BTCT không cốt đai Nguyễn Thùy Anh, Lý... (RF), máy vec tơ hỗ trợ (SVM) Trong số thuật toán học máy, mơ hình mạng nơ ron nhân tạo nhiều nhà khoa học ứng dụng để dự đoán sức kháng cắt dầm bê tông cốt thép Trong nghiên cứu Oreta [17], mơ hình