Bài viết này giới thiệu cách tiếp cận mới trong việc sử dụng mô hình mạng nơ ron học sâu (DLNN) để dự đoán độ mất mát khối lượng của bê tông chứa cốt liệu cao su (RC) dưới tác dụng của nhiệt độ. Một mô hình cấu trúc của DLNN với 22 nơron trong 3 lớp ẩn được đề xuất.
Lê Trần Minh Đạt, Đoàn Viết Long 44 ỨNG DỤNG MẠNG NƠ-RON HỌC SÂU TRONG DỰ BÁO ĐỘ MẤT MÁT KHỐI LƯỢNG CỦA BÊ TÔNG CHỨA CỐT LIỆU CAO SU DƯỚI ẢNH HƯỞNG CỦA NHIỆT ĐỘ PREDICTING MASS LOSS OF WASTE TIRE RUBBER CONCRETE UNDER EFFECT OF TEMPERATURE USING DEEP LEARNING NEURAL NETWORK Lê Trần Minh Đạt1*, Đoàn Viết Long1 Trường Đại học Bách khoa - Đại học Đà Nẵng Tác giả liên hệ: ltmdat@dut.udn.vn (Nhận bài: 22/4/2021; Chấp nhận đăng: 18/5/2021) * Tóm tắt - Bài báo giới thiệu cách tiếp cận việc sử dụng mơ hình mạng nơ ron học sâu (DLNN) để dự đốn độ mát khối lượng bê tơng chứa cốt liệu cao su (RC) tác dụng nhiệt độ Một mơ hình cấu trúc DLNN với 22 nơron lớp ẩn đề xuất Bộ liệu với 162 mẫu, bao gồm bốn yếu tố ảnh hưởng: Tỉ lệ nước/ xi măng, thời gian nung, nhiệt độ, tỉ lệ vụn cao su thay sử dụng để huấn luyện xác nhận mơ hình thu thập từ tài liệu Đầu tỉ lệ mát khối lượng RC Mơ hình DLNN so sánh với hai kỹ thuật học máy khác Random Forest Multilayer Perceptron Kết cho thấy mơ hình DLNN vượt trội so với mơ hình khác sử dụng phương pháp phù hợp để dự đoán độ mát khối lượng RC ảnh hưởng nhiệt độ Abstract - This paper presents an new approach using deep learning neural network (DLNN) model to predict mass loss of concrete containing waste tire rubber under effect of temperature A structural DLNN model with 22 neurons in hidden layers is proposed A Dataset with 162 samples, including four influencing factors: Water/ cement ratio, exposure durations, temperature, replacement rubber ratio for training and vadilating the model has been collected from the literature The output target is the mass loss of the RC The DLNN model is compared with two other machine learning techniques: Random Forest and Multilayer Perceptron The results show that the DLNN model is superior to other models and therefore it can be used as a suitable method to predict the mass loss of RC under effect of temperature Từ khóa - Bê tơng cao su; mạng nơ ron học sâu; rừng ngẫu nhiên; kỹ thuật học máy; mát khối lượng Key words - Rubber concrete; Deep Learning Neural Network (DLNN); random forest; machine learning; mass loss Đặt vấn đề Ở Việt Nam, năm thải 400.000 cao su phế liệu Trong đó, 50% số lốp rác thải bị vứt mặt đất, 40% lốp rác thải tiêu huỷ cách đốt có 10% tái sử dụng Để giải vấn đề môi trường nghiêm trọng gây gia tăng nhanh chóng số lượng lốp xe thải lưu trữ lốp xe khơng hiệu việc sử dụng vụn cao su từ lốp xe tái chế làm cốt liệu thay chế tạo bê tông cách tiếp cận mang lại hiệu cao kèm theo trì việc sử dụng bền vững tài nguyên cao su Việc thay cốt liệu thô cốt liệu mịn vụn cao su theo tỉ lệ khác thành phần cấp phối làm thay đổi đáng kể đặc tính lý bê tông chứa cốt liệu cao su Cụ thể, giảm cường độ nén, cường độ uốn mô đun đàn hồi so với bê tông thông thường báo cáo [1] Tuy nhiên, nghiên cứu khác cho thấy việc thay mang lại nhiều đặc tính có lợi như: Tăng độ dẻo ngăn ngừa hư hỏng giòn [6], trọng lượng đơn vị thấp, giảm độ dẫn nhiệt [9] tăng khả hấp thụ nước hàm lượng cao su tăng lên [11] Xác định độ mát khối lượng (ML) RC tác dụng nhiệt độ kiểm tra theo tiêu chuẩn (ASTM 1064, BIS 516) Tuy nhiên, phương pháp tiêu tốn nhiều thời gian chi phí Nghiên cứu tài liệu cho thấy, đến chưa có mơ hình tốn học dự đốn nhanh đặc tính RC tác dụng nhiệt độ mối quan hệ ML RC thành phần mang tính chất phi tuyến Trong năm gần đây, mạng nơ-ron nhân tạo sử dụng rộng rãi kỹ thuật trí tuệ nhân tạo để giải toán phức tạp phi tuyến tính đề xuất cho việc học (learning) xấp xỉ hàm [12] Gupta cộng [13] đề xuất mơ hình mạng trí tuệ nhân tạo (ANN) lớp ẩn để dự đoán đặc tính RC tác dụng nhiệt độ Kết cho thấy hiệu mơ hình ANN việc dự báo đặc tính RC, nhiên tính ổn định mơ hình chưa tác giả đề cập Mơ hình hóa ảnh hưởng cao su phế thải đến cường độ nén bê tông dựa sở liệu kết thí nghiệm với việc thay phần tồn ANN báo cáo Marijana Hadzima-Nyarko [15] Kết cho thấy mơ hình ANN lưu trữ độ xác tốt với kiến trúc khác mạng nơ-ron Abdollahzade cộng [15] xây dựng mơ hình ANN để ước tính cường độ bê tông cao su so với hồi quy đa tuyến tính (Multilayer Regression) Kết cho thấy mơ hình ANN cơng cụ hữu hiệu áp dụng để dự đốn đặc tính lý RC Những năm gần đây, kỹ thuật học sâu gây ý cộng đồng nghiên cứu khoa học Ưu điểm đáng ý mơ hình học sâu khả xây dựng The University of Danang - University of Science and Technology (Le Tran Minh Dat, Doan Viet Long) ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 19, NO 5.1, 2021 45 tính chất bậc cao từ tập liệu thơ theo cách tăng dần Các mơ hình có tính linh hoạt cao việc học khái quát hóa để nắm bắt mối quan hệ phức tạp ẩn tập liệu thu thập Chính vậy, mơ hình học sâu vượt trội mơ hình học máy truyền thống mơ hình hồi quy tuyến tính, rừng ngẫu nhiên, phân cụm K-means, vec-tơ hỗ trợ học máy, mạng nơ-ron lan truyền thuận,… nhiều lĩnh vực nghiên cứu Bài báo đề xuất mô hình mạng nơ ron học sâu (DLNN) hiệu gồm lớp đầu vào (4 nơ-ron, bias), lớp đầu (1 nơ-ron) 22 nơron lớp ẩn để dự đoán độ mát khối lượng RC tác dụng nhiệt độ Bên cạnh đó, mơ hình DLNN đề xuất so sánh với hai kỹ thuật học máy khác Random Forest (RF) Multilayer Perceptron (MLP) Bộ liệu phương pháp nghiên cứu 2.1 Vật liệu Xi măng sử dụng mẫu thí nghiệm xi măng pclăng thơng thường theo [BIS 12269] [17], cát sông - cốt liệu mịn tự nhiên theo [BIS 383] [17] Đá bazan nghiền - cốt liệu thô Lốp xe phế thải cắt nhỏ thành hạt cao su kích thức 2–5 mm theo chiều rộng chiều dài tối đa 20 mm Các mẫu thí nghiệm chế tạo với ba tỷ lệ nước/ xi măng khác 0,35, 0,45 0,55; Tỉ lệ thay cốt liệu mịn theo khối lượng sợi cao su: 0%, 5%, 10%, 15%, 20% 25%; Nhiệt độ nung mẫu thí nghiệm: 150oC, 300oC, 450oC; Thời gian nung tương ứng 30 phút, 60 phút 120 phút 2.2 Mô tả liệu Một liệu bao gồm 162 mẫu thu thập từ tài liệu nghiên cứu thực trước [17] để huấn luyện xác nhận mơ hình Bộ liệu bao gồm bốn biến đầu vào (input variables): Tỉ lệ nước/ xi măng (X1), tỉ lệ phần trăm vụn cao su thay (X2), nhiệt độ (X3) thời gian nung (X4) Một đặc tính quan trọng RC độ mát khối lượng tác dụng nhiệt độ đặt làm thông số đầu (output target) Để xác nhận hiệu mơ hình dự đoán DLNN, phần liệu kiểm tra chiếm tỉ lệ 30% (49 mẫu) tổng số 162 mẫu Tập liệu huấn luyện sử dụng để xác định trọng số (hoặc tham số) mơ hình DLNN chứa 70% liệu (113 mẫu) Để giảm biên độ biến động mơ hình DLNN, nâng cao tốc độ học tập, hiệu suất, độ xác tính ổn định q trình huấn luyện, biến đầu vào đầu tập liệu quy đổi lại tỷ lệ phạm vi đoạn [0, 1] Phương trình quy đổi tỷ lệ biến biểu diễn bên dưới: 𝑦 𝑛𝑜𝑟𝑚 = 𝑦−𝑦 𝑚𝑖𝑛 𝑦 𝑚𝑎𝑥 −𝑦 𝑚𝑖𝑛 (1) Trong đó, y giá trị thực tế; 𝑦 𝑛𝑜𝑟𝑚 giá trị quy đổi; 𝑦 , 𝑦 𝑚𝑎𝑥 giá trị nhỏ lớn biến đầu vào đầu 𝑚𝑖𝑛 Các liệu thống kê biến đầu vào đầu tóm tắt Bảng Biểu đồ phân bố xác suất biến đầu vào đầu biểu thị Hình Hình Biểu đồ phân bố xác suất biến đầu vào đầu Lê Trần Minh Đạt, Đoàn Viết Long 46 Bảng Bảng thống kê mô tả biến Biến Mô tả Min Mean Median Max Std Skewness X1 Tỉ lệ nước/ xi măng 0,35 0,45 0,45 0,55 0,082 0,00 X2 Tỉ lệ thay vụn cao su 0,00 12,50 12,50 25,00 8,56 0,00 X3 Nhiệt độ 150,00 300,00 300,00 450,00 122,85 0,00 X4 Thời gian nung 30,00 50,00 60,00 60,00 14,18 -0,71 Y Tỉ lệ mát khối lượng 1,11 3,685 6,24 0,007 3,52 1,40 2.3 Mạng nơ-ron học sâu Cấu trúc mạng nơ-ron học sâu bao gồm ba lớp (lớp đầu vào, lớp ẩn lớp đầu ra), yếu tố trọng số, hàm kích hoạt (hàm chuyển đổi) hàm học tập Các lớp đầu vào đầu lớp đơn, chứa liệu đầu vào đầu mơ hình tương ứng Lớp ẩn chứa nhiều lớp sử dụng để xử lý liệu Các tế bào thần kinh lớp có kết nối tiến lùi từ tế bào thần kinh lớp trước Trong nghiên cứu này, thuật ngữ học sâu để đến việc sử dụng nhiều lớp ẩn cấu trúc mạng nơ ron Hàm ReLu (Rectified Linear Unit) sử dụng làm hàm kích hoạt cho mơ hình DLNN đơn giản mặt tính tốn so với hàm truyền thống (sigmoid, tanh) Hơn nữa, mạng nơron học sâu đào tạo thông qua phương pháp học tập dựa thuật toán gradient kết hợp lan truyền ngược Do đó, hàm ReLU giúp tránh tượng biến gradient, tượng cản trở đáng kể q trình học tập [18] Cơng thức tốn học hàm ReLu biểu diễn đây: 𝑓𝑠 = max(0, 𝑥) (2) Ưu vượt trội DLNN thể trình học tự động từ mẫu huấn luyện để thiết lập mối quan hệ biến đầu vào đầu [16] Ngoài ra, DLNN không ràng buộc điều kiện hạn chế tham số đầu vào để xây dựng hàm phân phối Một yếu tố quan trọng mạng DLNN việc xác định các yếu tố trọng số phù hợp để tối ưu hóa hàm mát Phương pháp kết hợp truyền bình phương bậc hai suy giảm gradient ngẫu nhiên với phương pháp xung lượng (Adam - Adaptive Moment Optimization) sử dụng để xác định giá trị tối ưu trọng số [19] Hàm mát hàm hàm sai số bình phương trung bình (Mean Square Error – MSE) thường sử dụng toán hồi quy dự đốn giá trị liên tục Cơng thức biểu diễn MSE có dạng: 𝐿(𝑦, 𝑦̂) = ∑𝑚 ̂𝑖 )2 𝑖=1(𝑦𝑖 − 𝑦 𝑁 (3) Trong đó, y, 𝑦̂ giá trị thực giá trị dự đoán biến đầu mẫu i Nghiên cứu tiến hành thử nghiệm tính tốn tối ưu số lớp ẩn cấu trúc mạng DLNN số nơ-ron lớp ẩn Lựa chọn số lượng nơ-ron lớp ẩn nhiều dẫn đến việc ổn định mơ hình huấn luyện [12] Q trình thử nghiệm tối ưu thực để kiểm tra tất tổ hợp sử dụng từ đến 30 nơ-ron cho mơ hình lớp ẩn Số lượng nơ-ron tối ưu cho cấu trúc DLNN xác định cách thực xác nhận chéo lần cho tập huấn luyện Kết Mơ hình DLNN ổn định chứa mười một, tám ba nơ-ron ba lớp ẩn, bốn nơ-ron bias lớp đầu vào nơ-ron lớp đầu Bias xem tham số bổ sung, sử dụng để điều chỉnh tham số đầu thông qua trọng số liên kết biến đầu vào với nơ-ron Cấu trúc hồn chỉnh mơ hình DLNN thể Hình Hình Cấu trúc mơ hình DLNN đề xuất gồm ba lớp ẩn với 11, 8, nơ-ron tương ứng lớp ẩn 2.4 Mạng Multilayer Perceptron Multilayer Perceptron (MLP) dạng mạng nơron nhân tạo truyền thẳng dùng để mơ hình hóa giải nhiều tốn phức tạp kỹ thuật [20] Trong báo cấu trúc tối ưu mơ hình MLP để dự đoán độ mát khối lượng RC gồm lớp đầu vào, lớp đầu lớp ẩn với 80 nơ-ron Mỗi lớp bao gồm nút kết nối đầy đủ với tất nút lớp Hàm ReLu sử dụng chức kích hoạt lớp Thuật tốn Bộ nhớ giới hạn Broyden-FletcherGoldfarb-Shanno (LBFGS) với giá trị momentum = 0,2 chọn để tối ưu trọng số 2.5 Chỉ số đánh giá hiệu suất mơ hình Nghiên cứu sử dụng ba số thống kê hệ số tương quan (R2), bậc hai sai số bình phương trung bình (RMSE) sai số tuyệt đối trung bình (MAE) để đánh giá hiệu suất mơ hình độ xác kết dự đốn Giá trị R2 cho biết mối quan hệ thống kê giá trị thực tế giá trị dự đoán tham số đầu Cụ thể, độ mát khối lượng bê tông chứa vụn cao su tác dụng nhiệt độ Các số RMSE MAE biểu thị cho việc đánh giá lỗi mơ hình dự báo Giá trị R2 cao cho thấy, hiệu suất tốt mơ hình Về tổng thể, số xác định phương trình sau: 𝑀𝐴𝐸 = ∑𝑚 ̂ 𝑖| 𝑖=1|𝑦𝑖 −𝑦 𝑅𝑀𝑆𝐸 = √∑𝑚 𝑖=1 𝑅2 = (4) 𝑚 (𝑦̂𝑖 −𝑦𝑖 )2 𝑚 ̂ )(𝑦𝑖 −𝑦𝑡𝑏) ∑𝑚 ̂ 𝑖 −𝑦𝑡𝑏 𝑖=1( 𝑦 ̂ )2 ∑𝑚 (𝑦𝑖 −𝑦𝑡𝑏)2 ̂ 𝑖 −𝑦𝑡𝑏 √∑𝑚 𝑖=1( 𝑦 𝑖=1 (5) (6) ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 19, NO 5.1, 2021 47 ̂ xác định tương ứng giá Trong đó, 𝑦̂i 𝑦𝑡𝑏 trị giá trị trung bình dự đốn độ mát khối lượng RC; yi ytb giá trị giá trị trung bình độ mát khối lượng thực tế RC; m số lượng mẫu liệu Kết thảo luận Thông qua số thống kê R2, MAE, RMSE, hiệu suất mơ hình DLNN, RF MLP tập huấn luyện kiểm tra trình bày Bảng Kết cho thấy, mơ hình DLNN với lớp ẩn cho giá trị R2 (0,906) cao hơn, tương ứng giá trị thấp RMSE MAE (lần lượt 0,444 0,387) tập liệu kiểm tra Mặc dù, hệ số xác định R2 quan sát tương đồng mơ hình DLNN MLP tập huấn luyện Bảng Giá trị số thống kê mơ hình DLNN, RF, MLP Tập huấn luyện R2 RMSE MAE Tập kiểm tra R2 RMSE MAE DLNN 0,940 0,351 0,290 0,906 0,444 0,387 RF 0,971 0,237 0,190 0,850 0,562 0,475 MLP 0,949 0,319 0,259 0,860 0,507 0,438 Số liệu quan sát hiệu suất dự báo mơ hình DLNN MLP cho thấy, vượt trội mơ hình DLNN (R2 = 0,906, RMSE = 0,444, MAE = 0,387) so với MLP (R2 = 0,860, RMSE = 0,507, MAE = 0,438) tập kiểm tra (Bảng 2) Điều dẫn đến kết luận rằng, cấu trúc DLNN với ba lớp ẩn đạt khả dự đoán tốt ổn định so với mơ hình MLP chứa lớp ẩn Độ lệch giá trị dự báo thông số đầu xung quanh đường hồi quy tập huấn luyện kiểm tra thể Hình Giá trị thực tế dự báo biến đầu 49 mẫu tập kiểm tra minh họa Hình Hình Độ lệch xung quanh đường hồi quy mơ hình DLNN tập huấn luyện Hình Độ lệch xung quanh đường hồi quy mơ hình DLNN tập kiểm tra Hình Giá trị thực tế dự báo biến đầu tập kiểm tra Hình mơ tả mật độ phân bố xác suất sai số tuyệt đối biến đầu tập huấn luyện tập kiểm tra Có thể thấy rằng, mật độ phân bố xác suất sai số tuyệt đối khoảng giá trị -0,5 đến 0,5 thu tập huấn luyện đạt xấp xỉ 85%, tập kiểm tra 70% Giá trị sai số tuyệt đối giá trị dự báo giá trị thực tế tập huấn luyện tập kiểm tra minh họa Hình Hình Mật độ phân bố xác suất sai số tập huấn luyện tập kiểm tra Lê Trần Minh Đạt, Đồn Viết Long 48 Hình Giá trị sai số tuyệt đối tập huấn luyện Hình Giá trị sai số tuyệt đối tập kiểm tra Kết luận Trong nghiên cứu mơ hình mạng nơ-ron học sâu với ba lớp ẩn đề xuất so sánh với hai kỹ thuật máy học khác RF MLP để dự đoán độ mát khối lượng RC Một tập liệu bao gồm 162 mẫu thu thập từ tài liệu phục vụ cho việc huấn luyện kiểm tra mơ hình Việc xác nhận mơ hình đạt cách sử dụng số thống kê R2, RMSE, MAE Mơ hình DLNN cho giá trị R2 cao 0,906 giá trị RMSE MAE tương ứng thấp 0,444 0,387 tập kiểm tra Kết cho thấy mơ hình DLNN đề xuất cho hiệu suất dự báo vượt trội, mạnh mẽ ổn định so với mơ hình khác Do đó, DLNN coi cách tiếp cận phù hợp để dự đoán độ mát khối lượng bê tông chứa cốt liệu cao su ảnh hưởng nhiệt độ Lời cảm ơn: Bài báo hỗ trợ Trường Đại học Bách khoa - Đại học Đà Nẵng, mã số Đề tài: T2020-02-23 TÀI LIỆU THAM KHẢO [1] Bộ tài nguyên môi trường, “Báo cáo môi trường quốc gia”, 2010, 109-116 [2] Buši´c R, Miliˇcevi´c, I Kalman, Šipoš T, Strukar K, “Recycled Rubber as an Aggregate Replacement in Self-Compacting Concrete”, Literature Overview Materials, 11, 2018, 1729-1743 [3] D Snelson, J M Kinuthia, P Davies, S Chang, “Sustainable construction: Composite use of tyres and ash in concrete”, Waste Manage, 29, 2009, 360–367 [4] B S Thomas, R Ch Gupta, V J Panicker, “Recycling of waste tire rubber as aggregate in concrete: durability-related performance”, Journal of Cleaner Production, 112, 2016, 504–513 [5] O Youssf, R Hassanli, J E Mills, “Mechanical performance of FRPconfined and unconfined crumb rubber concrete containing high rubber content”, Journal of Building Engineering, 11, 2017, 115–126 [6] X Shu, B Huang, “Recycling of waste tire rubber in asphalt and Portland cement concrete: an overview”, Construction and Building Materials, 67, 2014, 217–224 [7] B S Thomas, R C Gupta, P Kalla, L Cseteneyi, “Strength, abrasion and permeation characteristics of cement concrete containing discarded rubber fine aggregates”, Construction and Building Materials, 59, 2014, 204–212 [8] L Zheng, X S Huo, Y Yuan, “Strength, modulus of elasticity, and brittleness index of rubberized concrete”, Journal of Materials in Civil Engineering, 20, 2008, 692–699 [9] M Záleská, Z Pavlík, D Cˇítek, O Jankovsky´, M Pavlíková, “Ecofriendly concrete with scrap-tyre-rubber-based aggregate – Properties and thermal stability”, Construction and Building Materials, 225, 2019, 709-722 [10] A A Aliabdo, A E M A Elmoaty, M M Abdelbased, “Utilization of waste rubber in non-structural applications”, Construction and Building Materials, 91, 2015, pp 195–207 [11] G Girskas, D Nagrockiene, “Crushed rubber waste impact of concrete basic properties”, Construction and Building Materials, 140, 2017, 36–42 [12] K Gnana Sheela, S N Deepa, “Review on Methods to Fix Number of Hidden Neurons in Neural Networks”, Mathematical Problems in Engineering, vol 2013, 2013, 45-56 [13] T Gupta, K A Patel, S Siddique, R K Sharma, S Chaudhary, “Prediction of mechanical properties of rubberised concrete exposed to elevated temperature using ANN”, Measurement, 147, 2019, 106870 [14] M Hadzima-Nyarko, E K Nyarko, N Ademovi´c, I Miliˇcevi´c, T K Šipoš, “Modelling the Influence of Waste Rubber on Compressive Strength of Concrete by Artificial Neural Networks”, Materials, 561, 2019, 154-165 [15] A Abdollahzadeh, R Masoudnia, S Aghababaei, “Predict Strength of Rubberized Concrete Using Artificial Neural Network”, Wseas Transactions on Computers, 2, 2011, 31–40 [16] M Gesoglu, E Guneyisi, T Ozturan, E Ozbay, “Modeling the mechanical properties of rubberized concretes by neural network and genetic programming”, Materials and Structures, 43, 2010, 42-57 [17] T Gupta, S Siddique, R.K Sharma, S Chaudhary, “Effect of elevated temperature and cooling regimes on mechanical and durability properties of concrete containing waste rubber fiber”, Constructuion and Building Materials, 137, 2017, 35–45 [18] Goodfellow, I Bengio, Y Courville, “Deep Learning (Adaptive Computation and Machine Learning series)”, The MIT Press, 2016, ISBN-10: 0262035618 [19] D P Kingma, Ba J, “Adam: a method for stochastic optimization”, Proceedings of the 3rd International Conference on Learning Representations (ICLR), San Diego, 2015 [20] M Leshno, V Y Lin, A Pinkus, S Schocken, “Multilayer feedforward networks with a nonpolynomial activation function can approximate any function”, Neural Network, 6, 1993, 861–867 ... phù hợp để dự đoán độ mát khối lượng bê tông chứa cốt liệu cao su ảnh hưởng nhiệt độ Lời cảm ơn: Bài báo hỗ trợ Trường Đại học Bách khoa - Đại học Đà Nẵng, mã số Đề tài: T2020-02-23 TÀI LIỆU THAM... giá trị dự đoán tham số đầu Cụ thể, độ mát khối lượng bê tông chứa vụn cao su tác dụng nhiệt độ Các số RMSE MAE biểu thị cho việc đánh giá lỗi mơ hình dự báo Giá trị R2 cao cho thấy, hiệu su? ??t tốt... nghiên cứu Bài báo đề xuất mơ hình mạng nơ ron học sâu (DLNN) hiệu gồm lớp đầu vào (4 nơ-ron, bias), lớp đầu (1 nơ-ron) 22 nơron lớp ẩn để dự đoán độ mát khối lượng RC tác dụng nhiệt độ Bên cạnh đó,