Một vấn đề quan trọng trong đánh giá tính năng kháng chấn cho công trình cầu, khung hay nhà cao tầng bê tông cốt thép (BTCT) là nhận dạng dạng phá hoại của trụ/cột. Trong nghiên cứu này, một phương pháp dựa trên kỹ thuật học máy được trình bày nhằm dự đoán dạng phá hoại của cột BTCT chịu động đất.
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 20, NO 7, 2022 13 NGHIÊN CỨU DỰ ĐOÁN DẠNG PHÁ HOẠI CỦA CỘT BÊ TÔNG CỐT THÉP TIẾT DIỆN CHỮ NHẬT CHỊU ĐỘNG ĐẤT DỰA TRÊN MẠNG NƠRON NHÂN TẠO A STUDY ON FAILURE MODE PREDICTION OF RECTANGULAR REINFORCED CONCRETE COLUMNS SUBJECTED TO EARTHQUAKES USING ARTIFICIAL NEURAL NETWORK Nguyễn Đặng Đại Nam, Trần Văn Rin, Nguyễn Đình Qn, Phan Hồng Nam *, Nguyễn Văn Mỹ Trường Đại học Bách khoa - Đại học Đà Nẵng1 *Tác giả liên hệ: phnam@dut.udn.vn (Nhận bài: 27/5/2022; Chấp nhận đăng: 24/6/2022) Tóm tắt - Một vấn đề quan trọng đánh giá tính kháng chấn cho cơng trình cầu, khung hay nhà cao tầng bê tơng cốt thép (BTCT) nhận dạng dạng phá hoại trụ/cột Trong nghiên cứu này, phương pháp dựa kỹ thuật học máy trình bày nhằm dự đốn dạng phá hoại cột BTCT chịu động đất Mô hình dự đốn dùng mạng nơ ron nhân tạo (ANN) huấn luyện liệu gồm 272 thí nghiệm gia tải lặp đảo chiều cột BTCT tiết diện chữ nhật, với biến đầu vào bao gồm tỷ số hình dạng, tỷ số tải trọng dọc trục, số cốt thép chủ số cốt thép đai, đầu ba dạng phá hoại gồm phá hoại uốn, phá hoại uốn-cắt phá hoại cắt cột Mơ hình ANN sau đánh giá thông qua tập liệu xác thực; kết thể độ xác cao mơ hình việc dự đoán dạng phá hoại cột Abstract - An important step in the framework of seismic evaluations of reinforced concrete (RC) bridges, frames, or buildings is the identification of failure modes of RC piers/columns In this paper, a new efficient method is presented to classify failure modes of RC columns due to earthquake loadings In this regard, a machine learning technique, i.e., artificial neural network (ANN), is used with a dataset of 272 quasi-static cyclic tests of RC columns, in which four parameters are used as the input for the ANN model development, i.e., aspect ratio, axial load ratio, longitudinal reinforcement index, and transverse reinforcement index, and the output is one among three failure modes of columns, i.e., flexure failure, flexure-shear failure, and shear failure The validation of the ANN model based on test data provides a desirable accuracy in specifying the column failure mode Từ khóa - cột bê tơng cốt thép; dạng phá hoại; thí nghiệm gia tải lặp đảo chiều; học máy; mơ hình ANN Key words - reinforced concrete column; failure mode; quasistatic cyclic test; machine learning; ANN model Đặt vấn đề đất, là: (i) Phá hoại cắt; (ii) Phá hoại uốn-cắt (iii) phá hoại uốn [4-8] Trong đó: - Phá hoại cắt chế phá hoại xuất sức kháng cắt cột nhỏ lực cắt gây tải trọng động đất, biểu vết nứt chéo góc 45 độ Loại phá hoại xảy đột ngột xuất trước cốt thép chịu kéo đạt giới hạn chảy (còn gọi phá hoại giịn) Đây dạng phá hoại khơng mong muốn xét từ quan điểm thiết kế kết cấu BTCT (xem Hình 1a) Phá hoại uốn-cắt chế phá hoại cắt cột sau cốt thép chịu kéo đạt giới hạn chảy Đối với dạng phá hoại này, bê tông vùng nén bị nghiền nát bê tông vùng kéo xuất vết nứt thẳng theo chiều sâu tiết diện Tiếp theo, lực cắt tải trọng động đất vượt sức kháng cắt cột, vết nứt chéo góc 45 độ đồng thời xuất (xem Hình 1b) Phá hoại uốn chế phá hoại trường hợp cột đảm bảo khả chịu cắt (tức sức kháng cắt cột lớn nhiều so với lực cắt tải trọng động đất), cốt thép vùng kéo đạt giới hạn chảy cột chuyển sang làm việc trạng thái dẻo Phá hoại biểu nghiền nát bê tông vùng nén vùng kéo xuất vết nứt thẳng theo chiều sâu tiết diện Phá hoại uốn xảy dạng phá hoại mong muốn xét từ quan điểm thiết kế kết cấu BTCT (xem Hình 1c) Các nghiên cứu đánh giá chế phá hoại cột BTCT Sự tác động tàn phá nặng nề trận động đất đến hạ tầng xây dựng chứng minh qua nhiều trận động đất quy mô lớn lịch sử Chi Chi (Đài Loan, 1999), Kocaeli (Thổ Nhĩ Kỳ, 1999) hay Tohoku (Nhật Bản, 2011) Trong đó, phá hủy phần hay hồn tồn cơng trình bê tơng cốt thép (BTCT) nhà cao tầng cơng trình cầu ghi nhận Nguyên nhân chủ yếu tải trọng ngang tác dụng theo chu kì với gia tốc lớn, gây phá hoại trực tiếp lên kết cấu trụ/cột Sự phá hoại kết cấu gây sụp đổ phần hay tồn cơng trình [1, 2] Các nghiên cứu lý thuyết thực nghiệm sau trận động đất số nguyên nhân dẫn đến phá hoại cột BTCT, điển hình là: (i) Cột thiết kế bỏ qua xem xét không mức tác động động đất; (ii) Sự xuống cấp kết cấu BTCT theo thời gian tác động môi trường [3] Trước thực tế đó, nhiều nhà nghiên cứu tập trung vào đánh giá ứng xử địa chấn cột BTCT khung, nhà cao tầng hay cầu cũ thông qua nghiên cứu lý thuyết thực nghiệm nhằm phân loại dạng phá hoại, mơ xác ứng xử động học Trên sở đó, phương pháp gia cường kháng chấn đề xuất nhằm nâng cao khả kháng chấn cơng trình ứng với mục tiêu tính định Kết nghiên cứu vấn đề chế phá hoại cột BTCT q trình xảy động The University of Danang - University of Science and Technology (Nguyen Dang Dai Nam, Tran Van Rin, Nguyen Dinh Quan, Phan Hoang Nam, Nguyen Van My) 14 Nguyễn Đặng Đại Nam, Trần Văn Rin, Nguyễn Đình Quân, Phan Hoàng Nam, Nguyễn Văn Mỹ chịu tải trọng động đất thực nhiều thập niên trở lại Điển hình, Sezen Moehle [5] xây dựng mơ hình cường độ chịu cắt cho cột BTCT tiết diện chữ nhật với hàm lượng cốt đai thấp, dựa 51 mẫu thí nghiệm cột chịu tải trọng ngang Từ tác giả đề xuất phương pháp phân loại dạng phá hoại cột dựa tham số cường độ chịu cắt Kim cs [6] đề xuất phương pháp phân loại khác thông qua số phá hoại xác định dựa ứng xử trễ cột Zhu cs [7] trình bày phương pháp để phân loại dạng phá hoại cắt uốn cột BTCT tồn dựa tham số cường độ chịu cắt hàm lượng cốt thép đai Qi cs [8] xem xét thêm tham số tỷ lệ chiều dài nhịp hữu hiệu chiều sâu tiết diện cột, tỷ lệ khoảng cách cốt thép đai chiều cao cột Trên sở mô hình cường độ dạng phá hoại cột xác định, nghiên cứu tập trung xây dựng mơ hình vật liệu đơn trục cho ứng xử phi tuyến cột, đặc biệt mơ hình phá hoại cắt áp dụng cho kết cấu BTCT cũ tồn [9] nghiên cứu Trong đó, biến đầu vào mơ hình bao gồm tham số cột tỷ số hình dạng (tỷ lệ chiều dài nhịp hữu hiệu chiều sâu tiết diện cột), tỷ số tải trọng dọc trục, số cốt thép chủ số cốt thép đai Biến đầu ba dạng phá hoại, phá hoại uốn, phá hoại uốn-cắt phá hoại cắt Mơ hình mạng trước hết tối ưu thơng qua phân tích tham số hàm huấn luyện kiến trúc mạng Tính xác mơ hình sau đánh giá thơng qua tập liệu xác thực Thu thập liệu thí nghiệm Dữ liệu huấn luyện xác thực nghiên cứu tập hợp từ 272 kết thí nghiệm gia tải lặp đảo chiều mẫu cột BTCT có tiết diện vng chữ nhật Các liệu thu thập từ nhiều nguồn, đa số thu thập từ liệu NEEShub [12], PEER [13], đồng thời từ kết nghiên cứu số tác Bayrak Sheikh [14], Xiao Yun [15], Lynn cộng [16], Mo Wang [17] Hình Ví dụ mơ hình thí nghiệm gia tải lặp đảo chiều cột BTCT Hình Ví dụ dạng phá hoại điển hình cột BTCT chịu tải trọng ngang [4] Trong năm gần đây, lĩnh vực học máy trí tuệ nhân tạo phát triển mạnh mẽ ứng dụng nhiều ngành khoa học khác nhau, đặc biệt kỹ thuật động đất Trong số đó, mạng nơ ron nhân tạo (ANN) phương pháp điển hình, sử dụng phổ biến Nhiều nghiên cứu ứng dụng mơ hình ANN để ước lượng cường độ chịu cắt phân loại dạng phá hoại kết cấu BTCT Điển hình, Nam cs [10] sử dụng mơ hình ANN dựa 800 mẫu thí nghiệm gia tải lặp đảo chiều để ước lượng tham số cho mơ hình dẻo cột BTCT Mangalathu Jeon [11] so sánh kỹ thuật học máy khác việc phân loại kiểu phá hoại cột BTCT tiết diện tròn Kết nghiên cứu thể tính ưu việt mơ hình ANN việc phân loại chuẩn xác kiểu phá hoại cột so với kỹ thuật học máy khác phương pháp truyền thống trước Với việc hướng tới đối tượng cột BTCT tiết diện chữ nhật, nghiên cứu báo tập trung phát triển mơ hình học máy dựa mạng ANN nhằm dự đoán dạng phá hoại cột chịu tải trọng ngang, phục vụ cho mơ hình hóa ứng xử kết cấu chịu tải trọng động đất Mơ hình ANN huấn luyện xác thực sử dụng liệu gồm 272 thí nghiệm gia tải lặp đảo chiều cột BTCT thu thập từ Hình Ví dụ kết ứng xử trễ cột từ thí nghiệm gia tải lặp đảo chiều Dữ liệu chọn lọc từ thí nghiệm theo tiêu chí giới hạn sau: (i) Chỉ xét cột có tiết diện vng chữ nhật (ii) Trong q trình gia tải tĩnh, cột chịu tác dụng tải trọng dọc trục khơng đổi (iii) Quy trình gia tải thực đến cột xuất hư hỏng bị phá hoại Ví dụ mơ hình thí nghiệm gia tải lặp đảo chiều cho cột BTCT thể Hình Hình thể ví dụ kết ứng xử trễ mẫu cột C1-1 (quan hệ tải trọng ngang – chuyển vị đỉnh cột) từ thí nghiệm Mo Wang [17] Mẫu cột với thơng số ghi hình ghi nhận bị phá hoại uốn ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 20, NO 7, 2022 Bảng Các tham số liệu thu thập Tên tham số mẫu Chiều rộng tiết diện cột (m) Chiều sâu tiết diện cột (m) Chiều dài nhịp hữu hiệu (m) Tỉ lệ diện tích cốt thép chủ Tỉ lệ thể tích cốt thép đai Cường độ chịu nén bê tông (MPa) Cường độ chảy cốt thép chủ (MPa) Cường độ chảy cốt thép đai (MPa) Tỉ số lực dọc trục 10 Tỷ số hình dạng STT Kí hiệu Khoảng giá trị 𝐵 (0,08-0,9144) 𝐷 (0,08-0,9144) (0,08-2,335) 𝐿 𝜌𝑙 (0,003-0,603) 𝜌𝑣 (0,0016-0,0731) 𝑓’𝑐 (16,00-118) 𝑓𝑦 (317,91-587,10) (249,001424,00) 𝑃/( 𝑓’𝑐 𝐴𝑔 ) (0,00-0,90) 𝐿/𝐷 (1,00-7,6378) 𝑓𝑦ℎ 15 số cốt thép đai (𝜌𝑣 𝑓𝑦ℎ /𝑓𝑡 ) (với 𝑓𝑡 cường độ chịu kéo bê tơng) [11] Hình thể phân bố liệu ứng với tham số đầu vào mơ hình mạng Các biểu đồ thực ứng với quan hệ (𝐿/𝐷 𝑃/𝑓’𝑐 𝐴𝑔 ), (𝐿/𝐷 𝜌𝑙 𝑓𝑦 /𝑓𝑐′ ), (𝐿/𝐷 𝜌𝑣 𝑓𝑦ℎ /𝑓𝑡 ) Trong đó, dạng phá hoại uốn gán nhãn Loại 1, phá hoại cắt Loại phá hoại uốn cắt Loại Có thể nhận xét sơ rằng, giá trị biến đầu vào có mối tương quan định với tỷ số hình dạng 𝐿/𝐷 Trong dạng phá hoại Loại xảy trường hợp có tỷ số hình dạng nhỏ, 𝐿/𝐷 từ đến 3, dạng phá hoại Loại xảy diện rộng tỷ số hình dạng, 𝐿/𝐷 từ đến Chỉ số cốt thép đai ảnh hưởng lớn đến dạng hư hỏng cột Quan sát từ Hình cho thấy, dạng phá hoại Loại xảy trường hợp có hàm lượng cốt thép đai thấp, với khoảng giá trị số 𝜌𝑣 𝑓𝑦ℎ /𝑓𝑡 từ đến Cũng lưu ý thêm, có độ lệch định số lượng mẫu dạng phá hoại Trong mẫu phá hoại Uốn chiếm phần lớn (219 mẫu), mẫu phá hoại Uốn-Cắt (43 mẫu) Cắt (10 mẫu) chiếm tỷ lệ Mơ hình ANN 3.1 Tổng quan mơ hình ANN Mạng lưới thần kinh sinh học (biological neural network) quan sinh học quan trọng sinh vật, tập hợp số lượng lớn tế bào thần kinh hay gọi nơ ron Mỗi nơ ron gồm ba thành phần chính: - Dây thần kinh vào (dendrite): nơi tiếp nhận tín hiệu đưa tín hiệu vào nhân; - Thân nơ ron (nhân soma): tiếp nhận tín hiệu phát xung thần kinh; - Dây thần kinh (axon): nối với dây thần kinh tế bào nơ ron khác thông qua khớp synapse; Các nơ ron kết nối với tạo thành hệ truyền xung điện từ nơ ron qua nơ ron khác Sự hình thành kiến thức đồng thời xảy thay đổi xung điện từ, cường độ liên kết mạnh khớp thần kinh Từ đây, nhà nghiên cứu tìm cách mơ lại làm việc mạng lưới thần kinh sinh học tạo mơ hình mạng lưới thần kinh nhân tạo ANN Hình Phân bố liệu ứng với tham số đầu vào Bộ liệu sau sàng lọc thống kê dựa 10 tham số cho Bảng với khoảng giá trị tương ứng Các tham số sử dụng để tính tốn tham số đầu vào mơ hình mạng tỷ số hình dạng (𝐿/𝐷), tỷ số tải trọng dọc trục (𝑃/𝑓’𝑐 𝐴𝑔 ), số cốt thép chủ (𝜌𝑙 𝑓𝑦 /𝑓𝑐′ ) Hình Kiến trúc tổng quát mạng nơ ron nhân tạo Mạng lưới thần kinh nhân tạo ANN chuỗi thuật toán xử lý thông tin mô dựa theo mạng lưới thần kinh sinh học Mơ hình tìm kiếm mối quan hệ tập liệu thông qua chuỗi thuật tốn, thích ứng với thay đổi đầu vào, điều chỉnh trọng số kết tốt 16 Nguyễn Đặng Đại Nam, Trần Văn Rin, Nguyễn Đình Qn, Phan Hồng Nam, Nguyễn Văn Mỹ Mạng nơ ron nhân tạo có phân lớp thể Hình 5, đó: - Input layer (Phân lớp vào): Phân lớp đầu tiên, thể đầu vào mạng - Hidden layer (Phân lớp ẩn): Phân lớp nằm giữa, thể trình suy luận logic mạng - Output layer (Phân lớp ra): Phân lớp cuối cùng, thể đầu mạng Một nơ ron nhân tạo xử lý thông tin mô tả Hình 6, cụ thể: - Các tín hiệu đầu vào (input signals): Là thông tin đưa vào đầu nơ ron - Trọng số liên kết (synaptic weights): Mỗi liên kết thể trọng số Quá trình học, huấn luyện ANN thực chất trình điều chỉnh, cập nhật trọng số để có kết mong muốn - Hàm tổng (summation function): Dùng để tính tổng tích trọng số với input đưa vào nơ ron - Độ lệch (bias): Khi độ lệch nhỏ thuật tốn tối ưu - Hàm kích hoạt (activation function) hay hàm truyền (transfer function): Kết xử lý nơ ron đơi lớn, đó, hàm truyền sử dụng để xử lý, giới hạn phạm vi đầu nơ ron Hàm truyền thường hàm phi tuyến, lựa chọn dựa yêu cầu toán kinh nghiệm người thiết kế mạng Hình Q trình xử lý thơng tin nơ ron nhân tạo 3.2 Thiết lập mơ hình dự đoán 3.2.1 Ảnh hưởng thuật toán huấn luyện Theo nghiên cứu, khơng có quy định cụ thể việc lựa chọn hàm huấn luyện thuật tốn huấn luyện cho mơ hình mạng ANN Việc thiết lập mơ hình mạng phụ thuộc vào nhiều yếu tố trường hợp cụ thể liệu huấn luyện, số lượng nút đầu vào đầu Do đó, nghiên cứu này, phân tích tham số cho 12 mơ hình huấn luyện mạng thể Bảng trước hết thực Mô hình mạng trình huấn luyện thể Hình Trong đó, mơ phân tích thực ngơn ngữ lập trình Matlab phiên 2021b với máy tính có vi xử lý core i7 hệ 10 16g ram Hình Mơ hình ANN q trình huấn luyện Mạng thần kinh lan truyền thẳng (feedforward network) lựa chọn nghiên cứu cho nhận dạng mẫu (pattern recognition) Đây mạng thần kinh nhân tạo kết nối nút khơng hình thành chu trình Trong mạng này, thơng tin di chuyển chiều hướng đến- từ nút đầu vào, thông qua nút ẩn đến nút đầu Khơng có chu trình (chu kỳ) vịng lặp mạng Đối với kiến trúc mạng, trường hợp mạng nơ ron lớp ẩn gồm 10 nơ ron lựa chọn cho phân tích Các tham số khác cho mơ số lần lặp (Epoch), tốc độ huấn luyện (learning rate), khoảng suy giảm độ dốc (gradient descent), khoảng sai số (performance) lấy tham số mặc định Matlab Kết phân tích tham số cho mơ hình mạng tối ưu thể Bảng Hình Trong đó, ảnh hưởng thời gian huấn luyện, sai số dự đoán MSE (sai số tồn phương trung bình), hiệu phân loại mơ hình khảo sát Kết rằng, thuật toán huấn luyện Bayesian Regularization hàm trainbr cho kết dự đoán tốt với sai số MSE nhỏ hiệu suất phân loại 95% với thời gian huấn luyện 5,3 s Cũng nhận xét thêm đa số hàm huấn luyện tiêu tốn thời gian nhiên hiệu phân loại khơng cao Trong đó, số hàm khác GDM GD tiêu tốn thời gian huấn luyện lớn nhiều so với hàm lại Xét tiêu chí hiệu dự đốn, hàm trainoss cho hiệu ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 20, NO 7, 2022 phân loại cao 95%, nhiên sai số MSE lớn hàm trainbr Bảng Các hàm huấn luyện sử dụng phân tích tham số Hàm huấn luyện trainlm trainbr trainbfg trainrp trainscg traincgb traincgf traincgp trainoss traingdx traingdm traingd Thuật toán Levenberg-Marquardt (LM) Bayesian Regularization (BR) BFGS Quasi-Newton (BFG) Resilient Backpropagation (RP) Scaled Conjugate Gradient (SCG) Conjugate Gradient with Powell/Beale Restarts (CGB) Fletcher-Powell Conjugate Gradient (CGF) Polak-Ribiére Conjugate Gradient (CGP) One Step Secant (OSS) Variable Learning Rate Gradient Descent (GDX) Gradient Descent with Momentum (GDM) Gradient Descent (GD) Bảng Ảnh hưởng hàm huấn luyện đến thời gian Hàm huấn luyện T gian (s) Hàm huấn luyện T gian (s) LM BR BFG RP SCG CGB 0,8 5,3 0,2 0,1 0,1 0,1 CGF CGP OSS GDX GDM GD 0,1 0,1 0,1 0,2 16,6 14,8 17 suất phân loại > 97% Bên cạnh đó, trường hợp với số lượng nơ ron / lớp ẩn 16 đến 22 cho kết hiệu suất phân loại cao Dựa kết phân tích tham số trường hợp hàm huấn luyện số nơ ron/ lớp ẩn, thuật toán lan truyền thẳng với hàm trainbr 28 nơ ron/ lớp ẩn cho kết dự đoán/ phân loại tốt Q trình huấn luyện mơ hình tối ưu tập huấn luyện xác thực với sai số tối ưu bước lặp 273 (a) (b) Hình Ảnh hưởng số lượng nơ ron lớp ẩn đến sai số (a) hiệu suất (b) mơ hình dự đốn (a) Đánh giá mơ hình Việc đánh giá hiệu suất phân loại mơ hình thực dựa tập liệu xác thực gồm 41 mẫu thí nghiệm Tập liệu xác thực tách cách ngẫu nhiên mơ hình từ liệu đầu vào (15% tập liệu đầu vào) không bao gồm tập huấn luyện (b) Hình Ảnh hưởng hàm huấn luyện đến sai số (a) hiệu suất (b) mơ hình dự đốn Dựa kết phân tích, kết luận mơ hình huấn luyện trainbr với thuật toán Bayesian Regularization lựa chọn hàm tối ưu cho mơ hình huấn luyện 3.2.2 Ảnh hưởng kiến trúc mạng Tiếp theo, kiến trúc mạng tối ưu thơng qua phân tích tham số xác định ảnh hưởng số nơ ron lớp ẩn tới hiệu suất phân loại Trong phân tích này, trường hợp ứng với đến 30 nơ ron / lớp ẩn thực Tại bước huấn luyện, hiệu suất phân loại mơ hình sai số MSE ghi lại thể Hình Có thể kết luận rằng, mạng ANN với 28 nơ ron / lớp ẩn cho kết dự đoán tốt với sai số MSE < 0,01 hiệu Hình 10 Kiểm chứng hiệu suất mơ hình huấn luyện thơng qua tập xác thực gồm 41 kết thí nghiệm Trong tập xác thực, số lượng mẫu bị phá hoại Loại 36 mẫu, Loại mẫu Loại mẫu Kết đánh giá hiệu suất dự đoán thể ma trận hiệu suất (hay ma trận nhầm lẫn) (Hình 10), với tổng hiệu suất phân 18 Nguyễn Đặng Đại Nam, Trần Văn Rin, Nguyễn Đình Quân, Phan Hoàng Nam, Nguyễn Văn Mỹ loại 97,6% Số liệu ghi nhận cao trường hợp nghiên cứu Mangalathu Jeon [11], với hiệu suất phân loại mơ hình ANN 91% mẫu cột có tiết diện trịn Một cách cụ thể, dạng phá hoại Loại dự đoán với độ xác 100% dạng phá hoại Loại dự đốn với độ xác 97,2% Có thể kết luận nghiên cứu này, mơ hình mạng tối ưu thiết lập, với hiệu suất phân loại cao Do đó, mơ hình ứng dụng để xác định dạng phá hoại cột BTCT tiết diện chữ nhật (trong cơng trình cũ mới) với số liệu đầu vào bao gồm tiết diện chiều cao cột, số lượng, loại cốt thép chủ cốt thép đai, hiệu ứng tải trọng dọc trục tác dụng lên cột Việc đánh giá xác dạng phá hoại cho phép xác định cường độ chịu cắt cột từ mơ hình cường độ từ xây dựng mơ hình ứng xử phi tuyến cột chịu tải trọng tĩnh động Kết có ý nghĩa toán đánh giá khả làm việc cột trình chịu động đất từ đề xuất giải pháp thiết kế gia cường kháng chấn cho cột, đặc biệt cơng trình cũ tồn bị bỏ qua thiết kế kháng chấn Kết luận Bài báo xây dựng mơ hình học máy dựa mạng ANN, nhằm dự đoán dạng phá hoại cột BTCT tiết diện chữ nhật Mơ hình dự đốn huấn luyện dựa gồm 272 liệu thí nghiệm gia tải lặp đảo chiều cột BTCT Nghiên cứu thể tính việc áp dụng trí tuệ nhân tạo vào tốn dự đốn, phân loại đặc biệt chưa có nghiên cứu nước giới thực dự đoán loại mẫu cột Một số kết luận rút sau: (i) Mơ hình lan truyền thẳng với thuật toán Bayesian Regularization tối ưu mặt thời gian độ xác trường hợp (ii) Kiến trúc mạng tối ưu hóa sử dụng lớp ẩn số lượng nơ ron / lớp ẩn 28 nơ ron (iii) Việc sử dụng phương pháp mạng nơ ron nhân tạo cho kết khả quan với độ xác lên đến 97,6% so với kết thí nghiệm thực tế Kết cao nhiều so với nghiên cứu gần cho mẫu cột tiết diện tròn (iv) Kết nghiên cứu có ý nghĩa thực tiễn việc dự đốn xác dạng phá hoại cột BTCT khung, nhà cao tầng cầu cũ chịu tải trọng động đất (v) Kết nghiên cứu tiền đề cho toán đánh giá khả làm việc cơng trình chịu tải trọng động đất đề xuất giải pháp thiết kế gia cường kháng chấn cho cột BTCT công trình nhà/ cầu cũ Bên cạnh đó, hiệu suất phân loại phụ thuộc lớn vào số lượng liệu cho việc huấn luyện mạng Đối với nghiên cứu này, dạng phá hoại có số mẫu chênh lệch lớn, ảnh hưởng đáng kể đến hiệu suất phân loại mơ hình Các nghiên cứu tiếp tục hoàn thiện liệu với việc thu thập kết mơ hình số tiến hành cập nhật lại mơ hình ANN để nâng cao hiệu suất cho mơ hình Lời cảm ơn: Nghiên cứu tài trợ Bộ Giáo dục Đào tạo đề tài có mã số B2022-DNA-15 Một số kết nghiên cứu báo cáo “Hội nghị sinh viên nghiên cứu khoa học lần thứ 19, Khoa Xây dựng Cầu đường - Trường Đại học Bách khoa” TÀI LIỆU THAM KHẢO [1] Nam, P H., Khoa, V N., Vĩnh, N H., & Hoa, H P., “Phân tích ứng xử địa chấn kiểm soát hư hại kết cấu trụ cầu bê tông cốt thép sử dụng phương pháp phân tích tĩnh động phi tuyến”, Tạp chí Khoa học Công nghệ - Đại học Đà Nẵng, 19(9), 2021, 37-42 [2] Hoang, P H., Phan, H N., Nguyen, D T., & Paolacci, F., “Kriging metamodel-based seismic fragility analysis of single-bent reinforced concrete highway bridges”, Buildings, 11(6), 2021, 238 [3] He, R., Yang, Y., & Sneed, L H., “Seismic repair of reinforced concrete bridge columns: Review of research findings”, Journal of Bridge Engineering, 20(12), 2015, 04015015 [4] Yoshikawa, H., & Miyagi, T., “Ductility and failure modes of single reinforced concrete columns”, Nippon Konkurito Kogaku Kyokai Ronbunshu, 51(1), 1999, 229-244 [5] Sezen, H., Moehle, J P., “Shear strength model for lightly reinforced concrete columns”, Journal of Structural Engineering, 130(11), 2004, 1692-1703 [6] Kim, T.H., Lee, K.M., Chung, Y.S & Shin, H M., “Seismic damage assessment of reinforced concrete bridge columns”, Engineering Structures, 27(4), 2005, 576-592 [7] Zhu, L., Elwood, K.J & Haukaas, T “Classification and seismic safety evaluation of existing reinforced concrete columns”, Journal of Structural Engineering, 133(9), 2007, 1316-1330 [8] Qi Y.L., Han X.L & Ji J., “Failure mode classification of reinforced concrete column using Fisher method”, Journal of Central South University, 20(10), 2013, 2863-2869 [9] Phan, H N., Paolacci, F., Bursi, O S., & Tondini, N., “Seismic fragility analysis of elevated steel storage tanks supported by reinforced concrete columns”, Journal of Loss Prevention in the Process Industries, 47, 2017, 57-65 [10] Nam, P H., Hùng, H M., Hải, N M., & Hoa, H P., “Mơ hình hóa khớp dẻo đánh giá phá hoại địa chấn cột bê tông cốt thép dựa mạng nơron nhân tạo”, Tạp chí Khoa học Cơng nghệ Xây dựng (KHCNXD)-ĐHXDHN, 15(7V), 2021, 119-130 [11] Mangalathu, S & Jeon, J S., “Machine learning-based failure mode recognition of circular reinforced concrete bridge columns: Comparative study”, Journal of Structural Engineering, 145(10), 2019, 04019104 [12] NEEShub, “The NEES databases”, DEEDS, 2016, [online] https://datacenterhub.org/resources/395 [13] Michael, B., Myles, P., Marc, E., PEER structural performance database, Pacific Earthquake Engineering Research Center, University of California, Berkeley, 2004 [14] Bayrak, O & D Sheikh, S., Confinement steel requirements for high strength concretecolumns, The 11th World Conference on Earthquake Engineering, Acapulco, Mexico, 1996 [15] Xiao Y & Yun., H W., “Experimental studies on full-scale high-strength concrete columns”, ACI Structural Journal, 99(2), 2002, 199-207 [16] Lynn, A., Seismic evaluation of existing reinforced concrete building columns, University of California at Berkeley, 1999 [17] Mo, Y L., & Wang, S J., “Seismic behavior of rc columns with various tie configurations”, Journal of Structural Engineering, 126(10), 2000, 1122-1130 ... xây dựng mơ hình học máy dựa mạng ANN, nhằm dự đoán dạng phá hoại cột BTCT tiết diện chữ nhật Mơ hình dự đoán huấn luyện dựa gồm 272 liệu thí nghiệm gia tải lặp đảo chiều cột BTCT Nghiên cứu. .. tượng cột BTCT tiết diện chữ nhật, nghiên cứu báo tập trung phát triển mơ hình học máy dựa mạng ANN nhằm dự đoán dạng phá hoại cột chịu tải trọng ngang, phục vụ cho mơ hình hóa ứng xử kết cấu chịu. .. với nghiên cứu gần cho mẫu cột tiết diện tròn (iv) Kết nghiên cứu có ý nghĩa thực tiễn việc dự đốn xác dạng phá hoại cột BTCT khung, nhà cao tầng cầu cũ chịu tải trọng động đất (v) Kết nghiên cứu