1. Trang chủ
  2. » Giáo Dục - Đào Tạo

Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo

134 104 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 134
Dung lượng 7,09 MB

Nội dung

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ LÊ MINH CHÁNH DỰ ĐOÁN KHẢ NĂNG CHỊU UỐN CỦA DẦM BÊ TƠNG CỐT THÉP BỊ ĂN MỊN SỬ DỤNG MƠ HÌNH TRÍ TUỆ NHÂN TẠO NGÀNH: KỸ THUẬT XÂY DỰNG SKC007712 Tp Hồ Chí Minh, tháng 7/2022 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ LÊ MINH CHÁNH DỰ ĐOÁN KHẢ NĂNG CHỊU UỐN CỦA DẦM BÊ TƠNG CỐT THÉP BỊ ĂN MỊN SỬ DỤNG MƠ HÌNH TRÍ TUỆ NHÂN TẠO NGÀNH: KỸ THUẬT XÂY DỰNG - 8580201 Hướng dẫn khoa học: TS NGUYỄN THANH HƯNG Tp Hồ Chí Minh, tháng 07/2022 LÝ LỊCH KHOA HỌC I LÝ LỊCH SƠ LƯỢC: Họ & tên: LÊ MINH CHÁNH Giới tính: Nam Ngày, tháng, năm sinh: 18/01/1994 Nơi sinh: Tiền Giang Quê quán: Đăng Hưng Phước, Chợ Gạo, Tiền Giang Dân tộc: Kinh Địa liên lạc: Số Nhà 103, Tổ 4, Ấp Đăng Nẵm, Xã Đăng Hưng Phước, Huyện Chợ Gạo, Tỉnh Tiền Giang Điện thoại: 0387.242.216 E-mail: leminhchanhxd@gmail.com II QUÁ TRÌNH ĐÀO TẠO: Đại học: Hệ đào tạo: Vừa Làm Vừa Học Thời gian đào tạo từ 04/2016 đến 04/2019 Nơi học (trường, thành phố): Trường Đại Học Bách Khoa TP Hồ Chí Minh Ngành học: Kỹ Thuật Xây Dựng Tên đồ án, luận án môn thi tốt nghiệp: CHUNG CƯ ELYS GRADEN Ngày & nơi bảo vệ đồ án, luận án thi tốt nghiệp: Tại trường: 25/01/2019 Người hướng dẫn: TS ĐOÀN NGỌC TỊNH NGHIÊM - TS LÊ TRỌNG NGHĨA III Q TRÌNH CƠNG TÁC CHUN MƠN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Thời gian 05/2019 - 01/2020 01/2020 - Nay 06/2020 - Nay 06/2021 - Nay Nơi công tác CÔNG TY CỔ PHẦN ĐT XÂY DỰNG TM & DV KHẢI MINH CÔNG TY CỔ PHẦN ĐT XÂY DỰNG TM & DV KHẢI MINH CÔNG TY TNHH TVGS XÂY DỰNG STARHOUSE CÔNG TY TNHH TVGS XÂY DỰNG STANDARD HOME GROUP Cơng việc đảm nhiệm Phó Chỉ Huy Cơng Trình Giám Đốc Điều Hành Giám Sát Trưởng Giám Đốc Công Ty i LỜI CAM ĐOAN Tơi hồn tồn cam đoan: Luận văn này, cơng trình nghiên cứu thực tôi, thực sở nghiên cứu lý thuyết, nghiên cứu khảo sát ứng dụng thực hành Đồng thời, số liệu kết trình bày luận văn hồn tồn trung thực, chưa cơng bố hình thức Nội dung luận văn có tham khảo sử dụng thêm tài liệu, thông tin đăng tải tác phẩm, báo, tạp chí trang web nước liệt kê theo danh mục tài liệu tham khảo luận văn Tp Hồ Chí Minh, ngày 29 tháng 07 năm 2022 (Ký tên ghi rõ họ tên) Lê Minh Chánh ii LỜI CẢM ƠN Trong suốt trình học, tiếp thu kiến thức kinh nghiệm trường Đại học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh Thông qua Luận văn giúp em củng cố, kiểm tra lại kiến thức Đồng thời với kiến thức đóng phần lớn vào hành trang để em tiếp bước đường phía trước Em xin chân thành cảm ơn tất thầy cô, người tận tình dạy dỗ em đến tận Hơn nữa, xin gửi lời cảm ơn đến ba mẹ, người dạy dỗ nuôi nấng Em chân thành xin gửi nghìn lời cám ơn đến quý thầy cô Khoa Kỹ Thuật Xây Dựng, hết lòng truyền đạt kiến thức giúp em trở thành người tốt có có ích Trong suốt thời gian thực Luận văn, em đặc biệt gửi lời cảm ơn đến Thầy TS Nguyễn Thanh Hưng Trường Đại học Sư phạm Kỹ Thuật thành phố Hồ Chí Minh Cảm ơn Thầy tận tình, tận tâm hướng dẫn bảo em suốt thời gian thực đề tài nghiên cứu Cũng này, em xin gửi lời đơn vị Trung tâm Quản lý nhà Giám định xây dựng thuộc sở xây dựng Thành Phố Hồ Chí Minh giúp đỡ cung cấp số liệu cần thiết, nhiệt tình giúp đỡ em suốt thời gian làm đề tài nghiên cứu vừa qua Thêm vào với nổ lực hết mình, ham học hỏi giúp đỡ tận tâm tận tình Q Thầy Cơ, gia đình bạn bè em hồn thành xong Luận văn Nhưng kiến thức thời gian thực có hạn, khơng tránh khỏi thiếu sót Em mong xin đóng góp quan tâm Q Thầy Cơ giáo, bạn bè đồng nghiệp để đề tài nghiên cứu hoàn thiện Xin chân thành cảm ơn! Tp Hồ Chí Minh, ngày 29 tháng 07 năm 2022 Lê Minh Chánh iii TĨM TẮT DỰ ĐỐN KHẢ NĂNG CHỊU UỐN CỦA DẦM BÊ TÔNG CỐT THÉP BỊ ĂN MỊN SỬ DỤNG MƠ HÌNH TRÍ TUỆ NHÂN TẠO Dự đốn khả chịu uốn kết cấu bê tơng cốt thép (BTCT) bị ăn mòn giúp đưa định sửa chữa gia cố kết cấu Nghiên cứu trình bày việc áp dụng sáu mơ hình đơn dựa thuật tốn trí tuệ nhân tạo mạng nơron (ANN), máy vectơ hỗ trợ (SVM), phân loại hồi quy (CART), hồi quy tuyến tính (LR), hồi quy tuyến tính tổng quát (GENLIN), tự động phát tương tác Chi-bình phương (CHAID) để dự đoán khả chịu lực kết cấu BTCT bị ăn mịn Kết dự đốn so sánh với liệu khảo sát bao gồm 120 dầm BTCT bị ăn mòn từ tòa nhà xây dựng trước năm 1975 để xếp hạng hiệu mô hình đơn lẻ Một số mơ hình kết hợp áp dụng để khảo sát cải thiện dự đốn Kết cho thấy mơ hình LR GENLIN cho kết gần giống hiệu tốt Các mơ hình kết hợp khơng cải thiện hiệu so với kết từ hai mơ hình đơn lẻ tốt Từ khố: dự đốn; ăn mịn; dầm bê tơng cốt thép; khả chịu uốn; trí tuệ nhân tạo iv ABSTRACT PREDICTING THE FLEXURAL CAPACITY OF CORRODED REINFORCED CONCRETE BEAMS USING ARTIFICIAL INTELLIGENCE MODELS Predicting the residual flexural capacity of corroded reinforced concrete (RC) structures is to help civil engineers decide to repair or strengthen the structures This study presents the application of six single algorithm-based models of artificial intelligence, such as artificial neural network (ANN), support vector machine (SVM), classification and regression trees (CART), linear regression (LR), general linear model (GENLIN), and automatic Chi-squared interaction detection (CHAID) to predict the residual flexural capacity of corroded RC structures The predicting results are compared to the surveyed data including 120 corroded RC beams from the projects built before 1975 to rank the efficiency of single models Some combined models are applied to investigate the improvement in predicting the flexural capacity of corroded RC structures compared to the single models The result shows that LR and GENLIN models give almost the same results and the best efficiency The combined models can not improve the efficiency compared to the two best single models Keywords: residual flexural capacity, corroded reinforced concrete beams, artificial intelligence, single model, combined model, repairing, strengthening v MỤC LỤC TRANG TỰA TRANG Quyết định giao đề tài Biên hội đồng Phiếu nhận xét phản biện LÝ LỊCH KHOA HỌC i LỜI CAM ĐOAN ii LỜI CẢM ƠN iii TÓM TẮT v MỤC LỤC vi DANH SÁCH CÁC BẢNG xi DANH SÁCH CÁC HÌNH xii CHƯƠNG TỔNG QUAN .1 1.1 Đặt vấn đề .1 1.2 Tổng quan chung tình hình nghiên cứu nước 1.2.1 Tổng quan tình hình nghiên cứu ngồi nước 1.2.2 Tổng quan tình hình nghiên cứu nước 1.3 Tính cấp thiết đề tài 1.4 Mục tiêu đề tài 11 1.5 Đối tượng phạm vi nghiên cứu 11 1.5.1 Đối tượng nghiên cứu .11 1.5.2 Phạm vi nghiên cứu 12 1.6 Cách tiếp cận, phương pháp nghiên cứu 12 1.7 Tính đề tài 12 1.8 Ý nghĩa khoa học thực tiễn đề tài .12 vi 1.9 Cấu trúc luận văn 13 1.10 Kết luận Chương 13 CHƯƠNG CƠ SỞ LÝ THUYẾT CỦA NGHIÊN CỨU 14 2.1 Giới thiệu Chương 14 2.2 Lý thuyết ăn mịn bê tơng 15 2.2.1 Khái niệm ăn mịn bê tơng 15 2.2.2 Phân loại ăn mịn bê tơng .15 2.2.3 Mức độ ăn mòn bê tông 17 2.2.4 Nguyên nhân gây ăn mòn bê tông 17 2.2.5 Đặc trưng ăn mịn Bê tơng .17 2.2.6 Các biện pháp hạn chế ăn mịn bê tơng [20, 26, 27, 29, 30] 19 2.3 Lý thuyết ăn mịn cốt thép bê tơng .20 2.3.1 Ăn mòn cốt thép .21 2.3.2 Các dạng chế ăn mòn cốt thép 21 2.3.2.1 Ăn mịn điện hóa 21 2.3.2.2 Ăn mịn cacbonat hố 23 2.3.2.3 Ăn mòn Ion Clorua Cl- 27 2.3.2.4 Ăn mòn Ion Sulfate SO42 32 2.3.3 Các q trình ăn mịn cốt thép 33 2.3.4 Nguyên nhân gây ăn mòn cốt thép 33 2.3.5 Mơ hình ăn mịn cốt thép 34 2.3.5.1 Giảm đường kính cốt thép 34 2.3.5.2 Nứt bê tông giãn nở thể tích [15] 35 2.4 Các biện pháp chống ăn mịn bê tơng cốt thép .35 vii 2.4.1 Chống ăn mịn bê tơng 35 2.4.2 Chống ăn mòn cốt thép 36 2.5 Lý thuyết mơ hình dự đốn dầm BTCT ăn mịn 37 2.5.1 Khai phá liệu (KPDL - Data Mining) .37 2.5.2 Trí tuệ nhân tạo (AI - Artificial Intelligence) .38 2.5.2.1 Mạng nơ ron nhân tạo (ANN - Artificial Neural Network) 38 2.5.2.2 Thuật toán support vector machine (SVM - Support Vector Machine) 40 2.5.2.3 Mô hình định (CART - Classification and Regression Trees) 41 2.5.2.4 Mơ hình hồi quy tuyến tính (LR - Linear regression) 42 2.5.2.5 Mơ hình tuyến tính tổng quát (GENLIN - Generalized linear regression) [60]………………………………………………………………………………………………………….42 2.5.2.6 Tự động phát tương tác Chi-squared (CHAID - Chi-square automatic interaction detector) 43 2.5.2.7 Kết hợp phương pháp (Ensemble method) 44 2.5.3 Phương pháp đánh giá hiệu suất [60] .45 2.5.4 Phần mềm mơ hình thực nghiệm .46 2.6 Kết luận Chương 47 CHƯƠNG KHẢO SÁT THU THẬP VÀ ĐÁNH GIÁ SỐ LIỆU 49 3.1 Khảo sát số liệu đầu vào dầm bê tơng cốt thép bị ăn mịn 49 3.1.1 Thiết lập sở liệu dự đoán 49 3.1.2 Các phương pháp khảo sát .57 3.1.2.1 Một số phương pháp khảo sát cho kết cấu bê tông cốt thép 57 3.1.2.2 Tính tốn xác định cường độ bê tông trường (Rht) 67 3.1.2.2.1 Trường hợp khoan lấy mẫu bê tông………………………………………………….67 viii 25 M SVM CART LR GENLIN CHAID Moment (kNm) 20 ANN 15 10 Number of beams 0 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100105110115120 Hình 5.1 Biểu đồ biểu diễn kết dự đoán [M]’ mơ hình đơn so với [M]  Ba mơ hình đơn có kết dự đốn (CART,CHAID, SVM) 03 mơ hình có đường biểu diễn kết dự đoán [M]’ cách xa với đường biểu diễn kết Moment giới hạn [M] đầu vào mơ hình; dễ dàng nhìn thấy đỉnh biểu đồ (cụ thể đường kết dự đoán đồ thị cách xa [M] dầm có số 19, 28, 79-88, 97-108)  Ba mơ hình đơn có kết dự đốn tốt (GENLIN, LR, ANN) 03 mơ hình có đường biểu diễn kết dự đốn [M]’ tiệm cận với kết Moment giới hạn [M] đầu vào mơ hình; dễ dàng nhìn biểu đồ (cụ thể đường kết dự đoán đồ thị tiệm cận với [M] thể dầm chuẩn đoán) 25 Moment from models (kNm) Moment from models (kNm) 25 20 15 10 ANN SVM LR 0 10 15 20 Moment from surveyed data (kNm) 25 20 15 10 CART GENLIN CHAID 0 10 15 20 Moment from surveyed data (kNm) 25 Hình 5.2 So sánh kết dự đốn [M]’ từ mơ hình đơn so với [M] liệu khảo sát  Quan sát biểu đồ Hình 5.2 lần cho thấy 03 mơ hình đơn tốt 104 GENLIN, LR ANN với điểm phân bố nằm gần đường với xác định Ngược lại mơ hình lại gồm CART, CHAID, SVM phân bố rời rạc tách xa với đường xác định từ biểu đồ  Để đánh giá cách xác cụ thể kết từ mơ hình dự đốn, ta dựa vào số đánh giá Bảng 5.3 để nhận xét phân cấp cho mô hình đơn Từ kết phân cấp này, đề xuất mơ hình kết hợp để tìm mơ hình kết hợp có hiệu tốt dự đốn Bảng 5.3 Tổng hợp kết số đánh giá mơ hình đơn ANN 1.08 0.964 0.736 MAPE (%) 11.04 SVM 1.09 1.278 1.067 15.29 0.9034 0.4210 LR 1.05 0.633 0.522 23.85 0.9820 CART 1.14 2.172 1.525 6.55 0.6870 1.0000 GENLIN 1.05 0.633 0.522 6.55 0.9820 CHAID 1.14 1.992 1.377 22.15 0.7240 0.8700 Model Average RMSE MAE R2 SI Rank 0.9454 0.1960 Hình 5.2 cho thấy so sánh kết dự đốn sáu mơ hình đơn lẻ kết khảo sát Giá trị trung bình phương pháp đánh giá độ xác liệt kê Bảng 5.3 Kết trung bình mơ hình đơn lẻ lớn giá trị khảo sát từ 5% đến 14% Kết trung bình mơ hình LR GENLIN lớn 5% so với giá trị khảo sát, kết trung bình mơ hình CART CHAID lớn 14% so với giá trị khảo sát Tuy nhiên, kết từ mô hình nằm rải rác theo cách khác Kết đầu dự đốn từ mơ hình LR GENLIN đơn lẻ gần giống nằm rải rác gần với đường trung bình Do đó, mơ hình đơn hiệu mơ hình LR GENLIN Trong đó, kết dự đốn từ mơ hình CHAID CART đơn lẻ phân tán rộng rãi Kết đánh giá từ mơ hình CHAID CART cho thấy sai số cao so với mơ hình khác Dựa kết phân tích, cấp độ xác sáu mơ hình đơn lẻ liệt kê Bảng 5.3 Độ xác mơ hình đơn LR GENLIN xếp hạng 1, hạng mơ hình CART đơn hạng 105 Dựa cấp độ xác mơ hình đơn, số mơ hình kết hợp đề xuất:  Combined model (CM2): GENLIN + LR  Combined model (CM3): GENLIN + LR + ANN  Combined model (CM4): GENLIN + LR + ANN + SVM  Combined model (CM5): GENLIN + LR + ANN + SVM + CHAID  Combined model (CM6): GENLIN + LR + ANN + SVM + CHAID + CART Bảng 5.4 Tổng hợp kết số đánh giá mơ hình kết hợp R2 Model Average RMSE MAE MAPE (%) SI Rank CM2 1.053 0.633 0.522 6.55 0.9820 0.0000 CM3 1.062 0.689 0.566 7.69 0.9778 0.1775 CM4 1.069 0.753 0.618 8.96 0.9739 0.3751 CM5 1.083 0.864 0.671 10.59 0.9659 0.6576 CM6 1.093 0.974 0.741 12.01 0.9523 1.0000 Hình 5.3 - 5.4 tương ứng biểu đồ thể kết dự đốn mơ hình kết hợp CM2, CM3, CM4, CM5, CM6 so với giá trị Moment [M] khảo sát ban đầu 25 M CM3 CM4 CM5 CM6 Moment (kNm) 20 CM2 15 10 Number of beams 0 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90 95 100105110115120 Hình 5.3 Biểu đồ biểu diễn kết dự đốn [M]’ mơ hình kết hợp so với [M] 106 Moment from combined models (kNm) 25 20 15 10 CM2 CM3 CM4 CM5 CM6 0 10 15 20 Moment from surveyed data (kNm) 25 Hình 5.4 So sánh kết dự đốn [M]’ từ mơ hình kết hợp với [M] liệu khảo sát Hình 5.3 - 5.4 cho thấy so sánh kết dự đốn từ sáu mơ hình đơn lẻ kết khảo sát Giá trị trung bình phương pháp đánh giá độ xác liệt kê Bảng 5.4 Kết cho thấy mơ hình kết hợp khơng cải thiện độ xác Mơ hình kết hợp bao gồm hai mơ hình đơn tốt có kết gần tương tự với mơ hình đơn tốt Các kết khác từ mơ hình kết hợp làm giảm độ xác so với mơ hình kết hợp Tuy nhiên, việc kết hợp mơ hình tốt với mơ hình khác cải thiện độ xác so với kết từ mơ hình đơn lẻ 107 1,2 1 0,87 5 0,658 Rank 0,6 0,421 3 SI 0,8 0,375 0,4 0,177 0,2 0,196 0 GENLIN LR SI ANN SVM CHAID CART CM6 Model CM5 CM4 CM3 CM2 Rank Hình 5.5 Biểu đồ phân cấp mơ hình thơng qua hệ số đánh giá tổng hợp SI Hình 5.5 biểu đồ biểu diễn sự phân cấp mơ hình đơn mơ hình kết hợp hệ số đánh giá tổng hợp SI trình bày Bảng 5.3 - 5.4 5.2 Kết luận kiến nghị, định hướng phát triển  Kết luận Dữ liệu sử dụng việc dự đoán bao gồm 120 liệu khảo sát số cơng trình xây dựng phần lớn trước năm 1975 Thành phố Hồ Chí Minh Nghiên cứu áp dụng phương pháp xác thực chéo 10 lần để giảm thiểu sai số trình huấn luyện mơ hình đồng thời ứng dụng mơ hình dự đốn bao gồm mạng nơ-ron thần kinh (ANN), máy hỗ trợ véc tơ (SVM), phân loại hồi quy (CART), hồi quy tuyến tính (LR), hồi quy tuyến tính tổng quát (GENLIN), tự động phát tương tác Chi - squared (CHAID) phương pháp kết hợp mơ hình đơn sử dụng chương trình SPSS IBM nhằm áp dụng việc 108 dự đoán “khả chịu uốn [M] dầm bê tơng cốt thép bị ăn mịn” Kết cho thấy kết dự đốn từ mơ hình đơn lẻ mơ hình LR GENLIN có giá trị gần giống độ xác tốt Các mơ hình đơn lẻ khác cho thấy độ xác so với liệu khảo sát Các mơ hình kết hợp thiết lập áp dụng Kết từ mơ hình kết hợp khơng thể cải thiện độ xác so với kết từ hai mơ hình đơn lẻ tốt  Hạn chế kiến nghị Nghiên cứu dùng lại việc dự đoán Moment [M] giới hạn dầm BTCT bị ăn mịn hạn chế đề tài chưa đánh giá hết chất hệ kết cấu BTCT (bao gồm cột sàn) trường Các phương pháp khảo sát cốt thép bị ăn mòn nhiều hạn chế, độ sai số phương pháp đo khảo sát Thông qua nghiên cứu, kiến nghị khoa học tiếp tục cải tiến nghiên cứu thêm thêm phương pháp khảo sát số liệu đầu vào kết cấu bê tông cốt thép ăn mịn nhanh xác hơn, đồng thời cải tiến mơ hình có nghiên cứu phát triển thêm nhiều mơ hình đự đốn nhằm tăng hiệu suất đánh giá khả chịu lực cho cấu kiện BTCT Từ có có nhìn nhận khách quan tốt kết cấu bê tơng cốt thép bị ăn mịn có biện pháp dự đoán kịp thời để gia cường, sửa chữa kết cấu BTCT dần xuống cấp theo thời gian  Định hướng phát triển Từ kết thu thập nghiên cứu quy trình dự đốn, mơ hình dự đốn đơn, mơ hình kết hợp làm cở sở để phát triển thêm hướng dự đoán cho phần tử bê tông cốt thép khác là: cột, sàn thu thập số liệu đầu vào hoàn hảo chúng 109 TÀI LIỆU THAM KHẢO [1] A Imam, F Anifowose, and A K Azad, "Residual Strength of Corroded Reinforced Concrete Beams Using an Adaptive Model Based on ANN," International Journal of Concrete Structures and Materials, vol 9, no.2, pp.159–172, June 2015 [2] A K Azad, S Ahmad, and B H A Al-Gohi, "Flexural strength of corroded reinforced concrete beams," Magazine of Concrete Research, vol 62, no 6, pp 405-414, 2010 [3] C.-H Tsai and D.-S Hsu, "Diagnosis of Reinforced Concrete Structural Damage Base on Displacement Time History using the Back-Propagation Neural Network Technique," Journal of Computing in Civil Engineering, vol 16, no 1, pp 49–58, 2002 [4] C A Jeyasehar and K Sumangala, "Nondestructive Evaluation of Prestressed Concrete Beams using an Artificial Neural Network (ANN) Approach," Structural Health Monitoring: An International Journal, vol 5, no 4, pp 313323, 2006 [5] J A Abdalla, A Elsanosi, and A Abdelwahab, "Modeling and simulation of shear resistance of R/C beams using artificial neural network," Journal of the Franklin Institute vol 344, no 5, pp 741-756, 2007 [6] A Imam and A K Azad, "Prediction of residual shear strength of corroded reinforced concrete beams," International Journal of Advanced Structural Engineering, vol 8, no 3, pp 307-318, 2016 [7] J.-S Chou, N.-T Ngo, and W K Chong, "The use of artificial intelligence combiners for modeling steel pitting risk and corrosion rate," Engineering Applications of Artificial Intelligence, vol 65, pp 471-483, 2016 [8] A Imam and Z A Kazmi, "Modified regression and ANN model for load carrying capacity of corroded reinforced concrete beam," AIMS Materials Science, vol 4, no 5, pp 1140-1164, 2020 110 [9] B A Salami, S M Rahman, T A Oyehan, M Maslehuddin, and S U Al Dulaijan, "Ensemble machine learning model for corrosion initiation time estimation of embedded steel reinforced self-compacting concrete," Measurement, vol 165, p 108141, 2020 [10] H Alabduljabbar et al., "Prediction of the flexural behavior of corroded concrete beams using combined method," Structures, vol 25, pp 1000-1008, 2020 [11] M Ahmadi, A Kheyroddin, and M Kioumarsi, "Prediction models for bond strength of steel reinforcement with consideration of corrosion," Materials Today: Proceedings, 2021 [12] M E A Ben Seghier, B Keshtegar, and H Mahmoud, "Time-Dependent Reliability Analysis of Reinforced Concrete Beams Subjected to Uniform and Pitting Corrosion and Brittle Fracture," Materials (Basel), vol 14, no 8, Apr 2021 [13] N T Hưng, "Mô dầm bê tơng cốt thép bị ăn mịn xét đến cường độ liên kết cốt thép bê tông theo phương pháp phần tử hữu hạn," Hội nghị Khoa học toàn quốc Cơ học Vật rắn biến dạng lần thứ XI - Thành phố Hồ Chí Minh, 7-9/11/2013, tr.542-550 [14] V C Chiến, N T Hưng, N Đ Hùng, Đ D Kiên, "Nghiên cứu suy giảm khả chịu uốn dầm bê tông cốt thép theo cấp độ ăn mịn," Tạp chí Xây dựng, Bộ Xây Dựng, 2020 [15] N T Hưng, N V Phó, T V Liên, "Chẩn đốn dầm bê tơng cốt thép bị ăn mịn trường hợp thiếu số liệu," Tuyển tập Hội nghị Khoa học toàn quốc Cơ học Vật rắn biến dạng lần thứ XII, Đà nẵng, 6-7/8/2015 [16] N T Hung, L A Thang, and N D Duan, "Bending strength diagnosis for corroded reinforced concrete beams with attendance of deterministic, random and fuzzy parameters," Journal of Structural Integrity and Maintenance vol 5, no 3, 183-189., 2020 111 [17] L A Thang and N T Hung, "A Study on Behavior of Reinforcement Concrete Beam using the Recycled Concrete," tr 379-384, Innovation for Sustainable Infrastructure, CIGOS 2019 [18] N T Hưng, N T Hà, P V Trung, L C Điều, "Xây dựng mô hình đánh giá ảnh hưởng lực bám dính bê tông cốt thép cho dầm bê tông cốt thép chịu tải trọng," Tạp chí Khoa học Cơng nghệ Xây dựng, số 25 - 2017, tr 41-48, 2017 [19] T H T B Thủy, K P N Hiệu, "Ảnh hưởng nồng độ ion clo, độ ẩm chiều dày bê tơng đến q trình ăn mịn cốt thép," Khoa học công nghệ xây dựng, vol 02, p 35, 2007 [20] T Đ K Hạnh, T D T T Hiền, "Thực trạng ăn mịn bê tơng cốt thép giải pháp chống ăn mịn cho cơng trình bê tông cốt thép môi trường biển Việt Nam," Khoa học & công nghệ, 2014 [21] V N Anh, "Ăn mịn cốt thép ảnh hưởng tới ứng xử kết cấu bê tơng cốt thép," Tạp chí Xây dựng, vol Số 07, pp 87-89, 2012 [22] J Rodriguez, L Ortega, and J Casal, "Load carrying capacity of concrete structures with corroded reinforcement," Construction and Building Materials vol 11, no 4, 1997 [23] P S Mangat and M S Elgarf, "Flexural Strength of Concrete Beams with CorrodingReinforcement," ACI Structural Journal, vol 96, no 1, pp 149158, 1999 [24] T K Thoa, "Study on cracking behavior of concrete due to rebar corrosion, Department of Civil Engineerin Graduate School of Engineering, Nagoya University JAPAN," 2012 [25] N Đ Hùng, T Q Nghi, "Nghiên cứu sửa chữa gia cường dầm bê tông cốt thép thường cốt thép thường vữa cường độ cao," Tạp chí Giao thơng vận tải, vol 04, pp 53-58, 2018 112 [26] Đ Q Cường, "Đề xuất giải pháp kỹ thuật nhằm khắc phục tổn thất ăn mịn bê tơng kết cấu bê tông cốt thép vùng quần đảo trường sa," tạp chí khoa học cơng nghệ xây dựng, vol 11, pp 52-60, 2012 [27] V Đ Lương H T Hạnh, N N Thành, Đ T K Mai, N H Thắng, N T N Gương, T H Minh, T T T Vân, "Nghiên cứu giải pháp tăng cường độ bên vững bê tông môi trường rừng ngập mằn cần giờ," Khoa Kỹ Thuật Xây Dựng, Trường Đại Học Bách Khoa Tp HCM [28] P V Khoan, N N Thắng, "Tình trạng ăn mịn bê tơng cốt thép vùng biển Việt Nam số kinh nghiệm sử dụng chất ức chế ăn mịn Canxi Nitrít," Viện KHCN Xây dựng, 2011 [29] K V Huân, L Minh, "Đặc điểm môi trường nước chua phèn gây ăn mịn bê tơng cốt thép cơng trình thủy lợi đồng sơng Cửu Long," Viện KHTL Việt Nam [30] L T Q Khải, "Nghiên cứu giải pháp chống ăn mòn cốt thép bê tơng vật liệu bê tơng polymer," Tạp chí khoa học trường Đại Học Cần Thơ, vol 40, pp 28-31, 2015 [31] N V Chánh, T V Miền, "Ăn mịn chống ăn mịn bê tơng cốt thép Đại học Quốc Gia Thành Phố Hồ Chí Minh," 2010 [32] N M Phát, "Lý thuyết ăn mòn chống ăn mịn bê tơng – bê tơng cốt thép xây dựng Nhà xuất xây dựng " 2007 [33] M Pourbaix, "Atlas of electrochemical equilibria in aqueous solutions," Oxford, 1966 [34] T Vidal, "Requalification des structure dé grad é es par corosion des armatures," Thèse de Doctorat de l’Institut National des Sciences Appliquées de Toulouse, 2003 [35] M G Fontana, "Corrosion Engineering," McGraw - Hill, NY, 1980 [36] M Thiery, "Modélisation de la carbonatation atmosphérique des bétons – Prise en compte des effets cinétiques et de l'état hydrique, Thèse de Doctorat de l'Ecole Nationaledes Ponts et Chaussées " 2005 113 [37] V N Trụ, "Contribution l'étude de la corrosion par carbonatation du béton armé: approche expérimentale et probabiliste," Thèse the Doctorat de l'Université de Toulouse, 2011 [38] N V Đức, H A Cương, "Giới thiệu số mơ hình tính tốc độ cacbonat vật liệu bê tơng xi măng khả ứng dụng điều kiện Việt Nam ", Internet: https://tapchigiaothong.vn/gioi-thieu-mot-so-mo-hinh-tinh-toc-do- cacbonat-cua-vat-lieu-be-tong-xi-mang-va-kha-nang-ung-dung-trong-dieukien-viet-nam-18350931.htm, 4/12/2017 [39] L T H Liên, "Ăn mòn phá hủy vật liệu kim loại mơi trường khí nhiệt đới Việt Nam," Tạp chí Khoa học Cơng nghệ, vol 50, pp 695823, 2012 [40] A W Beeby, "Cracking, Cover, and Corrostion of Reinforcement," Concrete International, vol 5, no 2, pp 35-40, 1983 [41] M G Richardson, "Fundamentals of durable reinforced concrete published in the Taylor & Francis e-Library, simultaneously published in the USA and Canada," 2004 [42] A Nielsen, "Durability in Beton Bogen, Aalborg Cement Company, Aalborg, Portland," pp 200-243, 1985 [43] P Đ Hùng, "Xác định độ bền bê tông geopolymer môi trường xâm thực," Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh, 2015 [44] N V Chánh, N T T Hương, "Nghiên cứu chế phá hủy cấu trúc bê tông môi trường xâm thực muối Sunfat," Trường Đại Học Bách Khoa Thành Phố Hồ Chí Minh, 2003 [45] T H Cường, N Đ Vĩnh, "Tổng quan phát tri thức khai phá liệu," Tạp chí Khoa học & Cơng nghệ Trường Đại học công nghiệp Hà Nội, vol 5, pp 50-55, 2011 [46] T D Học, P A Đức, N D Trình, H N Huệ, "Ứng dụng trí tuệ nhân tạo để dự đốn tiến độ thi cơng nhà lắp ghép," Tạp chí khoa học cơng nghệ đại học Đà Nẵng, vol 11, pp 41-44, 2018 114 [47] E P Kumar and E P Sharma, "Artificial Neural Networks-A Study," International Journal of Emerging Engineering Research and Technology, vol 2, no 2, pp 143-148, 2014, [48] I Flood, "Neural Networks in Civil Engineering II: Systems and Application," Journal of Computing in Civil Engineering, vol 8, pp 149–162, 1994 [49] I Flood and P Christophilos, "Modeling construction processes using artificial neural networks," Automation in Construction, vol 4, pp 307-320, 1996 [50] M Inel, "Modeling ultimate deformation capacity of RC columns using artificial neural networks," Engineering Structures, vol 29, no 3, pp 329335, 2007 [51] B DR, "Neural networks in bioprocessing and chemical engineering [PhD Dissertation] Virginia Tech, Blacksburg, VA.," 1995 [52] O Hasanỗebi and T Dumlupinar, "Linear and nonlinear model updating of reinforced concrete T-beam bridges using artificial neural networks," Computers & Structures, vol 119, no 1-11, 2013 [53] A M Deris, A M Zain, and R Sallehuddin, "Overview of Support Vector Machine in Modeling Machining Performances," Procedia Engineering, vol 24, pp 308-312, 2011 [54] T D Học, "Dự đoán khả phun vữa vữa xi măng mịn tự hút dựa kỹ thuật trí tuệ nhân tạo," Tạp chí Xây Dựng Việt Nam, vol 3, pp 118 120, 2020 [55] V Vapnik, "The nature of statistical learning theory," Springer-Verlag, New York., 1995 [56] S P S S Clementine, "12.0 Algorithm Guide," Integral Solutions Limited, Chicago, USA., 2007 [57] L Breiman, "Classification and regression trees," Routledge, 2017 [58] IBM, "PASW Modeler," IBM Cororation, USA, 2010 115 [59] J.-S Chou and A.-D Pham, "Enhanced artificial intelligence for ensemble approach to predicting high performance concrete compressive strength," Construction and Building Materials, vol 49, pp 554-563, 2013 [60] L T Tài, T Đ Học, "Tối ưu hóa ước tính mức tiêu thụ lượng tòa nhà dựa thuật tốn trí tuệ nhân tạo," Tạp chí Khoa học Công nghệ Xây dựng (KHCNXD) - ĐHXD, vol 14, no 1V, pp 35-45, 2020 [61] Author(s), J A Nelder, and R W M Wedderburn, "Generalized Linear Models," Journal of the Royal Statistical Society: Series A (General), vol 135, no 3, pp 370-384, 1972 [62] G V Kass, "An Exploratory Technique for Investigating Large Quantities of Categorical Data," Journal of the Royal Statistical Society: Series C (Applied Statistics), vol 29, no 2, pp 119–127, 1980 [63] D Biggs, B De Ville, and E Suen, "A method of choosing multiway partitions for classification and decision trees," Journal of Applied Statistics, vol 18, no 1, pp 49-62, 2006 [64] P J L Adeodato, A L Arnaud, G C Vasconcelos, R C L V Cunha, and D S M P Monteiro, "MLP ensembles improve long term prediction accuracy over single networks," International Journal of Forecasting, vol 27, no 3, pp 661-671, 2011 [65] M van Wezel and R Potharst, "Improved customer choice predictions using ensemble methods," European Journal of Operational Research, vol 181, no 1, pp 436-452, 2007 [66] R Kohavi, "A study of cross-validation and bootstrap for accuracy estimation and model selection," International Joint Conference on Articial Intelligence (IJCAI), Montreal, Canada, vol 2, pp 1137–1143, 1995 [67] IBM, "PASW Modeler IBM Cororation, USA," 2010 [68] TCXDVN 239 : 2006, "Bê tông nặng - Chỉ dẫn đánh giá cường độ bê tông kết cấu cơng trình," Bộ Khoa học Cơng nghệ, Việt Nam 116 [69] TCVN 3105 : 1993, "Hỗn hợp bê tông nặng bê tông nặng - Lấy mẫu, chế tạo bảo dưỡng mẫu thử," Bộ Khoa học Công nghệ, Việt Nam [70] TCVN 3118:1993, "Bê tông nặng – Phương pháp xác định cường độ nén," Bộ Khoa học Công nghệ, Việt Nam [71] TCVN 9334:2012, "Bê tông nặng – Phương pháp xác định cường độ nén súng bậc nẩy," Bộ Khoa học Công nghệ, Việt Nam [72] TCVN 9357:2012, "Bê tông nặng – Phương pháp thử không phá hủy – Đánh giá chất lượng bê tông vận tốc xung siêu âm," Bộ Khoa học Công nghệ, Việt Nam [73] TCVN 9335:2012, "Bê tông nặng – Phương pháp thử không phá hủy – Xác định cường độ nén sủ dụng kết hợp máy đo siêu âm súng bậc nẩy," Bộ Khoa học Công nghệ, Việt Nam [74] TCVN 8634:2010, "Thước cặp có du xích đến 0,02mm - Tiêu chuẩn Đo lường Chất lượng," Bộ Khoa học Công nghệ, Việt Nam [75] TCVN 4101 : 1985, "Thước đo có du xích - yêu cầu kỹ thuật - Tiêu chuẩn Đo lường Chất lượng," Bộ Khoa học Công nghệ, Việt Nam [76] TCVN 2737:1995, "Tải trọng tác động - tiêu chuẩn thiết kế," Bộ Khoa học Công nghệ, Việt Nam [77] TCVN 5574:2012, "Thiết kế kết cấu bê tông bê tông cốt thép," Bộ Khoa học Công nghệ, Việt Nam 117 S K L 0 ... iii TĨM TẮT DỰ ĐỐN KHẢ NĂNG CHỊU UỐN CỦA DẦM BÊ TÔNG CỐT THÉP BỊ ĂN MỊN SỬ DỤNG MƠ HÌNH TRÍ TUỆ NHÂN TẠO Dự đốn khả chịu uốn kết cấu bê tơng cốt thép (BTCT) bị ăn mòn giúp đưa định sửa chữa gia... cắt dầm bê tông cốt thép sử dụng mạng nơron nhân tạo [5] Imam Azad (2016) tiến hành thử nghiệm dầm bị ăn mòn khơng bị ăn mịn để tìm khả chịu cắt ứng xử dầm bê tông cốt thép bị ăn mịn dựa mơ hình. .. cốt thép bị ăn mịn sử dụng mơ hình trí tuệ nhân tạo? ?? mục đích nhằm đóng góp thêm nghiên cứu lĩnh vực trí tuệ nhân tạo đặc biệt kết hợp vào toán dự đốn khả chịu lực dầm bê tơng cốt thép bị ăn mòn

Ngày đăng: 19/09/2022, 17:03

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
[1] A. Imam, F. Anifowose, and A. K. Azad, "Residual Strength of Corroded Reinforced Concrete Beams Using an Adaptive Model Based on ANN,"International Journal of Concrete Structures and Materials, vol. 9, no.2, pp.159–172, June 2015 Sách, tạp chí
Tiêu đề: Residual Strength of Corroded Reinforced Concrete Beams Using an Adaptive Model Based on ANN
[2] A. K. Azad, S. Ahmad, and B. H. A. Al-Gohi, "Flexural strength of corroded reinforced concrete beams," Magazine of Concrete Research, vol. 62, no. 6, pp. 405-414, 2010 Sách, tạp chí
Tiêu đề: Flexural strength of corroded reinforced concrete beams
[3] C.-H. Tsai and D.-S. Hsu, "Diagnosis of Reinforced Concrete Structural Damage Base on Displacement Time History using the Back-Propagation Neural Network Technique," Journal of Computing in Civil Engineering, vol.16, no. 1, pp. 49–58, 2002 Sách, tạp chí
Tiêu đề: Diagnosis of Reinforced Concrete Structural Damage Base on Displacement Time History using the Back-Propagation Neural Network Technique
[4] C. A. Jeyasehar and K. Sumangala, "Nondestructive Evaluation of Prestressed Concrete Beams using an Artificial Neural Network (ANN) Approach,"Structural Health Monitoring: An International Journal, vol. 5, no. 4, pp. 313- 323, 2006 Sách, tạp chí
Tiêu đề: Nondestructive Evaluation of Prestressed Concrete Beams using an Artificial Neural Network (ANN) Approach
[5] J. A. Abdalla, A. Elsanosi, and A. Abdelwahab, "Modeling and simulation of shear resistance of R/C beams using artificial neural network," Journal of the Franklin Institute vol. 344, no. 5, pp. 741-756, 2007 Sách, tạp chí
Tiêu đề: Modeling and simulation of shear resistance of R/C beams using artificial neural network
[6] A. Imam and A. K. Azad, "Prediction of residual shear strength of corroded reinforced concrete beams," International Journal of Advanced Structural Engineering, vol. 8, no. 3, pp. 307-318, 2016 Sách, tạp chí
Tiêu đề: Prediction of residual shear strength of corroded reinforced concrete beams
[7] J.-S. Chou, N.-T. Ngo, and W. K. Chong, "The use of artificial intelligence combiners for modeling steel pitting risk and corrosion rate," Engineering Applications of Artificial Intelligence, vol. 65, pp. 471-483, 2016 Sách, tạp chí
Tiêu đề: The use of artificial intelligence combiners for modeling steel pitting risk and corrosion rate
[8] A. Imam and Z. A. Kazmi, "Modified regression and ANN model for load carrying capacity of corroded reinforced concrete beam," AIMS Materials Science, vol. 4, no. 5, pp. 1140-1164, 2020 Sách, tạp chí
Tiêu đề: Modified regression and ANN model for load carrying capacity of corroded reinforced concrete beam
[10] H. Alabduljabbar et al., "Prediction of the flexural behavior of corroded concrete beams using combined method," Structures, vol. 25, pp. 1000-1008, 2020 Sách, tạp chí
Tiêu đề: Prediction of the flexural behavior of corroded concrete beams using combined method
[11] M. Ahmadi, A. Kheyroddin, and M. Kioumarsi, "Prediction models for bond strength of steel reinforcement with consideration of corrosion," Materials Today: Proceedings, 2021 Sách, tạp chí
Tiêu đề: Prediction models for bond strength of steel reinforcement with consideration of corrosion
[12] M. E. A. Ben Seghier, B. Keshtegar, and H. Mahmoud, "Time-Dependent Reliability Analysis of Reinforced Concrete Beams Subjected to Uniform and Pitting Corrosion and Brittle Fracture," Materials (Basel), vol. 14, no. 8, Apr 7 2021 Sách, tạp chí
Tiêu đề: Time-Dependent Reliability Analysis of Reinforced Concrete Beams Subjected to Uniform and Pitting Corrosion and Brittle Fracture
[13] N. T. Hưng, "Mô phỏng dầm bê tông cốt thép bị ăn mòn xét đến cường độ liên kết giữa cốt thép và bê tông theo phương pháp phần tử hữu hạn," Hội nghị Khoa học toàn quốc Cơ học Vật rắn biến dạng lần thứ XI - Thành phố Hồ Chí Minh, 7-9/11/2013, tr.542-550 Sách, tạp chí
Tiêu đề: Mô phỏng dầm bê tông cốt thép bị ăn mòn xét đến cường độ liên kết giữa cốt thép và bê tông theo phương pháp phần tử hữu hạn
[14] V. C. Chiến, N. T. Hưng, N. Đ. Hùng, Đ. D. Kiên, "Nghiên cứu sự suy giảm khả năng chịu uốn dầm bê tông cốt thép theo cấp độ ăn mòn," Tạp chí Xây dựng, Bộ Xây Dựng, 2020 Sách, tạp chí
Tiêu đề: Nghiên cứu sự suy giảm khả năng chịu uốn dầm bê tông cốt thép theo cấp độ ăn mòn
[15] N. T. Hưng, N. V. Phó, T. V. Liên, "Chẩn đoán dầm bê tông cốt thép bị ăn mòn trong trường hợp thiếu số liệu," Tuyển tập Hội nghị Khoa học toàn quốc Cơ học Vật rắn biến dạng lần thứ XII, Đà nẵng, 6-7/8/2015 Sách, tạp chí
Tiêu đề: Chẩn đoán dầm bê tông cốt thép bị ăn mòn trong trường hợp thiếu số liệu
[16] N. T. Hung, L. A. Thang, and N. D. Duan, "Bending strength diagnosis for corroded reinforced concrete beams with attendance of deterministic, random and fuzzy parameters," Journal of Structural Integrity and Maintenance vol 5, no. 3, 183-189., 2020 Sách, tạp chí
Tiêu đề: Bending strength diagnosis for corroded reinforced concrete beams with attendance of deterministic, random and fuzzy parameters

HÌNH ẢNH LIÊN QUAN

Hình 1.1 R2 của mơ hình thực nghiệm và mơ hình ANN cho dự đốn Cf và Mres [1] - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
Hình 1.1 R2 của mơ hình thực nghiệm và mơ hình ANN cho dự đốn Cf và Mres [1] (Trang 18)
Hình 1.2 Kết quả chất đốn của dầm C81-83[3] - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
Hình 1.2 Kết quả chất đốn của dầm C81-83[3] (Trang 19)
Hình 2.1 Mối quan hệ ứng xử của kết cấu với thời gian [25] - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
Hình 2.1 Mối quan hệ ứng xử của kết cấu với thời gian [25] (Trang 30)
Hình 2.2 Một số hình về kết cấu BTCT bị ăn mịn trong mơi trường nước biển [28] - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
Hình 2.2 Một số hình về kết cấu BTCT bị ăn mịn trong mơi trường nước biển [28] (Trang 31)
Hình 2.3 Các vết nứt tại nhà chỉ huy bay trên đảo Trường Sa Lớn năm 2010 (cơng - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
Hình 2.3 Các vết nứt tại nhà chỉ huy bay trên đảo Trường Sa Lớn năm 2010 (cơng (Trang 32)
Hình 2.4 Các hình ảnh ăn mịn tại nhà máy sản xuất hóa chất - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
Hình 2.4 Các hình ảnh ăn mịn tại nhà máy sản xuất hóa chất (Trang 32)
Ăn mòn loại 3: Là sự tích tụ các muối, được hình thành từ sự tương tác của - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
n mòn loại 3: Là sự tích tụ các muối, được hình thành từ sự tương tác của (Trang 35)
Hình 2.13 Cơ chế ăn mịn cốt thép khi có mặt ion Cl- [32] - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
Hình 2.13 Cơ chế ăn mịn cốt thép khi có mặt ion Cl- [32] (Trang 45)
Hình 2.17 Mặt cắt ngang còn lại của thép [15] - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
Hình 2.17 Mặt cắt ngang còn lại của thép [15] (Trang 51)
2.5. Lý thuyết về các mơ hình dự đốn dầm BTCT ăn mòn - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
2.5. Lý thuyết về các mơ hình dự đốn dầm BTCT ăn mòn (Trang 53)
Hình 2.23 Phương pháp xác thực chéo 10 lần [60] - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
Hình 2.23 Phương pháp xác thực chéo 10 lần [60] (Trang 61)
sát, cùng với những hình ảnh ăn mòn cấu kiện dầm như sau: - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
s át, cùng với những hình ảnh ăn mòn cấu kiện dầm như sau: (Trang 72)
Hình 3.1 Chung cư 1078-1082 Võ Văn Kiệt, Phường 6, Quận 5, TP. Hồ Chí Minh - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
Hình 3.1 Chung cư 1078-1082 Võ Văn Kiệt, Phường 6, Quận 5, TP. Hồ Chí Minh (Trang 73)
Hình 3.5 Đo kiểm tra kích thước dầm thực tế bị ăn mòn - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
Hình 3.5 Đo kiểm tra kích thước dầm thực tế bị ăn mòn (Trang 88)
Hình 3.7 Cơng tác khoan rút lõi tại cơng trình và nén mẫu tại phịng LAS. - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
Hình 3.7 Cơng tác khoan rút lõi tại cơng trình và nén mẫu tại phịng LAS (Trang 89)
Bảng 3.2 là số liệu khảo sát được tổng hợp thành bảng tổng hợp gồm các thông - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
Bảng 3.2 là số liệu khảo sát được tổng hợp thành bảng tổng hợp gồm các thông (Trang 91)
3.2.1 Xử lý dữ liệu đưa vào mơ hình - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
3.2.1 Xử lý dữ liệu đưa vào mơ hình (Trang 96)
Bảng 3.3 Bảng dữ liệu chuẩn hóa đưa vào mơ hình - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
Bảng 3.3 Bảng dữ liệu chuẩn hóa đưa vào mơ hình (Trang 97)
3.2.2 Mô tả số liệu - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
3.2.2 Mô tả số liệu (Trang 101)
Hình 4.1 Biểu đồ dự đoán khả năng chịu uốn của dầm bê tơng cốt thép bị ăn mịn - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
Hình 4.1 Biểu đồ dự đoán khả năng chịu uốn của dầm bê tơng cốt thép bị ăn mịn (Trang 105)
Mơ hình Thông số Giá trị - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
h ình Thông số Giá trị (Trang 107)
Đưa dữ liệu vào mơ hình, dùng thuật tốn Cross Validation phân chia thành các bộ dữ liệu - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
a dữ liệu vào mơ hình, dùng thuật tốn Cross Validation phân chia thành các bộ dữ liệu (Trang 108)
Hình 4.2 Đưa dữ liệu vào mơ hình - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
Hình 4.2 Đưa dữ liệu vào mơ hình (Trang 108)
Hình 4.6 Xây dựng các mơ hình kết hợp - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
Hình 4.6 Xây dựng các mơ hình kết hợp (Trang 111)
5.1 Kết quả mơ hình dự đốn - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
5.1 Kết quả mơ hình dự đốn (Trang 112)
Bảng 5.2 Bảng tổng hợp kết quả dự đoán [M](kN.cm) - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
Bảng 5.2 Bảng tổng hợp kết quả dự đoán [M](kN.cm) (Trang 116)
Bảng tổng hợp kết quả dự đoán Y’ [M] (kN.cm). - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
Bảng t ổng hợp kết quả dự đoán Y’ [M] (kN.cm) (Trang 116)
Hình 5. 1- 5.2 là biểu đồ biểu diễn kết quả dự đốn từ các mơ hình, khách quan - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
Hình 5. 1- 5.2 là biểu đồ biểu diễn kết quả dự đốn từ các mơ hình, khách quan (Trang 119)
 Để đánh giá một cách chính xác và cụ thể hơn kết quả từ các mô hình dự đốn, - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
nh giá một cách chính xác và cụ thể hơn kết quả từ các mô hình dự đốn, (Trang 121)
Hình 5.4 So sánh kết quả dự đoán [M]’ từ mơ hình kết hợp với [M] dữ liệu khảo sát Hình 5.3 - 5.4 cho thấy sự so sánh giữa kết quả dự đoán từ sáu mơ hình đơn lẻ  - Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo
Hình 5.4 So sánh kết quả dự đoán [M]’ từ mơ hình kết hợp với [M] dữ liệu khảo sát Hình 5.3 - 5.4 cho thấy sự so sánh giữa kết quả dự đoán từ sáu mơ hình đơn lẻ (Trang 123)

TỪ KHÓA LIÊN QUAN

TRÍCH ĐOẠN

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w