DỰ ĐOÁN KHẢ NĂNG CHỊU UỐN CỦA DẦM BÊ TƠNG CỐT THÉP BẰNG MẠNG NEURON NHÂN TẠO TĨM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT XÂY DỰNG

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ XÂY DỰNG TRƯỜNG ĐẠI HỌC KIẾN TRÚC TP HỒ CHÍ MINH ………………………… NGƠ TRỌNG HỮU DỰ ĐOÁN KHẢ NĂNG CHỊU UỐN CỦA DẦM BÊ TƠNG CỐT THÉP BẰNG MẠNG NEURON NHÂN TẠO TĨM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT XÂY DỰNG TP HỒ CHÍ MINH – 2021 BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ XÂY DỰNG TRƯỜNG ĐẠI HỌC KIẾN TRÚC TP HỒ CHÍ MINH …………………………… NGƠ TRỌNG HỮU DỰ ĐỐN KHẢ NĂNG CHỊU UỐN CỦA DẦM BÊ TÔNG CỐT THÉP BẰNG MẠNG NEURON NHÂN TẠO Chuyên ngành: KỸ THUẬT XÂY DỰNG Mã số: 8580201 TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT XÂY DỰNG NGƯỜI HƯỚNG DẪN KHOA HỌC PGS.TS.KS ĐÀO ĐÌNH NHÂN TP HỒ CHÍ MINH – 2021 CHƯƠNG 1: MỞ ĐẦU 1.1 Lý chọn đề tài Trong năm gần đây, học máy nói chung mạng neuron nhân tạo (artificial neural network) nói riêng bước áp dụng vào ngành xây dựng nhiều khía cạnh khác Mạng neuron nhân tạo phương pháp đưa kết dự đốn tốt mà đơi mơ hình tốn học cổ điển thơng thường khơng thể thực cách xác Với tất lý nêu trên, học viên chọn đề tài “Dự đoán khả chịu uốn dầm bê tông cốt thép mạng neuron nhân tạo” để nghiên cứu 1.2 Mục đích mục tiêu nghiên cứu Xây dựng mạng neuron nhân tạo để dự đoán khả chịu uốn dầm bê tông cốt thép chịu tải phân bố Tạo liệu đầu vào cho mạng neuron cách phân tích chia thớ Xây dựng mơ hình mạng neuron nhân tạo để dự đốn khả chịu uốn tiết diện dầm bê tông cốt thép dựa liệu Tạo liệu đầu vào cách phân tích phi tuyến Sử dụng mơ hình mạng neuron nhân tạo để dự đốn khả chịu uốn dầm bê tông cốt thép hai đầu ngàm 1.3 Tổng quan tình hình nghiên cứu Tình hình nghiên cứu giới Nhiều nghiên cứu đời cho thấy phần khả dự đoán mạng neuron nhân tạo, đặc biệt ngành xây dựng Tác giả Dennis Santos Tavares cộng [12] ứng dụng mạng neuron nhân tạo để dự đoán cường độ chịu nén bê tông Kết cuối khả quan, mở tương lai đầy hứa hẹn mạng neuron nhân tạo ngành kỹ thuật xây dựng Từ năm đầu kỷ 21, nhóm tác giả M.Y Mansour cộng [14] ứng dụng mạng neuron nhân tạo để dự đoán cường độ chịu cắt cực hạn dầm bê tông cốt thép có bố trí cốt ngang Kết cuối cho thấy mơ hình mạng neuron nhân tạo có tiềm để dự đoán sức chống cắt cực hạn dầm bê tơng cốt thép có bố trí cốt thép ngang Đây thực thành tựu to lớn tạo tiền đề cho cơng trình nghiên cứu Tình hình nghiên cứu nước Nguyễn Mạnh Thảo cộng [6] ứng dụng mạng neuron nhân tạo để dự báo tốc độ ăn mòn thép CT3 khí Kết dự đốn tốc độ ăn mòn ba địa điểm (Yên Bái, Đà Nẵng, Thái Bình) cho thấy có độ xác cao so với giá trị thực tế Nhóm tác giả Lý Hải Bằng Nguyễn Thùy Anh [1] sử dụng mạng neuron nhân tạo để dự báo sức chịu tải tới hạn cấu kiện cột ống thép nhồi bê tơng có tiết diện hình chữ nhật Kết cho thấy mơ hình mạng neuron nhân tạo dự báo tốt với độ xác cao sai số thấp Những nghiên cứu nguồn tư liệu quý giá giúp học viên hồn thành Luận văn cách tốt 1.4 Đối tượng phạm vi nghiên cứu Dầm bê tông cốt thép hai đầu ngàm chịu tải phân bố Sử dụng mạng neuron nhân tạo để dự đoán khả chịu uốn dầm bê tông cốt thép 1.5 Phương pháp nghiên cứu Thực mơ phân tích tiết diện, dầm bê tơng cốt thép tìm mơ men tải trọng giới hạn Xây dựng mạng neuron nhân tạo có khả dự đoán khả chịu uốn tiết diện dầm bê tơng cốt thép chương trình máy tính Python 1.6 Ý nghĩa khoa học thực tiễn Ứng dụng học máy vào ngành xây dựng giúp ngành xây dựng phát triển song hành với trí tuệ nhân tạo 3 1.7 Kết nghiên cứu dự kiến Xây dựng mạng neuron nhân tạo có khả dự đốn mơ men giới hạn tải trọng giới hạn tiết diện dầm 1.8 Bố cục luận văn Luận văn gồm nội dung sau: CHƯƠNG 1: MỞ ĐẦU Giới thiệu tổng quan đề tài CHƯƠNG 2: CƠ SỞ LÝ THUYẾT Trình bày lý thuyết nghiên cứu phương pháp nghiên cứu CHƯƠNG 3: PHÂN TÍCH SỐ Thu thập liệu đầu vào, xây dựng mơ hình, xử lý phân tích liệu đầu ra, nhận xét bàn luận CHƯƠNG 4: KẾT LUẬN VÀ KIẾN NGHỊ Trình bày ngắn gọn kết nghiên cứu luận văn số kiến nghị CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 Ứng xử phi tuyến dầm bê tông cốt thép chịu uốn 2.1.1 Ứng xử phi tuyến vật liệu bê tông 2.1.1.1 Ứng xử thực bê tông Trong thực tế, quan hệ ứng suất biến dạng bê tông chịu kéo/nén đường cong phức tạp Do để đơn giản, thơng thường mơ hình vật liệu sử dụng để thay 2.1.1.2 Mơ hình vật liệu bê tông dạng ba đoạn thẳng Đối với bê tông nặng, bê tông hạt nhỏ bê tông tự ứng suất nên sử dụng biểu đồ biến dạng đơn giản hóa dạng ba đoạn thẳng hai đoạn thẳng theo loại biểu đồ Prandl 2.1.1.3 Mơ hình vật liệu bê tơng dạng hai đoạn thẳng Đối với biểu đồ biến dạng dạng hai đoạn thẳng, ứng xử nén bê tơng lúc có phần đơn giản hơn, cịn hai giai đoạn 4 2.1.2 Ứng xử phi tuyến vật liệu thép 2.1.2.1 Ứng xử thực thép Thép có ứng xử chịu kéo/nén phức tạp, chí phức tạp ứng xử thực vật liệu bê tông 2.1.2.2 Mô hình vật liệu thép dạng ba đoạn thẳng Đối với thép có ứng suất chảy quy ước nên sử dụng biểu đồ biến dạng dạng ba đoạn thẳng 2.1.2.3 Mơ hình vật liệu thép dạng hai đoạn thẳng Đối với số loại cốt thép có giới hạn chảy thực tế nên sử dụng biểu đồ hai đoạn thẳng 2.2 Xác định khả chịu uốn dầm bê tông cốt thép 2.2.1 Xác định tải trọng cực hạn theo cấu phá hoại Dầm bê tông cốt thép hai đầu ngàm coi bị phá hoại dầm tồn ba khớp dẻo hai đầu dầm dầm 2.2.1.1 Khả chịu uốn tiết diện dầm bê tông cốt thép Mô men giới hạn Mu phụ thuộc vào tương quan chiều cao tương đối  chiều cao tương đối giới hạn R 2.2.1.2 Khả chịu uốn dầm bê tông cốt thép Đối với dầm bê tông cốt thép hai đầu ngàm, cần xác định mô men giới hạn ba vị trí để tính tốn tải trọng giới hạn phân bố 2.2.2 Phương pháp phân tích phi tuyến 2.2.2.1 Ứng xử tiết diện theo phương pháp chia thớ Theo phương pháp chia thớ, tiết diện phân chia thành miền rời rạc 2.2.2.2 Phần tử dầm – cột theo mơ hình tương thích cân Phương trình phần tử dầm phi tuyến xây dựng cách sử dụng nguyên lý chuyển vị nguyên lý lực tương tự dầm đàn hồi 5 2.3 Mạng neuron nhân tạo đa tầng lan truyền ngược 2.3.1 Mạng neuron nhân tạo Mơ hình mạng neuron nhân tạo xây dựng dựa ý tưởng mạng thần kinh sinh học 2.3.2 Mạng neuron nhân tạo đa tầng Một mạng neuron nhân tạo với nhiều hai tầng gọi mạng neuron đa tầng 2.3.2.1 Các khái niệm ký hiệu (l - 1)th layer lth layer (l + 1)th layer z1(l- 1) a1(l- 1) z1(l) a1(l) b j(l) z1(l+1) a1(l+1) z2(l) zi(l- 1) ai(l- 1) wij(l) a2(l) w jk(l+1) zk(l+1) ak(l+1) z j(l) a j(l) zd(l-(l- 1) 1) ad(l-(l- 1) 1) z(l- 1) a(l- 1) zd(l)(l) ad(l)(l) z(l) a(l) zd(l+1) (l+1) ad(l+1) (l+1) z(l+1) a(l+1) W(l)  Rd (l) (l- 1)  d (l)   d (l) × b R z j(l) = w j(l)T a(l- 1) + b j(l) z(l) = W(l)T a(l- 1) + b(l) a(l) = f (z(l)) Hình 2.14 Mạng neuron đa tầng ký hiệu (Nguồn: Vũ Hữu Tiệp (2020)) 2.3.2.2 Hàm kích hoạt Hàm kích hoạt tầng ẩn hàm phi tuyến 2.3.2.3 Hàm mát Hàm số mô tả mối quan hệ phép đánh giá tham số mô hình gọi hàm mát 2.3.2.4 Gradient descent lan truyền ngược Phương pháp phổ biến để tối ưu mạng neuron đa tầng gradient descent Kỹ thuật giúp tính gradient ngược từ tầng cuối đến tầng có tên gọi lan truyền ngược 6 Tóm tắt q trình tính tốn gradient cho ma trận trọng số véc tơ điều chỉnh tầng sau: Lan truyền thuận: Với giá trị đầu vào x, tính giá trị đầu mạng, q trình tính tốn, lưu lại a(l) tầng Với tầng đầu ra, tính: (L) e( L )  z( L ) J  d ;  W( L ) J  a( L 1)e( L )T  d ( L 1) d ( L ) ; b( L ) J  e( L ) (2.39) Với l = L – 1, L – 2, , 1, tính: e(l )  ( W(l 1)e(l 1) )  f (z (l ) )   d (l ) (2.40)  tích Hadamard, tức lấy thành phần hai véc tơ nhân với để véc tơ kết Cập nhật gradient cho ma trận trọng số véc tơ điều chỉnh: W( l ) J  a(l 1)e(l )T  d ( l 1) d ( l ) ; b ( l ) J  e ( l ) (2.41) 2.3.2.5 Chuẩn hóa liệu Phương pháp chuẩn hóa liệu theo phân phối chuẩn nghiên cứu lựa chọn sử dụng 2.4 Một số ngôn ngữ lập trình sử dụng nghiên cứu Một số chương trình máy tính lựa chọn sử dụng bao gồm: MATLAB, OpenSees, Python thư viện CHƯƠNG 3: PHÂN TÍCH SỐ 3.1 Dự đốn khả chịu uốn tiết diện dầm bê tông cốt thép Một số lượng lớn tiết diện dầm thường gặp lựa chọn để phân tích tính tốn (Bảng 3.1) Diện tích cốt thép chịu kéo As bố trí dầm chọn phụ thuộc vào giá trị hàm lượng cốt thép sau 0,5%, 1%, 1,5%, 2% 2,5% Hàm lượng cốt thép chịu nén 0,5% Bê tơng có cấp cường độ chịu nén B20, B25 B30 Cốt thép thuộc nhóm CB300-V CB400-V Sẽ có 360 mẫu tiết diện dầm khác tạo 7 Bảng 3.1 Tiết diện mặt cắt ngang dầm bê tông cốt thép STT 10 11 12 13 b (m) 0,2 0,2 0,2 0,25 0,25 0,25 0,3 0,3 0,3 0,4 0,4 0,5 0,6 h (m) 0,3 0,35 0,4 0,4 0,45 0,5 0,5 0,55 0,6 0,7 0,8 0,9 0,9 3.1.1 Tính tốn theo phương pháp nội lực giới hạn chia thớ Cả hai phương pháp áp dụng để tính tốn Mu mẫu dầm, từ so sánh lựa chọn phương pháp phù hợp để tạo liệu đầu vào cho mơ hình mạng neuron nhân tạo Trong đó, phương pháp nội lực giới hạn phân tích phần mềm MATLAB chương trình OpenSees dùng để phân tích chia thớ tiết diện Mã chương trình tồn kết tính cho Phụ lục A Một phần kết trích thể Bảng 3.3 Bảng 3.3 Mô men Mu tính theo phương pháp chia thớ so sánh với Mu tính theo nội lực giới hạn Mu Sai số b h Rb Rs/Rsc As A's m m kN/m2 kN/m2 m2 m2 kN.m Chia thớ kN.m 0,2 0,3 11500 260000 0,0003 0,0003 17,2 18,9 0,2 0,3 11500 260000 0,0015 0,0003 77,1 76,4 1,0 0,2 0,3 14500 260000 0,0003 0,0003 17,2 19,3 -11,1 23 0,2 0,3 14500 350000 0,0009 0,0003 69,3 69,9 -0,8 38 0,2 0,35 14500 260000 0,00105 0,00035 73,7 75,1 -1,9 Số hiệu NLGH % -9,2 Quan sát Bảng 3.3 thấy chênh lệch Mu hai phương pháp tính đa phần nhỏ 5% Hệ số xác định R2 = 0,9995 chứng tỏ kết tính tốn nhận từ hai phương pháp xấp xỉ Số liệu tính toán Mu nhận từ phương pháp chia thớ tiếp tục sử dụng cho mục đích xây dựng mơ hình học máy bao gồm: hồi quy tuyến tính mạng neuron nhân tạo có khả dự đốn mơ men giới hạn tiết diện dầm bê tơng cốt thép 8 3.1.2 Ứng dụng mơ hình học máy để dự dốn mơ men giới hạn Trong số đặc trưng sử dụng để đánh giá mức độ tương quan với Mu cấp cường độ chịu nén bê tông Rb cường độ chịu kéo/nén cốt thép Rs/Rsc có mức độ tương quan thấp (Hình 3.2) Trong đặc trưng đầu vào kích thước tiết diện b, h diện tích cốt thép chịu kéo/nén As / As có mối tương quan mạnh với Mu, đặc biệt hệ số tương quan As với Mu lớn r = 0,9657 Tuy nhiên, cần lưu ý As Mu có hệ số tương quan lớn diện tích cốt thép chịu nén chọn phụ thuộc tuyến tính vào diện tích mặt cắt ngang tiết diện Đây lý để xây dựng mơ hình hồi quy tuyến tính nhằm dự đốn Mu dựa thơng số đầu vào As, trước sử dụng toàn đặc trưng đầu vào để xây dựng mạng neuron nhân tạo có khả dự đốn mơ men giới hạn Mu Hình 3.2 Mối tương quan đặc trưng đầu vào Mu 3.1.2.1 Dự đoán mơ hình hồi quy tuyến tính Hồi quy tuyến tính biểu diễn theo cơng thức: y  f ( x )  xT w  b (3.1) w, b véc tơ trọng số hệ số điều chỉnh cần tìm Diện tích cốt thép chịu kéo As chọn để dự đốn mơ men giới hạn Mu 360 Mẫu tiết diện chia thành hai tập huấn luyện (70% liệu) tập kiểm tra Mơ hình đánh giá tập kiểm tra hàm mát MSE Đường thẳng xấp xỉ tìm thư viện Scikit-learn có dạng Mu = 206169,68As – 133,20 Kết dự đoán thu khơng cao Sai số dự đốn lớn Mu nhận giá trị âm, điều không mà thực tế Mu phải giá trị không âm Một hiệu chỉnh sử dụng để khắc phục điều phương trình thu Mu = 183765,97As Mã chương trình hồi quy tuyến tính cho Phụ lục B Phương trình hàm số mũ xây dựng dựa mơ hình hồi quy tuyến tính sử dụng cho kết dự đốn tốt (Hình 3.6) có dạng sau: M u  2,0847  h1,238  Rs0,878  As0,888 (kN.m) (3.4) Hình 3.6 Kết dự đốn Mu phương trình hàm số mũ 10 Kết dự đốn mã chương trình hồi quy tuyến tính với nhiều biến đầu vào cho Phụ lục B Đây phương trình đơn giản mặt toán học nhiên lại cho hiệu dự đoán tốt 3.1.2.2 Dự đốn mơ hình mạng neuron nhân tạo Các đặc trưng đầu vào chọn để xây dựng mạng neuron bao gồm b, h, Rb, Rs/Rsc As Dữ liệu nhận từ phương pháp chia thớ xáo trộn ngẫu nhiên chia làm hai phần, 70% liệu dùng để huấn luyện mạng 30% cịn lại để kiểm chứng mơ hình Toàn liệu cho Phụ lục B Mơ hình với tên gọi Sequential lấy từ API Keras thư viện TensorFlow sử dụng để xây dựng mơ hình mạng neuron nhân tạo đa tầng Kiến trúc mạng neuron nhân tạo yếu tố định đến lực dự đốn mơ hình Do đó, cần phải tiến hành khảo sát nhằm tìm số nút tầng ẩn để lựa chọn sử dụng mơ hình có lực dự đoán tốt Khi khảo sát thay đổi số nút tầng ẩn, cần phải chọn cố định thơng số cịn lại mini-batch chọn 16 điểm liệu số epoch chọn 512 Số nút tầng ẩn thay đổi từ đến 35 nút Quan sát Hình 3.8, nhìn chung R2 có xu hướng tăng số RMSE có xu hướng giảm dần tăng số nút từ đến 35 nút Khi số nút tầng ẩn khoảng từ đến 20 nút, số RMSE mơ hình đạt giá trị lớn 0,116 giá trị nhỏ 0,037, tức chênh 213,5% Trong chệnh lệch giá trị lớn giá trị nhỏ 84,8% số nút tăng từ 20 nút đến 35 nút Điều nói lên kết mơ hình dần hội tụ Hệ số xác định R2 đạt giá trị lớn khoảng (18 đến 30 nút) 0,9990 Do kiến trúc mạng neuron chọn {6-32-1} (6 nút 11 tầng đầu vào, 32 nút tầng ẩn nút đầu ra) Ma trận trọng số W véc tơ hệ số điều chỉnh b cho Phụ lục B Hình 3.8 Độ xác mơ hình mạng neuron với số nút khác Hình 3.9 cho thấy ảnh hưởng tốc độ học đến kết dự đốn mơ hình mạng neuron nhân tạo có kiến trúc {6-32-1} kể Khi tốc độ học tăng 10 lần từ 0,00005 lên 0,0005 số RMSE giảm 45,2%, tốc độ học tăng lên tới 20 lần (từ 0,0005 đến 0,01) số RMSE giảm có 27,4% Sau tốc độ học tiếp tục tăng từ 0,01 đến 0,2 (20 lần) RMSE lúc lại tăng lên 164,4% Hình 3.9 Ảnh hưởng tốc độ học đến hiệu mơ hình 12 Với cách phân tích tương tự, hệ số R2 có xu hướng tăng sau lại giảm tốc độ học tăng dần Qua thấy rằng, tăng tốc độ học hiệu dự đốn mơ hình tăng Theo đó, mạng neuron {6-32-1} tiến hành dự đoán Mu tiết diện hai tập liệu gồm tập kiểm tra toàn liệu Hình 3.10 Kết dự đốn Mu mạng neuron {6-32-1} Việc dự đoán cho kết tốt mà hệ số xác định hai tập liệu cao (Hình 3.10) Hình 3.11 thể giá trị hàm qua epoch, hàm mát giảm nhanh sau vài vòng lặp hội tụ, điều khẳng định kết dự đốn đáng tin cậy Hình 3.11 Giá trị hàm mát qua epoch 13 Việc dự đoán Mu As thơng qua mơ hình hồi quy tuyến tính cho kết với độ xác thấp Do đó, mạng neuron nhân tạo xem giải pháp phù hợp trường hợp Kết dự đốn Mu từ thơng số đầu vào (b, h, Rb, As, Rs, Rsc) mạng neuron nhân tạo {6-32-1} tốt Ma trận trọng số W véc tơ hệ số điều chỉnh b toàn kết dự đoán cho Phụ lục B Ngồi ra, mơ hình hồi quy đa tuyến tính sử dụng để dự đoán Mu từ ba đặc trưng đầu vào h, Rs, As cho kết tốt 3.2 Dự đoán khả chịu uốn dầm bê tơng cốt thép 3.2.1 Tính tốn theo cấu phá hoại Xét dầm bê tông cốt thép nhịp hai đầu ngàm cho Hình 3.12 Cốt đai bố trí dầm bỏ qua tiến hành phân tích tìm tải trọng giới hạn phân bố 2Ø16 T2 2Ø16 1000 2Ø16 T1 1Ø16 B2 2Ø16 T1 2Ø16 T2 400 2Ø16 T1 1667 4Ø16 400 1667 2Ø16 400 1667 4Ø16 400 3Ø16 3000 2Ø16 B1 1000 5000 2Ø16 B1 2Ø16 B1 200 200 200 1-1 2-2 3-3 Hình 3.12 Dầm bê tông cốt thép hai đầu ngàm Tiết diện dầm chia thành 20 thớ, thông số biến dạng ứng suất biểu đồ biến dạng bê tông cốt thép lấy theo quy định TCVN 5574:2018 sau b1 = 0,6Rb, b1 = b1/Eb, b0 = 0,002, s0 = Rs/Es Các thông số lại cho Bảng 3.9 Bảng 3.9 Các thơng số kích thước tiết diện vật liệu dầm b h Rb Eb Rs/Rsc Es m m kN/m2 kN/m2 kN/m2 kN/m2 0,2 0,4 14500 3,00E+07 2,60E+05 2,00E+08 14 Việc tính tốn mơ men giới tiến hành ba tiết diện gồm tiết diện 1-1, 2-2 3-3 Theo kết phân tích, tiết diện 1-1 3-3 bê tông bị phá vỡ trước cốt thép bị kéo đứt Tải trọng giới hạn dầm cho kết là: [q] = 38,897 kN/m 3.2.2 Tính tốn theo phương pháp phân tích phi tuyến Đối với dầm hai đầu ngàm cần chia nhỏ phần tử vị trí hai đầu dầm dầm Số lượng phần tử chia 10-2-4-8-4-2-10 Theo đó, giá trị tải trọng giới hạn mà dầm chịu [q] = 32,869 kN/m Mã chương trình phân tích phi tuyến cho Phụ lục C Tải trọng giới hạn nhận từ phương pháp phân tích tuyến nhỏ 18,3% so với tải trọng giới hạn tính theo cấu phá hoại 3.2.3 Ứng dụng mơ hình học máy để dự đốn tải trọng giới hạn 3.2.3.1 Tạo liệu đầu vào Một số kích thước dầm thường gặp cho Bảng 3.11 Bê tơng có cấp cường độ chịu nén B20, B25 B30 Cốt thép chịu kéo chịu nén thuộc nhóm CB300-V CB400-V Diện tích cốt thép chịu nén 0,000226 m2 diện tích cốt thép chịu kéo As dầm chọn phụ thuộc vào giá trị hàm lượng cốt thép Toàn liệu gồm 2400 dầm cho Phụ lục D Bảng 3.11 Một số kích thước dầm thường gặp L b h m m m L b h m m m 3,6 0,2 0,3 0,2 0,3 7,2 0,3 0,6 10 7,6 0,3 0,2 0,35 0,6 11 8,4 0,4 4,5 0,2 0,7 0,35 12 8,7 0,4 5 0,7 0,25 0,4 13 9,6 0,5 0,8 5,2 0,25 0,4 14 9,9 0,6 0,9 6,1 0,3 0,5 15 10 0,5 0,8 6,5 0,3 0,5 16 11,5 0,6 0,9 STT STT 15 3.2.3.2 Sử dụng mơ hình học máy để dự đoán tải trọng giới hạn Trước hết tiến hành xây dựng mơ hình mạng neuron nhân tạo để dự đốn khả chịu uốn dầm bê tơng cốt thép hai đầu ngàm, dựa vào đặc trưng đầu vào sau L, b, h, Rs, Rb, diện tích cốt thép chịu kéo gối trái, gối phải nhịp AsI, AsJ, AsM Đầu [q] Dữ liệu huấn luyện gồm 1680 dầm phần lại dùng để đánh giá mơ hình Trường hợp tiến hành thay đổi số nút lẫn số tầng ẩn với mini-batch chọn 16 điểm liệu số epoch 256 Số nút tăng dần từ đến 40 nút Ở kiến trúc hai tầng ẩn, số nút tính tổng số nút hai tầng Hình 3.18 Ảnh hưởng số nút, số tầng đến hiệu mơ hình Kiến trúc mạng tầng ẩn có số nút đủ lớn mơ hình cho kết dự đốn tương tự với kiến trúc mạng có hai tầng ẩn (Hình 3.18) Cụ thể, số nút khoảng từ 30 đến 40 nút, chênh lệch trung bình số RMSE kiến trúc tầng ẩn hai tầng ẩn 27,6%, nhỏ nhiều so với 41,1% khoảng từ đến 28 nút Trong đó, chênh lệch trung bình hệ số R2 hai loại kiến trúc giảm nhanh từ nút 24, 0,077% so với 0,331% khoảng từ đến 22 nút Do đó, kiến trúc mạng neuron chọn {8-36-1} kết dự đốn nhận tốt (Hình 3.19) 16 Hình 3.19 Kết dự đốn mạng neuron {8-36-1} Khi lược bỏ biến Rb, Rs L khả dự đốn mạng neuron giảm đáng kể (Hình 3.22) Khi khơng có biến AsI (hoặc khơng có AsJ) mơ hình lại dự đốn tốt Sở dĩ có điều này, diện tích cốt thép gối trái gối phải nhau, cần có hai biến mơ hình học tập hiệu Hình 3.22 Kết dự đoán mạng neuron qua trường hợp liệu khác 17 Điều thể rõ lược bỏ lúc đặc trưng diện tích cốt thép hai gối mơ hình khả dự đoán tải trọng giới hạn Mơ hình hồi quy đa thức phương trình hàm số mũ sử dụng để dự đoán [q] bên cạnh mạng neuron nhân tạo Hình 3.23 Kết dự đốn hai mơ hình hồi quy đa thức đa tuyến tính (log) Hiệu dự đốn hai mơ hình khơng tốt mạng neuron nhân tạo {8-36-1} (Hình 3.23) Một nhược điểm lớn mơ hình hồi quy đa thức cần phải tạo nhiều đặc trưng mơ hình dự đốn hiệu Qua khảo sát thấy, trường hợp dự đốn khả chịu uốn dầm bê tông cốt thép, mạng neuron nhân tạo {8-361} làm tốt nhiệm vụ Khi lược bỏ hồn tồn diện tích cốt thép hai gối mơ hình khơng cịn khả dự đoán tải trọng giới hạn [q] Hai mơ hình hồi quy đa thức hồi quy đa tuyến tính với liệu lấy logarit (phương trình hàm số mũ) sử dụng để dự đoán với tập liệu đầu vào Thế nhưng, hiệu mà hai mơ hình mang lại không cao mạng neuron nhân tạo So với phương trình hàm số mũ để đạt kết tốt độ phức tạp mơ hình hồi quy đa thức tăng lên đáng kể 18 CHƯƠNG 4: KẾT LUẬN VÀ KIẾN NGHỊ 4.1 Kết luận Trí tuệ nhân tạo trở thành nhân tố cốt lõi hệ thống cơng nghệ cao Do đó, việc ứng dụng trí tuệ nhân tạo nói chung học máy nói riêng vào ngành kỹ thuật xây dựng xem hòa nhập thiết yếu xu hướng phát triển chung nhân loại Tại Việt Nam, việc ứng dụng học máy vào kỹ thuật xây dựng phát triển chưa thực nở rộ Do với mục đích giới thiệu ứng dụng, học viên tiến hành xây dựng mơ hình mạng neuron nhân tạo có khả dự đốn khả chịu uốn tiết diện dầm bê tông cốt thép Bên cạnh đó, khảo sát cần thiết trình xây dựng mạng neuron học viên thực Nghiên cứu đạt số kết quan trọng từ đưa kết luận sau: - Tạo liệu đầu vào cho mơ hình mạng neuron nhân tạo để dự đốn mơ men giới hạn tiết diện dầm bê tơng cốt thép hình chữ nhật phương pháp chia thớ sau so sánh với kết nhận từ phương pháp nội lực giới hạn quy định TCVN 5574:2018 Việc lựa chọn kết tính mơ men giới hạn Mu từ phương pháp chia thớ để thuận tiện tiếp tục tìm tải trọng giới hạn [q] dầm dù kết nhận từ hai phương pháp xấp xỉ - Xây dựng thành cơng mạng neuron nhân tạo có kiến trúc {632-1} để dự đốn mơ men giới hạn thông qua liệu tạo bên trên, ma trận trọng số W véc tơ hệ số điều chỉnh b tương ứng với kiến trúc mạng cho Phụ lục B Bên cạnh đó, số mơ hình hồi quy tuyến tính sử dụng để dự đốn mơ men giới hạn Mu Dù với ba đặc trưng đầu vào diện tích cốt thép chịu kéo 19 As, chiều cao h cường độ chịu kéo cốt thép Rs (các đặc trưng có mối tương quan mạnh với Mu), phương trình hàm số mũ M u  2,0847  h1,238  Rs0,878  As0,888 cho kết dự đốn ngồi mong đợi Ngoài ra, sử dụng biến đầu vào diện tích cốt thép chịu kéo As, mơ hình hồi quy tuyến tính thể khả dự đoán - Dữ liệu đầu vào cho mạng neuron nhân tạo có khả dự đốn khả chịu uốn dầm bê tơng cốt thép hai đầu ngàm tạo phương pháp phân tích phi tuyến So với cấu phá hoại, phương pháp phân tích phi tuyến cho kết tải trọng giới hạn mà dầm chịu nhỏ Điều phù hợp với điều kiện phá hoại tiết diện dầm quy định TCVN 5574:2018 - Xây dựng mơ hình mạng neuron nhân tạo có kiến trúc {8-36-1} dùng để dự đoán tải trọng giới hạn phân bố dầm bê tông cốt thép hai đầu ngàm cho kết dự đoán tốt với độ tin cậy cao Các ma trận trọng số W hệ số điều chỉnh b thể chi tiết Phụ lục D Mơ hình hồi quy xây dựng liệu lấy logarit (phương trình hàm số mũ) tiếp tục sử dụng để dự đoán [q] bên cạnh mơ hình khác có tên gọi hồi quy đa thức Mặc dù hai mơ hình hồi quy sử dụng nhiều đặc trưng đầu vào lại cho kết dự đoán thấp so với kết nhận từ mạng neuron nhân tạo So với phương trình hàm số mũ mơ hình hồi quy đa thức có độ phức tạp lớn nhiều - Ngồi kết kết luận nêu trên, nghiên cứu rút số kết luận khác như: tùy vào trường hợp cụ thể mà khảo sát lựa chọn kiến trúc mạng thông số kèm cho phù hợp; ảnh hưởng tốc độ học đến kết mô hình rõ rệt; bớt vài đặc trưng đầu vào, hiệu dự đoán 20 mơ hình giảm sút, đặc biệt đặc trưng có mối tương quan mạnh với đầu mục tiêu 4.2 Kiến nghị Học viên đề xuất số hướng nghiên cứu: - Thực nghiên cứu cấu kiện kết cấu có quy mơ lớn như: dự đoán khả chịu uốn dầm bê tơng cốt thép có xét ảnh hưởng cốt đai, dự đốn khả chịu uốn dầm bê tơng cốt thép có xét đến làm việc phi tuyến hình học, dự đốn khả chịu cắt dầm bê tông cốt thép - Ứng dụng số mô hình học máy khác có khả dự đốn hiệu mạng neuron nhân tạo  ... giá trị tải trọng giới hạn mà dầm chịu [q] = 32,869 kN/m Mã chương trình phân tích phi tuyến cho Phụ lục C Tải trọng giới hạn nhận từ phương pháp phân tích tuyến nhỏ 18,3% so với tải trọng giới... tải trọng giới hạn [q] dầm dù kết nhận từ hai phương pháp xấp xỉ - Xây dựng thành công mạng neuron nhân tạo có kiến trúc {632-1} để dự đốn mơ men giới hạn thơng qua liệu tạo bên trên, ma trận trọng. .. tải trọng giới hạn mà dầm chịu nhỏ Điều phù hợp với điều kiện phá hoại tiết diện dầm quy định TCVN 5574:2018 - Xây dựng mơ hình mạng neuron nhân tạo có kiến trúc {8-36-1} dùng để dự đoán tải trọng