t v n đ

Trí tu nhân t o và h c máy

Trong thời đại công nghiệp 4.0, khoa học máy tính trở thành phần không thể thiếu trong đời sống của con người toàn cầu Trí tuệ nhân tạo (AI) là công nghệ cốt lõi, ảnh hưởng đến mọi lĩnh vực trong cuộc sống Chúng ta tiếp xúc với AI hàng ngày, thường xuyên mà không nhận ra, ví dụ như các hệ thống gợi ý sản phẩm trên các trang thương mại điện tử như Shopee, Tiki, hay các trợ lý ảo trong gia đình Mặc dù trí tuệ nhân tạo thường được thổi phồng trên các phương tiện truyền thông, nhưng thực tế nó đang thay đổi hoàn toàn cách mà nhân loại hoạt động trong nhiều thập kỷ tới.

Học máy là một phần quan trọng của trí tuệ nhân tạo, liên quan đến việc nghiên cứu nhằm lập trình, đào tạo máy tính có khả năng học hỏi từ các tập dữ liệu mà không cần lập trình tường minh, khác với các phương pháp truyền thống Công nghệ học máy giúp máy tính có thể dự đoán và đưa ra quyết định dựa trên các dữ liệu đã được xử lý.

Có ba điều kiện cần thiết để áp dụng một thuật toán mà không cần một giải thuật cụ thể Thực tế cho thấy, một thuật toán máy có thể cung cấp kết quả trả về của hàm f(x) tại giá trị x mà không cần biết rõ ràng phương trình của hàm số này Tuy nhiên, phương pháp này cần phải có một cơ sở dữ liệu đầy đủ để hướng dẫn mô hình.

Mô hình AI hiện nay đang được phát triển mạnh mẽ nhờ vào sự hỗ trợ từ các phần mềm và dịch vụ xây dựng Với nguồn dữ liệu phong phú, bất kỳ ai cũng có thể tiếp cận và sử dụng công nghệ học sâu để nâng cao khả năng hiểu biết của mình.

Trong thời gian gần đây, sự bùng nổ của khái niệm thành phố thông minh đã khiến công tác theo dõi và chẩn đoán sức khỏe công trình (SHM) và trí tuệ nhân tạo (AI) trở nên quan trọng Các nhà quản lý và các bộ phận bảo trì trong những thành phố này có thể dễ dàng phát hiện và chẩn đoán trạng thái của công trình, bao gồm cả thiết bị, phòng và toàn bộ tòa nhà, trong thời gian thực Từ góc nhìn của trí tuệ nhân tạo, các vấn đề liên quan đến công tác ra quyết định, chẩn đoán thiệt hại, phát hiện nứt và các yếu tố bất thường khác được cải thiện đáng kể.

Những vấn đề phức tạp thường được giải quyết một cách nhanh chóng nhờ vào trí tuệ nhân tạo, mà không cần đến sự can thiệp của con người Các mô hình AI có khả năng mô hình hóa và đưa ra quyết định chính xác cao bằng cách thu thập dữ liệu kinh nghiệm trong quá khứ Chúng có thể học hỏi và hiểu các cấu trúc dữ liệu, từ đó phân loại các khái niệm và đưa ra những quyết định mang tính chất dự đoán và cảnh báo.

Bài viết này giới thiệu và áp dụng hai thuật toán học máy phổ biến trong môi trường công nghệ thông tin hiện đại: Mạng nơ-ron sâu (Deep Neural Network) và Extreme Gradient Boosting (XGBoost).

M c tiêu và n i dung nghiên c u

M c tiêu nghiên c u

Mục tiêu nghiên cứu của đề tài là phát triển phương pháp chẩn đoán hành vi kỹ thuật của dàn chủ tịch trong nhiệt đới và tác động đến các thiết bị đo đạc bị hạn chế Phương pháp đề xuất gồm ba giai đoạn, sử dụng phương pháp tối ưu hóa nhằm kết hợp với kỹ thuật học sâu để cải tiến chi phí tính toán của quá trình tối ưu.

N i dung nghiên c u

C th các n i dung c a nghiên c u trong lu n v n nh sau:

- Xây d ng mô hình gi m b c đ xác đ nh ng x c a h k t c u dàn ch u nhi t đ và t i tr ng đ ng, trong tr ng h p b h n ch thi t b đo đ c

Sử dụng chất lượng lồng ghép trong giá trị xác định sẽ giúp các phần tử nghi ngờ hành động trong giai đoạn thành tích Từ đó, cải thiện sự biên thiết kế sử dụng trong bài toán tối ưu hóa ngữ cảnh trong giai đoạn thứ hai.

- K t h p các k thu t h c sâu trong trí tu nhân t o nh n d ng và ch n đoán s b m c đ h h ng c a các ph n t đ ti p t c gi m s bi n thi t k c n xét

- Sau cùng, s d ng các thu t toán t i u hóa không đ o hƠm đ t i u hóa bƠi toán trên nh m nh n d ng và ch n đoán đ c các ph n t h h ng m t cách chính xác nh t

Các bậc học chân đoán k trên sân đích áp dụng lên nhiều hệ thống phòng học không gian khác nhau với số lượng thanh khác nhau Cuối cùng, phân tích kết quả đạt được và rút ra kết luận cùng kiến nghị hướng nghiên cứu tiếp theo.

1.3 iăt ng và ph m vi nghiên c u

Trong luận văn này, đối tượng nghiên cứu là các hệ thống cấu trúc và không gian chịu tải nhiệt động và tải trọng động Nghiên cứu sẽ trích xuất và phân tích các yếu tố tác động của tải trọng động đến tải trọng động, đồng thời xem xét không đồng thời có sự ảnh hưởng của tải nhiệt đến Vật liệu được khảo sát trên miền đơn hình, không kể đến sự thay đổi tính chất vật liệu do ảnh hưởng hay biến thiên nhiệt độ.

1.4 Tính c n thi tăvƠăỦăngh aăth c ti n c a nghiên c u

Các kết cấu đơn được sử dụng rộng rãi trong lĩnh vực xây dựng, đặc biệt là dàn thép trong các công trình nhà máy công nghiệp, mái vòm của sân vận động, nhà triển lãm, và sân ga máy bay Mặc dù các kết cấu này đơn giản trong thiết kế và thi công, nhưng chúng mang lại hiệu quả kinh tế cao Tuy nhiên, chúng thường gặp phải những hạn chế về khả năng bảo vệ trước tác động của môi trường như nhữ rỉ sét, oxi hóa, và kháng nhiệt kém so với các công trình xây dựng bằng bê tông cốt thép Trong suốt vòng đời của các kết cấu này, luôn tồn tại những khó khăn trong việc kiểm soát nhiệt độ do sự biến đổi của môi trường và các tác nhân gây ra như nhiệt độ máy móc, thiết bị Hơn nữa, các yếu tố tác động trong hạ tầng công nghiệp và dân dụng thường được thiết kế theo tiêu chuẩn hiện hành, nhưng thực tế vẫn còn nhiều thành phần tiềm ẩn ảnh hưởng đến tính ổn định và an toàn của công trình Vì vậy, việc bảo dưỡng các công trình công nghiệp là rất cần thiết.

5 cách giúp bạn tiết kiệm chi phí cho các hoạt động thường xuyên là một chủ đề quan trọng Việc lựa chọn các phương pháp hợp lý không chỉ giúp giảm bớt gánh nặng tài chính mà còn nâng cao hiệu quả trong quản lý ngân sách cá nhân Hãy xem xét các giải pháp thông minh để tối ưu hóa chi tiêu hàng ngày mà vẫn đảm bảo chất lượng cuộc sống.

Trong các phương pháp SHM, các phương pháp không phá hủy xác định hành động của kết cấu trên dao động trở thành một trong những phương pháp tiên tiến cần thiết trong việc phát hiện hành động và giám sát sự khẽ của kết cấu, nhờ vào tính linh hoạt, chi phí thấp và tính khả thi của việc giám sát kết cấu tương thích trong thời gian thực Tuy nhiên, các nghiên cứu áp dụng phương pháp này trong nhiều năm qua còn hạn chế, do vậy việc mở rộng nghiên cứu là cần thiết Bên cạnh đó, việc áp dụng những thuật toán trí tuệ nhân tạo và tối ưu hóa cũng đóng vai trò quan trọng trong việc bắt kịp các xu hướng mới của thời đại, tận dụng tối đa nguồn lực hiện có để phát triển lĩnh vực chẩn đoán hành động nói riêng và kỹ thuật xây dựng nói chung.

N i dung lu n v n trình bƠy g m 5 ch ng nh sau:

Ch ng nƠy nh m gi i thi u s l c v các v n đ trong đ tƠi vƠ l nh v c nghiên c u Ngoài ra, m c tiêu, n i dung, đ i t ng và tính c n thi t c a nghiên c u c ng đ c trình bày c th

Bài viết này cung cấp cái nhìn tổng quan về các nghiên cứu liên quan đến đề tài thực hiện Qua đó, chúng tôi sẽ phân tích và tổng kết các hướng đi còn thiếu trong lĩnh vực nghiên cứu luận văn.

Ch ng nƠy trình bƠy c s lý thuy t v ph ng pháp ch n đoán h h ng ba b c

Lý thuyết về dàn chủ tịch trong điều kiện động và tĩnh, mô hình giảm bậc, năng lượng biến đổi, mô hình học sâu và các kỹ thuật tối ưu hóa sẽ được trình bày một cách chi tiết.

CH NG 4 CÁC BÀI TOÁN KH O SÁT

Trong chương này, một số ví dụ được khảo sát cho nhiều hướng khác nhau để minh chứng tính hiệu quả của phương pháp đề xuất trong Chương 3 Việc lựa chọn thông số và mô hình phù hợp với phương pháp nhằm cân bằng giữa khả năng dự đoán hiệu quả và chi phí tính toán cũng được nghiên cứu một cách chi tiết.

CH NG 5 K T LU N VÀ KI N NGH

T k t qu thu đ c, ch ng nƠy rút ra m t s k t lu n v đi m m nh, đi m y u c a ph ng pháp kèm các ki n ngh cho nh ng nghiên c u v sau

2.1 Tình hình nghiên c uăn c ngoài

Quá trình phát triển các phương pháp chẩn đoán hướng kĩ thuật số đã diễn ra trong một thời gian dài và hiện nay có nhiều phương pháp được các nhà nghiên cứu đề xuất Trong số đó, nhóm các phương pháp chẩn đoán không phá hủy dựa trên dao động đang chiếm ưu thế Nhóm này có thể được chia thành ba nhóm con chính: (i) phương pháp dựa trên tín hiệu dao động; (ii) phương pháp dựa trên dòng dao động; và (iii) phương pháp dựa trên động cộng đồng dao động hoặc biến động của dòng dao động.

Chọn đoán giá trên thị trường tài chính là một phương pháp truyền thống nhất Nghiên cứu của Liang và cộng sự (1991) đã đề xuất sử dụng ba biến động đầu vào để phát hiện vật thể và mục đích hành động trong các dòng đơn giản và dòng công xôn Patil và Maiti (2003) cũng đã có những đóng góp quan trọng trong lĩnh vực này.

Phương pháp chọn đoán vật thể mới cho dầm Euler-Bernoulli với các điều kiện biên khác nhau đã được nghiên cứu Phương pháp này dựa vào sự dịch chuyển trong tần số dao động tự nhiên Kim và Stubbs (2003) đã giới thiệu chỉ số hư hỏng đơn (Single Damage Indicator) để đánh giá tình trạng của dầm.

SDI là một phương pháp đánh giá và định lượng động lực trong dòng chảy động vật, với một số tên gọi dao động tự nhiên đầu tiên Nhóm các phương pháp này còn gặp nhiều hạn chế, trong đó nổi bật là các tên gọi dao động của hệ thống trên giả thuyết Euler và Bernoulli, dẫn đến việc áp dụng chính xác cho các cấu kiện dầm mảnh Hiện nay, nhiều trường hợp hợp hạng trên thực tế bắt đầu với mức độ không quá lớn Do đó, nhược điểm của hợp hạng đến tên gọi dao động tự nhiên đôi khi không rõ ràng và không bằng với sự sai khác tên gọi so với mô hình do điều kiện hoạt động của hệ kết cấu.

Nhóm các phương pháp chọn đoán dựa trên động dao động có nhiều lợi thế khi xác định vị trí hư hỏng cục bộ, vì bản thân động dao động có khả năng miêu tả chuyển động và toàn bộ các vị trí của hệ thống kết cấu Shi và cộng sự (2000) đã đưa ra phương pháp chọn đoán hư hỏng dựa trên MDLAC (Multiple damage location assurance criterion) với dữ liệu động dao động thay vì tần số Lee và cộng sự (2005) trình bày một kỹ thuật chọn đoán hư hỏng mới dựa trên mạng nơ-ron nhân tạo khác nhau trong động dao động của kết cấu nguyên vẹn và hư hỏng Abdo và Hori (2002) chứng minh rằng góc xoay (đo hàm bậc của chuyển vị) của động dao động là dữ liệu nhạy hơn so với chuyển vị trong việc chọn đoán hư hỏng kết cấu Nhìn chung, ngoài việc xác định hư hỏng cục bộ, các dữ liệu về động dao động ít bị ảnh hưởng bởi điều kiện môi trường (nhiệt độ, thời tiết, quá trình hoạt động, ).

8 li u này c n l ng l n c m bi n trên công trình Quá trình đo đ c c ng khó kh n vƠ d b nhi u do sai s c bi t là v i các d ng dao đ ng sau

Nghiên cứu của Abdo và Hori (2002) cho thấy góc xoay của dụng cụ dao động có ảnh hưởng đến chuyển động trong chiến đoán hướng Một số chứng minh khác cũng chỉ ra rằng động cơ có tác động tương tự Do đó, nhóm các thuật toán dựa trên động dao động đã được phát triển để cải thiện hiệu quả Điểm mạnh của nhóm này là khả năng nhận diện hướng tiềm năng của các hạn chế của phương pháp truyền thống, giúp giải quyết các vấn đề trong quyết định trí tuệ.

L n đ u tiên s thay đ i đ cong d ng dao đ ng (Modal Curvature Change ậ MSC) đ c đ xu t trong ch n đoán h h ng b i Pandey và c ng s (1991) [13] Li và c ng s (2005)

Tình hình nghiên c u t i Vi t Nam

T i Vi t Nam, nhi u nghiên c u có liên quan đ l nh v c đánh giá h h ng k t c u đ c xu t b n vƠ đ ng trên các t p chí, h i ngh khoa h c trong n c nh sau:

Lê và Nguyên (2009) đã đề xuất phương pháp xác định vị trí và chiều sâu của các vật thể trong dải băng bằng thuật toán di truyền (Genetic Algorithm - GA), dựa trên dữ liệu hình ảnh chẩn đoán vật thể là tần số dao động riêng của dải băng Ma trận đặc trưng của phần tử dải băng có vật thể được xây dựng dựa trên giá trị tần số dao động xuất hiện của vật thể Vị trí và chiều sâu của vật thể được xác định thông qua tối ưu hóa hàm mục tiêu biểu diễn sự chênh lệch.

10 l ch gi a t n s riêng tính toán và đo đ c K t qu nh n đ c cho th y ph ng pháp nƠy cho giá tr ch n đoán có đ chính xác và t c đ h i t cao

Lê và H (2015) trình bày phương pháp nâng cao khả năng dự đoán hành động trong kịch bản cầu đường tạm Kết quả phân tích cho thấy phương pháp kiến nghị có khả năng dự đoán chính xác và tin cậy trong kịch bản cầu đường tạm với các điều kiện biên khác nhau khi sử dụng các dạng dao động và ngữ hành động thích hợp.

Tr n và Ngô (2016) đã trình bày kết quả phân tích tấm chắn tần số dày có vật thể nắn xiên bằng phương pháp phân tích hàm hồi quy (PTHH), sử dụng hai loại PTHH kỳ dị của Barsoum: tam giác đều tham số bậc hai sáu nút và tam giác đều tham số bậc hai tám nút Tác giả xác định được vị trí vật thể bất kỳ trong tấm chắn bằng phân tích wavelet hai chiều đối với đổ vỡ và các dao động riêng Kết quả cho thấy đây là một phương pháp chính xác và có thể ứng dụng hiệu quả trong thực tế.

Lê (2017) đã áp dụng phương pháp năng lượng biến dạng để dự đoán vị trí và mức độ hư hỏng cho kết cấu khung không gian thông qua hai bước thực hiện Trong bước thứ nhất, ba chỉ tiêu đánh giá sự xuất hiện của hư hỏng bao gồm: tỷ lệ thay đổi năng lượng biến dạng modal (MSECR), chỉ số dựa trên năng lượng biến dạng modal (MSEBI) và chỉ số tương đương năng lượng biến dạng modal (MSEEI) được trình bày để dự đoán vị trí xảy ra hư hỏng Trong bước thứ hai, thuật toán di truyền được sử dụng để tối ưu hóa các chỉ tiêu hàm mục tiêu với biến số vectơ đại diện cho hư hỏng của các phần tử có khả năng gây ra hư hỏng được ghi nhận từ bước trước đó.

H và c ng s (2018) đã trình bày phương pháp chọn đoán hành trình trong kết cấu đường với các điều kiện biên khác nhau, sử dụng phương pháp ngẫu nhiên biến động để kiến nghị và áp dụng thành công cho bài toán đoán điểm dừng và bài toán đoán công-xôn Kết quả phân tích cho thấy, phương pháp chọn đoán đề xuất có khả năng chọn đoán chính xác vị trí hành trình trong dầm, đặc biệt khi sử dụng dao động thích hợp.

Trong nghiên cứu của Huỳnh (2019), tác giả đã thực hiện chẩn đoán hành vi trong kinh tế học thông qua phương pháp hai bước Bằng cách sử dụng các chỉ tiêu chẩn đoán như MSECR, MSEBI, MSEEI và MSEPI, kết quả cho thấy chỉ tiêu MSEEI mang lại hiệu quả tốt nhất Nghiên cứu cũng xác nhận rằng việc sử dụng thuật toán di truyền để đánh giá mức độ hành vi bậc 2 cho kết quả chính xác cao trong việc chẩn đoán mức độ hành vi của phân tử.

Nguy n (2021) đã sử dụng nhiều phương pháp chẩn đoán phá hủy dựa vào kết quả phân tích dao động khác nhau, bao gồm thay đổi tần số, thay đổi dạng dao động và thay đổi năng lượng biến động, để xác định trạng thái hoạt động của khung bê tông cốt thép Phương pháp năng lượng là một trong những phương pháp hiệu quả trong nghiên cứu này.

11 bi n d ng kèm v i thu t toán trí tu nhân t o sau đó c ng đ c Võ (2022) [37] áp d ng trong ch n đoán h h ng k t c u t m.

T ng k t

Hiện nay, nhiều phương pháp chẩn đoán hư hỏng được phát triển, đặc biệt là các phương pháp sử dụng đặc trưng dao động nhận được sự chú ý lớn Ví dụ, các phương pháp dựa trên sự thay đổi của tần số, sự thay đổi của dạng dao động, và phương pháp dựa trên năng lượng biến dạng mô đun (Modal Strain Energy - Based Damage Detection Method) đang được nghiên cứu Tuy nhiên, những phương pháp này vẫn gặp khó khăn trong việc đo đạc các thông số đặc trưng dao động của công trình thực tế và thường tốn nhiều chi phí.

Mặc dù một số báo cáo công được đưa ra, việc sử dụng giá trị đáp ứng của hệ thống điều chỉnh đang gặp khó khăn do tình trạng dữ liệu đầu vào rất lớn, dẫn đến chi phí tính toán ngày càng tăng.

Có nhiều thuật toán tối ưu hóa không đạo hàm, hay nói cách khác, là các thuật toán dựa trên lý thuyết ngẫu nhiên, đã được áp dụng thành công trong lĩnh vực dự đoán hành hung kết cấu Bên cạnh đó, vẫn còn tồn tại nhiều khiếm khuyết cần được nghiên cứu kỹ lưỡng và giải quyết triệt để, đặc biệt là về yếu tố chi phí tính toán, nhằm định hướng rõ ràng cho bài toán cụ thể Tính khái quát của các bài toán dự đoán hành hung càng là một vấn đề đáng quan tâm.

Để phát triển phương pháp dự đoán hiệu quả cho các ngành theo thời gian của thị trường, việc áp dụng các chỉ số kinh tế, văn hóa và chuyên môn là cần thiết Điều này cho phép các nhà phân tích nắm bắt được dữ liệu một cách trực tiếp mà không cần qua các thuật toán xử lý kết quả, từ đó giảm thiểu chi phí đo đạc và tính toán Hơn nữa, việc xây dựng mô hình dự đoán trên lý thuyết gần thực tế sẽ giúp xem xét và đánh giá nhiều dữ liệu đo đạc có liên quan.

Trong nghiên cứu này, hai thuật toán học sâu (DNNs, XGBoost) được áp dụng kết hợp với các thuật toán tối ưu hóa ngẫu nhiên (DE, HBA) nhằm dự đoán mức độ ảnh hưởng của các yếu tố cấu thành dàn thu n túy với chi phí tính toán thấp nhất Từ đó, phân tích và lựa chọn thuật toán phù hợp nhằm xây dựng hệ thống dự đoán hiệu quả Nội dung này sẽ được trình bày chi tiết trong các chương sau.

CH NGă3 C ăS LÝ THUY T

Chúng tôi trình bày nội dung chi tiết về phương pháp chẩn đoán hành động đặc trưng và các lý thuyết, thuật toán cần áp dụng Dữ liệu đầu vào đánh giá hành động là đáp ứng giá trị của hành chủ tịch trong động có hoặc không có chủ tịch nhiệt độ Trên thực tế, để có được các biến này, phải dựa vào kết quả đo đạc từ nhiều cặp biến được gán trên kết cấu cần chẩn đoán Tuy nhiên, trong khuôn khổ này, người sử dụng cần kết cấu hành động sẽ được ghi nhận trích xuất từ mô phỏng sử dụng phương pháp phân tích thuần truyền thống.

3.1 H dàn ch u nhi tăđ và t i tr ngăđ ng

Trong phơn tích đ ng, các h k t c u th ng đ c th hi n d i d ng r i r c và ph ng trình chuy n đ ng ch đ o c a h có d ng [38]

Mx Cx Kx f (3.1) là công thức mô tả mối quan hệ giữa ma trận khối lượng (M), ma trận cản (C) và ma trận độ cứng (K) của hệ thống Trong đó, x là véc tơ dịch chuyển, và xl là véc tơ lực tác động tại nút phần tử theo thời gian Thời gian t được xem xét trong phân tích này, phản ánh độ tự do (degree of freedom - DOF) của phần tử trong toàn bộ hệ thống.

Trong lu n v n, ph n t dàn hai đ u nút tuy n tính hai chi u ho c ba chi u đ c s d ng v i các ma tr n đ c ng và kh i l ng (lumped mass) ph n t l n l t là

Cách tìm kiếm lời giải cho phương trình (3.1) bằng phương pháp giải tích truyền thống thường tốn nhiều thời gian và công sức, đặc biệt là với những công trình phức tạp có số lượng bậc lớn Do đó, nhiều nhà nghiên cứu đã đề xuất các lời giải bằng phương pháp số với mục đích tích hợp và tận dụng khả năng tính toán của máy tính trong thời đại hiện nay Một trong những phương pháp thông dụng nhất được sử dụng là phương pháp Newmark-Beta, được trình bày trong mục 3.1.1.2.

Phương pháp Newmark - Beta, được trình bày chi tiết trong tài liệu [38], là một kỹ thuật quan trọng trong việc giải phương trình động học Trong phương pháp này, các gia tốc được xác định theo thời gian một cách chính xác nhờ vào việc áp dụng phương pháp khai triển Taylor.

 và  ( = 2  ) là các tham s quy t đ nh s n đnh vƠ đ chính xác c a ph ng pháp

2 đ c xem xét b i vì tính n đ nh c a l i gi i (l i gi i h i t v k t qu chính xác mà không ph thu c vƠo b c th i gian đang ch n)

Lo i b   u s +1 trong ph ng trình (3.6) và (3.7), ta vi t l i   u s +1 d i d ng:

Nhơn ph ng trình (3.6) v i M s+ 1 và thay th cho M x s + 1 s + 1 t ph ng trình (3.1) ta đ c:

S d ng ph ng x s+ 1 trong ph ng trình (3.9) th vào (3.13) và rút g n, ta đ c: Ồ, Ồ s + s + = s s +

Trong bài viết này, chúng ta sẽ xem xét tính đặc trưng của hệ phương trình (3.16) với các điều kiện biên đã cho Mặc dù giá trị tại thời điểm ban đầu x0 không xác định, nhưng thông qua việc sắp xếp lại các biến, chúng ta có thể tính được tính đặc trưng của phương trình (3.1) với giả thiết tại thời điểm t=0 là bằng 0.

Trong m i b c l p c a bài toán, véc t v n t c x s+ 1 vƠ véc t gia t c x s+ 1 đ c tính d a trên công th c (3.6) và (3.7):

Tại thời điểm bất kỳ, các giá trị của bậc thang sẽ chứa đựng thông tin về sức khỏe của công trình Điều này rất quan trọng vì khi công trình hư hỏng, các giá trị này sẽ thay đổi theo.

Trong quá trình xây dựng, các công trình phải đối mặt với sự thay đổi môi trường và tác động từ nhiệt độ theo thời gian Sự biến đổi này không chỉ ảnh hưởng đến tính chất vật liệu mà còn tạo ra những áp lực không mong muốn trong kết cấu Các tiêu chuẩn thiết kế hiện đại cần xem xét tác động của nhiệt độ để đảm bảo độ chính xác trong việc dự đoán hành vi của công trình Việc không xác định đúng mức độ tác động của nhiệt độ có thể dẫn đến những kết quả dự đoán không chính xác Đặc biệt, sự co giãn của vật liệu và các thành phần trong kết cấu cần được đánh giá theo phương dài, trong khi các tính chất cơ học như mô đun Young cũng có thể bị ảnh hưởng bởi nhiệt độ.

16 trong đó: T là h s giãn n nhi t c a v t li u (đ i v i thép vào kho ng 11 13 10~ −6 K -

1); L là chi u dài thanh, và T là chênh l ch nhi t đ so v i ban đ u

Trong khuôn kh lu n v n, tác đ ng c a s thay đ i nhi t đ s đ c th hi n thông qua l c d c trong thanh vƠ đ c quy đ i thành t i t p trung t ng đ ng t c các nút dàn, tính qua công th c:

Th (3.19) vào (3.20) ta có công th c tính giá tr l c d c trong thanh do thay đ i nhi t đ gây ra:

Các k t c u l n và ph c t p v i s l ng l n b c t do (DOFs) thường có chi phí tính toán cao trong phân tích phần tử hữu hạn Để giảm bớt độ phức tạp, việc rút gọn ma trận đặc trưng và ma trận khối lượng là rất quan trọng Mô hình giảm bớt không chỉ giúp tiết kiệm thời gian tính toán mà còn cải thiện độ chính xác trong dự đoán hành vi kết cấu Trong mô hình thông thường, các b c t do chính (master DOFs) được rút gọn, trong khi các b c t do phụ thuộc (slave DOFs) được suy ra từ kết quả phân tích của các b c t do chính Nhiều phương pháp giảm bớt mô hình đã được đề xuất và chứng minh hiệu quả, trong đó nổi bật là phương pháp giảm bớt bằng khai triển Neumann được đề xuất bởi Yang cho bài toán phân tích dao động tự do Lieu và cộng sự cũng đã áp dụng thành công phương pháp này cho kết cấu dàn chịu tải trọng động.

Ph ng trình (3.1) đ c vi t l i d i d ng ph ng trình (3.22) trong đó ‘m’ là kí hi u cho các b c t do đ c g n c m bi n đo đ c (b c t do chính) và ‘s’ là nh ng b c t do còn l i (b c t do ph thu c)

M M x C C x K K x mm ms m mm ms m mm ms m m s sm ss s sm ss s sm ss s

V i ma tr n c n đ c th hi n d i d ng t l c a ma tr n kh i l ng và ma tr n đ c ng theo (3.23) Trong đó M và  K t ng tr ng cho h s c n t l theo h s c n

Rayleigh [41] Trong lu n v n gi s t l c n chung cho các h k t c u là  =5% đ i v i

2 t n s góc đ u tiên  1 (rad/s) và  2 (rad/s)

C C M M K K mm ms mm ms mm ms sm ss sm ss sm ss

, (3.23) trong đó, cách xác đ nh 1 và 2 đ c th hi n trong (3.24)

M c tiêu c a mô hình gi m b c lƠ đ a ph ng trình (3.1) v d ng nh sau

M x C x K x f được xác định theo công thức (3.25), trong đó x R, x R và x R l n l t đại diện cho đáp ứng gia tốc, vận tốc và chuyển vị theo thời gian của mô hình rút gọn Các ma trận M R, C R và K R lần lượt là ma trận khối lượng, ma trận cản và ma trận độ cứng rút gọn, được tính toán thông qua các công thức (3.26) và (3.27).

C M K , (3.27) v i Vlà ma tr n chuy n, theo ph ng pháp gi m b c b ng chu i Neumann b c 2 trong

[40], Vđ c xác đnh qua (3.28) và (3.29)

1 ss ss ss sm mm 2 mm mm mm

3 ms ss sm 4 mm mm ms 5 ms ss ss

1 ss 1 ms 2 ss 1 sm 1 mm

T đó x R, x R và x R gi i đ c b ng ph n t h u h n kèm ph ng pháp Newmark- beta Sau cùng các đáp ng gia t c, v n t c chuy n v c a h k t c u ban đ u đ c tính ng c tr l i b ng ph ng trình (3.30)

3.2 Ch s n ngl ng bi n d ng d a trên đápă ng gia t c

L y Ủ t ng t ch s n ng l ng bi n d ng d a trên dao đ ng MSEBI (Modal Strain

Chỉ số dựa trên năng lượng (ASEI) do Seyedpoor [21] và Lieu cùng cộng sự [29] đề xuất nhằm đánh giá khả năng ảnh hưởng của phần tử đá vào các phản ứng giá cả của hệ thống chủ yếu theo thời gian Các bước tính toán chỉ số ASEI sẽ được trình bày chi tiết trong mục này.

N ng l ng bi n d ng d a trên gia t c (ASE) c a ph n t th e t i b c th i gian t , e

At , đ c xác đnh b ng công th c (3.31)

2 , (3.31) trong đó, K e là ma tr n đ c ng ph n t th e , và x e t lƠ véc t đáp ng gia t c t i b c th i gian t

V i m c tiêu thu n ti n cho vi c tính toán, ASE c a ph n t th e đ c chu n hóa d i d ng: e t e t ne e e t

H dàn ch u nhi t đ và t i tr ng đ ng

T i nhi t đ

Trong quá trình xây dựng, các công trình thường xuyên chịu tác động từ môi trường xung quanh, dẫn đến sự thay đổi về nhiệt độ theo thời gian Sự biến đổi này không chỉ ảnh hưởng đến tính chất vật liệu mà còn gây ra những ảnh hưởng không mong muốn trong thiết kế Các tiêu chuẩn thiết kế hiện đại cần xem xét những tác động này để đảm bảo tính chính xác trong các phương pháp dự đoán Việc không xác định được chính xác nhiệt độ và ảnh hưởng của nó có thể làm giảm độ tin cậy trong các dự đoán Sự biến thiên nhiệt độ cũng ảnh hưởng đến độ co giãn của vật liệu, đặc biệt là trong các bài toán tính toán kết cấu Hơn nữa, giá trị của các thông số vật liệu như mô đun Young và giới hạn chảy cũng sẽ thay đổi theo nhiệt độ, điều này cần được lưu ý trong quá trình thiết kế và phân tích.

16 trong đó: T là h s giãn n nhi t c a v t li u (đ i v i thép vào kho ng 11 13 10~ −6 K -

1); L là chi u dài thanh, và T là chênh l ch nhi t đ so v i ban đ u

Trong khuôn kh lu n v n, tác đ ng c a s thay đ i nhi t đ s đ c th hi n thông qua l c d c trong thanh vƠ đ c quy đ i thành t i t p trung t ng đ ng t c các nút dàn, tính qua công th c:

Th (3.19) vào (3.20) ta có công th c tính giá tr l c d c trong thanh do thay đ i nhi t đ gây ra:

Mô hình gi m b c

Các k t c u l n và ph c t p v i s l ng l n b c t do (DOFs) có chi phí tính toán cao trong phân tích ph n t h u h n Do đó, việc gi m b c mô hình thông qua rút g n ma tr n đ c ng và ma tr n kh i l ng là rất quan trọng để giảm thiểu kích th c l n Mô hình gi m b c không chỉ giúp giải quy t m bài toán mà còn cải thiện độ chính xác trong ch n đoán h h ng k t c u Trong mô hình này, các b c t do chính (master DOFs) được rút g n, trong khi các b c t do ph thu c (slave DOFs) được suy ra từ kết quả phân tích của các b c t do chính Nhiều phương pháp gi m b c mô hình đã được đề xuất và chứng minh tính khả thi và hiệu quả, trong đó nổi bật là phương pháp gi m b c b ng khai tri n Neumann của Yang cho bài toán phân tích dao đ ng t do Lieu và c ng s đã áp dụng thành công phương pháp này cho k t c u dàn ch u t i tr ng đ ng.

Ph ng trình (3.1) đ c vi t l i d i d ng ph ng trình (3.22) trong đó ‘m’ là kí hi u cho các b c t do đ c g n c m bi n đo đ c (b c t do chính) và ‘s’ là nh ng b c t do còn l i (b c t do ph thu c)

M M x C C x K K x mm ms m mm ms m mm ms m m s sm ss s sm ss s sm ss s

V i ma tr n c n đ c th hi n d i d ng t l c a ma tr n kh i l ng và ma tr n đ c ng theo (3.23) Trong đó M và  K t ng tr ng cho h s c n t l theo h s c n

Rayleigh [41] Trong lu n v n gi s t l c n chung cho các h k t c u là  =5% đ i v i

2 t n s góc đ u tiên  1 (rad/s) và  2 (rad/s)

C C M M K K mm ms mm ms mm ms sm ss sm ss sm ss

, (3.23) trong đó, cách xác đ nh 1 và 2 đ c th hi n trong (3.24)

M c tiêu c a mô hình gi m b c lƠ đ a ph ng trình (3.1) v d ng nh sau

M x C x K x f là công thức mô tả mối quan hệ giữa đáp ứng gia tốc, vận tốc và chuyển vị theo thời gian trong mô hình rút gọn Các ma trận M R, C R và K R lần lượt đại diện cho ma trận khối lượng, ma trận cản và ma trận đàn hồi trong mô hình rút gọn, được tính toán thông qua các công thức cụ thể.

C M K , (3.27) v i Vlà ma tr n chuy n, theo ph ng pháp gi m b c b ng chu i Neumann b c 2 trong

[40], Vđ c xác đnh qua (3.28) và (3.29)

1 ss ss ss sm mm 2 mm mm mm

3 ms ss sm 4 mm mm ms 5 ms ss ss

1 ss 1 ms 2 ss 1 sm 1 mm

T đó x R, x R và x R gi i đ c b ng ph n t h u h n kèm ph ng pháp Newmark- beta Sau cùng các đáp ng gia t c, v n t c chuy n v c a h k t c u ban đ u đ c tính ng c tr l i b ng ph ng trình (3.30)

3.2 Ch s n ngl ng bi n d ng d a trên đápă ng gia t c

L y Ủ t ng t ch s n ng l ng bi n d ng d a trên dao đ ng MSEBI (Modal Strain

Chỉ số dựa trên năng lượng (ASEI) được đề xuất bởi Seyedpoor và các tác giả khác nhằm đánh giá khả năng ảnh hưởng của phần tử đá đối với các phản ứng giá cả của hệ thống chuỗi cung ứng theo thời gian Các bước tính toán chỉ số ASEI được trình bày chi tiết trong phần này.

N ng l ng bi n d ng d a trên gia t c (ASE) c a ph n t th e t i b c th i gian t , e

At , đ c xác đnh b ng công th c (3.31)

2 , (3.31) trong đó, K e là ma tr n đ c ng ph n t th e , và x e t lƠ véc t đáp ng gia t c t i b c th i gian t

V i m c tiêu thu n ti n cho vi c tính toán, ASE c a ph n t th e đ c chu n hóa d i d ng: e t e t ne e e t

Bài toán phi điều kiện được xem xét trong một không gian thời gian đặc trưng cho việc tích lũy năng lượng biến động Năng lượng này được thể hiện qua công thức (3.33), trong đó nots là số bước thời gian đang được phân tích.

Khi phân tích hệ thống, giá trị ban đầu của ma trận được giảm, và ma trận khí lỏng Me c a phân t là giá trị nguyên, giá trị cắt đáp ứng của hệ thống dự đoán lƠ sẽ tăng so với ban đầu Từ đó, A e c a hệ thống sẽ nhận dạng và xác định giá trị ASEI của phân t e th e trong hàm được giới thiệu trong công thức (3.34), thể hiện sự khác nhau giữa phân t k t c u hệ thống và phân t k t c u khé m nh thông qua sai lệch giá trị A e.

Trong nghiên cứu này, A e d và A e h được xem xét trong bối cảnh văn hóa không gian và thời gian, liên quan đến phần thể hiện và phần thể hiện khế mệnh Giá trị của A e h được xác định thông qua mô phỏng áp dụng phương pháp Newmark, trong khi A e d được đo đạc trên hệ thống thực tế.

H c sâu (Deep learning) là m t chi c a ngành h c máy (Machine Learning) (Hình 3.1)

D a trên m t t p h p các thu t toán đ c g ng mô hình d li u tr u t ng hóa m c cao b ng cách s d ng nhi u l p x lý v i c u trúc ph c t p, ho c b ng cách khác bao g m nhi u bi n đ i phi tuy n

Hình 3.1 M i quan h gi a các l nh v c trí tu nhân t o [42]

3.3.2 M ngăn ăronăsâu (Deep Neural Network -DNNs)

Mạng nơ-ron sâu (Deep Neural Networks - DNNs) là một thành phần quan trọng trong lĩnh vực học máy, đóng vai trò trung tâm trong công nghệ học sâu Mạng nơ-ron sâu được mô phỏng theo cấu trúc của nơ-ron sinh học, thể hiện cách mà các dữ liệu thần kinh được truyền đi trong một mạng lưới nơ-ron phức tạp Hình dạng của nơ-ron sinh học được minh họa trong Hình 3.2.

Mạng nơ-ron sâu (DNNs) được áp dụng để tìm ra các quy luật và mối quan hệ giữa tập dữ liệu đầu vào và tập dữ liệu đầu ra Những mối quan hệ này sau đó được sử dụng để xác định kết quả của các dữ liệu đầu vào khác, góp phần vào quá trình học của mô hình.

Hình 3.2 Hình nh minh h a m t m ng n ron sinh h c th c t [43]

Mạng nơ-ron sâu (DNNs) bao gồm nhiều lớp phân tách, trong đó có lớp đầu vào, nhiều lớp ẩn và lớp đầu ra Tổng số lớp của một mạng DNN được xác định bởi tổng số lớp ẩn cộng với một lớp đầu ra (không tính lớp đầu vào) Mỗi nút phân tách đại diện cho một nơ-ron, kết nối với nhau bằng trọng số (weight) và ngưỡng (threshold) Như hình 3.3 minh họa, một nơ-ron có thể nhận nhiều dữ liệu đầu vào nhưng chỉ có một dữ liệu đầu ra Nếu dữ liệu từ một nút nơ-ron đó vượt qua ngưỡng, thì tín hiệu của dữ liệu đó sẽ được truyền đến lớp kế tiếp.

DNNs (còn g i lƠ nút nƠy đ c kích ho t) Ng c l i, không có d li u nƠo đ c truy n đi

Mạng nơ-ron đã trở thành công cụ quan trọng trong lĩnh vực khoa học máy tính và trí tuệ nhân tạo, giúp cải thiện và tối ưu hóa việc phân tích dữ liệu theo thời gian Khi các thuật toán này được tinh chỉnh và chính xác, chúng cho phép xử lý và phân loại dữ liệu với độ chính xác cao, mở ra nhiều ứng dụng trong các lĩnh vực khác nhau.

3.3.2.2 Các thu t ng , thông s c n bi t ph n này, m t s thu t ng chuyên ngành v DNNs s đ c gi i thi u i u c t lõi c n n m đ c là t i m i nút trong mô hình DNN là m t mô hình h i quy tuy n tính riêng v i các giá tr d li u đ u vào, tr ng s , bias và d li u đ u ra

Hình 3.4 T ng quan toán h c gi a các n ron trong 2 l p li n k [4] a) Tr ng s (weight) và biases

Tr ng s (weight - w) là tham s quan tr ng nh t c a bài toán xây d ng mô hình DNN

Trạng thái hiển thị đám mây liên kết giữa các nút là dữ liệu đầu vào cho quá trình xử lý thông tin Quá trình học của mô hình DNNs thực chất là quá trình điều chỉnh các trọng số để đạt được kết quả dự đoán chính xác nhất.

Bias (b) là một tham số luôn luôn được thêm vào trong mỗi lớp của mạng nơ-ron Các bias không có dữ liệu đầu vào nhưng vẫn có dữ liệu đầu ra trong một mạng nơ-ron thông thường Bias giúp cho mô hình DNN luôn có ít nhất một nút có thể kích hoạt Hàm mất mát (Loss function) và bộ tối ưu hóa (Optimizer) là những yếu tố quan trọng trong quá trình huấn luyện mô hình.

Trong quá trình huấn luyện mô hình DNN, độ chính xác của mô hình luôn được đặt lên hàng đầu Để đánh giá độ chính xác này, khái niệm hàm mất mát được đưa ra Hàm mất mát phổ biến nhất được sử dụng là Mean Square Error (MSE).

 y N , y N , , y N i , , y d N  T y 1 2 lƠ véc t c t k t qu d đoán đ u ra,

Bài toán xây dựng và huấn luyện mô hình DNNs liên quan đến việc tối ưu hóa hàm mục tiêu, nhằm tìm nghiệm tối ưu cho hàm mất mát Các biến thiết kế cần tìm là các trọng số trong mô hình Để giải quyết bài toán tối ưu hóa này, có nhiều thuật toán khác nhau được áp dụng, trong đó nổi bật là Gradient Descent (SD), Stochastic Gradient Descent (SGD), Adaptive Gradient (Adagrad), Root Mean Squared Propagation (RMSprop) và Adam Hàm kích hoạt (Active function) cũng đóng vai trò quan trọng trong quá trình này.

K thu t h c sâu (Deep Learning)

Gi i thi u

H c sâu (Deep learning) là m t chi c a ngành h c máy (Machine Learning) (Hình 3.1)

D a trên m t t p h p các thu t toán đ c g ng mô hình d li u tr u t ng hóa m c cao b ng cách s d ng nhi u l p x lý v i c u trúc ph c t p, ho c b ng cách khác bao g m nhi u bi n đ i phi tuy n

Hình 3.1 M i quan h gi a các l nh v c trí tu nhân t o [42]

3.3.2 M ngăn ăronăsâu (Deep Neural Network -DNNs)

Mạng nơ-ron sâu (Deep Neural Networks - DNNs) là một thành phần quan trọng trong lĩnh vực học máy, đóng vai trò trung tâm trong kỹ thuật học sâu DNNs được lấy cảm hứng từ mạng nơ-ron sinh học, mô phỏng cách mà các dữ liệu thần kinh được truyền đi trong một mạng lưới nơ-ron phức tạp.

Mạng nơ-ron sâu (DNNs) được áp dụng để tìm ra các quy luật và mối quan hệ giữa tập dữ liệu đầu vào và tập dữ liệu đầu ra Những mối quan hệ này sau đó được sử dụng để dự đoán kết quả của các dữ liệu đầu vào khác, góp phần quan trọng vào quá trình học của mô hình.

Hình 3.2 Hình nh minh h a m t m ng n ron sinh h c th c t [43]

Mạng nơ-ron sâu (DNNs) bao gồm nhiều lớp phân tử, trong đó có lớp đầu vào, các lớp ẩn và lớp đầu ra Tổng số lớp của một mạng DNN được xác định bởi tổng số lớp ẩn cộng với một lớp đầu ra (không tính lớp đầu vào) Mỗi nút phân tử đại diện cho một nơ-ron, liên kết với nhau thông qua các trọng số (weight) và ngưỡng (threshold) Như Hình 3.3 cho thấy, một nơ-ron có thể nhận nhiều dữ liệu đầu vào nhưng chỉ có một dữ liệu đầu ra Nếu dữ liệu của một nút đi qua ngưỡng, tín hiệu của dữ liệu đó sẽ được truyền đến lớp kế tiếp.

DNNs (còn g i lƠ nút nƠy đ c kích ho t) Ng c l i, không có d li u nƠo đ c truy n đi

Mạng nơ-ron đã trở thành công cụ quan trọng trong lĩnh vực khoa học máy tính và trí tuệ nhân tạo, giúp cải thiện khả năng phân tích và xử lý dữ liệu theo thời gian Khi các thuật toán này được tinh chỉnh và chính xác, chúng cho phép ứng dụng trong nhiều lĩnh vực khác nhau, từ phân loại dữ liệu đến sắp xếp thông tin với độ chính xác cao.

3.3.2.2 Các thu t ng , thông s c n bi t ph n này, m t s thu t ng chuyên ngành v DNNs s đ c gi i thi u i u c t lõi c n n m đ c là t i m i nút trong mô hình DNN là m t mô hình h i quy tuy n tính riêng v i các giá tr d li u đ u vào, tr ng s , bias và d li u đ u ra

Hình 3.4 T ng quan toán h c gi a các n ron trong 2 l p li n k [4] a) Tr ng s (weight) và biases

Tr ng s (weight - w) là tham s quan tr ng nh t c a bài toán xây d ng mô hình DNN

Trạng thái hiển thị của các nút trong mạng nơ-ron có thể ảnh hưởng đến quá trình xử lý thông tin Quá trình học của mô hình DNNs thực chất là điều chỉnh các trọng số để đạt được kết quả dự đoán chính xác nhất.

Bias (b) là một tham số luôn luôn được thêm vào trong mỗi lớp và bậc 1 Các bias không có dữ liệu đầu vào nhưng vẫn có dữ liệu đầu ra nhằm điều chỉnh mô hình Bias giúp cho mô hình DNN luôn có ít nhất một nút có thể kích hoạt Hàm mất mát (Loss function) và Optimizer là những yếu tố quan trọng trong quá trình huấn luyện mô hình.

Trong quá trình huấn luyện mô hình DNN, độ chính xác của mô hình luôn được đặt lên hàng đầu Để đánh giá độ chính xác này, khái niệm hàm mất mát được đưa ra Hàm mất mát phổ biến nhất được sử dụng là Mean Square Error (MSE).

 y N , y N , , y N i , , y d N  T y 1 2 lƠ véc t c t k t qu d đoán đ u ra,

Bài toán xây dựng và huấn luyện mô hình DNNs liên quan đến việc tối ưu hóa hàm mục tiêu, nhằm tìm nghiệm tối ưu cho hàm mất mát Các biến thiết kế cần tìm bao gồm các trọng số trong mô hình Để giải quyết bài toán tối ưu hóa này, nhiều thuật toán khác nhau đã được phát triển, trong đó nổi bật là Gradient Descent (SD), Stochastic Gradient Descent (SGD), Adaptive Gradient (Adagrad), Root Mean Squared Propagation (RMSprop) và Adam Bên cạnh đó, hàm kích hoạt (Active function) cũng đóng vai trò quan trọng trong quá trình huấn luyện mô hình.

Trong mạng nơ-ron, hàm kích hoạt đóng vai trò quan trọng trong việc chuyển đổi đầu ra của các nơ-ron Cụ thể, hàm kích hoạt là các hàm phi tuyến được áp dụng vào đầu ra của từng nơ-ron trong lớp mạng, và kết quả này sẽ trở thành dữ liệu đầu vào cho lớp tiếp theo Hàm kích hoạt giúp xác định các quy luật phi tuyến phức tạp trong thực tế.

Các hàm kích ho t thông d ng:

Hàm Sigmoid nhận đầu vào là một số thực và chuyển đổi nó thành một giá trị trong khoảng (0;1) Nếu đầu vào là một số thực âm, hàm sẽ cho ra giá trị gần với 0; ngược lại, nếu đầu vào là một số thực dương, hàm sẽ cho ra giá trị gần với 1.

Sigmoid hay đ c dùng vì có đ o hàm r t đ p Tuy nhiên hi n nay hàm Sigmoid r t ít đ c dùng t n t i nhi u nh c đi m

HƠm tanh có đ u vào là m t s th c và chuy n thành m t giá tr trong kho ng (-1; 1)

Hàm Tanh, tương tự như hàm Sigmoid, có đặc điểm bão hòa tại hai đầu, dẫn đến việc gradient thay đổi rất ít ở hai đầu Tuy nhiên, hàm Tanh có giá trị trung bình bằng 0, điều này giúp khắc phục những hạn chế của hàm Sigmoid Hàm Tanh có thể được biểu diễn bằng hàm Sigmoid thông qua công thức: tanh(x) = 2σ(x) - 1.

Hàm ReLU (Rectified Linear Unit) đang được sử dụng phổ biến trong việc huấn luyện các mạng nơ-ron ReLU hoạt động đơn giản bằng cách loại bỏ các giá trị âm (giá trị < 0) Nhìn vào công thức của nó, chúng ta có thể dễ dàng hiểu được cách hoạt động của hàm này Một số ưu điểm nổi bật của ReLU so với các hàm kích hoạt khác như Sigmoid và Tanh bao gồm khả năng giảm thiểu vấn đề biến mất gradient và tăng tốc độ huấn luyện.

- T c đ h i t nhanh h n i u này có th do ReLU không b bão hoà 2 c c giá tr nh Sigmoid vƠ Tanh

- T c đ tính toán nhanh h n Tanh vƠ Sigmoid s d ng hàm exp và công th c ph c t p h n ReLU r t nhi u do v y s t n nhi u ngu n l c h n đ tính toán

Tuy nhiên ReLU c ng có m t nh c đi m:

Khi các nút trong mạng nơ-ron có giá trị nhỏ hơn 0, chúng sẽ trở thành 0 sau khi áp dụng hàm kích hoạt ReLU, dẫn đến hiện tượng được gọi là "Dying ReLU" Nếu giá trị của các nút là 0, thì chúng không có ý nghĩa trong việc sử dụng hàm kích hoạt tuyến tính tiếp theo và các hệ số trọng số từ các nút đó cũng không được cập nhật trong quá trình gradient descent.

- Khi learning rate l n, các tr ng s (weights) có th thay đ i theo cách làm t t c n ron d ng vi c c p nh t d) Batch size, Epoch and Iteration

Batch size, Epoch và Iteration là các thông s ch đ o đi u khi n cách th c mà m t m ng n ron nhơn t o hu n luy n C th là

- Batch size: Quy t đ nh s l ng m u dùng đ hu n luy n trong m i l n c p nh t thông s mô hình S batch size luôn l n h n ho c b ng 1 và nh h n ho c b ng

25 s m u trong t p hu n luy n Thông th ng s l ng batch size th ng đ c ch n d i d ng 2 x (4, 8, 16, 32, 64, 128, )

- Epoch: Là tham s th hi n s l n mà thu t toán ch y qua toàn b m u trong t p hu n luy n

- Iteration: M i l n mô hình DNNs ch y qua m t s m u b ng Batch size thì tr ng s trong các l p đ c c p nh t m t l n M i l n nh v y g i là m t b c l p (Iteration)

Quan h gi a Batch size, Epoch và Iteration có th đ c th hi n qua: Batch size * S Iteration = Epoch

Mô hình huấn luyện sử dụng tập dữ liệu gồm 400 mẫu, được chia thành 50 batch, mỗi batch chứa 8 mẫu, với Batch size = 8 và 500 Epoch Trong mỗi Epoch, mô hình sẽ trải qua 50 bước lặp (Iteration), dẫn đến tổng cộng 25.000 lần cập nhật trọng số trong suốt quá trình huấn luyện Để đánh giá hiệu quả của các mô hình trí tuệ nhân tạo, cần xem xét các khái niệm về Overfitting, Underfitting và Goodfitting, những yếu tố này phản ánh độ chính xác của mô hình trên tập huấn luyện và tập kiểm định.

K thu t h c k t h p - XGBoost

Trong lĩnh vực học máy, một nhánh phương pháp kêu thuật học sâu nổi bật là "các phương pháp học kết hợp", tiêu biểu là thuật toán Extreme Gradient Boosting (XGBoost) được phát triển bởi Tianqi Chen vào năm 2016 Phương pháp học kết hợp này cho phép giảm thiểu thời gian xây dựng một mô hình chính xác với độ phức tạp thấp, mang lại hiệu quả cao trong việc xử lý dữ liệu.

Mô hình học máy có khả năng phát triển và tích hợp để đạt được mục tiêu phân loại, mặc dù có thể có những hạn chế về độ chính xác Thuật toán này được áp dụng rộng rãi trong nhiều lĩnh vực liên quan đến phân tích dữ liệu, bao gồm xử lý các tác vụ hồi quy, phân loại và xếp hạng Một ví dụ về mô hình học máy với mục tiêu phân loại được thể hiện trong Hình 3.9.

Hình 3.9 Ví d v mô hình ắH c k t h p” trong phơn lo i d li u [45]

Các thuật toán học kèm được phân thành hai nhóm chính là Bagging và Boosting Bagging xây dựng các mô hình yếu (Weak Learner) song song với nhau, trong khi Boosting xây dựng tuần tự các mô hình này Mô hình sau của Boosting sử dụng kết quả từ mô hình trước đó, tùy chỉnh thông số để đưa ra kết quả tối ưu dựa trên số lượng mô hình.

Trong nhóm các thu t toán Boosting v n t n t i nhi u nhóm con khác, Gradient Boosting (GBM) là nhóm có ch a thu t toán XGBoost đang đ c đ c p trong lu n v n

Gradient Boosting là một phương pháp tối ưu hóa hiệu suất mô hình bằng cách giảm thiểu sai số giữa kết quả chính xác và kết quả dự đoán sau mỗi lần chạy Mục tiêu chính của thuật toán này là giảm thiểu sai số của dự đoán từ mô hình trước đó Các mô hình con thường được sử dụng trong Gradient Boosting là các cây quyết định đơn giản.

Hình 3.10 Bagging và Boosting trong k thu t H c k t h p [45]

XGBoost là vi t t t c a t Extreme Gradient Boosting, tên g i này th hi n rõ ràng ý ngh a c a thu t toán đó lƠ c i ti n t Gradient Boosting c b n So v i Gradient Boosting

C th là XGBoost d a trên khung c b n lƠ Gradient Boosting nh ng c i ti n thêm thông qua vi c t i u hóa h th ng và các thu t toán XGBoost có các u đi m sau đơy:

- T c đ tính toán nhanh h n do kh n ng tính song song

- Tránh hi n t ng Overfitting b ng c ch ắRegularization”

- Linh ho t trong s d ng hàm t i u hóa vƠ các ch s đánh giá riêng.

- Bao g m c ch x lý các Giá tr thi u (Missing Value)

- Tính n ng ắT đ ng c t t a” (Tree Pruning) h tr vi c t đ ng b qua nh ng leaves, nodes trong cây quy t đnh không mang giá tr tích c c trong quá trình m r ng cây

3.3.3.2 Các thu t ng và thông s c n bi t

Trong lĩnh vực học máy, mô hình XGBoost được xây dựng để tối ưu hóa hiệu suất trong việc xử lý dữ liệu lớn, sử dụng ngôn ngữ lập trình Python và thư viện học sâu scikit-learn Để hiểu rõ hơn về mô hình XGBoost, cần nắm vững các thông số và định nghĩa liên quan nhằm lựa chọn cấu hình phù hợp nhất.

- booster: booster là tên g i chung cho các mô hình y u c a thu t toán XGBoost

Lo i mô hình m c đ nh vƠ c ng đ c s d ng trong lu n v n nƠy lƠ cơy quy t đnh Xem Hình 3.11

- max_depth: Chi u sâu t i đa c a cây quy t đnh M c đnh b ng 6 Chi u sâu cây t i đa cƠng l n, đ ph c t p c a mô hình c ng cƠng l n, d b overfit vƠ ng c l i

- learning_rate: Tham s quy t đnh t c đ h i t c a thu t toán M c đnh b ng 0.3 Learning càng th p (ph i l n h n không) thì thu t toán h i t càng ch m.

T i u hóa

Gi i thi u

Các thuật toán tối ưu hóa là một quá trình giải quyết vấn đề, bắt đầu từ một bối cảnh ngẫu nhiên nhằm tìm kiếm các giá trị tối ưu cho hàm mục tiêu Sau một số lần lặp lại, hàm mục tiêu này có thể thu hẹp lại để tìm ra giá trị cần tìm.

Các thuật toán tối ưu hóa giúp cải thiện việc tìm kiếm tập dữ liệu trên máy tính, mặc dù số lượng thư mục rất lớn và việc tìm kiếm có thể gặp khó khăn Mỗi thuật toán có cách xác định vị trí của file cần tìm và hiệu quả khác nhau Thay vì sử dụng phương pháp tìm kiếm ngẫu nhiên, một số thuật toán áp dụng các kỹ thuật thông minh hơn Một số thuật toán khác lại sử dụng mạng nơ-ron để chia sẻ thông tin và cập nhật vị trí có khả năng nhất sau mỗi lần lặp Các thuật toán này được phát triển để nâng cao hiệu suất trong quá trình tìm kiếm.

30 v n c ng t ng t nh v y Nói đúng h n, chúng thu c nhóm các thu t toán d a trên hành vi b y đƠn (Swarm-based algorithm).

Thu t toán ti n hóa khác bi t (Differential Evolutionậ DE)

Thuật toán tối ưu hóa khác biệt (Differential Evolution - DE) được giới thiệu lần đầu tiên bởi Storn và Price vào năm 1996 và 1997 DE là một thuật toán tối ưu hóa ngẫu nhiên, lấy cảm hứng từ quá trình tiến hóa của sinh vật.

Thuật toán DE (Differential Evolution) là một phiên bản cải tiến của thuật toán di truyền (Genetic Algorithm) và đã được phát triển dựa trên nền tảng đó Thuật toán này có thể được biểu diễn qua bốn bước chính: khởi tạo, đột biến, lai tạo và chọn lọc Hình 3.12 minh họa rõ ràng quy trình hoạt động của thuật toán DE.

Hình 3.12 L u đ thu t toán DE Chi ti t các b c c a thu t toán:

B c 1 - Kh i t o: b c này b dân s hay còn g i là b nghi m ban đ u đ c kh i t o Ngoài ra các ràng bu c v đi u ki n biên c a các bi n thi t k c ng đ c ch n tr c

Ma tr n nghi m có d ng:

, min, , , max, min, , , , , t i j j i j j j x = 0 =x +rand 0 1  x −x j=1 2 d , (3.36) trong đó:

Randi j 0 1 là một số ngẫu nhiên trên đoạn [0,1] theo phân phối đều, trong đó j là biến thiết kế thứ j, d là tổng số biến thiết kế, i là cá thể thứ i trong bậc dân số, và np là kích thước dân số được chọn Các tham số min và max, j là ràng buộc cần thiết dưới và trên của biến thiết kế x.

B c 2 - t bi n là một phương pháp giúp giải quyết bài toán bằng cách tạo ra các l i gi i hi n t i từ nguyên liệu tự nhiên Tùy thuộc vào cách thức tập hợp các l i gi i, khả năng tìm nghiệm chính xác và tốc độ xử lý bài toán có thể thay đổi Các phương pháp tập hợp thường được sử dụng bao gồm:

Best/2: v t i = x t best + F ( x t R 1 − x t R 2 ) ( + F x t R 3 − x t R 4 ) , (3.41) trong đó t v i lƠ véc t đ t bi n,

R R R R1 2 3 4 và R5là nh ng nguyên đ c ch n ng u nhiên trên đo n [1,np],

F là h s t l , đ c ch n ng u nhiên trên (0;1] đ ki m soát đ l ch t hai véc t m c tiêu,

32 t x best lƠ véc t cho nghi m t t nh t c a bài toán t i th i đi m đang xét.

Trong các bài toán khảo sát của luồng vận, véc tơ dữ liệu biến Rand/1 được sử dụng Điểm của Rand/1 so với các cách thu thập véc tơ dữ liệu biến khác là khả năng thích ứng tốt hơn, tuy nhiên vẫn gặp khó khăn trong việc tìm nghiệm toàn cục Trong đó, F(x) = (R_t^2 - x R_t^3) thể hiện sự nhiễu loạn của phần dữ liệu biến Qua nhiều lần khảo sát, giá trị F được xác định nằm trong khoảng [0.4, 0.9].

N u các ph n t c a véc t đ t bi n n m ngoài không gian nghi m c n tìm, giá tr tr v s đ c ch n trong 2 cách: min, , , min,

2 , neáu các trường hợp còn lại.

, neáu , neáu các trường hợp còn lại.

B c 3-Lai t o: b c này, m t véc t th nghi m đ c t o ra đ đa d ng hóa các véc t đư đ c đ t bi n trong b dân s hi n t i Thông th ng véc t th nghi m đ c bi u di n d i d ng

=  nếu hoặc 0 1 các trường hợp còn lại, (3.44) v i t u i lƠ véc t th nghi m,

K là s nguyên ng u nhiên trên đo n [1,np],

Cr là tham s ki m soát lai t o, trên đo n [0,1]

Tham số Cr đóng vai trò quan trọng trong việc tạo ra các véc tơ tương tác với nhau Khi giá trị Cr tăng, tỷ lệ xảy ra của các tác động cũng gia tăng Trong trường hợp của luồng vân, giá trị Cr được xác định ngẫu nhiên trong khoảng [0.7, 1.0] để đạt được kết quả khách quan nhất.

Bước 4: Xác định hàm mục tiêu và so sánh với kết quả thực nghiệm Nếu hàm mục tiêu cho kết quả hàm mục tiêu nhỏ hơn, thì cần thay thế giá trị xác định, ngược lại giữ nguyên giá trị xác định Hàm mục tiêu được sử dụng trong luận văn và sẽ được trình bày trong phần 3.4.4.

1 neáu các trường hợp còn lại (3.45)

Sau khi c p nh t b dân s , thu t toán s d ng khi giá tr hàm m c tiêu h i t v i sai s cho phép đ c đ t ra t đ u ho c s l n l p v t quá gi i h n đ t s n N u không, quay tr l i b c th 2.

Thu t toán Con l ng m t (Honey Badger Algorithm ậ HBA)

Bên cạnh thu t toán Ti n hóa khác bi t (DE), cần xem xét thu t toán t i u m i đ c phát tri n g, đặc biệt là thu t toán Con l ng m t (HBA) được đề xuất bởi Fatma và cộng sự (2022) L ng m t là một loài động vật có tính đa dạng sinh học, bao gồm sâu bọ, trùng, chim, bò cạp, và nhiều loài khác Chúng có khả năng nhận biết môi trường xung quanh thông qua khứu giác và xác định vị trí tổ của con m i r i đƠo Bên cạnh đó, nh tên g i c a chúng, l ng m t, thường không có khẳn ng đnh v các tổ ong Trên thực tế, chúng hợp tác với một loài chim có tên gọi là "Honey-guide" (tạm dịch là chim chỉ đường đến tổ ong).

Loài này tuy có kh n ng xác đnh chính xác v trí t m t nh ng l i không có th khai thác

Do đó, chúng tôi đã chọn lựa một vị trí lý tưởng để lấy mẫu, sau đó nhúng mẫu vào sáp ong đặc biệt Thuật toán này đã được áp dụng thành công trong nhiều nghiên cứu thuộc các lĩnh vực khác nhau.

Thuật toán HBA là một phương pháp dựa trên hành vi bầy đàn của loài lang mạt trong suốt quá trình sinh sản Do là thuật toán dựa trên bầy đàn tự nhiên giống DE, một số bước trong thuật toán sẽ tương đồng với quy trình bầy mạch Sơ đồ thuật toán HBA được trình bày trong Hình 3.13.

Hình 3.13 L uđ thu t toán HBA Chi ti t các b c thu t toán:

B c 1 - Kh i t o: B c kh i t o b dân s t ng t v i thu t toán DE theo công th c (3.36) Các giá tr c n trên, c n d i c th s đ c trình bƠy trong ch ng Bài toán kh o sát

B c 2 ậ C p nh t c ngăđ I (Intensity) và h s c ngăđ :

Chức năng điều khiển của con mồi thể hiện rõ trong thuật toán, nơi điều kiện cho cường độ mùi của con mồi phụ thuộc vào một số cảm nhận nhất định Cường độ I càng cao thì lượng mùi càng gần và tốc độ lượng tín hiệu đến con mồi cũng nhanh hơn Quan hệ này được mô tả một cách chi tiết trong công thức (3.46).

35 trong đó: r2 là s ng u nhiên trên trên kho ng (0,1),

S= x −x + 1 2 là m c đ t p trung c a con m i, i prey i d = x −x là kho ng cách gi a con l ng th i t i con m i (đ c xem là l i gi i t t nh t)

Hệ thống điều khiển (3.47) được điều chỉnh để kiểm soát quá trình hội tụ theo thời gian của thuật toán, tạo ra sự cân bằng giữa việc tìm giá trị nghiệm chính xác và khám phá miền nghiệm của bài toán Qua các vòng lặp sau, hệ số α sẽ dần giảm, kéo theo tính ngẫu nhiên của bộ tìm nghiệm cũng giảm theo Điều này được trình bày rõ hơn trong bậc cập nhật vị trí bậc dân số (bậc năm mới) max exp t.

 =   −  , (3.47) trong đó: tmax là s b c l p t i đa,

Những phương pháp tìm kiếm mùi của con mồi và theo hướng dẫn của chim sẽ giúp xác định vị trí mới của bầy dân Quá trình cập nhật vị trí này được chia thành hai khía cạnh quan trọng.

B c 3-1 đề cập đến việc cập nhật vị trí của cá nhân trong b dân số, trong đó xprey là vị trí con mới, còn c ng chính là nghiệm t t nh t trong b dân số b c l p hi n t i Khi h s  1, điều này thể hiện kh n ng l ng m t b t đ c con m i Các con số r3, r4, r5 là các con số ng u nhiên trong khoảng (0,1).

( ) ( ) cos cos new prey prey i x =x +   F  I x +    F r 3  d 2r 4   −1 2r 5  (3.48)

Giá trị F được xác định thông qua một biến ngẫu nhiên, nhằm tìm kiếm và thay thế các giá trị trong không gian (0,1) Công thức tính giá trị F theo (3.49) giúp xác định các điểm thoát khỏi các nghi ngờ cơ bản.

Quá trình l ng theo chim d n đ ng đ tìm m t đ c miêu t trong công th c (3.50) Trong đó r7 là s ng u nhiên trên kho ng (0,1) new prey i x =x +   F r7  d (3.50)

D th y trong b c tìm m t, l ng đi tr c ti p h ng đ n v trí con m i x prey , t c đ ti n đ n con m i b nh h ng b i , d và giá tr gây nhi i u h ng F

Sau khi c p nh t v trí c a b dân s , các đi u ki n biên c n trên, c n d i đ c ki m tra và tr v t ng t nh thu t toán DE theo công th c (3.42) ho c (3.43)

Sau khi v trí b dân s đ c c p nh t trong b c 3, thu t toán đánh giá giá tr hàm m c tiêu tính đ c t b dân s m i sau đó ch n l a b dân s t i u nh thu t toán DE theo công th c (3.45)

Thu t toán s d ng khi đ đi u ki n h i t ho c v t quá s l n l p cho phép N u không, quay v b c 2.

Hàm m c tiêu

Hàm mục tiêu trong các thuật toán tối ưu hóa đóng vai trò quan trọng trong việc cải thiện hiệu suất của nó Trong luận văn này, hàm mục tiêu được đề xuất bởi tác giả Seyedpoor và các cộng sự đã được sử dụng và trình bày trong công thức (3.51) Tính hiệu quả cao của hàm mục tiêu này trong bài toán chọn đoán đã được chứng minh thông qua việc đáp ứng giá trị theo thời gian, như được chỉ ra bởi tác giả trong bài báo đề xuất.

Trong bài viết này, chúng ta đề cập đến véc tơ giá trị của các kích thước trong hệ thống, được chuẩn hóa trên khoảng [-1,1] Cụ thể, x là véc tơ giá trị của các kích thước mô phỏng s, với X = {x1, x2, , xn} là véc tơ biến mô tả các phần tử, trong đó n là tổng số phần tử trong hệ thống.

Quy trình ch n đoán h h ng b ng ph ng pháp 3 b c

B c 1: Ch s ASEI

M c tiêu c a b c này là xác đ nh s b nh ng ph n t có kh n ng h h ng b ng ph ng pháp ch s n ng l ng bi n d ng ASEI C th là:

Xây dựng biểu đồ đáp ứng giá trị theo thời gian của địa tầng động và nhiệt độ cho hệ kết cấu cầu mềm và hệ kết cấu cầu hằng Giải bài toán động bằng phương pháp Newmark.

- Xác đ nh giá tr ASEI theo m c 3.2

- Lo i b nh ng v trí không có kh n ng x y ra h h ng.

B c 2: Mô hình h c sâu

Mục tiêu của bài viết này là sử dụng các mô hình học sâu để xác định mức độ ảnh hưởng của các phân tử đối với tính chất hóa học Sau đó, chúng tôi sẽ bổ sung thêm một số phân tử không ảnh hưởng (không nhiều) Các bước thực hiện bao gồm:

- S d ng ph n t h u h n vƠ ph ng pháp Newmark, xây d ng b d li u v i đ u vƠo lƠ đáp ng gia t c vƠ đ u ra là m c đ h h ng t ng ng c a h dàn c n ch n đoán

- Xây d ng và hu n luy n mô hình h c sâu (DNN ho c XGBoost) Các thông s c th cho mô hình s đ c đ c p trong ch ng bƠi toán.

- D đoán m c đ h h ng c a các ph n t đang xét

- Lo i b nh ng ph n t không h h ng ho c có m c đ h h ng r t th p

3.5.3 B c 3: T iă uăhóang c b c cu i cùng, thu t toán t i u hóa (DE ho c HBA) đ c áp d ng đ xác đnh m c đ h h ng c a h k t c u v i đ chính xác cao h n.

Mặc dù cả hai bậc mô hình học sâu có chung kết quả là mức độ hiệu năng của phần tử, mỗi bậc lại có những điểm riêng biệt Do đó, việc chọn lựa và sắp xếp hai bậc một cách hợp lý sẽ mang lại hiệu quả tốt hơn so với bài toán truyền thống Điều này đặc biệt đúng với các bài toán phức tạp, nơi mà các mô hình học sâu thường cho kết quả chính xác không cao Chẳng hạn, khi so sánh hai mô hình học sâu với độ chính xác 90% và 60%, mô hình 90% có chi phí tính toán gấp 1.5 lần mô hình 60%, nhưng lại có thể mang lại lợi ích lớn hơn Mặc dù các thuật toán tối ưu hóa có khả năng cải thiện độ chính xác, nhưng chúng lại gặp khó khăn với số lượng nghiệm lớn Bài toán càng nhiều nghiệm thì thời gian giải càng lâu và khó xác định nghiệm tối ưu Vì vậy, tác giả đề xuất sử dụng các mô hình học sâu với độ chính xác tương đương bậc hai nhằm giảm thiểu số lượng biến thể không ảnh hưởng, sau đó áp dụng toán tối ưu hóa Luồng thuật toán tối ưu được trình bày trong Hình 3.14 kèm theo ghi chú tóm tắt Tính hiệu quả của phương pháp này sẽ được khảo sát và trình bày kỹ lưỡng trong Chương 4.

Hình 3.14 L u đ thu t toán ch n đoán h h ng ba b c

CH NG 4 CÁC BÀI TOÁN KH O SÁT

CH NGă4 CÁC BÀI TOÁN KH O SÁT

Nghiên cứu này trình bày các bài toán đơn giản và không gian có ảnh hưởng đến hành vi của các phương pháp chọn đoán hành động ba bậc bằng cách sử dụng năng lực biến động dựa trên giá trị c (ASEI) kết hợp với mô hình học sâu và thuật toán tối ưu hóa Nhiều mô hình, thuật toán và các thông số khác nhau được áp dụng nhằm kiểm tra tính khả thi của phương pháp chọn đoán hành động trong các trường hợp khác nhau.

C th các b c th c hi n là:

Bài viết này trình bày các tình huống chủ yếu và tình trạng động bất kỳ liên quan đến hàn gắn với các kịch bản bên ngoài được ghi nhận, trích xuất giá trị tài chính và đáp ứng theo thời gian bằng phương pháp Newmark-Beta.

- B c 1: Ch n đoán s b các v trí có kh n ng x y ra h h ng b ng ch s n ng l ng bi n d ng d a trên gia t c theo th i gian (ASEI)

B c 2: Xây dựng mô hình học sâu (DNNs và XGBoost) để xác định sự biến đổi ảnh hưởng của các phần tử đến dự đoán tỉ lệ biến động và loại biến động không ảnh hưởng Mục tiêu của các mô hình này là giảm số lượng biến thiết kế (phần tử nghi ngờ ảnh hưởng) cần phải xem xét trong bước cuối cùng Mục đích là hiểu quả và phù hợp của hai mô hình học sâu được đưa ra so sánh nhằm chọn ra phương pháp tối ưu cho thuật toán.

B c 3 trình bày việc áp dụng các thuật toán tối ưu hóa HBA và DE để tìm mục tiêu ảnh hưởng chính xác hơn của các phần tử còn lại trong bậc hai Mục đích là đánh giá hiệu quả và tính phù hợp của hai thuật toán tối ưu này, từ đó so sánh và lựa chọn phương pháp tối ưu nhất.

Xét thêm hiện tượng nhiễu do sai số đo đạc và áp dụng mô hình giảm bậc theo khai triển bậc hai Neumann để giải quyết vấn đề giới hạn điểm đo Mục tiêu là khảo sát tính khả thi của phương pháp đề xuất đối với các trường hợp chẩn đoán hành động trong thực tế Giá trị nhiễu được xác định bằng công thức x noise = rand[1 − α, 1 + α] × x.

Khi nghiên cứu thu thập số liệu với cách giải một bài toán tối ưu hóa thông thường, cần so sánh và nhận xét về các đặc điểm nổi bật của kết luận cũng như đề xuất cải thiện phương pháp trong các nghiên cứu tương lai.

Toàn b các b c c a bài toán kh o sát đ c l p trình trên n n ngôn ng Python 3.7 b ng máy tính cá nhân v i vi x lý Intel® Core™ i5-11400F- 2.60 GHz, 16.0GB RAM ch y h đi u hành Microsoft Window 11 Home.

Dàn ph ng 10 thanh

Thông s k t c u

Mô hình phỏng gầm 10 thanh và 6 nút có kích thước hình học như Hình 4.1 được xem xét trong bài toán đầu tiên Đây là một trong những bài toán chuẩn thường được sử dụng trong các nghiên cứu về chân đoán hình học Các thông số vật liệu được thể hiện trong Bảng 4.1 Tại các vị trí nút 1, 2, 3, 4, một khối lượng có giá trị bằng 454kg được gán thêm vào hệ thống.

Hình 4.1 H dàn ph ng 10 thanh

B ng 4.1 Các thông s v t li u vƠ kích th c c a h dàn 10 thanh

Di n tích m t c t ngang(toƠn b các thanh) A m 2 3.50E-03

Kh i l ng gán thêm m kg 454

4.1.2 Cácătr ng h păh ăh ng gi đ nh và t i tr ng t ngă ng kh o sát tính kh thi c a thu t toán đ ra, nhi u tr ng h p h h ng khác nhau s đ c gi đ nh Trong đó, các ph n t h h ng s đ c mô ph ng b ng cách gi m đ c ng thông qua gi m mô đun đƠn h i v t li u, c th là:

CH NG 4 CÁC BÀI TOÁN KH O SÁT

E lơ mô đun đơn h i ban đầu của phần tử không hằng, E lơ mô đun đơn i h i của phần tử thì trong tình huống gia đình đang xét Có nghĩa là phần tử không hằng x i =  =0 ở 30 0 C và x i 0 khi phần tử bị hư hỏng Đối với bài toán 10 thanh, 3 tình huống hư hỏng và chịu tải nhiệt độ sau sẽ được xem xét thực hiện trong Bảng 4.2 Trong đó, đối với các trường hợp có xét tải nhiệt độ, các thanh chịu chênh lệch nhiệt độ đồng thời.

B ng 4.2 Các tình hu ng h h ng gi đnh cho h dàn 10 thanh

Tình hu ng Các ph n t h h ng M c đ h h ngl n l t ( )xi Ph n t ch u t i nhi t đ

Triển khai động hình tam giác nh ph ng trình (4.2) được áp dụng tại nút s1 và s3 theo phương đứng như trong Hình 4.2 Mỗi thời gian khảo sát trên khoảng t = 0 đến 10s, với thời gian tΔ = 1 × 10⁻⁴ s.

Hình 4.2 V trí t i tr ng tác đ ng lên h dàn 10 thanh

Hình 4.3 Giá tr t i tr ng theo th i gian gán cho h dàn 10 thanh

Phương pháp Newmark Beta được áp dụng để đánh giá các đáp ứng gia tĩnh của hệ thống trong điều kiện động Các đáp ứng này được phân tích theo thời gian của bậc tự do thứ hai, sử dụng mô hình 10 thanh trong trường hợp hệ thống hình học Các thông số cần thiết cho quá trình thực hiện được trình bày trong Hình 4.4.

Hình 4.4 áp ng gia t c t i DOF th 2 -Dàn 10 thanh Các giá tr ch s ASEI trong t ng tr ng h p đ c th hi n qua Hình 4.5

CH NG 4 CÁC BÀI TOÁN KH O SÁT

(c) Tình hu ng h h ng 3 Hình 4.5 Các giá tr ch s ASEI tr ng h p t ng quát ậ H dàn 10 thanh

Chức năng của hệ thống ASEI đóng vai trò quan trọng trong việc xác định các vị trí hoạt động tại khu vực được đề cập trong Hình 4.5 Các phần tử cần xem xét có trọng số 10, 3, 5 và 6 cho các trọng hợp 1, 2 và 3 Tuy nhiên, vẫn còn tồn tại một số phần tử khó xác định hoạt động Qua quá trình khảo sát, các yếu tố ảnh hưởng đến đánh giá của hệ thống ASEI bao gồm:

- M c đ h h ng c a ph n t : Ph n t có m c đ h h ng càng cao thì càng d nh n bi t

Khoảng thời gian xét công đối là yếu tố quan trọng trong việc xác định vị trí hàm ngẫu nhiên, với sự tích lũy năng lượng giữa hai hàm hàm ngẫu nhiên Nếu khoảng thời gian xét không được xác định chính xác, sẽ dẫn đến việc tính toán không chính xác các chỉ số ASEI Tuy nhiên, khoảng thời gian quá dài có thể làm gia tăng độ phức tạp của bài toán mà không mang lại lợi ích rõ ràng Do đó, trong quá trình thực hiện luận văn, sinh viên cần khảo sát và đề xuất các khoảng thời gian phù hợp nhất để tối ưu hóa kết quả nghiên cứu.

Vị trí hàng hóa và cách đặt hàng là những yếu tố quan trọng trong quản lý chuỗi cung ứng Những trưng hợp thành hàng hóa có tính chất cấu tạo, ít nhất những đợt hàng kích thước cỡ lớn đôi khi sẽ không gây nhiều thay đổi lên giá cả đáp ứng trích dẫn từ mô hình Do đó, việc xác định vị trí hàng hóa cần được thực hiện một cách cẩn thận và chính xác.

Vị trí vơ đỡ lăn đột tại có ảnh hưởng lớn đến khả năng đoán vị trí hạng của phương pháp Đối với các hệ thống cầu lăn, việc đặt vị trí đỡ lăn không phù hợp có thể gây ra nhiều biến động giá tại các vùng xa so với vị trí đỡ Lăn của tải trọng không được gỡ gây ra các tình huống tương tự Thông thường, những vị trí tải trọng gây ra dao động chính của hệ thống cầu lăn ảnh hưởng đến kết quả đoán tải trọng Ví dụ, vị trí tải trọng thường gây ra nhấp nhô đáng kể tại vị trí tải trọng bên mép dầm công xôn.

4.1.3.2 B c 2 ậ Mô hình h c sâu a) Xây d ng b d li u

Sau khi các phần tử được chọn đoán lường có khả năng ảnh hưởng được xác định qua chỉ số ASEI, một mô hình học sâu đã được xây dựng với dữ liệu đầu vào nhằm đáp ứng giá trị theo thời gian tại các bậc tác động gần nhất Mục đích là nhằm đánh giá ảnh hưởng của các phần tử nghi ngờ ảnh hưởng đến kết quả.

Trong nghiên cứu này, tác giả đã sử dụng một bộ dữ liệu gồm 10.000 trang hợp hạng khác nhau được tạo ra ngẫu nhiên Trong đó, 90% dữ liệu, tương đương 9.000 mẫu, được sử dụng trong quá trình huấn luyện, trong khi 10% còn lại, tương đương 1.000 mẫu, được dùng để kiểm định độ chính xác của mô hình.

CH NG 4 CÁC BÀI TOÁN KH O SÁT

Các mô hình học sâu thường có số lượng input và output lớn, điều này làm cho việc dự đoán trở nên khó khăn hơn Khi số lượng biến input và output tăng lên, mô hình cần phải có nhiều tham số và nút trong mỗi lớp Để tối ưu hóa hiệu suất, cần tiết kiệm tài nguyên máy tính và thời gian xử lý của thuật toán, trong đó số lượng bước thời gian cho đầu vào của mô hình hiện tại giới hạn ở mức 10.

C n trên (Upper Bound - UB) và c n d i (Lower Bound - LB) là các biên giới quan trọng trong mô hình DNNs đang được xây dựng, ảnh hưởng đến độ chính xác của kết quả dự đoán Việc lựa chọn các giá trị UB và LB cần phải được cân nhắc kỹ lưỡng, vì chúng tác động trực tiếp đến việc xây dựng tập dữ liệu huấn luyện Trong bài toán dự đoán, trên thực tế, các giá trị của biến mục tiêu dao động từ 0 đến 100%, với các mức độ chính xác cao từ 90% đến 100% Tuy nhiên, khi đạt được mức độ chính xác cao, mô hình có thể không còn khả năng phát hiện các biến thể một cách hiệu quả Do đó, trong các bài toán đang xem xét, giá trị UB thường được chọn là 0.9 cho biến mục tiêu.

(b) Tr ng h p LB=-0.3 Hình 4.6 Kh o sát c n d i (LB) ậ DNNs ậ H dàn 10 thanh

Mặc dù giá trị LB=0 không xuất hiện trong các thanh dàn, trong quá trình xây dựng bài toán, giá trị này thường không cho kết quả dự đoán chính xác Nguyên nhân là do tính chất cơ bản của các thuật toán trí tuệ nhân tạo, đó là xây dựng các hàm và quy luật để đáp ứng các kết quả thu được từ các giá trị đầu vào Thông thường, các mô hình này phát huy tác dụng tốt nhất trong những trường hợp mà kết quả dự đoán nằm trong không gian suy diễn của tập dữ liệu huấn luyện Cụ thể, nếu tập dữ liệu huấn luyện có đầu ra là các phần tử nằm trong đoạn [0, 0.9], thì mô hình sẽ dự đoán chính xác cho các trường hợp có kết quả dự đoán nằm trong đoạn này (ví dụ: 0.2, 0.3, …).

Phương pháp 3 bước được đề xuất trong luận văn nhằm tối ưu hóa thiết kế, đặc biệt là trong các bài toán phức tạp, có nhiều phần tử ảnh hưởng Hiệu quả của phương pháp này phụ thuộc vào khả năng dự đoán phần tử tại vị trí x_i = 0, nơi biên của đoạn [0, 0.09] Tác giả đã sử dụng giá trị LB = -0.3 để xác định vị trí x_i = 0, mặc dù phương pháp điều chỉnh không thể hiện rõ hiệu quả trong các bài toán đơn giản, nhưng lại có ưu điểm lớn trong các bài toán phức tạp hơn.

CH NG 4 CÁC BÀI TOÁN KH O SÁT

(b) Tr ng h p LB=-0.3 Hình 4.7 Kh o sát c n d i (LB) ậ XGBoost ậ H dàn 21 thanh Các thông s c a d li u cho mô hình h c sâu đ c t ng h p trong B ng 4.3 d i đơy.

B ng 4.3 Các thông s c a b d li u hu n luy n

Tr ng h p t ng quát

Phương pháp Newmark Beta được áp dụng để đánh giá các đáp ứng gia tốc của hệ cấu trúc trong động đất Các đáp ứng gia tốc theo thời gian của bệ tĩnh được mô phỏng thông qua phương pháp này, sử dụng 10 thanh trong trường hợp hình học với các thông số đã được thiết lập, như thể hiện trong Hình 4.4.

Hình 4.4 áp ng gia t c t i DOF th 2 -Dàn 10 thanh Các giá tr ch s ASEI trong t ng tr ng h p đ c th hi n qua Hình 4.5

CH NG 4 CÁC BÀI TOÁN KH O SÁT

(c) Tình hu ng h h ng 3 Hình 4.5 Các giá tr ch s ASEI tr ng h p t ng quát ậ H dàn 10 thanh

Chỉ số ASEI đóng vai trò quan trọng trong việc xác định các vị trí ảnh hưởng đến kết quả trong Hình 4.5, với sự phân tích các yếu tố từ 10 đến 3, 5 và 6 cho trọng hợp 1, 2 và 3 Tuy nhiên, vẫn còn tồn tại những phần tử khó xác định ảnh hưởng Qua quá trình khảo sát, các yếu tố ảnh hưởng đến chỉ số ASEI bao gồm:

- M c đ h h ng c a ph n t : Ph n t có m c đ h h ng càng cao thì càng d nh n bi t

Khoảng thời gian xét công đới là yếu tố quan trọng, giúp xác định vị trí hàng hóa trong chuỗi cung ứng Nếu khoảng thời gian xét không được tính toán chính xác, có thể dẫn đến sai lệch trong việc xác định vị trí hàng hóa Tuy nhiên, việc xác định khoảng thời gian quá dài cũng có thể gây ra chi phí không cần thiết Do đó, trong quá trình nghiên cứu, sinh viên cần khảo sát và đề xuất các khoảng thời gian phù hợp nhất để tối ưu hóa quy trình.

Vị trí hàng hóa và cách đặt tên có ảnh hưởng lớn đến việc xác định giá trị của sản phẩm Những trang hợp thanh hàng có tính chất cầu, ít nhất là những đợt hàng kích thích cầu, đôi khi không gây nhiều thay đổi lên giá trị đáp ứng trích đích từ mô hình Do đó, việc xác định vị trí hàng hóa trở nên khó khăn hơn.

Vị trí vớ đ là nền tảng quan trọng trong việc xác định hướng đi của phương pháp Đối với các hệ thống cũ lẫn mới, việc đặt vị trí đột phá không phù hợp có thể gây ra nhiều phản ứng giá trị ở các vùng xa so với vị trí đột phá Lỗi của hệ thống không được ngó lơ có thể dẫn đến các tình huống bất ngờ Thông thường, những vị trí tại trường gây ra dao động chính của hệ thống cũ sẽ ảnh hưởng đến kết quả chọn đoán rất nhiều Ví dụ, vị trí tại trường thường dẫn đến nhấp nhô giảm dần khi đặt tại trường thường nằm mép dải công xôn.

4.1.3.2 B c 2 ậ Mô hình h c sâu a) Xây d ng b d li u

Sau khi các phân tử được chọn đoán lường khả năng ảnh hưởng được xác định qua chỉ số ASEI, một mô hình học sâu đã được xây dựng với dữ liệu đầu vào gồm đáp ứng giá trị theo thời gian từ các bậc tác động Mô hình này nhằm mục đích đánh giá ảnh hưởng của các phân tử nghi ngờ đến môi trường.

Trong nghiên cứu này, tác giả sử dụng bộ dữ liệu gồm 10.000 trang hình ảnh khác nhau được chọn ngẫu nhiên Trong đó, 90% dữ liệu, tương đương với 9.000 mẫu, được sử dụng cho quá trình huấn luyện, trong khi 10% còn lại, tức 1.000 mẫu, được sử dụng để kiểm định độ chính xác của mô hình.

CH NG 4 CÁC BÀI TOÁN KH O SÁT

Các mô hình học sâu với số lượng input và output lớn thường phức tạp hơn và khó dự đoán hơn Khi số biến đầu vào và đầu ra tăng lên, mô hình yêu cầu nhiều tham số hơn và số lượng nút trong mỗi lớp cũng tăng theo Điều này dẫn đến việc tiêu tốn tài nguyên máy tính và thời gian xử lý của thuật toán Hiện tại, số lượng bước thời gian đầu vào của mô hình đang được giới hạn ở mức 10.

C n trên (Upper Bound - UB) và c n d i (Lower Bound - LB) của biên độ ra mắt trong mô hình DNNs đang được xây dựng là giải hạn của biên mức độ ra mắt Việc lựa chọn c n trên và c n d i ảnh hưởng đến việc xây dựng tập dữ liệu huấn luyện và có tầm quan trọng đặc biệt trong độ chính xác của kết quả dự đoán thu được từ mô hình học sâu Đối với bài toán chọn đoán hiện đang xét, trên thực tế mức độ của phần tử dao động từ 0 đến 100% tương ứng với x ∈ [0.0, 1.0] Tuy nhiên, với mức độ cao từ 90% - 100%, hệ thống không còn hoạt động đáp ứng khả năng chịu lực thiết kế hoặc các hệ thống có khả năng phát hiện dạng bằng một thông Do đó, các bài toán đang xét trong luận văn chọn giá trị UB = 0.9 cho x.

(b) Tr ng h p LB=-0.3 Hình 4.6 Kh o sát c n d i (LB) ậ DNNs ậ H dàn 10 thanh

Trong nghiên cứu xây dựng bài toán với giá trị LB=0, mặc dù không xuất hiện hiện tượng rõ ràng, nhưng quá trình khảo sát cho thấy giá trị này thường không mang lại kết quả dự đoán tốt Nguyên nhân là do tính chất cơ bản của các thuật toán trí tuệ nhân tạo, cụ thể là việc xây dựng các hàm và quy luật để xác định kết quả dựa trên các giá trị đầu vào Thông thường, các mô hình này phát huy tác dụng tốt nhất trong những trường hợp mà kết quả dự đoán nằm trong không gian suy diễn của tập dữ liệu huấn luyện Ví dụ, nếu tập dữ liệu huấn luyện có đầu ra là các phân tách nằm trong khoảng [0, 0.09], thì mô hình sẽ dự đoán chính xác cho các trường hợp có kết quả dự đoán nằm trong khoảng này (ví dụ: 0.2, 0.3, …).

Phương pháp 3 bước trong luận văn này chủ yếu nhằm cải thiện khả năng dự đoán cho các vị trí nghi ngờ, với hiệu quả phụ thuộc vào khả năng đoán đúng phần tử tại biên x_i = 0 Do đó, tác giả đã sử dụng giá trị LB = -0.3 tại vị trí x_i = 0 để điều chỉnh mô hình học sâu Mặc dù phương pháp điều chỉnh này không thể hiện rõ hiệu quả đối với các bài toán đơn giản, nhưng lại có ưu điểm lớn trong các bài toán phức tạp với nhiều phần tử ảnh hưởng.

CH NG 4 CÁC BÀI TOÁN KH O SÁT

(b) Tr ng h p LB=-0.3 Hình 4.7 Kh o sát c n d i (LB) ậ XGBoost ậ H dàn 21 thanh Các thông s c a d li u cho mô hình h c sâu đ c t ng h p trong B ng 4.3 d i đơy.

B ng 4.3 Các thông s c a b d li u hu n luy n

Số lượng và vị trí của các phần tử trong môi trường ảnh hưởng đến độ chính xác trong việc dự đoán hình ảnh Do đó, việc xác định thời gian xét cho mỗi độ phân giải là rất quan trọng Dữ liệu huấn luyện cần được thu thập trên các độ phân giải khác nhau để cải thiện độ chính xác trong việc dự đoán.

48 đ c t o v i phân b đ u (uniform distribution) Th i gian kh i t o b d li u, hu n luy n và d đoán k t qu s đ c ghi nh n trong t ng chi phí tính toán c a ph ng pháp Hình

4.8 th hi n s phân b m c đ h h ng c a m t thanh b t k trích xu t t các b d li u đư t o

Hình 4.8 Phân b m c đ h h ng c a m t v trí ng u nhiên b) Mô hình m ng n ron nhơn t o (DNNs)

Mô hình học sơ đầu tiên áp dụng cho bài toán khảo sát là mô hình mạng nơ-ron nhân tạo với các tham số tùy chỉnh Dựa vào các ví dụ thực tế và nghiên cứu, mô hình này đã được sử dụng trên nhiều lĩnh vực khác nhau, cho thấy khả năng tổng quát của nó trong việc xử lý thông tin Đối với các bài toán khác nhau, thông số thích hợp sẽ khác nhau, vì vậy cần khảo sát nhiều lần để thu thập thông tin chính xác Các thông số được trình bày trong luận văn đã được tác giả khảo sát thông qua các bài toán cụ thể và rút ra các giá trị định tính, phù hợp với mục tiêu loại bỏ các vị trí không hợp lý trong bậc thang của bài toán chọn đoán.

B ng 4.4 Các thông s c a mô hình DNNs

CH NG 4 CÁC BÀI TOÁN KH O SÁT

(*) v i n là s ph n t d đoán h h ng đ u vào

Mô hình DNN được đánh giá dựa trên kết quả từ hai tập huấn luyện và kiểm định Kết quả chính xác và mất mát ghi nhận cho ba mô hình trong Hình 4.9 cho thấy hiệu suất tốt với độ chính xác trên 90% và không xảy ra hiện tượng Overfitting Tuy nhiên, đối với bài này, thời gian chạy còn hạn chế với chỉ 500 Epoch, điều này cần được cải thiện.

(c) Tr ng h p 3 Hình 4.9 chính xác và m t mát c a các mô hình DNNs - dàn 10 thanh

Các k t qu d đoán h h ng c a mô hình DNNs đ xu t đ c th hi n trong Hình 4.10 Các v trí có k t qu d đoán h h ng không đáng k , nh h n 5% (x i 0 05 ) s b lo i b đ ti p t c gi m s l ng bi n thi t k trong b c t i u hóa.

Độ chính xác cao của DNNs được thể hiện qua việc xây dựng mô hình với 10 thanh đang xét Trong trường hợp không yêu cầu độ chính xác quá cao, thuật toán có thể chấp nhận kết quả từ hai lần chạy để thu được kết quả cuối cùng Độ chính xác của các trường hợp cụ thể được trình bày trong Bảng 4.6.

CH NG 4 CÁC BÀI TOÁN KH O SÁT

Hình 4.10 K t qu h h ng d đoán b ng DNNs ậ H dàn 10 thanh c) Mô hình XGBoost

Mô hình gi m b c và nhi u

Bài toán chọn đoán hướng trên thực địa gặp nhiều khó khăn hơn so với các bài toán lý thuyết thuần túy, do sự khác biệt giữa mô hình và kết cấu thực tế, cùng với các yếu tố không kiểm soát được như điều kiện môi trường và điểm đo Để giải quyết vấn đề này, cần phải thu thập nhiều dữ liệu đo đạc và xem xét các yếu tố ảnh hưởng đến dữ liệu, bao gồm kinh phí và thời gian công tác Kiểm tra tính khả thi của phương pháp 3 bước đề xuất và giá trị của hành động trong mô phỏng sẽ giúp đánh giá độ chính xác từ 0% đến 2%.

CH NG 4 CÁC BÀI TOÁN KH O SÁT

Hình 4.16 Gia t c đo đ c có xét nhi u so v i không xét nhi u

Mô hình giá trị bậc - chuỗi Neumann bậc 2 được áp dụng để xây dựng giải pháp chính xác cho trường hợp giới hạn và dữ liệu đo nhạy Kết quả giải đáp giá trị của mô hình MOR đối với bậc tự do thứ 2 cho thấy phương pháp giảm bậc mô hình có tác động tích cực, phân loại giá trị theo thời gian là giống nhau Kết quả này có thể được áp dụng trong bài toán chọn đoán hành động.

Hình 4.17 V trí các đi m đo đ c ậ dàn 10 thanh

Hình 4.18 áp ng gia t c t i DOF th 2-MOR và mô hình -Dàn 10 thanh

Mô hình giá trị gia tăng của hàng hóa được tính theo phương pháp giảm bậc, với các thông số liên quan đến tần suất trong phương pháp dự đoán bão bộc được trình bày trong mục 4.1.3 Kết quả của chỉ số ASEI đối với mô hình này được thể hiện trong Hình 4.19 Rõ ràng, khi xem xét nhiều nguồn nhiên 2%, chỉ số ASEI không gặp khó khăn trong việc xác định những vị trí có khả năng xảy ra hàng hóa Bằng chứng là những vị trí được dự đoán tương ứng với tình trạng hợp tác tổng quát.

CH NG 4 CÁC BÀI TOÁN KH O SÁT

(c) Tr ng h p 3 Hình 4.19 Các giá tr ch s ASEI, xét nhi u và mô hình gi m b c ậ H dàn 10 thanh

Hình 4.20 K t qu h h ng d đoán b ng DNNs, xét nhi u và mô hình gi m b c ậ H dàn 10 thanh

K t qu ch n đoán h h ng t mô hình h c sơu DNN đ c trình bày trong Hình 4.20

C ng nh ch s ASEI, v i m c nhi u 2% cho bƠi dƠn 10 thanh, b c th 2 c ng không g p khó kh n trong ch n đoán h h ng

Kết quả của việc chọn đoán hướng hàm dạng 10 thanh cho thấy thuật toán có khả năng chọn đoán hướng đối với trường hợp hẹn ch với số điểm đo vơ nhiều dữ liệu đo đạc đạt mức 2% Mặc dù kết quả trung bình cho ra với sai số nhỏ hơn 10%, nhưng trong quá trình khảo sát, một số trường hợp dữ liệu đo đạc bị nhiễu làm cho các thuật toán trở nên không chính xác.

CH NG 4 CÁC BÀI TOÁN KH O SÁT

67 đ là một điểm chính xác nằm trong mạng lưới hạng 1 của bài dàn 10 thanh Mặc dù vị trí hạng này đã được xác định, nhưng cần phải khắc phục trong các hạng mở rộng và cải thiện các tài liệu nhằm đề xuất các phương pháp giải quyết phù hợp với các bài toán thực tiễn.

Hình 4.21 K t qu d đoán h h ng b ng ph ng pháp 3 b c ậxét nhi u và mô hình gi m b c - H dàn 10 thanh

B ng 4.12 K t qu ch n đoán h h ng c a mô hình t ng quát và mô hình có xét nhi u và MOR ậ Dàn 10 thanh

Ph năt ă h ăh ngă M căđ ă h ăh ngă

Nh n xét

Phương pháp chẩn đoán hình ảnh 3 bước đã được đánh giá hiệu quả thông qua việc so sánh với phương pháp chẩn đoán hình ảnh 1 bước, sử dụng thuật toán HBA Kết quả cho thấy phương pháp 1 bước có khả năng chẩn đoán chính xác gần 100% cho các trường hợp được đánh giá, như thể hiện trong Hình 4.22 Mặc dù số lần chẩn đoán PTHH của phương pháp 3 bước chỉ đạt từ 25% đến 60% so với phương pháp 1 bước, nhưng vẫn cho thấy những ưu điểm nhất định trong việc áp dụng thực tiễn, như được nêu rõ trong Bảng 4.13.

CH NG 4 CÁC BÀI TOÁN KH O SÁT

Phương pháp nêu ra cần tính toán thêm chi phí cho bậc 1 và bậc 2, do đó việc so sánh một cách công bằng về thời gian chạy của các trường hợp cụ thể được trình bày trong Bảng 4.14 Kết quả cuối cùng cho thấy ưu điểm về mặt chi phí tính toán của phương pháp chọn đoán hình 3 bậc Các kết quả khảo sát cho những bối cảnh khác nhau được trình bày trong cùng chương, dẫn đến kết luận tổng thể Cần lưu ý rằng với hệ thống phức tạp, nhiều phần tử thì sự khác biệt sẽ càng lớn.

(c) Tr ng h p 3 Hình 4.22 K t qu ch n đoán h h ng ậPh ng pháp 1 b cậ H dàn 10 thanh

B ng 4.13 So sánh s l n gi i PTHH gi a ph ng pháp 3 b c và ph ng pháp 1 b c ậ Dàn 10 thanh

Ph ngăphápă3 b c Ph ngăphápă1 b c T ăl ăkhácăbi t

L iăgi iăt tă nh t Trung bình

L iăgi iăt tă nh t Trung bình

B ng 4.14 So sánh t ng th i gian ch n đoán gi a ph ng pháp 3 b c và ph ng pháp 1 b c ậ Dàn 10 thanh

Ph ngăphápă3 b c Ph ngăphápă1 b c Khácăbi t

Trong mục 4.1, tác giả trình bày và chứng minh độ chính xác của phương pháp chọn đoán hướng 3 bậc đề xuất đối với bài toán chuỗi dàn 10 thanh Tuy nhiên, điều kiện luận và tính tổng quát của phương pháp, các hệ thống chuỗi khác nhau với kích thước và điều kiện biên khác nhau sẽ được xem xét trong các mục tiếp theo của chương này.

CH NG 4 CÁC BÀI TOÁN KH O SÁT

Mô hình giảm bậc theo chuỗi Neumann đã được xem xét trong nhiều trường hợp, cho thấy thuật toán đề xuất có khả năng chọn đoán hiệu quả trong các tình huống thực tế, mặc dù vẫn cần xem xét nhiều hiện tượng khác nhau để cải thiện độ chính xác.

Qua quá trình khảo sát, mô hình học sâu mạng nơ-ron nhân tạo (DNNs) và thuật toán tối ưu con lăng một (HBA) đã thể hiện nhiều điểm phù hợp với mục tiêu bài toán chẩn đoán đang xây dựng, cho ra kết quả cuối cùng với độ chính xác cao Do đó, đối với các hệ thống sau, phương pháp 3 bước áp dụng 2 thuật toán này.

Dàn ph ng 21 thanh

Thông s k t c u

Sau khi dàn 10 thanh, một dàn phức tạp hơn được xây dựng với 21 thanh, như thể hiện trong Hình 4.23 Các thông số hình học và vật liệu của dàn này đã được trình bày trong Bảng 4.15 Đối với bài toán này, phương pháp 3 bước đã sử dụng mô hình học sâu DNNs và thuật toán tối ưu HBA Các thông số điều chỉnh của mô hình thuật toán sẽ tự động tính toán bởi dàn 10 thanh, tuy nhiên hai trường hợp hành động khác nhau đã được đề cập trong mục 4.2.2, trong đó có trường hợp các thanh chịu tải nhiệt đồng nhất không hành động.

B ng 4.15 Các thông s v t li u vƠ kích th c c a h dàn 21 thanh

4.2.2 Cácătr ng h păh ăh ng gi đ nh và t i tr ngăt ngă ng

Hai tính hu ng h h ng gi đnh kèm theo s thay đ i v nhi t đ c a h 21 thanh đ c xét trong B ng 4.16 M c đ chênh l ch nhi t đ c ng đ c ch n là T 0 0 C

B ng 4.16 Các tình hu ng h h ng gi đnh cho h dàn 21 thanh

Tình hu ng Các ph n t h h ng M c đ h h ng l n l t ( )xi Ph n t ch u t i nhi t đ

Ph ng trình t i đ ng áp d ng vào dàn 21 thanh đ c gi s t ng t nh Hình 4.2 c a bài dàn 10 thanh, v trí vƠ h ng đ t t i đ c th hi n trong Hình 4.24

Hình 4.24 V trí t i tr ng tác đ ng lên h dàn 21 thanh

Mô hình cho tầng bậc chẩn đoán của bài viết này sử dụng 21 thành đươc giới thiệu trong mục 4.1, trong khi 10 thành phần trình bày cũng được đề cập Kết luận trước đó cho thấy chỉ có mô hình học sâu DNNs và thuật toán tối ưu HBA được áp dụng trong hệ thống này Các kết quả của tầng bậc được trình bày trong các hình 4.25, 4.26, 4.27, 4.28 và 4.29 Phần nhận xét và bàn luận được trình bày chi tiết trong mục 4.2.5.

CH NG 4 CÁC BÀI TOÁN KH O SÁT

(b) Tình hu ng h h ng 2 Hình 4.25 Các giá tr ch s ASEI tr ng h p t ng quát ậ H dàn 21 thanh

(b) Tr ng h p 2 Hình 4.26 chính xác và m t mát c a các mô hình DNNs - dàn 21 thanh

CH NG 4 CÁC BÀI TOÁN KH O SÁT

(b) Tr ng h p 2 Hình 4.27 K t qu h h ng d đoán b ng DNNs ậ H dàn 21 thanh

(b) Tr ng h p 2 Hình 4.28 K t qu ch n đoán h h ng ậTr ng h p t ng quát ậ H dàn 21 thanh

CH NG 4 CÁC BÀI TOÁN KH O SÁT

Hình 4.29 Quá trình h i t hàm m c tiêu ậTr ng h p t ng quát ậ H dàn 21 thanh

4.2.4 Mô hình gi m b c và nhi u

Bài viết trình bày về mô hình tổng quát và mô hình giảm bậc trong việc phân tích dữ liệu, với 21 tham số được xem xét Hình 4.30 thể hiện vị trí của các nút s 3, 4, 5 và 10 gần các biến độc lập Quá trình khảo sát cho thấy nhiều dữ liệu đo được, với kết quả từ mô hình dự đoán đạt độ chính xác cao lên tới 6% Kết quả từ ba mô hình được trình bày trong Hình 4.31, Hình 4.32 và Hình 4.33 Bảng 4.17 so sánh giữa mô hình tổng quát và mô hình giảm bậc, với các nhận xét được trình bày trong phần 4.2.5.

Hình 4.30 V trí các đi m đo đ c ậ dàn 21 thanh

(b) Tr ng h p 2 Hình 4.31 Các giá tr ch s ASEI, xét nhi u và mô hình gi m b c ậ H dàn 21 thanh

CH NG 4 CÁC BÀI TOÁN KH O SÁT

Hình 4.32 K t qu h h ng d đoán b ng DNNs, xét nhi u và mô hình gi m b c ậ H dàn 21 thanh

(b) Tr ng h p 2 Hình 4.33 K t qu d đoán h h ng b ng ph ng pháp 3 b c ậ Có xét nhi u và mô hình gi m b c - H dàn 21 thanh

CH NG 4 CÁC BÀI TOÁN KH O SÁT

B ng 4.17 K t qu ch n đoán h h ng c a mô hình t ng quát và mô hình có xét nhi u và MOR ậ Dàn 21 thanh e Ph năt ă h ăh ngă M căđ ă h ăh ngă

Kết quả thu được từ việc khảo sát 21 thành phần cho thấy phương pháp chọn đoán hướng 3 bước đã cải thiện tính khả thi của dự án Mục đích chính là tối ưu hóa phần tử để đạt được độ chính xác 100% cho bài toán tổng quát theo lý thuyết Khi xem xét nhiều đo đạc tại 6%, bài toán vẫn mang lại kết quả tương đối ổn định, với độ chính xác lên tới 87%, trong khi trung bình là hơn 90% Kết quả này cho thấy rõ tác động của từng bước trong bài toán Cụ thể, đối với tình huống tổng quát cho hướng dẫn 1, bước đầu tiên giảm số biến cần xem xét từ 21 thành 6 biến (các phần tử 2, 6, 9, 13, 14, 18) Bước thứ hai giảm số biến còn lại 2 biến và cung cấp thêm xếp hạng cho phần tử 3 và 4 Cuối cùng, bước thứ ba xác định chính xác mục đích hướng của phần tử 3 và 4 lên tới 100%.

Bài toán chọn đoán hướng bằng bậc tối ưu hóa có thể thực hiện qua thuật toán HBA, như được thể hiện trong Hình 4.34 Thuật toán này cho ra kết quả chọn đoán chính xác 100% mà không xét nhiều mô hình Tuy nhiên, thời gian giải quyết và số lượng bậc phần tử cần chạy thì phương pháp 3 bậc vẫn duy trì được hiệu quả rõ ràng (Xem Bảng 4.18 và Bảng 4.19).

(b) Tr ng h p 2 Hình 4.34 K t qu ch n đoán h h ng ậPh ng pháp 1 b cậ H dàn 21 thanh

B ng 4.18 So sánh s l n gi i PTHH gi a ph ng pháp 3 b c và ph ng pháp 1 b c ậ Dàn 21 thanh

Ph ngăphápă3 b c Ph ngăphápă3ăb c Khácăbi t

L iăgi iă t tănh t Trung bình

Tr ng h p t ng quát

Mô hình cho t ng b c ch n đoán c a bƠi dƠn 21 thanh đ c gi t ng t nh bƠi dƠn 10 thanh được trình bày trong m c 4.1 K t lu n tr c chỉ áp d ng mô hình h c sâu DNNs và thu t toán t i u HBA Các k t quả c a t ng b c được trình bày trong Hình 4.25 đến Hình 4.29 Ph n nh n xét và bàn lu n có trong m c 4.2.5.

CH NG 4 CÁC BÀI TOÁN KH O SÁT

(b) Tình hu ng h h ng 2 Hình 4.25 Các giá tr ch s ASEI tr ng h p t ng quát ậ H dàn 21 thanh

(b) Tr ng h p 2 Hình 4.26 chính xác và m t mát c a các mô hình DNNs - dàn 21 thanh

CH NG 4 CÁC BÀI TOÁN KH O SÁT

(b) Tr ng h p 2 Hình 4.27 K t qu h h ng d đoán b ng DNNs ậ H dàn 21 thanh

(b) Tr ng h p 2 Hình 4.28 K t qu ch n đoán h h ng ậTr ng h p t ng quát ậ H dàn 21 thanh

CH NG 4 CÁC BÀI TOÁN KH O SÁT

Hình 4.29 Quá trình h i t hàm m c tiêu ậTr ng h p t ng quát ậ H dàn 21 thanh

Mô hình gi m b c và nhi u

Bài viết trình bày về việc áp dụng mô hình tổng quát và mô hình giảm bậc trong việc đo đạc tại 21 thanh cứng, với nhiều đo đạc và kết quả được phân tích Hình 4.30 minh họa vị trí các nút s3, s4, s5 và s10 gần các cảm biến gia tốc Qua quá trình khảo sát, nhiều đo đạc đã được thực hiện và kết quả đạt được từ mô hình đề xuất cho thấy độ chính xác cao (lên đến 6%) Các kết quả từ ba bậc số được trình bày trong Hình 4.31, Hình 4.32 và Hình 4.33 Bảng 4.17 so sánh giữa mô hình tổng quát và mô hình giảm bậc với nhiều xét nghiệm, và những nhận xét rút ra được trình bày trong phần 4.2.5.

Hình 4.30 V trí các đi m đo đ c ậ dàn 21 thanh

(b) Tr ng h p 2 Hình 4.31 Các giá tr ch s ASEI, xét nhi u và mô hình gi m b c ậ H dàn 21 thanh

CH NG 4 CÁC BÀI TOÁN KH O SÁT

Hình 4.32 K t qu h h ng d đoán b ng DNNs, xét nhi u và mô hình gi m b c ậ H dàn 21 thanh

(b) Tr ng h p 2 Hình 4.33 K t qu d đoán h h ng b ng ph ng pháp 3 b c ậ Có xét nhi u và mô hình gi m b c - H dàn 21 thanh

CH NG 4 CÁC BÀI TOÁN KH O SÁT

B ng 4.17 K t qu ch n đoán h h ng c a mô hình t ng quát và mô hình có xét nhi u và MOR ậ Dàn 21 thanh e Ph năt ă h ăh ngă M căđ ă h ăh ngă

Nh n xét

Kết quả thu được từ việc khảo sát 21 thành phần cho thấy phương pháp chọn đoán hướng 3 bước đã được cải thiện tính khả thi Mục đích của hướng dẫn là tối ưu hóa việc dự đoán chính xác tới 100% với bài toán tổng quát theo lý thuyết Khi xem xét nhiều đo đạc tại 6%, bài toán vẫn mang lại kết quả tương đối, với độ chính xác đạt 87%, trong khi trung bình là hơn 90% Kết quả cho thấy rõ tác động của từng bước trong bài toán Cụ thể, đối với trường hợp tổng quát cho tình huống hướng dẫn gia đình 1, bước thứ nhất giảm số biến cần xét từ 21 thành 6 biến (các phần tử 2, 6, 9, 13, 14, 18) Bước thứ hai giảm số biến cần xét và còn 2 biến, đồng thời cung cấp thêm thông tin về hướng dẫn của phần tử 3 và 4 Cuối cùng, bước thứ ba xác định chính xác mục đích hướng dẫn của phần tử 3 và 4 lên tới 100%.

Bài toán chọn đoán hàng bằng bậc tối ưu hóa có thể thực hiện thông qua thuật toán HBA, như thể hiện trong Hình 4.34 Thuật toán này cho ra kết quả chọn đoán không xét nhiều và mô hình giảm bậc chính xác 100% Tuy nhiên, thời gian giải và số lượng bậc phân tích cần chạy thì phương pháp 3 bậc vẫn thể hiện rõ ràng (Xem Bảng 4.18 và Bảng 4.19).

(b) Tr ng h p 2 Hình 4.34 K t qu ch n đoán h h ng ậPh ng pháp 1 b cậ H dàn 21 thanh

B ng 4.18 So sánh s l n gi i PTHH gi a ph ng pháp 3 b c và ph ng pháp 1 b c ậ Dàn 21 thanh

Ph ngăphápă3 b c Ph ngăphápă3ăb c Khácăbi t

L iăgi iă t tănh t Trung bình

CH NG 4 CÁC BÀI TOÁN KH O SÁT

B ng 4.19 So sánh t ng th i gian ch n đoán gi a ph ng pháp 3 b c và ph ng pháp 1 b c ậ Dàn 21 thanh

Ph ngăphápă3 b c Ph ngăphápă1 b c T ăl

Dàn không gian 25 thanh

Thông s k t c u

Trong bài viết này, chúng tôi sẽ phân tích một trường hợp có phần tử hình học nhị phân (TH1) và một trường hợp khác với nhiều phần tử hình học không chứa nhị phân, liên quan đến các thanh hình học trong Hình 4.35 Chúng tôi sẽ chứng minh tính khả thi của phương pháp đề xuất đối với các bài toán không gian Thông số về vật liệu và kích thước các thanh được trình bày trong Bảng 4.20.

B ng 4.20 Các thông s v t li u vƠ kích th c h dàn 25 thanh

Di n tích m t c t ngang (toƠn b các thanh) A m 2 0.0025

4.3.2 Cácătr ng h păh ăh ng gi đ nh và t i tr ngăt ngă ng

Trong bài toán này, chúng ta xem xét hai trường hợp khác nhau liên quan đến các thanh có kích thước 3 và 4 Trường hợp thứ nhất có độ dày nhiệt là 0.2 và 0.1, với không có phần tử chịu tải nhiệt độ Trường hợp thứ hai bao gồm 8 phần tử khác nhau cùng với 3 phần tử chịu nhiệt độ chênh lệch, theo bảng B ng 4.21 Mục đích là để xác định chênh lệch nhiệt độ là TΔ 0 0 C.

B ng 4.21 Các tình hu ng h h ng gi đnh cho h dàn 25 thanh

Tìnhăhu ngă Cácăph năt ăh ăh ng M căđ ăh ăh ngăl năl tă ( )xi Ph n t ch u t i nhi tăđ

Hình 4.36 V trí t i tr ng tác đ ng lên h dàn 25 thanh

CH NG 4 CÁC BÀI TOÁN KH O SÁT

Giá trị trọng tải áp dụng vào dàn 25 thanh tương tự như dàn 10 thanh, với trọng tải tại nút thứ 9 được gán theo phương x, trong khi nút thứ 10 được gán theo phương y, như thể hiện trong Hình 4.36.

Tính toán hai bậc của mô hình không thay đổi các thông số ban đầu Hơn 25 thành phần đã được khảo sát qua hai trường hợp tổng quát, với việc xem xét nhiều đặc điểm và mô hình giảm bậc.

(b) Tình hu ng h h ng 2 Hình 4.37 Các giá tr ch s ASEI tr ng h p t ng quát ậ H dàn 25 thanh

Hình 4.37 thể hiện hằng số ASEI trong bối cảnh cụ thể, cho thấy rằng hằng số này không thể hiện đầy đủ các phần tử ảnh hưởng Nói cách khác, có nhiều phần tử không ảnh hưởng nhưng vẫn được nhận diện Quá trình khảo sát nhiều hệ thống khác nhau cho thấy tính đặc trưng của từng bài toán, với các hệ thống khác nhau thể hiện sự khác biệt rõ rệt với hằng số ASEI mà không tuân theo một quy luật nhất định Tuy nhiên, hằng số ASEI vẫn nhận diện được các phần tử ảnh hưởng và sự biến đổi cần tìm kiếm có thể giảm thiểu đáng kể.

Quá trình huấn luyện và kiểm tra mô hình DNNs được thể hiện trong Hình 4.38 Kết quả dự đoán hình ảnh qua bậc thang hai được trình bày trong Hình 4.39 Độ chính xác của mô hình DNNs không cao trong trường hợp bài dàn 10 thanh và bài dàn 21 thanh do số lượng biến cần dự đoán hình ảnh nhiều hơn trong bài dàn 25 thanh phức tạp hơn với một không gian đầu vào lớn Mặc dù độ chính xác của mô hình có thể được cải thiện bằng cách điều chỉnh các tham số như số Epoch, số nút trong mỗi lớp, và số lượng biến, nhưng điều này đi kèm với thời gian tính toán, xây dựng mô hình và dự đoán kết quả tăng lên đáng kể Hơn nữa, như đã trình bày trước đó, mục đích của bậc thang hai là loại bỏ các biến không liên quan, do đó không yêu cầu độ chính xác cao.

CH NG 4 CÁC BÀI TOÁN KH O SÁT

(b) Tr ng h p 2 Hình 4.38 chính xác và m t mát c a các mô hình DNNs - dàn 25 thanh

Qua quá trình nghiên cứu, tác giả xác định rằng mô hình DNNs đạt độ chính xác trên 65%, cho thấy hiệu quả vượt trội so với các phương pháp tối ưu hóa truyền thống Điều này nhấn mạnh tầm quan trọng của việc thu thập dữ liệu và huấn luyện mô hình, cho phép kiểm soát độ chính xác mà không cần biết trước hành động thực tế.

(b) Tr ng h p 2 Hình 4.39 K t qu h h ng d đoán b ng DNNs ậ H dàn 25 thanh

Sau khi áp dụng thuật toán HBA để xác định chính xác nhất mức độ ảnh hưởng của các phần tử, kết quả được trình bày trong Hình 4.40 cho thấy sự khác biệt rõ rệt trong 5 lần chạy khác nhau của thuật toán Hình 4.41 minh họa tỉ lệ hàm mục tiêu và số lần chạy phần tử, từ đó cung cấp cái nhìn sâu sắc về hiệu quả của quá trình đoán đư.

D th y đ chính xác c a k t qu ch n đoán 2 tr ng h p h h ng gi đnh b ng ph ng pháp 3 b c là g n 100% qua hình trên S li u c th s đ c trình bày trong

B ng 4.22 và so sánh v i tr ng h p có nhi u và mô hình gi m b c

CH NG 4 CÁC BÀI TOÁN KH O SÁT

(b) Tr ng h p 2 Hình 4.40 K t qu ch n đoán h h ng ậTr ng h p t ng quát ậ H dàn 25 thanh

Hình 4.41 Quá trình h i t hàm m c tiêu ậTr ng h p t ng quát ậ H dàn 25 thanh

4.3.4 Mô hình gi m b c và nhi u i v i dàn 25 thanh, c m bi n gia t c gi s đ c đ t các nút quan tr ng nh 5, 6,

Mức độ nhiễu đa có khả năng áp dụng cho dàn 25 thanh là 4% theo kết quả khảo sát Khi nhiều vật đi qua con số này, chỉ số ASEI không nhận định được vị trí hành động cần đoán.

Hình 4.42 V trí các đi m đo đ c ậ dàn 25 thanh

CH NG 4 CÁC BÀI TOÁN KH O SÁT

Các k t qu c a m i b c ch n đoán h h ng s đ c trình bày l n l t trong các Hình 4.43, Hình 4.44 và Hình 4.45 và bàn lu n trong m c 0

(b) Tr ng h p 2 Hình 4.43 Các giá tr ch s ASEI, xét nhi u và mô hình gi m b c ậ H dàn 25 thanh

(b) Tr ng h p 2 Hình 4.44 K t qu h h ng d đoán b ng DNNs, xét nhi u và mô hình gi m b c ậ H dàn 25 thanh

CH NG 4 CÁC BÀI TOÁN KH O SÁT

Hình 4.45 K t qu d đoán h h ng b ng ph ng pháp 3 b c ậ Có xét nhi u và mô hình gi m b c - H dàn 25 thanh

Kết quả phân tích cho thấy rằng mô hình dự đoán hành vi của các hai trường hợp tổng quát có độ chính xác 66.1% trong trường hợp hành vi gia đình, trong khi các phần tử khác đều đạt độ chính xác rất cao, khoảng 100% ± 5% Mô hình này được thể hiện trong Bảng 4.22, cho thấy tầm quan trọng của việc xét nhiều đặc điểm trong quá trình phân tích.

B ng 4.22 K t qu ch n đoán h h ng c a mô hình t ng quát và mô hình có xét nhi u và MOR ậ Dàn 25 thanh

Ph năt ă h ăh ngă M căđ ă h ăh ngă

Phương pháp 1 bậc so với phương pháp 3 bậc cho thấy sự khác biệt rõ rệt về chi phí tính toán Kết quả từ Hình 4.46, Bảng 4.23 và Bảng 4.24 chỉ ra rằng phương pháp 3 bậc có hiệu quả chi phí tốt hơn, với thời gian chạy giảm tới 50% so với phương pháp 1 bậc Ngoài ra, các kết quả này cũng cho thấy sự khả thi của phương pháp đề xuất trong các trường hợp dàn không gian.

Tr ng h p t ng quát

Tính toán hai bờ toán trắc, các thông số mô hình cho cường độ ban đầu không thay đổi Hệ thống 25 thanh cứng được khảo sát qua hai trường hợp tổng quát và trường hợp có xét nhiều đo đạc cùng với mô hình giảm bớt.

(b) Tình hu ng h h ng 2 Hình 4.37 Các giá tr ch s ASEI tr ng h p t ng quát ậ H dàn 25 thanh

Hệ số ASEI được thể hiện trong bức tranh Hình 4.37 cho thấy sự khác biệt so với các bài toán đã xét Trong trường hợp này, hệ số ASEI không thể hiện đầy đủ các phần tử ảnh hưởng Điều này có nghĩa là có nhiều phần tử không ảnh hưởng nhưng vẫn được nhận diện Quá trình khảo sát nhiều hệ thống khác nhau cho thấy tính đặc trưng của mỗi bài toán Cụ thể, các hệ thống khác nhau thể hiện những đặc điểm khác nhau với hệ số ASEI mà không theo một quy luật nhất định Tuy nhiên, hệ số ASEI vẫn nhận biết được các phần tử ảnh hưởng và sự biến đổi cần tìm kiếm vẫn đáng kể.

Quá trình huấn luyện và mô hình hóa của DNNs được thể hiện trong Hình 4.38 Kết quả dự đoán hàm hình qua bậc thang hai được trình bày trong Hình 4.39 Độ chính xác của mô hình DNNs không cao trong trường hợp bài dàn 10 thanh và bài dàn 21 thanh do số lượng biến cần dự đoán hàm hình nhiều hơn, đặc biệt là với bài dàn 25 thanh phức tạp hơn trong không gian đầu vào Mặc dù độ chính xác của mô hình có thể cải thiện thông qua các phương pháp tối ưu hóa như điều chỉnh số Epoch, số nút trong mỗi lớp và số lượng biến, nhưng điều này đi kèm với thời gian khởi tạo dữ liệu, xây dựng mô hình và dự đoán kết quả Hơn nữa, mặc dù mục đích của bậc thang hai là loại bỏ các biến không ảnh hưởng, nhưng không yêu cầu độ chính xác cao.

CH NG 4 CÁC BÀI TOÁN KH O SÁT

(b) Tr ng h p 2 Hình 4.38 chính xác và m t mát c a các mô hình DNNs - dàn 25 thanh

Qua các kết quả tìm được trong quá trình làm luận văn, tác giả cho rằng độ chính xác của mô hình DNNs đạt trên 65% là điều kiện cần thiết cho các bài toán phức tạp, mang lại kết quả tốt và hiệu quả so với bài toán tối ưu hóa truyền thống Cần lưu ý rằng khi tạo dữ liệu và huấn luyện mô hình, chúng ta có thể kiểm soát được độ chính xác mà không cần biết trước hướng thực tế.

(b) Tr ng h p 2 Hình 4.39 K t qu h h ng d đoán b ng DNNs ậ H dàn 25 thanh

Sau khi đưa ra các phần tử không ảnh hưởng bậc 2, thuật toán HBA được áp dụng để xác định chính xác nhất mức độ ảnh hưởng của các phần tử Hình 4.40 thể hiện kết quả tính toán trong 5 lần chạy khác nhau của thuật toán, trong khi Hình 4.41 trình bày các đặc điểm của hàm mục tiêu và số lần chạy phần tử thu được cần thiết để đạt kết quả chính xác trong dự đoán.

D th y đ chính xác c a k t qu ch n đoán 2 tr ng h p h h ng gi đnh b ng ph ng pháp 3 b c là g n 100% qua hình trên S li u c th s đ c trình bày trong

B ng 4.22 và so sánh v i tr ng h p có nhi u và mô hình gi m b c

CH NG 4 CÁC BÀI TOÁN KH O SÁT

(b) Tr ng h p 2 Hình 4.40 K t qu ch n đoán h h ng ậTr ng h p t ng quát ậ H dàn 25 thanh

Hình 4.41 Quá trình h i t hàm m c tiêu ậTr ng h p t ng quát ậ H dàn 25 thanh

Mô hình gi m b c và nhi u

i v i dàn 25 thanh, c m bi n gia t c gi s đ c đ t các nút quan tr ng nh 5, 6,

Mục đích nghiên cứu cho thấy rằng khả năng áp dụng cho dàn 25 thanh là 4% theo kết quả khảo sát Khi nhiều vật vượt qua con số này, chỉ số ASEI không nhận được vị trí hướng cần đoán.

Hình 4.42 V trí các đi m đo đ c ậ dàn 25 thanh

CH NG 4 CÁC BÀI TOÁN KH O SÁT

Các k t qu c a m i b c ch n đoán h h ng s đ c trình bày l n l t trong các Hình 4.43, Hình 4.44 và Hình 4.45 và bàn lu n trong m c 0

(b) Tr ng h p 2 Hình 4.43 Các giá tr ch s ASEI, xét nhi u và mô hình gi m b c ậ H dàn 25 thanh

(b) Tr ng h p 2 Hình 4.44 K t qu h h ng d đoán b ng DNNs, xét nhi u và mô hình gi m b c ậ H dàn 25 thanh

CH NG 4 CÁC BÀI TOÁN KH O SÁT

Hình 4.45 K t qu d đoán h h ng b ng ph ng pháp 3 b c ậ Có xét nhi u và mô hình gi m b c - H dàn 25 thanh

Kết quả phân tích đoán hạng của hai trường hợp tổng quát về trọng hợp cho thấy mô hình giám sát được thể hiện trong Bảng 4.22 Ngoài ra, phần tử số 11 trong trường hợp hạng giá đình của mô hình có độ chính xác đạt 66.1%, trong khi các phần tử còn lại đều có độ chính xác rất cao, gần 100% ± 5%.

B ng 4.22 K t qu ch n đoán h h ng c a mô hình t ng quát và mô hình có xét nhi u và MOR ậ Dàn 25 thanh

Ph năt ă h ăh ngă M căđ ă h ăh ngă

Nh n xét

Phương pháp 1 bậc sử dụng tiêu hóa ngẫu nhiên được áp dụng để so sánh chi phí tính toán với phương pháp 3 bậc đề xuất Kết quả từ Hình 4.46, Bảng 4.23 và Bảng 4.24 cho thấy hiệu quả chi phí tính toán của phương pháp 3 bậc chỉ bằng 50% thời gian chạy so với phương pháp 1 bậc Bên cạnh đó, các kết quả chọn đoán hình ảnh cũng cho thấy phương pháp đề xuất khả thi trong các trường hợp dàn không gian.

CH NG 4 CÁC BÀI TOÁN KH O SÁT

(b) Tr ng h p 2 Hình 4.46 K t qu ch n đoán h h ng ậPh ng pháp 1 b cậ H dàn 25 thanh

B ng 4.23 So sánh s l n gi i PTHH gi a ph ng pháp 3 b c và ph ng pháp 1 b c ậ Dàn 10 thanh

Ph ngăphápă1ăb c Ph ngăphápă3ăb c T ăl

L iăgi iăt tă nh t Trung bình

L iăgi iăt tă nh t Trung bình

B ng 4.24 So sánh t ng th i gian ch n đoán gi a ph ng pháp 3 b c và ph ng pháp 1 b c ậ Dàn 10 thanh

Ph ngăphápă3 b c Ph ngăphápă1 b c T ăl

Dàn không gian 64 thanh

Thông s k t c u

Sau cùng, ngoài các bài toán chu n th ng th y trong các nghiên c u, m t h dàn không gian ph c t p h n g m 64 thanh nh Hình 4.47 và Hình 4.48 đ c đ a vƠo kh o sát

96 nh m ch ng minh tính th c ti n c a ph ng pháp đ xu t v i nh ng bài toán th c t Các thông s v t li u c a dƠn c ng đ c th hi n trong B ng 4.25

B ng 4.25 Các thông s v t li u vƠ kích th c h dàn 64 thanh

Di n tích m t c t ngang (toƠn b các thanh) A m 2 0.0022

CH NG 4 CÁC BÀI TOÁN KH O SÁT

4.4.2 Cácătr ng h păh ăh ng gi đ nh và tr ngăt ngă ng

Bài viết này trình bày hai phương pháp khác nhau để đánh giá nhiệt độ trong hệ thống, bao gồm trường hợp một thanh không chịu tác động nhiệt và trường hợp năm thanh khác nhau không chịu tác động nhiệt Chênh lệch nhiệt độ đang xét là Δ = T 30°C Bài toán không xem xét thêm mô hình lưỡng tính mà chỉ tập trung vào trường hợp có hiện tượng nhiều, do đó yêu cầu mô hình giản lược Qua nhiều lần thử nghiệm, mức độ 2% được xác định là giá trị tối đa cho độ tin cậy của kết quả Giá trị này tác động đến toàn bộ hệ thống, như thể hiện trong Hình 4.3, tại nút 17 theo phương thức đo đạc Vị trí đo đạc được hiển thị trên Hình 4.49.

B ng 4.26 Các thông s v t li u vƠ kích th c c a h dàn 64 thanh

Tình hu ng Các ph n t h h ng M c đ h h ng l n l t ( )xi Ph n t ch u t i nhi t đ

Hình 4.49 V trí t i tr ng tác đ ng và v trí các đi m đo đ c h dàn 64 thanh

Hình 4.50 th hi n ch s ASEI cho bƠi toán đang xét Có th th y v i m c nhi u 2% đư đ c p, xu t hi n nhi u ph n t không h h ng trong c hai tr ng h p đ c nh n di n

Vì tính ph c t p c a bài toán, nh ng ph n t h s ASEI quá nh (