Ứng dụng mô hình học máy trong dự đoán khả năng chịu nén của cột ống thép nhồi bê tông (tt)

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA HUỲNH VĂN VŨ ỨNG DỤNG MƠ HÌNH HỌC MÁY TRONG DỰ ĐOÁN KHẢ NĂNG CHỊU NÉN CỦA CỘT ỐNG THÉP NHỒI BÊ TÔNG Chuyên ngành: QUẢN LÝ XÂY DỰNG Mã số: 8580302 TÓM TẮT LUẬN VĂN THẠC SĨ QUẢN LÝ XÂY DỰNG Đà Nẵng – 2022 Cơng trình hồn thành TRƯỜNG ĐẠI HỌC BÁCH KHOA Người hướng dẫn khoa học: TS NGÔ NGỌC TRI Phản biện 1: GVC.TS LÊ KHÁNH TOÀN Phản biện 2: TS PHÙNG PHÚ PHONG Luận văn bảo vệ trước Hội đồng chấm Luận văn tốt nghiệp thạc sĩ Quản Lý Xây Dựng họp Đại học Bách khoa vào ngày 27 tháng 03 năm 2022 Có thể tìm hiểu luận văn tại: − Trung tâm Học liệu, Đại học Đà Nẵng Trường Đại học Bách khoa − Thư viện Khoa Quản Lý Dự Án, Trường Đại học Bách khoa - ĐHĐN MỞ ĐẦU TÍNH CẤP THIẾT CỦA ĐỀ TÀI Tiếp cận từ góc độ quản lý thiết kế việc tính tốn khả chịu lực cột ống thép nhồi bê tông theo phương pháp truyền thống dùng công thức thực nghiệm thường tốn thời gian có độ xác hạn chế Thay vào việc áp dụng mơ hình máy học có ưu điểm học nhanh, dự đốn xác Điều giúp cho kỹ sư thiết kế đưa kết phân tích khả chịu lực cực hạn cột ống thép nhồi bê tông cách nhanh chóng, hiệu nhằm tăng suất công việc Cột ống thép nhồi bê tông (concrete filled steel tube columns – CFST columns) sử dụng rộng rãi cơng trình xây dựng (cột nhà cao tầng, trụ cầu ) tính vượt trội so với cột bê tông cốt thép truyền thống mặt cường độ độ dẻo cao, độ cứng lớn, khả chịu lửa tốt khả tiêu tán lượng tốt [58] Cường độ chịu nén cực hạn (Ultimate load capacity) cột CFST nhân tố quan trọng đến khả làm việc cột CFST Việc xác định xác cường độ chịu nén cực hạn CFST phức tạp vị bị ảnh hưởng cách phi tuyến nhiều yếu tố chiều dài ống thép (L), độ dày ống thép (t), tỉ lệ chiều cao đường kính cột CFST (D), đặc tính sợi thép (steel fiber) dùng bê tơng (nếu có), cường độ chịu nén bê tông dùng cột CFST Hiện tiêu chuẩn quốc tế Eurocode (EC4), AISC (tiêu chuẩn Mỹ), ACI 318R (tiêu chuẩn hiệp hội bê tông Mỹ), tiêu chuẩn Trung Quốc DLT/5085 – 1999 đề xuất nhiều công thức hướng tiếp cận khác để tính tốn khả chịu lực cực hạn THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội Bên cạnh có nhiều cơng thức thực nghiệm đề xuất nghiên cứu trước nhiều tác giả giới Đến nay, tất công thức dự đoán cường độ chịu nén cột CFST phù hợp bê tông thường NSC, số tiêu chuẩn nghiên cứu mở rộng hiệu chỉnh cho bê tông cường độ cao HSC đến 90 MPa Các tiêu chuẩn hạn chế việc dự đốn xác cường độ cột CFST cho tất loại cường độ bê tông, đặc biệt với bê tông UHSC Các nghiên cứu tác giả chưa đề xuất cơng thức, mơ hình dự đốn lực cực hạn cho cột CFST, với việc sử dụng loại bê tơng có cường độ khác Chính việc thiết lập mơ hình dự đốn lực cực hạn cho cột CFST sử dụng loại bê tông với cường độ khác việc cần thiết có tính thực tế áp dụng triển khai cho cơng trình Tuy nhiên, cơng thức thực nghiệm hạn chế độ xác dự đốn cường độ chịu nén cột CFST Trong mơ hình học máy xem môt cách mạng thay đổi nhiều lĩnh vực Bởi tính học nhanh độ tin cậy cao, gần có số nghiên cứu ứng dụng mơ hình học máy để mơ ứng xử kết cấu vật liệu Mô hình học máy giúp tăng độ xác dự báo giúp giảm bớt sai lệch thiết kế kết cấu Vì vậy, ứng dụng mơ hình học máy cho toán xác định cường độ chịu nén cực hạn cột CFST cấp thiết có ý nghĩa lớn thiết kế kết cấu công trình xây dựng.) Từ sở học viên đề xuất đề tài: “Ứng Dụng Mơ Hình Học Máy Trong Dự Đoán Khả Năng Chịu Nén Của Cột Ống Thép Nhồi Bê Tông” MỤC TIÊU NGHIÊN CỨU CỦA ĐỀ TÀI THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 3 ĐỐI TƯỢNG, PHẠM VI NGHIÊN CỨU - Đối tượng nghiên cứu: Đề tài tập trung vào mơ hình học máy cột ống thép nhồi bê tông - Phạm vi nghiên cứu: Phạm vi nghiên cứu bao gồm việc xây dựng đánh giá mơ hình học máy để dự đoán cường độ chịu nén cột CFST PHƯƠNG PHÁP NGHIÊN CỨU - Thu thập xử lý số liệu cường độ chịu nén cực hạn cột CFST: Dữ liệu cột CFST thu thập từ nguồn mở nghiên cứu trước, bao gồm có loại bê tơng cường độ thường (NSC), bê tông cường độ cao (HS) bê tông cường độ siêu cao (UHSC) Các thuộc tính mẫu thu thập bao gồm chiều dài ống thép (L), đường kính (D), độ dày ống thép (t), ứng suất chảy thép (fy), tỉ lệ đường kính độ dày ống thép (D/t), cường độ chịu nén bê tông (fc) cường độ dọc trục cột CFST (Nu) - So sánh tính hiệu mơ hình học máy: Hiệu các mơ hình đánh giá thông qua liệu thu thập số thống kê - Đề xuất mơ hình học máy để dự đoán cường độ chịu nén cột CFST: Dựa hiệu độ xác mơ hình máy học Ý NGHĨA KHOA HỌC VÀ THỰC TIỄN CỦA ĐỀ TÀI Ý nghĩa khoa học: Hướng nghiên cứu ứng dụng mơ hình học máy dự đoán cường độ chịu nén cột CFST chủ đề nhà nghiên cứu giới quan tâm Kết nghiên cứu góp phần thúc đẩy ứng dụng mơ hình học máy trí tuệ nhân tạo lĩnh vực kỹ thuật quản lý xây dựng Ý nghĩa thực tiễn: Kết đề tài cung cấp công cụ dựa mơ hình học máy cho nhà thiết kế quản lý việc xác định khả chịu lực cột CFST nhằm tăng độ xác dự báo giúp giảm bớt sai lệch thiết kết cấu cơng trình xây dựng BỐ CỤC CỦA LUẬN VĂN Nội dung Luận văn với cấu trúc cụ thể sau: Mở đầu • Trình bày tính cấp thiết đề tài nghiên cứu, mục tiêu, đối tượng, phạm vi, cách tiếp cận phương pháp nghiên cứu, ý nghĩa khoa học thực tiễn đề tài cấu trúc Luận văn Chương 1: Tổng quan cột ống thép nhồi bê tông mơ hình học máy dự đốn khả chịu nén CFST • Trình bày tổng quan cột ống thép nhồi bê tông, số nghiên cứu liên quan cột ống thép nhồi bê tông ứng dụng xây dựng • Trình bày tổng quan mơ hình học máy, phân loại mơ hình học máy số nghiên cứu ứng dụng mơ hình học máy xây dựng Chương 2: Các nghiên cứu trước liên quan đến ứng dụng mơ hình học máy vào cột CFST • Phân tích nghiên cứu trước liên quan đến ứng dụng mơ hình học máy vào cột CFST • Trình bày hai công thức thực nghiệm cho cột CFST Euro Code (1994) AISC 2010 Chương 3: Xây dựng đánh giá mơ hình học máy phần mềm Weka THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội • Giới thiệu phần mềm Weka, kiến trúc thư viện Weka ưu điểm • Phân tích mơ hình học máy bao gồm mơ hình rừng ngẫu nhiên bổ sung (ARF), mơ hình mạng nơ ron nhân tạo (ANNs), mơ hình hỗ trợ hồi quy vector (SVR) • Trình bày việc thu thập liệu thực nghiệm kết cấu cột CFST sử dụng loại bê tơng có cường độ khác bao gồm 802 liệu với thông số đầu vào là: đường kính cột (D), độ dày ống thép (t), ứng suất chảy thép ( fy ) cường độ bê tông ( fc ), chiều dài cột (L), tỷ lệ đường kính/ độ dày ống thép (D/t) thông số đầu khả chịu lực cuối cột CFST ( N u ) • Trình bày quy trình thơng số đánh giá mơ hình học máy để dự đoán cường độ chịu nén cột CFST với loại bê tơng khác • Kết phân tích so sánh mơ hình Kết luận kiến nghị • Trình bày kết luận luận văn đạt được, hạn chế đề tài định hướng nghiên cứu đề tài Danh mục báo khoa học Danh mục tài liệu tham khảo Phụ lục Chương - TỔNG QUAN VỀ CỘT ỐNG THÉP NHỒI BÊ TƠNG VÀ MƠ HÌNH HỌC MÁY TRONG DỰ ĐOÁN KHẢ NĂNG CHỊU NÉN CỦA CFST 1.1 Tổng quan cột ống thép nhồi bê tông ứng dụng xây dựng 1.1.1 Tổng quan cột ống thép nhồi bê tông Cột ống thép nhồi bê tông kết cấu bao gồm ống thép lấp đầy bên bê tông Ống thép lúc đóng vai trị vừa ván khn cho q trình đổ bê tơng, vừa tham gia tăng cường khả chịu tải bê tơng Trong đó, việc nhồi bê tông giúp tăng ổn định ống thép độ dẻo tiết diện Ngoài ra, cột CFST cịn có ưu điểm hấp thụ lượng cao, độ bền cao khả chống cháy, chống biến dạng tốt, tính kinh tế khả khai thác thuận tiện Vì vậy, ứng xử cột CFST quan tâm nghiên cứu rộng rãi suốt ba thập kỷ qua [2] Kết cấu ống thép nhồi bê tông cấu kiện liên hợp bao gồm ống thép vỏ bê tông lõi sử dụng loại bê tơng có cường độ khác làm việc chung Hình 1.1 thể cấu tạo cột ống thép nhồi bê tơng Hình 1.1: Cấu tạo cột ống thép trịn nhồi bê tơng [2] THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 1.1.2 Một số nghiên cứu liên quan cột ống thép nhồi bê tông 1.1.3 Ứng dụng cột ống thép nhồi bê tông xây dựng Một số ứng dụng cột ống thép nhồi bê tơng qua cơng trình xây dựng thể như: tồ tháp đơi Petronas thành phố Kuala Lampur, nhà ga Techno thành phố Tokyo, Tháp Canton Quảng Châu, Trung Quốc 1.2 Tổng quan mơ hình học máy ứng dụng máy học xây dựng 1.2.1 Tổng quan mô hình học máy 1.2.2 Phân loại mơ hình học máy 1.2.3 Một số nghiên cứu ứng dụng mơ hình học máy xây dựng Gần đây, số nghiên cứu nước sử dụng mơ hình mạng nơ-ron nhân tạo để dự đoán cường độ chịu nén cho nhiều loại bê tơng khác Nhóm nghiên cứu Lý Hải Bằng sử dụng mạng ANN để dự đốn cường độ chịu nén cho bê tơng sử dụng cốt liệu tái chế RAC (Recycled Aggregate Concrete) bê tông hiệu suất cao HPC (highperformance concrete) Theo A.M Al-Khaleef cộng [40], ứng dụng mơ hình máy học vào việc dự đoán khả chống cháy cột thép hình đổ bê tơng cách sử dụng mơ hình máy học mạng nơ-ron nhân tạo Theo Phạm Anh Đức cộng [44], dự đoán mức tiêu thụ lượng nhiều tòa nhà cách sử dụng mơ hình máy học rừng ngẫu nhiên (RF) 10 ▪ Tiêu chuẩn giới hạn cho kết cấu thép cấp S235 đến S460 bê tông trọng lượng bình thường có cấp cường độ C20/25 đến C50/60 ▪ Tỷ lệ đóng góp thép δ phải tuân theo điều kiện: 0.2    0.9 , đó: = As fy N pl , Rd (2.11) Có thể bỏ qua vênh cục với giá trị lớn D / t max ( D / t ) = 90 235 fy (2.12) ▪ Độ mảnh tương đối  không vượt 2.0 Tỷ lệ chiều sâu chiều rộng mặt cắt ngang phải nằm giới hạn 0.2 5.0 2.2.2 Tiêu chuẩn AISC 2010 (AISC) Đối với cột CFST hình trịn, AISC [79] xem xét giam giữ bê tông thông qua ứng suất vòng ống thép (sử dụng hệ số 0.95), cường độ mặt cắt ngang P0,AISC cho [79]: P0, AISC = 0.95 fc Ac + fy As (2.13) P0, AISC định nghĩa khả dẻo phần có cường độ chiều dài khơng f y cường độ chảy thép fc cường độ nén bê tông không giới hạn As and Ac diện tích mặt cắt thép bê tơng Do đó, để xem xét ảnh hưởng chiều dài cột, khả dọc trục danh nghĩa cột CFST trịn tính bằng: THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 11     P0,AISC N AISC =    0.877P , e  P    0, AISC   Pe    0.658                , Pe3 0.44P 0,AISC   ( ( PAS 0.44P0,AISC ) Trong đó: Pe tải trọng đàn hồi, cho bởi: Pe =  ( E I )eff (K AL A ) ( E I )eff = E sI s + C E I c c1  As    Ac + As  C = 0.6 +  (2.15) (2.16) (2.17) Trong đó: eff độ cứng hữu hiệu mặt cắt hỗn hợp K A hệ số chiều dài hiệu dụng L A chiều dài bên không đánh dấu cột I s I c mơmen qn tính ống thép lõi bê tơng E c1 môđun đàn hồi bê tông )          12 ▪ Chương - XÂY DỰNG VÀ ĐÁNH GIÁ CÁC MƠ HÌNH HỌC MÁY BẰNG PHẦN MỀM WEKA 3.1 Giới thiệu phần mềm Weka Weka phần mềm mã nguồn mở tuyệt vời dành cho khai thác liệu, xây dựng ngơn ngữ lập trình Java, theo kiến trúc hướng đối tượng, tổ chức thành thư viện phục vụ cho lĩnh vực học máy.[69] Hình 3.1 thể thiện giao diện phần mềm Weka Hình 3.1: Giao diện phần mềm Weka 3.1.1 Ưu điểm Weka 3.1.2 Kiến trúc thư viện Weka 3.2 Các mơ hình học máy 3.2.1 Mơ hình rừng ngẫu nhiên bổ sung (ARF) ARF phiên cải tiến RF sử dụng nghiên cứu Mơ hình ARF siêu mơ hình giúp cải thiện độ xác mơ hình sở hồi quy Mỗi hệ phù hợp với mô hình phù hợp với khác biệt RF hệ trước Hồi quy thực với việc bổ sung kết mơ hình Điều cải thiện hiệu ứng làm mịn [45] THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 13 Mơ hình RF phát triển Breiman [70] mơ hình học máy hiệu [71] Hình 3.2 thể trình đào tạo thử nghiệm mơ hình rừng ngẫu nhiên bổ sung Hình 3.3: Q trình đào tạo thử nghiệm mơ hình rừng ngẫu nhiên bổ sung Cho RF nhóm C T ( X ), T ( X ), , T ( X ), C X = x , x , , xm vectơ đầu vào thứ m Nhóm tạo đầu C là: Y p red _1 = T1 ( X ), Y pred _ = T2 ( X ), , Y pred _ C = TC ( X ) Trong Y pred _ C giá trị dự đoán định thứ C Kết tạo kết hợp để cuối có đầu Ypred _ c giá trị trung bình tất rừng RF tạo C số định từ N điểm liệu huấn luyện Lấy mẫu Bootstrap triển khai để tạo tập đào tạo tập thử nghiệm [72] Dữ liệu đào tạo áp dụng để xây dựng hồi quy chưa điều chỉnh Quá trình lặp lại cho 14 đến định C trồng để tạo thành khu rừng tạo ngẫu nhiên 3.2.2 Mơ hình mạng nơ ron nhân tạo (ANNs) Mơ hình ANNs mơ hình học máy phổ biến áp dụng cho vấn đề kỹ thuật dự đoán mực nước ngầm vùng đá cứng [73] kỹ thuật mặt đường [74] Hình 3.3 trình bày cấu trúc ba lớp mơ hình ANNs Nhiều lớp (multilayers) ANNs đào tạo phương pháp truyền ngược cải thiện sức mạnh việc giải vấn đề phức tạp [74] Phương pháp truyền ngược tối ưu hóa hiệu trọng số kết nối giá trị lỗi việc học mơ hình ANNs Các nơ-ron kích hoạt lớp đầu ẩn có dạng cơng thức (3.2) net =  w o , y = f (net ) k kj j k k (3.2) Trong đó: net hàm kích hoạt nơron thứ k k j nơ-ron lớp trước w trọng số kết nối nơron k j kj o j đầu y hàm trung chuyển k f (net ) = k − net k +e (3.3) Trong đó:  điều khiển gradient chức W đào tạo cập nhật cách sử dụng công thức (3.4) kj bên w (t) = w (t − 1) + w (t) kj kj kj Giá trị thay đổi w (t) là: kj THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG (3.4) Lưu hành nội 15 w (t) =  pj o pj + w (t − 1) kj kj (3.5)  tham số tốc độ học;  pj lỗi lan truyền; o pj đầu nơron j cho ghi p ;  tham số động lượng, w (t − ) giá trị thay đổi theo w chu kỳ trước kj kj Trong Hình 3.4: Cấu trúc mơ hình ANNs 3.2.3 Mơ hình hỗ trợ hồi quy vector (Support Vector Regression SVR) Hỗ trợ hồi quy vector (SVR)[75] mơ hình học có giám sát thuộc học máy, sử dụng cho toán hồi quy Nó sử dụng để nắm bắt mối quan hệ phi tuyến tính yếu tố dự báo biến phụ thuộc Hình 3.4 trình bày khn khổ mơ hình SVR Nó sử dụng hàm nhân để ánh xạ yếu tố dự đoán tới khơng gian đặc trưng kích thước cao Một hàm chi phí bình phương nhỏ áp dụng để đào tạo mơ hình SVR để tạo phương trình tuyến tính khơng 16 gian kép làm giảm thời gian tính tốn Đặc biệt, mơ hình SVR dạy cách giải công thức (3.6) n 1 J ( , b, e) =  + C  e ; 2 k =1 k  ,b,e tùy thuộc vào yk =  ,  ( xk ) + b + ek , k = 1, n Trong J (, b, e) hàm mục tiêu;  tham số xấp xỉ tuyến tính; ek lỗi; C  tham số quy hóa; xk yếu tố dự đoán; yk biến phụ thuộc (tức biến ảnh hưởng đến khả chịu lực cuối cột CFST nghiên cứu này); b thiên vị; n kích thước tập liệu Số nhân Lagrange ( k ) sử dụng để giải vấn đề dẫn đến phương trình (3.7) Một hàm nhân mô tả công thức (3.8) Trong số hàm hạt nhân, hạt nhân hàm sở xuyên tâm Gaussian (RBF) mạnh mẽ áp dụng nghiên cứu trình bày Eq (3.9) n f ( x ) =   K ( x, x ) + b k k =1 k (3.7) n K ( x , x ) =  g ( x )g ( x ) k k k k =1 k (3.8) K ( x, x ) = exp(− x − x k k /2 ) Trong đó: k số nhân Lagrange; K ( x, xk ) hàm nhân; (3.9)  chiều rộng RBF Hiệu suất mơ hình SVR bị ảnh hưởng cài đặt giá trị siêu tham số bao gồm chiều rộng RBF ( ) tham số THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 17 điều hòa (C ) Trong nghiên cứu này, thiết lập tối ưu hai siêu thơng số xem xét cách tồn diện Hình 3.5: Khung hỗ trợ hồi quy vector 3.3 Thu thập liệu thực nghiệm kết cấu cột CFST sử dụng loại bê tơng có cường độ khác Một tập liệu lớn thu thập nghiên cứu để đánh giá kỹ thuật dự đốn mơ hình học máy đề xuất bao gồm 802 mẫu thử nghiệm xoay quanh cột tròn ngắn CFST Bộ liệu lấy từ Hiệp hội kết cấu hỗn hợp thép-bê tông [76] 3.4 Quy trình đánh giá mơ hình học máy để dự đoán cường độ chịu nén cột CFST với loại bê tơng khác Q trình đánh giá mơ hình giai đoạn học tập giai đoạn thử nghiệm bao gồm 802 liệu chia ngẫu nhiên thành 10 phần cách sử dụng phương pháp xác nhận chéo k-lần (k-fold cross-validation method) thể hình 3.11, hình 3.12 minh họa q trình đào tạo thử nghiệm mơ hình ANNs, mơ hình SVR mơ hình ARF Sau mơ hình học máy đào 18 tạo, liệu kiểm tra đưa vào mơ hình đào tạo để tạo giá trị dự đoán cường độ chịu nén dọc trục cột CFST Các kết dự đốn so sánh với giá trị thực tế cường độ chịu nén dọc trục cột CFST thông qua số thống kê để đánh giá hiệu suất mơ hình Hình 3.6: Lấy mẫu lại liệu phương pháp xác nhận chéo klần Hình 3.7: Quy trình đào tạo thử nghiệm cho mơ hình học máy 3.5 Các thơng số đánh giá tính hiệu mơ hình Hiệu suất mơ hình đánh giá thơng qua số thống kê bao gồm: sai số tuyệt đối trung bình (MAE), sai số phần trăm tuyệt đối trung bình (MAPE) hệ số tương quan (R) Công thức số trình bày dạng phương trình 3.10, 3.11, 3.12 R cao hơn, MAE thấp hơn, MAPE cho thấy hiệu suất dự đoán tốt Sai số tuyệt đối trung bình - Mean Absolute Error (MAE) THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 19 MAE = n '  y−y n i =1 (3.10) Sai số phần trăm tuyệt đối trung bình - Mean Absolute Percentage Error (MAPE) MAPE = n y − y'  n i =1 y (3.11) Hệ số tương quan R - Correlation coefficient (R) R= ( ) n (  y'2 ) − (  y' ) n y.y' − (  y )  y' ( ) n  y2 − (  y ) Trong đó: y giá trị thực tế; y’ giá trị dự đoán; n số mẫu liệu 3.6 Kết phân tích so sánh mơ hình Phần phân tích kết đánh giá mơ hình ARF đề xuất để dự đoán khả chịu lực cực hạn cột CFST thông qua giai đoạn huấn luyện kiểm tra Sự so sánh mô hình đề xuất với mơ hình học máy khác phương pháp thực nghiệm trình bày phần Phần nhằm mục đích so sánh mơ hình hoc máy đề xuất với mơ hình khác mơ hình ANNs SVR phương pháp thực nghiệm gồm tiêu chuẩn EC4 AISC Các mơ hình triển khai Weka, phần mềm máy học mã nguồn mở [69] Cài đặt mơ hình học máy trình bày Bảng 3.3 dạng giá trị mặc định Weka 20 Bảng 3.1: Trình bày thơng số mặc định mơ hình thuật tốn Mơ hình ANNs SVR ARF Cài đặt thông số mặt định WEKA Hidden layer = 4; Training rate = 0.3; Momentum = 0.2 BatchSize = 100; C = 1; kernel = RegSMOImproved bagSizePercent = 100; numFeatures = 0; maxDepth = (The maximum depth of the tree, for unlimited.) Hình 3.16 mơ tả mối quan hệ giá trị thực tế dự đoán cường độ chịu nén dọc trục cột CFST ngắn Hình ảnh trực quan cho thấy liệu đo kết đầu dự đoán mơ hình SVR, ANN ARF gần với đường chéo cho thấy thống chặt chẽ kết thực nghiệm kết trị dự đốn cột CFST Hình 3.8: Mơ tả mối quan hệ giá trị dự đoán giá trị thực tế cường độ chịu nén CFST Bảng 3.5 thể kết mơ hình SVR, ANNs mơ hình ARF chạy phần mềm khai phá liệu WeKa thông qua THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 21 số thơng kê để đánh giá tính hiệu mơ hình Độ xác dự đốn mà mơ hình SVR thu 892,29 KN số MAE, 27,74% số MAPE 0,926 số R Mơ hình ANNs 610,44 KN số MAE, 40,26% MAPE 0,980 số R Mơ hình ARF đạt 211.31 kN số MAE, 6.39% số MAPE 0.980 số R Kết so sánh độ xác cho thấy mơ hình ARF tốt mơ hình ANNs mơ hình SVR việc dự đoán cường độ chịu nén dọc trục CFST ngắn dùng NSC, HSC UHSC Bảng 3.2: Độ xác dự đốn mơ hình học máy tiêu chuẩn thiết kế Mơ hình dự đốn SVR ANN EC4 AISC Đề xuất ARF Kết dự đoán MAE MAPE R (KN) (%) 0,926 892,29 27,74 0,98 610,44 40,26 0,992 272,98 10,12 0,99 587,49 19,71 0,98 211,31 Tỷ lệ cải thiện ARF MAE MAPE R (KN) (%) 5,8% 76,3% 77,0% 0,0% 65,4% 84,1% -1,2% 22,3% 36,9% -1,0% 64,0% 67,6% 6,39 Hiệu suất mơ hình học máy so sánh với hiệu suất phương pháp thực nghiệm EC4 [68] AISC 2010 [79] để dự đoán cường độ chịu nén dọc trục cột CFST Hình 3.17 thể kết khả chịu lực thực tế dự dự đoán cột CFST theo phương pháp thực nghiệm mã EC4 AISC 22 Hình 3.9: Khả chịu lực thực tế dự đoán cột CFST theo phương pháp thực nghiệm Như thể bảng 3.5, phương thức thực nghiệm EC4 AISC 2010 đạt hiệu suất cạnh tranh dự đoán EC4 hiệu AISC 2010 việc dự đoán cường độ chịu nén dọc trục cột CFST Giá trị MAPE 10,12% 19,71% theo tiêu chuẩn EC4 AISC Sự so sánh mơ hình học máy tiêu chuẩn thiết kế bảng 3.3 cho thấy hiệu suất mơ hình ARF đề xuất cao so với mơ hình SVR, ANNs tiêu chuẩn EC4, AISC dự đoán cường độ chịu nén cực hạn cột CFST ngắn Tỷ lệ cải thiện mô hình ARF 6% số R, 76,3% số MAE 77% số MAPE so với mơ hình SVR Tỷ lệ cải thiện mơ hình ARF 65,4% số MAE 84,1% số MAPE so với mơ hình ANNs So với mã thiết kế, mơ hình ARF cải thiện 22,3 - 64,0% số MAE 36,9 - 67,6% số MAPE THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 23 KẾT LUẬN VÀ KIẾN NGHỊ Kết luận Nghiên cứu đề xuất kỹ thuật máy học để dự đoán cường độ chịu nén dọc trục cột CFST ngắn Mơ hình học máy xem xét yếu tố ảnh hưởng đường kính cột (D), độ dày ống thép (t), ứng suất chảy thép (fy), cường độ nén bê tông (fc), chiều dài cột (L), tỷ lệ (D/t) làm đầu vào mơ hình để dự đoán UBC cột CFST Một tập liệu lớn thu thập nghiên cứu để đánh giá mơ hình học máy đề xuất bao gồm 802 mẫu thử nghiệm cột ngắn CFST hình trịn Các cột CFST bao gồm bê tơng cường độ thường (NSC), bê tông cường độ cao (HSC) bê tông cường độ siêu cao (UHSC) Bê tông sử dụng thí nghiệm bao gồm NSC (49%), HSC (23%) UHSC (28%) Các mơ hình học máy đánh giá 10 lần cách sử dụng phương pháp xác nhận chéo k lần để đảm bảo tính tổng qt hóa đánh giá mơ hình Kết đánh giá tập liệu lớn thử nghiệm thực nghiệm 802 mẫu cho thấy mơ hình dự đốn có độ xác cao Đặc biệt mơ hình SVR, ANNs ARF đánh giá nghiên cứu Hiệu suất chúng so sánh với tiêu chuẩn EC4 AISC 2010 Các mơ hình SVR, ANNs ARF kiểm tra mười lần để đảm bảo tính tổng quát dự đoán Kết so sánh khẳng định mơ hình ARF đạt độ xác vượt trội với 211,31 kN số MAE 6,39% số MAPE 0.980 số R Tỷ lệ cải thiện mơ hình ARF 65,4% MAE 84,1% số MAPE so với mô hình ANN, tỷ lệ cải thiện mơ hình ARF 24 6% số R, 76,3% số MAE 77% số MAPE so với mơ hình SVR So với mã thiết kế, mơ hình ARF cải thiện 22,3 64,0% số MAE 36,9 - 67,6% số MAPE Như đóng góp nghiên cứu này, mơ hình ARF đề xuất giải pháp thay hiệu để dự đoán độ bền dọc trục cột CFST ngắn, kết xác nhận tính hiệu mơ hình đề xuất công cụ thay hiệu dựa AI để xác định độ bền dọc trục cột CFST ngắn giúp kỹ sư thiết kế kết cấu cột CFST thực tế Nghiên cứu thúc đẩy việc áp dụng mơ hình học máy lĩnh vực xây dựng dân dụng Hạn chế đề tài - Bộ liệu dùng để dự đốn cường độ chịu nén cột CFST cịn hạn chế - Chưa tối ưu thơng số mơ hình dự đoán phần mềm WeKa Định hướng nghiên cứu đề tài - Các nghiên cứu tương lai thu thập bổ sung tập liệu cột CFST để cung cấp độ xác dự đốn Bên cạnh đó, nghiên cứu tương lai nên xem xét việc tối ưu hóa thơng số mơ hình dự đốn để nâng cao hiệu suất mơ hình THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội ... CỘT ỐNG THÉP NHỒI BÊ TÔNG VÀ MÔ HÌNH HỌC MÁY TRONG DỰ ĐỐN KHẢ NĂNG CHỊU NÉN CỦA CFST 1.1 Tổng quan cột ống thép nhồi bê tơng ứng dụng xây dựng 1.1.1 Tổng quan cột ống thép nhồi bê tông Cột ống thép. .. trình xây dựng.) Từ sở học viên đề xuất đề tài: ? ?Ứng Dụng Mơ Hình Học Máy Trong Dự Đốn Khả Năng Chịu Nén Của Cột Ống Thép Nhồi Bê Tông? ?? MỤC TIÊU NGHIÊN CỨU CỦA ĐỀ TÀI THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH... nghiên cứu liên quan cột ống thép nhồi bê tơng ứng dụng xây dựng • Trình bày tổng quan mơ hình học máy, phân loại mơ hình học máy số nghiên cứu ứng dụng mơ hình học máy xây dựng Chương 2: Các nghiên