(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER

(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER

CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu Các số liệu, kết nêu luận văn trung thực chưa cơng bố cơng trình khác Tp Hồ Chí Minh, ngày 10 tháng năm 2017 Nguyễn Hồng Đức vi LỜI CẢM ƠN Để hoàn thành luận văn thạc sỹ này, nhận giúp đỡ nhiều từ bạn bè quý Thầy Cô Khoa xây dựng Cơ học Ứng dụng - Trường đại học Sư Phạm Kỹ Thuật TPHCM giảng dạy, tơi xin bày tỏ lịng biết ơn đến Thầy Phan Đức Hùng cô Nguyễn Thị Thúy Hằng tận tình hướng dẫn, cung cấp thơng tin nghiên cứu cần thiết bảo thời gian thực luận văn thạc sỹ Tôi chân thành biết ơn gia đình bạn bè động viên giúp đỡ suốt thời gian thực luận văn Xin chân thành cảm ơn Tp Hồ Chí Minh, ngày 10 tháng năm 2017 Nguyễn Hồng Đức vii TĨM TẮT Báo cáo sử dụng phương pháp khơng phá hoại mẫu kết hợp phương pháp siêu âm búa bật nảy để nghiên cứu phát triển cường độ bê tông geopolymer theo thời gian dưỡng hộ Kết thí nghiệm cho thấy bê tơng geopolymer dưỡng hộ môi trường nhiệt độ cao với thời gian dưỡng hộ dài vận tốc truyền sóng tăng lên cường độ tăng lên Bên cạnh đó, nồng độ dung dịch NaOH tăng từ 10-16M vận tốc truyền sóng tăng khoảng 15% thời gian dưỡng hộ Kết thí nghiệm phân tích tạo mảng giá trị dùng để xây dựng mơ hình hồi quy tuyến tính (Linear Regression - LR) mạng thần kinh nhân tạo (Artificial Neural Network – ANN) Từ thiết lập mối tương quan điều kiện dưỡng hộ, nồng độ NaOH đến cường độ chịu nén, vận tốc truyền sóng, giá trị búa bật nảy để đưa giá trị dự đoán cường độ Giá trị tiên lượng từ hai mơ hình so sánh, đánh giá mức độ hiệu thông qua trị số R2, SSE Kết cho thấy mơ hình ANN dự đoán cường độ tốt LR Tuy nhiên, mơ hình LR hiệu khả dự đốn giá trị cường độ nhanh đơn giản thơng qua bảng tra thiết kế sẵn Ngoài ra, q trình phân tích ANN, mơ hình cịn cho phép xác định mức độ ảnh hưởng yếu tố đến cường độ, nhiệt độ yếu tố có quan trọng chiếm 50% vii ABSTRACT The thesis used non-destructione test which combined usage of unltrasonic pulse velocity and rebound hammer to study the compressive strength development of geopolymer concrete with different curing time The experimental results showed that ultrasonic pulse velocity increase due to the increase of the compressive strength when geopolymer concrete were cured in high temperatures and longer curing times Besides, the increase of the concentration of NaOH liquid (from 10 to 16M) leads to the increase about 15% of the ultrasonic pulse velocity in the same curing condition The experimental results were analysed and created the array of values used to build the model of Linear Regression (LR) and Artificial Neural Network (ANN) Then, the correlations between curing conditions, concentration of NaOH and compressive strength, speed of transmission, characterization of the rebound hammer were established to predict the value of compressive strength The prediction values from two models were compared and evaluated the efficacy by R2 and SSE (Sum of Square Error) The results showed ANN model predicted the compressive strength better than LR However, the LR model proved effeciency through quick and simple predictability by using a pre-designed checklist In addition, during the analyse process by ANN, the model also allows to determine the degree of significance of these factors to the compressive strength, whereas temperature curing is the most important factor with more than 50% viii MỤC LỤC QUYẾT ĐỊNH GIAO ĐỀ TÀI i QUYẾT ĐỊNH THAY ĐỔI TÊN ĐỀ TÀI .ii XÁC NHẬN GIÁO VIÊN HƢỚNG DẪN .iii LÝ LỊCH KHOA HỌC iv CAM ĐOAN .v LỜI CẢM ƠN vi TÓM TẮT vii MỤC LỤC ix DANH MỤC HÌNH xii DANH MỤC BẢNG .xv Chƣơng 1: TỔNG QUAN 1.1 Sự cần thiết đề tài nghiên cứu 1.2 Tình hình nghiên cứu 1.2.1 Khái niệm Geopolymer 1.2.2 Tình hình nghiên cứu ngồi nƣớc 1.2.3 Tình hình nghiên cứu nƣớc 11 1.2.4 Vị trí đề tài nghiên cứu 12 1.3 Mục tiêu đề tài 12 1.4 Đối tƣợng phạm vi nghiên cứu 12 1.5 Phƣơng pháp nghiên cứu 13 1.6 Nội dung nghiên cứu 13 1.7 Ý nghĩa khoa học thực tiễn đề tài 13 Chƣơng 2: CƠ SỞ LÝ THUYẾT 14 2.1 Bê tông Geopolymer 14 ix 2.1.1 Thành phần tạo chất kết dính GPC 14 2.1.1.1 Tro bay 14 2.1.1.2 Dung dịch kiềm Alkaline Silicate 16 2.1.2 Chất kết dính Geopolymer 16 2.1.3 Phƣơng pháp thiết kế cấp phối GPC 20 2.2 Phƣơng pháp xác định cƣờng độ bê tông 23 2.2.1 Phƣơng pháp phá hoại mẫu 23 2.2.2 Phƣơng pháp không phá hoại mẫu 24 2.2.2.1 Sử dụng súng bật nẩy 24 2.2.2.2 Sử dụng súng bật nẩy kết hợp sóng siêu âm 26 2.3 Phƣơng pháp xử lý số liệu 32 2.3.1 Mơ hình hồi quy tuyến tính (LR) 32 2.3.2 Mơ hình mạng thần kinh nhân tạo (ANN) 36 2.3.2.1 Định nghĩa 36 2.3.2.2 Cấu trúc ANN 37 2.3.2.3 Thuật toán lan truyền ngƣợc 44 2.3.2.4 Xác định số lớp ẩn, số lƣợng neural lớp liệu huấn luyện 49 Chƣơng 3: NGUYÊN VẬT LIỆU VÀ PHƢƠNG PHÁP THÍ NGHIỆM 51 3.1 Nguyên liệu sử dụng 51 3.1.1 Tro bay 51 3.1.2 Sodium silicate (Na2SiO3) 52 3.1.3 Sodium hydroxide (NaOH) 52 3.1.4 Cốt liệu lớn 53 x 3.1.5 Cốt liệu nhỏ 54 3.2 Cấp phối bê tông 55 3.2.1 Thí nghiệm cấp phối mẫu bê tơng 55 3.2.2 Xác định cấp phối 55 3.3 Quy trình thí nghiệm mẫu 55 3.4 Xây dựng mô hình ANN cho tốn tiên lƣợng cƣờng độ GPC 61 Chƣơng 4: KẾT QUẢ VÀ THẢO LUẬN 64 4.1 Kết thí nghiệm 64 4.2 Phân tích đánh giá 65 4.2.1 Ảnh hƣởng nồng độ dung dịch NaOH đến cƣờng độ chịu nén vận tốc 65 4.2.2 Ảnh hƣởng điều kiện dƣỡng hộ đến cƣờng độ chịu nén vận tốc 68 4.3 Xác định cƣờng độ chịu nén GPC phƣơng pháp không phá hoại 70 4.4 Đánh giá hiệu ƣớc tính cƣờng độ chịu nén GPC mơ hình ANN 74 Chƣơng 5: KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN ĐỀ TÀI 79 5.1 Kết luận 79 5.2 Hƣớng phát triển đề tài 80 TÀI LIỆU THAM KHẢO 81 xi DANH MỤC HÌNH Hình 1.1 Đặc tính tỏa nhiệt GPC (J Davidovits, 2002) Hình 1.2 Chi phí cho việc xử lý khí thải ngành cơng nghiệp xây dựng Hình 1.3 Lượng khí thải sử dụng GPC OPC (Louise K Turner, 2013) Hình 1.4 Phế phẩm mẫu nén (Đại học sư phạm kỹ thuật TP.HCM) Hình 1.5 Cơng trình đặt biệt cơng trình hữu (nguồn Internet) Hình 1.6 Cơng trình sử dụng GPC lần năm 2013 Hình 1.7 Sự phát triển cơng nghệ Geopolymer giới (Davidovits, 2016) Hình 1.8 Cơng trình sử dụng GPC gần năm 2015 giáo sư Joseph Davidovits Hình 2.1 Thành phần GPC (Vijaya Rangan, 2014) 14 Hình 2.2 Tro bay loại C loại F (nguồn internet) 15 Hình 2.3 Cấu tr c vi mơ Geopolymer (J Davidovits, 2002) 17 Hình 2.4 Cấu tr c vi mơ Geopolymer kính hiển vi 17 Hình 2.5 Quá trình Geopolymer h a (J Davidovits, 2015) 19 Hình 2.6 So sánh q trình tạo chất kết dính Portland cement Gel polymer Hình 2.7 ng dụng geopolymer dựa vào cấu tr c h a học 20 Hình 2.8 Ảnh hưởng tỷ lệ dung dịch ankali/tro bay nhiệt độ dưỡng hộ đến cường độ chịu nén GPC (Cherdsak Suksiripattanapong, 2015) 22 Hình 2.9 Ảnh hưởng tỷ lệ Na2SiO3/NaOH nhiệt độ dưỡng hộ đến cường độ chịu nén GPC (Hardjito Rangan, 2005) 22 Hình 2.10 Mẫu thí nghiệm kích thước 150 x 150 x150 mm 23 Hình 2.11 Mẫu nén bị phá hoại thực tế 24 Hình 2.12 S ng bật nẩy 24 Hình 2.13 ảng tra s ng bật nẩy (TCVN 9334:2012) 25 Hình 2.14 Hình th c lan truy n s ng chất r n (Tekin lmaz, 2014) 26 Hình 2.15 iểu đồ xác định cường độ bê tông tiêu chuẩn (TCVN 9335:2012) 28 Hình 2.16 Thiết bị siêu âm đo vận t c truy n s ng 30 xii Hình 2.17 Nguyên lý làm việc máy siêu âm (Tekin lmaz, 2014) 30 Hình 2.18 Màn hình hiển thị thời gian truy n s ng 31 Hình 2.19 Thước đo chi u dài mẫu 31 Hình 2.20 Ph s ng siêu âm mẫu bê tông c chi u dài 200mm 32 Hình 2.21 ảng t ng hợp mơ hình hồi quy sở phương pháp OLS 34 Hình 2.22 Ý nghĩa mơ hình LR đa biến (nguồn internet) 35 Hình 2.23 Mơ hình LR đa biến 36 Hình 2.24 Tương quan neural sinh học neural nhân tạo 36 Hình 2.25 Hoạt động đơn giản neural (David Kriesel, 2007) 37 Hình 2.26 Cấu tr c mạng ANN sử dụng ph biến 38 Hình 2.27 So sánh mơ hình LR (Sarle, 1994) 39 Hình 2.28 Cấu tr c ( hwang, 2002) 40 Hình 2.29 Nh m hàm hàm sử dụng ph biến (nguồn internet) 42 Hình 3.1 Nguyên vật liệu sử dụng đ c mẫu 51 Hình 3.2 iểu đồ thành phần hạt đá dăm 53 Hình 3.3 iểu đồ thành phần hạt cát sử dụng 54 Hình 3.4 ê tơng sau trộn thiết bị trộn 56 Hình 3.5 Khuôn tạo mẫu mẫu sau tháu khuôn 56 Hình 3.6 L sấy mẫu 58 Hình 3.7 Chia lưới tọa độ mẫu 58 Hình 3.8 Thí nghiệm siêu âm mẫu 59 Hình 3.9 Thí nghiệm s ng bật nẩy 59 Hình 3.10 Thí nghiệm nén mẫu 59 Hình 3.11 Quy trình thí nghiệm 60 Hình 4.1 M i tương quan cường độ chịu nén nồng độ dung dịch NaOH dưỡng hộ 1000C 66 Hình 4.2 M i tương quan UPV nồng độ dung dịch NaOH dưỡng hộ 1000C 67 Hình 4.3 Cấu tr c hạt tro bay nồng độ NaOH khác 68 xiii Hình 4.4 M i quan hệ cường độ chịu nén u kiện dưỡng hộ với nồng đô dung dịch NaOH 14M 69 Hình 4.5 M i tương quan UPV u kiện dưỡng hộ với nồng độ dung dịch NaOH 14M 70 Hình 4.6 M i quan hệ vận t c cường độ chịu nén GPC 71 Hình 4.7 iểu đồ xác định cường độ chịu nén GPC 72 Hình 4.8 Đồ thị hàm s đ xuất 73 Hình 4.9 So sánh kết thực nghiệm với tính tốn theo hàm bậc 74 Hình 4.10 Giá trị tiên lượng mơ hình ANN-12-4-3-1 LR 78 Hình 4.11 Kết phân tích th hạng thể m c độ ảnh hưởng yếu t mô hinh ANN 12-4-3-1 lớp ẩn 78 xiv Hình 4.6 Mối quan hệ vận tốc cường độ chịu nén GPC Dựa nguyên tắc thiết kế bảng tra sử dụng hàm tuyến tính để xác định cường độ tiêu chuẩn OPC theo TCVN 9335-2012 Trong q trình thiết kế mơ hình, giá trị bất thường loại bỏ theo TCVN 4548 : 2009 Thống kê ứng dụng giá trị chọn nằm ngưỡng theo Bảng 4.2 Mục đích để tránh gây sai số hệ thống mơ hình thực Bảng 4.2 Giá trị chọn theo TCVN 4548 : 2009 Loại quan sát Kích thước mẫu quan sát Trung bình mẫu Độ lệch chuẩn Ngưỡng Ngưỡng Cường độ (MPa) 1408 26,733 2,293 18,019 34,196 UPV (m/s) 1408 4497,930 149,948 3928,128 4985,885 Giá trị súng bật nẩy (n) 192 29 23 35 Các liệu từ thí nghiệm nghiên cứu sử dụng để đưa hàm số hồi quy tuyến tính bậc nhất, kết tính tốn trình bày Bảng Cường độ = -46,13 + 0,435 (n) + 0,01332 (UPV) Với R2=74% SSE=209,8 71 OPC 4500 GPC 4400 4200 4100 UPV (m/s) 4300 4000 3900 3800 31 30 29 28 27 26 25 24 23 22 Vạch giá trị súng bật nẩy (vạch) Hình 4.7 Biểu đồ xác định cường độ chịu nén GPC Kết Hình 4.7 cho thấy vận tốc truyền sóng độ cứng bề mặt GPC cao OPC với cường độ chịu nén Cường độ chịu nén OPC thấp GPC từ đến MPa Bên cạnh đó, khoảng cách đường tuyến tính GPC tương đối khoảng cường độ từ 18 đến 21 MPa, điều hiểu với khoảng giá trị này, nội suy trực tiếp từ biểu đồ, mà khơng thơng qua cơng thức tính tốn Gốc lệch đường tuyến tính so với trục vạch giá trị súng bật nẩy lớn, đánh giá độ nhạy cường độ phụ thuộc nhiều vào UPV Bảng 4.3 Một số hàm hồi quy đề xuất Bậc hàm số Phương trình -46,13 + 0,435n + 0,01332UPV 180,4 + 10-3(4779n – 116,9UPV – 4,323n2 – 0,923(n.UPV) + 0,00176 UPV2 5337 + 10-3(257100n – 5223UPV + 1614n2 – 135,8(n.UPV) + 1,602 UPV2 -3,66n3 – 2,908n2.UPV + 0,0017n.UPV2 125,4.103 + 1121n – 119,7 UPV + 47,73n2 – 1,301(n.UPV) +0,04424UPV2 + 0,2778n3 – 0,0266n2.UPV + 0,0004n.UPV2 + 0,0013n4 72 R2 74% 75% 76,3% 76,7% a.Hàm số bậc b.Hàm số bậc hai c.Hàm số bậc ba d.Hàm số bậc bốn Hình 4.8 Đồ thị hàm số đề xuất Từ hàm số hồi quy đề xuất Bảng dạng đồ thị tương ứng Hình 4.8 tăng số bậc hàm số, phương trình phức tạp, đồ thị xuất nhiều điểm uốn, mức độ xác (đặc trưng trị số R2) có tăng, khơng đáng kể Trong thơng số đặc trưng mơ hình tuyến tính bậc cho thấy mức độ xác hàm số chưa cao (Hình 4.9) Tuy nhiên, mơ hình ứng dụng cho việc thiết kế sơ bộ, dễ dàng xác định cường độ thực tế thơng qua bảng tra hay cơng thức Do đó, việc chọn mơ hình tuyến tính bậc để xác định cường độ chịu nén phương pháp không phá hoại phù hợp với thực tế, kết tương tự đánh giá Kamran Amini (2016) 73 Cường độ chịu nén (MPa) 30 28 26 24 22 20 Cường độ chịu nén Cường độ chịu nén tính tốn 18 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Số thứ tự mẫu Hình 4.9 So sánh kết thực nghiệm với tính tốn theo hàm bậc 4.4 Đánh giá hiệu ước tính cường độ chịu nén GPC mơ hình ANN Việc huấn luyện mạng thực phần mềm SPSS, liệu bao gồm 192 quan sát, 70% sử dụng cho huấn luyện 30% sử dụng cho kiểm tra đối chứng Quá trình phân chia thực cách ngẫu nhiên Sau trình huấn luyện mạng kết thúc, ứng với mạng ANN ta có trọng số mơ hình Kết dự báo mơ hình ANN mặt lý thuyết tính tốn từ trọng số tương ứng với mơ hình theo phương trình phần 2.3.2 Cịn mặt thực tiễn, giá trị dự báo phần mềm SPSS tính tốn bảng 4.4 Bảng 4.4 Bộ trọng số mơ hình ANN 12-4-3-1 Trọng số tiên lượng (Bias) H(1:1) -0,034 H(1:2) 0,005 H(1:3) 0,282 Lớp giá trị H(1:4) H(2:1) H(2:2) H(2:3) Cường độ -0,159 [Nhiệt độ=60] 0,338 -0,585 0,219 -0,182 [Nhiệt độ=80] 0,189 -0,537 -0,468 -1,145 [Nhiệt độ=100] 0,401 -0,739 -0,684 -0,922 [Nhiệt độ=120] -0,987 1,968 0,672 1,974 [Thời gian=2 h] -0,088 1,370 0,667 0,662 [Thời gian=4 h] 0,088 1,22 0,458 0,263 [Thời gian=6 h] 0,302 -0,217 -0,453 0,152 [Thời gian=8 h] 0,111 -0,752 0,050 -1,172 Biến độc lập Lớp giá trị vào Lớp ẩn 74 Lớp ẩn [NaOH=10 M] -0,320 0,637 -0,152 0,711 [NaOH=12 M] -0,065 -0,175 0,193 0,490 [NaOH=14 M] 0,258 0,589 0,287 -0,844 [NaOH=16 M] 0,716 -1,141 0,049 -0,993 Lớp ẩn Lớp ẩn (Bias) -0,007 0,286 -0,005 H(1:1) 1,787 1,562 -,942 H(1:2) 0,148 0,135 0,324 H(1:3) -0,357 -0,062 0,244 H(1:4) -2,532 -3,285 1,154 (Bias) -1,138 H(2:1) 2,036 H(2:2) 1,684 H(2:3) -1,780 Bảng 4.5 Kết tiên lượng mô hình ANN ID 10 14 16 18 21 25 28 31 34 38 41 44 47 51 54 57 60 69 72 75 78 81 84 87 90 Thực nghiệm 18,48 20,11 18,94 23,54 25,46 25,67 26,27 28,84 25,78 25,89 29,26 28,28 26,02 26,56 27,67 28,73 29,55 31,67 28,89 28,34 25,39 26,33 25,27 27,25 24,11 22,44 26,47 25,47 ANN 12-6-1 19,264 19,872 21,044 23,764 24,710 25,747 26,971 28,611 26,811 27,522 27,868 28,932 27,340 28,065 28,327 29,400 28,287 29,274 27,876 28,510 22,884 23,955 25,063 26,687 22,070 23,143 24,838 26,881 ANN 12-5-1 19,062 19,943 20,237 22,923 25,032 26,039 26,461 28,365 26,418 27,382 27,717 29,237 27,147 28,052 28,367 29,798 28,171 29,557 26,912 27,808 23,314 24,466 24,795 27,312 22,468 23,636 23,993 26,517 ANN 12-4-1 19,39 19,907 20,349 22,526 26,796 27,689 28,289 28,841 28,968 29,426 27,711 28,47 23,312 24,647 25,476 27,547 22,484 23,774 24,6 26,953 26,785 27,608 28,211 28,604 24,985 26,192 26,9 28,203 ANN 12-3-1 18,575 19,467 20,254 23,273 24,712 25,810 26,873 28,416 26,404 27,383 28,105 29,090 26,527 27,536 28,293 29,302 28,751 29,404 27,401 28,293 23,763 24,748 25,591 26,885 22,579 23,623 24,753 26,579 75 ANN 12-5-3-1 19,372 19,587 19,586 23,969 24,884 25,398 25,759 28,249 26,330 27,359 27,694 28,590 27,280 28,393 28,581 28,421 28,905 28,774 27,955 28,844 23,220 24,492 25,098 26,565 22,953 24,199 24,607 26,751 ANN 12-5-2-1 18,541 19,414 20,272 23,263 25,805 26,543 27,113 28,174 27,630 28,111 28,418 28,940 27,433 27,937 28,288 28,936 28,563 29,043 27,680 28,141 23,289 24,297 25,333 27,263 22,638 23,676 24,717 26,803 ANN 12-4-3-1 19,215 19,947 20,282 22,85 26,829 27,661 27,935 28,939 28,506 29,414 27,467 28,269 23,614 24,481 24,834 26,705 23,089 23,936 24,276 26,525 26,695 27,352 27,603 28,577 25,86 26,701 26,988 28,352 ANN 12-4-2-1 19,082 19,912 20,485 22,675 25,275 26,236 26,873 28,330 27,020 27,768 28,185 29,069 26,976 27,700 28,111 29,059 28,775 29,444 27,997 28,528 23,223 24,282 25,131 27,149 21,947 23,090 23,904 26,175 Bảng 4.6 Giá trị R2, SSE ANN & LR Mơ hình ANN-12-6-1 ANN-12-5-1 ANN-12-4-1 ANN-12-3-1 ANN-12-5-3-1 ANN-12-5-2-1 ANN-12-4-3-1 ANN-12-4-2-1 LR R2 85,2% 85,8% 86% 85,4% 85,5% 85,7% 86,4% 85,8% 44% SSE 1,124 3,18 1,767 1,439 1,647 1,535 0,644 1,462 2,4 Như thể bảng 4.6, mô hình ANN 12-4-3-1 lớp ẩn có R2 cao SEE thấp nhất, chứng tỏ mơ hình vượt trội cho việc ước tính cường độ GPC Bên cạnh đó, hai mơ hình ANN lớp ẩn lớp ẩn có khả tiên lượng tương đối hiệu (Hình 4.10), nhiên mẫu quan sát, SSE ANN lớp ẩn lớn chứng tỏ mức độ sai lệch giá trị dự báo so với thực tế lớn hơn, chấp nhận Mặt khác, mơ hình LR khơng đạt hiệu cho việc ước tính GPC, so với mơ hình ANN, LR khơng thể biểu diển mối quan hệ phi tuyến giá trị khảo sát Thông thường, LR hiệu cho thiết kế sơ với liệu lớn, thời gian ngắn mà khơng địi hỏi độ xác cao, độ xác ANN lại làm tốt, thuật tốn phức tạp mà mơ hình ràng buộc Tuy lý thuyết ANN tương đối phức tạp, không thiết phải nắm rõ mà vận dụng mơ hình vào thực tế để dự báo tượng (Sarle, 1994) Chính điều mở thay hồn tồn mơ hình phân tích thống kê truyền thống ANN đạt hiệu cao việc tiên lượng, phù hợp với giải thích Chester (1990), tăng số lớp ẩn tăng khả huấn luyện mạng làm giảm sai số, dẫn đến tăng khả hội tụ đến cực tiểu hàm SSE Bên cạnh làm giảm nguy cực tiểu cục Ngoài ra, mối quan hệ thực tế biến vào biến phi tuyến nên ANN lớp ẩn không phù hợp điều với nhận định Cybenko (1898) Bound (1988) nói với mối quan hệ tuyến tính, 76 mơ hình ANN lớp ẩn đạt hiệu cao mối quan hệ phi tuyến lại ko tối ưu Bảng 4.7 Kết tiên lượng mơ hình ANN LR ID 10 14 16 18 21 25 28 31 34 38 41 44 47 51 54 57 60 69 72 75 78 81 84 87 90 Nhiệt độ (0C) 120 120 120 120 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 100 80 80 80 80 60 60 60 60 Thời gian (h) 8 4 8 8 NaOH (M) 14 14 14 14 14 14 14 14 16 16 16 16 12 12 12 12 10 10 10 10 14 14 14 14 14 14 14 14 77 Thực ANN nghiệm 12-4-3-1 ANN 12-4-1 LR 18,480 19,693 20,217 23,793 26,600 28,180 28,343 29,237 28,347 29,980 27,923 28,263 23,677 24,110 25,617 26,560 22,690 23,403 24,670 26,213 25,960 27,933 28,337 28,837 25,675 25,855 26,067 28,470 19,390 19,907 20,349 22,526 26,796 27,689 28,289 28,841 28,968 29,426 27,711 28,470 23,312 24,647 25,476 27,547 22,484 23,774 24,600 26,953 26,785 27,608 28,211 28,604 24,985 26,192 26,900 28,203 22,708 23,676 24,644 25,612 24,290 25,258 26,226 27,194 27,331 28,299 25,395 26,363 23,184 24,152 25,120 26,088 22,079 23,047 24,015 24,983 25,872 26,840 27,808 28,776 27,454 28,422 29,390 30,358 19,215 19,947 20,282 22,850 26,829 27,661 27,935 28,939 28,506 29,414 27,467 28,269 23,614 24,481 24,834 26,705 23,089 23,936 24,276 26,525 26,695 27,352 27,603 28,577 25,860 26,701 26,988 28,352 Hình 4.10 Giá trị tiên lượng mơ hình ANN-12-4-3-1 LR Ngồi việc tính tốn giá trị dự báo, mơ hình ANN cịn phân tích biến có mức độ quan trọng lớn dự báo biến giải thích nhiều cho biến thiên kết đầu Cụ thể phân tích mơ hình ANN lớp ẩn (Hình 4.11) , điều kiện nhiệt độ có mức ảnh hưởng lớn 51,4% so với mức ảnh hưởng thấp 19,5% cho yếu tố thời gian dưỡng hộ Độ nhạy mơ hình phụ thuộc lớn vào điều kiện nhiệt độ, với 100% khả tiên lượng cường độ GPC, rõ ràng có thay đổi nhỏ nào, nhiệt độ dưỡng hộ làm cho cường độ biến thiên Bên cạnh đó, nồng độ NaOH lý giải cho thay đổi này, giải thích 50% khả tiên lượng, đánh giá khách quan mức độ ảnh hưởng yếu tố khảo sát, ứng dụng ANN vào phân tích thống kê Hình 4.11 Kết phân tích thứ hạng thể mức độ ảnh hưởng yếu tố mô hinh ANN 12-4-3-1 lớp ẩn 78 Chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI 5.1 Kết luận Dựa đánh giá ảnh hưởng điều kiện dưỡng hộ nồng độ NaOH đến cường độ chịu nén bê tông geopolymer vận tốc truyền xung siêu âm UPV, số kết luận rút sau:  Điều kiện dưỡng hộ nồng độ dung dịch NaOH ảnh hưởng trực tiếp đến cường độ chịu nén vận tốc truyền sóng siêu âm Khi tăng nhiệt độ từ 600C lên 1000C kết hợp với thời gian dưỡng hộ dài tăng nồng độ NaOH cường độ phát triển mạnh, tăng trung bình 5-10% với tăng 200C Giá trị UPV phụ thuộc nhiều vào mật độ môi trường, cường độ cao, vận tốc truyền lớn  Có thể đánh giá chất lượng bê tông geopolymer thông qua mối quan hệ cường độ chịu nén UPV Mối quan hệ tuyến tính đề xuất là: Cường độ chịu nén = -46,13 + 0,435.n + 0,01332.UPV  Vận tốc truyền sóng GPC lớn OPC Với cường độ, UPV GPC lớn khoảng 5-7% Do đó, cần có hiệu chỉnh sử dụng bảng tra cường độ OPC cho GPC  Mơ hình ANN có khả tiên lượng cường độ chịu nén GPC xác mơ hình LR hàm bậc  Mơ hình ANN hai lớp ẩn lớp ẩn có khả dự đốn cường độ tương đối tốt Tuy nhiên, mơ hình ANN hai lớp ẩn với cấu trúc ANN-12-4-31 cho mức độ xác cao  Điều kiện nhiệt độ ảnh hưởng lớn đến cường độ GPC với trọng số ảnh hưởng 50% có độ nhạy cao đến khả tiên lượng cường độ 79 5.2 Hướng phát triển đề tài Ngoài kết đạt được, báo cáo số hạn chế như: chưa khảo sát toàn yếu tố ảnh hưởng đến cường độ, mức độ tiên lượng cục mảng liệu nạp vào mà chưa thiết kế mô hình tổng qt Bên cạnh đó, hạn chế mặt lý thuyết chun mơn lĩnh vực tốn ứng dụng toán thống kê, nên báo cáo giới hạn mức độ ứng dụng, mà chưa sâu xây dựng hay thay đổi thuật tốn mơ hình Các kết nghiên cứu kế thừa phát triển rộng hơn, đánh giá toàn yếu tố, khơng dừng lại tốn cường độ Có thể mở rộng hệ số liên quan đến chất lượng bê tông module đàn hồi, hệ số young, hệ số poisson,… góp phần hồn thiện lý thuyết tính tốn, sở khoa học cho vật liệu thân thiện với môi trường 80 TÀI LIỆU THAM KHẢO Arbib, Michael A The Handbook of Brain Theory and Neural Networks Cambridge, Massachusetts, London, England: THE MIT PRESS, 2002 Benny Joseph a, George Mathew "Influence of aggregate content on the behavior of fly ash based." Scientia Iranica (2012): 1188-1194 Bounds, Lloyd, Mathew, Waddell A multilayer perceptron network for the diagnosis of low back pain San Diego: IEEE Annual, 1988 Cherdsak Suksiripattanapong, Suksun Horpibulsuk, Pimsin Chanprasert, Patimapon Sukmak, Arul Arulrajah "Compressive strength development in fly ash geopolymer masonry units manufactured from water treatment sludge." Construction and Building Materials (2015): 20-30 Chester " Why two hidden layers are better than one." Neural Networks (1990): 1265-1268 Cybenko "Approximation by superpositions of a sigmoidal function." Mathematics (1989): 303-314 Eric, C "Machine Learning Lesson of the Day - Overfitting and Underfitting." The Chemical Statistician (2014) Gregor Trtnik, Franci Kavcˇicˇ, Goran Turk "Prediction of concrete strength using ultrasonic pulse velocity and artificial." Ultrasonics (2008): 53-60 Hardjito, Rangan Studies of fly ash-based geopolymer concret Paper presented France: the World Congress Geopolymer, 2005 Hecht-Nelson " Kolmogorov's mapping neural network existence theorem." Neural Network (1987): 11-14 J.Davidovits "30 Years of Successes and Failures in Geopolymer Applications, Market Trends and Potential Breakthroughs." Geopolymer 2003 Conference (2002) J.Davidovits "Alkali Activated Materials." Lecture 2015 J.Davidovits "Properties of geopolymer cement." Proceding first International conference on Akaline cements and concretes (1994): 131-149 81 Jee Sang Kim, Tae Hong Kim "An Ultrasonic Pulse Velocity Test on Fly-Ash Based Geopolymer Concrete in Frequency Domains." Applied Mechanics and Materials (2017): 310-313 Jerzy Hola, Krysztof Schabowicz "Application of ANN to determine concrete compressive strengh based on NDT." Civil Engineering and Management (2005): 23-32 John L.Provis, Jannie S J van Deventer Geopolymer with Hierarchically Meso-/Macroporous Structures from Reactive Emulsion Templating 2014 Kamran Amini, Mehdi Jalalpour "Advancing concrete strength prediction using non-destructive testing: Development and verification of a generalizable model." Construction and Building Materials (2016): 762-768 Khashei, Bijari "A novel hybridization of artificial neural networks and ARIMA models." Applied Soft Computing (2011): 2664-2675 L.Krishnan "Geopolymer concrete an Eco–friendly construction material." (2014) Lawrence Introduction to Neural Networks: Design, Theory, and Applications Nevada: California Scientific Software, 1994 Lawrence, Fredrickson "BrainMaker User's Guide and Reference Manual." (1998) Marchandani, Cao "On Hidden Nodes for Neural Nets." Circuits and Systems (1989): 661-664 Marios Soutsos, Alan P Boyle, Raffaele Vinai, Anastasis Hadjierakleous, Stephanie J Barnett "Factors influencing the compressive strength of fly ash based." Construction and Building Materials (2015): 355-368 N.A.Lloyd, B.V.Rangan Technology (2010) "Geopolymer Concrete." urtin University of Nguyễn Sỹ Dũng, Lê Hồi Quốc "Thuật tốn thích nghi huấn luyện mạng neural sở phương pháp Conjugate Gradient." Tạp chí Khoa học Công nghệ (2006): 68-73 82 Nguyễn Sĩ Dũng Một thuật toán huấn luyện mạng neural dựa phương pháp Newton Hội nghị Khoa học Công nghệ & Đào tạo TP.HCM: Đai học Công nghiệp Tp.HCM, 2008 Nguyễn Văn Chức http://bis.net.vn không ngày tháng 12 May 2008 Palomo, Grutzeck, Blanco "Alkali-activated fly ashes A cement for the future." (1999) Phạm Hữu Đức Dục Mạng nơron ứng dụng điều khiển tự động Hà Nội: Khoa Học Kỹ Thuật, 2009 Phạm Huy Khang "Tro bay ứng dụng xây dựng đường ôtô." 2002 Phạm Hữu Lê Quốc Phục Nghiên cứu ứng dụng mạng neural giải lớp toán dự đoán phân loại Luận văn thạc sĩ Viet Nam: Khoa học máy tính, 2010 SalawuOS "Detection of structiral damage throught changes in frenquency." Structure and Material (1997): 718-723 Salim T Yousif, Salwa M Abdullah "Artificial Neural Network Model for Predicting Compressive." Eng Sciences (2009): 55-66 Tekin Ylmaz, Bayram Ercikdi, Kadir Karaman, Gửkhan Kỹlekỗi "Assessment of strength properties of cemented paste backfill by ultrasonic pulse." Ultrasonics (2014) Tomasz Gorzelańczyk, Jerzy Hoła, Łukasz Sadowski, Krzysztof Schabowicz "Non-destructive identification of cracks in unilaterally accessible massive concrete walls in hydroelectric power plant." Non-destructive identification of cracks in unilaterally accessible massive concrete walls in hydroelectric power plant (2016): 413-421 Tống Tơn Kiên Bê tơng Geopolymer - thành tuwjum tính chất ứng dụng Viet Nam, 2009 Vũ Huyền Trân, Nguyễn Thị Thanh Thảo "Nghiên cứu chế tạo gạch không nung công nghệ Geopolymer sử dụng tro bay phế thải bùn đỏ để xây dựng nhà." (2009) 83 Waszczyszyn Neural Networks in Structural Engineer Edinburgh: SaxeCoburd, 2000 Y.Hwang Handbook of Neural Network Signal Processing washington: CRC Press, 2002 Zhang "Forecasting with artificial neural networks The state of the art." Forecasting (1998): 35-62 Zhang "Time series forecasting using a hybrid ARIMA and neural network model." Neurocomputing (2003): 159-175 84 S K L 0 ... xác định cường độ chịu nén GPC sử dụng kỹ thuật siêu âm, súng bật nẩy kết hợp mô hình tiên lượng ANN 1.3 Mục tiêu đề tài Sử dụng NDT kết hợp mơ hình tiên lượng ANN để xác định cường độ chịu nén. .. cáo sử dụng phương pháp không phá hoại mẫu kết hợp phương pháp siêu âm búa bật nảy để nghiên cứu phát triển cường độ bê tông geopolymer theo thời gian dưỡng hộ Kết thí nghiệm cho thấy bê tông geopolymer. .. 2014) Phương pháp không phá hoại mẫu thực theo tiêu chuẩn TCVN 9335:2012 Bê tông nặng – Xác định cường độ nén sử dụng kết hợp máy đo siêu âm súng bật nẩy Phương pháp xác định cường độ nén dựa mối