Dự báo khả năng nứt nhiệt trong bê tông tuổi sớm trong kết cấu trụ cầu sử dụng mạng nơ ron nhân tạo

Bài viết Dự báo khả năng nứt nhiệt trong bê tông tuổi sớm trong kết cấu trụ cầu sử dụng mạng nơ ron nhân tạo trình bày việc sử dụng mô hình ANN để dự đoán khả năng nứt nhiệt tuổi sớm trong bê tông trụ cầu trong điều kiện nhiệt độ môi trường thông thường ở Việt Nam.

Tạp chí Khoa học Cơng nghệ Xây dựng, ĐHXDHN, 2022, 16 (5V): 139–150 DỰ BÁO KHẢ NĂNG NỨT NHIỆT TRONG BÊ TÔNG TUỔI SỚM TRONG KẾT CẤU TRỤ CẦU SỬ DỤNG MẠNG NƠ-RON NHÂN TẠO Đỗ Anh Túa,∗, Nguyễn Minh Hiếub , Trần Đức Tâmc , Nguyễn Thị Hà Lyd a Khoa Cơng trình, Trường Đại học Giao thơng Vận tải, 03 Cầu Giấy, Đống Đa, Hà Nội, Việt Nam Khoa Đào tạo Quốc tế, Trường Đại học Giao thông Vận tải, 03 Cầu Giấy, Đống Đa, Hà Nội, Việt Nam c Sở GTVT Hịa Bình, 724 Cù Chính Lan, Đồng Tiến, Hịa Bình, Việt Nam d Cơng ty TNHH IHI Infrastructure Asia (IIA) - Văn phòng Hà Nội, 28 Xuân La, Tây Hồ, Hà Nội, Việt Nam b Nhận ngày 22/9/2022, Sửa xong 14/11/2022, Chấp nhận đăng 24/11/2022 Tóm tắt Trụ cầu phận kết cấu quan trọng cơng trình cầu, đóng vai trị chịu lực truyền lực từ kết cấu nhịp xuống móng, giữ ổn định cho kết cấu nhịp Trong thực tế xây dựng cơng trình cầu bê tơng, phận móng, mố, trụ xuất vết nứt (bao gồm nứt nhiệt, nứt co ngót, ) từ sớm gây ảnh hưởng đến tính nguyên vẹn khả chịu lực tuổi thọ cơng trình Bên cạnh phương pháp kinh nghiệm, kỹ sư, mơ số mạng nơ-ron nhân tạo (ANN) cho thấy tiềm to lớn dự báo rủi ro nứt nhiệt tuổi sớm bê tông trụ cầu Bài báo trình bày việc sử dụng mơ hình ANN để dự đốn khả nứt nhiệt tuổi sớm bê tông trụ cầu điều kiện nhiệt độ môi trường thông thường Việt Nam Các thuật toán Levenberg-Marquardt, Bayesian Regularization Scaled Conjugate Gradient với liệu bao gồm 462 mẫu sử dụng để phục vụ cho việc huấn luyện, so sánh kiểm chứng mơ hình Hiệu suất mơ hình đánh giá thơng qua tiêu chí thống kê, từ đưa thuật tốn tốt để sử dụng Kết từ mơ hình huấn luyện cho thấy mạng ANN công cụ tốt để dự báo rủi ro nứt nhiệt bê tông trụ cầu thời điểm xảy tương ứng Từ khoá: Aritificial Neural Networks (ANNs); rủi ro nứt nhiệt; bê tông tuổi sớm; trụ cầu FORECASTING THERMAL CRACKING RISK IN EARLY-AGE CONCRETE BRIDGE PIERS USING ARTIFICIAL NEURAL NETWORKS Abstract Bridge piers are important structures of a bridge, playing the role of bearing and transmitting loads from the super-structure to the foundation and stably supporting the super-structure In actual construction of concrete bridges, abutments and piers might appear early cracks (including thermal cracks, shrinkage cracks, etc.), which adversely affect the integrity, load bearing capacity and durability of the structures Besides engineering and numerical calculation methods, artificial neural networks (ANNs) show great potential in predicting the risk of early-age thermal cracking in concrete piers This paper presents the use of ANNs to forecast the possibility of early age thermal cracking in concrete piers under normal ambient temperature conditions in Vietnam The database consists of 462 samples used for training and testing the ANN models The results show that ANNs can be a great tool for predicting the risk of thermal cracking in the early-age concrete piers and the corresponding time of occurrence Keywords: Aritificial Neural Network; thermal cracking risk; early-age concrete; bridge pier https://doi.org/10.31814/stce.huce(nuce)2022-16(5V)-12 © 2022 Trường Đại học Xây dựng Hà Nội (ĐHXDHN) ∗ Tác giả đại diện Địa e-mail: doanhtu@utc.edu.vn (Tú, Đ A.) 139 Tú, Đ A., cs / Tạp chí Khoa học Công nghệ Xây dựng Giới thiệu Bê tông xi măng vật liệu sử dụng rộng rãi xây dựng cơng trình Bê tơng (BT) hình thành phát triển cường độ nhờ vào phản ứng thủy hóa (hydrat hóa) xi măng trộn với nước Trong giai đoạn thủy hóa xi măng, lượng nhiệt sinh tương đối lớn gây chênh lệch nhiệt độ lõi bề mặt khối bê tông [1] Sự phân bố nhiệt độ phức tạp không đồng gây biến dạng nhiệt lớn có khả gây nứt bê tơng, thơng thường bề mặt khối BT Nứt nhiệt xảy vài ngày vài tuần sau bê tông đổ Các vết nứt nhiệt xuất phá vỡ tính tồn vẹn, ổn định kết cấu dẫn đến tác hại tăng nhanh q trình ăn mịn cốt thép BT gây suy giảm khả chịu lực tuổi thọ [1–4] Nhiều nghiên cứu giới bao gồm lý thuyết thực nghiệm tìm hiểu ứng xử bê tơng tuổi sớm đưa dự đốn khả nứt bê tơng ứng suất nhiệt Các nghiên cứu ban đầu chủ yếu tập trung vào việc sử dụng hàm lý thuyết mơ tả phát sinh nhiệt q trình thủy hóa xi măng để tính tốn độ tăng nhiệt độ đoạn nhiệt, sau áp dụng vào mơ hình tính [5, 6] Nhiều tác giả phát triển mơ hình tính dựa phương pháp sai phân hữu hạn phần tử hữu hạn để mô ứng xử nhiệt bê tơng tuổi sớm dự đốn nguy nứt số kết cấu bê tông bệ trụ, cột, xà mũ trụ, mặt cầu đốt đúc dầm hộp [7–11] Wu cs [12] sử dụng phần mềm ANSYS tạo mơ hình truyền nhiệt cho bê tông xét đến đối lưu bề mặt – nhằm mô tả mát nhiệt bề mặt mơi trường xung quanh – tính tốn ứng suất nhiệt cho kết cấu bê tông tuổi sớm Lin Chen [13] phát triển mơ hình phần tử hữu hạn sử dụng ABAQUS với trợ giúp chương trình để dự đốn trường nhiệt độ, ứng suất nhiệt rủi ro nứt bê tơng tuổi sớm Mơ hình họ cân nhắc đến mức độ thủy hóa, đặc tính vật liệu phụ thuộc nhiệt độ, tải trọng nhiệt phụ thuộc mức độ thủy hóa đáng ý mơ hình bao gồm ứng xử từ biến nén kéo bê tơng cách sử dụng thuật tốn tính tốn số gia bước Kết nhiệt độ dự đoán phù hợp với nhiệt độ đo khối bê tơng vị trí xảy nứt tương đồng với vị trí khối bê tơng thực nghiệm Yuan Wan [14] sử dụng mô số dựa mơ hình học vi mơ công thức thực nghiệm phát triển đặc tính bê tơng tuổi sớm Mơ hình số giải thích tác động q trình hydrat hóa, vận chuyển ẩm từ biến Các ảnh hưởng môi trường, chẳng hạn tháo dỡ ván khuôn, điều kiện bảo dưỡng, thay đổi nhiệt độ xung quanh độ ẩm tương đối nghiên cứu Trong tính tốn trường ứng suất theo tuổi gây trình lý tổng hợp này, phương pháp phần tử hữu hạn ba chiều sai phân hữu hạn (3D-FE-FD) kết hợp Trong năm gần đây, với tiến khoa học máy tính, thuật tốn trí tuệ nhân tạo ứng dụng hiệu nhiều tốn liên quan đến ngành kỹ thuật xây dựng cơng trình Mạng nơron nhân tạo (ANN) mơ hình ứng dụng rộng rãi tính linh hoạt cấu trúc, hiệu suất dự đoán cao sẵn có số lượng đáng kể thuật toán huấn luyện Nhiều nghiên cứu sử dụng ANN để dự đoán cường độ vật liệu bê tơng [15, 16], nhiệt thủy hóa xi măng [17], độ mở rộng vết nứt bê tông [18], hư hỏng kết cấu [19, 20] Tuy nhiên, chưa có nghiên cứu ứng dụng ANN để dự đốn nứt nhiệt bê tông tuổi sớm công trình cầu Nghiên cứu xây dựng mơ hình sử dụng mạng ANN để dự đốn khả nứt nhiệt (thông qua hệ số nứt) bê tông trụ cầu thời điểm xảy nứt Các mẫu mơ hình nghiên cứu sử dụng nhiều kích thước mặt cắt ngang thân trụ khác điều kiện nhiệt độ môi trường Việt Nam Tổng cộng có 462 mẫu đưa vào phục vụ huấn luyện mạng ANN Bài báo trình bày việc lựa chọn mơ hình dự báo xây dựng sở liệu số, trước đánh giá hiệu mơ hình 140 Tú, Đ A., cs / Tạp chí Khoa học Cơng nghệ Xây dựng Mơ hình dự báo sở liệu 2.1 Mạng nơ-ron nhân tạo Mạng nơron (thần kinh) nhân tạo (Artificial Neural Network - ANN) mơ hình máy tính lấy cảm hứng từ sinh học thiết kế để mô cách não người xử lý thông tin ANN thu thập kiến thức cách phát mẫu mối quan hệ liệu học hỏi (hoặc đào tạo) thông qua kinh nghiệm, từ lập trình Tất quy trình mơ hình ANN, chẳng hạn thu thập phân tích liệu, thiết kế cấu trúc mạng, số lớp ẩn, mô mạng cân trọng số / độ lệch, tính tốn thơng qua phương pháp học tập đào tạo [21] Cấu trúc chung ANN thường bao gồm thành phần gồm lớp đầu vào, lớp ẩn lớp đầu Trong lớp đầu vào lớp đầu tiên, lớp đầu lớp cuối kết nối hai lớp lớp ẩn Hoạt động giống não người, ANN học kinh nghiệm thông qua giai đoạn đào tạo, có khả lưu trữ sử dụng để dự đoán liệu chưa biết (thử nghiệm) Trong giai đoạn huấn luyện thuật toán, ANN học cách nhận dạng mẫu từ liệu đầu vào, sau so sánh kết tạo với kết mong muốn ANN có nhiều loại thuật tốn áp dụng nhiều trường hợp Vì vậy, cần nghiên cứu thuật toán huấn luyện hợp lý để xây dựng mơ hình mạng nơ-ron với mục tiêu huấn luyện tính mẫu từ liệu đầu vào để tìm tập hợp tham số mơ hình bên trong, để tối ưu hóa độ xác mơ hình Trong nghiên cứu này, thuật toán: Levenberg–Marquardt (LM), Bayesian Regularization (BR) lan truyền ngược Scaled Conjugate Gradient (SCG) sử dụng, so sánh đánh giá hiệu mô hình ANN - Thuật tốn Levenberg-Marquardt Thuật tốn LM, phát triển độc lập Kenneth Levenberg [22] Donald Marquardt [23], cung cấp giải pháp số cho vấn đề tối thiểu hóa hàm phi tuyến Thuật tốn LM kết hợp phương pháp gradient descent thuật toán Gauss – Newton Thuật toán LM giải vấn đề tồn phương pháp để đào tạo mạng nơ-ron, kết hợp hai thuật tốn [24] - Thuật tốn Bayesian Regularization Bayesian Regularization (BR) thuật toán đào tạo mạng nơ-ron nhân tạo, điều chỉnh giá trị trọng số khúc xạ dựa tối ưu hóa LM Thuật tốn giảm thiểu kết hợp bình phương lỗi trọng số, sau tìm kết hợp xác để tạo mạng tốt Q trình gọi quy hóa Bayesian Mạng nơ-ron quy Bayesian đưa trọng số mạng vào hàm mục tiêu huấn luyện Hàm mục tiêu đào tạo mạng ký hiệu sau [25]: F(ω) = αEω + βED (1) đó: Eω tổng bình phương trọng số mạng, ED tổng bình phương sai số mạng Thông số α β tham số hàm mục tiêu - Thuật toán Scaled Conjugate Gradient (SCG) Thuật toán SCG phát triển Moller [26], dựa hướng liên hợp, thuật toán khơng thực tìm kiếm theo dịng lần lặp, khơng giống thuật tốn độ dốc liên hợp khác u cầu tìm kiếm theo dịng lần lặp Làm cho hệ thống tốn mặt tính tốn SCG thiết kế để tránh thời gian tìm kiếm dịng Đây hàm huấn luyện mạng cập nhật giá trị trọng số độ lệch theo phương pháp độ dốc liên hợp chia tỷ lệ Nó huấn luyện mạng miễn trọng số, đầu vào hàm truyền có hàm đạo hàm Trong thuật tốn SCG, kích thước bước hàm xấp xỉ bậc hai hàm lỗi, làm cho mạnh không phụ thuộc vào tham số người dùng xác định 141 Tú, Đ A., cs / Tạp chí Khoa học Cơng nghệ Xây dựng 2.2 Đánh giá khả dự báo mơ hình Trong nghiên cứu này, ba tiêu chí thống kê sử dụng để đánh giá độ xác mơ hình ANN đề xuất, hệ số xác định (R2 ), sai số tồn phương trung bình gốc (RMSE) sai số tuyệt đối trung bình (MAE) Hệ số R2 dùng để ước tính mối tương quan thực tế kết dự đoán, giá trị R2 nằm khoảng (0; 1) Bên cạnh đó, RMSE MAE đo mức độ sai số trung bình kết đầu thực tế dự đoán Kết giá trị RMSE MAE gần giá trị R2 gần thể độ xác cao mơ hình đạo tạo Các phương trình cho biết cách tính giá trị R2 , RMSE, MAE: MAE = n n (2) |ui − uˆ i | i=1 n RMS E = n (ui − uˆ i )2 (3) i=1 n (ui − uˆ i )2 R2 = − i=1 n (4) (ui − uˆ )2 i=1 ui giá trị đầu thực tế, uˆ i giá trị đầu dự đoán, uˆ giá trị trung bình ui n số lượng liệu 2.3 Cơ sở liệu Để xây dựng mơ hình liệu phục vụ huấn luyện mạng, chương trình tính “EACTSA” (phân tích ứng suất nhiệt bê tơng tuổi sớm) [8] sử dụng nghiên cứu để tính tốn phát triển nhiệt độ ứng suất nhiệt bê tông kết cấu trụ cầu giai đoạn tuổi sớm với thông số đầu vào khác Chương trình tính kiểm chứng nghiên cứu trước [8] Việc tính tốn ứng suất tuổi sớm bao gồm hai giai đoạn: phân tích nhiệt độ, sau lịch sử nhiệt độ thu nút mặt cắt bê tông sử dụng làm tải trọng (nhiệt) đầu vào cho phân tích ứng suất Chương trình tính EACTSA có xét đến thay đổi đặc tính học ứng xử đàn nhớt vật liệu BT giai đoạn đóng rắn phát triển cường độ [8] Tham số đầu vào gồm: mặt cắt ngang trụ cầu bê tông với bề rộng chiều cao thay đổi từ – m (minh họa Hình 1) Nhiệt độ mơi trường xung quanh giả định nằm dải nhiệt độ môi trường đặc trưng Việt Nam (từ 14°C đến 36°C) Vật liệu BT trụ bê tông thông thường cấp 35 MPa sử dụng Việt Nam, với đặc trưng nhiệt học (cường độ) thí nghiệm Trường Đại học Giao thơng vận tải trình bày Bảng Các tham số nhiệt lấy theo mơ hình tham số trình bày kỹ nghiên cứu trước [8, 13] Bảng Các tham số nhiệt thủy hóa bê tơng τ (h) β αu Hu (J/g) Qc (J/m3 ) Ea (J/mol) 23,85 0,7908 0,7178 459,73 1,92 × 108 36011 142 Tú, Đ A., cs / Tạp chí Khoa học Cơng nghệ Xây dựng Bảng Cường độ chịu nén kéo theo ngày tuổi (MPa) Tuổi (ngày) Cường độ chịu nén Cường độ chịu kéo (ép chẻ) 28 18,82 25,00 30,34 40,24 47,30 1,92 2,36 2,75 3,51 4,64 (a) Trụ cầu thực tế (b) Mặt cắt ngang Hình Minh họa trụ cầu bê tông với mặt cắt ngang kích thước b × h Bảng Phân tích thống kê sở liệu Giá trị Thông số Ký hiệu Đơn vị Vai trò Bề rộng Chiều cao Nhiệt độ bê tông tươi Nhiệt độ môi trường Chỉ số nứt Thời gian b h T ini T am η t m m °C °C Đầu vào Đầu vào Đầu vào Đầu vào Đầu Đầu h Nhỏ Lớn 1 14 20 0,2844 20 3 36 30 0,9486 77 Cơ sở liệu gồm có 462 mẫu, với đầu vào (input) thơng số khác gồm kích thước mặt cắt ngang thân trụ: bề rộng (b), chiều cao (h), nhiệt độ bê tông tươi ban đầu (T ini ) nhiệt độ trung bình mơi trường (T am ) Phân tích thống kê sở liệu thể Bảng Hình Đầu (output) bao gồm giá trị lớn hệ số nứt η thời gian (t) tương ứng Hệ số nứt η 143 Tú, Đ A., cs / Tạp chí Khoa học Công nghệ Xây dựng định nghĩa sau [27]: η= σ(t) fct (t) (5) max đó: t thời gian (h); σ(t) ứng suất nhiệt kéo (lớn nhất) theo thời gian, minh họa Hình 2; fct (t) cường độ chịu kéo bê tông điểm xét theo thời gian Hệ số nứt η lớn khả nứt BT cao Theo số nghiên cứu Riding cs [27], η < 0,7 khả nứt thấp, 0,7 ≤ η < khả nứt cao, η ≥1 khả nứt cao (a) Chiều rộng mặt cắt (m) (b) Chiều cao mặt cắt (m) (c) Nhiệt độ ban đầu (°C) (d) Nhiệt độ mơi trường (°C) Hình Biểu đồ thống kê giá trị đầu vào Tập liệu sử dụng cho nghiên cứu chia ngẫu nhiên thành hai tập liệu con, bao gồm: tập liệu huấn luyện (70% tổng số lượng mẫu) sử dụng để huấn luyện mạng ANN, tập liệu kiểm tra xác minh (30% lại) dùng để kiểm tra hoặc/và xác minh mơ hình Với cách phân chia trên, liệu gồm 462 mẫu có 323 mẫu dùng để huấn luyện 139 mẫu dùng để đánh giá hiệu suất mơ hình Bản chất việc phân tách liệu tách độc lập phần liệu, hay nói cách khách, liệu cho phần xác minh (30%) hồn tồn khơng biết đến mơ hình ANN Do đó, khả dự đốn mơ hình ANN đánh giá cách khách quan xác 144 Tú, Đ A., cs / Tạp chí Khoa học Cơng nghệ Xây dựng thơng qua phần xác minh Điều so sánh với việc dự đoán hàm mục tiêu thí nghiệm (30% liệu chưa mơ hình hóa) dựa kết thực nghiệm có sẵn trước (70% liệu mơ hình hóa) Đối với tốn dự báo chung, sức mạnh dự báo mơ hình quan trọng Tất liệu, bao gồm tham số đầu vào đầu chuẩn hoá phạm vi (0;1) Kỹ thuật sử dụng tốn trí tuệ nhân tạo để giảm thiểu sai số mô tạo (a) Ứng suất nhiệt/cường độ chịu kéo (b) Hệ số nứt Hình Minh họa kết phân tích từ chương trình “EACTSA”: ứng suất nhiệt cường độ chịu kéo BT (a); hệ số nứt (b) Kết đánh giá Đối với trình đào tạo ANN, hiệu mơ hình phụ thuộc vào cấu trúc mạng nơ ron, tức số lượng lớp ẩn số lượng tế bào thần kinh lớp ẩn Số lượng tốt đơn vị ẩn phụ thuộc vào nhiều yếu tố - số tham số đầu vào, đầu mạng, số lượng cá thể tập mẫu, độ nhiễu liệu đích, độ phức tạp hàm lỗi, kiến trúc mạng thuật toán luyện mạng [28] Việc lựa chọn số lượng nơ-ron hợp lý lớp ẩn tiến hành dựa thử nghiệm, đồng thời tìm cấu hình tốt cho mạng Về chất, huấn luyện mạng trình điều chỉnh trọng số liên kết Các giá trị trọng số liên kết lấy ngẫu nhiên bắt đầu xây dựng mạng, sau thuật toán mạng điều chỉnh giá trị trình huấn luyện mạng Trong nghiên cứu Hình Cấu trúc mạng nơ-ron 145 Tú, Đ A., cs / Tạp chí Khoa học Cơng nghệ Xây dựng này, thử nghiệm tiến hành với số lượng nơ-ron lớp ẩn từ đến 512 thấy với số lượng nơ-ron lớn (trên 256) mơ hình có xu hướng giảm độ xác Cấu trúc ANN với nơ-ron lớp ẩn (Hình 4) đủ kết tốt huấn luyện mạng với tập liệu (a) LM (b) BR (c) SCG Hình So sánh liệu mục tiêu kết dự báo mơ hình ANN Tiếp theo, báo trình bày kết huấn luyện mơ hình ANN dự báo hệ số nứt lớn (khả nứt nhiệt lớn nhất) thời điểm xuất thân trụ theo thuật toán LM, BR SCG Kết huấn 146 Tú, Đ A., cs / Tạp chí Khoa học Cơng nghệ Xây dựng luyện mạng ANN thể Hình 5, giá trị thí nghiệm số biểu thị đường nét liền màu xanh, giá trị dự đốn mơ hình biểu thị đường nét đứt màu đỏ Kết thể cho thấy, số nứt lớn (η) thời gian ứng với số nứt lớn (t) toàn 462 mẫu khớp với kết dự đốn mơ hình (a) LM (b) BR (c) SCG Hình Biểu đồ sai số Sai số giá trị dự đốn với giá trị thí nghiệm thể biểu đồ phân bố sai số Hình Các sai số chủ yếu tập trung quanh giá trị cho tập liệu huấn luyện thử nghiệm Điều cho thấy khả dự báo mơ hình đề xuất tốt với sai số thấp Tương quan hồi quy kết thí nghiệm kết dự đốn mơ hình ANN biểu thị Hình 7, với hệ số tương quan R sử dụng thuật toán LM, BR SCG 0,9982; 0,9983 0,99383 Trong trường hợp, đường hồi quy tuyến tính gần với đường chéo, điều khẳng định mối tương quan chặt chẽ số liệu dự đoán số liệu thực nghiệm Tuy 147 Tú, Đ A., cs / Tạp chí Khoa học Cơng nghệ Xây dựng nhiên, để ý thấy thuật tốn SCG Hình 6(c), liệu thực nghiệm số có độ lệch đường hồi quy lớn so với Hình 6(a) 6(b) (a) LM (b) BR (c) SCG Hình Biểu đồ hồi quy so sánh liệu thực nghiệm số giá trị dự đốn mơ hình ANN Ba tiêu chí R2 , RMSE MAE (đã trình bày mục 2.2) sử dụng làm phép đo độ xác mơ hình dự đốn ANN Bảng liệt kê giá trị tiêu chí đánh giá hiệu suất mơ hình ANN dùng thuật tốn LM, BR SCG Có thể thấy thuật tốn đề xuất có khả dự báo tốt khả nứt nhiệt tuổi sớm BT trụ cầu (thông qua hệ số nứt η) thời gian tương ứng Hai thuật toán LM BR cho thấy hiệu suất tốt so với SCG, BR nhỉnh đơi chút so với LM Cụ thể, dùng thuật toán BR, giá trị RMSE MAE cho η t 0,0017; 0,0013 0,2902; 0,2478, cịn dùng thuật tốn LM giá trị RMSE MAE cho η t 0,0019; 0,0015 0,3057; 0,2608 148 Tú, Đ A., cs / Tạp chí Khoa học Cơng nghệ Xây dựng Bảng Các tiêu chí đánh giá hiệu suất khác cho mơ hình dự báo ANN Thuật toán Đầu R2 RMSE MAE Levenberg-Marquardt η t 0,9999 0,9994 0,0019 0,3057 0,0015 0,2608 Bayesian Regularization η t 0,9999 0,9995 0,0017 0,2902 0,0013 0,2478 Scaled Conjugate Gradient η t 0,9979 0,9965 0,0082 0,7378 0,0065 0,5870 Kết luận Trong nghiên cứu này, mơ hình ANN với thuật toán LM, BR SCG đề xuất để dự đoán nguy nứt nhiệt tuổi sớm bê tông thân trụ cầu thời điểm xảy rủi ro nứt nhiệt cao Tập liệu gồm 462 mẫu thí nghiệm số tạo chương trình EACTSA để sử dụng cho việc huấn luyện mơ hình Dữ liệu đầu vào bao gồm kích thước mặt cắt ngang thân trụ (rộng cao), nhiệt độ môi trường trung bình, nhiệt độ ban đầu bê tơng tươi thi cơng thân trụ Các tiêu chí thống kê gồm hệ số tương quan (R), hệ số xác định (R2 ), sai số tồn phương trung bình (RMSE) sai số tuyệt đối trung bình (MAE) sử dụng để đánh giá hiệu suất mơ hình Kết nghiên cứu cho thấy mơ hình ANN sử dụng thuật tốn LM, BR SCG dự báo tốt khả nứt nhiệt bê trụ cầu thời điểm xảy tương ứng, hiệu suất thuật tốn BR nhỉnh đơi chút Khi liệu loại bê tông khác cho xây dựng cơng trình cầu đủ lớn bao qt, ANN thay chương trình tính EACTSA dễ dàng ứng dụng cho trường hợp thực tế, giảm thiểu thời gian tính tốn thí nghiệm Một lợi ích khác việc sử dụng mơ hình ANN dùng để thiết kế tối ưu kết cấu thân trụ tối ưu hóa thời gian tháo dỡ ván khn cách nhanh chóng, điều mà việc sử dụng riêng chương trình tính (như EACTSA phần mềm khác) khó tốn nhiều thời gian Lời cảm ơn Nghiên cứu tài trợ Bộ Giáo dục Đào tạo đề tài mã số B2021-GHA-06 Tài liệu tham khảo [1] ACI 207.1R-05 (2005) Guide to Mass Concrete Farmington Hills, MI, USA: ACI 207.1R-05, American Concrete Institute [2] Tia, M., Lawrence, A., Ferraro, C., Do, T A., Chen, Y (2013) Pilot project for maximum heat of mass concrete Florida Dept of Transportation, FL2013 [3] Tia, M., Lawrence, A., Do, T A., Verdugo, D., Han, S., Almarshoud, M (2016) Maximum heat of mass concrete-phase Florida Dept of Transportation, FL2016 [4] Do, T A., Lawrence, A M., Tia, M., Bergin, M J (2013) Importance of Insulation at the Bottom of Mass Concrete Placed on Soil with High Groundwater Transportation Research Record: Journal of the Transportation Research Board, 2342(1):113–120 [5] Nobuhiro, M., Kazuo, U (1987) Nonlinear thermal stress analysis of a massive concrete structure Computers & Structures, 26(1-2):287–296 [6] Radovanovic, S (1998) Thermal and structural finite element analysis of early-age mass concrete structures 149 Tú, Đ A., cs / Tạp chí Khoa học Công nghệ Xây dựng [7] Do, T A., Lawrence, A M., Tia, M., Bergin, M J (2014) Determination of Required Insulation for Preventing Early-Age Cracking in Mass Concrete Footings Transportation Research Record: Journal of the Transportation Research Board, 2441(1):91–97 [8] Do, T A., Chen, H L., Leon, G., Nguyen, T H (2019) A combined finite difference and finite element model for temperature and stress predictions of cast-in-place cap beam on precast columns Construction and Building Materials, 217:172–184 [9] Nguyen, C T., Do, T A., Hoang, T T., Tran, T D (2021) Evaluation of early-age cracking risk in mass concrete footings under different placement conditions Revista ingeniería de construcción, 36(1):5–13 [10] Do, T A., Tia, M., Nguyen, T H., Hoang, T T., Tran, T D (2021) Assessment of Temperature Evolution and Early-Age Thermal Cracking Risk in Segmental High-Strength Concrete Box Girder Diaphragms KSCE Journal of Civil Engineering, 26(1):166–182 [11] Do, T A., Verdugo, D., Tia, M., Hoang, T T (2021) Effect of volume-to-surface area ratio and heat of hydration on early-age thermal behavior of precast concrete segmental box girders Case Studies in Thermal Engineering, 28:101448 [12] Wu, S., Huang, D., Lin, F.-B., Zhao, H., Wang, P (2011) Estimation of cracking risk of concrete at early age based on thermal stress analysis Journal of Thermal Analysis and Calorimetry, 105(1):171–186 [13] Lin, Y., Chen, H.-L (2015) Thermal analysis and adiabatic calorimetry for early-age concrete members Journal of Thermal Analysis and Calorimetry, 122(2):937–945 [14] Yuan, Y., Wan, Z L (2002) Prediction of cracking within early-age concrete due to thermal, drying and creep behavior Cement and Concrete Research, 32(7):1053–1059 [15] Mansour, M Y., Dicleli, M., Lee, J Y., Zhang, J (2004) Predicting the shear strength of reinforced concrete beams using artificial neural networks Engineering Structures, 26(6):781–799 [16] Lai, S., Serra, M (1997) Concrete strength prediction by means of neural network Construction and Building Materials, 11(2):93–98 [17] Cook, R., Han, T., Childers, A., Ryckman, C., Khayat, K., Ma, H., Huang, J., Kumar, A (2021) Machine learning for high-fidelity prediction of cement hydration kinetics in blended systems Materials &Design, 208:109920 [18] Elshafey, A A., Dawood, N., Marzouk, H., Haddara, M (2013) Crack width in concrete using artificial neural networks Engineering Structures, 52:676–686 [19] Maity, D., Saha, A (2004) Damage assessment in structure from changes in static parameter using neural networks Sadhana, 29(3):315–327 [20] Tran-Ngoc, H., Khatir, S., Roeck, G D., Bui-Tien, T., Wahab, M A (2019) An efficient artificial neural network for damage detection in bridges and beam-like structures by improving training parameters using cuckoo search algorithm Engineering Structures, 199:109637 [21] Malekian, A., Chitsaz, N (2021) Concepts, procedures, and applications of artificial neural network models in streamflow forecasting Advances in Streamflow Forecasting, Elsevier, 115–147 [22] Levenberg, K (1944) A method for the solution of certain non-linear problems in least squares Quarterly of Applied Mathematics, 2(2):164–168 [23] Marquardt, D W (1963) An Algorithm for Least-Squares Estimation of Nonlinear Parameters Journal of the Society for Industrial and Applied Mathematics, 11(2):431–441 [24] Gavin, H P (2019) The Levenberg-Marquardt algorithm for nonlinear least squares curve-fitting problems Department of Civil and Environmental Engineering, Duke University, 19 [25] MacKay, D J C (1992) Bayesian Interpolation Neural Computation, 4(3):415–447 [26] Møller, M F (1993) A scaled conjugate gradient algorithm for fast supervised learning Neural Networks, 6(4):525–533 [27] Riding, K A., Poole, J L., Schindler, A K., Juenger, M C G., Folliard, K J (2014) Statistical Determination of Cracking Probability for Mass Concrete Journal of Materials in Civil Engineering, 26 (9) [28] Hải, B L., Thùy, A N., Hải, V M T (2021) Nghiên cứu ứng dụng mơ hình trí tuệ nhân tạo dự báo cường độ nén bê tông sử dụng cốt liệu tái chế Tạp chí Khoa học Giao thơng vận tải, 72(3):369–383 150 ... dụng ANN để dự đoán nứt nhiệt bê tơng tuổi sớm cơng trình cầu Nghiên cứu xây dựng mơ hình sử dụng mạng ANN để dự đoán khả nứt nhiệt (thông qua hệ số nứt) bê tông trụ cầu thời điểm xảy nứt Các mẫu... suất nhiệt cho kết cấu bê tông tuổi sớm Lin Chen [13] phát triển mơ hình phần tử hữu hạn sử dụng ABAQUS với trợ giúp chương trình để dự đốn trường nhiệt độ, ứng suất nhiệt rủi ro nứt bê tông tuổi. .. nguy nứt số kết cấu bê tông bệ trụ, cột, xà mũ trụ, mặt cầu đốt đúc dầm hộp [7–11] Wu cs [12] sử dụng phần mềm ANSYS tạo mơ hình truyền nhiệt cho bê tông xét đến đối lưu bề mặt – nhằm mô tả mát nhiệt