Untitled 3862(11) 11 2020 Khoa học Kỹ thuật và Công nghệ Đặt vấn đề Hệ số cố kết (Cv) là một trong những thông số đất nền quan trọng dùng để dự báo lún cố kết nền đất yếu dưới tác dụng của tải trọng,[.]
Khoa học Kỹ thuật Công nghệ Nghiên cứu ứng dụng học máy dự báo hệ số cố kết đất yếu số khu vực ven biển Bắc Bộ Nguyễn Đức Mạnh*, Hồ Sỹ An, Phạm Bá Khải, Nguyễn Đình Trung, Lê Anh Đức Trường Đại học Giao thông Vận tải Ngày nhận 12/5/2020; ngày chuyển phản biện 15/5/2020; ngày nhận phản biện 22/6/2020; ngày chấp nhận đăng 1/7/2020 Tóm tắt: Trong nghiên cứu này, hệ số cố kết (Cv) đất yếu số khu vực ven biển Quảng Ninh, Hải Phòng Thái Bình dự báo phương pháp học máy - kỹ thuật trí tuệ nhân tạo thơng qua mơ hình học máy: hỗ trợ hồi quy véc tơ - Support Vector Regression (SVR); mạng thần kinh nhân tạo đa lớp tri giác - Artificial Neural Network Mutilayer Perceptron (ANN MLP); hồi quy sườn bên - Ridge Regression (RR) Các mơ hình xây dựng ngơn ngữ lập trình Python thư viện hỗ trợ Scikit-learn Số liệu sử dụng gồm 133 mẫu đất yếu thu thập từ cơng trình thực tế, lấy từ độ sâu khác (m) phân tích phịng thí nghiệm nhằm xác định thơng số: hàm lượng sét (%), hàm lượng bụi (%), giới hạn chảy (%), giới hạn dẻo (%), số dẻo (%), độ sệt, độ ẩm (%), khối lượng thể tích tự nhiên (g/cm3), khối lượng thể tích khơ (g/cm3), khối lượng riêng (g/cm3), độ rỗng (%), độ bão hòa (%), hệ số rỗng Để dự báo Cv, 15 thông số đầu vào phân tích tương quan Sau loại bỏ thơng số khơng có quan hệ chặt với Cv, thơng số có quan hệ chặt xác định gồm: giới hạn chảy, độ ẩm, khối lượng thể tích tự nhiên, khối lượng thể tích khơ, độ rỗng, hệ số rỗng Để dự báo cho máy học, tiến hành xây dựng mơ hình chung với 70% liệu học 30% liệu kiểm tra Hiệu suất mô hình kiểm tra hệ số: giá trị trung bình tổng trị tuyệt đối sai số - Mean Absolute Error (MAE); độ lệch tiêu chuẩn sai số - Root Mean Square Error (RMSE); hệ số tương quan R - Correlation coefficient (R); hệ số xác định - Coefficient of determination (R2) Kết mơ hình nghiên cứu thể hiệu suất mơ hình học máy khác với R2 biến thiên từ 0,7899 đến 0,8737, đảm bảo quan hệ chặt Nghiên cứu hiệu suất mơ hình ANN MLP tốt với kết hệ số: R2=0,8737, MAE=0,2196, RMSE=0,2678 R=0,9367 tốt mơ hình sử dụng Từ khóa: ANN MLP, đất yếu, hệ số cố kết, học máy, RR, SVR Chỉ số phân loại: 2.1 Đặt vấn đề Hệ số cố kết (Cv) thông số đất quan trọng dùng để dự báo lún cố kết đất yếu tác dụng tải trọng, đặc biệt cần thiết tính tốn thiết kế xử lý đất yếu xây dựng giao thơng [1, 2] Nó tỷ lệ với tốc độ giảm áp lực nước lỗ rỗng phản ánh tốc độ lún cố kết đất yếu [1, 2] Thông thường, Cv xác định trực tiếp thí nghiệm địa kỹ thuật phòng mẫu đất lấy từ lỗ khoan thăm dò [3, 4] Việc lấy bảo quản mẫu đất trước thí nghiệm thường có nhiều khó khăn, dễ tính nguyên trạng, đặc biệt với mẫu đất yếu lấy từ độ sâu lớn [5, 6] Ảnh hưởng lớp cát hay cát pha mỏng nằm xen kẽ đất yếu làm cho việc xác định xác Cv phịng thí nghiệm thêm khó khăn dễ sai số lớn [7] Để thay cho thí nghiệm phịng mẫu đất, thí nghiệm trường xác định thơng qua tương quan thực nghiệm hay bán thực nghiệm phát triển để dự đoán Cv [4, 8] Những tương quan dựa * việc cải tiến phân tích hồi quy [9] Tuy nhiên, phương pháp hồi quy có giới hạn cấu trúc mơ hình dựa hay số phương trình tuyến tính phi tuyến [10, 11] Trong cách mạng số ngày nay, học máy (Machine Learning) hay trí tuệ nhân tạo (Artificial Intelligent) ứng dụng rộng rãi nhiều lĩnh vực bao gồm địa kỹ thuật, để dự báo trượt lở đất [12-14], dự đoán lũ lụt [15], dự báo trữ lượng nước ngầm [16, 17] dự đốn tính chất vật liệu đất [18-24] Trong nghiên cứu này, thơng số lựa chọn dự đốn Cv đất yếu số khu vực ven biển Quảng Ninh, Hải Phịng Thái Bình việc sử dụng ba phương pháp học máy hỗ trợ hồi quy véc tơ - Support Vector Regression (SVR); mạng thần kinh nhân tạo đa lớp tri giác Artificial Neural Network Mutilayer Perceptron (ANN MLP); hồi quy sườn bên - Ridge Regression (RR) Kết mơ hình dự báo kiểm tra phương pháp thống kê tiêu chuẩn như: giá trị trung bình tổng trị tuyệt đối sai số - Mean Absolute Error (MAE); độ lệch tiêu Tác giả liên hệ: Email: nguyenducmanh@utc.edu.vn 62(11) 11.2020 38 Khoa học Kỹ thuật Công nghệ Prediction of consolidation coefficient of soft soil using machine learning in some areas of North coast Vietnam Duc Manh Nguyen*, Sy An Ho, Ba Khai Pham, Dinh Trung Nguyen, Anh Duc Le University of Transport and Communications Received 12 May 2020; accepted July 2020 Abstract: The main object of this study is to accurately predict the consolidation coefficient (Cv) of soft soil in some areas of Quang Ninh, Hai Phong, and Thai Binh provinces using machine learning methods: Support Vector Regression (SVR), Artificial Neural Network Multilayer Perceptron (ANN MLP), and Ridge Regression (RR) These methods are built on the Python programming language and the Scikit-learn library The data for this study includes 133 soil samples that were collected from the construction site in North coast Vietnam These samples at various depth (m) were analysed in the laboratory for the determination of clay content (%), silt content (%), liquid limit (%), plastic limit (%), plasticity index (%), liquidity index, moisture content (%), wet density (g/cm3), dry density (g/cm3), specific gravity (g/cm3), porosity (%), degree of saturation (%), and void ratio In addition, the authors have analysed the correlation of 15 parameters in predicting Cv After removing parameters which have a weak correlation with Cv, there were parameters that were strongly correlated with Cv including liquid limit, moisture content, wet density, dry density, porosity, and void ratio For prediction Cv, the authors built a model with 70% of learning data and 30% of test data The performance of the models was validated using Mean Absolute Error (MAE), Root Mean Square Error (RMSE) Correlation coefficient (R), and Coefficient of determination (R2) Results of the models’ study showed that the performance of the models using different methods is much different where R2-value varies from 0.7899 to 0.8737 The present study suggested that the ANN MLP model has the highest predictive capability in models with the corresponding results of the coefficients: R2=0.8737, MAE=0.2196, RMSE=0.2678, and R=0.9367 Keywords: artificial neural network multilayer perceptron (ANN MLP), consolidation coefficient, machine learning, ridge regression (RR), soft soil, support vector regression (SVR) Classification number: 2.1 62(11) 11.2020 chuẩn sai số - Root Mean Square Error (RMSE); hệ số tương quan R - Correlation coefficient (R); hệ số xác định - Coefficient of determination (R2) Dữ liệu phương pháp sử dụng dự báo Dữ liệu sử dụng Trong nghiên cứu này, tổng cộng 133 mẫu đất yếu bùn sét pha thu thập từ cơng trình thực tế tin cậy số mẫu thí nghiệm bổ sung kiểm chứng số khu vực ven biển từ Quảng Ninh đến Nam Định, với đầy đủ tiêu xác định phịng thí nghiệm sử dụng làm sở liệu xây dựng mơ hình dự báo Các thơng số đất xem xét sử dụng phân tích nghiên cứu bao gồm: độ sâu lấy mẫu (m), hàm lượng hạt sét (%), hàm lượng hạt bụi (%), giới hạn chảy (%), giới hạn dẻo (%), số dẻo (%), độ sệt, độ ẩm (%), khối lượng thể tích tự nhiên (g/cm3), khối lượng thể tích khơ (g/cm3), khối lượng riêng hạt (g/cm3), độ rỗng (%), độ bão hịa (%), hệ số rỗng Các thơng số coi biến đầu vào độc lập tương ứng X1, X2, X3, X4, X5, X6, X7, X8, X9, X10, X11, X12, X13, X14, X15 nhằm xác định biến đầu phụ thuộc Cv (Y) Dữ liệu thu thập chia ngẫu nhiên thành hai phần tập liệu học (70%), dùng để tập luyện cho máy tập liệu kiểm tra (30%) nhằm đánh giá hiệu suất mơ hình Các mơ hình xây dựng ngơn ngữ lập trình Python thư viện hỗ trợ Scikit-learn Bảng Dữ liệu đầu vào đầu sử dụng nghiên cứu STT Thông số Giá trị lớn Giá trị nhỏ Trung bình Độ lệch tiêu chuẩn X1 35,40 1,2 11,04466 6,938565 X2 36,00 11,62752 6,949414 X3 53,00 4,5 27,28947 9,863118 X4 76,20 18 52,7218 12,09864 X5 77,00 28,57 53,09496 10,83319 X6 39,96 15,06 26,95699 4,659818 X7 47,15 9,40 26,13797 7,917158 X8 1,66 0,35 0,862932 0,200529 X9 70,65 22,55 49,19586 10,09728 10 X10 2,02 1,52 1,706767 0,088374 11 X11 1,65 0,91 1,152707 0,141143 12 X12 2,73 2,65 2,694361 0,017596 13 X13 66,30 38,88 57,21278 5,268267 14 X14 99,95 84,11 96,64316 2,856277 15 X15 1,967 0,636 1,370263 0,273962 16 Y 3,37 0,31 1,274286 0,713631 Phân tích phân phối 133 mẫu cho 15 thơng số biến đầu vào (X1-X15) biến đầu (Y) cho thấy, thông số biến thiên khoảng giá trị khác (bảng hình đại diện 1, 2, 3, 4): độ sâu lấy mẫu (X1) biến thiên từ 1,2 đến 35,4 m; độ sâu lấy mẫu (X2) biến thiên từ đến 36 m; hàm lượng 39 Khoa học Kỹ thuật Công nghệ sét (X3) mẫu đất từ 4,5 đến 53%; hàm lượng bụi mẫu đất (X4) từ 18 đến 76,2%; giới hạn chảy (X5) từ 28,57 đến 77%; giới hạn dẻo (X6) từ 15,06 đến 39,96%; số dẻo (X7) từ 9,4 đến 47,15%; độ sệt (X8) từ 0,35 đến 1,66; độ ẩm (X9) từ 22,55 đến 70,65%; khối lượng thể tích tự nhiên (X10) từ 1,52 đến 2,02 g/cm3; khối lượng thể tích khơ (X11) từ 0,91 đến 1,65 g/cm3; khối lượng riêng hạt (X12) từ 2,65 đến 2,73 g/cm3; độ rỗng (X13) từ 38,88 đến 66,3%; độ bão hòa (X14) từ 84,11 đến 99,95%; hệ số rỗng (X15) từ 0,636 đến 1,967 hệ số cố kết Cv (Y) biến thiên 0,31 đến 3,37 [25-30] Độ lệch tiêu chuẩn lớn thuộc thông số hàm lượng hạt bụi (X4, độ lệch tiêu chuẩn 12,09864), nhỏ khối lượng riêng hạt đất (X12, 0,017596) Hình Biến thiên giá trị giới hạn Hình Biến thiên giá trị độ chảy ẩm Hình Biến thiên giá trị hệ số Hình Biến thiên giá trị Cv rỗng từ thí nghiệm Cơng cụ phương pháp sử dụng Python ngơn ngữ lập trình thơng dịch (interpreted), hướng đối tượng (object-oriented), ngôn ngữ bậc cao (high-level) ngữ nghĩa động (dynamic semantics) Python hỗ trợ module gói (packages), khuyến khích chương trình module hóa tái sử dụng mã Trình thơng dịch Python thư viện chuẩn mở rộng có sẵn dạng mã nguồn dạng nhị phân miễn phí cho tất tảng phân phối tự [30] Cùng với đó, Scikit-learn thư viện tài nguyên mở dùng cho học máy, hỗ trợ học máy có giám sát (supervised learning) học máy khơng giám sát (unsupervised learning) Nó cung cấp nhiều cơng cụ dùng cho làm khớp mơ hình (model fitting), tiền xử lý liệu (data preprocessing), lựa chọn mơ hình nhiều tiện ích khác [31-33] Thuật tốn Support Vector Regression (SVR) Support Vector Regression (SVR) thuật toán nằm thuật toán Support Vector Machine (SVM) dùng để giải vấn đề hồi quy [34-37] Thay giảm thiểu lỗi trình huấn luyện, SVR cố gắng giảm thiểu lỗi tổng 62(11) 11.2020 quát bị ràng buộc để đạt hiệu xuất tổng thể Ý tưởng SVR dựa tính tốn hàm hồi quy tuyến tính, khơng gian đặc trưng chiều cao nơi liệu đầu vào hàm phi tuyến (non-linear function) SVR áp dụng lĩnh vực khác phân tích dự đốn theo chuỗi thời gian tài (lọc nhiễu rủi ro), xấp xỉ phân tích kỹ thuật phức tạp, lập trình lựa chọn hàm mát SVR sử dụng nguyên tắc tương tự cho phân loại (classification) sử dụng thêm loại hàm mát Với tập liệu huấn luyện định, biểu thị không gian vectơ, liệu mẫu điểm Phương thức tốt nhất, chia điểm không gian thành hai lớp riêng biệt, tương ứng với (lớp) + (lớp) - (phân loại nhị phân) Đặc trưng siêu phẳng xác định khoảng cách (được gọi ranh giới) điểm liệu gần lớp với mặt phẳng Do đó, ranh giới rộng cho thấy mặt phẳng phân chia phân loại xác Mục tiêu phương pháp SVR tìm khoảng cách ranh giới tối đa Trong nghiên cứu này, xác định giá trị cho tham số SVR thơng qua q trình thử - lỗi Ý tưởng SVR ánh xạ không gian đầu vào sang không gian đặc trưng nhiều chiều mà ta áp dụng hồi quy tuyến tính Đặc điểm SVR cho ta giải pháp thưa (sparse solution): nghĩa để xây dựng hàm hồi quy, ta không cần phải sử dụng hết toàn tất điểm liệu huấn luyện Những điểm biên đóng góp vào việc xây dựng hàm hồi quy gọi Support Vector Việc phân lớp cho tập liệu phụ thuộc vào Support Vector Dữ liệu học đưa vào dạng [(x1, t1),… (xn, tn)] ⊂ R × R , n biểu thị khơng gian mẫu đầu vào Dựa vào quan hệ ε - SVR , mục tiêu tìm hàm f x có độ lệch ε với mục tiêu tj cho tất tập liệu huấn luyện đồng thời phẳng tốt Do hàm hồi quy cần có dạng: y = f x = w T Φ ( x) + b Trong đó: w ∈ R vector trọng số; T ký hiệu chuyển vị; b ∈ R số: x ∈ R n vector đầu vào; Φ ( x) ∈ R m vector đặc trưng; Φ hàm ánh xạ từ không gian đầu vào sang không gian đặc trưng (hình 5) Như để tìm w b ta N λ phải tối thiểu hóa hàm lỗi chuẩn hóa: ∑ {yn - tn } + w 2 với λ số chuẩn hóa m Để có giải pháp thưa, ta thay hàm lỗi insensitive (hình 6) hàm lỗi ε -insensitive Đặc điểm hàm lỗi giá trị tuyệt đối sai khác giá trị dự đốn y(x) giá trị đích nhỏ ε (với ε > ) coi độ lỗi Như vậyn ta phải tối thiểu hóa hàm lỗi chuẩn hóa sau: C ∑ Eε ( y ( xn ) - tn ) + w T Với yn =w Φ ( xn ) + b, C số chuẩn hóa giống λ nhân với hàm lỗi thay w 40 Khoa học Kỹ thuật Cơng nghệ Hình Biến đổi khơng gian Hình Sơ đồ nguyên lý thuật liệu sang không gian đặc toán SVR sử dụng hàm lỗi ε-insensitive trưng (thủ thuật Kernel) Với SVR sử dụng hàm lỗi ε-insensitive hàm nhân Gaussian ta có ba tham số cần tìm: hệ số chuẩn hóa C, tham số γ hàm nhân Gaussian độ rộng ống ε Cả ba tham số ảnh hưởng đến độ xác dự đốn mơ hình cần phải chọn lựa kỹ Nếu C lớn ưu tiên vào phần độ lỗi huấn luyện, dẫn đến mô hình phức tạp, dễ bị q khớp Cịn C nhỏ lại ưu tiên vào phần độ phức tạp mơ hình, dẫn đến mơ hình q đơn giản, giảm độ xác dự đốn Ý nghĩa ε tương tự C Nếu ε q lớn có vectơ hỗ trợ, làm cho mơ hình q đơn giản Ngược lại, ε q nhỏ có nhiều vectơ hỗ trợ, dẫn đến mơ hình phức tạp, dễ bị khớp Tham số phản ánh mối tương quan vectơ hỗ trợ nên ảnh hưởng đến độ xác dự đốn mơ hình Mạng nơ ron nhân tạo (Artificial Neural Network Mutilayer Perceptron - ANN MLP) Mạng nơ ron nhân tạo (ANN) tập hợp nút liên kết với nhằm giải thích giải vấn đề có mối quan hệ phức tạp biến độc lập đầu vào biến phụ thuộc đầu [35] Mạng perceptron đa lớp (MLP) mạng nơ ron nhân tạo, hay kỹ thuật mạng nơ ron nhân tạo hiệu mơ hình dự đốn Do sử dụng mơ hình chuẩn nhiều nhà nghiên cứu [36] ANN MLP có khả mơ q trình phi tuyến phức tạp giới thực Trong nghiên cứu này, ANN MLP sử dụng để phân tích dự đoán hệ số cố kết Cv Cơ bản, ANN MLP mơ hình chuyển tiếp bao gồm lớp đầu vào, hay nhiều lớp ẩn lớp đầu hình sử dụng cho tính tốn lớp đầu đại diện cho mục đích mơ hình Mỗi nút lớp ẩn phải kết nối với tất nút lớp đầu vào, nút lớp đầu phải kết nối với toàn nút lớp ẩn Thơng qua liên kết này, q trình hoạt động ANN MLP chia hai bước: truyền thẳng truyền ngược sử dụng thuật toán truyền ngược Đối với mục đích mơ hình hóa hàm với biến dự đoán, ANN MLP sử dụng để tổng quát hóa hàm phi tuyến f:X∈RD→Y∈R1 Hàm f thể ngắn gọn thơng qua phương trình sau [35]: f(X)=b2+W2× (fA (b1+W1×1)) Với W1 W2 ma trận trọng số lớp ẩn lớp đầu b1= [b11,b12,…,b1N]; biểu thị véc tơ “bias” lớp ẩn, b2 vec tơ “bias” lớp đầu ra; fA biểu thị hàm kích hoạt Một hàm kích hoạt phổ biến sử dụng Sigmoid, Tanh Relu Trong nghiên cứu này, sử dụng mạng nơ ron nhân tạo ANN MLP có lớp ẩn với số nút lớp ẩn 16,10,14 sử dụng hàm kích hoạt Sigmoid Ridge Regression (RR) Mơ hình Ridge Regression (RR) phương pháp áp dụng liệu gặp vấn đề đa cộng tuyến biến độc lập x có mối liên hệ với nhau, ảnh hưởng lên kết dự báo y, hay giải vấn đề Overfifting (mơ hình áp dụng tốt cho liệu học (training) không hoạt động tốt liệu kiểm tra (test) mà mô hình hồi quy tuyến tính thơng thường gặp phải) [36] Phương trình tổng quát linear regression: y = β0+β1 x1+β2 x2+ +βn xn+ϵ Ta thấy giá trị ϵ cuối phương trình Đây sai số phương trình hồi quy, chênh lệch kết dự báo kết thực tế Các sai số chia thành phần: Biased (thiên lệch), Variance (phương sai) Biased trường hợp mơ hình phân tích khơng khớp, khơng đem lại kết xác tập liệu học tập (training) Variance liệu thử (test) Mối quan hệ đánh đổi Biased Variance xét mức độ phức tạp mơ hình minh họa hình Hình Minh họa ANN MLP với lớp ẩn Nói chung, số lượng nút đầu vào phụ thuộc vào thông số lựa chọn nguồn liệu sử dụng, số lượng nơ ron ẩn xác định dựa tập liệu dùng cho học máy trường hợp cụ thể Số lượng lớp ẩn 62(11) 11.2020 Hình Mối quan hệ đánh đổi bias variance 41 Khoa học Kỹ thuật Cơng nghệ RR mơ hình hồi quy phân tích mối quan hệ biến độc lập biến phụ thuộc sử dụng phương pháp Regularization, điều chỉnh mô hình cho giảm thiểu vấn đề Overfitting, tối ưu hay kiểm sốt mức độ phức tạp mơ hình để cân đối Biased Variance, qua giảm sai số mơ hình Do vậy, sử dụng mơ hình hồi quy sườn bên (Ridge Regression) vào việc dự báo hệ số cố kết Cv đất xem xét nghiên cứu Hình 10 Mức độ tương quan biến độc lập biến phụ thuộc sử dụng công cụ Seaborn Lựa chọn thông số đầu vào Tổng cộng 15 thông số đầu vào lựa chọn bao gồm hầu hết tiêu vật lý mẫu đất thu từ thí nghiệm phịng (bảng 1) Tuy nhiên có số biến đầu vào có mối quan hệ chặt chẽ với kết đầu cần dự báo Cv Thông qua q trình này, cho phép loại bỏ biến khơng có quan hệ chặt với kết đầu (Cv) Từ thời gian xử lý mơ hình giảm xuống, đồng thời hiệu suất mơ hình cải thiện Hình 11 Mức độ tương quan biến độc lập biến phụ thuộc sử dụng cơng cụ Extra Trees Regressor Các hình 10 11 thể kết phân tích hai công cụ khác để lựa chọn thông số đầu vào dự báo, biến độc lập có mối quan hệ chặt chẽ với Cv (Y) gồm: X5, X9, X10, X13, X11, X15 tương ứng giới hạn chảy, độ ẩm, khối lượng thể tích tự nhiên, độ rỗng, hệ số rỗng, khối lượng thể tích khơ Sử dụng cơng cụ Seaborn Scikit-learn để lựa chọn thông số đầu vào: Xây dựng đánh giá hiệu suất mơ hình Trong nghiên cứu này, sử dụng công cụ Seaborn Scikit-learn nhằm tạo “Biểu đồ nhiệt” (heat map) thể mối tương quan biến mơ hình Trong nghiên cứu này, thực bước cho mơ hình học máy để dự báo Cv đất yếu khu vực nghiên cứu (hình 12), gồm: (1) Chuẩn bị tiền xử lý số liệu, loại bỏ nhiễu (133 mẫu đất có tiêu thí nghiệm cho 15 thơng số đầu vào từ X1 đến X15 tiêu lý đất) biến đầu phụ thuộc Y (Cv); (2) Loại bỏ biến độc lập có mối quan hệ khơng chặt với biến phụ thuộc Y (từ 15 biến X ban đầu, sau xử lý xuống cịn biến X) (hình 10 11); (3) Tiến hành học máy dự đoán Cv, đánh giá hiệu suất mơ hình dựa vào thơng số RMSE, MAE, R R2 Từ heat map thành lập biểu đồ thể mức độ tương quan biến độc lập biến phụ thuộc lấy từ bảng thể hình Xây dựng mơ hình Biến độc lập (X) Giới hạn chảy (X5) Độ ẩm (X9) Khối lượng thể tích tự nhiên (X10) Dữ liệu đầu vào: Tiền xử lý số liệu 15 thông số lý Loại nhiễu, bớt đất thông số không tương quan Khối lượng thể tích khơ (X11) Độ rỗng (X13) Hệ số rỗng (X15) Biến phụ thuộc (Y) Hệ số cố kết (Cv) 70% mẫu huấn luyện 30% kiểm tra, đánh giá mơ hình Mơ hình huấn luyện Đánh giá mơ hình MAE, RMSE, R2, R Mơ hình có tốt hay khơng? Hình 12 Sơ đồ xây dựng mơ hình học máy để dự báo Cv Đánh giá hiệu suất mơ hình Hình Heat map thể mức độ tương quan biến nghiên cứu Sử dụng công cụ Extra Trees Regressor Scikit-learn: Sử dụng công cụ Extra Trees Regressor Scikit-learn nhằm tạo biểu đồ thể mối tương quan biến mơ hình so sánh kết với heat map (hình 10, 11) 62(11) 11.2020 Một mơ hình đánh giá tốt sử dụng biến đầu vào Xi cho giá trị dự báo Ypred sát với giá trị Ytest thực tế xác định Để đánh giá hiệu suất mơ hình học máy, sử dụng thông số (1) Root Mean Square Error (RMSE), (2) Mean Absolute Error (MAE), (3) Coefficient of Determine (R2) (4) Correlation Coefficient (R) RMSE thể độ lệch tiêu chuẩn sai số mơ hình 42 xây dựng mơ hình học máy để dự báo Cv hiệu suất mơ hình hình đánh giá tốt sử dụng biến đầu vào X cho Ypred sát với giá trị Ytest thực tế xác định Để đánh giá hiệu ô hình học máy, sử dụng thơng số (1) Root Mean Square (2) Mean Absolute Error (MAE), (3) Coefficient of Determine relation Coefficient (R) MAE giá trị trung bình Khoa học Kỹ thuật Cơng nghệ tổng trị tuyệt đối sai số mà mô hình hể độ lệch tiêu Nó sai sốđược mơ hình dự đốn Nó qua cơng thức: dựchuẩn đốn xác định thơng dự đốn Nó xác định thông qua công thức: thông qua công thức: √ ∑ ( ) ; ∑ của| y, ypred ố lượng mẫu kiểm tra, ytest giá trị xác định nh dự đốn |; m số lượng mẫu kiểm m số lượng mẫu kiểm tra, ytest giá trị giá trị hình dự đốn xác định củalày,giá ypredtrị tra, ytest đãmôxác định y, ypred giá trị mơ hình dự đốn giá trị trung bình tổngcác trị trị tuyệt đối làbình giá trị trung tổng trị trị tuyệt đối sai sốsai màsốvà mơ hình MAEMAE giá trịMAE trung tuyệt đối sai số15 màGiá mơ hình 2tổng bình Hình trị C dự đốn giáhiện trịmơ thật sử dụng mơ hình RR MAE làdự giá trị bình tổng tuyệt đối mà hình v nhằm bình số biến đổi từ đối đến thể hiệu ệ hình số xác định Rtrung sai số mà MAE mơ đốn Nó xácthơng định thơng qua giá trị trung tổng trị tuyệt sai số mà mơ hình dự đốn Nó xác định thơng qua cơng thức: dự đốn.cơng Nó xác định thông qua công thức: thức: Kết đánh giá hiệu suất mơ hình sử dụng dựđốn đốn Nóđược xác định thơng quathể cơng thức:xác định thơng qua cơng thức: suất Nó mơ hìnhxác dự định đốn Nó qua có dự thơng cơng thức: nghiên cứu thu giá trị tốt với tất mơ hình ∑ ∑ (| |) là|;giá đóbáo msử làdụng, sốkiểm lượng kiểm MAE ∑ MAE trị trung bình tổng trị củaCsai số mơ màhình mơ SVR hình m|;là số dự lượng mẫu cụ tuyệt thể:mẫu khiđối dự báo v ; m số lượng mẫu kiểm tra, y giá ∑ | | ; m số lượng mẫu kiểm test trị RMSE=0,345, MAE=0,285, R =0,7899, R=0,9102; ∑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ |y, |thơng ;làtrong m sốdựlượng ∑ giá (dự )xác đốn định qua cơng thức: y làđã trịđịnh đãNó định củatrị y, ypred giáthì trịdự dođốn mơ hình đốn mẫu kiểm tra, ytest giá tra, trị xác yđược xác giá mơ hình đó, m test số lượng mẫu kiểm tra, pred ytest giá trị với mơ hình ANN MLP RMSE=0,2678, MAE=0,2196, tra, giá trịđúng định y,yytổng giá trịtuyệt domơ mơ hình dự đốn MAE làcủa giáđã trị2xác trung bình trị đối củadự sai sốtrịmàtrung mơ hình test predlàlà giá trịcủa mơ hình dự đốn, ⃑⃑⃑⃑⃑⃑⃑⃑ định y,đã yxác trị tra, yytest định y,do giá hình đốn pred giá trị mơ hình dựgiá đốn xác định củalàxác y,giá ypred =0,8737, R=0,9367; cịn mơhiệu hình RR có RMSE=0,3359, R pred trị thơng số biến đổi từ đến nhằm thể ệ số xác định R thông số biến đổi từ đến nhằm thể hiệu ệ số xác định R ∑ qua |đến |; Rtrong R=0,9025 m số(bảng lượng dự đốn Nó xác thơng cơng thức: =0,8011, 2) mẫu kiểm MAE=0,2791, bình mẫu tra định làkiểm mộtdự thông sốđược biến đổi từđịnh 0sốđược xác Hệsuất số xác định R2hình 2đốn mơ Nó định thơng qua công thức: thông biến đổi từ đến nhằm thể hiệu ệ số xác định R suất mơ hình dự đốn Nó xác thông qua công thức: thông sốxác biến đổi từ 2.0y, đến hiệu nhằm thể hiệu dự đốn ệ sốhiệu xáctra, định Rmơ nhằm thể suất hình dựđúng đốn Nó có thểđịnh Bảng So suấttrị mơ hình.hình ycủa làđốn giá trị ysánh giá mơ test pred ∑ )hình ( ) ∑suất ( mơ dự Nó xác định thông qua công thức: ∑ định thông qua công thức: |số lượng |xác ;tra, đóhình mtra, số mẫu ệmô số tương quan R giá quan hai biến hệ.kiểm suấtxáccủa hình dự đốn cóđótương thể thơng cơng thức: ; Nó mmẫu làđược số lượng mẫu kiểm yqua làlượng giáquan trị ; m đánh kiểm yđịnh giá trịlàsố test STT RMSE MAE R R2 testMô ∑ ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ ( ) ∑ ( ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ )( ∑ )hiện Nó2 tra, thể thơng qua cơng thức sau: thông số biến đổi từ đến nhằm thể hiệu ệ số xác định R ∑ là( giá trị đúng) đã; xác giá SVR 0,345 ytest định y⃑⃑⃑⃑⃑⃑⃑⃑ trị⃑⃑⃑⃑⃑⃑⃑⃑ mô hình dự đốn pred m lày,sốsố lượng mẫu kiểm tra, ytest là0,285 giátrịtrị0,9102 0,7899 giá trị mơ hình dự đốn, giá trị trung đúngcủa xác định y, y giá trị trung giá trị mơ hình dự đốn, xácR định y, y pred ; m lượng mẫu kiểm tra, y giá pred test sai ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ (MAE ) hình ∑ ∑ (suất ̅̅̅̅̅̅̅ ̅̅̅̅̅̅̅̅̅ giá trung củaNó tổng trị tuyệt đối số màqua mơcơng hình 2cócác ANN MLP xác 0,2678 0,2196 0,9367 0,8737 mơ dựbình đốn định thơng thức: ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ ) trị ; mthểlà số lượng mẫu kiểm tra, bìnhkiểm ∑các bình mẫu tra.mẫu kiểm tra RR 0,3359 0,2791 0,9025 0,8011 thông số biến đổi từ đến nhằm thể hiệu ệ số xác định R giá trị mô hình dự đốn, giá trị trung ⃑⃑⃑⃑⃑⃑⃑⃑ xác định y, y dự Nó )y, xác cơngdựthức: pred √∑pred √∑ xác ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ ( đốn ( định ) ) quahình giágiá⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ trị đốn, ⃑⃑⃑⃑⃑⃑⃑⃑ giá trị trung địnhmẫu m số lượng kiểmytra, ylà trị đúngmơ đãtrong ; m số lượng mẫu kiểm tra, ytestmơlàhình giá sử trị test suất mơ hình dự đốn Nó xác định thông quahệ công thức: Kết đánh giá hiệuquan suất dự báo ệ số tương quan R đánh giá tương quan hai biến số bình mẫu kiểm tra ệ số tương quan R đánh giá tương quan hai biến số quan hệ ∑ ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ ( ) giá giá trị mơ hình dự đốn, xác định y, y bình mẫu kiểm tra pred y, ypred giá trị mơ hình dự đoán, ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ giá trị ytest giá trị dụng nghiên cứu MAE,mẫu R haykiểm R2 cho ∑) Nóbìnhthể thể thơng qua thức sau: | thơng |trong ; cơng mnày RMSE, số lượng Nó qua cơng thức sau: trị trung các∑đúng mẫu( kiểm tra giá trị mô hình dự đốn, giá trị trung ⃑⃑⃑⃑⃑⃑⃑⃑ xác định y, y pred qua kết tốt, chứng tỏ độ tin cậy cao dự báo C ; giá đótrung mquan làbình sốgiữa lượng mẫu kiểm tra, yquan giá trị v thông ệ̅̅̅̅̅̅̅̅̅ số tương quan R đánh tương hai biến sốdự test làhệ ∑ mẫu ̅̅̅̅̅̅̅̅̅ ̅̅̅̅̅̅̅ ∑bình củaệcác ̅̅̅̅̅̅̅ ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ giá trị mẫu đoán kiểm tra, số tương quan R đánh giá tương quan hai biến số quan hệ ∑ ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ ( ) Hệ số tương quan R đánh giá tương quan hai biến số tiêu vật lý dễ xác định khác có Riêng với hệ ; số lượng kiểm tra,dự đốn tra, ytest giá đãkiểm xác định y, m ymẫu giá trịmẫu mơ hình ; mtra sốcủa lượng kiểm tra, pred bình củatrị mẫu Nó thể thơng qua cơng thức sau: √ số quan hệ Nó thể thơng qua công thức sau: √ ∑ ∑ √ ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ ( ) ( ) , kết thay đổi thừ 0,7899 đến 0,8737 Kết số xác định R √∑ Nó ∑ (định ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ )hiện ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ ( ) xác thể quahình dự cơng thứclà giá sau: thơng giá trị mơ đốn, ⃑⃑⃑⃑⃑⃑⃑⃑ trị trung y, ypredphân ết dự báo hệ số̅̅̅̅̅̅̅̅̅)( cố kết tích cho thấy rằng, độ xác cảhiện mơhiệu hình sử ∑ ( ̅̅̅̅̅̅̅) thông số biến đổi từ đến nhằm thể ệ số xác định R ∑ ̅̅̅̅̅̅̅ ̅̅̅̅̅̅̅̅̅ y giá trị giá trị y, y giá trị mơ hình dự đốn, ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ ệ số tương quan R đánh giá tương quan hai biến số vực quan hệ ytest giá trị giá trị y, y giá trị mơ hình dự đốn, ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ R test pred ; m số lượng mẫu kiểm tra, bình cácpred mẫu kiểm tra đất yếu khu ven biển Bắc dụng dự đoán C ; m số lượng vmẫu kiểm tra, Sử dụng ba mơ hình SVR, ANN MLP nêu trên, với số √∑ dự √ ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑Nó suất mơ hình cómẫu thể xác định qua SVR cơng thức: ( ( đốn ) Nó thể thơng qua công thức Bộdự khác không lớn,thông mô hình có độ sau: xác √ √∑∑ làbình giá bình mẫu dự đốn bình mẫu kiểm tra, ∑trị⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑trị ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ ( ( ) trung ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ là) )giá trung đốn bình mẫu kiểm tra,của =0,7899), thấp nghiên cứu (R liệu sau chuẩnệ hóa gồm 6quan biếnRđộc lập (X5, X9,̅̅̅̅̅̅̅ X10,giữa X13,hai X11, X15) có tương số tương đánh tương quan biến số quan hệ ̅̅̅̅̅̅̅̅̅ ∑của( ∑ ) giá ytestđólàết giá trị làmgiá giá trị y, y giá trị mô hình dự đốn, ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ số lượng mẫu kiểm tra, y giá trị pred test ; m số lượng mẫu kiểm tra, y trị y, y giá trị mơ hình dự đốn, ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ giá trị mơ hình ANN MLP đạt hiệu suất cao trong, dự đốn ;tích mhọc làqua số lượng mẫu kiểm tra,trình ytest sau: giá trị báohành hệphân sốdự cốtích kết phân ết dự hệ sốvàdự cốtiến kết testbáochặt pred quan sơ đồ mơ hình máy cơng xây dựng thông thức ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ (( báo )là)giá trị giá trịđược mơ hình dự đốn,theo y, yNó √∑ √∑∑ thể (R =0,8737) C ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ ( ) pred v ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ giá trịtrung trung bình mẫu dự đốn bình mẫu kiểm tra, Sử dụng ba hình SVR, ANN MLP nêu trên, với ∑ ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ giá trị bình dự đốn ̅̅̅̅̅̅̅̅̅)( ̅̅̅̅̅̅̅ bình mẫu kiểm tra, Sử dụng ba mơ hình ANN MLP đãvàC nêu trên, với bộmẫu số so sánh với giá trị số thực tế trị trung bày hình 12, kết dự báo hệ số cố kết y, giá trung trung bình mẫu kiểm tra, vdo ⃑⃑⃑⃑⃑⃑⃑⃑ mơ hình dự đốn, làkiểm giá đãSVR, xácmô định ytrị pred giá trị ; m số lượng mẫu tra, giá trị Kết luận y giá trị y, y giá trị mơ hình dự đốn, ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ test pred mẫu dự đốn liệu sau chuẩn hóa gồm biến độc lập (X5, X9, X10, X13, liệu sau bình chuẩn hóa gồm 6báo biến độc lập (X5, X9, X10, X13, X11, X15) cóX11, tươngX15) có tương thícủa nghiệm (hình 13, 14 và6 kết 15) √∑và ết dự hệ số cố phân tích √ ∑ ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ ( ( ) ) bình mẫu kiểm tra ếttiến dựdự báo hệtheo số sơ cốdựđồ kếtmô phân Hệ số cố kết (Cdựng ) củanhư đất yếu thôngdự số đất không quan chặt tiến hành theo sơhọc đồtích mơ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ hình học máy đãtrung xây trình quan chặt hình máy xây trình v làdựng giá trị bình cáclàmẫu đốn bình cácbáo mẫu kiểm tra, Kếtvàquả dựhành báo hệvà sốbáo cố kết phân tích thể thiếu, sử dụng phân tích lún đắp đất y giá trị y, y giá trị mơ hình dự đốn, ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ giá trị Sửdụng dụng ba mơ hình SVR, ANN MLP trên, với bộsốsố quan hệ bày hìnhdựba 12, kết dựSVR, báo hệ sốđánh cốso kết Cvvà so sánh với giá trị thực tếbộ bày hình 12,test kết báo hệANN số cố kết Cpred sánh với giá trị thực tếnêu Sử hình MLP nêu trên, với vANN ệmơ số tương quan R giá tương quan hai số yếu Nó thường xácbiến định thí nghiệm nén cố kết Sử dụng ba mơ hình SVR, MLP RR nêu ết dự báo hệ cố kết phân tích liệu sau hóa gồm 6gồm biến độcsố lập (X5, X9, X10, X13, X11, X15) có tương thí nghiệm (hình 13, 14 15) thí nghiệm (hình 13,chuẩn 14 15) ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ giá trị trung bình củaphịng với mẫu đốn bình mẫu kiểm tra, mẫu đất chidự phí tốn vàsau: phức tạp trên, với sốchuẩn liệu sau chuẩn hóa biến độc lập (X5, liệu sau hóa gồm 6và biến lập (X5, X9, X10, X13, X11, X15) có tương Nó thể6 độc thơng qua cơng thức Ba mơ hình SVR, ANN MLP RR thuộc kỹ thuật họcbộ máy X9,quan X10, chặt X13, X11,tiến X15) có tương quan chặt tiến hành hành dự báo theo sơ đồ mơ hình học máy xây dựng trình dụng ba mơ hình SVR, ANN MLP dựng đãtrình nêu trên, với số ∑ Sử ̅̅̅̅̅̅̅̅̅ ̅̅̅̅̅̅̅ quan chặt tiến hành dự báo theo sơ phân đồ mô hìnhhồn học máy xây tồn sử dụng để dự báo tốt hệ số cố kết đất dự báo theo sơ đồ mơ hình học máy xây dựng trình ết dự báo hệ số cố kết tích ; m số lượng mẫu kiểm tra, sánh với giá thực tế định khác bày hình 12, kết dựsố báo hệsố sốcố kết Cyếu v chuẩn hóa 6cốbiến (X5, X9,với X13, có tương bày 12, kết dự báo kết Cđộc soso sánh giá trịtrị thông qua sốX10, tiêu vậtthực lýX11, dễtế xácX15) so⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ bày hìnhhình 12, kết dựquả báo hệ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ cố kết √gồm √liệu v ∑quả ∑ Cv (được (sau ) hệ ) lập Sử dụng ba mơ hình SVR, ANN MLP nêu trên, với số thí nghiệm (hình 13, 14 15) sánh với giá trị thực tế thí nghiệm (hình 13, 14 15) quan chặt và15) tiến hành dự báo theo sơ mơANN hìnhMLP họccómáy xây thí nghiệmy (hình 13, 14 Mơđồ hình khả dự dựng báo hệnhư số cốtrình kết giá trị Thái giá trị y, độc ypredlập giá trị mơkhu hình dự đốn, ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ test chuẩn liệu sau hóa gồm biến (X5, X9, X10, X13, X11, X15) có tương đất yếu vực ven biển Quảng Ninh, Hải Phịng, bày hình 12, kết dự báo hệ số cố kết C2v so sánh với giá trị thực tế =0,8737), trongdự khiđốn mơ hình cịn lại tốt (Rcủa ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ trị trung bình bình hành mẫu(hình kiểm tra,theo quan chặt dự báo sơ15) đồgiá mơBình hình họcnhất máy xây mẫu dựng trình thítiến nghiệm 13, 14 thể khả dự đoán tốt hình 12, kết quảvà dựgiá báo hệHình số cố14 kết C sánhđốn với giá trị thực tế Hìnhbày 13.trên Giá trị Cdự đoán Giá trị Csov dự giá v v dự ết báo hệ số cố kết phân tích Ứng dựng phương pháp học máy xem trị thật sử dụng trị thậtmộtsửcơngdụng hình thí nghiệm (hìnhmơ 13, hình 14 vàSVR 15) cụ thaymô hiệu vàANN đầy triển vọng nhằm giảm trị dự đốn 14 giá Giá Hình 14 Giá trị C dự đốn giá Hình 13 Giá Hình trị Cv13 dựGiá đốn trị C dự đốn giá SửvàCdụng baHình mơ hình SVR, ANN MLP nêu với vgiá v MLP.v thời gian, chi phí sai sót phảitrên, thí nghiệm xácsố định Cv trị thật sử dụng mơ hình SVR trị thật sử dụng mơ hình ANN trị thật sử dụngliệu mơ hình SVR trị thật sử dụng mơ hình ANN mẫu đất Dựa kết nghiên cứu sau chuẩn hóa gồm biến độc lập (X5, X9, X10, X13, X11, X15) có tươngnày, đề xuất rằng, phương pháp học máy SVR, ANN Hình 13 Giá trị Cv dự đốn Hình MLP đoán 14 Giá trị Cv dự MLP tiến hành dựdụng báomơ theo mơvàhình đãdụng xây dựngdựnhư giá trị thật quan sử dụngchặt mơ hình giá trị thật sử hìnhsơ đồ MLP RR làhọc cơngmáy cụ hữu đốntrình Cv đất SVR ANN MLP tương thơng số vật lý quan trọng để dự đốn bày hình 12, kết dự báo hệ sốyếu, cố kết Cứng so sánh với giá trị thực tế v Hình13 13.Giá Giá trịCCvdự dựđốn đốn vàgiá giá15).Hình Hình14 14 Giá Giátrị trịCCvdự dựđốn đốnvà vàgiá giá thí nghiệm 13,và 14 Hình trị v (hình v trị thật sử dụng mơ hình SVR trị thật sử dụng mơ hình ANN trị thật sử dụng mơ hình SVR trị thật sử dụng mơ hình ANN MLP MLP 62(11) Hình 13.11.2020 Giá trị Cv dự đốn 43 giá Hình 14 Giá trị Cv dự đốn giá trị thật sử dụng mơ hình SVR trị thật sử dụng mơ hình ANN Hình 13 Giá trị Cv dự đốn giá Hình 14 MLP Giá trị Cv dự đoán giá Khoa học Kỹ thuật Công nghệ Cv gồm: giới hạn chảy, độ ẩm, khối lượng thể tích tự nhiên, khối lượng thể tích khơ, độ rỗng hệ số rỗng LỜI CẢM ƠN Nghiên cứu thực với nguồn kinh phí cấp từ Bộ Giáo dục Đào tạo thông qua đề tài mã số B2020-GHA-03 Trường Đại học Giao thơng Vận tải chủ trì Các tác giả xin trân trọng cảm ơn hỗ trợ Vụ KHCN&MT (Bộ Giáo dục Đào tạo), Trường Đại học Giao thông Vận tải đơn vị hỗ trợ số liệu phục vụ cho nghiên cứu TÀI LIỆU THAM KHẢO [1] K.H Andersen, and K Schjetne (2012), “Database of friction angles of sand and consolidation characteristics of sand, silt, and clay”, J Geotech Geoenviron Eng., 139, pp.1140-1155 [2] E Conte, and A Troncone (2006), “One-dimensional consolidation under general time-dependent loading”, Can Geotech J., 43, pp.1107-1116 [17] K Khosravi, M Sartaj, F.T-C Tsai, V.P Singh, N Kazakis, A.M Melesse, I Prakash, D Tien Bui, and B.T Pham (2018), “A comparison study of DRASTIC methods with various objective methods for groundwater vulnerability assessment”, Sci Total Environ., 642, pp.1032-1049, http://dx.doi.org/10.1016/j.scitotenv.2018.06.130] [PMID: 30045486 [18] D.C Camilo, L Lombardo, P.M Mai, J Dou, and R Huser (2017), “Handling high predictor dimensionality in slope-unit-based landslide susceptibility models through LASSO-penalized Generalized Linear Model”, Environ Model Softw., 97, pp 145-156, http://dx.doi.org/10.1016/j.envsoft.2017.08.003 [19] B.T Pham, T-A Hoang, D-M Nguyen, and D.T Bui (2018), “Prediction of shear strength of soft soil using machine learning methods”, Catena, 166, pp.181-191, http://dx.doi.org/10.1016/j.catena.2018.04.004 [20] P.G Asteris, and M Nikoo (2019), “Artificial bee colony-based neural network for the prediction of the fundamental period of infilled frame structures”, Neural Comput Appl., 3, pp.1-11, http://dx.doi.org/10.1007/s00521-018-03965-1 [21] P.G Asteris, A Moropoulou, A.D Skentou, M Apostolopoulou, A Mohebkhah, and L Cavaleri (2019), “Stochastic vulnerability assessment of masonry structures: concepts, modeling and restoration aspects”, Appl Sci (Basel), 9, p.243, http://dx.doi.org/10.3390/app9020243 [3] T Moriwaki, and K Umehara (2003), “Method for determining the coefficient of permeability of clays”, Geotech Test J., 26, pp.47-56 [22] H Chen, P.G Asteris, D Jahed Armaghani, B Gordan, and B.T Pham (2019), “Assessing dynamic conditions of the retaining wall: Developing two hybrid intelligent models”, Appl Sci (Basel), 9, p.1042, http://dx.doi.org/10.3390/app9061042 [4] A Sridharan, and H Nagaraj (2004), “Coefficient of consolidation and its correlation with index properties of remolded soils”, Geotech Test J., 27, pp 469-474 [23] A Ashrafian, and R.-B Mohammad (2019), Prediction of the compressive strength of self-compacting concrete using surrogate models [5] M.S Al-Zoubi (2008), “Coefficient of consolidation by the slope method”, Geotech Test J., 31, pp.526-530 [24] V Rodriguez-Galiano, M Sanchez-Castillo, M Chica-Olmo, and M Chica-Rivas (2015), “Machine learning predictive models for mineral prospectivity: An evaluation of neural networks, random forest, regression trees and support vector machines”, Ore Geol Rev., 71, pp.804-818, http://dx.doi.org/10.1016/j oregeorev.2015.01.001 [6] A Muthumani, L Fay, M Akin, S Wang, J Gong, and X Shi (2014), “Correlating lab and field tests for evaluation of deicing and anti-icing chemicals: A review of potential approaches”, Cold Reg Sci Technol., 97, pp.21-32 [7] C-Y Yune, and C-K Chung (2005), “Consolidation test at constant rate of strain for radial drainage”, Geotech Test J., 28, pp.71-78 [8] C Pistor, M Yardimci, and S Gỹỗeri (1999), On-line consolidation of thermoplastic composites using laser scanning”, Compos., Part A Appl Sci Manuf., 30, pp.1149-1157 [9] I Rizzo, G Vedoya, S Maurutto, M Haidukowski, and E Varsavsky (2004), “Assessment of toxigenic fungi on Argentinean medicinal herbs”, Microbiol Res., 159(2), pp.113-120 [10] M Kanayama, A Rohe, and L.A van Paassen (2014), “Using and improving neural network models for ground settlement prediction”, Geotech Geol Eng., 32, pp.687-697 [25] B.M Das (2007), Principles of geotechnical engineering, Thomson [26] B Sharma, and P.K Bora (2003), “Plastic limit, liquid limit and undrained shear strength of soil reappraisal”, J Geotech Geoenviron Eng., 129, pp.774-777 [27] B.M Das, and K Sobhan (2012), Principles of geotechnical engineering, Cengage learning [28] Manh Duc Nguyen, Binh Thai Pham, Tran Thi Tuyen, Hoang Phan Hai Yen, Indra Prakash, Thanh Tien Vu, Kamran Chapi, Ataollah Shirzadi, Himan Shahabi, Jie Dou, Nguyen Kim Quoc and Dieu Tien Bui (2019), “Development of an artificial intelligence approach for prediction of consolidation coefficient of soft soil: a sensitivity analysis”, The Open Construction and Building Technology Journal, 13, http://dx.doi org/10.2174/1874836801913010178 [11] P Psyllaki, K Stamatiou, I Iliadis, A Mourlas, P Asteris, and N Vaxevanidis (2018), Surface treatment of tool steels against galling failure, http:// dx.doi.org/10.1051/matecconf/201818804024 [29] J A Knappett and R.F Craig (2012), Craig’s Soil Mechanics [12] B.T Pham (2018), “A novel classifier based on composite hyper-cubes on iterated random projections for assessment of landslide susceptibility”, J Geol Soc India, 91, pp.355-362 [31] https://scikit-learn.org/stable/getting_started.html [13] Q He, Z Xu, S Li, R Li, S Zhang, and N Wang (2019), “Novel entropy and rotation forest-based credal decision tree classifier for landslide susceptibility modeling”, Entropy (Basel), 21, p.106, http://dx.doi.org/10.3390/e21020106 [14] J Dou, A.P Yunus, Y Xu, Z Zhu, C-W Chen, and M Sahana (2019), “Torrential rainfall-triggered shallow landslide characteristics and susceptibility assessment using ensemble data-driven models in the Dongjiang Reservoir Watershed, China”, Nat Hazards, 3, pp.1-31, http://dx.doi.org/10.1007/s11069-019-03659-4 [15] K Khosravi, B.T Pham, K Chapi, A Shirzadi, H Shahabi, I Revhaug, I Prakash, and D Tien Bui (2018), “A comparative assessment of decision trees algorithms for flash flood susceptibility modeling at Haraz watershed, northern Iran”, Sci Total Environ., 627, pp.744-755, http://dx.doi.org/10.1016/j.scitotenv.2018.01.266] [PMID: 29426199 [16] B.T Pham, A Jaafari, I Prakash, S.K Singh, N.K Quoc, and D.T Bui (2019), “Hybrid computational intelligence models for groundwater potential mapping”, Catena, 182, p.104101, http://dx.doi.org/10.1016/j.catena.2019.104101 62(11) 11.2020 [30] https://www.python.org/doc/essays/blurb/ [32] Sebastian RaschkaVahid Mirjalili (2017), Machine learning and deep learning with Python, Kindle Edition Inc [33] Michael Bowles (2015), Machine learning in Python, John Wiley & Sons, [34] Binh Thai Pham, Le Hoang Son, Tuan-Anh Hoang, Duc-Manh Nguyen, Dieu Tien Bui (2018), “Prediction of shear strength of soft soil using machine learning methods”, CATENA, 166, pp.181-191, https://doi.org/10.1016/j.catena.2018.04.004 [35] Binh Thai Pham, Manh Duc Nguyen, Kien-Trinh Thi Bui, Indra Prakashd, Kamran Chapie, Dieu Tien Bui (2019), “A novel artificial intelligence approach based on multi-layer perceptron neural network and biogeography-based optimization for predicting coefficient of consolidation of soil”, CATENA, 173, pp.302-311, https://doi org/10.1016/j.catena.2018.10.004 [36] https://bigdatauni.com/vi/tin-tuc/tong-quan-ve-regression-phan-tich-hoi-quy html [37] Debasish Basak (2007), Srimanta Pal and Dipak Chandra Patranabis, Support vector regression 44 ... tiến hành dự báo theo sơ phân đồ mơ hìnhhồn học máy xây tồn sử dụng để dự báo tốt hệ số cố kết đất dự báo theo sơ đồ mơ hình học máy xây dựng trình ết dự báo hệ số cố kết tích ; m số lượng mẫu... kiểm tra ếttiến d? ?dự báo hệtheo số sơ c? ?dự? ?ồ kếtmô phân Hệ số cố kết (Cdựng ) củanhư đất yếu thôngdự số đất không quan chặt tiến hành theo s? ?học đồtích mơ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ hình học máy đãtrung xây trình... giá trị báohành hệphân s? ?dự cốtích kết phân ết dự hệ sốv? ?dự cốtiến kết testbáochặt pred quan sơ đồ mơ hình máy cơng xây dựng thơng thức ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ (( báo )là)giá trị giá trịđược mơ hình dự đốn,theo