Chuẩn đoán kết cấu bê tông cốt thép bị ăn mòn dựa trên mô hình lai ghép trí tuệ nhân tạo

7 2022 ISSN 2734 988868 N G H I Ê N C Ứ U K H O A H Ọ C Chuẩn đoán kết cấu bê tông cốt thép bị ăn mòn dựa trên mô hình lai ghép trí tuệ nhân tạo Diagnosing corroded reinforced concrete structures base[.]

NGHIÊN CỨU KHOA HỌC nNgày nhận bài: 11/4/2022 nNgày sửa bài: 27/5/2022 nNgày chấp nhận đăng: 14/6/2022   Chuẩn đoán kết cấu bê tơng cốt thép bị ăn mịn dựa mơ hình lai ghép trí tuệ nhân tạo Diagnosing corroded reinforced concrete structures based on hybrid artificial intelligence model > TS NGUYỄN ĐĂNG TRÌNH1, THS PHẠM ĐỨC THẮNG2, THS.KTS NGUYỄN THANH HẢI1 Viện Quy hoạch Xây dựng miền Nam, Bộ Xây dựng Trường Đại học Bách khoa - Đại học Quốc gia TP.HCM 68 TÓM TẮT Một nguyên nhân làm suy giảm độ bền kết cấu kết cấu bê tông cốt thép ăn mòn cốt thép Dự báo khả chịu lực dầm bê tông cốt thép bị ăn mịn khảo sát từ góc độ thực nghiệm lý thuyết Hầu hết cơng trình nghiên cứu thực cách sử dụng cơng thức thực nghiệm mơ hình dự đốn đơn lẻ Nghiên cứu sử dụng mơ hình lai ghép máy hỗ trợ véc tơ bình phương bé với thuật tốn tiến hóa vi phân mơi trường tính tốn phần mềm Matlab Mơ hình xây dựng thử nghiệm liệu thu thập thực tế TP.HCM Kết so sánh cho thấy mơ hình lai ghép có hiệu suất dự đốn cao việc ước tính cường độ cịn lại dầm bê tơng cốt thép bị ăn mịn so với mơ hình riêng lẻ Nghiên cứu cho thấy ứng dụng trí tuệ nhân tạo việc dự báo hiệu để ước tính độ bền kết cấu sớm việc lập kế hoạch bảo trì tịa nhà Từ khóa: Trí tuệ nhân tạo; ăn mịn; mơ hình lai ghép; khai phá liệu.  ABSTRACT  One of the main causes of deterioration in structural strength of reinforced concrete structures is due to corrosion of reinforcing bars Prediction of bearing capacity of reinforced concrete beams corroded has been investigated from experimental and theoretical perspectives Most of the research work has been done using empirical formulas and single prediction models This study uses a hybrid model between the least squares vector support machine and the differential evolution algorithm on the computing environment of Matlab software The model is built and tested on a collected dataset in Ho Chi Minh City, Vietnam The comparison results show that the hybrid model has the highest predictive performance in estimating the residual strength of corroded reinforced concrete beams compared with the individual models This study demonstrates an effective predictive application of artificial intelligence for structural strength estimation early in building maintenance planning Keywords: Artificial intelligence; corrosion; hybrid modeling; data mining GIỚI THIỆU Ngày nay, kết cấu bê tông cốt thép (BTCT) sử dụng phổ biến lĩnh vực cơng trình dân dụng, nhiều cơng trình xuống cấp Ăn mịn cốt thép tác động chủ yếu gây xuống cấp kết cấu BTCT [1] Theo quan niệm thiết kế, bê tông cốt thép vĩnh cửu; nhiên, kết cấu bê tông cốt thép bị hư hỏng phá hủy nghiêm trọng ăn mòn thực tế [2] Q trình ăn mịn cốt thép bê tơng diễn theo hai giai đoạn chính: (1) giai đoạn yếu tố ảnh hưởng xâm nhập vào bên bê tông bắt đầu xảy ăn mòn; (2) giai đoạn mà ăn mòn xảy mạnh mẽ cốt thép bị phá hủy đáng kể Thông thường, lớp oxit sắt tạo bề mặt cốt thép bền môi trường kiềm bảo vệ cốt thép [3] Ăn mịn dẫn đến hư hỏng bê tơng, nứt, vỡ vỏ giãn nở thể tích, làm giảm tiết diện cốt thép, sau làm suy giảm cường độ liên kết bê tông [4, 5] cốt thép [6, 7] Do đó, việc tập trung vào đánh giá kết cấu BTCT có quan trọng để dự đốn khả kết cấu sau xem xét phương pháp bảo dưỡng tối ưu [8, 9] Các phương pháp thơng thường để dự đốn khả chịu uốn lại dầm BTCT bị ăn mòn sử dụng phương pháp kiểm tra phá hủy mơ hình số [10, 11] Phương pháp phá hủy thường sử dụng liệu quan sát mẫu thí nghiệm phịng thí nghiệm Các mẫu thử kiểm tra mức độ hư hỏng ăn mòn khác Cách tiếp cận tốn nhiều thời gian mẫu vật cần vài tháng để đạt mức độ ăn mòn mong muốn Hơn nữa, phương pháp tiêu tốn chi phí cao thiết bị thí nghiệm đặc biệt Một thử nghiệm thường nửa năm để hoàn thành Mặc dù thử nghiệm cách tốt để mang lại liệu thực, chi phí liên quan khiến chúng đạt [12, 13] Để khắc phục hạn chế vốn có phương pháp phá hủy, nhiều nghiên cứu sử dụng phương pháp tiếp cận mơ hình số [14] Các mơ hình số giảm thời gian hồn thành chi phí liên quan mà khơng làm giảm độ xác ước tính [15] 7.2022 ISSN 2734-9888 Ăn mịn q trình tự nhiên, chứa thuộc tính phi tuyến [16] Tuy nhiên, phương pháp tiếp cận thực nghiệm bỏ qua yếu tố phi tuyến tính Do đó, việc sử dụng quan hệ tuyến tính để mơ hình hóa ăn mịn khơng thỏa mãn Nhiều mơ hình đề xuất chứng minh độ xác phương trình hồi quy phụ thuộc nhiều vào số lượng liệu thực nghiệm [17] Để tổng qt hóa mơ hình, liệu bổ sung cần thu thập Tuy nhiên, việc thu thập liệu để xây dựng mơ hình địi hỏi nỗ lực đáng kể tốn nhiều thời gian Các mơ hình trí tuệ nhân tạo (AI-artificial intelligence) lên công cụ sáng tạo để khắc phục cho hạn chế phương pháp thực nghiệm lý thuyết việc giải vấn đề phi tuyến tính không chắn [18] Các ứng dụng AI nghiên cứu rộng rãi nhiều lĩnh vực khác [19, 20] Một số nghiên cứu chứng minh kỹ thuật AI có khả xử lý ứng xử phi tuyến [21] mang lại độ xác cao cường độ dư dự đoán dầm BTCT bị ăn mòn [22] Các biến thể khác ML đề xuất để xử lý lĩnh vực khác lĩnh vực xây dựng lĩnh vực khác [23] Nghiên cứu đưa phương pháp lai ghép trí tuệ nhân tạo để dự đoán cường độ dư dầm BTCT bị ăn mịn Mơ hình thiết lập tích hợp Máy vectơ hỗ trợ bình phương nhỏ (LS-SVM) thuật tốn tối ưu cộng sinh tìm kiếm (SOS) LSSVM kỹ thuật học máy tiên tiến sở hữu nhiều tính vượt trội thể khả tổng qt hóa tính tốn nhanh Trong đó, SOS [24], cơng cụ tìm kiếm dựa tập tìm kiếm, triển khai để tối ưu hóa thông số điều chỉnh cần thiết để xây dựng hệ thống dự đốn Mơ hình tổng hợp sử dụng thuật toán logic chéo k-fold liệu thu thập từ trước PHƯƠNG PHÁP 2.1 Máy vectơ hỗ trợ bình phương nhỏ (LS-SVM) Đề xuất Suykens, Gestel [25], LSSVR (least squares support vector regression) giả định tập liệu � � ��𝑥𝑥� , 𝑦𝑦� �, �𝑥𝑥� , 𝑦𝑦� �, … , �𝑥𝑥� , 𝑦𝑦� �� biểu diễn dạng hàm phi tuyến tính hàm định, phương trình (1) (1) 𝑦𝑦�𝑥𝑥� � 𝜔𝜔� ∅�𝑥𝑥� � 𝑏𝑏 𝑥𝑥 𝑥 𝑥𝑥� , 𝑦𝑦 𝑦𝑦𝑦, 𝜔𝜔 trọng số vec tơ; ϕ hàm phi tuyến ánh xạ đầu vào tới không gian đa chiều; b phần dư Trong toán dự đoán, hàm R xây dựng dạng tối ưu hóa có ràng buộc, phương trình (2) � � (2) Cực tiểu hóa: 𝑅𝑅�𝜔𝜔, 𝜀𝜀, 𝑏𝑏� � � ‖𝜀𝜀‖� � � 𝐶𝐶 ∑���� 𝜀𝜀�� Ràng buộc: 𝑦𝑦� � 𝜔𝜔� ∅�𝑥𝑥� � � 𝑏𝑏 � 𝜀𝜀� ; � � 1, … , 𝑛𝑛 C biểu thị số quy, phải người dùng xác định cung cấp trọng số phần thứ hai so với phần ɛi phần lỗi liệu huấn luyện Phương trình (3) mơ tả kết mơ hình LSSVR cho hàm hồi quy Phương trình (4) cho thấy hàm nhân, hàm sở bán kính (RBF); hàm phổ biến thường sử dụng để giải toán dự đoán (3) 𝑦𝑦�𝑥𝑥� � ∑���� 𝜉𝜉� ��𝑥𝑥� , 𝑥𝑥� � � 𝑏𝑏 ��𝑥𝑥� , 𝑥𝑥� � � exp � ‖�� ��� ‖� ��� � (4) 𝜉𝜉� b phần nghiệm hệ tuyến tính, γ tham số hàm nhân Theo đó, để cải thiện hiệu suất mơ hình LSSVR, giá trị hai tham số điều chỉnh (C, γ) phải xác định Do đó, thuật tốn tối ưu SOS sử dụng để tìm giá trị phù hợp C γ 2.2 Thuật tốn cộng sinh tìm kiếm (SOS) Thuật toán SOS (symbiotic organisms search) thuật toán metaheuristic hiệu phát triển Cheng and Prayogo [26] vào năm 2014 sử dụng thành công để giải nhiều vấn đề kỹ thuật [27, 28] SOS lấy cảm hứng từ tương tác cộng sinh cặp sinh vật tự nhiên Ba bước thuật tốn SOS, tương ứng với ba kiểu tương tác cộng sinh tự nhiên, sau Trong giai đoạn tương hỗ, hai sinh vật liên quan đến mối quan hệ có lợi để tăng xác suất sống sót chúng hệ sinh thái Các phương trình sau tạo giải pháp �� ��� 𝑥𝑥�,��� � 𝑥𝑥� � ��𝑛𝑛��0,1� � �𝑥𝑥���� � � � � �1 � (5) ��𝑛𝑛𝑛𝑛����𝑛𝑛��0,1���� 𝑥𝑥�,��� � 𝑥𝑥� � ��𝑛𝑛��0,1� � �𝑥𝑥���� � � � �� ��� � � � �1 � ��𝑛𝑛𝑛𝑛����𝑛𝑛��0,1���� (6) 𝑥𝑥 ��𝑥𝑥� � � ��𝑥𝑥���� � 𝑥𝑥� � � � (7) ��𝑥𝑥� � � ��𝑥𝑥���� � 𝑥𝑥�,��� 𝑥𝑥� ��𝑥𝑥� � � ��𝑥𝑥���� � 𝑥𝑥� � � (8) ��𝑥𝑥� � � ��𝑥𝑥���� � 𝑥𝑥�,��� xi xj sinh vật thứ i thứ j hệ sinh thái với i ≠ j; xbest đại diện cho sinh vật thích nghi tốt với hệ sinh thái; xi,new xj,new giải pháp xi xj, f(xi) f(xj) giá trị hàm mục tiêu xi xj Trong giai đoạn liên kết, tương tác hai sinh vật có lợi cho sinh vật trước độc lập với Các quy tắc sau mang lại giải pháp tương tác chung (9) 𝑥𝑥�,��� � 𝑥𝑥� � ��𝑛𝑛���1,1� � �𝑥𝑥���� � 𝑥𝑥� � Giai đoạn ký sinh liên quan đến tương tác hai sinh vật ký sinh trùng hưởng lợi từ việc gây hại cho vật chủ Vectơ ký sinh trùng tính sau 𝑥𝑥� � 𝑥𝑥� 𝑛𝑛𝑛𝑛𝑛 ��𝑛𝑛��0,1� � ��𝑛𝑛��0,1� � �� � ��𝑛𝑛��0,1� � ��� � ��� 𝑛𝑛𝑛𝑛𝑛 ��𝑛𝑛��0,1� � ��𝑛𝑛��0,1� (10) LB (giới hạn dưới) UB (giới hạn trên) biểu thị giới hạn biên tương ứng vấn đề cần giải 2.3 Phương pháp xác thực chéo k-fold Các nghiên cứu thường áp dụng thuật toán xác thực chéo k lần để giảm thiểu sai số liên quan đến lấy mẫu ngẫu nhiên việc huấn luyện Kohavi xác nhận thử nghiệm lần đem lại thời gian tính tốn phương sai tối ưu [29] Phương pháp phân chia tập mẫu liệu thành tập con, tiến hành xây dựng xác thực mơ hình lần, chọn tập liệu khác để kiểm tra, huấn luyện mơ hình tập liệu sử dụng tập cịn lại để kiểm tra tính xác mơ hình minh họa hình Độ xác mơ hình tính độ xác trung bình mơ hình lần xác thực Thử nghiệm tập 1 Thử nghiệm tập 2 Thử nghiệm tập 3 Thử nghiệm tập Thử nghiệm tập 5 5 5 Hình Phương pháp xác thực chéo lần 2.4 Phương pháp đánh giá hiệu suất Để đánh giá độ xác q trình dự đốn mơ hình ISSN 2734-9888 7.2022 69 NGHIÊN CỨU KHOA HỌC lai ghép đề xuất mơ hình so sánh, phương pháp sau sử dụng:  Phần trăm sai số trung bình tuyệt đối � ���� ���� � ∑���� � � (11) � �  Sai số trung bình tuyệt đối � ��� � ∑����|� � ��|  � (12) Sai số tồn phương trung bình � ���� � �� ∑������ � � ��� (13) y’ giá trị dự đoán; y giá trị thực tế; n số lượng mẫu liệu MƠ HÌNH LAI GHÉP 3.1 Cấu trúc mơ hình Mơ hình lai ghép thiết lập cách kết hợp LSSVR SOS LSSVR có chức dự đốn, SOS dùng để tìm kiếm thơng số tối ưu mơ hình dự đốn nhằm tăng hiệu mơ hình Hình minh họa mơ hình lai ghép cho việc chuẩn đoán cường độ dư kết cấu bị ăn mịn 3.3 Cấu trúc mơ hình so sánh Để xác nhận hiệu suất mơ hình lai ghép đề xuất, hiệu suất so sánh với phương pháp tiếp cận chuẩn hóa khác Cần lưu ý mơ hình xây dựng bao gồm LS-SVM SOS Để xác nhận tính ưu việt mơ hình lai ghép đề xuất, ba mơ hình học máy máy khác, mạng nơ ron nhân tạo (ANN), máy hỗ trợ vec tơ (SVM), mơ hình hồi quy (LR) sử dụng để so sánh kết Các thông số đầu vào mô hình so sánh thiết lập mặc định trình huấn luyện thử nghiệm nhằm đảm bảo cho mơ hình hoạt động cách khách quan, dễ dàng thỏa mãn mức độ hoạt động độ xác Hình minh họa bốn bước dùng mơ hình so sánh để dự đốn cường độ dự kết cấu bị ăn mòn phần mềm SPSS IBM [30] (1) Nhập liệu đầu vào nút nguồn dựa thuật toán xác thực chéo (2) Sử dụng nút dự đoán số để đào tạo liệu (3) Sử dụng mơ hình để kiểm tra liệu (4) Đánh giá phân tích thơng qua bảng kết Các yếu tố đầu vào Xác thực chéo Mạng nơ ron Phương pháp dự đoán Mạng nơ ron Hồi quy tuyến tính Kết phân tích Dữ liệu Máy hỗ trợ vectơ Hồi quy tuyến tính Máy hỗ trợ vectơ Kết dạng bảng Hình Cấu trúc mơ hình so sánh Hình Cấu trúc mơ hình lai ghép 3.2 Mô tả chuẩn bị liệu Trong phần này, nguồn liệu khảo sát thực tế 39 cơng trình với 120 dầm bê tơng cốt thép bị ăn mòn nằm rải rác khắp địa bàn TP.HCM Đặc điểm chung cơng trình chung cư, nơi tập thể, số tầng cao dao động từ đến tầng xây dựng phần lớn trước năm 1975 Trải qua khoảng thời gian từ xây dựng đưa vào sử dụng đến nay, cơng trình khảo sát hệ kết cấu bê tông cốt thép gần xuống cấp trầm trọng mà đặc biệt dầm bê tông cốt thép Bộ liệu ghi nhận thực tế này, đơn vị Trung tâm quản lý nhà giám định xây dựng thuộc sở xây dựng TP.HCM khảo sát từ năm 2016 đến Bảng Mô tả liệu Nhỏ Lớn Trung Mô tả Biến nhất bình Chiều dài dầm bị ăn mịn (L) - mm X1 1000.00 5300.00 3456.25 Chiều rộng dầm bị ăn mòn (B) - mm X2 95.00 294.86 176.48 Chiều cao dầm bị ăn mòn (H) - mm X3 195.00 498.34 317.50 X4 2.72 39.73 16.70 X5 144.00 230.00 183.60 X6 661.37 962.11 782.57 Y 92.41 2100.06 979.29 Tải (P) - kN / m Cường độ bê tơng cịn lại (R) - daN / cm Diện tích cốt thép dầm bị ăn mịn (As) mm2 Mơmen giới hạn dầm bị ăn mịn [M] - kN.cm 70 7.2022 ISSN 2734-9888 KẾT QUẢ THỰC NGHIỆM Phần đưa kết phân tích so sánh hiệu suất mơ hình kết hợp với ba mơ hình dự đốn đơn đề xuất thơng qua tiêu đánh giá Từ kết xếp hạng hiệu suất ta kết hợp mơ hình đơn với nhằm tăng hiệu dự đoán Bảng 2: Tổng hợp kết thử nghiệm mơ hình Mơ hình MAPE(%) MAE (kN.cm) RMSE (kN.cm) LS-SVR-SOS 6.5181 0.0198 0.0284 ANN 11.8332 0.0323 0.0451 SVM 17.6145 0.0519 0.0652 LR 8.6418 0.0233 0.0341 Bảng trình bày kết mơ hình lai ghép LS-SVR-SOS mơ hình so sánh ANN, SVM LR Các mơ hình có khả dự đoán cường độ dự kết cấu bị ăn mịn với độ xác cao Kết so sánh cho thấy LS-SVR-SOS mơ hình tốt số tất mơ hình dự báo để ước tính khả cịn lại kết cấu BTCT bị ăn mòn với giá trị tốt RMSE, MAE MAPE Xếp theo sau mơ hình LR, ANN SVM Hình Độ lệch tuyệt đối kết mơ hình AI cho lần thử nghiệm tốt Hình vẽ biểu đồ giá trị tuyệt đối khác biệt liệu dự đoán liệu quan sát lần thử nghiệm tốt độ bền kết cấu dầm bị ăn mịn, tìm mơ hình lai ghép mơ hình đơn so sánh Như thể Hình 4, sai số tuyệt đối lớn ước tính quan sát thực tế tìm thấy mơ hình so sánh 59.25 kN.cm, sai số thu sử dụng mơ hình lai ghép 26.53 kN.cm Sự khác biệt không đáng kể chứng minh mơ hình đề xuất có khả dự đốn đầy đủ độ bền uốn lại dầm BTCT bị ăn mòn KẾT LUẬN Bài báo trình bày phương pháp lai ghép trí tuệ nhân tạo để ước tính khả kết cấu BTCT bị ăn mòn 120 liệu thu thập từ tòa nhà dân dụng thực tế TP.HCM áp dụng để phát triển mô hình dự báo Phương pháp xác thực chéo lần thực để giảm bớt sai lệch việc so sánh kết dự đoán Các kết thử nghiệm so sánh chứng minh mô hình lai ghép LS-SVM-SOS thể hiệu suất tốt để ước tính cường độ dầm BTCT bị ăn mịn so với mơ hình đơn lẻ Những thực tế chứng minh tiềm mạnh mẽ mơ hình lai ghép cơng cụ hữu ích cho nhà quản lý xây dựng việc bảo trì cơng trình Những đóng góp nghiên cứu nêu (1) phát triển mơ hình lai ghép mơ hình riêng lẻ khác dự đoán khả chịu lực dầm BTCT bị ăn mịn (2) Ưu điểm mơ hình máy học nêu bật việc quản lý cấu trúc tòa nhà cũ (3) Cung cấp liệu thực thu thập không để kiểm chứng mơ hình đề xuất mà cịn làm tài liệu cho nghiên cứu sau (4) Kết nghiên cứu giúp hệ thống quản lý tịa nhà hoạt động tốt, dẫn đến cải thiện tuổi thọ kết cấu giảm chi phí bảo trì Lời cảm ơn Nghiên cứu tài trợ Công ty CP Công nghệ xây dựng Việt Hàn Viện Quy hoạch Xây dựng miền Nam khuôn khổ Đề tài mã số V-01-2022 TÀI LIỆU THAM KHẢO Liu, J., et al., Effect of Stirrup Corrosion and Fire on Shear Behavior of Reinforced Concrete Beams KSCE Journal of Civil Engineering, 2021 Reshvanlou, B.A., K Nasserasadi, and J Ahmadi, Modified Time-Dependent Model for Flexural Capacity Assessment of Corroded RC Elements KSCE Journal of Civil Engineering, 2021 Anh, T.n.H.i., N.n.H.n Giang, and N.N Tân, Nghiên cứu thực nghiệm hiệu gia cường kháng uốn dầm bê tơng cốt thép bị ăn mịn sợi composite CFRP Tạp Chí Khoa Học Cơng Nghệ Xây Dựng (KHCNXD) - ĐHXDHN, 2021 15(1V): p 1-16 Yang, Y., et al., Effect of corrosion-induced crack and corroded rebar shape on bond behavior Structural Concrete, 2019 20(6): p 2171-2182 Zhou, H., et al., Effects of stirrup corrosion on bond–slip performance of reinforcing steel in concrete: An experimental study Construction and Building Materials, 2015 93: p 257-266 Song, L., Z Fan, and J Hou, Experimental and Analytical Investigation of the Fatigue Flexural Behavior of Corroded Reinforced Concrete Beams International Journal of Concrete Structures and Materials, 2019 13(1): p 24 Lachemi, M., et al., The effect of corrosion on shear behavior of reinforced selfconsolidating concrete beams Engineering Structures, 2014 79: p 1-12 Lin, H and Y Zhao, Effects of confinements on the bond strength between concrete and corroded steel bars Construction and Building Materials, 2016 118: p 127-138 El-Sayed, A.K., Shear capacity assessment of reinforced concrete beams with corroded stirrups Construction and Building Materials, 2017 134: p 176-184 10 Biswas, R.K., et al., Effect of non-uniform rebar corrosion on structural performance of RC structures: A numerical and experimental investigation Construction and Building Materials, 2020 230: p 116908 11 Nguyên, N.Đ and N.N Tân, Dự báo khả chịu lực lại cột BTCT chịu nén lệch tâm phẳng có cốt thép dọc bị ăn mịn Tạp Chí Khoa Học Cơng Nghệ Xây Dựng (KHCNXD) - ĐHXDHN, 2019 13(2V): p 53-62 12 Jnaid, F and R.S Aboutaha, Residual flexural strength of corroded reinforced concrete beams Engineering Structures, 2016 119: p 198-216 13 Ninh, N.T., et al., Nghiên cứu thực nghiệm làm việc chịu uốn dầm bê tông cốt hỗn hợp thép polyme cốt sợi thủy tinh (GFRP) bị ăn mòn ion clorua Tạp Chí Khoa Học Cơng Nghệ Xây Dựng (KHCNXD) - ĐHXDHN, 2021 15(3V): p 16-26 14 Lu, Z.-H., et al., Empirical model of corrosion rate for steel reinforced concrete structures in chloride-laden environments Advances in Structural Engineering, 2019 22(1): p 223-239 15 Azad, A.K., S Ahmad, and B.H.A Al-Gohi, Flexural strength of corroded reinforced concrete beams Magazine of Concrete Research, 2010 62(6): p 405-414 16 Lu, Z.-H., et al., Novel empirical model for predicting residual flexural capacity of corroded steel reinforced concrete beam Frontiers of Structural and Civil Engineering, 2020 14(4): p 888-906 17 Lu, Z.-H., et al., An empirical model for the shear strength of corroded reinforced concrete beam Construction and Building Materials, 2018 188: p 1234-1248 18 Liao, S.-H., P.-H Chu, and P.-Y Hsiao, Data mining techniques and applications – A decade review from 2000 to 2011 Expert Systems with Applications, 2012 39(12): p 1130311311 19 Ahmadi, M., H Naderpour, and A Kheyroddin, ANN Model for Predicting the Compressive Strength of Circular Steel-Confined Concrete International Journal of Civil Engineering, 2017 15(2): p 213-221 20 Hoàn, P.T., Ước lượng khả chịu nén tâm cột ống thép nhồi bê tơng thuật tốn máy học Tạp Chí Khoa Học Cơng Nghệ Xây Dựng (KHCNXD) - ĐHXDHN, 2021 15(3V): p 69-78 21 Imam, A and Z.A Kazmi, Modified regression and ANN model for load carrying capacity of corroded reinforced concrete beam AIMS Materials Science,, 2020 4(5): p 11401164 22 Imam, A., F Anifowose, and A.K Azad, Residual Strength of Corroded Reinforced Concrete Beams Using an Adaptive Model Based on ANN International Journal of Concrete Structures and Materials, 2015 9(2): p 159-172 23 Học, T.Đ and L.T Tài, Tối ưu hóa ước tính mức tiêu thụ lượng tịa nhà dựa thuật tốn trí tuệ nhân tạo Tạp Chí Khoa Học Cơng Nghệ Xây Dựng (KHCNXD) ĐHXD, 2020 14(1V): p 35-45 24 Cheng, M.-Y and D Prayogo, Symbiotic Organisms Search: A new metaheuristic optimization algorithm Computers & Structures, 2014 139(0): p 98-112 25 Suykens, J.A.K., et al., Least Squares Support Vector Machines 2002: World Scientific Publishing Company 308 26 Cheng, M.-Y and D Prayogo, Symbiotic Organisms Search: A new metaheuristic optimization algorithm Computers & Structures, 2014 139: p 98-112 27 Ezugwu, A.E and D Prayogo, Symbiotic organisms search algorithm: Theory, recent advances and applications Expert Systems with Applications, 2019 119: p 184-209 28 Cheng, M., D Prayogo, and D Tran, Optimizing Multiple-Resources Leveling in Multiple Projects Using Discrete Symbiotic Organisms Search Journal of Computing in Civil Engineering, 2015: p 04015036 29 Kohavi, R., A study of cross-validation and bootstrap for accuracy estimation and model selection 1995 30 IBM PASW Modeler NY: IBM Cororation USA, 2010 ISSN 2734-9888 7.2022 71 ... ưu mơ hình dự đốn nhằm tăng hiệu mơ hình Hình minh họa mơ hình lai ghép cho việc chuẩn đoán cường độ dư kết cấu bị ăn mịn 3.3 Cấu trúc mơ hình so sánh Để xác nhận hiệu suất mơ hình lai ghép đề... vectơ Kết dạng bảng Hình Cấu trúc mơ hình so sánh Hình Cấu trúc mơ hình lai ghép 3.2 Mô tả chuẩn bị liệu Trong phần này, nguồn liệu khảo sát thực tế 39 cơng trình với 120 dầm bê tơng cốt thép bị ăn. .. bày kết mơ hình lai ghép LS-SVR-SOS mơ hình so sánh ANN, SVM LR Các mơ hình có khả dự đoán cường độ dự kết cấu bị ăn mịn với độ xác cao Kết so sánh cho thấy LS-SVR-SOS mơ hình tốt số tất mơ hình