Ứng dụng trí tuệ nhân tạo trong dự đoán mức độ phá hoại của tấm bê tông cốt sợi chịu tải va đập

BỘ GIÁO DỤC VÀ ĐÀO TẠO UBND TỈNH THANH HÓA TRƢỜNG ĐẠI HỌC HỒNG ĐỨC ANONG SIBOUAPHENG ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG DỰ ĐOÁN MỨC ĐỘ PHÁ HOẠI CỦA TẤM BÊ TÔNG CỐT SỢI CHỊU TẢI VA ĐẬP LUẬN VĂN THẠC SĨ: NGÀNH XÂY DỰNG THANH HÓA, NĂM 2022 KHÔNG BỘ GIÁO DỤC VÀ ĐÀO TẠO UBND TỈNH THANH HÓA TRƢỜNG ĐẠI HỌC HỒNG ĐỨC ANONG SIBOUAPHENG ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG DỰ ĐỐN MỨC ĐỘ PHÁ HOẠI CỦA TẤM BÊ TÔNG CỐT SỢI CHỊU TẢI VA ĐẬP LUẬN VĂN THẠC SĨ: NGÀNH XÂY DỰNG Chuyên ngành: Kỹ thuật xây dựng Mã số: 8580201 Ngƣời hƣớng dẫn khoa học: 1) TS Nguyễn Đăng Nguyên 2) TS Mai Thị Hồng THANH HÓA, NĂM 2021 Danh sách Hội đồng đánh giá luận văn thạc sĩ khoa học (Theo Quyết định số: QĐ-ĐHHĐ ngày tháng năm 2021 Hiệu trưởng Trường Đại học Hồng Đức) Học hàm, học vị, họ tên Cơ quan công tác Chức danh Hội đồng TS Nguyễn Văn Dũng Trƣờng ĐH Hồng Đức Chủ tịch PGS,TS Nguyễn Anh Dũng Trƣờng ĐH Thủy lợi Phản biện TS Huỳnh Trọng Phƣớc Trƣờng ĐH Cần Thơ Phản biện TS Phạm Thái Hoàn Trƣờng ĐH Xây dựng Ủy viên TS Ngô Sĩ Huy Trƣờng ĐH Hồng Đức Thƣ ký Xác nhận Ngƣời hƣớng dẫn Học viên chỉnh sửa theo ý kiến Hội đồng Ngày tháng 01 năm 2022 (Ký, ghi rõ họ tên) LỜI CAM ĐOAN Tôi xin cam đoan luận văn khơng trùng lặp với khóa luận, luận văn, luận án cơng trình nghiên cứu cơng bố Ngƣời cam đoan Anong Sibouapheng i LỜI CẢM ƠN Lời đầu tiên, tơi xin bày tỏ lịng biết ơn sâu sắc tới TS Nguyễn Đăng Nguyên TS Mai Thị Hồng ngƣời trực tiếp hƣớng dẫn khoa học, bảo tận tình tạo điều kiện tốt giúp tơi suốt q trình nghiên cứu thực luận văn Tơi xin đƣợc bày tỏ lịng biết ơn tới thầy cô môn Kỹ thuật công trình, thầy khoa Kỹ thuật Cơng nghệ, Phịng Sau Đại học, Trƣờng Đại Hồng Đức Thanh Hóa trang bị tri thức khoa học tạo điều kiện học tập thuận lợi cho suốt thời gian thực luận văn Sau cùng, xin cảm ơn quên đƣợc giúp đỡ tận tình bạn bè, anh, em động viên, tạo điều kiện ngƣời thân gia đình suốt trình thực luận văn Tác giả Anong Sibouapheng ii MỤC LỤC MỞ ĐẦU 1 Tính cấp thiết đề tài Mục tiêu nghiên cứu Đối tƣợng phạm vi nghiên cứu Nội dung nghiên cứu Phƣơng pháp nghiên cứu Cấu trúc nội dung luận văn CHƢƠNG TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU 1.1 Tấm bê tông bê tông cốt sợi chịu tải trọng va đập 1.2 Tổng quan trí tuệ nhân tạo xây dựng 17 1.3 Nhận xét vấn đề giải luận văn 22 CHƢƠNG XÂY DỰNG BỘ DỮ LIỆU 25 2.1 Mơ tả thí nghiệm bê tơng cốt sợi chịu tải trọng va đập 25 2.2 Tập liệu thí nghiệm 27 CHƢƠNG MƠ HÌNH DỰ ĐỐN MỨC ĐỘ PHÁ HOẠI TẤM BÊ TÔNG CỐT SỢI CHỊU TẢI VA ĐẬP 32 3.1 Phát triển mơ hình máy học 32 3.1.1 Thuật toán Support vector machine (SVM) 32 3.1.2 Phƣơng pháp tối ƣu Bayesian (Bayesian optimization-BO) 32 3.1.3 Kỹ thuật lấy thêm mẫu BorderlineSMOTE 34 3.1.4 Mơ hình đề xuất BO-SVM 34 3.2 Đánh giá khả dự đốn mơ hình đề xuất 37 KẾT LUẬN VÀ KIẾN NGHỊ 44 Kết luận 44 Kiến nghị 45 TÀI LIỆU THAM KHẢO 43 iii DANH MỤC CÁC BẢNG BIỂU Bảng Mô tả thông số đầu vào đầu sử dụng tập liệu 28 Bảng 2 Bộ liệu thí nghiệm bê tơng cốt sợi chịu tác động va đập đầu tên lửa/đầu đạn_P3 29 Bảng Bộ liệu thí nghiệm bê tông cốt sợi chịu tác động va đập đầu tên lửa/đầu đạn_P4 30 Bảng Bộ liệu thí nghiệm bê tơng cốt sợi chịu tác động va đập đầu tên lửa/đầu đạn_P7 31 Bảng Dạng chu kỳ dao động kết cấu 20 tầng 39 Bảng Mức độ dự đốn xác trƣờng hợp phá hoại ứng với mơ hình khác 42 iv DANH MỤC CÁC HÌNH VẼ Hình 1 Ảnh hƣởng tác động tên lửa/đầu đạn đến bê tông: (a) thâm nhập, (b) nứt hình nón, (c) bong tách, (d) nứt hƣớng tâm, (e) vỡ, (f) xuyên thủng, (g) phá hoại tổng thể Hình Chi tiết loại panel nghiên cứu Li cs [10] Hình Một số trạng thái phá hoại xuất mẫu thí nghiệm [69] Hình Các trạng thái phá hoại xuất RC [10] Hình Các trạng thái phá hoại xuất HSC SC [69] Hình Bố trí thí nghiệm nghiên cứu Jamman cs [42] 10 Hình Các dạng phá hoại của bê tông cốt sợi dƣới tác động đầu đạn thí nghiệm Jamma cs [42] 11 Hình Các dạng phá hoại bê tông cốt sợi dƣới tác động đầu đạn với vận tốc khác [76] 12 Hình Ví dụ so sánh mơ thực nghiệm toán chịu va đập [80] 15 Hình 10 Minh họa mối tƣơng quan kỹ thuật tính tốn thơng minh khác 19 Hình 11 Các nghiên cứu đƣợc công bố việc sử dụng nhánh nhỏ AI khác lĩnh vực kỹ thuật kết cấu 22 Hình Minh họa thí nghiệm bê tơng cốt sợi chịu tải va đập đầu đạn 25 Hình 2 Bốn dạng phá hoại bê tơng cốt sợi 26 Hình Sơ đồ mơ hình BO-SVM đƣợc đề xuất để dự mức độ phá hoại tải va đập đầu đạn gây 35 Hình Đƣờng cong ROC mơ hình đề xuất 39 Hình 3 Giá trị trung bình điểm số F1 mơ hình phân tích 41 Hình Đƣờng cong ROC mơ hình đề xuất 42 v MỞ ĐẦU Tính cấp thiết đề tài Kết cấu bê tông cốt sợi (Fiber reifonrced concrete – FRC) loại vật liệu đƣợc sử dụng phổ biến loại kết cấu khác nhƣ nhà cửa, cầu cống, cơng trình cơng nghiệp cơng trình qn quốc phịng So với kết cấu bê tơng cốt thép thơng thƣờng, bê tơng cốt sợi có nhiều ƣu điểm vƣợt trội, đặc biệt khả chịu kéo phân tán lƣợng chịu tải trọng cực hạn Trong kết cấu bê tông cốt sợi, sợi kim loại kích thƣớc đƣờng kính nhỏ với nhiều hình dạng khác đƣợc sử dụng nhằm tăng cƣờng khả chịu kéo cho bê tông, đồng thời qua làm phân tán ứng suất gây phá hoại kéo, kết phân tán vết nứt phạm vi rộng để giảm bớt phá hoại cục đột ngột (phá hoại giòn) Thêm nữa, sử dụng bê tông cốt sợi, khả chịu cắt kết cấu đƣợc cải thiện đáng kể Chính vậy, loại kết cấu đƣợc sử dụng hiệu kết cấu chịu tải trọng va đập tải trọng nổ Tuy nhiên, việc tính tốn thiết kế loại kết cấu chịu tải trọng động với vận tốc lớn nhƣ va đập, tên lửa bắn, tải trọng nổ thách thức lớn với kỹ sƣ nhà nghiên cứu Nghiên cứu thực nghiệm mặc kết đáng tin cậy, nhƣng nhiều thời và đặc biệt tốn Các cơng cụ phân tích tính tốn nhƣ phƣơng pháp phân tích số (numerical simulation) đem lại kết khả quan, nhƣng nhiều hạn chế, ứng xử phức tạp loại kết cấu phức hợp Do đó, việc địi hỏi phƣơng pháp tính tốn đơn giản xác, tốn chi phí thách thức Với phát triển ngành khoa học tính tốn, phƣơng pháp trí tuệ nhân tạo đem lại bƣớc tiến vƣợt bậc lĩnh vực Phƣơng pháp trí tuệ nhân tạo đƣợc áp dụng thành công hầu hết lĩnh vực khoa học công nghệ nhƣ y học, phân tích hình ảnh, giao thơng, xây dựng, kinh tế nhiều lĩnh vực khác Trong lĩnh vực xây dựng, phƣơng pháp đƣợc nhà khoa học sử dụng thành cơng để phân tích hình ảnh hƣ hỏng kết cấu, tính tốn tiêu học vật liệu, dự đoán khả chịu lực móng, phân tích khả chịu lực cấu kiện nhƣ cột, dầm sàn nhiều ứng dụng quan trọng khác Trong tất ứng dụng, phƣơng pháp cho thấy khả ứng dụng hiệu vƣợt trội so với phƣơng pháp thông thƣờng Với sở liệu thí nghiệm có khả chịu lực mức độ phá hoại kết cấu chịu tải trọng va đập tốc độ cao, chọn đề tài “Ứng dụng trí tuệ nhân tạo dự đốn mức độ phá hoại bê tông cốt sợi chịu tải va đập” Mục tiêu nghiên cứu Dự đoán mức độ phá hoại bê tông cốt sợi chịu tải va đập sử dụng mơ hình trí tuệ nhân tạo Đối tƣợng phạm vi nghiên cứu - Đối tƣợng nghiên cứu: Tấm bê tông cốt sợi - Phạm vi nghiên cứu: Mức độ phá hoại bê tông cốt sợi chịu tải va đập đầu đạn Nội dung nghiên cứu - Nghiên cứu tổng quan nghiên cứu nƣớc liên quan đến lĩnh vực nghiên cứu đề tài - Xây dựng liệu mức độ phá hoại khác bê tông cốt sợi chịu tải trọng va đập - Phát triển mơ hình học máy để dự đoán mức độ phá hoại bê tông cốt sợi chịu tải trọng va đập đầu đạn - Tổng hợp kết thí nghiệm, phân tích, xử lý số liệu viết báo cáo Phƣơng pháp nghiên cứu - Phƣơng pháp kế thừa; Đƣờng cong ROC tiêu chí đánh giá tiếng cho vấn đề đa lớp, cho biết khả phân loại mơ hình lớp Nhƣ thấy từ Hình 3.2, đƣờng cong ROC mơ hình BO-SVM đƣợc đề xuất bao phủ hầu hết mơ hình khác Đánh giá định lƣợng đƣờng cong đƣợc thể thông qua diện tích phần dƣới đƣờng cong, cụ thể AUC AUC đại diện cho phép đo tổng hợp độ ổn định hiệu suất mơ hình tất ngƣỡng phân loại AUC cao chứng tỏ mơ hình có khả dự đốn tốt Các giá trị thu đƣợc AUC mơ hình đƣợc hiển thị Bảng 3.1 Có thể thấy, mơ hình BO-SVM đƣợc đề xuất có giá trị AUC cao 80,0% Trong mơ hình SVM sở lấy thêm mẫu khơng lấy thêm mẫu có giá trị AUC thấp với lần lƣợt 78,1% 77,9% AUC mơ hình BO-SVM cao mơ hình chuẩn khác bao gồm mơ hình mạng nhiều lớp MLP (AUC = 77,2%) mơ hình định DT (AUC = 77,0%) Những kết cho thấy khả dự đốn cao mơ hình BO-SVM so với mơ hình đƣợc chọn khác khả phân loại mức độ phá hoại FRC đầu đạn gây Bên cạnh đó, kết điểm số F1 trung bình phần tách biệt đƣợc thể Hình 3.3 Có thể quan sát từ biểu đồ rằng, điểm F1 mô hình BO-SVM cao mơ hình khác Đặc biệt, mơ hình BO-SVM đạt đƣợc điểm F1 = 0,632, mơ hình SVM sở lấy thêm mẫu khơng lấy thêm mẫu, mơ hình mạng nhiều lớp MLP mơ hình định DT đạt điểm F1 lần lƣợt tƣơng ứng 0,584, 0,598, 0,499 0,534 Kết thể khả dự đốn tốt mơ hình BO-SVM liệu thu đƣợc từ thí nghiệm FRC chịu tác động va đập đầu đạn 40 Hình 3 Giá trị trung bình điểm số F1 mơ hình phân tích Độ xác chi tiết tƣơng ứng với mức độ thiệt hại đƣợc thể Bảng 3.2 Hình 3.4 Độ xác trung bình lớp dự đốn từ mơ hình BO-SVM 66,5% Kết tƣơng ứng thu đƣợc từ mơ hình SVM lấy thêm mẫu khơng lấy thêm mẫu lần lƣợt 65,0% 61,8% Mô hình mạng nhiều lớp MLP đạt 55,8% mơ hình định DT 59,4% Nhƣ thấy từ Hình 3.4, mơ hình đề xuất BO-SVM cho kết dự đoán dạng phá hoại tƣơng đối đồng Kết độ xác dự đốn với trƣờng hợp lớp Scabbing lớn (mức độ xác 72,4%) số liệu thí nghiệm trƣờng hợp nhỏ (33 mẫu) 41 Bảng Mức độ dự đốn xác trƣờng hợp phá hoại ứng với mơ hình khác Mơ hình dự đốn mức độ phá hoại FRC Lớp Lớp Lớp Trung (Penetration) (Scabbing) (Perforation) bình lớp (%) % % (%) Mơ hình SVM (không lấy thêm mẫu) 65,6 61,9 57,8 61,8 Mô hình SVM (lấy thêm mẫu) 57,8 75,7 61,5 65,0 Mơ hình mạng nhiều lớp (MLP) 68,9 37,1 61,5 55,8 Mơ hình định (DT) 74,4 46,7 57,1 59,4 Mơ hình BO-SVM đề xuất 60,1 72,4 66,9 66,5 Hình Đƣờng cong ROC mơ hình đề xuất 42 Việc lớp Scabbing đƣợc dự đốn với độ xác cao kỹ thuật lấy thêm mẫu tạo nhiều mẫu liệu tổng hợp khu vực nhỏ lớp Vì vậy, trình kiểm tra, mẫu đƣợc đƣa vào mơ hình xem xét mẫu với đƣờng biên đƣợc tạo từ trƣớc Từ cho kết tốt mơ hình phân loại truyền thống nhƣ: Linear classification, k-nearest neighbors classification … đặc biệt với liệu có tính phi tuyến chồng chéo lên Mặc dù độ xác xác định dạng phá hoại Perforation Penetration mơ hình BO-SVM đề xuất thấp số mơ hình khác nhƣng độ xác trung bình mơ hình đề xuất cao Hơn nữa, độ xác ba mức độ phá hoại mơ hình BO-SVM đƣợc đề xuất cân so với mơ hình dự đốn khác Điều quan trọng dự đoán mức độ phá hoại dƣới tác động va đập đầu đạn, tồn mà thơng số đầu vào thiết kế gần nhƣ khơng thể tính tốn dự đốn xác đƣợc 43 KẾT LUẬN VÀ KIẾN NGHỊ Kết luận Trong luận văn này, thuật toán học đƣợc biết đến nhiều tên Support vector machine (SVM) đƣợc sử dụng để xây dựng mô hình phân loại cho việc dự đốn phá hoại cục bê tông cốt sợi dƣới tác động đầu đạn Những siêu tham số đƣợc tới ƣu cách sử dụng phƣơng pháp tối ƣu Bayesian (Bayesian optimization-BO) Mơ hình có chứa tham số đƣợc tối ƣu để dự đoán trạng thái phá hoại đầu đạn gọi BO-SVM Từ kết nghiên cứu, số kết luận đƣợc rút nhƣ sau: 1) Tấm bê tông cốt sợi chịu tải trọng va đập đầu đạn bị phá hoại tổng thể (uốn, cắt) nhƣng chủ yếu bị phá hoại cục dƣới dạng: thâm nhập; xuất vết nứt hình nón đạn cắm vào; bong tách; nứt hƣớng tâm; bị vỡ xuyên thủng Trong thực tế thiết kế, số dạng phá hoại có nhiều điểm tƣơng đồng, tiêu chuẩn thƣờng đƣa trạng thái thiết kế bao gồm trạng thái không bị phá hoại dạng phá hoại thâm nhập; bị vỡ xuyên thủng 2) Bộ liệu gồm 176 thí nghiệm bê tơng cốt sợi chịu tác động va đập đầu đạn đƣợc thu thập từ nguồn công bố quốc tế, kết thí nghiệm đƣợc phân chia làm nhóm phá hoại theo cấp độ: penetration (51 thí nghiệm), scabbing (33 thí nghiệm), perforation (92 thí nghiệm) Các thơng số đầu vào thí nghiệm bao gồm 15 thơng số, mơ tả thành phần chính, ảnh hƣởng đến phá hoại FRC, bao gồm: kích thƣớc tấm, điều kiện biên, đặc tính thành phần cốt thép sử dụng, cƣờng độ bê tông, thông số đầu đạn 15 thông số đƣợc sử dụng để huấn luyện mô hình học máy đề xuất luận văn 3) Mơ hình học máy BO-SVM đề xuất luận văn có giá trị AUC, kết điểm số F1 trung bình, độ xác trung bình dự đốn lớp 44 phá hoại cao so với mơ hình SVM sở lấy thêm mẫu khơng lấy thêm mẫu, mơ hình mạng nhiều lớp mơ hình định DT Nói khác, mơ hình đề xuất BO-SVM cho khả dự đốn xác cao với mức độ cân tốt so với mơ hình khác khả phân loại mức độ phá hoại bê tông cốt sợi đầu đạn gây Điều quan trọng dự đoán mức độ phá hoại dƣới tác động va đập đầu đạn toàn mà thông số đầu vào thiết kế gần nhƣ khơng thể tính tốn dự đốn xác đƣợc 4) Mặc dù mơ hình đề xuất BO-SVM cho kết dự đốn xác mơ hình khác nhiên mức độ dự đốn xác mơ hình chƣa cao (trung bình cho lớp 66,5%) Một lý khách quan liệu đƣợc tập hợp từ nhiều nguồn khác với nhiều thông số đầu vào khác nhau, khơng hội tụ thành nhóm, kết dự đốn nhƣ coi chấp nhận đƣợc với số liệu Mơ hình phát triển coi tối ƣu Kiến nghị Từ lý khách quan việc mơ hình đề xuất có độ xác dự đốn chƣa cao, cần thu thập thêm nhiều liệu có liên quan khác, đồng thời phân loại liệu theo nhóm riêng với đặc trƣng nhận dạng tốt Từ đó, xây dựng mơ hình dự đốn với kết xác cao Có thể tạo liệu cách sử dụng mô phần tử hữu hạn để mơ thí nghiệm, từ điều chỉnh thơng số đầu vào để tạo nên liệu mong muốn Cần phát triển thêm mơ hình máy học sử dụng kỹ thuật khó phức tạp nhƣng cho kết dự đốn xác 45 TÀI LIỆU THAM KHẢO Tiếng Việt [1] Phạm Duy Anh, Nguyễn Lộc Kha (2013), “Nghiên cứu tính tốn khả chịu uốn dầm bê tông cốt thép với bê tông cốt sợi thép siêu cƣờng độ (UHPC)”, Tạp chí KH Giao thơng Vận tải, (41) [2] Dỗn Quốc Hồn, Thái Đức Kiên, Trần Ngọc Long (2020), “A hybrid model for predicting missile impact damages based on K-nearest neighbors and Bayesian optimization”, Tạp chí Khoa học ông Nghệ Xây dựng NU E, 14(3), tr 1-14 [3] Hà Mạnh Hùng, Trƣơng Việt Hùng, Đinh Văn Thuật, Vũ Quang Việt (2020), “Phƣơng pháp xử lý tƣợng mơ hình hóa khớp xây dựng mơ hình học sâu để ƣớc lƣợng khả chịu tải giàn phi tuyến”, Tạp chí Khoa học ơng Nghệ Xây dựng NU E, 14(1V), 12-20 [4] Phạm Duy Hữu; Phạm Thanh Sang; Phạm Duy Anh, Nguyễn Lộc Kha (2011), “Nghiên cứu vật liệu chế tạo bê tông cƣờng độ siêu cao (UHPC)”, Tạp chí Giao thơng Vận tải, (07) [5] Lƣơng Vĩnh Phú (2017), “Nghiên cứu tính tốn thiết kế mặt cầu bê tơng cốt sợi thép”, Tạp chí Đại học Đông Á, (10) [6] Ngô Ngọc Tri, Phạm Thị Phƣơng Trang, Lê Hoàng An, Nguyễn Quang Trung, Nguyễn Thi Thảo Nguyên, Huỳnh Văn Vũ (2021), “Prediction of axial strength in circular steel tube confined concrete columns using artificial intelligence”, Tạp chí Khoa học ơng Nghệ Xây dựng NU E 15(2), tr.113-126 [7] Nguyễn Viết Trung, Nguyễn Ngọc Long, Phạm Duy Anh (2010), Bê tông cốt sợi thép, NXB Xây Dựng, Hà Nội [8] Trần Ngọc Tuấn, Nguyễn Phú Cƣờng, Trần Thanh Danh (2020), “Hợp mạng thần kinh nhân tạo mô Monte carlo đánh giá độ tin cậy toán sức chịu tải cọc khoan nhồi”, Tạp chí Bộ Xây Dựng, (2), tr 61- 68 [9] Trần Bá Việt, Lê Minh Long, Nguyễn Trung Hòa (2015), “Phân tích 43 ứng xử bê tơng cốt sợi thép tính siêu cao”, Tạp chí KHCN Xây dựng, (1), tr 10-17 Tiếng Anh [10] A.W Moore (2001), Cross-validation for detecting and preventing overfitting, School of Computer Science Carneigie Mellon University [11] Almusallam TH, Siddiqui NA, Iqbal RA, Abbas H (2013), “Response of hybrid-fiber reinforced concrete slabs to hard projectile impact”, International Journal of Impact Enginreeing, (58), pp 17-30 [12] Almusallam TH, Abadel AA, Al-Salloum YA, Siddiqui NA, Abbas H (2015), “Effectiveness of hybrid-fibers in improving the impact resistance of RC slabs”, International Journal of Impact Enginreeing, (81), pp 61-73 [13] American Concrete Institute (2001), Code Requirements of Nuclear Safety Related Concrete Structures (ACI 349-01), American Concrete Institute [14] Andrejiova M, Grincova A (2018), “Classification of impact damage on a rubber-textile conveyor belt using Naïve-Bayes methodology”, Wear., (414), pp 59-67 [15] Artificial (1998), Intelligence A new synthesis, Elsevier [16] Bao YQ, Tang ZY, Li H, Zhang YF (2018), “Computer vision and deep learning–based data anomaly detection method for structural health monitoring”, Structural Health Monitoring , (2), pp 1-21 [17] Bezdek J (1994), What is computational intelligence? comput intell imitating life In: Zurada JM, Marks II RJ, Robinson CJ, editors, IEEE Press, pp 1–12 [18] Bui TQ, Tran AV, Shah AA (2014), “Improved knowledge-based neural network (KBNN) model for predicting spring-back angles in metal sheet bending International Journal of Modeling”, Simulation, and Scientific Computing, 5(2), pp 1-27 [19] C.M Bishop (2006), Pattern Recognition and Machine Learning (Information Science and Statistics), 44 Springer-Verlag, Berlin, Heidelberg [20] Cha YJ, Choi W (2017), “Deep learning-based crack damage detection using convolutional neural networks”, Computer-Aided Civil and Infrastructure Engineering, (32), pp 361-378 [21] Chang WS (1981), “Impact of solid missiles on concrete barries”, Journal of the Structural Division (ASCE), 107(2), pp 257-271 [22] Computational intelligence (1998), A logical approach Choice Rev Online, (35), 35–5701-35–5701 [23] D Ramyachitra, P Manikandan (2014), "Imbalanced dataset classification and solutions: a review", International Journal of Computing and Business Research (IJCBR), (5) [24] D.E Goldberg, J.H Holland (1988), "Genetic Algorithms and Machine Learning", Machine Learning, (3), pp 95–99 [25] Dancygier AN, Yankelevsky (1996), “High strength concrete response to hard projectile impac”, International Journal of Impact Enginreeing, 18(6), pp 583-599 [26] Dancygier AN, Yankelevsky DZ, Jaegermann C (2007), “Response of high performance concrete plates to impact of non-deforming projectiles”, International Journal of Impact Enginreeing, (34), pp 1768-1779 [27] Degen PP (1980), “Perforation of reinforced concrete slabs by rigid missiles”, Journal of the Structural Division (ASCE), (106), pp 16231642 [28] Doan QH, Le T, Thai DK (2021), “Optimization strategies of neural networks for impact damage classification of RC panels in a small dataset”, Appl Soft Comput., (102) [29] Donaldson D, Storeygard A (2016), “The view from above: applications of satellite data in economics”, The Journal of Economic Perspectives: A Journal of the American Economic Association, (30), pp 171–198 [30] Dung CV, Anh LD (2019), “Autonomous concrete crack detection using deep fully convolutional neural network”, Autom Constr., (99), pp 52– 58 45 [31] Esteva A, et al (2017), “Dermatologist-level classification of skin cancer with deep neural networks”, Nature, (542), pp 115–118 [32] Forrestal MJ, Altman BS, Cargile JD, Hanchak SJ (1994), “An empirical equation for penetration depth of ogive-nose projectiles into concrete targets”, International Journal of Impact Enginreeing,15(4), pp 395-405 [33] G Menardi, N Torelli (2014), "Training and assessing classification rules with imbalanced data", Data Mining and Knowledge Discovery, (28), pp 92–122 [34] Güneyisi EM, D‟Aniello M, Landolfo R, Mermerdaş K (2014), “Prediction of the flexural overstrength factor for steel beams using artificial neural network”, Steel and Composite Structures, 17(3), pp 215-236 [35] H Han, W.Y Wang, B.H Mao (2005), "Borderline-SMOTE: a new over-sampling method in imbalanced data sets learning", Int Conf Intell Comput., Springer, pp 878–887 [36] Hughes G (1984), “Hard missile impact on reinforced concrete”, Nuclear Engineering and Design, (77), pp 23-35 [37] I Saini, D Singh, A Khosla (2013), "QRS detection using K-Nearest Neighbor algorithm (KNN) and evaluation on standard ECG databases", Journal of Advanced Research, (4), pp 331–344 [38] J Fan, S Upadhye, A Worster (2006), "Understanding receiver operating characteristic (ROC) curves", Canadian Journal of Emergency Medicine, (8), pp 19–20 [39] J Friedman, T Hastie, R Tibshirani (2001), The elements of statistical learning, Springer series in statistics Springer [40] J Hashimoto, K Takiguchi, K Nishimura, K Matsuzawa, M Tsutsui, Y Ohashi (2005), Experimental study on behavior of RC panels covered with steel plates subjected to missile impact [41] J Huang, C.X Ling (2005), "Using AUC and accuracy in evaluating learning algorithms", IEEE Transactions on Knowledge and Data Engineering, (17), pp 299–310 46 [42] Jamnam S, Maho B, Techaphatthanakon A, Sonoda Y, Yoo DY, Sukontasukkul P (2020), “Steel fiber reinforced concrete panels subjected to impact projectiles with different caliber sizes and muzzle energies”, Case Studies in Construction Materials, (13) [43] Jiang F, Zhidong G, Zengshan LI, Xiaodong W (2021), “A method of predicting visual detectability of low-velocity impact damage in composite structures based on logistic regression model”, Chinese J Aeronaut., (34), pp 296–308 [44] Kennedy RP (1976), "A review of procedures for the analysis and design of concrete structures to resist missile impact effects", Nucl Eng Des, (37), pp 183–203 [45] Kim JJ, Park GJ, Kim DJ, Moon JH, Lee JH (2014), “High-rate tensile behavior of steel fiber-reinforced concrete for nuclear power plants”, Nuclear Engineering and Design, (226), pp 43–54 [46] Kosteski LE, Riera JD, Iturrioz I, Singh RK, Kant T (2015), “Assessment of empirical formulas for prediction of the effects of projectile impact on concrete structures”, Fatigue & Fracture of Engineering Metarials & Structures, (38), pp 948-959 [47] Kurzweil R (2000), The age of spiritual machines: When computers exceed human intelligence New York, NY: Penguin Books [48] Lee S, Ha J, Zokhirova M, Moon H, Lee J (2018), “Background Information of Deep Learning for Structural Engineering”, Archives of Computational Methods in Engineering, 25(1), pp 121-129 [49] Li QM, Chen XW (2003), “Dimensionless formulae for penetration depth of concrete target impacted by a non-deformable projectile”, International Journal of Impact Enginreeing, (28), pp 93-116 [50] Li QM, Tong DJ (2003), “Perforation thickness and ballistic limit of concrete target subjected to rigid projectile impact”, Journal of Engineering Mechanics, 129(9), pp 1083-1091 [51] Liu Y, et al (2019), “Artificial Intelligence–Based Breast Cancer Nodal Metastasis Detection: Insights Into the Black Box for Pathologists”, Arch Pathol Lab Med, 143(7), pp 859–868 47 [52] Lombaert G, Moaveni B, He X, Conte JP (2009), "Damage identification of a seven-story reinforced concrete shear wall building using Bayesian model updating", Proc IMAC-XXVII, pp 9–12 [53] Luger GF (2008), Artificial intelligence: Structures and strategies for complex problem solving, 6th ed Boston: Pearson [54] Luo X, Sun W, Chan SYN (2001), “Steel fiber reinforced highperformance concrete: a study on the mechanical properties and resistance against impact”, Materials and Structures, (34), pp 144-149 [55] M Hossin, S M.N (2015), "A Review on Evaluation Metrics for Data Classification Evaluations", International Journal of Data Mining & Knowledge Management Process, (5), pp 1–11 [56] M Pelikan, D.E Goldberg, E Cantú-Paz (1999), "The Bayesian optimization algorithm", Proc Genet Evol Comput Conf, GECCO-99, Citeseer, pp 525–532 [57] M.S Santos, J.P Soares, P.H Abreu, H Araujo, J Santos (2018), "Cross-validation for imbalanced datasets: Avoiding overoptimistic and overfitting approaches", IEEE Computational Intelligence Magazine, (13), pp 59–76 [58] Máca P, Sovják R, Konvalinka P (2014), “Mix design of UHPFRC and its response to projectile impact”, International Journal of Impact Enginreeing, (63), pp 58-163 [59] Mangalathu S, Hwang SH, Choi E, Jeon JS (2019), “Rapid seismic damage evaluation of bridge portfolios using machine learning techniques”, Eng Struct., (201) [60] N Ghamrawi, A McCallum (2005), "Collective Multi-label Classification", Int Conf Inf Knowl Manag., ACM, New York, NY, USA, pp 195–200 [61] N V Chawla, K.W Bowyer, L.O Hall, W.P Kegelmeyer (2002), "SMOTE: Synthetic Minority Over-sampling Technique", Journal of Artificial Intelligence Research, (16), pp 321–357 [62] Olson GB (2000), “Designing a new material world”, Science, (288), pp 993–998 48 [63] P Akpinar, A Khashman (2017), "Intelligent classification system for concrete compressive strength", Procedia Computer Science, (120), pp 712–718 [64] Park JK, Kim SW, Kim DJ (2017), “Matrix-strength-dependent strainrate sensitivity of strain-hardening fiber-reinforced cementitious composites under tensile impact”, Composite Structures, (162), pp 313–324 [65] Pedrycz W (1990), Fuzzy sets in pattern recognition: methodology and methods Pattern Recognit, (23), pp 121–46 [66] Peng Y, Wu H, Fang Q, Liu JZ, Gong ZM (2016), “Flat nosed projectile penetrating into UHP-SFRC target: Experiment and analysis”, International Journal of Impact Enginreeing, (93), pp 88-98 [67] Peng Y, Wu H, Fang Q, Liu JZ, Gong ZM (2016), “Residual velocities of projectiles after normally perforating the thin ultra-high performance steel fiber reinforced concrete slabs”, International Journal of Impact Enginreeing, (97), pp 1-9 [68] Pham Thanh Tung, Nguyen Tu Trung, Nguyen Ngoc Linh, Nguyen Viet Phuong (2020), “A neutral Network Approach for predicting hardened of geopolymer concrete”, International Journal of GEOMATE, 19(74), pp 176-184 [69] Q.M Li, S.R Reid, H.M Wen, A.R Telford (2005), "Local impact effects of hard missiles on concrete targets", International Journal of Impact Engineering, (32), pp 224–284 [70] Rafiei MH, Adeli H (2017), “A novel machine learning‐ based algorithm to detect damage in high‐ rise building structures”, Struct Des Tall Spec Build, (26) [71] Riedel W, Nöldgen M, Straßburger E, Thoma K, Fehling E (2010), “Local damage to Ultra High Performance Concrete structures caused by an impact of aircraft engine missiles”, Nuclear Engineering and Design, (240), pp 2633-2642 [72] Riera JD (1989), “Penetration, scabbing and perforation of concrete structures hit by solid missiles”, Nuclear Engineering and Design, 49 (115), pp 121-131 [73] S Kotsiantis, D Kanellopoulos, P Pintela (2006), "Handling imbalanced datasets: A review", GESTS International Transactions on Computer Science and Engineering, (30), pp 25–36 [74] Schmidt J, et al (2019), “Recent advances and applications of machine learning in solid state materials science”, Npj Computational Materials (83), pp 1-36 [75] Siddique N, Adeli H (2013), Computational intelligence: synergies of fuzzy logic, neural networks and evolutionary computing, John Wiley & Sons [76] Soe KT, Zhang YX, Zhang LC (2013), “Impact resistance of hybridfiber engineered cementitious composite panels”, Composite Structures, (104), pp 320-330 [77] Storm H, Baylis K, Heckelei T (2020), “Machine learning in agricultural and applied economics”, European Review of Agricultural Economics, 47(3), pp 849–892 [78] Sung DU, Oh JH, Kim CG, Hong CS (2000), “Impact monitoring of smart composite laminates using neural network and wavelet analysis”, J Intell Mater Syst Struct., (11), pp 180-190 [79] Thai DK, Kim SE (2014), “Failure analysis of reinfoced concrete walls under impact loading using the finite element approach”, Engineering Failure Analysis, (45), pp 252-277 [80] Thai DK, Kim SE (2015), “Failure analysis of UHPFRC panels subjected to aircraft engine model impact”, Engineering Failure Analysis, (57), pp 88-104 [81] Thai DK, Kim SE (2015), “Numerical simulation of reinforced concrete slabs under missile impact”, Structural Engineering and Mechanics, 53(3), pp 455-479 [82] Thai DK, Kim SE (2018), “Numerical investigation of the damage of RC members subjected to blast loading”, Engineering Failure Analysis, 92, pp 350-367 [83] Thai DK, Pham TH, Nguyen DL (2019), “Damage assessment of 50 reinforced concrete columns retrofitted by steel jacket under blast loading”, Struct Design Tall Spec Build, 29(1), pp 1-15 [84] Thai DK, Tu TM, Bui TQ, Bui TT (2019), “Gradient tree boosting machine learning on predicting the failure modes of the RC panels under impact loads”, Engineering with Computers, 37(1), pp 597-608 [85] Thai DK, Nguyen DL, Nguyen DD (2020), “A calibration of the material model for FRC”, Construction and Building Materials, (254) [86] T Yang, K Vojislav, C Longbing, Z Chengqi (2010), "Testing Adaptive Local Hyperplane for multi-class classification by double cross-validation", Int Jt Conf Neural Networks, (12), pp 1–5 [87] Wang S, Le, HTN, Poh LH, Feng H, Zhang MH (2016), “Resistance of high-performance fiber-reinforced cement composites against highvelocity projectile impact”, International Journal of Impact Enginreeing, (95), pp 89-104 [88] X Wang, S Guan, L Hua, B Wang, X He (2019), "Classification of spot-welded joint strength using ultrasonic signal time-frequency features and PSO-SVM method", Ultrasonics, (91), pp 161–169 [89] Yokoyama S, Matsumoto T (2017), “Development of an automatic detector of cracks in concrete using machine learning”, Procedia Egineering, (171), pp 1250-1255 [90] Yuen K-V (2010), Bayesian methods for structural dynamics and civil engineering, John Wiley & Sons [91] Zhang MH, Shim VPW, Lu G, Chew CW (2005), “Resistance of highstrength concrete to projectile impact”, International Journal of Impact Enginreeing, (31), pp 825-841 [92] Zhang T, Wu H, Fang Q, Huang T, Gong ZM, Peng Y (2017), “UHPSFRC panels subjected to aircraft engine impact: Experiment and numerical simulation”, International Journal of Impact Enginreeing, (109), pp 276-292 51