Ứng dụng trí tuệ nhân tạo trong dự đoán sức chống cắt của đất sau biến dạng

Trong bài viết này sẽ ứng dụng trí thông minh nhân tạo mà cụ thể là thuật toán rừng ngẫu nhiên (RF) để dự báo sức chống cắt còn lại của đất sau biến dạng. Để thực hiện việc mô phỏng, 131 dữ liệu thí nghiệm đã được thu thập từ công bố quốc tế. Bộ dữ liệu bao gồm bốn biến đầu vào là giới hạn chảy LL, chỉ số dẻo PI, độ lệch biểu đồ phân loại Casagrande ∆PI, hàm lượng sét CF.

KHOA HỌC CƠNG NGHỆ ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG DỰ ĐOÁN SỨC CHỐNG CẮT CỦA ĐẤT SAU BIẾN DẠNG Nguyễn Quang Hùng Đại học Thủy lợi Trần Văn Qn Đại học Cơng nghệ Giao thơng vận tải Tóm tắt: Sau bị biến dạng tác động như xói mịn, sạt lở, đất thay đổi đáng kể sức chống cắt Do công tác dự báo suy giảm cường độ chống cắt lớp đất từ giúp dự đốn khả tái diễn xạt lở ổn định với lớp đất bị biến dạng công tác cần thiết Trong báo ứng dụng trí thơng minh nhân tạo mà cụ thể thuật toán rừng ngẫu nhiên (RF) để dự báo sức chống cắt lại đất sau biến dạng Để thực việc mơ phỏng, 131 liệu thí nghiệm thu thập từ công bố quốc tế Bộ liệu bao gồm bốn biến đầu vào giới hạn chảy LL, số dẻo PI, độ lệch biểu đồ phân loại Casagrande ∆PI, hàm lượng sét CF Việc đánh giá mơ hình thực so sánh tập liệu huấn luyện (70% liệu) tập liệu kiểm chứng (30% liệu lại) tiêu chí hệ số tương quan Pearson ® sai số RMSE Kết nghiên cứu cho thấy mơ hình rừng ngẫu nhiên khả thi việc xác định sức chống cắt lại đất sau biến dạng đất với hệ số tương quan cho mơ hình huấn luyện 0.97 kiểm chứng 0.78 Đồng thời, mơ hình rừng ngẫu nhiên tầm quan trọng tính chất đất đến sức chống cắt lại đất biến dạng, theo thứ tự Giới hạn chảy > Độ lệch biểu đồ phân loại Casagrande ∆PI > Hàm lượng sét > Chỉ số dẻo Từ khóa: Trí tuệ nhân tạo (AI), rừng ngẫu nhiên (RF), sức chống cắt, góc ma sát, sạt lở Summary: After being deformed due to disasters such as erosion, landslides, the soil will significantly change its shear strength Therefore, it is necessary to forecast the reduction of the shear strength of these soils to predict the possibility of recurrence of unstable erosion with these deformed layers In this paper, artificial intelligence (RF) will be applied to predict the remaining shear strength of soil after deformation To perform the simulation, 131 experimental data were collected from literature The data set consists of four input variables: LL liquid limit, PI plasticity index, Casagrande’s classification deviation ∆PI, CF clay content The evaluation of the models was made and compared on training data set (70% data) and control data set (30% remaining data) by criteria of Pearson correlation coefficient (R) and RMSE error The results of the study showed that the random forest model is feasible in determining the remaining shear strength of soil after soil deformation with a correlation coefficient for the training model is 0.97 and verified as 0.78 At the same time, the random forest model can show the importance of each soil property to the remaining shear strength of deformed soil, respectively in the order of Liquid Limit> Casagrande classification deviation ∆PI> Clay Fraction > Plasticity index Keywords: Artificial Intelligence (AI), Random forest (RF), shear strength, friction angle, landslide ĐẶT VẤN ĐỀ * Độ ổn định sườn dốc tự nhiên khu vực lở đất phụ thuộc vào thông số cường độ chống cắt lớp đất sét, mức cường độ thay đổi cách đáng kể tùy theo trạng Ngày nhận bài: 20/4/2020 Ngày thông qua phản biện: 25/5/2020 106 thái lớp đất sét Điều đặc biệt với đất sét có độ nhạy cảm cao, cường độ chống cắt chúng trạng thái cực đại cao đáng kể so với trạng thái sau biến dạng tượng sạt lở, ổn định bờ dốc, xói Ngày duyệt đăng: 05/6/2020 TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 60 - 2020 KHOA HỌC mòn mưa Ở trạng thái sau biến dạng, đất sét trải qua biến dạng lớn khơng cịn ngun dạng trước, với liên kết trước bị phá vỡ kết cấu khối đất bị phá hủy Kết là, trạng thái sau biến dạng, đất sét đị kết dính Hơn nữa, góc ma sát (Փr) nhỏ đáng kể so với góc ma sát trạng thái cực đại (Փp), dẫn đến cường độ chống cắt thấp Trong vấn đề địa kỹ thuật liên quan đến biến dạng lớn lở đất, cần sử dụng tham số cường độ cắt sau biến dạng (lực dính cr = góc ma sátՓr) q trình tính tốn, phân tích Đã có nỗ lực để làm rõ mối tương quan góc ma sát trạng thái sau biến dạng đất thuộc tính số giới hạn Atterberg hàm lượng sét (CF) Skempton [1] mối liên quan giá trị Փr với hàm lượng sét Փr giảm theo giới hạn chảy (LL) Mesri Cepeda-Diaz [2] trình bày mối tương quan Փr LL Colotta cộng [3] đưa mối tương quan Փr tham số hàm LL, số dẻo (PI) CF Đối với đất trầm tích, Stark Eid [4] quan sát thấy loại khoáng chất hàm lượng sét chi phối giá trị Փr Sử dụng giá trị LL số khoáng vật sét, họ đề xuất mối tương quan Փr với LL cho khoảng giá trị hàm lượng sét khác Wesley [5] nhận thấy đất sét mức nhiệt độ cao Փr liên quan nhiều tới ∆PI – độ lệch so với đường loại A biểu đồ phân loại Casagrande đưa công thức: ∆PI = PI – 0.73(LL – 20) (1) Sự ảnh hưởng yếu tố giới hạn chảy LL, số dẻo PI hàm lượng sét CF đến góc ma sát Փr, Sridharan Rao [6] thấy hàm lượng sét ảnh hưởng lớn Sử dụng liệu từ mẫu đất thu thập từ 80 khu vực chịu thảm họa sạt lở khác nhau, Tiwari Marui [7] đề xuất biểu đồ hình tam giác để dự đốn góc ma sát đất sau biến dạng Փr, dựa thành phần khoáng vật học Mơ CƠNG NGHỆ hình đưa dự đốn tốt cho mẫu mà họ thử nghiệm, đưa kết dự đoán thấp cho 53 mẫu thử nghiệm Kaya Kwong [8], mẫu thí nghiệm lấy từ vụ lở đất diễn Hawaii Việc dự đốn góc ma sát thấp so với thực tế loại đất phù sa thường trạng thái vô định hình, có mối tương quan nhỏ số đặc tính đất góc ma sát sau biến dạng Hơn nữa, khó để tìm diện tích bề mặt cụ thể phần khoáng vật sét thành phần khoáng khác mẫu đất sét Từ nghiên cứu thấy góc mat sátՓr hàm phụ thuộc vào đặc tính đất giới hạn chảy LL, số dẻo IP, độ lệch biểu đồ phân loại Casagrande ∆PI, hàm lượng sét CF Tuy nhiên, hầu hết mối quan hệ phát triển biểu thị theo dạng biểu đồ Mối tương quan đưa Tiwari Marui [9] dựa hàm lượng khống vật đất sét trình bày dạng biểu đồ Đối với kỹ sư địa kỹ thuật, việc tìm hàm lượng khống vật lúc tiện dụng để thực Do đó, cần phải phát triển mối tương quan phương pháp mà Փr biểu thị theo tất biến có liên quan Das Basudhar [9] sử dụng mơ hình trí tuệ nhân tạo để dự đốn góc ma sát sau biến dạng đất sét với độ xác cao Nhưng nghiên cứu giới hạn với đất số khu vực cụ thể Do đó, nhu cầu cấp thiết phát triển phương pháp phù hợp hiệu để áp dụng cho loại đất có nguồn gốc khác Do vậy, báo thuật toán mạnh việc sử dụng trí thơng minh nhân tạo AI mơ hình rừng ngẫu nhiên ứng dụng để dự đốn góc ma sát đất trạng thái khác dựa vào số đất giới hạn chảy LL, số dẻo PI, độ lệch biểu đồ phân loại Casagrande ∆PI, hàm lượng sét CF Hệ số tương quan R sai số RMSE sử dụng để đánh giá độ xác khả dự báo mơ TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ THỦY LỢI SỐ 60 - 2020 107 KHOA HỌC CÔNG NGHỆ hình Ngồi kết mơ hình rừng ngẫu nhiên giúp xác định thứ tự ảnh hưởng số đất tới góc ma sát THIẾT LẬP MƠ HÌNH DỰ BÁO 2.1 Mơ hình rừng ngẫu nhiên (Random Forest) Random Forests (RF) định họ phương thức học máy (Machine Learning), bao gồm thuật toán khác để tạo tập hợp định, thuật toán Breiman Forest trình bày Breiman [10] thường sử dụng tài liệu mơ hình chuẩn Bản chất thuật tốn rừng ngẫu nhiên kết hợp nhiều định thay đưa lựa chọn dựa định Từ đó, RF giảm lỗi dự đoán cải thiện hiệu suất dự đoán Các bước học tập bao gồm xây dựng tập hợp định, nhóm điều khiển từ tập hợp ‘bootstrap, từ tập học ban đầu, tức sử dụng nguyên tắc đóng bao sử dụng phương pháp cảm ứng gọi ngẫu nhiên Một thuật toán cảm ứng vậy, thường dựa thuật toán phân loại hồi quy [11] Phương pháp rừng ngẫu nhiên cho phép học song song từ nhiều định xây dựng huấn luyện ngẫu nhiên với nhiều tập chứa mẫu khác Mỗi rừng huấn luyện tập hợp với liệu phân phối ngẫu nhiên theo nguyên tắc đóng bao có tính ngẫu nhiên Các kết cuối đưa dạng giá trị trung bình định cho toán hồi quy xác định kết đa số cho toán phân loại liệu Với nhiều ưu điểm rừng ngẫu nhiên (RF), thuật toán áp dụng rộng rãi nhiều ứng dụng khác [12] 2.2 Đánh giá khả dự báo mô hình Trong nghiên cứu này, hai tiêu chí sử dụng hệ số tương quan (R) (correlation coefficient) sai số RMSE (Root Mean Square Error) để dánh giá độ xác mơ rừng ngẫu nhiên phát triển Các giá trị R RMSE ước tính phương trình sau [13]: S p0, j  pt , j    S j 1 RMSE  S  p 0, j R (4)  p0  pt , j  pt  j 1 S  p 0, j  p0  j 1 S  p t, j  pt  (5) j 1 Trong đó: S số lượng mẫu, p0 p0 giá trị thí nghiệm thực tế giá trị thí nghiệm thực tế trung bình, pt pt giá trị dự đốn giá trị dự đốn trung bình, tính theo mơ hình dự báo 2.3 Thu thập liệu Trong nghiên cứu này, 131 liệu thực tế dầm góc ma sát thu thập từ tài liệu công bố tạp chí uy tín giới [14], [15] Mơ hình rừng ngẫu nhiên sử dụng biến đầu vào bao gồm: (1) giới hạn chảy LL, (2) số dẻo PI, (3) độ lệch biểu đồ phân loại Casagrande ∆PI, (4) hàm lượng sét CF Tham số đầu xét tới góc ma sát đất Bộ liệu sử dụng công việc chia ngẫu nhiên thành hai liệu cách sử dụng phân phối thống nhất, 70% liệu sử dụng để đào tạo mơ hình rừng ngẫu nhiên 30% liệu cịn lại dùng việc kiểm chứng mơ hình Mơ tả liệu ghi lại bảng 1, giá trị trung bình, độ lệch chuẩn, giá trị nhỏ nhất, giá trị góc phần tư thứ nhất, góc phần tư thứ hai, góc phần tư thứ ba giá trị lớn Các mẫu thí nghiệm tập hợp từ nhiều loại đất chịu điều kiện thảm họa khác từ vùng khác nên có biến thiên lớn giá trị góc ma sát 5.5° đến 39.0° Bảng 1: Thống kê liệu đầu vào đầu cho mô hình rừng ngẫu nhiên Biến 108 Giới hạn chảy Chỉ số dẻo Độ lệch TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ THỦY LỢI SỐ 60 - 2020 Hàm lượng sét Góc ma sát KHOA HỌC Đơn vị Vai trị Số mẫu Trung bình Độ lệch chuẩn Giá trị nhỏ Giá trị lớn 25% Giá trị lớn 50% Giá trị lớn 75% Giá trị lớn % Đầu vào 131.00 68.79 28.78 22.00 54.00 65.00 82.00 213.00 % Đầu vào 131.00 34.21 19.88 4.50 19.00 33.00 44.45 132.00 % Đầu vào 131.00 -1.41 13.41 -94.89 -4.94 0.53 5.88 29.07 CÔNG NGHỆ % Đầu vào 131.00 30.98 19.45 0.40 17.00 28.00 46.00 91.00 ° Kết 131.00 16.47 8.05 5.50 10.00 13.50 23.35 39.00 mơ hình thể hình Có thể thấy biến đầu vào có tương quan với nhau, khơng có biến thể biểu diễn độc lập thông qua biến khác KẾT QUẢ VÀ THẢO LUẬN Hình 1: Quan hệ biến số đầu vào với Cũng tương quan biến đầu vào Hình 2: Góc ma sát dự đốn cho phần huấn luyện mơ hình rừng ngẫu nhiên RF Hình hình kết góc ma sát dự đoán cho phần huấn luyện tần suất sai số tương ứng giá trị dự đốn mơ hình giá trị thực Hình hình kết góc ma sát dự đoán cho phần kiểm chứng tần suất sai số tương ứng giá trị dự đốn mơ hình RF cho kiểm chứng giá trị thực Hình 3: Tần suất sai số góc ma sát dự đốn RF giá trị thưc tế cho phần huấn luyện TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ THỦY LỢI SỐ 60 - 2020 109 KHOA HỌC CƠNG NGHỆ Hình 4: Góc ma sát dự đốn cho phần kiểm chứng mơ hình rừng ngẫu nhiên RF Hình 5: Tần suất sai số góc ma sát dự đốn RF giá trị thưc tế cho phần kiểm chứng Kết cho thấy mơ hình rừng ngẫu nhiên dự đốn góc ma sát cho khoảng 92 mẫu đất với độ xác tương đối cao cho phần huần luyện Sự sai lệch giá trị dự đoán nhỏ  2.5°, sai số xấp xỉ MPa với khoảng 20 mẫu, kết tốt cho phần huấn luyện mơ hình rừng ngẫu nhiên với sai số RMSE = 1.97° Do vậy, mơ hình RF sau huấn luyện thành công kiểm chứng khoảng 39 mẫu góc ma sát cịn lại Kết hình 4, cho thấy mơ hình RF sau huấn luyện cho kết tương đối tốt với khoảng 39 mẫu góc ma sát cịn lại Sai số mơ hình kiểm chứng tập chung chủ yếu khoảng  10° với sai số RMSE = 4.71° Đặc biệt vào mơ hình rừng ngẫu nhiên RF, vai trị quan trọng thành phần đến góc ma sát đất biểu diễn hình Kết biểu diễn hình cho thấy yếu tố ảnh hưởng lớn đến góc ma sát giới hạn chảy, sau độ lệch so với đường loại A biểu đồ phân loại Casagrande, theo sau hàm lượng sét số dẻo yếu tố ảnh hưởng nhỏ đến góc ma sát đất Mơ hình hồi quy cho phần huấn luyện kiểm chứng thể hình hình Từ hình ta thấy khả dự báo mơ hình tương đối cao sát với góc ma sát thực tế, nhiên có sai số với góc ma sát lớn Giá trị tương quan R thu cho phần huấn luyện R=0.97 phần kiểm chứng R=0.78 Điều cho thấy việc áp dụng mơ hình rừng ngẫu nhiên RF cho việc dự báo góc ma sát đất khả thi Tuy nhiên, hệ số tương quan R dành cho phần kiểm chứng chưa thực cao phần huần luyện 110 Hình 6: Kết hồi quy mơ hình rừng ngẫu nhiên cho phần huấn luyện TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ THỦY LỢI SỐ 60 - 2020 KHOA HỌC CÔNG NGHỆ KẾT LUẬN VÀ KIẾN NGHỊ Hình 7: Kết hồi quy mơ hình rừng ngẫu nhiên RF cho phần kiểm chứng Hình 8: Các yếu tố ảnh hưởng tới góc ma sát đất phân tích mơ hình rừng ngẫu nhiên Trong nghiên cứu này, khả kỹ thuật trí tuệ nhân tạo (AI) dự đốn góc ma sát đất kiểm tra Số lượng liệu dùng cho mô tập hợp từ kết thí nghiệm cơng bố tạp chí uy tín giới Các mẫu đất thí nghiệm tập hợp nhiều loại đất khác từ nhiều vùng khác nên có biến thiên lớn Do việc ứng dụng mơ hình rừng ngẫu nhiên thuật tốn trí thơng minh nhân tạo AI vào dự đốn nghiên cứu góc ma sát đất có ý nghĩa Góp phần dự đốn nguy sảy tai biến thiên nhiên đất biết thông số đầu vào giới hạn chảy, số dẻo, độ lệch biểu đồ phân loại Casagrande ∆PI hàm lượng sét đất Kết mơ hình rừng ngẫu nhiên khả thi việc xác định sức chống cắt lại đất biến dạng đất với hệ số tương quan cho mơ hình huấn luyện 0.97 kiểm chứng 0.78 Sai số mơ hình huấn luyện áp dụng cho kiểm chứng nhỏ chủ yếu tập chung vào khoảng sai số từ  2.5° Ngồi ra, mơ hình rừng ngẫu nhiên tầm quan trọng tính chất đất đến góc ma sát đất biến dạng này, theo thứ tự Giới hạn chảy > Độ lệch biểu đồ phân loại Casagrande ∆PI > Hàm lượng sét > Chỉ số dẻo TÀI LIỆU THAM KHẢO [1] ‘Skempton A.W., The long term stability of clay slopes Geotechnique, 1964, 14, 77-101’ [2] ‘Mesri G., Cepeda-Diaz A.F., Residual strength of clays and shales Geotechnique, 1986, 36, 269-274’ [3] ‘Colotta T., Cantoni R., Pavesi U., Robert E., Moretti P.C., A correlation between residual friction angle, gradation and index properties of cohesive soil Geotechnique, 1989, 39, 343346’ [4] ‘Stark T.D., Eid H.T., Drained residual strength of cohesive soils J Geotech Geoenviron Eng., 1994, 120, 856-871’ TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ THỦY LỢI SỐ 60 - 2020 111 KHOA HỌC CÔNG NGHỆ [5] ‘Wesley L.D., Residual strength of clays and correlations using Atterberg limit Geotechnique, 2003, 53, 669-672’ [6] ‘Sridharan A., Rao P.R., Discussion: Residual strength of clays and correlation using Atterberg limits Geotechnique, 2004, 54, 503-504’ [7] ‘Tiwari B., Marui H., A new method for the correlation of residual shear strength of the soil with mineralogical composition J Geotech Geoenviron Eng., 2005, 131, 1139-1150’ [8] ‘Kaya A., Kwong J.K.P., Evaluation of common practice empirical procedures for residual friction angle of soils: Hawaiian amorphous material rich colluvial soil case study Eng Geol., 2007, 92, 49–58’ [9] ‘Das S.K., Basudhar P.K., Prediction of residual friction angle of clays using artificial neural network Eng Geol., 2008, 100, 142-145’ [10] L Breiman, J Friedman, C J Stone, and R A Olshen, Classification and Regression Trees Taylor & Francis, 1984 [11] L Breiman, Classification and Regression Trees Routledge, 2017 [12] A.-L Boulesteix, S Janitza, J Kruppa, and I R König, ‘Overview of random forest methodology and practical guidance with emphasis on computational biology and bioinformatics’, Wiley Interdiscip Rev Data Min Knowl Discov., 2012, doi: 10.1002/widm.1072 [13] M Shariati et al., ‘Application of a hybrid artificial neural network-particle swarm optimization (ANN-PSO) model in behavior prediction of channel shear connectors embedded in normal and high-strength concrete’, Applied Sciences, vol 9, no 24, p 5534, 2019 [14] S K Das, P Samui, S Z Khan, and N Sivakugan, ‘Machine learning techniques applied to prediction of residual strength of clay’, cent.eur.j.geo., vol 3, no 4, pp 449–461, Dec 2011, doi: 10.2478/s13533-011-0043-1 [15] S Z Khan, S Suman, M Pavani, and S K Das, ‘Prediction of the residual strength of clay using functional networks’, Geoscience Frontiers, vol 7, no 1, pp 67–74, Jan 2016, doi: 10.1016/j.gsf.2014.12.008 112 TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ THỦY LỢI SỐ 60 - 2020 ... Ở trạng thái sau biến dạng, đất sét trải qua biến dạng lớn khơng cịn ngun dạng trước, với liên kết trước bị phá vỡ kết cấu khối đất bị phá hủy Kết là, trạng thái sau biến dạng, đất sét đị kết... biểu thị theo tất biến có liên quan Das Basudhar [9] sử dụng mô hình trí tuệ nhân tạo để dự đốn góc ma sát sau biến dạng đất sét với độ xác cao Nhưng nghiên cứu giới hạn với đất số khu vực cụ... áp dụng cho loại đất có nguồn gốc khác Do vậy, báo thuật toán mạnh việc sử dụng trí thơng minh nhân tạo AI mơ hình rừng ngẫu nhiên ứng dụng để dự đốn góc ma sát đất trạng thái khác dựa vào số đất