Tạp chí Khoa học Cơng nghệ Xây dựng, NUCE 2021 15 (3V): 69–78 ƯỚC LƯỢNG KHẢ NĂNG CHỊU NÉN ĐÚNG TÂM CỦA CỘT ỐNG THÉP NHỒI BÊ TÔNG BẰNG THUẬT TỐN MÁY HỌC Phạm Thái Hồna,∗ a Khoa Xây dựng dân dụng công nghiệp, Trường Đại học Xây dựng, 55 đường Giải Phóng,quận Hai Bà Trưng, Hà Nội, Việt Nam Nhận ngày 30/05/2021, Sửa xong 22/06/2021, Chấp nhận đăng 23/06/2021 Tóm tắt Cấu kiện cột ống thép nhồi bê tông (Concrete-Filled Steel Tube-CFST) với nhiều ưu điểm quan tâm nghiên cứu ứng dụng rộng rãi cơng trình xây dựng khoảng thập kỷ qua Bên cạnh đó, phát triển mạnh mẽ cùa kỹ thuật máy tính mở nhiều hội ứng dụng kỹ thuật trí tuệ nhân tạo (AI) vào thiết kế cơng trình Bài báo giới thiệu ứng dụng XGBoost, kỹ thuật trí tuệ nhân tạo mạnh mẽ để ước lượng khả chịu nén dọc trục cột ống thép nhồi bê tơng (CFST) tiết diện trịn Kết từ 1017 thí nghiệm loại cấu kiện sử dụng làm liệu để huấn luyện mơ hình Các thơng số bao gồm đường kính ngồi tiết diện (D), chiều dày ống thép (t), cường độ chảy thép ( fy ), cường độ chịu nén bê tông ( fc0 ) chiều dài cột (L) sử dụng thông số đầu vào, khả chịu lực nén tâm dọc trục (N) thông số đầu Kết huấn luyện từ mơ hình cho thấy thuật tốn XGBoost ứng dụng hiệu việc ước lượng khả chịu nén dọc trục cột CFST tiết diện trịn với độ xác cao với thời gian ngắn Từ khố: XGBoost; trí tuệ nhân tạo; máy học; ống thép nhồi bê tông; CFST ESTIMATION OF CONCENTRIC AXIAL COMPRESSIVE LOAD-CARRYING CAPACITY OF CONCRETEFILLED STEEL TUBE USING MACHINE LEARNING ALGORITHMS Abstract Concrete-Filled Steel Tube (Concrete-Filled Steel Tube-CFST) columns with many advantages have been studied and widely applied in construction projects for decades Besides, the rapid development of computer engineering has opened up many opportunities to apply artificial intelligence (AI) techniques in building design This paper introduces and applies XGBoost, one of the newest and most powerful artificial intelligence techniques to estimate the concentric axial compressive load-carrying capacity of circular section concrete-filled steel tube (CFST) columns The results from 1017 experiments on this type of columns are used as dataset to train the model The outer diameter of the section (D), the thickness of the steel tube (t), the yield strength of the steel ( fy ), the compressive strength of the concrete ( fc0 ), and the length of the column (L) are used as input parameters, while the axial compression force capacity (N) is the output parameter The training results from the model showed that the XGBoost algorithm can be effectively applied in estimating the axial compressive capacity of the circular section CFST columns with high accuracy and short time Keywords: XGBoost; artificial intelligence; machine learning; concrete-filled steel tube; CFST https://doi.org/10.31814/stce.nuce2021-15(3V)-06 © 2021 Trường Đại học Xây dựng (NUCE) Giới thiệu Cột ống thép nhồi bê tông (concrete-filled steel tube) (CFST) kết cấu bao gồm ống thép lấp đầy bên bê tông Ống thép lúc đóng vai trị vừa ván khn cho trình đổ bê ∗ Tác giả đại diện Địa e-mail: hoanpt@nuce.edu.vn (Hoàn, P T.) 69 Hoàn, P T / Tạp chí Khoa học Cơng nghệ Xây dựng tơng, vừa tham gia tăng cường khả chịu tải bê tơng Trong đó, việc nhồi bê tơng giúp tăng ổn định ống thép độ dẻo tiết diện Ngồi ra, cột CFST cịn có khả hấp thụ lượng cao, độ bền cao khả chống cháy tốt [1, 2] Vì vậy, ứng xử cột CFST quan tâm nghiên cứu rộng rãi suốt ba thập kỷ qua Bài báo tập trung nghiên cứu cột CFST tiết diện trịn dạng tiết diện có độ cứng độ bền chảy tốt so với dạng tiết diện chữ nhật hình vng nghiên cứu trước [3–6] Trong suốt nhiều thập kỷ qua, nhiều thí nghiệm cọc tròn CFST thực với nhiều trọng tâm nghiên cứu khác như: cường độ bê tông [7], tỉ lệ đường kính độ dày ống thép [8] hay ảnh hưởng liên kết bê tơng ống thép [9], v.v Một số chương trình thí nghiệm lớn cọc CFST kể đến sau Chương trình thí nghiệm Knowles Park [10] thực vào cuối năm 1960 nhằm đánh giá ứng xử cột CFST chịu tải tâm tải lệch tâm Các thí nghiệm Liu Goel [11] cuối năm 1980 nhằm đánh giá ứng xử cọc CFST chịu tải trọng động theo chu kỳ Kilpatrick Rangan [12] nghiên cứu ảnh hưởng việc sử dụng bê tông cường độ cao cột CFST Sakino cs [13] nghiên cứu ảnh hưởng hình dạng cường độ ống thép, tỷ lệ đường kính ống chiều dày cường độ bê tơng Tuy nhiên, số lượng thí nghiệm thực nhiều hạn chế chương trình thí nghiệm thường địi hỏi tiêu tốn nhiều tiền bạc, hệ thống thiết bị thử nghiệm đắt tiền, tốn nhiều thời gian công sức người Dựa kết thực nghiệm, công thức thiết kế cọc CFST đề xuất Một cách truyền thống, công thức thiết kế xây dựng dựa phương pháp lý thuyết mô dựa ứng xử làm việc chung loại vật liệu thép bê tông lấy kết thí nghiệm để đánh giá độ xác cơng thức mơ hình đề xuất Tuy nhiên, sai số trình thí nghiệm, sai khác chương trình thực nghiệm ảnh hưởng yếu tố thời tiết, vật liệu đầu vào hay tay nghề người thực khiến cho công thức xây dựng nhà khoa học có khác đáng kể Ví dụ, cơng thức xác định khả chịu tải cột CFST cung cấp tiêu chuẩn Eurocode [14], ACI 318 [15] AISC 360 [16], nhiên, khơng có cơng thức số có tương đồng với Các mơ hình xây dựng dựa mối quan hệ ứng suất-biến dạng giả định trước ống thép bê tơng lịng nên tính xác mơ hình dấu hỏi lớn Gần đây, với phát triển mạnh mẽ khoa học máy tính, kỹ thuật máy học (machine learning-ML) ứng dụng rộng rãi lĩnh vực khoa học sống Các kỹ thuật ML hiểu cách đơn giản phương pháp cho phép xây dựng mơ hình tốn học phức tạp có độ xác cao nhằm thể mối quan hệ thông số đầu vào thông số đầu tập liệu cho trước Với quan điểm này, ML nhiều nhà khoa học sử dụng để xác định ứng xử cơng trình [17–20] Ứng dụng ML ước lượng ứng xử cột CFST nghiên cứu rộng rãi [21, 22] Các nghiên cứu cho thấy có liệu đủ lớn kỹ thuật ML hồn tồn sử dụng để xây dựng nên mơ hình hiệu để ước lượng ứng xử cơng trình nhằm thay hỗ trợ việc xác hóa cơng thức thiết kế truyền thống Một số thuật toán ML mạnh mẽ kể đến là: Gradient Tree Boosting (GTB), học sâu (Deep Learning) (DL), Support Vector Machine (SVM), rừng ngẫu nhiên (Random Forest) (RF), định (Decision Tree) (DT), v.v Hiệu ứng dụng thuật tốn ML thiết kế cơng trình phụ thuộc nhiều yếu tố việc lựa chọn tham số hệ thống phù hợp cho lớp toán cụ thể quan trọng Mỗi lớp toán cần thực hiện, phân tích để tìm cách sử dụng tham số cho mơ hình huấn luyện hiệu tối ưu mặt thời gian Trên sở phân tích trên, nghiên cứu này, tác giả trình bày chi tiết cách xây dựng mơ hình huấn luyện cho tốn ước lượng khả chịu tải cột CFST sử dụng thuật toán Extreme 70 Hồn, P T / Tạp chí Khoa học Cơng nghệ Xây dựng Gradient Boosting (XGBoost) XGBoost thuật toán ML Chen Guestin [23] đề xuất năm 2016 tỏ hiệu việc giải tốn phân tích hồi qui phân loại [23–25] Một tập liệu kết thí nghiệm bao gồm 1017 mẫu cột CFST tròn sử dụng để huấn luyện kiểm tra chương trình xây dựng Ba mơ hình ML khác bao gồm SVM, RF Adaboost sử dụng để chứng minh tính hiệu chương trình đề xuất Thuật tốn XGBoost XGBoost Chen Guestin [23] đề xuất vào năm 2016 dựa ngun lý chung chí Khoa học Cơng nghệ Xây dựng, NUCE2020 p-ISSN 2615-9058; e-ISSN 2734-9489 thuật toán câyTạp GTB sở kết hợp nhiều định có độ sai số cao (cịn gọi sở hay học yếu) thành định tốt Nguyên lý mơ tả Hình Đầu tiên, định tạo cách ngẫu nhiên Tương ứng với 114 liệu xác, yi , gọi z1i Các giá trị z1i sai số mơ hình huấn liệu đầu vào Xi , ước lượng liệu đầu y1i Lúc sai số liệu ước lượng được, luyện Để giảm sai số này, ra1 định thứ tạo Khác với y1i , 115 liệu xác, yi , gọi zi Các giá trị z1i sai số mơ hình huấn luyện 116 định thứ nhất, liệu đầu cho thứ giá trị Thơng đầuthứ nhất, liệu Để giảm sai số này, định thứ tạo Khác với câyzira số định đầu117 chocây câythứ thứ2 2gọi zi Thơng số zđầu 2thứ gọi yi độ yi2làvàcác độgiá sai trị lệch với giá sai trị lệch i gọi zi Hiển nhiên 2 với zi 2gọi zi Hiển nhiên giá trị z bé z hay nói cách khác sai số mô 118 zi bé z1i hay nói cách khác sai sối mơ hìnhi huấn luyện lúc hình huấn luyện lúc giảm Cứ vậy, với việc tạo nhiều định, Cứ nhưluyện vậy, với hay tuầnđộ tự nhiều định, tăng sai sốlên Giá mơ hình sai 119 số củagiảm mơ hình huấn việc giảmtạo dần xácracủa trị ước lượng 120 huấn luyện giảm dần hay độ xác tăng lên Giá trị ước lượng cuối cuối mơ hình huấn luyện GTB là: 121 122 mơ hình huấn luyện GTB là: yi' m j yi j y0i = m X j yi j=1 (1) m 123đó m số câyđịnh định sử dụng sốđócây sử dụng 124 125 Hình1.1.Sơ Sơ đồ đồ minh minh họa trình huấn Hình huấn luyện luyệncủa củathuật thuậttốn tốnGTB GTB 126 Q trình huấn luyện GTB q trình tối thiểu hóa tổng sai số giá 127 trị ước lượng cuối yi' yi ( i 1, 2, , N ) thể qua hàm mát L yi , yi' 128 129 130 Có nhiều dạng hàm mát sử dụng, phổ biến hàm sai số tồn phương trung bình (mean squared error) (MSE) viết dạng sau: 71 (1) Hồn, P T / Tạp chí Khoa học Cơng nghệ Xây dựng Q trình huấn luyện GTB q trình tối thiểu hóa tổng sai số giá trị ước lượng cuối yi yi (i = 1, 2, , N) thể qua hàm mát L yi , y0i Có nhiều dạng hàm mát sử dụng, phổ biến hàm sai số tồn phương trung bình (mean squared error) (MSE) viết dạng sau: MS E = N X 2 yi − y0i (2) i=1 Để nâng cao hiệu thuật toán GTB, đặc biệt tránh tượng mơ hình q khớp, thuật tốn XGBoost hàm quy hóa (regularization) Ω () thêm vào hàm mát vòng lặp thứ t thể sau: J (t) = N t X X L yi , yi0(t) + Ω ( fn ) i=1 (3) n=1 hàm fn chưa thông tin cấu trúc định điểm Lúc này, thông qua trình tối ưu hàm mục tiêu J, cấu trúc định tối ưu Tuy nhiên, việc huấn luyện định toán phức tạp nhiều so với tốn tối ưu thơng thường khó để kiểm soát tất lúc Do vậy, giải pháp bổ sung thường áp dụng học giữ cố định lại thêm thời điểm Lúc này, thơng số đầu yi0(t) xác định sau: yi (0) = 0 yi (1) = f1 (Xi ) = yi (0) + f1 (Xi ) 0 yi (2) = f1 (Xi ) + f2 (Xi ) = yi (1) + f2 (Xi ) yi (t) = t X (4) fn (Xi ) = yi (t−1) + ft (Xi ) n=1 Nếu xem hàm tối ưu hàm MSE phương trình (3) lúc viết thành: J (t) N t X X (t) = L yi , yi + Ω ( fn ) i=1 n=1 N X L yi , yi (t−1) + ft (Xi ) + Ω ( ft ) + constant = (5) i=1 Vế phải phương trình (5) sử dụng biến đổi Taylor giữ đến số hạng bậc Lúc ta có: J đó: (t) # N " X (t−1) = L yi , yi + gi ft (Xi ) + hi ft (Xi ) + Ω ( ft ) + constant i=1 gi = ∂y0 (t−1) L yi , yi (t−1) i hi = ∂ y (t−1) L yi , yi (t−1) i 72 (6) (7) Hoàn, P T / Tạp chí Khoa học Cơng nghệ Xây dựng Loại bỏ số công thức (6), trình tối ưu tối thiểu hóa hàm: J 0(t) # N " X = gi ft (Xi ) + hi ft (Xi ) + Ω ( ft ) i=1 (8) Công thức (8) cho thấy hàm mục tiêu lúc phụ thuộc vào gi hi Do đó, XGBoost tùy chọn hàm mát hiệu áp dụng cho nhiều dạng hàm mát với cách giải xem gi hi biến đầu vào Hàm cấu trúc fn định nghĩa sau: ft (X) = wq(X) (9) w véc-tơ điểm lá, q hàm gán cho liệu tương ứng Hàm Ω ( fn ) chọn sau [20]: T X Ω ( fn ) = γT + λ w j=1 j (10) γ thể cho độ phức tạp tổ chức định; T số lượng định; λ hệ số phóng đại hàm phạt; w véc-tơ điểm Lúc hàm mục tiêu viết thành: T Xây dựng, NUCE2020 p-ISSN 2615-9058; e-ISSN 2734-9489 X học Cơng nghệ X X Tạp chí Khoa 0(t) J ≈ g w + h + λ w j i i j + γT i∈I j i∈I j i=1 (11)thấy tài l 177 cs [26] thu thập " # sử dụng Chi tiết liệu xem tìm T X 1Các liệu bao2 gồm thông số: D, t, cường độ chảy thép (fy), cường độ c = 178 G j w[26] H j + λ w j + γT j+ 179 nén bê tông (fc’), chiều dài cột (L) khả chịu nén tâm cột (N) i=1 180 phân bố thông số thể Hình Các giá trị lớn (GTL 181trong giá trịthứ nhỏ j (GTNN) giá trịcực trung bình mát thơng I j đại diện cho tất mẫu Bây bàivàtoán tiểu của(GTTB) hàm đượcsố Kết thấy phần cột CFST thí nghiệm với nút cường độ thép thô chuyển thành tốn tìm giá trị nhỏ182 hàm bậccho hai Nói cáchlớn khác, sau phân chia 183 thường (trên 90% mẫu có f 460 MPa 75% mẫu có f ’ ≤ 50 MPa) Cùng y c định, hiệu suất mơ hình cải thiện phân chia chấp 184 phần lớn mẫu dạng tiết diện khơng chắc, có tiết nhận Nếu khơng, q trình chia tách nút dừng lại Nhờ đó, phân chia nút định diện thuộc mảnh Sự tương quan thơng số thể Hình Kết cho th dừng sớm giúp tăng hiệu suất185 trình huấn luyện tránh tượng mơ hình q khớp 186 có mối tương quan lớn N D N t Xây dựng tập liệu huấn luyện Hình thể tiết diện ngang điển hình cột CFST tiết diện trịn Trong đó, đường kính tiết diện chiều dày ống thép ký hiệu D t Tập liệu gồm 1017 kết thí nghiệm cột CFST tiết diện tròn chịu nén tâm Thai cs [26] thu thập sử dụng Chi tiết liệu xem tìm thấy tài liệu 187 [26] Các liệu bao gồm thông số: D, t, cường 188 độ chảy thép ( fy ), cường độ chịu nén bê tông ( fc ), chiều dài cột (L) khả chịu nén 73 Minh họa ống tiết thép diệnnhồi ống bê thép Hình Hình Minh họa tiết diện tơng CFST nhồi bê tơng CFST Hồn, P T / Tạp chí Khoa học Công nghệ Xây dựng tâm cột (N) Sự phân bố thông số thể Hình Các giá trị lớn (GTLN), giá trị nhỏ (GTNN) giá trị trung bình (GTTB) thông số thể Kết cho thấy phần lớn cột CFST thí nghiệm với cường độ thép thông thường (trên 90% mẫu có fy 460 MPa 75% mẫu có fc0 ≤ 50 MPa) Cùng với phần lớn mẫu 187 187dạng tiết diện không chắc, có tiết diện thuộc dạng mảnh Sự tương quan thông Minh họadiện tiết ống diệnthép ống nhồi thép bê nhồi bêCFST tông CFST 188 188 HìnhHình Minh họa tiết tơng 189 189 190 190 Tạp chí Khoa học Cơng nghệ Xây dựng, NUCE2020 p-ISSN 2615-9058; e-ISSN 2734-9489 Tạp chí Khoa học Cơng nghệ Xây dựng, NUCE2020 p-ISSN 2615-9058; e-ISSN 2734-9489 Tạp chí Khoa học Công nghệ Xây dựng, NUCE2020 p-ISSN 2615-9058; e-ISSN 2734-9489 Tạp chí Khoa học Cơng nghệ Xây dựng, NUCE2020 p-ISSN 2615-9058; e-ISSN 2734-9489 kính ngồi củacủa cột (D) a) (a) Đường kính ngồi cột a)Đường Đường kính ngồi của(D) cột (D) Chiềucủa dày ống thép(t) (t) b) Chiều dày thép b)(b)Chiều dàyống ống thép (t) 7 191 191 191 191 192 192 192 192 193 193 193 193 194 194 194 194 195 195 195 195 (c) Chiều dàidài cột (L) c) Chiều cột (L) c)c)c) Chiều dài cột (L) Chiều dài cột (L) Chiều dài cột (L) (d) Cường độ chảy thép ( fy ) (f (f d) Cường độ chảy thép ) y) d)d) Cường độđộ chảy thép y) yy(f chảy thép d)Cường Cường độ chảy thép (e) Cườngđộ độ chịu chịu nén củacủa bê tông (tông fc ) (f) Khả chịunén nén tâm của cột (N) Cường nén bê Khả chịu tâm (N) c’) f) f) e) Cường độ chịu nén bê tông (f(fc(f ’) Khả chịu nén tâm cộtcột (N) e)e)e) Cường độ chịu nén bê tông ’) f) Khả chịu nén tâm (N) c Cường độ chịu nén bê tông (fc’) f) Khả chịu nén tâm củacộtcột (N) Hình Phân bố thơng số cột CFST Hình Phân bố thơng số cột CFST Hình Phân bố thơng sốsốcột CFST Hình Hình3.3.Phân Phânbốbốcủa củacác cácthơng thơng sốcột cộtCFST CFST 74 193 Hồn, P T / Tạp chí Khoa học Cơng nghệ Xây dựng e) Cường độ chịu nén bê tông (fc’) f) Khả chịu nén tâm cột (N) 194 số thể Hình Kết cho thấy có mối tương quan lớn N D 195 Hình Phân bố thơng số cột CFST N t 196 197 Hình 4 Tương cácthơng thơngsốsố khảo Hình Tươngquan quan giữa khảo sát sát Trong mơ hình huấn luyện, thông số đầu vào lựa chọn thơng số: D, Trong mơ hình huấn luyện, thơng số đầu vào lựa chọn thông số: D, t, fy , fc0 L t, fy, fc’ L Thơng số đầu có thơng số N Từ tập liệu ban đầu, tập 199 Thơng số đầu có thông số N Từ tập liệu ban đầu, tập liệu riêng biệt xây dựng 200 riêng biệt xây dựng tập huấnđược luyện tập kiểm tra Các liệu tậpliệu huấn luyện vàđược tập kiểm tra Các liệu chuẩn hóa khoảng [0, 1] dựachuẩn công thức sau: xi xi0 =8 (12) [xi ] 198 [xi ] giá trị lớn biến đầu vào xi Dạng mơ hình sử dụng nghiên cứu mơ hình hồi quy Ngơn ngữ lập trình Python thư viện Sklearn sử dụng để xây dựng chương trình huấn luyện Một số thơng số mơ hình huấn luyện sử dụng thuật tốn XGBoost lấy sau: số lượng định n_estimators = 10000, dạng định ‘gbtree’, tỉ lệ học lấy learning_rate = 0,01, dạng hàm mát MSE, γ = λ = Các tham số khác lấy theo giá trị hệ thống cho sẵn Lưu ý rằng, giá trị xác định dựa việc thử nhiều lần nhằm tìm kết tốt cho mơ hình huấn luyện Kết Trong phần này, hiệu suất XGBoost so sánh với thuật toán ML phổ biến khác SVM, RF Adaboost Để tăng tính khách quan kết tính tốn thuật toán, kỹ thuật Kfold sử dụng với 10 tập khác Điều có nghĩa tập liệu chia thành 10 tập con, chạy 10 lần lần chạy lấy tập tạo thành tập huấn luyện tập lại tập kiểm tra mơ hình Kết cuối giá trị trung bình 10 lần chạy Để giảm thiểu ảnh hưởng tính ngẫu nhiên q trình huấn luyện, thuật toán chạy 10 lần độc lập Kết so sánh thuật toán đánh giá dựa giá trị MSE, hệ số R2 hệ số R2 hiệu chỉnh (R2 ) Kết mơ hình huấn luyện tập kiểm tra thể Bảng Kết cho thấy giá trị MSE trung bình sử dụng XGBoost 7,08E-5, nhỏ nhiều so với kết thu sử dụng SVM, RF Adaboost Mơ hình huấn luyện sử dụng 75 Hồn, P T / Tạp chí Khoa học Cơng nghệ Xây dựng XGBoost cho kết R2 R2 cao thuật toán ML xem xét Điều có nghĩa rằng, tốn xem xét, XGBoost có hiệu suất tốt thuật tốn SVM, RF Adaboost Ngồi ra, thời gian chạy trung bình XGBoost 18,38 (s), nhỏ nhiều so với 29,32 (s) SVM, 68,73 (s) RF 34,67 (s) Adaboost Bảng So sánh thuật toán ML tập kiểm tra Tạp chíTạp Khoa học Cơng NUCE2020 p-ISSN 2615-9058; e-ISSN 2734-9489 chí Khoa học nghệ CơngXây nghệdựng, Xây dựng, NUCE2020 p-ISSN 2615-9058; e-ISSN 2734-9489 Lần chạy XGBoost SVM R2 RF R2 MSE R MSE R MSE 5.07E-5 0,990 0,990 0,990 0,990 2.21E-42.21E-4 0,972 0,972 0,970 0,970 4.43E-44.43E-4 0,963 5.07E-5 3,21E-5 0,995 0,994 2,25E-4 0,968 0,966 2,15E-4 62 3.56E-5 0,994 0,994 2.60E-4 0,965 0,963 1.73E-4 0,980 4,35E-5 0,994 0,994 0,9930,994 2,33E-4 0,963 0,961 2,24E-4 3.56E-5 2.60E-4 0,965 0,963 1.73E-4 4,67E-5 0,994 0,993 0,994 0,993 2.35E-4 2,35E-40,967 0,9600,965 0,958 2,33E-4 73 3.55E-5 3.78E-4 0,968 3.55E-5 0,994 0,994 2.35E-4 0,967 0,965 3.78E-4 1,78E-4 0,985 0,985 2,60E-4 0,962 0,960 2,22E-4 85 1.93E-4 0,975 0,973 2.25E-4 0,967 0,965 1.89E-4 0,975 5,07E-5 0,990 0,975 0,9900,973 2,21E-4 0,972 0,970 4,43E-4 1.93E-4 2.25E-4 0,967 0,965 1.89E-4 3,56E-5 0,995 0,994 0,995 0,994 2.26E-4 2,60E-40,968 0,9650,966 0,963 1,73E-4 96 3.12E-5 1.90E-4 0,971 3.12E-5 0,995 0,995 2.26E-4 0,968 0,966 1.90E-4 3,55E-5 0,994 0,994 2,35E-4 0,967 0,965 3,78E-4 10 6.11E-5 0,989 0,989 2.54E-4 0,967 0,965 2.74E-4 0,970 10 6.11E-5 2.54E-4 0,967 0,965 2.74E-4 1,93E-4 0,975 0,989 0,9730,989 2,25E-4 0,967 0,965 1,89E-4 Trung 3,12E-5 0,990 0,995 0,990 0,995 2.37E-4 2,26E-40,966 0,9680,964 0,966 1,90E-4 Trung 0,971 7.08E-5 2.54E-4 0,990 2.37E-4 0,966 0,964 7.08E-5 0,990 2.54E-4 bình 10 6,11E-5 0,989 0,989 2,54E-4 0,967 0,965 2,74E-4 bình Trung T 18.38 tb (s) Ttb (s) 7,08E-5 0,99018.38 0,990 bình 29.32 29.32 2,37E-4 0,966 0,964 R 0,961 0,963 0,970 0,979 0,970 0,980 0,972 0,966 0,968 0,969 0,973 0,963 0,975 0,980 0,970 0,971 0,968 0,968 0,970 0,975 0,971 0,969 0,971 0,970 68.73 68.73 2,54E-4 0,971 Adaboost R2 MSE 7.47E-57.47E-5 0,987 0,961 0,968 9,88E-5 3.10E-43.10E-4 0,977 0,968 1,77E-4 0,979 0,971 3,77E-4 3.59E-43.59E-4 0,957 0,966 0,968 9,37E-5 8.92E-58.92E-5 0,984 0,961 7,47E-5 0,973 0,979 3,10E-4 7.49E-57.49E-5 0,988 0,970 0,966 3,59E-4 8.66E-58.66E-5 0,989 0,968 0,973 8,92E-5 0,970 7,49E-5 0,980 1.74E-41.74E-4 0,969 0,968 8,66E-5 0,969 R2 0,986 0,987 0,985 0,975 0,982 0,977 0,967 0,955 0,957 0,982 0,983 0,987 0,984 0,977 0,987 0,988 0,957 0,988 0,989 0,984 0,988 0,979 0,980 0,989 34.67 1,74E-4 34.67 0,980 R2 0,986 0,985 0,981 0,975 0,965 0,955 0,981 0,986 0,983 0,975 0,987 0,955 0,988 0,983 0,987 0,979 0,988 0,979 68,73huấn 34,67 229 229T tb (s)Để điĐể sâuđi18,38 vào giá độgiá xác huấn luyệnluyện sử dụng XGBoost, sâuđánh vào đánh độ29,32 xácmơ củahình mơ hình sử dụng XGBoost, kết ước thu từ việc ngẫu nhiênnhiên lần chương trình trình huấnhuấn luyệnluyện đượcđược 230 230 quảlượng ướcđánh lượng từchạy việc chạy ngẫu lầndụng chương Đểkết sâu vào giá thu độ xác mơ hình huấn luyện1sử XGBoost, kết ước lượng 231 231 so giá trị xác tương ứng Tỉ lệtrình mẫu tập luyện với tậpvàgiá kiểm tra làtraxác so với sánh với giá trị xác tương ứng Tỉ lệhuấn mẫuluyện củahuấn tập huấn luyện tậptrịkiểm thusánh từ việc chạy ngẫu nhiên lần chương so sánh 232 232 80/20 KếtTỉquả trình bày Hình Cáctra nétKết đứt hình thể mối tương 80/20 ứng lệ mẫu tập huấn luyện tậpHình kiểm 80/20 trìnhhình bàyhiện Hình Kết quảcủa trìnhtrong bày 5.đường Các đường nét đứt thể mối Các đường nét đứt hình mối giữalượng giá trịtừ thí nghiệm giáđường trịnày ướccó lượng mơ 233 233 quan hệ trị thítrị nghiệm giá ước từ mơ hình Các đường dạng quan hệgiá giá thíthể nghiệm vàtrịquan giá trịhệlượng ước mơ hình Các cótừdạng hình Các đường có dạng phương trình y = ax + b Một mơ hình tốt có giá trị a tiến gần đến 234 234 phương trình y=ax+b Một mơ sẽtốt có giácótrịgiá a tiến b1 tiến phương trình y=ax+b Mộthình mơ tốt hình trị agần tiếnđến gần1đến b gần tiếnđến gần đến b tiến gần đến Ta thấy Hình 5, mơ hình XGBoost có độ xác cao đối 235 235 Hình 5, mơ hình có độ cao với cóthấy thểrằng thấy mơ hình cóchính độ xácquan rấtđối cao đốiđược với vớiTa tậpTa huấn luyện tập kiểm tra Hình hệ5, số a >XGBoost 0,98 XGBoost b nhỏ Hệ sốxác tương R đạt 236 236 huấn luyện tậpvàkiểm tra khitrahệkhi sốhệ a >số0.98 b Hệ sốHệ tương quanquan R R2 tập98,4% huấn luyện tập kiểm a > 0.98 bnhỏ nhỏ số tương lên tập đếncả 237 237 đạt lên đến đạt lêntrên đến98.4% 98.4% 238 238 239 239 240 240 Xét với huấntập luyện a)với Xéttập với huấn a)(a)Xét tập huấn luyệnluyện (b) Xét với tậptập kiểmkiểm tra tra b)với Xét với b) Xét tập kiểm tra Hình Giá trị ước lượng mơ hình huấn luyện so với kết thí nghiệm ước lượng củahình mơ huấn hình huấn vớiquả kếtthí quảnghiệm thí nghiệm Hình Hình Giá5.trịGiá ướctrịlượng mô luyệnluyện so vớisokết 76 Tầm trọng quan trọng củathông thông đầuđược vào thể trong Cóthấy thể thấy 241 241 Tầm quan số đầusốvào thể HìnhHình Có6.thể đường kính ngồi của(D) cộtcó(D) cóhưởng ảnh hưởng nhấtmơ đếnhình mơ hình lớn đường kính ngồi cột ảnh đến huấnhuấn luyệnluyện lớn 242 242 hơnnhiều nhiều vớithông thơng sốlại cịnTiếp lại Tiếp theolàđó chiều dày của ống (t) ống (t) 243 243 so vớisocác số cịn theo chiều dày Hồn, P T / Tạp chí Khoa học Cơng nghệ Xây dựng Tầm quan trọng thông số đầu vào thể Hình Có thể thấy đường kính ngồi cột (D) có ảnh hưởng đến mơ hình huấn luyện lớn nhiều so với thơng số cịnTạp lại.chíTiếp lànghệ chiều củaNUCE2020 ống p-ISSN (t) Ảnh hưởng các2734-9489 thông số fy , fc0 L Khoatheo học Công Xâydày dựng, 2615-9058; e-ISSN đến mơ hình huấn luyện tương đồng với 245 Hình trọng củacác cácthơng thơngsốsốđầu đầuvào vào Hình6.6.Tầm Tầm quan quan trọng 246 247 Kết luận 248 Trong nghiên cứu này, chương trình ước lượng khả chịu nén dọc trục Kết luận 249 cột CFST tiết diện tròn xây dựng XGBoost, thuật toán máy 250Trong học mạnhcứu nhấtnày, hiệnmột nay,chương sử dụng tậpkhả liệu gồm kết nghiên trình ướcMột lượng chịu1017 nén dọc trụcthí củanghiệm cột CFST tiết 251trịnvề cột xây CFST tiết XGBoost, diện trịn chịu nén tâmthuật đượctốn sử máy dụnghọc làmmạnh liệu huấn diện dựng hiệnluyện nay, sử dụng tập 1017 kết quảtrình thí nghiệm vềđường cột CFST diệncủa trịn tâm 252 Một Thơng sốliệu đầu gồm vào chương bao gồm: kínhtiết ngồi tiếtchịu diệnnén (D), chiều sử253 dụng dày làm liệu huấn luyện Thơng số đầu vào chương trình bao gồm: đường kính ngồi ống thép (t), cường độ chảy thép (fy), cường độ chịu nén tiêu chuẩn bê tiết (D), (fchiều dày ống thép (t), cường độ chảy thép ( fy ), cường độ chịu tiêu chuẩn 254diện tông nén tâm nén cột c’) chiều dài cột (L) Thông số đầu khả chịu bê tông ( f ) chiều dài cột (L) Thông số đầu khả chịu nén tâm cột c huấn luyện mơ hình sử dụng XGBoost có MSE trung bình 7.08E-5,(N) Kết 255 (N) Kết huấn luyện mơ hình sử dụng XGBoost có MSE trung bình 7,08E-5, giá trị trung bình 256 giá trị trung bình R2 R2 hiệu chỉnh 99% So với SVM, RF R2 R2 hiệu chỉnh 99% So với SVM, RF Adaboost, hiệu2 suất 2của XGBoost tốt 257 Adaboost, hiệu suất XGBoost tốt xét số MSE, R R hiệu chỉnh xét số MSE, R2 R2 hiệu chỉnh Thời gian huấn luyện thuật toán XGBoost 258 Thời gian huấn luyện thuật toán XGBoost nhanh Do đó, ta kết nhanh Do đó, ta kết luận thuật tốn XGBoost ứng dụng hiệu việc luận thuật dụngtiết hiệu việc ước lượng khả 259lượng ước khảrằng chịutoán nénXGBoost dọc trục có củathể cộtứng CFST diện trịn 260 chịu nén dọc trục cột CFST tiết diện tròn 261liệu tham khảo Tài 262 Alatshan, Tài liệu khảo [1] F., tham Osman, S A., Mashiri, F., Hamid, R (2019) Explicit Simulation of Circular CFST Stub Columns with External Steel Confinement AxialRCompression Materials, 13(1):23 263 [1] Alatshan F, Osman SA, Mashiri under F, Hamid (2019) Explicit simulation of circular [2] Akbar, A., Farooq, F., Shafique, M., Aslam, F., Alyousef, R., Alabduljabbar, H (2021) Sugarcane bagasse 264 ash-basedCFST stub columns with external steel confinement underJournal axial compression engineered geopolymer mortar incorporating propylene fibers of Building EngineerMaterials 13: 23 265 ing, 33:101492 [3] Ren, Q., Li, M., Zhang, M., Shen, Y., Si, W (2019) Prediction of Ultimate Axial Capacity of Square 266 [2] Akbar A, Farooq F, Shafique M, Aslam F, Alyousef R, Alabduljabbar H (2021) Concrete-Filled Steel Tubular Short Columns Using a Hybrid Intelligent Algorithm Applied Sciences, Sugarcane bagasse ash-based engineered geopolymer mortar incorporating 267 (14):2802 268 Zhang, Lyu, propylene fibers J Build.and Eng 33: 101492 [4] Yu (2019) Prediction Analysis of the Residual Capacity of Concrete-Filled Steel Tube Stub Columns under Axial Compression Subjected to Combined Freeze–Thaw Cyclescapacity and Acid Rain [3] Ren Q, Li M, Zhang M, Shen Y, Si W (2019) Prediction of ultimate axial 269 Corrosion Materials, 12(19):3070 270 of square concrete-filled steel tubular short columns using a hybrid intelligent 77 11 Hồn, P T / Tạp chí Khoa học Công nghệ Xây dựng [5] Việt, V Q., Hùng, T V., Hoàn, P T (2019) Nghiên cứu khả chịu uốn ống tròn hai lớp thép nhồi bê tơng có liên kết mối nối mơ phần tử hữu hạn Tạp chí Khoa học Cơng nghệ Xây dựng (KHCNXD) - ĐHXD, 13(4V):115–128 [6] Viet, V Q., Ha, H., Hoan, P T (2019) Evaluation of ultimate bending moment of circular concrete–filled double skin steel tubes using finite element analysis Journal of Science and Technology in Civil Engineering (STCE) - NUCE, 13(1):21–32 [7] Chen, J B., Chan, T M., Castro, J M (2017) Parametric study on the flexural behaviour of circular rubberized concrete-filled steel tubes Tubular Structures XVI, CRC Press, 51–59 [8] Li, G., Chen, B., Yang, Z., Feng, Y (2018) Experimental and numerical behaviour of eccentrically loaded high strength concrete filled high strength square steel tube stub columns Thin-Walled Structures, 127: 483–499 [9] Javed, M F., Sulong, N H R., Memon, S A., Rehman, S K U., Khan, N B (2017) FE modelling of the flexural behaviour of square and rectangular steel tubes filled with normal and high strength concrete Thin-Walled Structures, 119:470–481 [10] Knowles, R B., Park, R (1969) Strength of Concrete Filled Steel Tubular Columns Journal of the Structural Division, 95(12):2565–2588 [11] Liu, Z., Goel, S C (1988) Cyclic Load Behavior of Concrete-Filled Tubular Braces Journal of Structural Engineering, 114(7):1488–1506 [12] Kilpatrick, A E., Rangan, B V (1999) Tests on High-Strength Concrete-Filled Steel Tubular Columns ACI Structural Journal, 96(2) [13] Sakino, K., Nakahara, H., Morino, S., Nishiyama, I (2004) Behavior of Centrally Loaded ConcreteFilled Steel-Tube Short Columns Journal of Structural Engineering, 130(2):180–188 [14] Eurocode EN 1994-1-1:2004 Design of composite steel and concrete structures Part 1-1: General rules and rules for buildings European Committee for Standardization [15] ACI 318-14 (2014) Building Code Requirements for Structural Concrete American Concrete Institute [16] ANSI/AISC 360-16 (2016) Specification for Structural Steel Buildings American Institute of Steel Construction [17] Truong, V.-H., Vu, Q.-V., Thai, H.-T., Ha, M.-H (2020) A robust method for safety evaluation of steel trusses using Gradient Tree Boosting algorithm Advances in Engineering Software, 147:102825 [18] Kim, S.-E., Vu, Q.-V., Papazafeiropoulos, G., Kong, Z., Truong, V.-H (2020) Comparison of machine learning algorithms for regression and classification of ultimate load-carrying capacity of steel frames Steel and Composite Structures, 37(2):193–209 [19] Hung, T V., Viet, V Q., Thuat, D V (2019) A deep learning-based procedure for estimation of ultimate load carrying of steel trusses using advanced analysis Journal of Science and Technology in Civil Engineering (STCE) - NUCE, 13(3):113–123 [20] Hùng, H M., Hùng, T V., Thuật, Đ V., Việt, V Q (2020) Phương pháp xử lý tượng mơ hình q khớp xây dựng mơ hình học sâu để ước lượng khả chịu tải giàn phi tuyến Tạp chí Khoa học Cơng nghệ Xây dựng (KHCNXD) - ĐHXD, 14(1V):12–20 [21] Vu, Q.-V., Truong, V.-H., Thai, H.-T (2021) Machine learning-based prediction of CFST columns using gradient tree boosting algorithm Composite Structures, 259:113505 [22] Găuneyisi, E M., Găultekin, A., Mermerdas¸, K (2016) Ultimate capacity prediction of axially loaded CFST short columns International Journal of Steel Structures, 16(1):99–114 [23] Chen, T., Guestrin, C (2016) XGBoost: A scalable tree boosting system Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM [24] Zhang, H., Qiu, D., Wu, R., Deng, Y., Ji, D., Li, T (2019) Novel framework for image attribute annotation with gene selection XGBoost algorithm and relative attribute model Applied Soft Computing, 80:57–79 [25] Nobre, J., Neves, R F (2019) Combining Principal Component Analysis, Discrete Wavelet Transform and XGBoost to trade in the financial markets Expert Systems with Applications, 125:181–194 [26] Thai, S., Thai, H.-T., Uy, B., Ngo, T (2019) Concrete-filled steel tubular columns: Test database, design and calibration Journal of Constructional Steel Research, 157:161–181 78