Bài viết trình bày kết quả ứng dụng mô hình mạng thần kinh nhân tạo trong việc xác định sức chịu tải móng nông. Một mô hình mạng thần kinh nhân tạo đã được xây dựng và tối ưu kiến trúc bằng thuật toán di truyền để xác định sức chịu móng nông. Một bộ số liệu gồm 112 kết quả thí nghiệm sức chịu tải móng nông với các kích thước khác nhau, được sử dụng để đào tạo và kiểm tra mô hình.
NGHIÊN CỨU KHOA HỌC nNgày nhận bài: 21/8/2021 nNgày sửa bài: 09/9/2021 nNgày chấp nhận đăng: 26/9/2021 Ứng dụng mạng thần kinh nhân tạo dự báo sức chịu tải móng nơng Application of artificial neural network in the forecast the ultimate bearing capacity of shallow foundations > TS PHẠM TUẤN ANH[1],TH.S NGUYỄN THANH TÂM[2] Trường Đại học Công nghệ GTVT, Email: Anhpt@utt.edu.vn [2] Trường Đại học Thủ đô Hà Nội, Email: nttam@hnmu.edu.vn [1] 38 TĨM TẮT Bài báo trình bày kết ứng dụng mơ hình mạng thần kinh nhân tạo việc xác định sức chịu tải móng nơng Một mơ hình mạng thần kinh nhân tạo xây dựng tối ưu kiến trúc thuật tốn di truyền để xác định sức chịu móng nơng Một số liệu gồm 112 kết thí nghiệm sức chịu tải móng nơng với kích thước khác nhau, sử dụng để đào tạo kiểm tra mơ hình Kết nghiên cứu so sánh với mơ hình hồi quy tuyến tính, cho thấy mạng thần kinh nhân tạo tối ưu tốt, cho phép dự đốn sức chịu tải móng nơng sát với kết thí nghiệm Kết nghiên cứu tiền đề cho việc ứng dụng mạng thần kinh nhân tạo việc giải toán khác lĩnh vực xây dựng Từ khóa: sức chịu tải móng nơng; thuật tốn di truyền; mạng thần kinh nhân tạo ABSTRACT This paper presents the results of applying an artificial neural network model in determining the load-bearing capacity of shallow foundations An artificial neural network model has been built and optimized architecture, using genetic algorithms to determine shallow foundation resistance A dataset consisting of 112 results of shallow foundation load tests with different dimensions is used to train and test the model The results of the study were compared with the linear regression model, showing that the artificial neural network is well optimized, allowing to predict the shallow foundation load more closely with the experimental results The results of the study are a premise for the application of artificial neural networks in solving other problems in the field of construction Keywords: shallow foundation bearing capacity; genetic algorithm; artificial neural network ĐẶT VẤN ĐỀ Các cơng trình xây dựng dân dụng cơng nghiệp có quy mơ vừa nhỏ thơng thường chọn giải pháp móng nơng để tiết kiệm chi phí Giải pháp móng tương đối đơn giản mặt thiết kế, thi công, đồng thời giúp giảm thiểu chi phí kết cấu móng cho cơng trình xây dựng Khi thiết kế móng nơng, có hai tiêu chí mà kỹ sư quan tâm sức chịu tải cực hạn độ lún cuối móng Trong đó, thơng số sức chịu tải cực hạn móng nhiều nhà khoa học giới quan tâm nghiên cứu Sức chịu tải thường ước lượng dựa vào khả chống cắt đất dựa mặt trượt phá hoại Có thể kể đến nghiên cứu Terzaghi [9], Vesic [15], Hansen [11] hay Meyerhof [13] Các nghiên cứu có chung nguyên lý xem mặt phá hoại cung trịn, tùy theo hình dáng mặt phá hoại mà xác định cơng thức xác định sức chịu tải móng nơng thông qua khả chống cắt đất dọc theo mặt phá hoại Tuy vậy, dựa nhiều giả thiết gần giả thiết mặt trượt, giả thiết bỏ trọng lượng thân đất v.v dẫn đến việc kết thực nghiệm lý thuyết chưa hoàn toàn phù hợp Ngoài ra, việc xác định sức chịu tải móng dựa vào kết thực nghiệm Để tránh chi phí tốn kém, thí nghiệm phịng tiến hành với móng có kích thước thu nhỏ (kích thước móng khoảng vài cm), sau ngoại suy cho móng có kích thước thật Tuy vậy, nhiều nghiên cứu cho thấy có sai lệch ngoại suy sức chịu tải từ móng nhỏ cho móng kích thước lớn Lý tỷ lệ kích thước hạt so với bề rộng móng khơng giống trường hợp [2] Khoảng thập kỷ vừa qua, tiến trí tuệ nhân tạo tạo bước tiến mạnh mẽ lĩnh vực nghiên cứu nói chung địa kỹ thuật nói riêng Có thể kể đến Phạm cộng (2020) [7], Lee (1996) [5], Momeni cộng [14] sử dụng mơ hình ANN RF để nghiên cứu tính tốn sức chịu tải cọc Al-hamed cộng (2014) [10] sử dụng mơ hình ANN để dự đốn góc ma sát đất Habib Shahnazari Mohammad A Tutunchian (2012) [8] sử dụng thuật toán di truyền để xây dựng công thức hồi quy để xác định sức chịu tải cực hạn móng nơng Baginska (2019) [3] tìm cách tối ưu tham số mơ hình ANN cách khảo sát nhiều trường hợp khác nhằm dự báo sức chịu tải móng nơng Các nghiên cứu kể cho thấy tính khả thi áp dụng mơ hình máy học vào giải tốn địa kỹ thuật Các phân tích 10.2021 ISSN 2734-9888 cho thấy điểm hạn chế phương pháp truyền thống ưu điểm phương pháp máy học, ứng dụng trí tuệ nhân tạo Tuy vậy, việc tối ưu xóa hóa mơ hình địa kỹ thuật cịn nhiều hạn chế Ngồi ra, với kiến trúc mơ hình phức tạp với nhiều tham số, việc tìm kiếm kiến trúc tối ưu cho mạng thần kinh học sâu để đạt hiệu suất cao việc dự đốn sức chịu tải móng nơng thách thức chưa giải truyết triệt để Việc ứng dụng trí tuệ nhân tạo giải vấn đề phức tạp nói chung tốn địa kỹ thuật nói riêng xu tất yếu Việt Nam giới phép tối ưu hàm đa biến cách xem xét biến số hàm nhiễm sắc thể quần thể Quần thể liên tục tiến hóa qua hệ, cách lựa chọn gen tốt truyền lại cho hệ sau Những cá thể yếu bị đào thải khỏi quần thể để gen khơng thể tiếp tục di truyền Về tổng quan, thuật toán di truyền trải qua vòng lặp (gọi hệ), hệ, quy trình sau lặp lại (Hình 2): CÁC THUẬT TỐN SỬ DỤNG TRONG NGHIÊN CỨU 2.1 Mơ hình mạng thần kinh nhân tạo Mơ hình mạng thần kinh nhân tạo thuật toán phổ biến mạnh mẽ họ thuật tốn máy học Mơ hình đề xuất McCulloch Pitts (1943) [6] Trải qua q trình phát triển hồn thiện, ngày này, mạng thần kinh nhân tạo phát triển vượt bậc ứng dụng lĩnh vực khoa học kỹ thuật Mơ hình điển hình mạng thần kinh nhân tạo điển hình thể Hình Có thể thấy, mơ hình mạng thần kinh nhân tạo mạng lưới mô hoạt động não người Mơ hình bao gồm gồm nút liên kết với trọng số Một mạng thần kinh nhân tạo điển hình gồm lớp: lớp đầu vào, lớp ẩn lớp đầu Tín hiệu đầu nút ẩn thứ j mạng tính sau: n = Nj f( ∑ Xiwij + b j ) (1) i=1 Trong đó, Nj đầu nút; Xi biến đầu vào thứ i; wij trọng số kết nối biến đầu vào i nút j; bj độ lệch nút j f() hàm kích hoạt nút ẩn; wj trọng số kết nối nút ẩn j đầu ra; b độ lệch nút đầu ra; n số nút ẩn lớp Hình Sơ đồ thuật toán mạng thần kinh nhân tạo lớp ẩn, nút ẩn nút đầu Mạng thần kinh nhân tạo có khả biểu diễn mối quan hệ phi tuyến lớp đầu vào đầu ra, thơng qua hàm kích hoạt phi tuyến nút ẩn, hàm kích hoạt thơng dụng cho mạng thần kinh nhân tạo relu, sigmoid Thông thường, mạng thần kinh nhân tạo cần phải đào tạo trước sử dụng, việc đào tạo quá trình tối ưu trọng số độ lệch mơ hình, giúp mơ hình khái quát quan hệ biến đầu vào đầu Trong nghiên cứu này, giải thuật đào tạo sử dụng thuật toán lan truyền ngược Trong đó, sai số truyền ngược từ lớp đầu đến lớp đầu vào giảm dần thông qua bước lặp 2.2 Thuật toán di truyền Thuật toán di truyền thuật toán nằm họ thuật tốn tiến hóa giới thiệu lần đầu Holland (1992) [4] Thuật toán sử dụng học thuyết tiến hóa Darwin làm tảng Thuật tốn cho Hình Sơ đồ thuật tốn di truyền Trong nghiên cứu này, tham số liên quan đến kiến trúc mơ hình mạng thần kinh nhân tạo, coi gen quần thể Cá thể có gen tốt hệ cuối sử dụng mơ hình tốt nhất, sử dụng để đào tạo kiểm chứng 2.3 Dữ liệu đầu vào cho toán Trong nghiên cứu này, liệu sử dụng để đào tạo thử nghiệm mơ hình mạng thần kinh nhân tạo thu thập từ tài liệu có độ tin cậy cao, bao gồm liệu thử tải móng thực, thơng tin tương ứng liên quan đến móng đất Cơ sở liệu chứa 112 liệu, bao gồm móng có kích thước hình dạng khác thử nghiệm thử tải lớp cát có tính chất khác Kohenstani (2017) [12] tổng hợp Các tham số đầu vào chọn theo khuyến cáo cơng trình nghiên cứu có như: TCVN 9386:2012 [1], nghiên cứu khuyến nghị [9], [15], [11] Cụ thể hơn, thông số đầu vào bao gồm chiều rộng móng (B, m), chiều sâu chơn móng (D, m), tỷ lệ chiều dài chiều rộng móng (L/B), trọng lượng đơn vị đất (γ, kN/m3) góc nội ma sát đất (ϕ, o) Khả chịu lực cực hạn móng (qu, kPa) giá trị dự đoán đầu Tập liệu minh họa qua thông số thống kê thể Bảng Có thể thấy chiều rộng móng thay đổi phạm vi rộng móng có kích thước thu nhỏ đến móng có kích thước lớn, cụ thể B thay đổi từ 0,03m đến m Chiều sâu chơn móng thay đổi từ đến 0,89m Tỷ lệ L / B dao động từ đến Trọng lượng đơn vị thay đổi từ 9,85 kN/m3 đến 17,2 kN/m3 góc ma sát thay đổi phạm vi nhỏ, từ 32 đến 44,8 (o) Trong đó, khả chịu lực cực hạn móng thay đổi từ 14 đến 2847 kPa ISSN 2734-9888 10.2021 39 NGHIÊN CỨU KHOA HỌC Bảng Thống kê thơng số móng đất sử dụng nghiên cứu Thông số B D L/B γ (kN/m3) ϕ (o) qu Đơn vị (m) (m) - Số mẫu 112 112 112 112 112 112 Nhỏ 0.03 0.00 1.00 9.85 32.00 14.00 Trung bình 0.36 0.14 2.82 14.47 38.99 402.33 0.89 6.00 17.20 44.80 2847 Lớn (kPa) Độ lệch chuẩn 0.49 0.19 2.12 2.58 3.39 504.31 Với kỹ thuật máy học trí tuệ nhân tạo, liệu cần phân chia ngẫu nhiên thành phần với tỷ lệ lựa chọn 75/25% Trong đó, phần 75% sử dụng để đào tạo mơ hình phần 25% dùng để kiểm tra độ xác mơ hình Phần kiểm tra 25% ẩn khỏi trình đào tạo, hiệu chỉnh mơ hình sử dụng bước đánh giá cuối cùng.2.4 Các tiêu hiệu suất Trong nghiên cứu này, tiêu hiệu suất gồm hệ số tương quan bình phương (R2), lỗi bình phương trung bình gốc (RMSE) sử dụng để đánh giá so sánh mơ hình, cụ thể sau: ∑(y k RMSE = k - yi i ) (2) i=1 ∑(y - y ) k i R = 1- i i=1 ∑ ( y - y) k (3) i i=1 Với, k số lượng mẫu liệu, yi yi kết dự báo theo thí nghiệm theo mơ hình, y giá trị trung bình yi Cụ thể, R2 đặc trưng cho tương quan kết tính R2 gần đến 1, hai kết tính sát RMSE đặc trưng cho sai số trung bình kết quả, RMSE nhỏ, độ xác dự đốn cao Một mơ hình coi tốt đồng thời đảm bảo tốt hai tiêu chí KẾT QUẢ TÍNH TỐN 3.1 Kết tối ưu mạng thần kinh nhân tạo thuật toán di truyền Trong phần này, thuật toán di truyền sử dụng để tối ưu kiến trúc mạng thần kinh nhân tạo Hình thể cấu tạo nhiễm sắc thể điển hình quần thể Có thể thấy rằng, nhiễm sắc thể có độ dài gen, gen ứng với tham số kiến trúc mạng thần kinh nhân tạo Hình Cấu tạo nhiễm sắc thể gen thuật toán di truyền Nghiên cứu lựa chọn tham số quan trọng kiến trúc mạng là: số nơ ron ẩn, thuật tốn đào tạo, hàm kích hoạt, tốc độ học tập số chu kì đào tạo Tất ý nghĩa tham số khoảng giá trị đề cập Bảng Có thể thấy rằng, lựa chọn thủ công tham số, số lượng mô hình cần kiểm tra lên đến hàng nghìn trường hợp Điều gây tốn mặt thời gian tài nguyên để thực Trong trường hợp này, thuật tốn di truyền cho phép tìm kiếm mơ hình tốt với với thời gian tài ngun nhiều 40 10.2021 ISSN 2734-9888 Bảng Bảng giá trị tham số mơ hình Tham số Giải thích Khoảng giá trị Số nơ ron ẩn Số lượng nút ẩn mạng 2÷100 Thuật tốn đào Quasi-Newton, SGD, Thuật toán sử dụng để tối ưu tạo Adam Hàm kích hoạt Kiểu hàm kích hoạt nút ẩn 'sigmoid', 'tanh', 'relu' Hệ số khởi tạo tốc độ đào tạo lan Tốc độ học tập 0.001, 0.01, 0.1, 0.2, 0.3 truyền ngược Số chu kì Số chu kì đào tạo mạng 1000, 2000, 3000, 4000 Trong trình tối ưu tham số mơ hình thuật tốn di truyền, số lượng cá thể tối đa quần thể lựa chọn từ đầu 100 cá thể Số lượng hệ đào tạo khống chế cho sau 15 hệ, hiệu suất khơng cải thiện coi kết hội tụ tiến hành dừng vịng lặp Thống kê thơng số khởi tạo thuật toán di truyền thể Bảng Thuật toán sử dụng kỹ thuật xác thực chéo lần tập đào tạo để đánh giá hiệu suất thay tập kiểm nghiệm Điều nhằm giúp ẩn tập kiểm nghiệm trình tối ưu, coi tập liệu mới, chưa tiếp cận với mơ hình nhằm tránh tượng khớp (overfitting) Tập kiểm nghiệm sử dụng để đánh giá hiệu suất mơ hình cuối chọn Kết tối ưu thuật toán di truyền thể Hình tổng hợp tham số Bảng Bảng Tham số thuật toán di truyền Tham số Giá trị Số cá thể 100 Tỷ lệ giao phối 50% Tỷ lệ đột biến 20% Số hệ Dừng sau 15 hệ không cải thiện hiệu suất Tập liệu Fold CV/Tập đào tạo Tiêu chí đánh giá R2 Hình Kết chạy tối ưu kiến trúc mạng thần kinh nhân tạo thuật toán di truyền Bảng Các tham số tối ưu mơ hình Tham số Giá trị Số nơ ron ẩn 23 Thuật toán đào tạo Quasi-Newton Hàm kích hoạt Relu Tốc độ học tập 0.01 Số chu kì 2000 Nhận xét: Có thể thấy rằng, trình tối ưu hội tụ khoảng hệ 27, với tiêu chí R2 đạt 0.903 tập xác thực chéo lần Giá trị không đổi hệ 50, thỏa mãn điều kiện dừng thuật toán Thuật toán đào tạo phù hợp cho liệu thuật toán Quasi-Newton, số nơ ron ẩn khơng cần q nhiều để mơ hình đạt độ xác tốt Mơ hình sử dụng để đánh giá hiệu suất phần 3.2 Khả dự báo mơ hình Mơ hình mạng thần kinh nhân tạo, với tham số kiến trúc mơ hình tối ưu tìm phần trước, đào tạo tập huấn luyện, sau đánh giá hiệu tập kiểm nghiệm Kết trình đào tạo, sử dụng hàm mát hàm sai số bình phương trung bình (MSE), thể Hình Có thể thấy sau khoảng 2000 chu kì đào tạo, kết hội tụ giá trị MSE = 30568 (kPa) Hình Đường cong lỗi trung bình mơ hình q trình đào tạo Kết hồi quy dự đốn sức chịu tải cọc mạng thần kinh nhân tạo tập huấn luyện tập kiểm tra thể Hình mơ kết dự đốn hình Hình Hình Kết hồi quy dự đốn mơ hình mạng TKNT Hình Mơ kết dự đoán mạng thần kinh nhân tạo Nhận xét: Kết phân tích cho thấy, mơ hình mạng thần kinh nhân tạo dự đốn xác sức chịu tải cọc Cụ thể, với tập huấn luyện, tiêu R2 = 0,868 RMSE = 640.672 kN Với tập kiểm tra, tiêu R2 = 0,911 RMSE = 912.64 kN 3.3 So sánh kết tính với mơ hình hồi quy tuyến tính.Trong phần này, kết tính mơ hình mạng thần kinh nhân tạo so sánh với kết tính theo hồi quy tuyến tính Hồi quy tuyến tính mơ hình phổ biến xác suất thống kê thể hiệu tốt nhiều nghiên cứu trước Cơng thức tổng qt hồi quy tuyến tính thể qua công thức sau: yi = f(x1i , x 2i , , x 6i ) = ∑ β j x ji + β0 (4) j=1 Trong đó, β j hệ số biến đầu vào j β0 hệ số tự Tiêu chí lỗi bình phương cực tiểu thường sử dụng để tìm hệ số tối ưu cho mơ hình hồi quy tuyến tính, tiêu chí thể qua cơng thức sau: n ( S = ∑ yi - yi i=1 ) → (5) Trong đó, S tổng bình phương sai số; n số lượng liệu đào tạo; yi giá trị dự đoán yi giá trị thực Hình Mơ kết dự đốn theo mơ hình hồi quy tuyến tính Trong nghiên cứu này, thuật toán di truyền thuật toán sử dụng để tối ưu hệ số mô hình hồi quy tuyến tính Kết q trình tối ưu thể Bảng Kết hồi quy mơ hình thể Hình Bảng Các hệ số tối ưu mô hình hồi quy tuyến tính Số hạng tự B D L/B γ ϕ -205.81 -50.48 1909.98 -15.34 -255.65 878.78 Bảng So sánh kết hai phương pháp Tập Mạng thần kinh Hồi quy tuyến Chênh Tiêu chí liệu nhân tạo tính lệch R2 0,996 0,772 29,02% Đào tạo RMSE (kPa) 31,018 270,713 88,54% R2 0,981 0,594 65,15% Kiểm tra RMSE (kPa) 49,31 228,907 78,46% Nhận xét: Kết so sánh hai phương pháp thể Bảng Có thể thấy rằng, mơ hình hồi quy tuyến tính dự đốn sức chịu tải móng nơng tốt, cụ thể R2 = 0,772; RMSE = 270,713 (kPa) tập huấn luyện R2 = 0,594; RMSE = 228,907 (kPa) tập kiểm tra Tuy vậy, khả dự đốn mơ hình mạng thần kinh nhân tạo lại cho thấy độ xác vượt trội đạt 0.98 với tiêu chí R2 tập liệu Ngoài ra, dựa tiêu chí RMSE, độ xác mơ hình mạng thần kinh nhân tạo cho thấy lỗi thấp đạt 50 (kPa) KẾT LUẬN VÀ KIẾN NGHỊ Bài báo trình bày việc ứng dụng mơ hình mạng thần kinh nhân tạo để xác định sức chịu tải cực hạn móng nơng Kiến trúc mơ hình tối ưu thuật toán di truyền, điều cho phép tiết kiệm thời gian tài nguyên để tìm mơ hình tốt so với giải pháp tìm kiếm thủ công Kết tối ưu cho thấy, mạng thần kinh nhân tạo với 23 nút ẩn sử dụng hàm kích hoạt relu có tiềm tốt cho việc dự đoán sức chịu tải cực hạn móng nơng Ngồi ra, mơ hình mạng thần kinh nhân tạo cho kết vượt trội so với kết tính theo hồi quy tuyến tính Trên sở kết tính tốn, kiến nghị nên nghiên cứu đưa mơ hình mạng thần kinh nhân tạo tối ưu vào tiêu chuẩn móng để đạt độ xác cao thiết kế thực tế TÀI LIỆU THAM KHẢO TCVN 9362-2012 (2012), Tiêu chuẩn thiết kế nhà cơng trình, Tatsuoka F., Okahara M., Tanaka T cộng (1991) Progressive Failure and Particle Size Effect in Bearing Capacity of a Footing on Sand ASCE, 788-802 Bagińska M Srokosz P.E (2019) The Optimal ANN Model for Predicting Bearing Capacity of Shallow Foundations trained on Scarce Data KSCE J Civ Eng, 23(1), 130-137 Holland J.H., Holland P of P and of E.E and C.S.J.H., Holland S.L in H.R.M (1992), Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to Biology, Control, and Artificial Intelligence, MIT Press Lee I.-M Lee J.-H (1996) Prediction of pile bearing capacity using artificial neural networks Computers and Geotechnics, 18(3), 189-200 McCulloch W.S Pitts W (1943) A logical calculus of the ideas immanent in nervous activity Bulletin of Mathematical Biophysics, 5(4), 115-133 Pham T.A., Ly H.-B., Tran V.Q cộng (2020) Prediction of Pile Axial Bearing Capacity Using Artificial Neural Network and Random Forest 21 Shahnazari H Tutunchian M.A (2012) Prediction of ultimate bearing capacity of shallow foundations on cohesionless soils: An evolutionary approach KSCE J Civ Eng, 16(6), 950-957 Terzaghi, K (2007) Bearing Capacity Theoretical Soil Mechanics John Wiley & Sons, Ltd, 118-143 10 Al-Hamed S.A., Wahby M.F., Aboukarima A.M (2014) Artificial neural network for soil cohesion and soil internal friction angle prediction from soil physical properties data 11 HANSEN J Brinch (1961) A general formula for bearing capacity Danish Geotechnical Institute, Bulletin, 11, 38-46 12 Kohestani V.R., Vosoghi M., Hassanlourad M cộng (2017) Bearing capacity of shallow foundations on cohesionless soils: A random forest based approach Civil Engineering Infrastructures Journal, 50(1), 35-49 13 Meyerhof G.G (1963) Some Recent Research on the Bearing Capacity of Foundations Can Geotech J, 1(1), 16-26 14 Momeni E., Nazir R., Armaghani D.J cộng (2015) Application of Artificial Neural Network for Predicting Shaft and Tip Resistances of Concrete Piles Earth Sciences Research Journal, 19(1), 85-93 15 VESIC A.S (1975) Bearing Capacity of Shallow Foundations Foundation Engineering Handbook ISSN 2734-9888 10.2021 41 ... này, mạng thần kinh nhân tạo phát triển vượt bậc ứng dụng lĩnh vực khoa học kỹ thuật Mơ hình điển hình mạng thần kinh nhân tạo điển hình thể Hình Có thể thấy, mơ hình mạng thần kinh nhân tạo mạng. .. kết dự đốn hình Hình Hình Kết hồi quy dự đốn mơ hình mạng TKNT Hình Mơ kết dự đoán mạng thần kinh nhân tạo Nhận xét: Kết phân tích cho thấy, mơ hình mạng thần kinh nhân tạo dự đốn xác sức chịu tải. .. tối ưu cho thấy, mạng thần kinh nhân tạo với 23 nút ẩn sử dụng hàm kích hoạt relu có tiềm tốt cho việc dự đốn sức chịu tải cực hạn móng nơng Ngồi ra, mơ hình mạng thần kinh nhân tạo cho kết vượt