(Luận văn thạc sĩ) sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN HỒNG ĐỨC SỬ DỤNG PHƯƠNG PHÁP KHÔNG PHÁ HOẠI MẪU KẾT HỢP MƠ HÌNH TIÊN LƯỢNG ANN ĐỂ XÁC ĐỊNH CƯỜNG ĐỘ CHỊU NÉN BÊ TÔNG GEOPOLYMER NGÀNH: KỸ THUẬT XÂY DỰNG CƠNG TRÌNH DÂN DỤNG VÀ CƠNG NGHIỆP – 60580208 SKC006004 Tp Hồ Chí Minh, tháng 04/2017 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH LUẬN VĂN THẠC SĨ NGUYỄN HỒNG ĐỨC SỬ DỤNG PHƯƠNG PHÁP KHƠNG PHÁ HOẠI MẪU KẾT HỢP MƠ HÌNH TIÊN LƯỢNG ANN ĐỂ XÁC ĐỊNH CƯỜNG ĐỘ CHỊU NÉN BÊ TÔNG GEOPOLYMER NGÀNH: KỸ THUẬT XÂY DỰNG CƠNG TRÌNH DÂN DỤNG VÀ CƠNG NGHIỆP - 60580208 Tp Hồ Chí Minh, tháng 4/2017 10 17 LÝ LỊCH KHOA HỌC I LÝ LỊCH SƠ LƯỢC: Giới tính: Nam Họ & tên: Nguyễn Hồng Đức Ngày, tháng, năm sinh: 27/01/1993 Nơi sinh: TP.Rạch Giá Quê quán: Huyện Châu Thành, TP.Rạch Giá, T.Kiên Giang Dân tộc: Kinh Chỗ riêng: 574/5D Nguyễn Trung Trực, P.Vĩnh Lạc, TP.Rạch Giá, T.Kiên Giang Điện thoại nhà riêng: 0939.763.743 Điện thoại quan: Fax: E-mail: nguyenhongducrw@gmail.com II Q TRÌNH ĐÀO TẠO: Đại học: Hệ đào tạo: Chính quy Thời gian đào tạo từ năm 2011 đến 2015 Nơi học (trường, thành phố): Trường ĐH Tây Đô Thành phố Cần Thơ Ngành học: Công nghệ kỹ thuật xây dựng Tên đồ án tốt nghiệp: Bệnh viện đa khoa Minh Đức – Q.Ninh Kiều – TP Cần Thơ Ngày & nơi bảo vệ đồ án: Tháng 5/2015.Trường Đại Học Tây Đô Cần Thơ Người hướng dẫn: thầy Đào Phú Yên Thạc sĩ: Hệ đào tạo: Chính quy Nơi học (trường, thành phố): Trường ĐH Sư phạm kỹ thuật TP.HCM Ngành học: Kỹ thuật xây dựng cơng trình dân dụng & công nghiệp Tên luận văn: Sử dụng phương pháp khơng phá hoại mẫu kết hợp mơ hình tiên lượng ANN để xác định cường độ chịu nén bê tông geopolymer Ngày & nơi bảo vệ luận văn: 29/4/2017 Trường ĐH Sư phạm kỹ thuật HCM Người hướng dẫn: PGS.TS Phan Đức Hùng iv III Q TRÌNH CƠNG TÁC CHUN MÔN KỂ TỪ KHI TỐT NGHIỆP ĐẠI HỌC: Thời gian 2015 đến v CAM ĐOAN Tôi cam đoan cơng trình nghiên cứu tơi Các số liệu, kết nêu luận văn trung thực chưa công bố công trình khác Tp Hồ Chí Minh, ngày 10 tháng năm 2017 Nguyễn Hồng Đức vi LỜI CẢM ƠN Để hồn thành luận văn thạc sỹ này, tơi nhận giúp đỡ nhiều từ bạn bè quý Thầy Cô Khoa xây dựng Cơ học Ứng dụng - Trường đại học Sư Phạm Kỹ Thuật TPHCM giảng dạy, tơi xin bày tỏ lịng biết ơn đến Thầy Phan Đức Hùng cô Nguyễn Thị Thúy Hằng tận tình hướng dẫn, cung cấp thông tin nghiên cứu cần thiết bảo thời gian thực luận văn thạc sỹ Tơi chân thành biết ơn gia đình bạn bè động viên giúp đỡ suốt thời gian thực luận văn Xin chân thành cảm ơn Tp Hồ Chí Minh, ngày 10 tháng năm 2017 Nguyễn Hồng Đức vii TÓM TẮT Báo cáo sử dụng phương pháp không phá hoại mẫu kết hợp phương pháp siêu âm búa bật nảy để nghiên cứu phát triển cường độ bê tông geopolymer theo thời gian dưỡng hộ Kết thí nghiệm cho thấy bê tông geopolymer dưỡng hộ môi trường nhiệt độ cao với thời gian dưỡng hộ dài vận tốc truyền sóng tăng lên cường độ tăng lên Bên cạnh đó, nồng độ dung dịch NaOH tăng từ 10-16M vận tốc truyền sóng tăng khoảng 15% thời gian dưỡng hộ Kết thí nghiệm phân tích tạo mảng giá trị dùng để xây dựng mơ hình hồi quy tuyến tính (Linear Regression - LR) mạng thần kinh nhân tạo (Artificial Neural Network – ANN) Từ thiết lập mối tương quan điều kiện dưỡng hộ, nồng độ NaOH đến cường độ chịu nén, vận tốc truyền sóng, giá trị búa bật nảy để đưa giá trị dự đoán cường độ Giá trị tiên lượng từ hai mơ hình so sánh, đánh giá mức độ hiệu thông qua trị số R , SSE Kết cho thấy mơ hình ANN dự đốn cường độ tốt LR Tuy nhiên, mơ hình LR hiệu khả dự đoán giá trị cường độ nhanh đơn giản thông qua bảng tra thiết kế sẵn Ngồi ra, q trình phân tích ANN, mơ hình cịn cho phép xác định mức độ ảnh hưởng yếu tố đến cường độ, nhiệt độ yếu tố có quan trọng chiếm 50% vii độ chị nén (MPa) u 30 28 26 24 Cường 22 20 18 Hình 4.9 So sánh kết thực nghiệm với tính tốn theo hàm bậc 4.4 Đánh giá hiệu ước tính cường độ chịu nén GPC mơ hình ANN Việc huấn luyện mạng thực phần mềm SPSS, liệu bao gồm 192 quan sát, 70% sử dụng cho huấn luyện 30% sử dụng cho kiểm tra đối chứng Quá trình phân chia thực cách ngẫu nhiên Sau trình huấn luyện mạng kết thúc, ứng với mạng ANN ta có trọng số mơ hình Kết dự báo mơ hình ANN mặt lý thuyết tính tốn từ trọng số tương ứng với mơ hình theo phương trình phần 2.3.2 Cịn mặt thực tiễn, giá trị dự báo phần mềm SPSS tính tốn bảng 4.4 Bảng 4.4 Bộ trọng số mơ hình ANN 12-4-3-1 Biến độc lập Lớp giá trị vào 74 Lớp ẩn Lớp ẩn Bảng 4.5 Kết tiên lượng mơ hình ANN Thực ID 10 14 16 18 21 25 28 31 34 38 41 44 47 51 54 57 60 69 72 75 78 81 84 87 nghiệm 18,48 20,11 18,94 23,54 25,46 25,67 26,27 28,84 25,78 25,89 29,26 28,28 26,02 26,56 27,67 28,73 29,55 31,67 28,89 28,34 25,39 26,33 25,27 27,25 24,11 22,44 26,47 90 25,47 75 Bảng 4.6 Giá trị R2, SSE ANN & LR Mô hình ANN-12-6-1 ANN-12-5-1 ANN-12-4-1 ANN-12-3-1 ANN-12-5-3-1 ANN-12-5-2-1 ANN-12-4-3-1 ANN-12-4-2-1 LR Như thể bảng 4.6, mơ hình ANN 12-4-3-1 lớp ẩn có R cao SEE thấp nhất, chứng tỏ mơ hình vượt trội cho việc ước tính cường độ GPC Bên cạnh đó, hai mơ hình ANN lớp ẩn lớp ẩn có khả tiên lượng tương đối hiệu (Hình 4.10), nhiên mẫu quan sát, SSE ANN lớp ẩn lớn chứng tỏ mức độ sai lệch giá trị dự báo so với thực tế lớn hơn, chấp nhận Mặt khác, mơ hình LR khơng đạt hiệu cho việc ước tính GPC, so với mơ hình ANN, LR biểu diển mối quan hệ phi tuyến giá trị khảo sát Thông thường, LR hiệu cho thiết kế sơ với liệu lớn, thời gian ngắn mà khơng địi hỏi độ xác cao, độ xác ANN lại làm tốt, thuật toán phức tạp mà mơ hình ràng buộc Tuy lý thuyết ANN tương đối phức tạp, không thiết phải nắm rõ mà vận dụng mơ hình vào thực tế để dự báo tượng (Sarle, 1994) Chính điều mở thay hồn tồn mơ hình phân tích thống kê truyền thống ANN đạt hiệu cao việc tiên lượng, phù hợp với giải thích Chester (1990), tăng số lớp ẩn tăng khả huấn luyện mạng làm giảm sai số, dẫn đến tăng khả hội tụ đến cực tiểu hàm SSE Bên cạnh làm giảm nguy cực tiểu cục Ngoài ra, mối quan hệ thực tế biến vào biến phi tuyến nên ANN lớp ẩn không phù hợp điều với nhận định Cybenko (1898) Bound (1988) nói với mối quan hệ tuyến tính, 76 mơ hình ANN lớp ẩn đạt hiệu cao mối quan hệ phi tuyến lại ko tối ưu Bảng 4.7 Kết tiên lượng mô hình ANN LR ID 10 14 16 18 21 25 28 31 34 38 41 44 47 51 54 57 60 69 72 75 78 81 84 87 90 77 Hình 4.10 Giá trị tiên lượng mơ hình ANN-12-4-3-1 LR Ngồi việc tính tốn giá trị dự báo, mơ hình ANN cịn phân tích biến có mức độ quan trọng lớn dự báo biến giải thích nhiều cho biến thiên kết đầu Cụ thể phân tích mơ hình ANN lớp ẩn (Hình 4.11) , điều kiện nhiệt độ có mức ảnh hưởng lớn 51,4% so với mức ảnh hưởng thấp 19,5% cho yếu tố thời gian dưỡng hộ Độ nhạy mơ hình phụ thuộc lớn vào điều kiện nhiệt độ, với 100% khả tiên lượng cường độ GPC, rõ ràng có thay đổi nhỏ nào, nhiệt độ dưỡng hộ làm cho cường độ biến thiên Bên cạnh đó, nồng độ NaOH lý giải cho thay đổi này, giải thích 50% khả tiên lượng, đánh giá khách quan mức độ ảnh hưởng yếu tố khảo sát, ứng dụng ANN vào phân tích thống kê Hình 4.11 Kết phân tích thứ hạng thể mức độ ảnh hưởng yếu tố mô hinh ANN 12-4-3-1 lớp ẩn 78 Chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI 5.1 Kết luận Dựa đánh giá ảnh hưởng điều kiện dưỡng hộ nồng độ NaOH đến cường độ chịu nén bê tông geopolymer vận tốc truyền xung siêu âm UPV, số kết luận rút sau:  Điều kiện dưỡng hộ nồng độ dung dịch NaOH ảnh hưởng trực tiếp đến cường độ chịu nén vận tốc truyền sóng siêu âm Khi tăng nhiệt độ từ 60 0C lên 1000C kết hợp với thời gian dưỡng hộ dài tăng nồng độ NaOH cường độ phát triển mạnh, tăng trung bình 5-10% với tăng 20 0C Giá trị UPV phụ thuộc nhiều vào mật độ môi trường, cường độ cao, vận tốc truyền lớn  Có thể đánh giá chất lượng bê tông geopolymer thông qua mối quan hệ cường độ chịu nén UPV Mối quan hệ tuyến tính đề xuất là: Cường độ chịu nén = -46,13 + 0,435.n + 0,01332.UPV  Vận tốc truyền sóng GPC lớn OPC Với cường độ, UPV GPC lớn khoảng 5-7% Do đó, cần có hiệu chỉnh sử dụng bảng tra cường độ OPC cho GPC  Mơ hình ANN có khả tiên lượng cường độ chịu nén GPC xác mơ hình LR hàm bậc  Mơ hình ANN hai lớp ẩn lớp ẩn có khả dự đốn cường độ tương đối tốt Tuy nhiên, mơ hình ANN hai lớp ẩn với cấu trúc ANN-12-4-31 cho mức độ xác cao  Điều kiện nhiệt độ ảnh hưởng lớn đến cường độ GPC với trọng số ảnh hưởng 50% có độ nhạy cao đến khả tiên lượng cường độ 79 5.2 Hướng phát triển đề tài Ngoài kết đạt được, báo cáo số hạn chế như: chưa khảo sát toàn yếu tố ảnh hưởng đến cường độ, mức độ tiên lượng cục mảng liệu nạp vào mà chưa thiết kế mơ hình tổng quát Bên cạnh đó, hạn chế mặt lý thuyết chun mơn lĩnh vực tốn ứng dụng toán thống kê, nên báo cáo giới hạn mức độ ứng dụng, mà chưa sâu xây dựng hay thay đổi thuật tốn mơ hình Các kết nghiên cứu kế thừa phát triển rộng hơn, đánh giá toàn yếu tố, khơng dừng lại tốn cường độ Có thể mở rộng hệ số liên quan đến chất lượng bê tông module đàn hồi, hệ số young, hệ số poisson,… góp phần hồn thiện lý thuyết tính tốn, sở khoa học cho vật liệu thân thiện với môi trường 80 TÀI LIỆU THAM KHẢO Arbib, Michael A The Handbook of Brain Theory and Neural Networks Cambridge, Massachusetts, London, England: THE MIT PRESS, 2002 Benny Joseph a, George Mathew "Influence of aggregate content on the behavior of fly ash based." Scientia Iranica (2012): 1188-1194 Bounds, Lloyd, Mathew, Waddell A multilayer perceptron network for the diagnosis of low back pain San Diego: IEEE Annual, 1988 Cherdsak Suksiripattanapong, Suksun Horpibulsuk, Pimsin Chanprasert, Patimapon Sukmak, Arul Arulrajah "Compressive strength development in fly ash geopolymer masonry units manufactured from water treatment sludge." Construction and Building Materials (2015): 20-30 Chester " Why two hidden layers are better than one." Neural Networks (1990): 1265-1268 Cybenko "Approximation by superpositions of a sigmoidal function." Mathematics (1989): 303-314 Eric, C "Machine Learning Lesson of the Day - Overfitting and Underfitting." The Chemical Statistician (2014) Gregor Trtnik, Franci Kavcˇicˇ, Goran Turk "Prediction of concrete strength using ultrasonic pulse velocity and artificial." Ultrasonics (2008): 53-60 Hardjito, Rangan Studies of fly ash-based geopolymer concret Paper presented France: the World Congress Geopolymer, 2005 Hecht-Nelson " Kolmogorov's mapping neural network existence theorem." Neural Network (1987): 11-14 J.Davidovits "30 Years of Successes and Failures in Geopolymer Applications, Market Trends and Potential Breakthroughs." Geopolymer 2003 Conference (2002) J.Davidovits "Alkali Activated Materials." Lecture 2015 J.Davidovits "Properties of geopolymer cement." Proceding first International conference on Akaline cements and concretes (1994): 131-149 81 Jee Sang Kim, Tae Hong Kim "An Ultrasonic Pulse Velocity Test on Fly-Ash Based Geopolymer Concrete in Frequency Domains." Applied Mechanics and Materials (2017): 310-313 Jerzy Hola, Krysztof Schabowicz "Application of ANN to determine concrete compressive strengh based on NDT." Civil Engineering and Management (2005): 23-32 John L.Provis, Jannie S J van Deventer Geopolymer with Hierarchically Meso-/Macroporous Structures from Reactive Emulsion Templating 2014 Kamran Amini, Mehdi Jalalpour "Advancing concrete strength prediction using non-destructive testing: Development and verification of a generalizable model." Construction and Building Materials (2016): 762-768 Khashei, Bijari "A novel hybridization of artificial neural networks and ARIMA models." Applied Soft Computing (2011): 2664-2675 L.Krishnan "Geopolymer concrete an Eco–friendly construction material." (2014) Lawrence Introduction to Neural Networks: Design, Theory, and Applications Nevada: California Scientific Software, 1994 Lawrence, Fredrickson "BrainMaker User's Guide and Reference Manual." (1998) Marchandani, Cao "On Hidden Nodes for Neural Nets." Circuits and Systems (1989): 661-664 Marios Soutsos, Alan P Boyle, Raffaele Vinai, Anastasis Hadjierakleous, Stephanie J Barnett "Factors influencing the compressive strength of fly ash based." Construction and Building Materials (2015): 355-368 N.A.Lloyd, B.V.Rangan Technology (2010) "Geopolymer Concrete." urtin University of Nguyễn Sỹ Dũng, Lê Hồi Quốc "Thuật tốn thích nghi huấn luyện mạng neural sở phương pháp Conjugate Gradient." Tạp chí Khoa học Công nghệ (2006): 68-73 82 Nguyễn Sĩ Dũng Một thuật toán huấn luyện mạng neural dựa phương pháp Newton Hội nghị Khoa học Công nghệ & Đào tạo TP.HCM: Đai học Công nghiệp Tp.HCM, 2008 Nguyễn Văn Chức http://bis.net.vn không ngày tháng 12 May 2008 Palomo, Grutzeck, Blanco "Alkali-activated fly ashes A cement for the future." (1999) Phạm Hữu Đức Dục Mạng nơron ứng dụng điều khiển tự động Hà Nội: Khoa Học Kỹ Thuật, 2009 Phạm Huy Khang "Tro bay ứng dụng xây dựng đường ôtô." 2002 Phạm Hữu Lê Quốc Phục Nghiên cứu ứng dụng mạng neural giải lớp toán dự đoán phân loại Luận văn thạc sĩ Viet Nam: Khoa học máy tính, 2010 SalawuOS "Detection of structiral damage throught changes in frenquency." Structure and Material (1997): 718-723 Salim T Yousif, Salwa M Abdullah "Artificial Neural Network Model for Predicting Compressive." Eng Sciences (2009): 55-66 Tekin Ylmaz, Bayram Ercikdi, Kadir Karaman, Gửkhan Kỹlekỗi "Assessment of strength properties of cemented paste backfill by ultrasonic pulse." Ultrasonics (2014) Tomasz Gorzelańczyk, Jerzy Hoła, Łukasz Sadowski, Krzysztof Schabowicz "Non-destructive identification of cracks in unilaterally accessible massive concrete walls in hydroelectric power plant." Non-destructive identification of cracks in unilaterally accessible massive concrete walls in hydroelectric power plant (2016): 413-421 Tống Tôn Kiên Bê tơng Geopolymer - thành tuwjum tính chất ứng dụng Viet Nam, 2009 Vũ Huyền Trân, Nguyễn Thị Thanh Thảo "Nghiên cứu chế tạo gạch không nung công nghệ Geopolymer sử dụng tro bay phế thải bùn đỏ để xây dựng nhà." (2009) 83 Waszczyszyn Neural Networks in Structural Engineer Edinburgh: SaxeCoburd, 2000 Y.Hwang Handbook of Neural Network Signal Processing washington: CRC Press, 2002 Zhang "Forecasting with artificial neural networks The state of the art." Forecasting (1998): 35-62 Zhang "Time series forecasting using a hybrid ARIMA and neural network model." Neurocomputing (2003): 159-175 84 ... xác định cường độ chịu nén GPC sử dụng kỹ thuật siêu âm, súng bật nẩy kết hợp mơ hình tiên lượng ANN 1.3 Mục tiêu đề tài Sử dụng NDT kết hợp mơ hình tiên lượng ANN để xác định cường độ chịu nén. .. LUẬN VĂN THẠC SĨ NGUYỄN HỒNG ĐỨC SỬ DỤNG PHƯƠNG PHÁP KHÔNG PHÁ HOẠI MẪU KẾT HỢP MƠ HÌNH TIÊN LƯỢNG ANN ĐỂ XÁC ĐỊNH CƯỜNG ĐỘ CHỊU NÉN BÊ TÔNG GEOPOLYMER NGÀNH: KỸ THUẬT XÂY DỰNG CƠNG TRÌNH DÂN DỤNG... 2014) Phương pháp không phá hoại mẫu thực theo tiêu chuẩn TCVN 9335:2012 Bê tông nặng – Xác định cường độ nén sử dụng kết hợp máy đo siêu âm súng bật nẩy Phương pháp xác định cường độ nén dựa mối