Mạng nơ-rôn được sử dụng trong mô hình dự đoán gồm lớp đầu vào, các lớp ẩn, và lớp đầu ra. Số lượng nơ-ron trong lớp đầu vào tương ứng với số thông số đầu vào của 3 mô hình đã giới thiệu ở Mục 3.2.3 và lớp đầu ra có 1 nơ-ron đó là cường độ chịu nén bê tông. Số lớp ẩn và số nơ-ron trong các lớp ẩn được xác định theo phương pháp dò tìm (trial and error) để lựa chọn được cấu trúc mạng phù hợp nhất. Đối với mô hình 1, kết quả của quá trình dự đoán cường độ chịu nén của các mạng
ANN với cấu trúc khác nhau được thể hiện trong Phụ lục 3 và hệ số bội R2 của các
trường hợp thể hiện như Bảng 3.12.
Bảng 3.12. Hệ số bội R2 của mạng ANN với cấu trúc lớp ẩn khác nhau
Mạng ANN Cấu trúc các lớp Hệ số bội R2 (%)
Một lớp ẩn 5x8x1 88,36 5x10x1 93,63 5x15x1 91,7 Hai lớp ẩn 5x15x5x1 68,57 5x20x10x1 85,27 5x20x5x1 90,88 Ba lớp ẩn 5x20x15x5x1 90,49 5x20x10x5x1 91,59 5x15x10x5x1 84,71
Bảng 3.12 cho thấy mạng ANN với cấu trúc một lớp ẩn với số nơ-ron của lớp ẩn bằng 10, cho kết quả dự đoán cường độ chịu nén tốt nhất. Do vậy, cấu trúc mạng nơ-ron nhân tạo được sử dụng để dự đoán cường độ chịu nén cho 3 mô hình được xây dựng như sau: Mô hình 1: 5x10x1, Mô hình 2: 5x10x1 và Mô hình 3: 6x10x1 (Hình 3.14).
Hình 3.14. Cấu trúc mạng ANN
Công cụ nntool của phần mềm Matlab 2017b được sử dụng để xử lý dữ liệu. Hàm huấn luyện được sử dụng là hàm Levenberg Marquardt (TRAINLM) và hàm kích hoạt (hàm truyền) là hàm TANSIG.
Tổng số 72 mẫu được sử dụng cho việc huấn luyện (training), xác thực (validation) và kiểm tra (test). Dữ liệu phục vụ việc huấn luyện: 70% (50 mẫu), dữ liệu phục vụ việc xác thực: 15% (11 mẫu), dữ liệu phục vụ việc kiểm tra: 15% (11 mẫu). Sự phân bổ 72 bộ dữ liệu cho 3 tập dữ liệu nói trên được thực hiện một cách ngẫu nhiên bởi công cụ nntool trong phần mềm Matlab.