b. Phân tích kết quả các mô hình
3.3.2. Xây dựng mô hình dự đoán hệ số cản Rayleigh của bê tông
Trong các trường hợp thực tế khi cấp phối chế tạo bê tông không phải là 1 trong 72 cấp phối đã thiết kế, cần thiết phải xác định được các hệ số cản Rayleigh cho cấp phối bê tông này. Vì vậy, mô hình mạng nơ-ron nhân tạo được đề xuất để dự đoán hai hệ số cản Rayleigh và β cho cấp phối bê tông bất kỳ.
Mạng nơ-ron nhân tạo được xây dựng có cấu trúc gồm 1 lớp đầu vào, 1 lớp ẩn, và 1 lớp đầu ra. Số lượng nơ-ron trong lớp đầu vào tương ứng với số tham số đầu vào gồm cốt liệu bé, cốt liệu lớn, chất kết dính và nước. Đối với lớp ẩn, số nơ- ron tối ưu được xác định theo phương pháp dò tìm (trial and error) và số nơ-ron tối ưu của lớp ẩn tính toán được là 10 nơ-ron (Phụ lục 3). Lớp đầu ra có 2 nơ-ron là hệ số cản Rayleigh và hệ số cản Rayleigh β. Cấu trúc mạng nơ-ron đề xuất như thể hiện trên Hình 3.27.
Hình 3.27. Cấu trúc mạng ANN để dự đoán hệ số cản Rayleigh và β
Tổng số 72 dữ liệu về hệ số cản Rayleigh (Phụ lục 6) được phân bổ như sau: dữ liệu huấn luyện (training): 70% (50 mẫu), xác thực (validation): 15% (11 mẫu), kiểm tra (testing): 15% (11 mẫu) và sự phân bổ trên được thực hiện một cách ngẫu nhiên bởi công cụ nntool trong phần mềm Matlab.
Quá trình huấn luyện và kết quả dự đoán hệ số cản Rayleigh của mạng ANN được thể hiện như Hình 3.28 và 3.29. Hệ số bội R2 của mô hình ANN dự đoán hệ số cản Rayleigh và β là 86,51%.
89
Hình 3.28. Quá trình huấn luyện mạng ANN dự đoán hệ số cản Rayleigh
Sử dụng mạng ANN đã xây dựng, chúng ta có thể xác định các hệ số cản