Chống ăn mòn cốt thép

CHƯƠNG 2 CƠ SỞ LÝ THUYẾT CỦA NGHIÊN CỨU

2.4.2. Chống ăn mòn cốt thép

Dùng cốt thép không gỉ, thép hợp kim thấp. Nhược điểm, làm cho giá thành cơng trình cao, chất lượng kết cấu bê tơng có cốt thép giảm.

Mạ cốt thép có tác dụng chống ăn mịn. Sơn bảo vệ cốt thép. Nhược điểm, sơn phủ bảo vệ cốt thép ảnh hưởng khả năng bám dính của bê tơng và cốt thép, thi công tốn nhiều thời gian.

Ức chế ăn mòn cốt thép: sử dụng chất ức chế ăn mòn làm giảm ăn mòn cốt thép, và trộn cùng vào bê tơng để chống ăn mịn cốt thép. Nhược điểm, cần công nghệ chế tạo cao, tiêu chuẩn kỹ thuật phức tạp.

Phương pháp bảo vệ catôt: bảo vệ catôt là phân cực catôt một bề mặt kim loại bi ăn mòn đề làm giảm tốc độ ăn mịn, duy trì màng bảo vệ thụ động, dịng điện bảo vệ catơt cịn làm cho ion Cl- đi ra xa bề mặt cốt thép. Nhược điểm: khó áp dụng ngồi thực tế.

2.5. Lý thuyết về các mơ hình dự đốn dầm BTCT ăn mịn

2.5.1. Khai phá dữ liệu (KPDL - Data Mining)

Khai phá dữ liệu (KPDL) được ra đời vào cuối thập kỷ 80. Nhằm phát hiện ra các thơng tin có giá trị tiềm ẩn trong các tập dữ liệu lớn. Khai phá dữ liệu liên quan đến việc phân tích và sử dụng các kỹ thuật, cơng cụ để tìm ra các đặc điểm mẫu trong tập dữ liệu [45, 46].

Hình 2.19 Quá trình khai phá dữ liệu [45]

Các giải thuật KPDL được mơ tả bằng những chương trình hoạt động trực tiếp trên tệp dữ liệu. Quá trình xử lý KPDL (Hình 2.19) gồm các bước sau.

 Bước 1: Bắt đầu bằng cách xác định vấn đề cần giải quyết.

 Bước 2: Sau đó sẽ xác định các dữ liệu liên quan dùng để xây dựng giải pháp.  Bước 3: Là thu thập các dữ liệu có liên quan và xử lý chúng thành dạng sao

cho giải thuật KPDL có thể hiểu được.

 Bước 4: Chọn thuật tốn KPDL thích hợp và thực hiện việc KPDL để tìm

được các mẫu có ý nghĩa dưới dạng biểu diễn tương ứng với các ý nghĩa đó.

Đặc điểm của mẫu phải là. Độ mới có thể được đo tương ứng với độ thay đổi trong dữ liệu (bằng cách so sánh các giá trị hiện tại với các giá trị trước đó hoặc các

Kỹ thuật KPDL thực chất là sự kế thừa, kết hợp và mở rộng của các kỹ thuật cơ bản đã được nghiên cứu từ trước như máy học, nhận dạng, thống kê (hồi quy, xếp loại, phân cụm), các mơ hình đồ thị, trí tuệ nhân tạo, v.v…

Có thể hiểu, KPDL là một q trình tìm kiếm, phát hiện các tri thức mới được tiềm ẩn ở trong các cơ sở dữ liệu lớn. Khai phá tri thức là mục tiêu quan trọng của KPDL. Cụ thể KPDL là một bước chính trong q trình khai phá tri thức [46].

2.5.2. Trí tuệ nhân tạo (AI - Artificial Intelligence)

2.5.2.1. Mạng nơ ron nhân tạo (ANN - Artificial Neural Network)

Mạng nơ ron nhân tạo (ANN) là các mơ hình tốn học hoặc tính tốn được phát triển dựa theo hệ thống thần kinh trung ương của con người (đó là não) có khả năng học cũng như nhận dạng mẫu. Mạng lưới thần kinh nhân tạo thường được trình bày dưới dạng các hệ thống các nơ ron thần kinh liên kết với nhau có thể tính tốn dự đốn các giá trị từ các đầu vào [47]

Hình 2.20 Mạng thần kinh đơn giản [47]

Trong Hình 2.20, mỗi nút trịn đại diện cho một nơron nhân tạo và mũi tên đại diện cho kết nối từ đầu ra của một nơron đến đầu vào của một nơron khác. Cấu trúc của hệ thống nơ ron gồm có 3 phân lớp: lớp đầu vào (input), lớp ẩn (hidden) và lớp đầu ra (output). Lớp đầu vào là lớp có kết nối với dữ liệu bên ngồi. Lớp ẩn khơng có kết nối với dữ liệu, lớp này chỉ kết nối với lớp đầu vào và lớp đầu ra thông qua một số tiêu chí của mạng. Lớp đầu ra sẽ cung cấp kết quả của mạng ANN sau khi dữ liệu đầu vào được mạng xử lý.

Cảm hứng cho nền tảng, phát triển và ứng dụng mạng lưới thần kinh nhân tạo đã đến ra khỏi nỗ lực tìm hiểu cơng việc của bộ não con người và từ khát vọng tạo ra một hệ thống thông minh nhân tạo của hệ thống thơng minh nhân tạo để tính tốn và xử lý dữ liệu điển hình cho bộ não con người. Các mạng lưới thần kinh nhân tạo thường là một tính tốn và dự đốn tốt hơn phương pháp so với phương pháp tính tốn cổ điển và truyền thống [47,48,49]. Các nghiên cứu được thực hiện trên khắp thế giới cho thấy các mạng lưới thần kinh có một thành cơng xuất sắc trong việc dự đốn chuỗi dữ liệu và đó là lý do tại sao chúng có thể được sử dụng để tạo ra các mơ hình tiên lượng có thể giải quyết các vấn đề khác nhau và nhiệm vụ [47-49].

Kỹ thuật này đã thu hút sự quan tâm của hầu hết các nhà nghiên cứu và ngày nay đã trở thành một điều thiết yếu một phần của ngành công nghệ, cung cấp một nền tảng tốt để giải quyết nhiều khó khăn nhất vấn đề dự đốn trong các lĩnh vực khác nhau của các ứng dụng kỹ thuật [50, 51]. ANN cũng đã đạt được rất phổ biến trong việc giải quyết các vấn đề Kỹ thuật Xây dựng khác nhau [48, 51, 52].

Mạng nơ-ron đa lớp trong nghiên cứu này, lớp đầu tiên là tập hợp các nút dữ liệu đầu vào của dầm bê tơng cốt thép bị ăn mịn, sẽ có một hay nhiều lớp ẩn chứa các nút tính tốn và một lớp đầu ra chứa một nút biểu thị moment giới hạn của dầm. Thuật toán máy học được sử dụng rộng rãi và hiệu quả nhất để huấn luyện mạng thần kinh đa lớp là thuật tốn lan truyền ngược. Ngưỡng kích hoạt của từng nơ-ron trong lớp ẩn được tính như sau:

netk w okj j và yk f (net )k (2.29)

trong đó netk là ngưỡng kích hoạt của nơ-ron thứ k; j là tập các nơ-ron ở lớp trước; wkj là trọng số kết nối giữa nơ-ron k và nơ-ron j; oj là đầu ra của nơ-ron j, và yk là hàm truyền.

f (net )k 1 net

1 e 

 (2.30)

Công thức huấn luyện và trọng số cập nhật wkj trong từng chu kỳ t là

w (t)kj  pj pjo  w (t 1)kj  (2.32)

trong đó η là tham số tốc độ huấn luyện; δpj là sai số lan truyền; opj là kết quả đầu ra của nơ-ron j cho lần thứ p; α là tham số khuếch đại, và wkj(t − 1) là giá trị thay đổi cho wkj trong chu kỳ trước.

2.5.2.2. Thuật toán support vector machine (SVM - Support Vector Machine)

SVM được công nhận là một trong những phương pháp mạnh và chính xác nhất trong số các thuật tốn nổi tiếng về phân lớp dữ liệu. Vì có tính tổng qt cao, nên SVM được áp dụng cho nhiều loại bài toán nhận dạng và phân loại như trong nhận dạng hình ảnh, cũng như dự báo [53].

Giả sử một số điểm dữ liệu đã cho, mỗi điểm thuộc về một trong hai lớp và mục tiêu là quyết định điểm dữ liệu mới sẽ thuộc lớp nào. Trong trường hợp máy vectơ hỗ trợ, điểm dữ liệu được xem dưới dạng vectơ p chiều (a danh sách các số p) và chúng ta muốn biết liệu chúng ta có thể tách các điểm đó bằng một siêu phẳng (p-1) khơng. Đây được gọi là phân loại tuyến tính. Hình 2.21 minh họa việc sử dụng máy vectơ để phân loại.

Hình 2.21 Máy vectơ cho việc phân loại [54]

Vapnik [55] là người đầu tiên giới thiệu máy hỗ trợ véc tơ. Các máy hỗ trợ véc tơ được tạo bởi các hàm ánh xạ đầu vào – đầu ra từ một tập dữ liệu. Hàm này giải quyết cả vấn đề phân loại lẫn hồi quy. Thơng thường, mơ hình hồi quy sử dụng hồi quy hỗ trợ véc tơ epsilon [56] để tìm một hàm f(x) có độ lệch ε tối đa được thu thập

từ các dữ liệu đầu ra yi. Trong máy hỗ trợ véc tơ hồi quy, đầu vào đầu tiên được ánh xạ vào một vùng đặc tính khơng gian n chiều bằng cách sử dụng hàm phi tuyến như sau:

f (x, )    ,x b với  ,b (2.33)

Chất lượng của hàm f(x) có thể được ước tính dựa trên tổn thất của hàm L(x) như sau:   0 if y f (x, ) L y,f (x, ) y f (x, )               (2.34)

Đặc tính mới nhất của hỗ trợ véc tơ hồi quy là sử dụng tổn thất không nhạy cảm ε để tính tốn hàm hồi quy tuyến tính cho khơng gian đặc tính cao hơn đồng thời giảm độ phức tạp của mơ hình bằng cách giảm thiểu ||ω||2. Hàm này được đưa ra bằng cách lấy tổng không âm của các hàm ξi và ξi*, trong đó i = 1, . . . , n được sử dụng để xác định các mẫu huấn luyện từ vùng không nhạy cảm ε. Do đó, hỗ trợ véc tơ hồi quy có thể được coi là một phiên bản thu nhỏ của hàm sau:

      * i i i n 2 * * i i i i i i 1 * i i y f x 1 min C ; f x y 2 , 0,i 1,...,n                               (2.35)

trong đó hằng số C ≥ 0 xác định sự cân bằng giữa độ phẳng của f(x, ω) và dung sai cho độ lệch lớn hơn so với ε.

2.5.2.3. Mơ hình cây quyết định (CART - Classification and Regression Trees)

Cây phân loại và hồi quy là một phương pháp cây quyết định để xây dựng cây phân loại và cây hồi quy theo loại biến phụ thuộc của nó, vừa có thể theo kiểu phân loại hoặc kiểu số [57]. Với các trường dự đốn như nhau có thể sử dụng nhiều lần ở các cấp cây khác nhau. Phương pháp cây quyết định vượt trội hơn các mơ hình kỹ thuật khác khi áp dụng các vấn đề có tính logic cao [58].

Tùy thuộc vào trường mục tiêu, ba biện pháp đo lường có thể được sử dụng để xác định vị trí phân chia cho các mơ hình cây phân loại và hồi quy. Chẳng hạn như,

độ lệch bình phương nhỏ nhất sẽ tự động chọn các mục tiêu liên tục mà khơng giải thích được chúng. Chỉ số Gini g(t) tại một nút t trong mơ hình cây quyết định, được xác định theo phương trình sau:

j i

g(t) p( | )j t p i t( | ) 

 (2.36)

trong đó i và j là các loại trường mục tiêu

j j j ( j)N (t) p( j, t) p( | ) ; p( j, t) ; p(t) p( j, t) p(t) j N t     (2.37)

trong đó p(j) là giá trị xác suất trước cho loại j; Nj(t) là số lượng mẫu trong loại j của nút t, và Nj là số lượng mẫu của loại j của nút gốc. Khi chỉ số Gini được sử dụng để cải thiện sau quá trình phân tách trong quá trình cây phát triển, chỉ các mẫu trong nút và nút gốc với giá trị hợp lệ cho bộ dự đoán phân tách được sử dụng để tính Nj(t) và Nj.

2.5.2.4. Mơ hình hồi quy tuyến tính (LR - Linear regression)

Hồi quy tuyến tính đa biến dùng xác định mối quan hệ giữa hai hoặc nhiều biến đồng thời là một phần mở rộng của hồi quy đơn giản. Cơng thức chung mơ hình:

o n i i i 1 Y          (2.38) Với Y là moment giới hạn của dầm bị ăn mòn [M]; β0 là hằng số; βi là hệ số hồi quy (i = 1, 2, ..., n); ε là sai số, và i đại diện cho các nhân tố cụ thể [59].

2.5.2.5. Mơ hình tuyến tính tổng qt (GENLIN - Generalized linear regression) [60]

Mơ hình tuyến tính tổng qt được phát triển bởi Nelder và Wedderburn [61]. Mơ hình có thể phân tích các phân phối xác suất khác nhau cho một biến phụ thuộc sử dụng hàm liên kết làm mơ hình tính tốn để xác định mối quan hệ giữa các yếu tố dự báo tuyến tính và hàm phân phối trung bình.

Mẫu phân phối giả định của các điểm dữ liệu và mối quan hệ giữa X và Y được xác định theo phương trình sau:

trong đó η là bộ dự đốn tuyến tính, O là biến bù, Xi là biến độc lập, βi là hệ số độ dốc và F là phân phối của Y.

Ba thành phần của mơ hình tuyến tính tổng qt bao gồm một biến kết quả Y với phân phối ngẫu nhiên cụ thể và giá trị kỳ vọng µ và phương sai σ2(E(Y) = µ). Một hàm liên kết g(.) kết nối giá trị kỳ vọng (µ) của Y để biến đổi các giá trị dự đoán của η[η = g(µ)]; và một mơ hình cấu trúc tuyến tính.

2.5.2.6. Tự động phát hiện tương tác Chi-squared (CHAID - Chi-square automatic interaction detector) automatic interaction detector)

Kỹ thuật tự động phát hiện tương tác Chi-squared để phân loại dữ liệu được phát triển bởi Kass [62]. Nó kiểm tra tính độc lập bằng cách sử dụng kiểm định Chi-square để đánh giá việc tách một nút có cải thiện độ sạch dữ liệu đáng kể hay không. Cụ thể, bộ dự đốn có liên kết mạng nhất (theo giá trị p-value) với biến trả lời tại mỗi nút được sử dụng làm nút chia. Nếu bộ dự đốn được kiểm định cho thấy khơng có sự cải thiện đáng kể về mặt thống kê thì khơng có sự phân tách nào được thực hiện và thuật toán dừng lại.

Tự động phát hiện tương tác Chi-squared toàn diện được phát triển để giải quyết các hạn chế của CHAID [63]. Kỹ thuật CHAID toàn diện tránh việc mơ hình q phù hợp với cây quyết định đã phát triển đầy đủ vào dữ liệu để huấn luyện bằng cách liên tục hợp nhất các bộ dự đốn phân loại cho đến khi chỉ cịn hai biến phân loại tốt nhất. Sau đó, nó xác định bộ dự đốn trong mỗi chuỗi các phép hợp nhất và tính giá trị p- value được điều chỉnh cho bộ biến phân loại giúp mang lại sự liên kết tốt nhất với biến mục tiêu.

Hình 2.22 Kỹ thuật tương tác và phát hiện[54]

2.5.2.7. Kết hợp các phương pháp (Ensemble method)

Các mơ hình được xếp hạng dựa vào q trình dự đốn và sau đó các mơ hình có tỷ lệ dự đoán tốt nhất được kết hợp lại tạo thành mơ hình kết hợp. Phương pháp kết hợp được thể hiện bằng phép toán là g : ℝd → ℝ với một biến dự đoán X và biến phản hồi Y. Mỗi phương pháp sử dụng một thuật toán xác định để đưa ra một hàm ước tính g(.). Ước tính bằng một hàm kết hợp gen(.) tạo ra được bằng cách kết hợp tuyến tính của các hàm riêng lẻ như sau:

j n en j 1 g (.) c * g(.)    (2.40)

trong đó cj chứa các hệ số kết hợp tuyến tính, là giá trị trung bình của trọng số khác nhau.

Phương pháp mơ hình kết hợp ước tính chính xác hơn so với những mơ hình riêng lẻ thơng thường [64, 65]. Các nghiên cứu thường áp dụng thuật toán xác thực chéo k lần để giảm thiểu sai số liên quan đến lấy mẫu ngẫu nhiên của việc huấn luyện. Kohavi [66] đã xác nhận rằng thử nghiệm 10 lần đem lại thời gian tính tốn và phương sai tối

ưu. Phương pháp này phân chia tập mẫu dữ liệu thành 10 tập con, tiến hành xây dựng và xác thực mơ hình 10 lần, chọn 1 tập dữ liệu khác để kiểm tra, huấn luyện mơ hình bằng 9 tập dữ liệu và sử dụng tập cịn lại để kiểm tra tính chính xác của mơ hình được minh họa ở Hình 2.23. Độ chính xác của mơ hình được tính bằng độ chính xác trung bình của 10 mơ hình trong 10 lần xác thực.

Hình 2.23 Phương pháp xác thực chéo 10 lần [60]

2.5.3. Phương pháp đánh giá hiệu suất [60]

Để đánh giá độ chính xác của q trình dự đốn của các mơ hình đơn lẻ và mơ hình kết hợp, các phương pháp sau đã được sử dụng.

Hệ số xác định (Coefficient of determination) R2 2 n 2 n 2 i i i i 1 i 1 R 1 (y p ) / (y y)         (2.41)

Phần trăm sai số trung bình tuyệt đối (Mean absolute percentage error) MAPE (2.42)

Sai số trung bình tuyệt đối (Mean absolute error) MAE n i i i 1 MAE (1 / n) ( p y )      (2.43) Sai số tồn phương trung bình (Root-mean-squared error) RMSE

n i i i i 1 MAPE (1 / n) ( p y / y ) 100     

n 2 i i i 1 RMSE (1/ n) [p y ]      (2.44)

Lưu ý: yi là giá trị thực tế; pi là giá trị dự đốn; 𝑦̅ là giá trị trung bình của các giá

trị thực tế; và n là số lượng mẫu dữ liệu.

Ta sử dụng chỉ số tổng hợp (SI) thông qua bốn phương pháp thống kê R2, MAPE, MAE, RMSE với công thức như sau.

m i min,i i 1 max,i min,i P P 1 SI m P  P        (2.45) trong đó m là số phương pháp đánh giá; Pi là hiệu suất thứ i. Giá trị của SI là từ 0 đến 1; SI càng gần 0 độ chính xác mơ hình càng cao.

2.5.4. Phần mềm và mơ hình thực nghiệm

Các tham số của mơ hình được đặt mặc định trong quá trình so sánh thử nghiệm của các kỹ thuật khai phá dữ liệu nhằm đảm bảo cho mơ hình hoạt động một cách