' (co )
f MPa DC01 DC02 TR03
Thực nghiệm 18,33 21,43 32,33
ANN dự đoán 18,482 21,543 32,271
63
Nhận xét: Giá trị cường độ chịu nén được dự đoán từ mạng ANN và kết quả nén thực nghiệm có sai số rất nhỏ. Vậy nên kết quả dự đoán cho giá trị với độ tin cậy cao.
5.2.3. Dự đoán đường cong ứng xử từ tổ mẫu
Bảng 5.5: Thơng số tối ưu và giá trị hàm thích nghi qua q trình tìm kiếm
Thơng số f 'co(MPa) Hệ số 1 Hệ số 2 fval best_ fval mean_
DC01 18,482 0,633 0,788 0,0443 1,764
DC02 21,543 0,628 0,765 0,0515 2,179
TR03 32,271 0,599 0,685 0,0231 4,829
▪ Mẫu DC01
Hình 5.8: Quan hệ ứng suất – biến dạng mẫu DC01 giữa thực nghiệm, LIT – GA và Wee & Mansur
▪ Mẫu DC02
65
Hình 5.10: Quan hệ ứng suất – biến dạng mẫu DC02 giữa thực nghiệm, LIT – GA và Wee & Mansur
▪ Mẫu TR03
Hình 5.12: Quan hệ ứng suất – biến dạng mẫu TR03 giữa thực nghiệm, LIT – GA và Wee & Mansur
5.3. Đánh giá kết quả dự đoán
Thay các giá trị cường độ chịu nén, hệ số tối ưu 1 và 2 của các tổ mẫu vào hàm ứng xử LIT – GA, tăng dần đều giá trị biến dạng tương ứng đến biến dạng cuối cùng ta thu được dạng đường cong ứng xử với các tổ mẫu theo hình 5.8, 5.10, 5.12.
Dựa vào đường cong quan hệ ứng xử hình 5.8, 5.10, 5.12, nhận thấy đường cong dự đoán từ hàm LIT – GA đã bám sát đường ứng xử thực nghiệm hơn so với đường cong ứng xử đề xuất từ Wee & Mansur ban đầu, đặc biệt là hình dạng sau điểm đạt trạng thái cực đại. Dạng đường cong thu được, được đánh giá là phù hợp trên cả các giai đoạn gồm: từ giai đoạn ban đầu đến giai đoạn tuyến tính (vùng I) và tiếp đến giai đoạn phi tuyến (vùng II) cũng như giai đoạn sau khi đạt trạng thái cực hạn với sự xuất hiện các vết nứt dẫn đến vùng “hóa mềm” (vùng III) đối với bê tơng có cấp cường độ thường.
Ở tổ mẫu DC01 và DC02 có sự sai lệch tương đối giữa kết quả thí nghiệm ở các tập mẫu và đường cong dự đốn nằm giữa khoảng trung bình của các tập mẫu
67
trên. Với tập mẫu TR03, kết quả dự đoán đem lại độ tin cậy cao khi đường cong dự đoán trùng với dạng đường cong từ các tập mẫu thí nghiệm. Vì vậy, việc xây dựng hàm mục tiêu và tìm kiếm các thơng số tối ưu bằng giải thuật di truyền dự đoán ra được đường cong ứng xử với độ chính xác cao.
Xem kết quả tính tốn ứng suất – biến dạng của mơ hình đề xuất LIT kết hợp giải thuật di truyền GA và mơ hình giải tích theo Wee & Mansur tại phụ lục 6.
Chương 6
KẾT LUẬN VÀ KIẾN NGHỊ 6.1. Kết luận
Nghiên cứu này nhằm mục đích dự đốn giá trị cường độ chịu nén cũng như làm rõ hơn về các mối quan hệ ứng suất – biến dạng trong bê tơng có cấp cường độ thường, việc ứng dụng mạng nơ – ron nhân tạo ANN và giải thuật tiến hóa di truyền GA đem lại được tính dự đốn với độ tin cậy cao. Các kết luận trong nghiên cứu của luận văn gồm các ý chính sau:
Việc ứng dụng mạng nơ – ron nhân tạo ANN xây dựng bộ dữ liệu thể hiện mối quan hệ giữa các thành phần cấp phối và giá trị cường độ chịu nén cho kết quả sau dự đốn có độ sai số nhỏ so với kết quả nén mẫu thực nghiệm. Như vậy, với mỗi cấp phối bất kỳ người dùng có thể dự đốn ra cường độ chịu nén của bê tơng.
Với mơ hình ứng xử LIT được đề xuất, việc ứng dụng giải thuật tiến hóa di truyền GA nhằm tìm kiếm hàm ứng xử tối ưu bằng cách đặt vào mơ hình ứng xử này các hệ số tối ưu và đánh giá sai số toàn miền tìm kiếm. Kết quả thu được là đáng tin cậy, thể hiện ở dạng đường cong sau tối ưu đã bám sát đường cong ứng xử thực nghiệm qua 3 mẫu kiểm chứng.
Luận văn đã áp dụng cơng nghệ tính tốn mềm và quy luật tiến hóa sinh học vào tối ưu hàm ứng xử, mang lại độ tin cậy cao trong việc dự đoán giá trị cường độ của vật liệu bê tông. Từ kết quả ghi nhận, với 1 cấp phối bê tơng bất kỳ ta có thể dự đốn ra được giá trị cường độ, biến dạng lớn nhất, mô đun đàn hồi, dạng đường cong ứng xử với sai số nhỏ nhất và độ chính xác cao.
Việc ứng dụng mơ hình ứng xử dự đốn giúp cho người dùng khơng cần phải nén nhiều mẫu bê tông với cấp phối liên quan, đem lại nhiều lợi ích về kinh tế và mơi trường trong q trình đánh giá, kiểm định.
69
6.2. Kiến nghị
Hình dạng đường cong khi nén các tập mẫu trong tổ mẫu có sự sai lệch tương đối, chứng tỏ có sự sai số trong q trình thí nghiệm. u cầu kiểm sốt sai số các bước trong quá trình thực nghiệm nén mẫu.
Từ độ tin cậy đem lại, nghiên cứu kiến nghị sử dụng hàm ứng xử LIT kết hợp giải thuật tiến hóa di truyền GA để mơ phỏng đường cong quan hệ ứng suất và biến dạng cho bê tơng có cấp cường độ thường hay bê tông thương phẩm.
Các nghiên cứu phát triển về sau cần kết hợp nhiều mẫu nén thực nghiệm hơn ở các cấp cường độ khác nhằm đem lại sự so sánh từ mơ hình được tác giả đề xuất.
Làm rõ và đánh giá độ sai số khi áp dụng các mơ hình ứng xử ở nước ngoài theo các quy phạm và điều kiện ở Việt Nam.
Nghiên cứu tăng dần giá trị cường độ chịu nén từ các mơ hình trên kết hợp mạng nơ – ron nhân tạo ANN và giải thuật di truyền GA nhằm đánh giá đường cong ứng xử. Đặc biệt là dạng đường cong đứt gãy sau giá trị ứng suất cực đại.
Tìm hiểu về ứng xử bê tơng khi chịu kéo cũng như các thí nghiệm vật liệu khác như nén 3 trục, ép chẻ…nghiên cứu thêm về dự đoán cường độ và ứng xử của bê tông trong các độ tuổi và điều kiện nhiệt độ khác nhau.
Nghiên cứu các mơ hình ứng xử khác của bê tơng như “đàn hồi – giịn, đàn
hồi – dẻo – giòn, động học dòn – dẻo” hay các mơ hình đặc biệt như “Microplane, mơ hình nứt kết hợp” và dự đoán bằng mạng nơ – ron nhân tạo ANN với các thuật
tốn tìm kiếm khác như Bayes, thuật toán đàn kiến…
Nghiên cứu ứng xử của bê tông cường độ cao, siêu cao hay bê tông sỉ thép, cốt sợi…kết hợp các phương pháp dự đốn khác như giải thuật mờ Fuzzy, mơ hình Gaussian hay phương pháp véc – tơ bình phương…
Kết hợp, so sánh và đối chiếu giữa các như phương pháp giải tích, mơ phỏng số bằng ANN, phương pháp phần tử hữu hạn, phần tử rời rạc để đánh giá sai số và đưa ra kết luận tối ưu.
TÀI LIỆU THAM KHẢO
[1] TCVN 10303 - 2014. Bê tông - kiểm tra và đánh giá cường độ chịu nén, 2014. [2] J. Mazars. Application de la mécanique de l’endommagement au comportement
non linéaire et à la rupture du béton de structure. PhD thesis of University
Paris VI, 1984.
[3] Trần Thế Truyền. Lý thuyết và thực nghiệm xác định các tham số của mơ hình
phá huỷ dịn bê tơng, khả năng ứng dụng vào phân tích cơ chế phá huỷ của các bộ phận kết cấu cơng trình giao thơng. Đại Học Giao Thông Vận Tải, 2018.
[4] Nguyễn Ninh Thụy, Vũ Quốc Hoàng, Lê Văn Đồng. Nghiên cứu thực nghiệm
tính chất của bê tơng trong điều kiện. Đại Học Bách Khoa TP.HCM, 2010.
[5] Nguyễn Chí Thanh. Nghiên cứu gia cường kết cấu bê tông cốt thép bằng tấm
composite - ứng dụng cho cơng trình Thủy Lợi. Viện Khoa học Thủy Lợi Việt
Nam, 2017.
[6] Le Anh Thang, Nguyen Tan Thanh. Nonlinear Analysis of Reinforced Concrete
Beam Bending Failure Experimentation Using Steel Slang as Coarse Aggregate Replacement Based on ABAQUS. Ho Chi Minh University of
Technology and Education, 2019.
[7] Tran Van Tieng, Nguyen Thi Thuy Hang, Nguyen Xuan Khanh. Compressive
behavior of concrete: experimental study and numerical simulation using discrete element method. Ho Chi Minh University of Technology and
Education, 2018.
[8] C469/C469M-14. Standard Test Method for Static Modulus of Elasticity and Poisson’s Ratio of Concrete in Compression, 2018.
[9] Phạm Thọ Hoàn, Phạm Thị Anh Lê. Trí tuệ nhân tạo – Artifical Interlligence. Trường Đại Học Sư Phạm Hà Nội, tr. 08, 2017.
71
[10] Ngơ Hữu Chung. Nhập mơn trí tuệ nhân tạo. Học viện Kỹ thuật Quân sự, tr. 10, 2017.
[11] Bùi Hồng Giang, Nguyễn Hữu Lộc. Tối ưu hóa kiểu dáng kết cấu theo phương pháp mật độ và phương pháp tiến hóa. Tạp chí phát triển Khoa học & cơng
nghệ, tập 11 số 3-2008, tr. 58-68, 2008.
[12] Vũ Anh Tuấn và Hàn Ngọc Đức. Thiết kế tối ưu dầm liên hợp thép - bê tơng cốt thép. Tạp chí Khoa học Cơng nghệ, số 10/9-2011, 2011.
[13] Nguyễn Mạnh Hảo, Trần Thu Hằng, Phạm Văn Nguyên. Ứng dụng mạng nơ –
ron nhân tạo để dự báo tốc độ ăn mịn thép CT3 trong khí quyển. Tạp chí Khoa học và Công nghệ nhiệt đới, số 08,6 – 2015, 2015.
[14] Hoang Nhat Duc, Pham Anh Duc, Nguyen Quoc Lam, Pham Quang Nhat. Estimating Compressive Strength of High Performance Concrete with Gaussian Process Regression Model. Advances in Civil Engineering, 2016. [15] Hoàng Nhật Đức, Nguyễn Duy Tân, Nguyễn Trần Mộng Thùy. Xây dựng một
mô hình mạng nơ – ron thần kinh nhân tạo dùng cho phân tích hồi quy trong ngành xây dựng với lập trình trên Visual C#.NET. Đại học Duy Tân, 2019.
[16] Dự án trí tuệ nhân tạo - Viettel. Internet:
https://vnexpress.net/ba-du-an-ung-dung-tri-tue-nhan-tao-cua-viettel- 3975253.html, 13/6/2020.
[17] Nguyễn Ngọc Kiên, Trần Văn Địch, Vũ Toàn Thắng, Nguyễn Trọng Hiếu. Phương pháp mạng nơ – ron nhân tạo và tiến hóa nhân tạo xác định chế độ cắt tối ưu khi phay CNC. Tạp chí Khoa học và Cơng nghệ 51, tr. 259-265, 2013. [18] Dương Thu Trang. Ứng dụng mạng nơ – ron nhân tạo dự báo số học sinh
tuyển vào trung tâm QDNN – GDTX quận Đống Đa. Đại học Công Nghệ, Đại
học Quốc gia Hà Nội, tr. 17-32, 2017.
[19] Siavash Sajedi, Hamid Reza Bonyadi, Farnam Ghassemzadeh. Finite element investigation of the flexural behavior of corroded RC beams before and after
repairing. Dubai, UAE, First Middle East Conference on Smart Monitoring,
10/2011.
[20] Mohammed Ali Ihsan Saber. Prediction of Punching Shear Strength of Reinforced Concrete Flat Slab by ANSYS. Eurasian Journal of Science & Engineering, 04/2018.
[21] Compressive Behavior of Composite Concrete Columns with Encased FRP Confined Concrete Cores. Internet:
https://www.mdpi.com/1424-8220/19/8/1792/htm, 2019.
[22] Mamoun Alqedra, Mohammed Arafa and Mohammed Ismail. Optimum Cost of Prestressed and Reinforced Concrete Beams using Genetic Algorithms.
Journal of Artificial Intelligence, 2011, pp. 76-88.
[23] A. Kaveh and M. S. Massoudi. Cost optimation of a composite floor system using ant colony system. Printed in The Islamic Republic of Iran, 2012, pp.
139-148.
[24] Giuseppe Quaranta, Alessandra Fiore and Giuseppe Carlo Marano. Optimum design of prestressed concrete beams using constrained differential evolution algorithm. Structural and Multidisciplinary Optimization, 03/2014, pp. 441– 453.
[25] Ali Heidari, Jamal Sheikh. Using Neural Network to Predit Compressive Strength of Concrete Containing Additives. International Journal of Scientific
Engineering and Technology, 01/05/2016.
[26] A. S. Talaei, A. Nasrollahi, M. Ghayekhloo. An automated approach for optimal design of prestressed concrete slabs using PSOHS. Korean Society of
Civil Engineers, 2016.
[27] K. Kaviya and J. Premalatha. Prediction of Compressive Strength of High Performance Concrete using Artificial Neural Network (ANN) Model.
International Research Journal of Engineering and Technology (IRJET),
73
[28] TCVN 5574 - 2018. Thiết kế kết cấu và bê tông cốt thép, 2018.
[29] Trần Thế Truyền. Các mơ hình ứng xử của bê tơng, đánh giá mơ hình tối ưu dùng trong mô phỏng số các kết cấu bê tông. Đại học Giao Thông Vận Tải,
1995.
[30] I. B. Ugur Sahin. A Fuzzy Model Approach to Stress–Strain Relationship of Concrete in Compression. King Fahd University of Petroleum and Minerals,
2014.
[31] Hognestad. A study of combined bending and axial load in RC. University of Illinois, 1951, p. 399.
[32] Thomas Telford. Comité Euro-Internationaldu Béton-Fédération Internationale de la Précontrainte. CEB-FIP model code 1990: design code, London, 1993. [33] Wee, T. H. Chin, M. S. Mansur. Stress-strain relationship of high-strength
concrete in compression. Journal of Materials in Civil Engineering, pp. 70-76, 1996.
[34] T. H. Almusallam and S. H. Alsayed. Stress-strain relationship of normal high- strength and lightweight concrete. Magazine of Concrete Research, pp. 39-44, 1995.
[35] Joseph F. Lamond and James H. Pielert, Editors. Significance of Tests and Properties of Concrete and Concrete - Making Materials. International
Standards Worldwide, STP 169D, 04/2006.
[36] Blog trí tuệ nhân tạo Nguyễn Trường Long. Internet:
https://nguyentruonglong.net/ly-thuyet-ve-mang-no-ron-nhan-tao-artificial- neural-network-ann.html, 2010.
[37] Nguyễn Quang Hoan. Nhập mơn trí tuệ nhân tạo. Học Viện Cơng Nghệ Bưu Chính Viễn Thơng Hà Nội, 2007, tr. 139-144.
[38] Mạng Hopfield - Wikipedia. Internet:
[39] Short Term Load Forecasting using A Novel Recurrent Neural Network. Internet:
https://www.researchgate.net/figure/Structure-of-a-recurrent-neural-network- with-local-and-global-feedback-II-PROPOSED_fig1_235683087, 2008. [40] Howard Demuth, Mark Beale. Neural Network Toolbox. For use with Matlab,
The Mathworks, 2002.
[41] Concrete Compressive Strength Data Set. Internet:
https://archive.ics.uci.edu/ml/datasets/concrete+compressive+strength, 2007. [42] TCVN 4506-2012. Nước cho bê tông và vữa - Yêu cầu kỹ thuật, 2012.
[43] J. F. Lamond and J. H. Pielert. Significance of tests and properties of concrete
and concrete-making materials. Astm West Conshohocken, 2006, PA.
[44] Kết quả ghi nhận tại Viện Khoa Học Công Nghệ Xây Dựng IBST. Internet: https://drive.google.com/file/d/1tpXRdrELQTnaslpV75xpm6I7IBptRerG/vie w?usp=sharing, 2020.
75
PHỤ LỤC TÍNH TỐN Phụ lục 1: Code Matlab bài toán xấp xỉ _Mạng nơ – ron ANN
Bai toan thuan – du doan cuong do
a=sim(network1,Input);
plot(Target,'--*r','Linewidth',1); hold on; plot(a,'-
og','Linewidth',1);
title('Errors Expriment & ANN Predict'); xlabel('Specimens Number');
ylabel('Strength fco (MPa)');
legend('fco - Experiment','fco - ANN Predict'); errors=a-Target;
plot(errors,'-.m+','Linewidth',1);
Bai toan nghich – du doan cap phoi xi mang
a=sim(network2,Input);
plot(Cement_Exp,'--*r','Linewidth',1); hold on; plot(Cement_ANN,'-og','Linewidth',1);
title('Errors Cement'); xlabel('Specimens Number'); ylabel('Cement (kg/m3)');
legend('Cement - Experiment','Cement - ANN Predict'); errors=Cement_Exp-Cement_ANN;
plot(errors,'-.m+','Linewidth',1);
Bai toan nghich – du doan cap phoi nuoc
a=sim(network2,Input);
plot(Water_Exp,'--*r','Linewidth',1); hold on; plot(Water_ANN,'-og','Linewidth',1);
title('Errors Water');
xlabel('Specimens Number'); ylabel('Water (kg/m3)');
legend('Water - Experiment','Water - ANN Predict'); errors=Water_Exp-Water_ANN;
plot(errors,'-.m+','Linewidth',1);
Bai toan nghich – du doan cap phoi cot lieu tho (da)
plot(Coarse_Exp,'--*r','Linewidth',1); hold on; plot(Coarse_ANN,'-og','Linewidth',1);
title('Errors Coarse'); xlabel('Specimens Number'); ylabel('Coarse (kg/m3)');
legend('Coarse - Experiment','Coarse - ANN Predict'); errors=Coarse_Exp-Coarse_ANN;
plot(errors,'-.m+','Linewidth',1);
Bai toan nghich – du doan cap phoi cot lieu min (cat)
a=sim(network2,Input);
plot(Fine_Exp,'--*r','Linewidth',1); hold on; plot(Fine_ANN,'-og','Linewidth',1);
title('Errors Fine');
xlabel('Specimens Number'); ylabel('Fine (kg/m3)');
legend('Fine - Experiment','Fine - ANN Predict'); errors=Fine_Exp-Fine_ANN;
plot(errors,'-.m+','Linewidth',1);
Phụ lục 2: Code Matlab tìm kiếm hệ số tối ưu_Giải thuật di truyền GA
Giá trị x1, x2 tìm kiếm tương ứng với 1, 2:
Mẫu DC01
function J=Optimize_LIT_GA_DC01(x)
eps=xlsread('Concrete compression data
official.xlsx','LIT','A:A');
sigma=xlsread('Concrete compression data
official.xlsx','LIT','B:B'); fco =18,482; n=numel(eps); Ec=10,2*fco^(1/3); epsmax=0,78*fco^(1/4); beta=1/(1-(fco/(epsmax*Ec))); for i=1:1:n eps(i)=eps(1,i); end eps=eps(1:end);
77 for i=1:1:n sigma(i)=sigma(1,i); end sigma=sigma(1:end); for i=1:1:n d(i)=abs(sigma(i)-fco*(beta*x(1)*x(2)*eps(i)/epsmax)/ (beta*x(2)-1+(x(1)*eps(i)/epsmax)^(beta*x(2))))); end Valuess=d(1:end); J=sum(Valuess); Mẫu DC02 function J=Optimize_LIT_GA_DC02(x)
eps=xlsread('Concrete compression data
official.xlsx','LIT','D:D');
sigma=xlsread('Concrete compression data
official.xlsx','LIT','E:E'); fco = 21,543; n=numel(eps); Ec=10,2*fco^(1/3); epsmax=0,78*fco^(1/4); beta=1/(1-(fco/(epsmax*Ec))); for i=1:1:n eps(i)=eps(1,i); end eps=eps(1:end); for i=1:1:n sigma(i)=sigma(1,i); end sigma=sigma(1:end); for i=1:1:n d(i)=abs(sigma(i)-fco*(beta*x(1)*x(2)*eps(i)/epsmax)/ (beta*x(2)-1+(x(1)*eps(i)/epsmax)^(beta*x(2))))); end Valuess=d(1:end); J=sum(Valuess);
Mẫu TR03
function J=Optimize_LIT_GA_TR03(x)
eps=xlsread('Concrete compression data
official.xlsx','LIT','G:G');
sigma=xlsread('Concrete compression data
official.xlsx','LIT','H:H'); fco = 32,271; n=numel(eps); Ec=10,2*fco^(1/3); epsmax=0,78*fco^(1/4); beta=1/(1-(fco/(epsmax*Ec))); for i=1:1:n eps(i)=eps(1,i); end eps=eps(1:end); for i=1:1:n sigma(i)=sigma(1,i); end sigma=sigma(1:end); for i=1:1:n d(i)=abs(sigma(i)-fco*(beta*x(1)*x(2)*eps(i)/epsmax)/ (beta*x(2)-1+(x(1)*eps(i)/epsmax)^(beta*x(2))))); end Valuess=d(1:end); J=sum(Valuess);
79
Phụ lục 3: Kết quả tính tốn các mơ hình ứng xử ứng với tổ mẫu DC01 và DC02
Kết quả tính tốn ứng suất và biến dạng các mơ hình ứng xử mẫu DC01, DC02
Mơ hình Hognestad CEB – FIP Wee & Mansur Almusallam & Alsayed
Mẫu DC01 DC02 DC01 DC02 DC01 DC02 DC01 DC02
( )‰
ci
ci(MPa) ci(MPa) ci(MPa) ci(MPa)
0 0 0 0 0 0 0 0 0 0,1 2,28 2,44 2,625 2,774 2,668 2,818 1,949 2,063 0,2 4,41 4,73 4,964 5,293 5,205 5,538 3,608 3,834