Mạng nơron nhân tạo (AN N Artificial Neural Network)

Một phần của tài liệu Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo (Trang 49 - 51)

CHƯƠNG 2 CƠ SỞ LÝ THUYẾT CỦA NGHIÊN CỨU

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

2.5.2.1. Mạng nơron nhân tạo (AN N 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 tròn 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 thơng 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.

39 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 thông 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 đoán 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 đoán 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) w (t 1)kj  kj   w (t)kj (2.31)

40

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.

Một phần của tài liệu Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng mô hình trí tuệ nhân tạo (Trang 49 - 51)

Tải bản đầy đủ (PDF)

(128 trang)