Mo hình mang neuron nhân tao (ANN) là một mô hình máy tính được xây dung
dựa trên cảm hứng từ mạng than kinh sinh học. Mét mô hình ANN bao gồm nhiều lớp xử lý, được kết nỗi với nhau thông qua các trọng số. Các lớp xử lý trong mô hình ANN tính toán thông qua việc truyền dẫn tín hiệu qua các liên kết trọng số. Mô hình ANN có thé học từ dữ liệu thông qua quá trình đào tạo, và sau đó áp dụng kién thức đã học được để dự đoán, phân loại hoặc xử lý thông tin mới.
Mô hình mang neuron nhân tạo dau tiên được dé xuất vào năm 1943 bởi hai nhà
khoa học người My Warren McCulloch và Walter Pitts dựa trên hoạt động của các
tê bào than kinh trong não. Vào năm 1958, Frank Rosenblatt thành công trong việc chế tạo Perceptron - một dang đơn giản của ANN, đánh dẫu một bước tiền quan trọng trong việc phát triển mô hình mạng neuron. Tuy nhiên, đến năm 1969, Marvin Minsky va Seymour Papert công bố cuốn sách "Perceptrons", trong đó chỉ ra các giới han của Perceptron trong việc giải quyết các vẫn dé tuyến tính không tách được, điều này dẫn đến sự gián đoạn trong nghiên cứu về ANN trong một thời gian dài. Đến năm 1986, Geoffrey Hinton đưa ra thuật toán lan truyền ngược. giúp việc giải quyết việc phân loại phi tuyến tính, và từ đó mô hình mang neuron nhân tao một lần nữa được quan tâm và nghiên cứu. Hiện nay, ANN tiếp tục phát triển mạnh mẽ với sự xuất hiện của các kiến thức học sâu (deep learning), đặc biệt là mang neuron tích chap (Convolutional Neural Network - CNN) và mang neuron hỏi quy (Recurrent Neural Network - RNN).
mở ra nhiều tiềm năng và ứng dụng mới cho ANN. Một mô hình mang neuron nhân
tạo bao gồm nhiều đơn vị xử lý gọi là neuron (hoặc node) được tổ chức thành các lớp liên kết với nhau. Mô hình tổng quát được mô tả như Hình 1.4.
15
Hình 1.4. Mô hình mang neuron nhân tạo.
Trong đó:
e Lớp đầu vào (Input layer) là lớp nhận dữ liệu đầu vào và truyền chúng đến các nút
trong lớp tiếp theo của mang.
e Lớp ẩn (Hidden layer) là các lớp giữa lớp đầu vào và lớp đầu ra của mạng, trong đó xử lý và trích xuất đặc trưng của dữ liệu thông qua các hoạt động tính toán của các
neuron.
e Lớp dau ra (Output layer) đưa ra dự đoán hoặc kết quả của mạng dựa trên các kết quả tính toán của các lớp ẩn và dầu vào.
Một bước quan trọng trong việc sử dụng mô hình ANN là huấn luyện mô hình. Mô hình mang neuron khi mới được xây dựng chưa có kiến thức gì vẻ van dé của người dùng. Kiến thức của mô hình sẽ được hình thành sau mỗi lần huấn luyện, hay nói cách khác là quá trình “hoc” của mô hình. Trong quá trình huấn luyện, người dùng sẽ cung cấp các thông tin về bài toán và mô hình sẽ đưa ra những đáp ứng tương ứng. những đáp ứng phù hợp với thông tin của bài toán sẽ được giữ lai và trở thành kiến thức cho mô hình. Sau mỗi lần huan luyện, mô hình sẽ tu điều chỉnh trọng số, tuy nhiên cau trúc của mạng sẽ được giữ cô định trong suốt quá trình huấn luyện. Khi kết thúc quá trình huan luyện, mô hình ANN đã xây dựng sẽ có khả năng giải quyết các vẫn đẻ đã học một cách chính xác. Với các biến số rời rac được cung cấp ban đầu, mô hình ANN
sẽ tự tìm ra những điểm chung của đữ liệu và giải quyết vấn đề bằng việc hợp nhất
16
thông tin dau vào và đáp ứng dau ra của mang. Ba phương thức học phổ biển nhất của
mô hình là học có giám sát (supervised learning), học không giám sát (unsupervised
learning) và học cúng cô (reinforcement learning).
e Học có giám sat (supervised learning): là thuật toán du đoán dau ra của một dữ
liệu mới dựa trên các cặp dư liệu (dầu vào. đầu ra) đã biết. Đây là cách học phổ biến nhất trong các cách học. Trong lần huắn luyện đầu tiên, mô hình ANN sẽ được cung cấp một bộ dit liệu chứa các thông tin ban dau và các trọng số tùy ý. Dau ra của mô hình sẽ được so sánh với dau ra mong muốn của người sử dung. Đô lệch giữa hai giá trị này là cơ sở cho mô hình ANN tự hiệu chính trọng số. Quá trình huấn luyện sẽ được lặp lại nhiều lần với cùng bộ dữ liệu đầu vào cho đến khi mô hình đạt được một giá trị có sai số có thể chấp nhận được.
e Học không giám sắt (unsupervised learning): với kiểu huan luyện này, chúng ta
sẽ không cung cap dữ liệu đầu ra cho mô hình mà chỉ có dữ liệu đầu vào. Mô hình phải tự tim ra các đặc điểm chung, các quy luật và tương quan của các dữ liệu đầu vào, từ đó đưa ra thông tin ở đầu ra. Khi mô hình tự học để tìm ra các đặc điểm chung này thì mô hình đã tu thay đổi các tham số của nó.
e Học củng cô (reinforcement learning): với cách học này, m6 hình sẽ phải tự động
xác định hoạt động của nó dựa vào hoàn cảnh để đạt được hiệu quả tốt nhất.
Số lượng neuron có trong mô hình sẽ ảnh hưởng đến hiệu suất làm việc của mô hình. Nếu số neuron quá ít thì mô hình thiểu khả năng học và không thể đưa ra được dự doán chính xác. Nếu số neuron quá nhiều sẽ dẫn dén sự quá khớp (overfitting) dữ liệu, nghĩa là mô hình sẽ học cả những chỉ tiết không cần thiết, khiến mô hình không thể khái quát dữ liệu. Mỗi neuron trong mạng neuron nhân tao được kết nối với các neuron trong các lớp liên kể bằng các trọng số (weight) và hàm kích hoạt (activation function) để tính toán đầu ra của neuron đó. Các trọng số được điều chỉnh trong quá trình huấn luyện mô hình để đạt được kết quả dự đoán tốt nhất cho bài toán cụ thể.
Kỹ thuật đo không hủy mẫu là một lĩnh vực mà việc xử lý đữ liệu đóng vai trò rất
quan trong. M6 hình mang neuron nhân tao là một công cụ hữu hiệu cho việc xử lý dif liệu và dự đoán trong các bài toán phức tạp. Vi vậy, việc sử dụng mô hình ANN
trong kỹ thuật đo không hủy mẫu có thể giúp giảm thiểu những sai số do lường và tăng độ chính xác của kết quả đo, đồng thời tiết kiệm thời gian và chỉ phí trong quá
17
trình do lường. Ngoài ra, mô hình ANN còn có thể học được từ dữ liệu và cải thiện
khả nang dự đoán khi được ap dụng vào các bài toán mới. Do đó, ứng dụng mô hình
ANN trong kỹ thuật đo không hủy mẫu là một hướng đi tiên tiễn và biệu quả. Việc ứng dụng mô hình mạng neuron nhân tạo trong kỹ thuật kiểm tra không huỷ mẫu đã được sử dụng rộng rãi trong nhiều nghiên cứu: Sambath và công sự [15] đã ứng dung mô hình mạng neuron nhân tạo trong việc phân loại khuyết tật tự động bằng cách sử
dung sóng siêu âm, một nghiên cứu năm 2021 của Sang và cộng sự [4] đã ứng dụng
mô hình ANN kết hợp với mô phỏng Monte Carlo để xác định néng độ phần trăm của dung dich acid. nghiên cứu của Saleem và cộng sự [16] đã kết hợp kỹ thuật kiểm tra
không hủy mẫu và mô hình ANN để phát hiện vết nứt trong bê tông.
18
Chương 2