Ứng dụng mô hình học máy trong dự đoán khả năng chịu nén của cột ống thép nhồi bê tông (tt)

Đến nay, tất cả các công thức dự đoán cường độ chịu nén của cột CFST chỉ phù hợp đối với bê tông thường NSC, trong một số tiêu chuẩn và các nghiên cứu cũng đã mở rộng và hiệu chỉnh cho b

HUỲNH VĂN VŨ

ỨNG DỤNG MÔ HÌNH HỌC MÁY TRONG DỰ ĐOÁN KHẢ NĂNG

CHỊU NÉN CỦA CỘT ỐNG THÉP NHỒI BÊ TÔNG

Chuyên ngành: QUẢN LÝ XÂY DỰNG

Mã số: 8580302

TÓM TẮT LUẬN VĂN THẠC SĨ QUẢN LÝ XÂY DỰNG

Đà Nẵng – 2022

Người hướng dẫn khoa học: TS NGÔ NGỌC TRI

Có thể tìm hiểu luận văn tại:

− Trung tâm Học liệu, Đại học Đà Nẵng tại Trường Đại học Bách khoa

− Thư viện Khoa Quản Lý Dự Án, Trường Đại học Bách khoa - ĐHĐN

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội bộ

MỞ ĐẦU

1 TÍNH CẤP THIẾT CỦA ĐỀ TÀI

Tiếp cận từ góc độ quản lý thiết kế về việc tính toán khả năng chịu lực của cột ống thép nhồi bê tông theo phương pháp truyền thống dùng công thức thực nghiệm thường tốn thời gian và có độ chính xác hạn chế Thay vào đó việc áp dụng mô hình máy học có ưu điểm học nhanh, dự đoán chính xác Điều này giúp cho kỹ sư thiết kế đưa ra kết quả phân tích khả năng chịu lực cực hạn của cột ống thép nhồi bê tông một cách nhanh chóng, hiệu quả nhằm tăng năng suất công việc

Cột ống thép nhồi bê tông (concrete filled steel tube columns – CFST columns) được sử dụng rộng rãi trong các công trình xây dựng (cột nhà cao tầng, trụ cầu ) do tính vượt trội của nó so với cột bê tông cốt thép truyền thống về mặt cường độ và độ dẻo cao, độ cứng lớn, khả năng chịu lửa tốt và khả năng tiêu tán năng lượng tốt [58] Cường độ chịu nén cực hạn (Ultimate load capacity) của cột CFST là nhân tố rất quan trọng đến khả năng làm việc của cột CFST Việc xác định chính xác cường độ chịu nén cực hạn của CFST là phức tạp bởi vị nó bị ảnh hưởng một cách phi tuyến bởi nhiều yếu tố

như chiều dài ống thép (L), độ dày của ống thép (t), tỉ lệ chiều cao và đường kính của cột CFST (D), đặc tính sợi thép (steel fiber) dùng

trong bê tông (nếu có), và cường độ chịu nén của bê tông dùng trong cột CFST Hiện nay các tiêu chuẩn quốc tế như Eurocode 4 (EC4), AISC (tiêu chuẩn Mỹ), ACI 318R (tiêu chuẩn của hiệp hội bê tông Mỹ), tiêu chuẩn Trung Quốc DLT/5085 – 1999 đã đề xuất nhiều công thức và hướng tiếp cận khác nhau để tính toán khả năng chịu lực cực hạn

Bên cạnh đó cũng đã có nhiều công thức thực nghiệm được đề xuất trong các nghiên cứu trước của nhiều tác giả trên thế giới Đến nay, tất cả các công thức dự đoán cường độ chịu nén của cột CFST chỉ phù hợp đối với bê tông thường NSC, trong một số tiêu chuẩn và các nghiên cứu cũng đã mở rộng và hiệu chỉnh cho bê tông cường độ cao HSC chỉ đến 90 MPa Các tiêu chuẩn cũng hạn chế trong việc dự đoán chính xác cường độ của cột CFST cho tất cả các loại cường độ

bê tông, đặc biệt là với bê tông UHSC Các nghiên cứu của các tác giả cũng chưa đề xuất được công thức, mô hình dự đoán lực cực hạn cho cột CFST, cũng như với việc sử dụng các loại bê tông có cường

độ khác nhau Chính vì thế việc thiết lập một mô hình dự đoán lực cực hạn cho cột CFST sử dụng các loại bê tông với cường độ khác nhau là việc rất cần thiết và có tính thực tế khi áp dụng triển khai cho các công trình

Tuy nhiên, công thức thực nghiệm hạn chế độ chính xác trong dự đoán cường độ chịu nén của cột CFST Trong khi đó mô hình học máy được xem là môt cuộc cách mạng thay đổi nhiều lĩnh vực Bởi tính năng học nhanh và độ tin cậy cao, gần đây có một số nghiên cứu ứng dụng mô hình học máy để mô phỏng ứng xử của các kết cấu và vật liệu Mô hình học máy giúp tăng độ chính xác dự báo và giúp giảm bớt các sai lệch trong thiết kế kết cấu Vì vậy, ứng dụng mô hình học máy cho bài toán xác định cường độ chịu nén cực hạn của cột CFST là cấp thiết và có ý nghĩa rất lớn trong thiết kế kết cấu các công trình xây dựng.)

Từ những cơ sở trên học viên đề xuất đề tài: “Ứng Dụng Mô Hình Học Máy Trong Dự Đoán Khả Năng Chịu Nén Của Cột Ống Thép Nhồi Bê Tông”

2 MỤC TIÊU NGHIÊN CỨU CỦA ĐỀ TÀI

3 ĐỐI TƯỢNG, PHẠM VI NGHIÊN CỨU

- Đối tượng nghiên cứu: Đề tài tập trung vào mô hình học máy và cột ống thép nhồi bê tông

- Phạm vi nghiên cứu: Phạm vi nghiên cứu bao gồm việc xây dựng và đánh giá mô hình học máy để dự đoán cường độ chịu nén của cột CFST

4 PHƯƠNG PHÁP NGHIÊN CỨU

- Thu thập và xử lý số liệu về cường độ chịu nén cực hạn của cột CFST: Dữ liệu về cột CFST được thu thập từ các nguồn mở và các nghiên cứu trước, bao gồm có các loại bê tông cường độ thường (NSC), bê tông cường độ cao (HS) và bê tông cường độ siêu cao (UHSC) Các thuộc tính của mẫu thu thập bao gồm chiều dài ống

thép (L), đường kính (D), độ dày của ống thép (t), ứng suất chảy của

- Đề xuất mô hình học máy để dự đoán cường độ chịu nén của cột CFST: Dựa trên hiệu quả và độ chính xác của các mô hình máy học

5 Ý NGHĨA KHOA HỌC VÀ THỰC TIỄN CỦA ĐỀ TÀI

Ý nghĩa khoa học: Hướng nghiên cứu ứng dụng mô hình học máy

về dự đoán cường độ chịu nén của cột CFST là một chủ đề đang được các nhà nghiên cứu trên thế giới quan tâm Kết quả nghiên cứu góp phần thúc đẩy ứng dụng các mô hình học máy và trí tuệ nhân tạo trong lĩnh vực kỹ thuật và quản lý xây dựng

Ý nghĩa thực tiễn: Kết quả đề tài cung cấp một công cụ dựa trên

mô hình học máy cho các nhà thiết kế và quản lý trong việc xác định khả năng chịu lực của cột CFST nhằm tăng độ chính xác dự báo và giúp giảm bớt các sai lệch trong thiết kết cấu của các công trình xây dựng

6 BỐ CỤC CỦA LUẬN VĂN

Nội dung Luận văn với cấu trúc cụ thể như sau:

Mở đầu

• Trình bày tính cấp thiết của đề tài nghiên cứu, mục tiêu, đối tượng, phạm vi, cách tiếp cận và phương pháp nghiên cứu, ý nghĩa khoa học và thực tiễn của đề tài và cấu trúc của Luận văn

Chương 1: Tổng quan về cột ống thép nhồi bê tông và mô hình học

máy trong dự đoán khả năng chịu nén của CFST

• Trình bày tổng quan về cột ống thép nhồi bê tông, một số nghiên cứu liên quan về cột ống thép nhồi bê tông và ứng dụng của

nó trong xây dựng

• Trình bày tổng quan về mô hình học máy, phân loại các mô hình học máy và một số nghiên cứu về ứng dụng của mô hình học máy trong xây dựng

Chương 2: Các nghiên cứu trước liên quan đến ứng dụng mô hình

• Giới thiệu về phần mềm Weka, kiến trúc thư viện của Weka và các ưu điểm của nó

• Phân tích các mô hình học máy bao gồm mô hình rừng ngẫu nhiên bổ sung (ARF), mô hình mạng nơ ron nhân tạo (ANNs), mô hình hỗ trợ hồi quy vector (SVR)

• Trình bày việc thu thập bộ dữ liệu thực nghiệm về kết cấu cột CFST sử dụng các loại bê tông có cường độ khác nhau bao gồm 802

bộ dữ liệu với 6 thông số đầu vào là: đường kính của cột (D), độ dày

ống thép (t), ứng suất chảy của thép ( f y ) cường độ của bê tông ( fc ), chiều dài của cột (L), tỷ lệ giữa đường kính/ độ dày ống thép (D/t) và

1 thông số đầu ra là khả năng chịu lực cuối cùng của cột CFST (N u)

• Trình bày quy trình và các thông số đánh giá các mô hình học máy để dự đoán cường độ chịu nén của cột CFST với các loại bê tông khác nhau

• Kết quả phân tích và so sánh các mô hình

Kết luận và kiến nghị

• Trình bày kết luận của luận văn đạt được, hạn chế của đề tài và định hướng nghiên cứu tiếp theo của đề tài

Danh mục bài báo khoa học

Danh mục tài liệu tham khảo

Phụ lục

Chương 1 - TỔNG QUAN VỀ CỘT ỐNG THÉP NHỒI BÊ TÔNG VÀ MÔ HÌNH HỌC MÁY TRONG DỰ ĐOÁN KHẢ

NĂNG CHỊU NÉN CỦA CFST 1.1 Tổng quan về cột ống thép nhồi bê tông và ứng dụng của nó trong xây dựng

1.1.1 Tổng quan về cột ống thép nhồi bê tông

Cột ống thép nhồi bê tông là kết cấu bao gồm ống thép được lấp đầy bên trong bằng bê tông Ống thép lúc này đóng vai trò vừa là ván khuôn cho quá trình đổ bê tông, vừa tham gia tăng cường khả năng chịu tải của cùng bê tông Trong khi đó, việc nhồi bê tông giúp tăng

sự ổn định của ống thép và độ dẻo của tiết diện Ngoài ra, cột CFST còn có các ưu điểm như hấp thụ năng lượng cao, độ bền cao và khả năng chống cháy, chống biến dạng tốt, tính kinh tế và khả năng khai thác thuận tiện Vì vậy, ứng xử của cột CFST được quan tâm nghiên cứu rộng rãi trong suốt ba thập kỷ qua [2]

Kết cấu ống thép nhồi bê tông là một cấu kiện liên hợp bao gồm ống thép vỏ và bê tông lõi sử dụng các loại bê tông có cường độ khác nhau cùng làm việc chung Hình 1.1 thể hiện cấu tạo cột ống thép nhồi bê tông

Hình 1.1: Cấu tạo cột ống thép tròn nhồi bê tông [2]

1.1.2 Một số nghiên cứu liên quan về cột ống thép nhồi bê tông 1.1.3 Ứng dụng của cột ống thép nhồi bê tông trong xây dựng hiện nay

Một số ứng dụng của cột ống thép nhồi bê tông qua các công trình xây dựng hiện nay được thể hiện như: toà tháp đôi Petronas ở thành phố Kuala Lampur, nhà ga Techno ở thành phố Tokyo, Tháp Canton

ở Quảng Châu, Trung Quốc

1.2 Tổng quan về mô hình học máy và ứng dụng máy học trong xây dựng

1.2.1 Tổng quan về mô hình học máy

1.2.2 Phân loại các mô hình học máy

1.2.3 Một số nghiên cứu về ứng dụng của mô hình học máy trong xây dựng

Gần đây, một số nghiên cứu trong nước đã sử dụng mô hình mạng nơ-ron nhân tạo để dự đoán cường độ chịu nén cho nhiều loại bê tông khác nhau

Nhóm nghiên cứu của Lý Hải Bằng sử dụng mạng ANN để dự đoán cường độ chịu nén cho bê tông sử dụng cốt liệu tái chế RAC (Recycled Aggregate Concrete) và bê tông hiệu suất cao HPC (high-performance concrete)

Theo A.M Al-Khaleef và cộng sự [40], đã ứng dụng mô hình máy học vào việc dự đoán khả năng chống cháy của cột thép hình đổ

bê tông bằng cách sử dụng mô hình máy học mạng nơ-ron nhân tạo Theo Phạm Anh Đức và cộng sự [44], dự đoán mức tiêu thụ năng lượng trong nhiều tòa nhà bằng cách sử dụng mô hình máy học rừng ngẫu nhiên (RF)

Chương 2 - CÁC NGHIÊN CỨU TRƯỚC LIÊN QUAN ĐẾN ỨNG DỤNG MÔ HÌNH HỌC MÁY VÀO CỘT CFST 2.1 Phân tích các nghiên cứu trước liên quan đến ứng dụng mô hình học máy vào cột CFST

2.2 Công thức thực nghiệm cho cột CFST

2.2.1 Tiêu chuẩn Euro Code 4 – 1994 (EC 4)

Hiệu ứng hạn chế được xem xét đối với các ống tròn chứa đầy

bê tông có độ mảnh tương đối không lớn hơn 0.5 và tỷ số lệch tâm trên đường kính e

D nhỏ hơn 0.1 và khi đó khả năng chịu nén của mặt

E I eff Ncr

l

(2.6)

( ) E I eff = E I s s + K E e c 2 I c (2.7)

 clà hệ số kiềm chế nở hông của bê tông;

 alà hệ số kiềm chế nở hông của ống thép;

fylà cường độ chảy của thép;

fclà cường độ nén bê tông không giới hạn;

S

A ,AC lần lượt là diện tích mặt cắt của thép và bê tông;

Ncr là lực bình thường tới hạn đàn hồi đối với chế độ vênh có liên quan;

( ) E I eff là độ cứng uốn hữu hiệu để tính toán độ mảnh tương đối

S

I và I C lần lượt là mômen quán tính của ống thép và lõi bê tông;

K e là hệ số hiệu chỉnh nên được lấy là 0.6

l là chiều dài vênh của cột CFST;

2

E c là mô đun đàn hồi bê tông;

Khả năng chịu nén của chất dẻo có xem xét đến độ vênh được cho bởi:

▪ Tiêu chuẩn giới hạn cho kết cấu thép cấp S235 đến S460 và bê tông trọng lượng bình thường có cấp cường độ C20/25 đến C50/60

▪ Tỷ lệ đóng góp thép δ phải tuân theo điều kiện: 0.2    0.9, trong đó:

2.2.2 Tiêu chuẩn AISC 2010 (AISC)

Đối với cột CFST hình tròn, AISC [79] đã xem xét sự giam giữ bê tông thông qua ứng suất vòng trong ống thép (sử dụng hệ số 0.95), cường độ mặt cắt ngang P0,AISC được cho bởi [79]:

fylà cường độ chảy của thép

fclà cường độ nén bê tông không giới hạn

As and Ac lần lượt là diện tích mặt cắt của thép và bê tông Do đó,

để xem xét ảnh hưởng của chiều dài của cột, khả năng dọc trục danh nghĩa của cột CFST tròn được tính bằng:

, 0.44 0,AIS 0.877 , 0.44 0, IS

P AISC Pe

E I eff Pe

e 1 ff là độ cứng hữu hiệu của mặt cắt hỗn hợp

K Alà hệ số chiều dài hiệu dụng

L Alà chiều dài bên không được đánh dấu của cột

I svàI clần lượt là mômen quán tính của ống thép và lõi bê tông

1

E c là môđun đàn hồi của bê tông

▪ Chương 3 - XÂY DỰNG VÀ ĐÁNH GIÁ CÁC MÔ HÌNH

HỌC MÁY BẰNG PHẦN MỀM WEKA

3.1 Giới thiệu về phần mềm Weka

Weka là một bộ phần mềm mã nguồn mở tuyệt vời dành cho khai thác dữ liệu, được xây dựng bằng ngôn ngữ lập trình Java, theo kiến trúc hướng đối tượng, được tổ chức thành thư viện phục vụ cho lĩnh vực học máy.[69] Hình 3.1 thể thiện giao diện chính của phần mềm Weka

Hình 3.1: Giao diện phần mềm Weka

3.1.1 Ưu điểm của Weka

3.1.2 Kiến trúc thư viện Weka

3.2 Các mô hình học máy

3.2.1 Mô hình rừng ngẫu nhiên bổ sung (ARF)

ARF là một phiên bản cải tiến của RF đã được sử dụng trong nghiên cứu này Mô hình ARF là một siêu mô hình giúp cải thiện độ chính xác của mô hình cơ sở hồi quy Mỗi thế hệ phù hợp với một

mô hình phù hợp với sự khác biệt của RF trên thế hệ trước Hồi quy được thực hiện với việc bổ sung các kết quả của mỗi mô hình Điều này cải thiện hiệu ứng làm mịn [45]

Mô hình RF được phát triển bởi Breiman [70] là mô hình học máy

hiệu quả [71] Hình 3.2 thể hiện quá trình đào tạo và thử nghiệm mô

hình rừng ngẫu nhiên bổ sung

Hình 3.3: Quá trình đào tạo và thử nghiệm mô hình rừng ngẫu nhiên

Kết quả của những cây đã tạo đó được kết hợp để cuối cùng có

được một đầu raY pred_clà giá trị trung bình của tất cả các cây trong

rừng RF tạo ra C số cây quyết định từ N điểm dữ liệu huấn luyện

Lấy mẫu Bootstrap đã được triển khai để tạo ra tập đào tạo và tập

thử nghiệm [72].Dữ liệu đào tạo đã được áp dụng để xây dựng một

cây hồi quy chưa được điều chỉnh Quá trình này được lặp lại cho

đến khi cây quyết định C được trồng để tạo thành một khu rừng được tạo ngẫu nhiên

3.2.2 Mô hình mạng nơ ron nhân tạo (ANNs)

Mô hình ANNs là một mô hình học máy phổ biến đã được áp dụng cho các vấn đề kỹ thuật như dự đoán mực nước ngầm trong vùng đá cứng [73] và kỹ thuật mặt đường [74] Hình 3.3 trình bày cấu trúc ba lớp của mô hình ANNs Nhiều lớp (multilayers) trong ANNs được đào tạo bằng phương pháp truyền ngược có thể cải thiện sức mạnh trong việc giải quyết các vấn đề phức tạp [74] Phương pháp truyền ngược có thể tối ưu hóa hiệu quả các trọng số được kết nối và giá trị lỗi trong việc học các mô hình ANNs Các nơ-ron được kích hoạt của các lớp đầu ra ẩn có dạng công thức (3.2)

w kj là trọng số kết nối của các nơron kvà j

o jlà đầu ra và y là hàm trung chuyển

(3.3)

Trong đó:

 điều khiển gradient chức năng

W kjđã được đào tạo và cập nhật bằng cách sử dụng công thức (3.4) như bên dưới

w ( ) w ( 1) kj t kj t w ( ) kj t (3.4) Giá trị thay đổi w ( ) kj t là:

 

 w ( ) kj t = pj pj o +  w ( 1) kj t − (3.5) Trong đó  là tham số tốc độ học;  pj là lỗi lan truyền; opj là đầu ra của nơron j cho bản ghi p;  là tham số động lượng, và

 w ( 1) kj t − là giá trị thay đổi theo w

kj trong chu kỳ trước

Hình 3.4: Cấu trúc mô hình ANNs

3.2.3 Mô hình hỗ trợ hồi quy vector (Support Vector Regression - SVR)

Hỗ trợ hồi quy vector (SVR)[75] là một mô hình học có giám sát thuộc về học máy, được sử dụng cho các bài toán hồi quy Nó đã được sử dụng để nắm bắt mối quan hệ phi tuyến tính giữa các yếu tố

dự báo và các biến phụ thuộc Hình 3.4 trình bày một khuôn khổ của

mô hình SVR Nó sử dụng một hàm nhân để ánh xạ các yếu tố dự đoán tới không gian đặc trưng kích thước cao

Một hàm chi phí bình phương nhỏ nhất được áp dụng để đào tạo

mô hình SVR để tạo ra các phương trình tuyến tính trong một không