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

v TÓM TẮT LUẬN VĂN ỨNG DỤNG MÔ HÌNH HỌC MÁY TRONG DỰ ĐOÁN KHẢ NĂNG CHỊU NÉN CỦA CỘT ỐNG THÉP NHỒI BÊ TÔNG Học viên: Huỳnh Văn Vũ Chuyên ngành: Quản lý xây dựng Mã số: 8580302 Khóa: 39

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA -

HUỲNH VĂN VŨ

ỨNG DỤNG MÔ HÌNH HỌC MÁY TRONG DỰ ĐOÁN KHẢ NĂNG CHỊU NÉN CỦA CỘT ỐNG THÉP NHỒI BÊ TÔNG

LUẬN VĂN THẠC SĨ QUẢN LÝ XÂY DỰNG

Đà Nẵng - 2022

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA -

i

LỜI CAM ĐOAN

Tôi xin cam đoan Luận văn thạc sĩ này hoàn toàn do tôi tự nghiên cứu và thực hiện dưới sự hướng dẫn của thầy TS Ngô Ngọc Tri Tôi xin cam đoan các thông tin trong luận văn được trích dẫn nguồn gốc rõ ràng, các số liệu và kết quả nghiên cứu trong luận văn này là hoàn toàn trung thực không sao chép Nếu có gì sai sót tôi hoàn toàn chịu trách nhiệm

Đà Nẵng, ngày 01 tháng 03 năm 2022 Học viên

Huỳnh Văn Vũ

ii

LỜI CẢM ƠN

Lời đầu tiên, Tôi xin gửi lời cảm ơn tới trường Đại Học Bách Khoa – Đại học Đà Nẵng đã tạo điều kiện và tổ chức khóa học này để tôi có điều kiện tiếp thu kiến thức mới và có thời gian để hoàn thành Luận văn Cao học này

Tôi xin được cảm ơn Thầy TS Ngô Ngọc Tri, người đã tận tình hướng dẫn tôi trong suốt quá trình xây dựng đề cương và hoàn thành luận văn

Tôi xin chân thành cảm ơn các thầy cô trong Khoa Quản Lý Dự Án đã truyền đạt cho tôi những kiến thức quý báu trong suốt quá trình học tập tại trường

Tôi chân thành cảm ơn các anh chị, bạn bè trong lớp cao học K39.QXD đã giúp

đỡ, chia sẻ những kinh nghiệm trong học tập và đời sống hằng ngày trong suốt khóa học

Cuối cùng tôi xin cảm ơn đến gia đình và người thân của tôi, những người đã hết lòng chăm sóc, dạy bảo và động viên tôi để tôi có kết quả như ngày hôm nay

Mặc dù tôi đã cố gắng hoàn thành Luận văn trong phạm vi và khả năng cho phép nhưng chắc chắn không tránh khỏi những thiếu sót Xin kính mong nhận được sự cảm thông và tận tình chỉ bảo của quý Thầy Cô và các bạn

Tôi xin trân trọng cảm ơn!

iii

MỤC LỤC

LỜI CAM ĐOAN i

LỜI CẢM ƠN ii

TÓM TẮT LUẬN VĂN v

DANH MỤC CÁC CHỮ VIẾT TẮT VÀ KÝ HIỆU vi

DANH MỤC BẢNG BIỂU viii

DANH MỤC HÌNH ẢNH ix

MỞ ĐẦU 1

1 LÝ DO CHỌN ĐỀ TÀI 1

2 MỤC TIÊU NGHIÊN CỨU CỦA ĐỀ TÀI 2

3 ĐỐI TƯỢNG, PHẠM VI NGHIÊN CỨU 2

4 CÁCH TIẾP CẬN VÀ PHƯƠNG PHÁP NGHIÊN CỨU 2

5 Ý NGHĨA KHOA HỌC VÀ THỰC TIỄN CỦA ĐỀ TÀI 3

6 BỐ CỤC CỦA LUẬN VĂN 3

Chương 1 - TỔNG QUAN VỀ CỘT ỐNG THÉP NHỒI BÊ TÔNG VÀ MÔ HÌNH HỌC MÁY TRONG DỰ ĐOÁN KHẢ NĂNG CHỊU NÉN CỦA CỘT CFST 5

1.1 Tổng quan về cột ống thép nhồi bê tông và ứng dụng của nó trong xây dựng 5

1.1.1 Tổng quan về cột ống thép nhồi bê tông 5

1.1.2 Một số nghiên cứu liên quan về cột ống thép nhồi bê tông 7

1.1.3 Ứng dụng của cột ống thép nhồi bê tông trong xây dựng hiện nay 9

1.2 Tổng quan về mô hình học máy và ứng dụng học máy trong xây dựng 11

1.2.1 Tổng quan về mô hình học máy 11

1.2.2 Phân loại các mô hình học máy 12

1.2.3 Một số nghiên cứu về ứng dụng của mô hình học máy trong xây dựng 15

Chương 2 - CÁC NGHIÊN CỨU TRƯỚC LIÊN QUAN ĐẾN ỨNG DỤNG MÔ HÌNH HỌC MÁY VÀO CỘT CFST 20

2.1 Phân tích các nghiên cứu trước liên quan đến ứng dụng mô hình học máy vào cột CFST 20

2.2 Công thức thực nghiệm cho cột CFST 26

2.2.1 Tiêu chuẩn Euro Code 4 – 1994 (EC 4) 26

iv

2.2.2 Tiêu chuẩn AISC 2010 (AISC) 27

Chương 3 - XÂY DỰNG VÀ ĐÁNH GIÁ CÁC MÔ HÌNH HỌC MÁY BẰNG PHẦN MỀM WEKA 29

3.1 Giới thiệu về phần mềm Weka 29

3.1.1 Ưu điểm của Weka 30

3.1.2 Kiến trúc thư viện Weka 30

3.2 Các mô hình học máy 30

3.2.1 Mô hình rừng ngẫu nhiên bổ sung (ARF) 30

3.2.2 Mô hình mạng nơ ron nhân tạo (ANNs) 32

3.2.3 Mô hình hỗ trợ hồi quy vector (Support Vector Regression - SVR) 33

3.3 Thu thập bộ dữ liệu thực nghiệm về kết cấu cột CFST sử dụng các loại bê tông có cường độ khác nhau 34

3.4 Quy trình đánh giá các mô hình học máy để dự đoán cường độ chịu nén của cột CFST với các loại bê tông khác nhau 39

3.5 Các thông số đánh giá về tính hiệu quả của các mô hình 40

3.6 Kết quả phân tích và so sánh các mô hình 40

KẾT LUẬN VÀ KIẾN NGHỊ 49

1 Kết luận 49

2 Hạn chế của đề tài 49

3 Định hướng nghiên cứu tiếp theo của đề tài 50

DANH MỤC BÀI BÁO KHOA HỌC 51

DANH MỤC TÀI LIỆU THAM KHẢO 52

PHỤ LỤC 58

v

TÓM TẮT LUẬN VĂN ỨNG DỤNG MÔ HÌNH HỌC MÁY TRONG DỰ ĐOÁN KHẢ NĂNG CHỊU NÉN

CỦA CỘT ỐNG THÉP NHỒI BÊ TÔNG

Học viên: Huỳnh Văn Vũ Chuyên ngành: Quản lý xây dựng

Mã số: 8580302 Khóa: 39 Trường Đại học Bách khoa – ĐHĐN

Tóm tắt - Cột ống thép nhồi bê tông (CFST) được sử dụng trong ngành xây dựng vì độ bền cao, độ dẻo,

độ cứng và khả năng chống cháy của chúng Luận văn này phát triển các mô hình học máy để dự đoán cường độ dọc trục trong các cột CFST ngắn được đổ bê tông có các cường độ khác nhau Các mô hình rừng ngẫu nhiên bổ sung (ARF), mạng nơ ron nhân tạo (ANNs) và hỗ trợ hồi quy véc tơ (SVR) được phát triển và thử nghiệm bằng cách sử dụng dữ liệu thử nghiệm lớn Các mô hình hướng dữ liệu này cho phép dự đoán cường độ dọc trục trong cột CFST dựa trên đường kính cột, độ dày ống, ứng suất chảy của thép, cường độ

bê tông, chiều dài cột và tỉ lệ đường kính / độ dày ống Kết quả phân tích cho thấy mô hình ARF đạt được độ chính xác cao với 6,39% sai số tuyệt đối trung bình (MAPE) và 211,31 kN về chỉ số sai số tuyệt đối trung bình (MAE) Mô hình ARF vượt trội đáng kể hơn so với ANNs với độ chính xác được cải thiện là 84,1% về chỉ số MAPE và 65,4% về chỉ số MAE và cải thiện hơn so với mô hình SVR là 77% về chỉ số MAPE và 76,3% về chỉ số MAE So với các mã thiết kế như EC4 và AISC, mô hình ARF đã cải thiện độ chính xác dự đoán với 36,9% về chỉ số MAPE và 22,3% về chỉ số MAE Kết quả so sánh xác nhận rằng ARF là mô hình học máy hiệu quả nhất trong số các phương pháp tiếp cận được khảo sát Về mặt đóng góp, nghiên cứu này

đã đề xuất một mô hình học máy để dự đoán chính xác cường độ dọc trục trong các cột CFST ngắn Mô hình

đề xuất hỗ trợ các nhà thiết kế và kỹ sư trong công tác quản lý và thiết kế cột CFST hiệu quả và nhanh chóng

Từ khóa - Học máy; mô hình rừng ngẫu nhiên; mạng nơ ron nhân tạo; cột ống thép nhồi bê tông; phân

tích dữ liệu

MACHINE LEARNING MODELS FOR INFERRING THE AXIAL STRENGTH

IN SHORT CONCRETE-FILLED STEEL TUBE COLUMNS INFILLED

Abstract - Concrete-filled steel tube (CFST) columns are used in the construction industry because of their high strength, ductility, stiffness, and fire resistance This paper developed machine learning techniques for inferring the axial strength in short CFST columns infilled with various strength concrete Additive Random Forests (ARF), Artificial Neural Networks (ANNs) and Support Vector Regression models were developed and tested using large experimental data These data-driven models enable us to predict the axial strength in CFST columns based on the diameter, the tube thickness, the steel yield stress, concrete strength, column length, and diameter/tube thickness The analytical results showed that the ARF obtained high accuracy with the 6.39% in mean absolute percentage error (MAPE) and 211.31 kN in mean absolute error (MAE) The ARF outperformed significantly the ANNs with an improvement rate at 84.1% in MAPE and 65.4% in MAE and improved over the SVR model of 77% on the MAPE index and 76.3% on the MAE index In comparison with the design codes such as EC4 and AISC, the ARF improved the predictive accuracy with 36.9% in MAPE and 22.3% in MAE The comparison results confirmed that the ARF was the most effective machine learning model among the investigated approaches As a contribution, this study proposed a machine learning model for accurately inferring the axial strength in short CFST columns The proposed model facilitates designers and civil engineers in managing and designing the CFST columns

Keyword - Machine learning; random forests; Artificial neural networks; concrete-filled steel tube

columns; data analytics

vi

DANH MỤC CÁC CHỮ VIẾT TẮT VÀ KÝ HIỆU

DANH MỤC CHỮ VIẾT TẮT

AISC Tiêu chuẩn AISC

ANNs Mô hình mạng nơ ron nhân tạo

ARF Mô hình rừng ngẫu nhiên bổ sung

CFST Cột ống thép nhồi bê tông

CS Cường độ bê tông

EC4 Tiêu chuẩn Euro Code 4

GA Thuật toán duy truyền

GEP Lập trình gen

HSC Bê tông cường độ cao

MAE Sai số tuyệt đối trung bình

MAPE Sai số phần trăm tuyệt đối trung bình

NSC Bê tông cường độ thường

Nu Khả năng chịu lực nén dọc trục của cột

RAC Bê tông cốt liệu tái chế

RF Mô hình rừng ngẫu nhiên

SCFST Cột ống thép hình vuông nhồi bê tông

SVR Hỗ trợ hồi quy véc tơ

UBC Khả năng chịu lực nén cực hạn

UHSC Bê tông cường độ siêu cao

DANH MỤC KÝ HIỆU

c Hệ số kiềm chế nở hông của bê tông

a Hệ số kiềm chế nở hông của ống thép

fy Ứng suất chảy của thép

fc Cường độ nén bê tông

K A Hệ số chiều dài hiệu dụng

L A Chiều dài bên không được đánh dấu của cột

1

E c Mô đun đàn hồi của bê tông

e 1ff Độ cứng hữu hiệu của mặt cắt hỗn hợp

_

Y pred C Các giá trị được dự đoán

net k Hàm được kích hoạt của nơron thứ k

j Nơ-ron ở lớp trước

o j Đầu ra

y k Hàm trung chuyển

 Tham số tốc độ học

pj Lỗi lan truyền

opj Đầu ra của nơron j

( )C Tham số điều hòa

L Chiều dài của cột

t Độ dày của ống thép

D Đường kính của cột

viii

DANH MỤC BẢNG BIỂU

3.3 Trình bày các thông số mặc định của các mô hình thuật

3.4 Khả năng chịu lực thực tế của cột CFST cho một số mẫu

3.5 Độ chính xác dự đoán của các mô hình học máy và tiêu

3.6 Khả năng chịu lực thực tế và dự đoán bởi tiêu chuẩn EC4

ix

DANH MỤC HÌNH ẢNH

1.3 Nhà ga Techno ở Tokyo Nhật Bản (nhìn từ phía bê ngoài) 10 1.4 Bên trong nhà ga Techno ở Tokyo, Nhật Bản 10

2.3 Phân bố khả năng chịu nén đúng tâm của cột 23

3.2 Quá trình đào tạo và thử nghiệm mô hình rừng ngẫu nhiên

bổ sung

31

3.9 Biểu đồ phân tán của các thuộc tính hình học của cột CFST

và khả năng chịu lực cuối cùng

3.16 Mô tả mối quan hệ của giá trị dự đoán và giá trị thực tế

cường độ chịu nén của CFST

43

3.17 Khả năng chịu lực thực tế và dự đoán của cột CFST theo

phương pháp thực nghiệm

45

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 [1] Trong thực tế, cột CFST có thể sử dụng các loại bê tông có cường độ khác nhau như

bê bông cường độ thường (normal strength concrete - NSC), bê tông cường độ cao (high strength concrete - HSC), bê tông cường độ siêu cao (ultrahigh strength concrete

- UHSC)

Bê tông NSC thường có cường độ chịu nén dưới 50 MPa, bê tông HSC thường

có cường độ chịu nén dao động trong khoảng 50 MPa đến 90 MPa và bê tông UHSC

có cường độ chịu nén vượt trội hơn 90 MPa lên đến 150 MPa Trong những năm gần đây, với sự phát triển của công nghệ vật liệu, bê tông UHSC đã bắt đầu được ứng dụng rộng rãi và được xem xét như là vật liệu thay thế tuyệt vời cho bê tông NSC và bê tông HSC bởi những tính năng vượt trội như mô đun đàn hồi của UHSC dao động từ 45 đến

55 MPa, cường độ chịu nén có thể hơn 150 MPa, cường độ chịu kéo trực tiếp có thể lên đến 5 MPa, trong trường hợp sử dụng cốt sợi cường độ chịu kéo trực tiếp có thể rất cao từ 7 – 15 MPa

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

2

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

- Ứng dụng mô hình học máy trong dự đoán cường độ chịu nén cực hạn của cột ống thép nhồi bê tông CFST

- So sánh tính hiệu quả của các mô hình học máy trong dự đoán cường độ chịu nén cực hạn của cột ống thép nhồi bê tông CFST

- Đề xuất mô hình hợp lý cho bài toán dự đoán cường độ chịu nén của cột CFST

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 CÁCH TIẾP CẬN VÀ PHƯƠNG PHÁP NGHIÊN CỨU

a) Cách tiếp cận:

Quá trình nghiên cứu gồm các bước chính sau:

Xác định tính cấp thiết của ứng dụng mô hình học máy để dự đoán cường độ chịu nén cực hạn của cột CFST với bê tông cường độ khác nhau như bê tông NSC, bê tông HSC và bê tông UHSC Phân tích tiềm năng ứng dụng của các mô hình học máy trong

kỹ thuật xây dựng nói chung và trong kết cấu cột bê tông ống thép nói riêng

Tổng quan các nghiên cứu trước liên quan đến đề tài:

-Tập hợp và phân tích các nghiên cứu liên quan về mô hình học máy như mô hình mạng lưới thần kinh nhân tạo (Artificial neural networks - ANNs), mô hình rừng

3

ngẫu nhiêm bổ sung (Additive random forests – ARF), mô hình hồi quy véc tơ hỗ trợ (Support vector regression – SVR)

- Tập hợp và phân tích các nghiên cứu liên quan đến cột CFST sử dụng các loại

bê tông có các cường độ hoặc cấp độ bền khác nhau Các yếu tố ảnh hưởng đến khả năng làm việc của cột CFST

- Thu thập bộ dữ liệu thực nghiệm về cột CFST Rà soát và chọn lọc các bộ dữ liệu thưc nghiệm về cột CFST thông qua các các bài báo đã công bố và các nguồn dữ liệu mở Các thông số ảnh hưởng đến khả năng làm việc cột CFST sẽ được thu thập

- Phát triển các mô hình học máy như ANNs, ARF, SVR dựa trên bộ dữ liệu thu thập được

- Đánh giá và phân tích tính hiệu quả của các mô hình thông qua các chỉ số thông

kê, từ đó đề xuất mô hình tốt trong dự đoán khả năng chịu nén của cột CFST

b) 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 thép ( fy ), tỉ lệ của đường kính và độ dày ống thép (D/t), cường độ chịu nén của bê tông ( fc ) và cường độ dọc trục trong cột CFST (N u)

- So sánh tính hiệu quả giữa các mô hình học máy: Hiệu quả các các mô hình sẽ được đánh giá thông qua các dữ liệu thu thập và các chỉ số thống kê

- 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 học máy

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:

4

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 học máy vào

Chương 3: Xây dựng và đánh giá các mô hình học máy bằng phần mềm Weka

• 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 ( fy ), 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

5

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

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

Tình hình phát triển xã hội và đô thị hóa diễn ra ngày càng nhanh, những đòi hỏi của con người ngày càng cao, những công trình cao tầng, siêu cao tầng, những cây cầu vượt nhịp cần được ra đời Vì những yêu cầu đó, con người đã nghiên cứu ra nhiều phương án thiết kế kết cấu mới, những công nghệ mới nhằm đáp ứng cho nhu cầu ngày càng phát triển của xã hội Việc sử dụng kết cấu hợp lý sẽ đem lại hiệu quả cao

về mặt kết cấu, kinh tế cũng như khả năng khai thác cho công trình

Cột ống thép nhồi bê tông được sử dụng phổ biến trong các công trình xây dựng

ở nhiều nước trên thế giới Hiện tại ở Việt Nam vẫn ứng dụng cột ống thép nhồi bê tông vào các công trình xây dựng nhưng vẫn chưa được phổ biến và việc áp dụng cột ống thép nhồi bê tông này cũng sẽ dần thay thế cho cột bê tông cốt thép truyền thống

vì các tính năng vượt trội của nó mà nó mang lại

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 Cột ống thép có thể được nhồi bê tông cường độ thường (NSC) có cường độ chịu nén dưới 50 MPa, bê tông cường độ cao (HSC) thường có cường độ chịu nén dao động trong khoảng 50 MPa đến 90 MPa và

bê tông cường độ siêu cao (UHSC) có cường độ chịu nén vượt trội hơn từ 90 MPa lên đến 150 MPa [2]

Trong những năm gần đây, với sự phát triển của công nghệ vật liệu, bê tông UHSC đã bắt đầu được ứng dụng rộng rãi và được xem xét như là vật liệu thay thế tuyệt vời cho bê tông NSC và bê tông HSC bởi những tính năng vượt trội như mô đun đàn hồi của UHSC dao động từ 45 đến 55 MPa, cường độ chịu nén có thể hơn 150 MPa, cường độ chịu kéo trực tiếp có thể lên đến 5 MPa, trong trường hợp sử dụng cốt sợi cường độ chịu kéo trực tiếp có thể rất cao từ 7 – 15 MPa [3]

Hình 1.1 thể hiện một ví dụ về cấu tạo cột ống thép tròn nhồi bê tông Thông thường, cột CFST được chia thành ba loại dựa trên tỷ lệ chiều dài / đường kính (L/D)

6

của cột: cột ngắn (nếu L/D ≤ 4); cột trung bình (nếu 4 <L/D ≤ 12) và cột mỏng (nếu L/D ≥ 12) - đây là phân loại tiêu chuẩn của AIJ Nhật Bản 2001 Nhiều nghiên cứu đã chỉ ra rằng độ bền của cột giảm khi tăng L/D tỉ lệ Hơn nữa, khả năng chịu tải còn phụ thuộc vào tỷ lệ đường kính /độ dày của ống thép (D t/ ), cường độ chịu kéo của ống thép, cường độ bê tông, tải trọng bổ sung trên lõi thép hoặc trên toàn bộ tiết diện Theo các nghiên cứu, cường độ chịu tải tăng khi tỷ số (D t/ ) giảm hoặc cường độ thép chịu kéo tăng [4]

Cường độ chịu tải trong cột CFST chủ yếu bị ảnh hưởng bởi giới hạn giãn nở của ống thép Theo đó, khi bổ sung tải trọng lên lõi bê tông, ống thép có tác dụng giam giữ vật liệu giãn nở bên trong lõi bê tông, do đó nó sinh ra khả năng chịu tải cao hơn so với trường hợp tăng tải trọng trên toàn bộ tiết diện khi ống thép có cả ứng suất thẳng đứng và ứng suất tròn tạo nên ứng suất giãn nở giảm [5]

Cột ống thép nhồi bê tông chỉ làm việc hiệu quả khi chịu nén Khả năng chịu lực nén cực hạn (ultimate bearing capacity viết tắt tiếng anh là UBC) của cột CFST là một yếu tố rất quan trọng ảnh hưởng đến khả năng làm việc của cột CFST Việc xác định chính xác UBC của cột CFST rất phức tạp vì chúng bị ảnh hưởng phi tuyến bởi nhiều yếu tố như chiều dài ống thép (L), độ dày ống thép (t), tỷ lệ chiều dài và đường kính của cột CFST (L/D) trong bê tông và cường độ nén của bê tông dùng trong cột CFST Khi chịu kéo khả năng chịu lực của nó nhỏ hơn nhiều Tuy nhiên trong một số trường hợp cũng có thể dùng ống thép nhồi bê tông chịu kéo để chống gỉ cho bề mặt trong ống, tăng độ cứng chống uốn hay tăng trọng lượng bản thân, tăng khả năng chống biến dạng của ống thép do có sự liên kết với lõi bê tông và khả năng chịu nhiệt tốt

Theo tìm hiểu của tác giả thì cột ống thép nhồi bê tông có rất nhiều loại đa dạng, nhiều tiết diện như ống thép nhồi bê tông tiết diện tròn, tiết diện vuông, tiết diện chữ nhật, tiết diện lục giác, đa giác, hình chữ I…nhưng trong nghiên cứu này tác giả chỉ tập trung nghiên cứu cột CFST tiết diện tròn do dạng tiết diện này có độ cứng và độ bền chảy tốt hơn so với các dạng tiết diện khác như đã được chỉ ra trong các nghiên cứu trước đây [6, 7]

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

7

1.1.2 Một số nghiên cứu liên quan về cột ống thép nhồi bê tông

Trong suốt nhiều thập kỷ qua, khá nhiều nghiên cứu về cột CFST đã được thực hiện với nhiều trọng tâm nghiên cứu khác nhau như: cường độ của bê tông [8], tỉ lệ của đường kính và độ dày ống thép [9] hay ảnh hưởng của liên kết giữa bê tông và ống thép [10]

Một số chương trình thí nghiệm lớn về cột CFST được thực hiện:

Chương trình thí nghiệm của Knowles và Park [11] được thực hiện vào cuối những năm 1960 nhằm đánh giá ứng xử của cột CFST khi chịu tải đúng tâm và chịu tải lệch tâm Các thí nghiệm của Liu và Goel [12] cuối những năm 1980 nhằm đánh giá ứng xử của cọc CFST khi chịu tải trọng động theo chu kỳ Kilpatrick và Rangan [13] nghiên cứu ảnh hưởng của việc sử dụng bê tông cường độ cao trong cột CFST Sakino

và cộng sự [14] nghiên cứu ảnh hưởng của hình dạng và cường độ ống thép, tỷ lệ đường kính ống trên chiều dày và cường độ của bê tông

Tuy nhiên, số lượng thí nghiệm thực hiện được vẫn còn nhiều hạn chế do các chương trình thí nghiệm thường đòi hỏi tiêu tốn nhiều tiền bạc, hệ thống thiết bị thử nghiệm đắt tiền, cũng như tốn nhiều thời gian và công sức của con người Dựa trên các kết quả thực nghiệm, các công thức thiết kế cọc CFST được đề xuất Một cách truyền thống, các công thức thiết kế này được xây dựng dựa trên các phương pháp lý thuyết

và mô phỏng dựa trên ứng xử của sự làm việc chung giữa 2 loại vật liệu thép và bê tông và lấy kết quả thí nghiệm để đánh giá độ chính xác của công thức cũng như mô hình được đề xuất

Sai số trong quá trình thí nghiệm, sai khác giữa các chương trình thực nghiệm cũng như ảnh hưởng của các yếu tố thời tiết, vật liệu đầu vào hay tay nghề của người thực hiện khiến cho các công thức được xây dựng giữa các nhà khoa học có sự khác nhau đáng kể Ví dụ, công thức xác định khả năng chịu tải của cột CFST được cung cấp trong các tiêu chuẩn Eurocode 4 và AISC 360

Không có công thức nào có sự tương đồng với nhau Các mô hình này được xây dựng dựa trên mối quan hệ ứng suất- biến dạng được giả định trước của ống thép hoặc

bê tông trong lòng nên tính chính xác của các mô hình là một dấu hỏi lớn

Nhiều nghiên cứu khác nhau liên quan đến ứng xử của các cột CFST Ví dụ, hiệu suất của các cột CFST được gia cố bên ngoài và bên trong bằng các đường xoắn ốc đã được đánh giá [15] Nghiên cứu của họ đã sử dụng 16 mẫu CFST để kiểm tra dưới lực nén dọc trục và các mẫu được làm cứng theo hình xoắn ốc liên tục bên ngoài (ECS), xoắn ốc liên tục bên trong (ICS) và xoắn ốc liên tục bên trong không hàn (UICS) Nghiên cứu này chỉ ra rằng độ dẻo dai và độ đàn hồi được tăng cường đáng kể khi được làm cứng bên ngoài và bên trong bởi các đường xoắn ốc Các chỉ số về ECS, ICS

và UICS làm nâng cao khả năng nén dọc trục so với mẫu đo chuẩn

Nghiên cứu cũng đề xuất các công thức để dự đoán khả năng tới hạn của cột SSRCFST và so sánh chúng với kết quả thực nghiệm Hiệu suất của cột ống thép

8

không gỉ nhồi bê tông (CFSST) đã được nghiên cứu trong [16] Họ đã nghiên cứu 9 ống thép không gỉ nhồi bê tông (austenit CFSST) và 9 cột sơ khai bằng thép không gỉ song chế chứa đầy bê tông (duplex CFSST) Cuối cùng, các phương pháp mới đã được đề xuất để cải thiện dự đoán độ bền của cấu trúc Austenit và CFSST

Một phương pháp thực nghiệm đã được đề xuất để ước tính độ ổn định của các cột CFST có hình dạng đặc biệt dưới lực dọc trục [17] Công cụ ABAQUS đã được áp dụng để xây dựng các mô hình phần tử hữu hạn Các kết quả ước lượng từ phương pháp đề xuất phù hợp với dữ liệu được ghi lại và chúng tương đối nhỏ hơn so với kết quả của phương pháp phần tử hữu hạn Một mô hình đã được thiết lập cho cột ống thép chứa đầy bê tông (MCFST) nhiều ô dưới tải trọng dọc trục [18] Mô hình được đề xuất đã tính toán các đường cong tải trọng- biến dạng của 12 mẫu với nhiều hình dạng cũng như cấu trúc khác nhau và tính toán mối quan hệ cấu thành của bê tông trong từng ô riêng lẻ Kết quả cho thấy mô hình cung cấp hướng dẫn hữu ích cho cột MCSFT

Bê tông cốt sợi tái chế được gia cố bằng thép (RAC) trong sản xuất cột CFST

đã được nghiên cứu trong nghiên cứu này [19] Nghiên cứu của họ đã đánh giá ứng

xử dọc trục của 54 cột thép-sợi gia cường bằng thép tự ứng suất của cột ống thép gia

cố RAC (SSRCFST) Bê tông cốt liệu tái chế có thể được coi là một cách hữu ích để

xử lý rác thải cũng như mang lại lợi ích cho sự phát triển bền vững về môi trường Một

mô hình dự đoán đã được tạo ra để dự đoán cường độ nén trong các cột ống thép nhồi RAC [20] Mô hình đề xuất cũng được so sánh với mô hình ANNs và các phương pháp thực nghiệm trước đây để chứng minh hiệu quả hoạt động tốt của mô hình

Cường độ bê tông (CS) có thể được coi là một yếu tố quan trọng cần thiết cho việc thiết kế cột CFST Do đó, có sự đa dạng của các nghiên cứu được nghiên cứu về

CS Đặc biệt, một mô hình tự học được tối ưu hóa mới đã được tạo ra để dự đoán CS trong bê tông hiệu suất cao [21] Bên cạnh đó, cột ống thép tròn nhồi bê tông hiệu suất cực cao (UHPC-FSTCs) đã được xem xét và phân tích để cung cấp tài liệu tham khảo hữu ích về tính chất nén của UHPC-FSTCs dưới tải trọng dọc trục [22]

Gần đây, các nghiên cứu đề cập đến vấn đề ảnh hưởng của cường độ bê tông như: Liew và cộng sự (2016) [23], Tue và cộng sự (2004) [24] cùng Uy và cộng sự (2013) [25] cho thấy rằng khi cường độ bê tông nâng lên, giới hạn giãn nở giảm vì bê tông có cường độ càng cao thì hệ số giãn nở càng giảm so với khả năng chịu lực của

bê tông thấp Với cột CFST, nghiên cứu của An và Fehling (2017) [26] cho thấy các chỉ tiêu thiết kế để dự đoán tải trọng cao hơn so với thử nghiệm thực tế của cột CFST, đặc biệt là những cột sử dụng cường độ bê tông cao hơn 90 MPa Mặt khác, có nhiều loại bê tông với cấp phối cũng như tính chất khác nhau và ảnh hưởng đến tải trọng như

bê tông cốt thép nhẹ, bê tông sợi, bê tông tái chế, v.v Do đó, việc nghiên cứu các cột CFST sử dụng các loại bê tông cường độ cao, cường độ siêu cao khác nhau là rất quan trọng và đề xuất công thức tính khả năng chịu tải cho cột này là cần thiết

9

Hơn nữa, ứng xử giam giữ của bê tông hiệu suất cực cao mà không có sử dụng và

sử dụng sợi thép (UHPC và UHPFRC) đã được nghiên cứu [27] Trong nghiên cứu này, các tác giả đã nghiên cứu các cột CFST tròn được đổ UHPC và UHPFRC với cường độ bê tông từ 150 MPa đến 200 MPa Một số nghiên cứu về các cột CFST sử dụng UHPC và UHPFRC đã được thực hiện [28] Vì vậy, cần nghiên cứu cột CFST với các loại bê tông cường độ khác nhau bao gồm cả bê tông cường độ cao và siêu cao

có hoặc không có sợi thép

Tóm lại, có rất nhiều nghiên cứu của nhiều tác giả về kết cấu liên quan đến cột ống thép nhồi bê tông từ trước đến nay Qua đó, cho chúng ta thấy rằng việc sử dụng công năng của cột CFST để áp dụng vào các công trình xây dựng dân dụng, công nghiệp hay công trình cầu đường là cực kỳ quan trọng

1.1.3 Ứng dụng của cột ống thép nhồi bê tông trong xây dựng hiện nay

Trong lĩnh vực xây dựng dân dụng, công nghiệp, hạ tầng kỹ thuật thì cột CFST được áp dụng rất nhiều như công trình nhà ga, tòa nhà cao tầng…vì tính ưu việt của nó như độ bền cao, độ dẻo, độ cứng và khả năng chống cháy tốt Một số hình ảnh ứng dụng của cột ống thép nhồi bê tông qua các công trình xây dựng hiện nay được thể hiện bên dưới:

Hình 1.2 là toà tháp đôi Petronas được xây dựng ngay trung tâm thành phố Kuala Lampur - Malaysia với chiều cao 452m gồm 88 tầng, diện tích sàn đến 395.000m² Hệ thống kết cấu của tòa tháp là một thiết kế dạng ống thép nhồi bê tông [29]

Hình 1.2: Tòa tháp đôi Petronas - Kuala Lampur

Hình 1.3 và hình 1.4 là nhà ga Techno ở thành phố Tokyo, Nhật Bản với diện tích sàn 5535 m2, 3 tầng, cao 18m Kết cấu của tòa nhà gồm các cột ống thép nhồi bê tông với đường kính 500mm, sử dụng thép cường độ cao 780 MPa [30]

10

Hình 1.3: Nhà ga Techno ở Tokyo Nhật Bản (nhìn từ phía bê ngoài)

Hình 1.4: Bên trong nhà ga Techno ở Tokyo, Nhật Bản

Hình 1.5 là tháp Canton ở Quảng Châu, Trung Quốc là một trong những công trình cao nhất thế giới được xây dựng và hoàn thành vào năm 2010 với chiều cao lên đến 610 m gồm 37 tầng nổi và 2 tầng hầm Tòa tháp được thiết kế bởi công ty Information Based Architecture (IBA), một công ty kiến trúc có trụ sở tại Amsterdam,

11

Hà Lan Tòa tháp sử dụng 24 cột ống thép nhồi bê tông tròn được sử dụng với đường kính cột tối đa là 2 m và độ dày thành tối đa là 50 mm

Hình 1.5: Tháp Canton ở Quảng Châu, Trung Quốc

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

1.2.1 Tổng quan về mô hình học máy

Học máy, có tài liệu gọi là học máy có tên tiếng Anh đầy đủ là Machine Learning, là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống “học” tự động từ dữ liệu để giải quyết những vấn đề cụ thể Ví dụ như các máy có thể “học” cách phân loại thư điện tử xem có phải thư rác (spam) hay không và tự động xếp thư vào thư mục tương ứng Học máy rất gần với suy diễn thống kê tuy có khác nhau về thuật ngữ [31]

Học máy có liên quan lớn đến thống kê, vì cả hai lĩnh vực đều nghiên cứu việc phân tích dữ liệu, nhưng khác với thống kê, học máy tập trung vào sự phức tạp của các giải thuật trong việc thực thi tính toán [32] Nhiều bài toán suy luận được xếp vào loại bài toán khó, vì thế một phần của học máy là nghiên cứu sự phát triển các giải thuật suy luận xấp xỉ mà có thể xử lý được

Học máy có hiện nay được áp dụng rộng rãi bao gồm mô hình học máy để truy tìm dữ liệu, chẩn đoán y khoa, phát hiện thẻ tín dụng giả, phân tích thị trường chứng khoán, phân loại các chuỗi ADN, nhận dạng tiếng nói và chữ viết, dịch tự động, chơi trò chơi và trong xây dựng như dự đoán khả năng chịu lực, dự đoán độ võng của của kết cấu chịu uốn bê tông cốt thép, dự đoán mức tiêu thụ năng lượng trong nhiều tòa nhà…

12

Các thuật toán học máy là các chương trình máy tính có khả năng học hỏi về cách hoàn thành các nhiệm vụ và cách cải thiện hiệu suất theo thời gian Học máy vẫn đòi hỏi sự đánh giá của con người trong việc tìm hiểu dữ liệu cơ sở và lựa chọn các kĩ thuật phù hợp để phân tích dữ liệu Đồng thời, trước khi sử dụng, dữ liệu phải sạch, không có sai lệch và không có dữ liệu giả

Các mô hình học máy yêu cầu lượng dữ liệu đủ lớn để "huấn luyện" và đánh giá

mô hình Học máy ngày càng mang tính phổ biến trên toàn thế giới Sự tăng trưởng vượt bậc của dữ liệu lớn (Big Data) và các thuật toán học máy với đủ dữ liệu đã cải thiện độ chính xác của những mô hình và dự đoán tương lai.[33]

Một số thuật toán ML mạnh mẽ hiện nay có thể kể đến như là ANNs, Gradient Tree Boosting (GTB), học sâu (Deep learning - DL), học máy véc tơ hỗ trợ (SVM), rừng ngẫu nhiên (RF), ARF và cây quyết định (DT)

1.2.2 Phân loại các mô hình học máy

Có 4 loại mô hình học máy chính bao gồm học có giám sát (supervised learning), học không giám sát (unsupervised learning), học bán giám sát, học tăng cường

a) Học có giám sát (supervised learning)

Học có giám sát là một kỹ thuật của ngành học máy để xây dựng một hàm từ dữ liệu huấn luyện Dữ liệu huấn luyện bao gồm các cặp đối tượng đầu vào (thường dạng vector) và đầu ra thực sự Đầu ra của một hàm có thể là một giá trị liên tục (gọi là hồi quy), hay có thể là dự đoán một nhãn phân lớp cho một đối tượng đầu vào (gọi là phân lớp) Hình 1.6 thể hiện sơ đồ huấn luyện và dự đoán dựa trên mô hình học máy có giám sát Nhiệm vụ của chương trình học có giám sát là dự đoán giá trị của hàm cho một đối tượng bất kỳ là đầu vào hợp lệ, sau khi đã xem xét một số ví dụ huấn luyện (nghĩa là, các cặp đầu vào và đầu ra tương ứng) Mục đích chính của bài toán học có giám sát là để học một ánh xạ X tới Y Mô hình chung của học có giám sát được khái quát như hình 1.6 bên dưới

Tập huấn luyện

Thuật toán học máy

có giám sát

Hình 1.6: Mô hình học có giám sát

- Thu thập tập huấn luyện Tập huấn luyện cần đặc trưng cho thực tế sử dụng của hàm chức năng Vì thế, một tập các đối tượng đầu vào được thu thập và đầu ra tương ứng được thu thập, hoặc từ các chuyên gia hoặc từ việc đo đạc tính toán

- Xác định việc biểu diễn các đặc trưng đầu vào cho hàm chức năng cần tìm Sự chính xác của hàm chức năng phụ thuộc lớn vào cách các đối tượng đầu vào được biểu diễn Thông thường, đối tượng đầu vào được chuyển đổi thành một vector đặc trưng, chứa một số các đặc trưng nhằm mô tả cho đối tượng đó Số lượng các đặc trưng không nên quá lớn, do sự bùng nổ tổ hợp nhưng phải đủ lớn để dự đoán chính xác đầu

ra

- Xác đinh cấu trúc của hàm chức năng cần tìm và giải thuật học tương ứng Ví

dụ người thực hiện quá trình phân lớp có thể lựa chọn việc sử dụng mạng nơ- ron nhân tạo hay cây quyết định

- Hoàn thiện thiết kế Người thiết kế sẽ chạy giải thuật học từ một tập huấn luyện thu thập được Các tham số của giải thuật học có thể được điều chỉnh bằng cách tối ưu hoá hiệu năng trên một tập con (gọi là tập kiểm chứng – validation set) của tập huấn luyện, hay thông qua kiểm chứng chéo (crossvalidation) Sau khi học và điều chỉnh tham số, hiệu năng của giải thuật có thể được đo dạc trên một tập kiểm tra độc lập với tập huấn luyện

Một số thuật toán điển hình như: thuật toán K láng giềng, mô hình xác suất Nive Bayes, học máy véc tơ hỗ trợ SVM…

Học có giám sát là phương pháp sử dụng những dữ liệu được gán nhãn sẵn để suy luận ra quan hệ giữa đầu vào và đầu ra Sau khi tìm hiểu cách tốt nhất để mô hình hóa các mối quan hệ dựa trên dữ liệu được gán nhãn, thuật toán huấn luyện sẽ được sử dụng cho các bộ dữ liệu mới

Ứng dụng của học có giám sát chính là giúp xác định tín hiệu hay biến số tốt nhất

để đưa ra dự đoán dự báo xu hướng, lợi nhuận trong tương lai bao gồm đa lĩnh vực như cổ phiếu, chứng khoán, xây dựng, y học…

b) Học không giám sát (unsupervised learning)

Học không có giám sát là một phương pháp của ngành học máy nhằm tìm ra một

mô hình mà phù hợp với các quan sát Nó khác biệt với học có giám sát ở chỗ là đầu ra đúng tương ứng cho mỗi đầu vào là không biết trước Trong học không có giám sát, một tập dữ liệu đầu vào được thu thập Học không có giám sát thường đối xử với các

Học không có giám sát cũng hữu ích cho việc nén dữ liệu: về cơ bản, mọi giải thuật nén dữ liệu hoặc là dựa vào một phân bố xác suất trên một tập đầu vào một cách tường minh hay không tường minh

Một dạng khác của học không có giám sát là phân mảnh (data clustering), nó đôi khi không mang tính xác suất Xem thêm phân tích khái niệm hình thức (formal concept analysis)

Học không giám sát là phương pháp học mà mô hình học máy không được cung cấp dữ liệu được dán nhãn mà thay vào đó chỉ được sử dụng những dữ liệu chưa được gán nhãn sẵn để suy luận và tìm cách để mô tả dữ liệu cùng cấu trúc của chúng Ứng dụng của học không giám sát đó là hỗ trợ phân loại thành các nhóm có đặc điểm tương đồng

c) Học bán giám sát (semi – supervised learning)

Trong khoa học máy tính, học bán giám sát là một phương thức của ngành học máy sử dụng cả dữ liệu gán nhãn và chưa gán nhãn, nhiều nghiên cứu của ngành học máy có thể tìm ra được dữ liệu chưa gán nhãn khi sử dụng với một số lượng nhỏ dữ liệu gán nhãn Công việc thu được kết quả của dữ liệu gán nhãn thường đòi hỏi ở trình

độ tư duy và khả năng của con người, công việc này tốn nhiều thời gian và chi phí, do vậy dữ liệu gán nhãn thường rất hiếm và đắt, trong khi dữ liệu chưa gán nhãn thì lại rất phong phú Trong trường hợp đó, chúng ta có thể sử dụng học bán giám sát để thi hành các công việc ở quy mô lớn

Học bán giám sát bao gồm dữ liệu gán nhãn và chưa gán nhãn Học bán giám sát

có thể được áp dụng vào việc phân lớp và phân cụm Mục tiêu của học bán giám sát là huấn luyện tập phân lớp tốt hơn học có giám sát từ dữ liệu gán nhãn và chưa gán nhãn Như vậy, có thể nói học bán giám sát là phương pháp học có giám sát kết hợp với việc tận dụng các dữ liệu chưa gán nhãn Trong phần bổ sung thêm vào cho dữ liệu gán nhãn, thuật toán cung cấp một vài thông tin giám sát, việc này không cần thiết cho tất

cả các mẫu huấn luyện Thông thường thông tin này sẽ được kết hợp với một vài mẫu cho trước Học bán giám sát là một nhánh của ngành học máy (machine learning) Các

dữ liệu gán nhãn thường hiếm, đắt và rất mất thời gian, đòi hỏi sự nỗ lực của con người, trong khi đó dữ liệu chưa gán nhãn thì vô vàn nhưng để sử dụng vào mục đích

cụ thể của chúng ta thì rất khó, vì vậy ý tưởng kết hợp giữa dữ liệu chưa gán nhãn và

dữ liệu đã gán nhãn để xây dựng một tập phân lớp tốt hơn là nội dung chính của học bán giám sát Bởi vậy học bán giám sát là một ý tưởng tốt để giảm bớt công việc của con người và cải thiện độ chính xác lên mức cao hơn

15

Một số thuật toán điển hình: self-training, co-training

d) Học tăng cường (reinforcement)

Đối với dạng học này, kinh nghiệm không được cho trực tiếp dưới dạng đầu vào/ đầu ra Thay vào đó, hệ thống nhận được một giá trị tăng cường là kết quả cho một chuỗi hành động nào đó…

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

Học máy là một trong những kỹ thuật trí tuệ nhân tạo hứa hẹn nhất ngày càng được sử dụng rộng rãi để mô hình hóa và dự đoán hành vi của các vấn đề trong kỹ thuật dân dụng và kỹ thuật kết cấu trong những năm gần đây [34] Các thuật toán ML khác nhau như rừng ngẫu nhiên (RF), rừng ngẫu nhiên bổ sung (ARF), mạng nơ-ron nhân tạo (ANNs), cây quyết định (DT), máy vectơ hỗ trợ (SVM), hồi quy tuyến tính (LR), hỗ trợ hồi quy véc tơ (SVR), tăng cường cây gradient (GTB) đã được phát triển Một số nghiên cứu về việc ứng dụng của mô hình học máy vào vấn đề trong kỹ thuật xây dựng nói chung và trong kết cấu cột bê tông ống thép nói riêng

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) [35] Nghiên cứu không thực hiện thí nghiệm mà lấy dữ liệu thí nghiệm của các nghiên cứu trên thế giới đã công bố Đối với bê tông RAC, lớp đầu vào của mạng ANN gồm 6 tham số là loại mẫu thí nghiệm, tỉ lệ nước trên xi măng, tỉ lệ cốt liệu trên xi măng, tỉ lệ phần trăm cốt liệu thay thế, kích cỡ cốt liệu tái chế lớn nhất danh định và kích cỡ cốt liệu lớn nhất tự nhiên danh định Đối với

bê tông HPC, 8 tham số đầu vào của mạng ANN là xi măng, xỉ lò cao, tro bay, nước, phụ gia siêu dẻo, cốt liệu thô, cốt liệu mịn và tuổi HPC Kết quả hệ số đánh giá R của

cả hai mô hình ANN dự đoán cường độ chịu nén cho bê tông RAC và bê tông HPC đều ở mức xấp xỉ 0,9

Mô hình mạng nơ-ron nhân tạo (ANNs) là một trong những công cụ mạnh mẽ chính trong học máy và thường được sử dụng cho nhiều vấn đề khác nhau Nghiên cứu

đề xuất một mô hình dựa trên thuật toán ANNs và nó có thể dự đoán cường độ của bê tông chịu FRP [36] Mô hình đề xuất cũng được so sánh với các mã quốc tế và mô hình phân tích và kết quả cho thấy mô hình này phù hợp với thiết kế bê tông chịu lực FRP và nâng cao độ chính xác của các đối thủ cạnh tranh hiện có

Mô hình ANNs được ứng dụng trong dự báo khả năng chịu tải của các cột CFST ngắn hình tròn dưới tải trọng trục ngắn hạn với một số lượng lớn dữ liệu thực nghiệm [37] Họ chỉ ra rằng phương trình được đề xuất có thể dự đoán độ bền tới hạn của các cột chịu tải dọc trục bằng một mức độ chính xác cao Bên cạnh đó, mô hình ANNs được kết hợp với hệ thống suy luận dựa trên trường hợp (CBR) để dự báo các đặc tính động lực học của bê tông hiệu suất siêu cao (UHPC) [38] Kết quả bằng chứng cho

16

thấy hệ thống thông minh được đề xuất có thể dự đoán các đặc tính cơ học khác nhau của UHPC với các hỗn hợp khác nhau và mang lại tổng độ chính xác dự đoán của hệ thống là 81,5% [39]

Theo A.M Al-Khaleef và cộng sự [40], đã ứng dụng mô hình học máy vào việc

dự đoán khả năng chống cháy của cột thép hình đổ bê tông bằng cách sử dụng mô hình học máy mạng nơ-ron nhân tạo Bằng cách lấy dữ liệu thực nghiệm thu được từ các thử nghiệm cháy trong phòng thí nghiệm trước đây để huấn luyện mô hình Các giá trị

dự đoán của mô hình được so sánh với kết quả thử nghiệm thực tế Kết quả chỉ ra rằng

mô hình có thể dự đoán khả năng chống cháy với độ chính xác thích hợp cần thiết cho mục đích thiết kế thực tế

Theo H Naderpour và cộng sự, họ đã ứng dụng mô hình học máy mạng nơ ron nhân tạo ANN vào việc dự đoán cường độ chịu nén của bê tông cốt liệu tái chế Theo

họ chất thải rắn dưới dạng các mảnh vụn xây dựng là một trong những mối quan tâm lớn về môi trường trên thế giới Trên hàng triệu tấn vật liệu phế thải xây dựng được tạo

ra ở Tehran mỗi năm Một lượng lớn vật liệu có thể được tái chế và tái sử dụng như bê tông cốt liệu tái chế (RAC) cho xây dựng Họ đã sử dụng 139 bộ dữ liệu lấy từ 14 nguồn tài liệu mở Các thông số đầu vào gồm: tỷ lệ xi măng, nước, độ ẩm, cốt liệu mịn, ANN đã phát triển mô hình sử dụng sáu tính năng đầu vào là tỷ lệ xi măng, nước,

độ hút nước, cốt liệu mịn, thạch thô tự nhiêndầu mỡ, cốt liệu thô tái chế, tỷ lệ nước trên tổng nguyên liệu ANN được mô hình hóa trong MATLAB và được áp dụng cho

dự đoán cường độ nén của RAC dựa trên các đặc điểm đầu vào ở trên Kết quả chỉ ra rằng ANN là một mô hình hiệu quả được sử dụng như một công cụ để dự đoán cường

độ nén của RAC bao gồm các loại và nguồn cốt liệu tái chế khác nhau [41]

Mô hình học máy rừng ngẫu nhiên (RF) hiệu quả và chính xác để giải các bài toán hồi quy có độ phức tạp cao vì nó tạo ra hàng tá cây quyết định và tích hợp chúng

để tạo ra đầu ra [42] Ví dụ, nó được áp dụng để dự đoán hư hỏng bên trong bê tông cốt thép [43] và dự đoán năng lượng tiêu thụ của tòa nhà [44] Mô hình rừng ngẫu nhiên bổ sung (ARF) là một phiên bản nâng cao của mô hình RF có thể cải thiện hiệu suất của nó [45] Rất ít nghiên cứu điều tra các mô hình học máy cho các cột CFST được đổ bê tông cường độ khác nhau

Gần đây, một số nghiên cứu trong nước đã sử dụng mô hình rừng ngẫu nhiên 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 học máy rừng ngẫu nhiên (RF) để cải thiện hiệu quả năng lượng và tính bền vững Các tòa nhà phải sử dụng năng lượng hiệu quả và bền vững vì các tòa nhà đã đóng góp đáng kể vào việc tiêu thụ năng lượng thế giới và phát thải khí nhà kính Dự đoán các mô hình tiêu thụ năng lượng trong các tòa nhà có lợi cho các công ty tiện ích, người sử dụng và người quản lý cơ sở vì nó có thể giúp cải thiện hiệu quả sử dụng năng lượng Công trình này đã đề xuất một mô hình dự đoán dựa trên mô hình Rừng Ngẫu nhiên (RF) để dự đoán mức tiêu thụ năng lượng ngắn

17

hạn trong độ phân giải hàng giờ trong nhiều tòa nhà Năm bộ dữ liệu trong một năm về mức tiêu thụ năng lượng của tòa nhà theo giờ đã được sử dụng để kiểm tra tính hiệu quả của mô hình RF trong suốt giai đoạn đào tạo và thử nghiệm Kết quả đánh giá cho thấy mô hình RF thể hiện độ chính xác dự đoán tốt trong dự đoán Trong bốn tình huống đánh giá, giá trị sai số tuyệt đối trung bình (MAE) nằm trong khoảng từ 0,430 đến 0,501 kWh cho dự đoán trước 1 bước, từ 0,612 đến 0,940 kWh cho dự đoán trước

12 bước và từ 0,626 đến 0,868 kWh cho dự đoán trước 24 bước Mô hình RF vượt trội hơn so với mô hình M5P và Cây ngẫu nhiên (RT) RF tốt hơn khoảng 49,21%, 46,93% trong MAE và sai số phần trăm tuyệt đối trung bình (MAPE) so với mô hình RT trong việc dự báo mức tiêu thụ năng lượng của tòa nhà trước 1 bước Mô hình RF đã phê duyệt hiệu suất vượt trội với mức cải thiện 49,95% và 29,29% trong MAE so với mô hình M5P trong việc sử dụng năng lượng trước 12 bước và 24 bước tương ứng Do đó,

mô hình RF được đề xuất là một mô hình dự đoán hiệu quả trong số các mô hình học máy được khảo sát Nghiên cứu này đóng góp vào trạng thái của kiến thức bằng cách kiểm tra tính tổng quát và hiệu quả của các mô hình ML trong việc dự đoán các mô hình tiêu thụ năng lượng của tòa nhà và thực trạng bằng cách đề xuất một công cụ hiệu quả để giúp chủ sở hữu tòa nhà và người quản lý cơ sở hiểu được hiệu suất năng lượng của tòa nhà để nâng cao hiệu quả sử dụng năng lượng trong các tòa nhà

Theo Trần Văn Quân và cộng sự [46] họ đã ứng dụng mô hình rừng cây ngẫu nhiên để dự đoán cường độ chịu nén của bê tông Trong nghiên cứu, họ đã thu thập bộ

cơ sở dữ liệu bao gồm 1030 dữ liệu về cường độ chịu nén của bê tông xi măng với việc

sử dụng xi măng và các loại phụ gia Các dữ liệu đầu vào của mô hình rừng cây ngẫu nhiên bao gồm 8 dữ liệu đầu vào bao gồm xi măng, xỉ lò cao, tro bay, nước, phụ gia hóa dẻo, cốt liệu thô, cốt liệu mịn, tuổi bê tông Dữ liệu đầu ra của mô hình rừng cây ngẫu nhiên lựa chọn là cường độ chịu nén của bê tông xi măng Bộ dữ liệu được sử dụng trong công việc này được chia ngẫu nhiên thành hai bộ dữ liệu con bằng cách sử dụng phân phối thống nhất, trong đó 70% dữ liệu được sử dụng để xây dựng các mô hình RF và 30% dữ liệu còn lại được dùng trong việc kiểm chứng mô hình đã được xây dựng Trong nghiên cứu này, họ đã sử dụng hai tiêu chí là hệ số tương quan (R) (correlation coefficient) và sai số RMSE (Root Mean Square Error) để dánh giá độ chính xác của mô hình rừng cây ngẫu nhiên đã phát triển Kết quả cho thấy mô hình rừng cây ngẫu nhiên dự đoán cường độ nén bê tông với độ chính xác tương đối cao với R=0,95 và RMSE = 1.88 MPa

Theo Chongshi Gu và cộng sự [47], đã ứng dụng mô hình học máy rừng ngẫu nhiên để giám sát biến đổi của đập bê tông Theo tác giả các cấu trúc và nền móng độc đáo của một con đập làm cho việc giám sát an toàn của nó trở thành một nhiệm vụ hết sức phức tạp Là hiệu ứng trực quan nhất của đập, biến dạng chứa thông tin quan trọng

về sự phát triển của đập Việc ứng dụng mô hình rừng ngẫu nhiên có mục đích chẩn đoán và cảnh báo sớm những biến đổi của đập nhằm khắc phục sớm những biến đổi

và SMOreg để dự đoán độ võng dài hạn trong kết cấu bê tông cốt thép Một tập dữ liệu thử nghiệm đã được sử dụng để xây dựng và đánh giá đơn lẻ và các mô hình học máy đồng bộ Các mô hình đã được đào tạo và thử nghiệm bằng cách sử dụng thuật toán xác nhận chéo 10 lần phân tầng Phân tích kết quả cho thấy mô hình học máy có hiệu quả trong việc dự đoán độ võng của kết cấu bê tông cốt thép với độ chính xác tốt là 97,2% So sánh hiệu suất so với các phương pháp thực nghiệm, dự đoán độ chính xác của mô hình ML được cải thiện đáng kể lên đến 66,41% trong RMSE và lên đến 82,04% trong MAE Như một sự đóng góp, nghiên cứu này đã đề xuất mô hình ML hiệu quả để tạo điều kiện thuận lợi cho các nhà thiết kế trong việc dự báo sớm độ võng dài hạn trong kết cấu BTCT và đánh giá khả năng phục vụ lâu dài và độ an toàn của chúng

Theo Jui-Sheng Chou và cộng sự [49], dự đoán cường độ cắt trong dầm sâu bê tông cốt thép sử dụng hồi quy vectơ hỗ trợ siêu mô hình lấy cảm hứng từ tự nhiên Cường độ cắt của dầm sâu bê tông cốt thép (BTCT) là một hiện tượng động lực học thay đổi theo nhiều yếu tố cơ học và hình học Ước tính chính xác sức chống cắt trong dầm sâu BTCT là một vấn đề quan trọng trong thiết kế và quản lý kỹ thuật Tuy nhiên,

độ chính xác của dự đoán vẫn còn kém Nghiên cứu này trình bày một phương pháp hồi quy lấy cảm hứng từ thiên nhiên để dự đoán chính xác cường độ cắt trong chùm tia sâu RC kết hợp thuật toán thuộc địa đom đóm nhân tạo thông minh mới (SFA) và bình phương nhỏ nhất hỗ trợ hồi quy vectơ (LS-SVR) SFA tích hợp thuật toán đom đóm (FA), bản đồ hỗn loạn (CM), trọng lượng quán tính thích ứng (AIW) và chuyến bay Lévy (LF) Đầu tiên, một phương pháp tiếp cận thích ứng và các phương pháp ngẫu nhiên hóa (tức là CM, AIW và LF) đã được kết hợp trong FA để xây dựng một thuật toán tổng hợp hiệu quả để tối ưu hóa toàn cục Sau đó, SFA được sử dụng để tối ưu hóa các siêu tham số của mô hình LS-SVR Mô hình đề xuất được xây dựng bằng cách

sử dụng tập dữ liệu cho dầm sâu RC được lấy từ tài liệu Hiệu suất mô hình được đánh giá bằng cách so sánh kết quả với kết quả của mô hình SVR cơ sở và với các phương pháp trước đó thông qua thuật toán xác nhận chéo Kết quả phân tích cho thấy mô hình

dự đoán mới được tối ưu hóa vượt trội hơn các mô hình khác trong việc dự đoán sức

mô phỏng hành vi của cấu trúc và vật liệu giúp tăng độ chính xác dự đoán và giúp giảm sai lệch trong thiết kế kết cấu [53, 54]

Hầu hết các công thức dự báo cường độ cực hạn của cột CFST chỉ phù hợp với

bê tông NSC, trong một số tiêu chuẩn và nghiên cứu cũng đã mở rộng và điều chỉnh cho HSC nhưng chỉ tối đa 90 MPa Các tiêu chuẩn cũng bị hạn chế trong việc dự đoán chính xác cường độ của cột CFST đối với tất cả các loại cường độ bê tông, đặc biệt với

bê tông UHSC [55] Các nghiên cứu này đã không đề xuất công thức ước tính cường

độ chịu nén cực hạn của các cột CFST bao gồm các loại bê tông khác nhau Do đó, việc thiết lập mô hình học máy dự đoán cường độ chịu nén cực hạn của cột CFST sử dụng các cường độ nén bê tông khác nhau là điều cần thiết

Công thức thực nghiệm giới hạn độ chính xác trong việc dự đoán cường độ nén của cột CFST do tính đơn giản của nó Học máy được coi là một cuộc cách mạng có thể áp dụng để giải quyết các vấn đề thực tế trong kết cấu dân dụng do hiệu suất học tập nhanh và độ tin cậy cao Nghiên cứu này đề xuất một mô hình học máy để dự đoán khả năng chịu lực cuối cùng của các cột CFST Do tính ưu việt của các mô hình như ANNs, ARF và SVR trong nghiên cứu này tác giả kiểm tra tính hiệu quả và khả năng ứng dụng của chúng trong việc suy ra cường độ nén dọc trục trong các cột CFST ngắn được đổ bê tông cường độ thường (NSC), cường độ cao (HSC) và bê tông cường độ siêu cao (UHSC)

Như một đóng góp, luận văn này đã đề xuất một mô hình học máy để dự đoán cường độ chịu nén cực hạn trong các cột CFST ngắn Các mô hình học máy đã được huấn luyện và thử nghiệm để đề xuất một mô hình học máy hiệu quả để suy ra cường

độ chịu nén dọc trục trong các cột CFST ngắn Do dữ liệu thử nghiệm hạn chế, nghiên cứu này đã mở rộng ứng xử của cột CFST với nhiều loại bê tông cường độ khác nhau Một tập dữ liệu lớn về các bài kiểm tra thử nghiệm cho các cột ngắn CFST hình tròn

đã được thu thập Hơn nữa, hiệu suất của mô hình học máy được so sánh với hiệu suất của các tiêu chuẩn thiết kế thực nghiệm như tiêu chuẩn Euro 4 và tiêu chuẩn Mỹ AISC

2010 để chứng minh rằng mô hình đề xuất tốt hơn các mô hình khác và kết quả thực nghiệm

đó việc lựa chọn tham số hệ thống phù hợp cho từng lớp bài toán cụ thể là rất quan trọng Mỗi lớp bài toán sẽ cần được thực hiện, phân tích để tìm ra cách sử dụng các tham số sao cho mô hình huấn luyện hiệu quả và tối ưu về mặt thời gian

Ahmadi và cộng sự (2014) [37] cũng đã khảo sát khả năng chịu tải của các cột CFST tiết diện tròn bằng cách sử dụng AI cho một số lượng lớn các mẫu thử nghiệm

và so sánh với năm mô hình đã dự đoán trước đó Kết quả tương tự có thể được tìm thấy trong các nghiên cứu của Jegadesh và Jayalekshm (2015) [57], Liu (2013) [58], Phạm Thái Hoàn [59] Ahmadi và cộng sự (2017) [60] đã giới thiệu phương pháp tiếp cận mô hình học máy để dự báo cường độ bê tông chịu nén của cột CFST tiết diện tròn với các thông số cột khác nhau Trong mô hình này, cường độ bê tông chịu nén đạt tới

106 MPa và cường độ chảy của ống thép là 853 MPa Jayalekshmi và cộng sự (2015) [57] đã giới thiệu khả năng chịu tải của công thức cột CFST tiết diện tròn bằng cách sử dụng phương pháp mô hình học máy để so sánh với các mô hình dự đoán của các nghiên cứu trước đó

Sarir và cộng sự (2019) [61] dựa trên các phương pháp tiên tiến bao gồm lập trình biểu hiện gen (GEP) theo thuật toán cây quyết định, các mô hình tổng hợp bao gồm ANN và thuật toán tối ưu hóa (tối ưu hóa bầy hạt - PSO) để xây dựng mô hình dự đoán để dự đoán khả năng chịu tải của Cột CFST và tối ưu hóa mô hình này Ngoài ra, các tác giả đã so sánh các phương pháp GEP, ANNs và PSO và cho thấy rằng phương pháp GEP có kết quả dự đoán tốt nhất và mang lại hệ số hồi quy tốt nhất

Nour và Guneyisi (2019) [61] dựa trên 97 mẫu thử nghiệm và sử dụng thuật toán

di truyền (GA) để phát triển công thức dự đoán khả năng chịu lực cho các cột ngắn (L

21

/ D từ 2 đến 3,5) Các cột CFST trong nghiên cứu của họ đã sử dụng cốt liệu tái chế Sau đó, họ so sánh khả năng chịu tải được tính toán từ công thức mới với các giá trị dự đoán từ các tiêu chuẩn thiết kế và cho thấy rằng công thức mới dựa trên thuật toán di truyền có độ chính xác cao

Du và cộng sự (2017) [62] đã sử dụng mô hình học máy mạng nơ ron nhân tạo

để tính toán cường độ nén tới hạn của cột CFST tiết diện chữ nhật dựa trên 305 kết quả thí nghiệm và so sánh với các dự đoán từ tiêu chuẩn Châu Âu EC4, tiêu chuẩn bê tông ACI của Mỹ, tiêu chuẩn Trung Quốc GJB4142 và thép AISC360-10 của Mỹ Liên kết tiêu chuẩn Họ đã kiểm tra ảnh hưởng của các thông số của cột CFST như đường kính ống thép, cường độ chảy, độ dày ống thép, cường độ bê tông, tỷ lệ chiều cao / đường kính của cột đến cường độ và độ dẻo của cột

Linh et al (2019) [63] đã sử dụng 300 mẫu thử nghiệm nén dọc trục trên cột CFST tiết diện vuông để đề xuất công thức thực nghiệm để tính toán khả năng chịu tải dọc dựa trên mô hình mạng nơ ron nhân tạo (ANN) Tác giả nhận thấy rằng các công thức được đưa ra từ ANN có kết quả chính xác hơn so với các công thức của các tác giả khác và các tiêu chuẩn thiết kế hiện có

Theo Trần Việt Linh và cộng sự [64], họ đã phát triển “Mô hình học máy mạng

nơ ron nhân tạo ANN để dự đoán cường độ nén dọc trục của cột ống thép tròn nhồi bê tông sử dụng bê tông cường độ cao” Với mục đích này, một phân tích phần tử hữu hạn phi tuyến của cột ống thép tròn đổ bê tông bằng bê tông cường độ siêu cao đã được họ tiến hành và xác minh bằng các thí nghiệm Theo đó, một cơ sở dữ liệu gồm

768 mô hình phần tử hữu hạn đã được tạo ra để sử dụng cho việc phát triển các mô hình mạng nơron nhân tạo Về vấn đề này, những thông số được thu thập như: chiều dài cột, đường kính ống thép, độ dày của ống thép, năng suất và cường độ cuối cùng của ống thép và cường độ nén của bê tông được coi là các biến đầu vào trong khi khả năng nén dọc trục được coi là biến đầu ra Hiệu suất của mô hình mạng nơ-ron nhân tạo được đề xuất đã được họ so sánh với các mã thiết kế cấu trúc hiện tại bao gồm AS / NZS 5100.6, Eurocode 4, AISC và GB 50936 Nghiên cứu so sánh chỉ ra rằng mô hình mạng nơ-ron nhân tạo được đề xuất đạt được dự đoán cao hơn so với các mã khác Cuối cùng, một công cụ giao diện người dùng đồ họa đã được phát triển dựa trên mô hình mạng nơ ron nhân tạo được đề xuất để dự đoán khả năng nén dọc trục của các cột ống thép tròn chứa đầy bê tông với bê tông cường độ siêu cao cho thiết kế kỹ thuật thực tế

Gần đây có nghiên cứu của tác giả Phạm Thái Hoàn về “Ước lượng khả năng

chịu nén đúng tâm của cột ống thép nhồi bê tông bằng thuật toán học máy ”[59] trong

nghiên cứu này, tác giả trình bày cách xây dựng mô hình huấn luyện cho bài toán ước lượng khả năng chịu tải của cột CFST sử dụng thuật toán Extreme Gradient Boosting (XGBoost) XGBoost là một trong những thuật toán ML mới nhất được Chen và Guestin [65] đề xuất năm 2016, được tác giả áp dụng trong việc giải quyết các bài toán

22

phân tích hồi qui và phân loại dựa trên nguyên lý chung của các thuật toán cây tuần tự như GTB trên cơ sở kết hợp nhiều cây ra quyết định Một tập dữ liệu các kết quả thí nghiệm bao gồm 1017 mẫu các cột CFST tròn được tác giả sử dụng để huấn luyện và kiểm tra chương trình được xây dựng Tác giả sử dụng các thông số đầu vào của chương trình bao gồm: đường kính ngoài của tiết diện (D), chiều dày của ống thép (t), cường độ chảy của thép (fy), cường độ chịu nén tiêu chuẩn của bê tông (fc) và chiều dài cột (L) Thông số đầu ra là khả năng chịu nén đúng tâm của cột (N) Sự phân bố của các thông số này được thể hiện trong dưới Các giá trị lớn nhất (GTLN), giá trị nhỏ nhất (GTNN) và giá trị trung bình (GTTB) của các thông số cũng được thể hiện Kết quả cho thấy là phần lớn cột CFST được thí nghiệm với cường độ thép thông thường (trên 90% mẫu có fy dưới 460 MPa và trên 75% mẫu có fc ≤ 50 MPa) Các thông số liên quan đến cột ống thép nhồi bê tông được thể hiện qua các hình 2.1, hình 2.2 và hình 2.3 Theo tác giả thì kết quả cho thấy có mối tương quan rất lớn giữa N và D cũng như là N và t được thể hiện qua hình 2.4

Hình 2.1: Phân bố các thông số cột CFST

23

Hình 2.2: Phân bố cường độ nén của bê tông

Hình 2.3: Phân bố khả năng chịu nén đúng tâm của cột

Hình 2.4: Tương quan giữa các thông số khảo sát

Và cũng theo tác giả thì tầm quan trọng của các thông số đầu vào được thể hiện cho thấy rằng đường kính ngoài của cột (D) có ảnh hưởng nhất đến mô hình huấn luyện và lớn hơn khá nhiều so với các thông số còn lại Tiếp theo đó là chiều dày của

24

của ống (t) Ảnh hưởng của các thông số fy; fc và L đến mô hình huấn luyện là tương đồng với nhau được thể hiện ở hình 2.5

Hình 2.5: Tầm quan trọng của các thông số đầu vào

Sau khi có kết quả của mô hình thì tác giả so sánh với 3 mô hình học máy khác bao gồm SVM, RF và Adaboost để chứng minh tính hiệu quả của mô hình Kết quả huấn luyện mô hình của tác giả sử dụng XGBoost có MSE trung bình là 7,08E-5 và giá trị trung bình của R2 và R2 hiệu chỉnh cùng bằng 99% So với SVM, RF và Adaboost, hiệu suất của XGBoost là tốt nhất xét trên 3 chỉ số MSE, R2 và R2 hiệu chỉnh Thời gian huấn luyện của thuật toán XGBoost cũng là nhanh nhất Do đó, cho ta thấy rằng sử dụng thuật toán XGBoost là 1 trong những thuật toán có thể ứng dụng hiệu quả trong việc ước lượng khả năng chịu nén dọc trục của cột CFST tiết diện tròn Cũng theo Vũ Quang Việt và cộng sự [34], họ đã sử dụng thuật toán tăng cường cây Gradient để “ Dự đoán cường độ của các cột hình ống bằng thép tròn nhồi bê tông (CFST) khi chịu tải đồng tâm” Khung được đề xuất dựa trên thuật toán tăng cường cây gradient (GTB) là một trong những kỹ thuật học máy mạnh mẽ để phát triển các

mô hình dự đoán Họ đã thu thập cơ sở dữ liệu toàn diện của hơn 1.000 bài kiểm tra trên các cột CFST tròn cũng được thu thập từ tài liệu mở để phục vụ cho mục đích đào tạo và kiểm tra của khung đã phát triển Bộ dữ liệu được chia thành 20% dữ liệu thử nghiệm và 80% dữ liệu đào tạo Để đánh giá hiệu suất của mô hình đã phát triển họ đã dùng phương pháp xác nhận chéo K-lần kết hợp với ba chỉ số về sai số bình phương trung bình (MSE), hệ số xác định R bình phương ( 2

R ) và hệ số xác định đã điều chỉnh

(R điều chỉnh) đã được sử dụng Hiệu quả của khung đề xuất đã được chứng minh 2

bằng cách so sánh hiệu suất của nó với hiệu suất thu được từ các phương pháp học máy khác như rừng ngẫu nhiên (RF), máy vectơ hỗ trợ (SVM), cây quyết định (DT) và

25

học sâu (DL) Độ chính xác của mô hình dự đoán đã phát triển cũng đã được xác minh với các phương trình thiết kế hiện tại từ các quy tắc thực hành hiện đại cũng như các

mô hình dự báo hiện có

Theo Trần Việt Linh và cộng sự [66], đã áp dụng mô hình học máy vào việc “Dự đoán khả năng chịu nén dọc trục của cột ống thép hình vuông đổ đầy bê tông (SCFST)

sử dụng mạng nơ ron nhân tạo (ANN) ” Tác giả đã thu thập 300 dữ liệu thử nghiệm của các cột SCFST có chiều dài lên đến 4000 mm, mặt cắt ngang lên đến 500 mm, độ dày ống thép lên đến 16 mm, cường độ nén lên đến 164,1 MPa và độ bền thép lên đến

835 MPa, được lựa chọn và đánh giá kỹ lưỡng thông qua phân tích thống kê và nguồn

dữ liệu này được trích xuất từ tài liệu của các nguồn mở đã được sử dụng để đào tạo và thử nghiệm Phương pháp được sử dụng để xác định mô hình ANN tốt nhất, có hệ số tương quan cao nhất và sai số bình phương trung bình thấp nhất Ngoài ra, mô hình được đánh giá bằng cách so sánh với kết quả của toàn diện dữ liệu thực nghiệm hiện

có Cuối cùng, một mô hình học máy mới để dự đoán khả năng chịu nén của các cột SCFST đã được đề xuất bằng cách sử dụng mô hình ANN đã được xác thực Kết quả thu được cho thấy công thức đặt ra ngắn gọn hơn, đơn giản hơn nhiều và có độ chính xác cao hơn nhiều so với các công thức thực nghiệm

Gần đây, Lý Hải Bằng và Nguyễn Thùy Anh đã “Nghiên cứu dự báo sức chịu tải tới hạn của cấu kiện cột ống thép nhồi bê tông có tiết diện hình chữ nhật bằng mạng nơ ron nhân tạo” [67], theo như tác giả kết cấu ống thép nhồi bê tông (CFST) có nhiều lợi thế so với kết cấu thông thường làm bằng thép hoặc bê tông cốt thép nên hiện nay đang được sử dụng rộng rãi trong lĩnh vực xây dựng công trình Khả năng chịu lực dọc trục (Pu) của CFST là một trong những tính chất cơ học quan trọng nhất và phụ thuộc vào nhiều yếu tố như thuộc tính của vật liệu, kích thước hình học mặt cắt Trong nghiên cứu này, mô hình mạng Nơ-Ron lan truyền ngược (BPNN) với việc sử dụng thuật toán Levenberg - Marquardt được sử dụng để dự đoán sức chịu tải tới hạn (Pu) của cột CFST hình chữ nhật Họ đã sử dụng 99 dữ liệu thử nghiệm từ các công trình đã công bố, 69 số liệu đã được chọn để huấn luyện và 30 số liệu được sử dụng để kiểm chứng mô hình BPNN Các thông số chính được nghiên cứu trong bài viết gồm chiều cao, chiều rộng mặt cắt, độ dày của cột thép, chiều dài cột, cường độ của thép, cường

độ bê tông đã được đề cập để dự đoán khả năng chịu lực tới hạn của cột CFST Kết quả cho thấy mô hình ANN dự báo tốt với độ chính xác cao và sai số thấp

Tổng quan số lượng các nghiên cứu sử dụng mô hình học máy để đánh giá khả năng chịu lực của cột CFST tròn là rất hạn chế Hơn nữa, các nghiên cứu trước đây chỉ tập trung vào cột sử dụng lõi bê tông cường độ nén thông thường (<50 MPa) hoặc cao (50 - 90 MPa), chưa có nghiên cứu nào liên quan đến cột sử dụng bê tông cốt thép cường độ siêu cao (> 90 MPa) Vì vậy, nghiên cứu này nhằm nghiên cứu các mẫu cột CFST tròn có cường độ chịu nén khác nhau của lõi bê tông

26

2.2 Công thức thực nghiệm cho cột CFST

Hai phương pháp thực nghiệm phổ biến để tính toán khả năng chịu lực của cột CFST là Euro code 4 [62] và American code AISC 2010 [68] Đối với cột CFST, hai

mã này thường được sử dụng bởi các kỹ sư trong thiết kế, được trình bày chi tiết như bên dưới

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

E I eff Ncr

l

(2.6)

( )E I eff =E I s s +K E e c2I c (2.7)

c là hệ số kiềm chế nở hông của bê tông;

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

fy là cường độ chảy của thép;

fc là cường độ nén bê tông không giới hạn;

S

A , A C 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;

27

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:

Một số hạn chế của tiêu chuẩn EC4 có thể được đưa ra như sau:

▪ 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 [68] 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 P 0,AISC

được cho bởi [68]:

0,AISC 0.95

0,AISC

P được định nghĩa là khả năng dẻo của phần có cường độ chiều dài bằng không

fy là cường độ chảy của thép

fc là 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,AIS0.877 , 0.44 0, IS

P AISC Pe

E I eff Pe

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

K A là hệ số chiều dài hiệu dụng

L A là chiều dài bên không được đánh dấu của cột

I s và I c lần lượt là mômen quán tính của ống thép và lõi bê tông

1

E c là môđun đàn hồi của bê tông

Một số hạn chế của tiêu chuẩn AISC (2010) được thể hiện như sau:

▪ Tiêu chuẩn giới hạn cho kết cấu thép cường độ chịu lực lên đến 525MPa, bê tông trọng lượng bình thường có cường độ hình trụ từ 21MPa đến 70MPa và bê tông nhẹ có cường độ hình trụ từ 21MPa đến 42MPa

▪ Giới hạn tỷ lệ đường kính trên độ dày của cột CFST tròn được đưa ra bởi:

29

Chương 3 - XÂY DỰNG VÀ ĐÁNH GIÁ CÁC MÔ HÌNH HỌC MÁY BẰNG

PHẦN MỀM WEKA 3.1 Giới thiệu về phần mềm Weka

Khai phá dữ liệu (Data Mining) và học máy (Machine Learning) là những lĩnh vực khá khó để khám phá và nghiên cứu Do đó, nhiều phần mềm đã ra đời với mục tiêu là giúp cho người dùng có thể dễ dàng nghiên cứu các bài toán trong những lĩnh vực này Những phần mềm đó có thể kể đến như Matlab, Orange, Knime, 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

Weka là phần mềm thuộc dự án phát triển của Đại học Waikato, New Zealand,

nó là tên viết tắt của Waikato Environment for Knowledge Analysis Ngoài khuôn khổ trường đại học, Weka được phát âm vần điệu với Mecca, đây là một loài chim không bay với bản chất tò mò chỉ tìm thấy trên các đảo ở New Zealand, đồng thời, loài chim này cũng chính là biểu tượng cho phần mềm Weka

Weka cung cấp các thuật toán học tập có thể dễ dàng áp dụng cho các bộ dữ liệu (dataset) Nó cũng bao gồm một loạt các công cụ để chuyển đổi các bộ dữ liệu như các thuật toán để phân loại và lấy mẫu mà không cần phải viết bất kỳ mã chương trình nào Weka chứa một bộ sưu tập các công cụ trực quan và các thuật toán để phân tích

dữ liệu cũng như lập các mô hình dự đoán, cùng với các giao diện người dùng đồ họa

để dễ dàng truy cập các chức năng này