(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER(Luận văn thạc sĩ) Sử dụng phương pháp không phá hoại mẫu kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén bê tông GEOPOLYMER
TỔNG QUAN
Sự cần thiết của đề tài nghiên cứu
Hiện tượng nóng lên toàn cầu do hiệu ứng nhà kính chủ yếu xuất phát từ hoạt động của con người thải vào khí quyển khoảng 65% lượng carbon dioxide (CO2), trong đó ngành công nghiệp xi măng đóng góp khoảng 7%, tương đương 1,35 tỷ tấn khí thải mỗi năm (SalawuOS, 1997) Sản xuất một tấn xi măng OPC thải ra môi trường khoảng một tấn CO2, làm gia tăng khí nhà kính gây hiệu ứng nóng lên trái đất (SalawuOS, 1997) Theo L Krishnan (2014), lượng khí thải từ ngành xi măng có thể tăng hơn 50% so với mức tối đa hiện tại, đe dọa gia tăng biến đổi khí hậu Tại Việt Nam, tổng công suất các nhà máy xi măng đạt khoảng 81,5 triệu tấn, trong khi tiêu thụ dự kiến năm 2016 tăng 5-7% so với năm 2015, đạt khoảng 75 triệu tấn, cho thấy ngành công nghiệp này đang phát triển mạnh mẽ nhưng cũng đặt ra các thách thức về phát thải khí nhà kính (Bộ Xây dựng).
Lượng tiêu thụ xi măng ngày càng gia tăng, đạt tới 76 triệu tấn, kéo theo đó là sự gia tăng khí thải gây ảnh hưởng nghiêm trọng đến môi trường Ngành công nghiệp xi măng đang đối mặt với thách thức lớn trong việc sản xuất đủ lượng xi măng cần thiết phục vụ xây dựng, đồng thời giảm thiểu tác động tiêu cực đến môi trường do khí thải và chất thải chưa xử lý triệt để Để giải quyết vấn đề này, công nghệ bê tông geopolymer đã trở thành một bước tiến đột phá, không chỉ đáp ứng nhu cầu vật liệu xây dựng mà còn giúp giảm thiểu ô nhiễm môi trường, góp phần bảo vệ sức khỏe cộng đồng.
Lượng phế phẩm công nghiệp chưa qua xử lý hoặc còn tồn đọng vẫn rất lớn theo thống kê toàn cầu, với khoảng 780 triệu tấn tro bay mỗi năm nhưng chỉ khoảng 17-20% được tái sử dụng (J Davidovits, 2002) Tại Việt Nam, các nhà máy nhiệt điện đốt than có công suất khoảng 4800MW, sản xuất khoảng 4,8 triệu tấn tro xỉ mỗi năm Khi lượng tro bay này thải ra môi trường, nó ảnh hưởng trực tiếp đến sức khỏe cộng đồng và môi trường sống.
Thông qua việc sử dụng tro bay để chế tạo bê tông geopolymer (GPC) góp phần làm giảm chi phí xử lý
Sử dụng vật liệu mới thân thiện môi trường và có chi phí thấp giúp giảm khí thải nhà kính từ 26-45% so với bê tông xi măng truyền thống, đồng thời vẫn giữ được các ưu điểm nổi bật như dễ đạt cường độ cao trong thời gian ngắn Bê tông sử dụng geopolymer có tính thấm thấp, khả năng chịu nhiệt tốt, phù hợp với yêu cầu chống cháy của công trình Ngoài ra, vật liệu này còn có khả năng chống ăn mòn bởi axit hiệu quả, mang lại lợi ích vượt trội so với các loại bê tông truyền thống (Tống Tôn Kiên, 2009).
Hình 1.1 Đặc tính ít tỏa nhiệt GPC (J Davidovits, 2002)
Việc sử dụng chất kết dính geopolymer thay thế xi măng truyền thống giúp giảm khai thác tài nguyên thiên nhiên, góp phần bảo vệ môi trường và thúc đẩy xu hướng vật liệu xanh toàn cầu.
Hình 1.2 Chi phí cho việc xử lý khí thải của các ngành công nghiệp xây dựng
Hình 1.3 Lượng khí thải khi sử dụng GPC và OPC (Louise K Turner, 2013)
Phương pháp phá hoại mẫu gây ô nhiễm môi trường do thải ra số lượng lớn phế phẩm, gây tốn kém chi phí xử lý và không kinh tế trong việc sử dụng, bảo trì thiết bị Việc làm việc trong môi trường chịu ứng suất lớn từ quá trình nén mẫu ảnh hưởng tiêu cực đến tuổi thọ và hiệu suất của thiết bị, gây ra chi phí bổ sung Do đó, phương pháp này không chỉ gây ô nhiễm môi trường mà còn gây lãng phí tài nguyên và tăng chi phí vận hành.
Hình 1.4 Phế phẩm mẫu nén (Đại học sư phạm kỹ thuật TP.HCM)
Việc sử dụng phương pháp không phá hoại mẫu (NDT) giúp giảm thiểu chi phí sản xuất mẫu và hạn chế lượng bê tông phế thải do phá hoại mẫu Phương pháp này còn phù hợp với nhu cầu xác định cường độ của các cấu kiện lớn một cách hiệu quả và tiết kiệm thời gian.
Phương pháp đúc tại chỗ với khối lượng kiểm tra lớn và số lượng khoang lấy mẫu phong phú được ứng dụng rộng rãi trong kiểm định các công trình hiện hữu, đặc biệt những công trình yêu cầu mức độ an toàn cao như nhà máy điện hạt nhân, lĩnh vực hàng không, và xưởng hóa chất nguy hiểm Nhờ những bước tiến vượt bậc trong công nghệ và sự hỗ trợ của thiết bị hiện đại, việc kiểm tra cường độ ngày càng chính xác hơn, giúp loại bỏ phương pháp phá hoại mẫu trong quá trình nghiệm thu và đánh giá mức độ hoàn thiện của sản phẩm.
Hình 1.5 Công trình đặt biệt và công trình hiện hữu (Đập thủy điện Yaly)
Với sự phát triển của phương pháp NDT kết hợp các mô phỏng hiện đại, việc xác định cường độ bê tông trở nên chính xác hơn, tiết kiệm thời gian và nhân lực đồng thời giảm thiểu lỗi trong thi công Mô hình Artificial Neural Networks (ANN) là một công cụ mạnh mẽ trong các bài toán dự báo và phân loại, đã được ứng dụng thành công trong nhiều lĩnh vực như tài chính, y tế, địa chất và vật lý Sự thành công nhanh chóng của ANN được thúc đẩy bởi các yếu tố chính như khả năng học tập, thích nghi cao và hiệu quả trong dự đoán các vấn đề phức tạp.
Mô hình ANN vượt trội hơn so với thống kê truyền thống nhờ vào khả năng sử dụng các thuật toán mô phỏng tinh vi để thiết lập các hàm phức tạp Đặc biệt, ANN có khả năng giải quyết các mối quan hệ phi tuyến một cách hiệu quả, ngay cả khi số biến trong bài toán gấp nhiều lần số đối tượng quan sát hoặc thí nghiệm Trong khi đó, các phân tích thống kê truyền thống chủ yếu chỉ phù hợp với các trường hợp có ít biến so với số đối tượng quan sát, hạn chế khả năng ứng dụng trong các bài toán phức tạp hơn.
Mô hình ANN thân thiện với người sử dụng nhờ khả năng thu thập dữ liệu quá khứ và sử dụng các thuật toán huấn luyện để phân loại, xác định cấu trúc dữ liệu một cách chính xác Nhờ đó, ANN có thể xây dựng các mô hình dự báo đáng tin cậy để dự đoán các giá trị mong muốn, mang lại hiệu quả cao trong các ứng dụng thực tiễn.
Tình hình nghiên cứu
Vật liệu geopolymer được chế tạo bằng quá trình polymer hóa các nguyên liệu alumino-silicat trong môi trường kiềm, một phương pháp được giới thiệu bởi giáo sư Joseph Davidovits vào năm 1979 Theo ông, bất kỳ nguyên vật liệu nào chứa oxit silic và oxit nhôm đều có thể được sử dụng để tạo ra vật liệu geopolymer, mang lại nhiều ứng dụng tiềm năng trong xây dựng và công nghiệp.
Quá trình gia nhiệt thích hợp thúc đẩy sự hình thành cấu trúc cường độ mạnh mẽ trong vật liệu, như bê tông xi măng Khi vật liệu geopolymer chịu tác động của nhiệt độ, diễn ra quá trình thay đổi pha bao gồm phát triển tinh thể, khử nước và phân hủy vữa geopolymer, ảnh hưởng trực tiếp đến đặc tính cơ học và khả năng chịu lực của vật liệu.
Mô hình mạng neural (ANN) mô phỏng cách hoạt động của các khớp thần kinh trong não người Nó phản ánh chức năng cảm ứng của hệ thần kinh sinh học, nhận xung thần kinh dưới dạng tín hiệu hóa học và sử dụng các quy trình xác nhận logic để thực hiện nhiệm vụ xử lý dữ liệu Mạng neural gồm các nút (tương tự tế bào thần kinh) và các cạnh (tương tự khớp thần kinh), giúp phân tích dữ liệu đầu vào và tạo ra các kết quả dự báo chính xác.
1.2.3 Lịch sử phát triển của ANN
Vào cuối thế kỷ 19 và đầu thế kỷ 20, các nhà khoa học như Herman, Ernst Mach và Ivan Ivalov đã nghiên cứu về vật lý, tâm lý và hệ thần kinh để đưa ra các lý thuyết về quá trình học, tưởng tượng và quyết định của hệ thần kinh Tuy nhiên, những công trình này vẫn chưa có mô tả toán học chính xác cho hoạt động của hệ thần kinh, đặt nền móng cho các nghiên cứu sau này trong lĩnh vực trí tuệ nhân tạo và khoa học thần kinh.
Năm 1943, Warren McCulloch và Walter Pits giới thiệu mô hình mạng neuron đơn giản sử dụng mạch điện tử, mở ra bước đệm cho lĩnh vực trí tuệ nhân tạo Mô hình này khẳng định rằng mạng neuron nhân tạo có thể thực hiện các phép tính hàm số học và logic, đánh dấu bước ngoặt quan trọng trong phát triển công nghệ AI Đây là điểm khởi đầu của nghiên cứu về mạng neuron, thúc đẩy sự tiến bộ trong các hệ thống máy tính thông minh và học máy hiện đại.
Sau đó Donal Hebb đưa ra một cơ chế giải thích cho quá trình học (Learning) diễn ra trong các neural sinh học (trong cuốn Organnization of Behaviaor, 1949)
In the late 1950s, Frank Rosenblatt introduced the first practical application of Artificial Neural Networks (ANN) with his development of the Perceptron, a model designed for pattern recognition that incorporated a learning rule During the same period, Bernard Widrow and Ted Hoff developed a learning algorithm used to train linear multi-layer neural networks similar to Rosenblatt’s model.
Năm 1969, các nhà toán học nổi tiếng Minskey và Papert đã chỉ ra những hạn chế của mạng Perceptron của Rosenblatt và mạng Widrow-Hoff, gây ảnh hưởng tiêu cực đến tiến trình nghiên cứu mạng neuron Thời điểm đó, việc thiếu các máy tính số mạnh để thực nghiệm khiến các nghiên cứu về mạng nơ-ron bị trì hoãn gần một thập kỷ.
Năm 1972, Teuvo Kohonen và James Anderson đã độc lập phát triển các mạng neural mới có khả năng ghi nhớ (Memory) và tự tổ chức (Self-organizing), mở ra bước đột phá trong lĩnh vực trí tuệ nhân tạo Trong cùng giai đoạn, Stephen Grossberg cũng tích cực nghiên cứu về các mạng tự tổ chức, góp phần thúc đẩy sự phát triển của các hệ thống học máy tự thích nghi Các đóng góp này đã đặt nền tảng cho sự tiến bộ của các mạng neural tự tổ chức, ngày càng được ứng dụng rộng rãi trong các công nghệ trí tuệ nhân tạo hiện đại.
Trong thập kỷ 80, ngành công nghiệp máy tính phát triển mạnh mẽ, kéo theo sự tăng trưởng đột biến của các nghiên cứu về trí tuệ nhân tạo (AI) Hai bước đột phá quan trọng nhất trong giai đoạn này là sự hình thành các thuật toán học Máy và sự ra đời của các hệ thống chuyên gia, mở ra nhiều cơ hội mới cho ứng dụng trí tuệ nhân tạo trong cuộc sống hàng ngày.
Mạng hồi quy một lớp được giải thích bằng cách sử dụng cơ học thống kê, giúp hiểu rõ hoạt động của loại mạng này như một bộ nhớ kết hợp Nhà vật lý John Hopfield đã mô tả rõ ràng về tính năng của mạng hồi quy này, góp phần nâng cao hiệu quả trong việc lưu trữ và truy xuất thông tin Việc áp dụng các nguyên lý của cơ học thống kê vào mạng hồi quy một lớp giúp tối ưu hóa hoạt động của mạng, phù hợp với các ứng dụng về trí tuệ nhân tạo và hệ thống bộ nhớ.
Sử dụng thuật toán lan truyền ngược (Backpropagation Algorithm) để huấn luyện mạng với cấu trúc nhận thức đa lớp (Multilayer perceptron) David
Rumelhalt và James McClrlland là những người trình bày thuật toán lan truyền ngược có ảnh hưởng nhất (1968)
1.2.2 Tình hình nghiên cứu ngoài nước
Ngành Công nghệ vật liệu Geopolymer xuất hiện từ những năm 1960 và bắt đầu thu hút sự quan tâm lớn hơn từ năm 1972 Hiện nay, đã có hàng loạt bằng sáng chế, nghiên cứu và ứng dụng Geopolymer trong các lĩnh vực công nghệ vật liệu hiện đại như vật liệu cách nhiệt, chống cháy, chất kết dính vô cơ và công nghệ xử lý chất thải Các ứng dụng của Geopolymer đã được giới thiệu và mở rộng trên toàn cầu, đánh dấu sự phát triển vượt bậc của ngành công nghiệp này.
Vào năm 1940, tác giả Purdon đã nghiên cứu quá trình phát triển cấu trúc sử dụng xỉ lò cao kích hoạt dung dịch hyroxit natri Quá trình này gồm hai bước chính: đầu tiên là quá trình giải phóng các hợp nhất nhôm – silic và hydroxit canxi, tiếp theo là quá trình hydrat hóa nhôm và silic đồng thời tái tạo dung dịch kiềm.
Cấu trúc hóa học của geopolymer tương tự như vật liệu ziotit trong tự nhiên nhưng cấu trúc ở dạng vô định hình thay vì dạng tinh thể (Polano, 1999)
Nghiên cứu của Palomo, Grutzeck và Blanco (1999) cho thấy cả thời gian và nhiệt độ dưỡng hộ đều ảnh hưởng đáng kể đến cường độ bê tông Họ đã phát hiện rằng việc kết hợp thủy tinh lỏng với dung dịch NaOH có thể tạo ra bê tông có cường độ lên đến 60 MPa khi được dưỡng hộ ở nhiệt độ phù hợp Điều kiện dưỡng hộ tối ưu đóng vai trò quan trọng trong việc nâng cao cường độ và chất lượng của bê tông sử dụng dung dịch alkali/tro bay.
Van Jaarsveld (2002) nghiên cứu về các đặc tính của geopolymer và nhận thấy rằng hàm lượng nước, thời gian và nhiệt độ dưỡng hộ đóng vai trò quan trọng ảnh hưởng đến chất lượng của geopolymer Ông lưu ý rằng quá trình hòa tan không hoàn toàn giữa các vật liệu trong quá trình geopolymer hóa là yếu tố chính ảnh hưởng đến đặc tính cuối cùng của vật liệu này Do đó, kiểm soát các yếu tố như nước, thời gian và nhiệt độ là cần thiết để tối ưu hóa hiệu suất và độ bền của geopolymer.
Nghiên cứu về vật liệu geopolymer (High – Akali – Poly) cho thấy ứng dụng đa dạng trong các ngành kỹ thuật như hàng không, xây dựng và công nghiệp chất dẻo Chất kết dính mới này có khả năng đóng rắn nhanh tại nhiệt độ phòng, giúp tiết kiệm thời gian thi công và giảm chi phí Cường độ chịu nén của geopolymer có thể đạt tới 20 MPa chỉ sau 4 giờ, đảm bảo tính ổn định và độ bền cao cho các ứng dụng xây dựng và kỹ thuật.
8 nhiệt độ 200 0 C và có thể đạt từ 70 đến 100 MPa sau khi bảo dưỡng 28 ngày (Davidovits, 1999)
Hình 1.6 Công trình sử dụng GPC lần đầu tiên năm 2013
Mục tiêu đề tài
Sử dụng NDT kết hợp mô hình tiên lượng ANN để xác định cường độ chịu nén GPC
1.4 Đối tượng và phạm vi nghiên cứu Đối tượng nghiên cứu là các yếu tố ảnh hưởng đến vận tốc truyền sóng, cường độ chịu nén GPC và cách thức hoạt động mô hình ANN Nghiên cứu giới
Hạn cường độ chịu nén của GPC dao động trong khoảng 10-35MPa, phù hợp với các ứng dụng xây dựng và công nghiệp Phương pháp NDT sử dụng giá trị vận tốc siêu âm cùng súng bật nẩy để đánh giá chính xác chất lượng của vật liệu Các mô hình dự đoán như ANN và LR được ứng dụng hiệu quả trong bài toán tiên lượng cường độ chịu nén của GPC, giúp nâng cao độ chính xác và tin cậy trong dự báo Đồng thời, việc phân tích và xử lý số liệu bằng phương pháp thống kê đóng vai trò quan trọng trong việc tối ưu hóa quy trình kiểm tra và đánh giá vật liệu xây dựng.
Trong quá trình nghiên cứu, lý thuyết kết hợp mô phỏng được áp dụng trước khi tiến hành thực nghiệm để kiểm chứng Cường độ chịu nén của mẫu vật được xác định bằng cả hai phương pháp, bao gồm phương pháp không phá hủy (NDT) sử dụng máy đo siêu âm, súng bật nẩy, và phương pháp nén trực tiếp để phá hủy mẫu đối chứng Công nghệ Mạng neural nhân tạo (ANN) cũng được sử dụng để phân tích và dự đoán kết quả, giúp nâng cao độ chính xác và hiệu quả của quá trình kiểm tra.
Nghiên cứu này sử dụng cùng hàm lượng tro bay và tỷ lệ dung dịch hoạt hóa không đổi để khảo sát sự phát triển cường độ của bê tông Phương pháp NDT được áp dụng theo các tiêu chuẩn hiện hành trong nước để đánh giá, tập trung vào cường độ chịu nén GPC trong khoảng từ 10 đến 35MPa Các tiêu chuẩn này dựa trên các bảng tra và biểu đồ, giúp xác định rõ quá trình phát triển cường độ của bê tông trong điều kiện nhiệt dưỡng và nồng độ alcaline khác nhau.
Mô hình ANN được sử dụng để đánh giá ảnh hưởng của các yếu tố thành phần và điều kiện dưỡng hộ đến tính chất của vật liệu, từ đó dự báo cường độ dựa trên các thuật toán trong mô hình Kết quả dự báo được đối chiếu với dữ liệu thực nghiệm để lựa chọn cấu trúc tối ưu cho mô hình dự báo Quá trình này dựa trên phân tích và đánh giá trong phương pháp phân tích thống kê nhằm nâng cao độ chính xác và hiệu quả của mô hình.
1.7 Ý nghĩa khoa học và thực tiễn của đề tài
Nghiên cứu nhằm làm phong phú các kết quả về đặc điểm và tính chất của hỗn hợp GPC, góp phần nâng cao hiểu biết về loại hỗn hợp này Đồng thời, đề xuất các tiền đề cho việc ứng dụng GPC vào thực tiễn để đánh giá chất lượng bê tông tại hiện trường một cách chính xác Báo cáo cũng đề xuất cấu trúc mạng neural nhân tạo (ANN) phù hợp với mục đích dự đoán đặc tính của loại bê tông này, giúp nâng cao hiệu quả kiểm tra chất lượng trong công trình xây dựng.
Kết quả nghiên cứu cung cấp thông tin hữu ích để thiết kế và sản xuất các thành phần cốt liệu phù hợp với đa dạng lĩnh vực Những kết quả này còn là tài liệu tham khảo giá trị cho các đơn vị xây dựng công trình, giúp nâng cao hiệu quả trong công tác quản lý và thi công Ngoài ra, các dữ liệu từ nghiên cứu còn phục vụ công tác giảng dạy cho các chương trình đại học và sau đại học, góp phần đào tạo nguồn nhân lực chất lượng cao trong ngành xây dựng.
Phương pháp nghiên cứu
Nghiên cứu bắt đầu bằng việc phân tích lý thuyết kết hợp mô phỏng để dự đoán khả năng chịu lực của vật liệu, sau đó tiến hành các thử nghiệm thực nghiệm để kiểm chứng các kết quả Để xác định cường độ chịu nén của mẫu vật, phương pháp NDT được sử dụng kết hợp với máy đo siêu âm, súng bật nẩy và thử nghiệm nén trực tiếp phá hoại mẫu nhằm đối chứng chính xác Các phương pháp này giúp đảm bảo mức độ tin cậy của các kết quả khi đánh giá khả năng chịu lực của vật liệu, đồng thời hỗ trợ tối ưu hóa quá trình nghiên cứu và ứng dụng trong thực tế.
Nội dung nghiên cứu
Nghiên cứu sử dụng cùng một hàm lượng tro bay và tỷ lệ dung dịch hoạt hóa cố định để khảo sát sự phát triển cường độ bê tông Phương pháp kiểm tra không phá hủy (NDT) được áp dụng dựa trên các tiêu chuẩn hiện hành trong nước Các tiêu chuẩn này chủ yếu dựa trên bảng tra và biểu đồ, vì vậy nghiên cứu tập trung phân tích cường độ chịu nén của bê tông GPC trong phạm vi từ 10 đến 35 MPa Các yếu tố như điều kiện dưỡng hộ nhiệt và nồng độ Alkaline được điều chỉnh để đánh giá tác động đến quá trình phát triển cường độ của bê tông.
Mô hình ANN được sử dụng để đánh giá mức độ ảnh hưởng của các yếu tố thành phần và điều kiện dưỡng hộ đến tính chất của vật liệu, từ đó dự đoán cường độ qua các thuật toán trong mô hình Việc đối chiếu kết quả dự báo với kết quả thí nghiệm giúp lựa chọn cấu trúc tối ưu cho mô hình dự báo Quá trình này dựa trên phân tích và đánh giá các kết quả trong phương pháp phân tích thống kê, đảm bảo độ chính xác và tin cậy của dự báo.
Ý nghĩa khoa học và thực tiễn của đề tài
Hỗn hợp GPC có nhiều đặc điểm và tính chất đa dạng, góp phần làm phong phú thêm các kết quả phân tích và nghiên cứu Việc này cũng tạo nền tảng cho việc ứng dụng GPC trong thực tiễn, đặc biệt trong đánh giá chất lượng bê tông tại công trường Đồng thời, đề xuất cấu trúc mạng neural nhân tạo (ANN) phù hợp giúp tiên lượng chính xác loại bê tông này, nâng cao hiệu quả kiểm định và đảm bảo chất lượng công trình.
Kết quả nghiên cứu này có thể được ứng dụng trong thiết kế và sản xuất các thành phần cốt liệu phù hợp cho nhiều lĩnh vực khác nhau Chúng cũng là tài liệu tham khảo hữu ích cho các đơn vị xây dựng công trình, nhà quản lý dự án, cũng như phục vụ công tác giảng dạy tại các trường đại học và sau đại học.
CƠ SỞ LÝ THUYẾT
Bê tông Geopolymer
2.1.1 Thành phần chính tạo chất kết dính GPC
Chất kết dính Geopolymer được tạo ra từ quá trình polymer hóa nguyên liệu giàu aluminosilicate, chứa oxit Al2O3 và SiO2 dưới tác dụng của nhiệt độ, giúp đảm bảo tính liên kết vững chắc Nghiên cứu tận dụng tro bay – vật liệu giàu aluminosilicate – dưới tác dụng của dung dịch hoạt hóa kiềm (alkaline activation) nhằm kích hoạt quá trình polymer hóa trong môi trường nhiệt độ Quá trình này mở ra triển vọng phát triển các loại chất kết dính có tính bền vững, thân thiện với môi trường từ nguyên liệu tái chế như tro bay.
Hình 2.1 Thành phần trong GPC (Vijaya Rangan, 2014) 2.1.1.1 Tro bay
Tro bay là một loại Puzzolan nhân tạo được tạo ra từ quá trình đốt than đá trong nhà máy nhiệt điện, nơi các hạt bụi không khí được thu hồi qua các hệ thống lọc bụi hiện đại như phương pháp kết sương tĩnh điện hoặc máy thu bụi lốc xoáy theo công trình của J Davidovits (2002) Thành phần chính của tro bay gồm các oxit silic (SiO2), oxit nhôm (Al2O3), oxit sắt (Fe2O3), canxi oxit (CaO) và magie oxit (MgO), trong đó hàm lượng các thành phần này phụ thuộc vào loại than đá đầu vào và màu sắc của tro bay Những đặc tính này giúp tro bay trở thành vật liệu phụ hữu hiệu trong ngành xây dựng và sản xuất vật liệu composite.
Trong quá trình sử dụng tro bay, chất lượng của tro bay phụ thuộc vào hàm lượng các hợp chất có trong nó Đường kính của phần lớn các hạt tro bay dao động trong khoảng từ 1 đến 20 micromet, đảm bảo tính phân tán và hiệu quả 활용 Ngoài ra, hàm lượng than chưa cháy (MKN) trong tro bay thường được yêu cầu không vượt quá 5% khối lượng để đảm bảo chất lượng và tính ổn định của sản phẩm.
Theo tiêu chuẩn ASTM 618, thành phần hóa học và tỷ lệ phần trăm của tro bay được quy định rõ ràng Tro bay phổ biến gồm hai loại chính là loại F và loại C, với thành phần hóa học đặc trưng phù hợp để sử dụng trong các ứng dụng xây dựng và công nghiệp Việc nắm rõ thành phần tro bay theo tiêu chuẩn giúp đảm bảo chất lượng và tính năng của vật liệu trong quá trình thi công.
Tro bay loại F xuất phát từ than anthracite hoặc bitum, có hàm lượng canxi oxit (CaO) trong thành phần hóa học ít hơn 6%, làm cho nó trở thành loại tro ít canxi với đặc tính puzzolan nhưng không có khả năng tự đóng rắn Ngoài ra, tro bay loại F chứa hơn 2% lượng carbon chưa cháy tính theo lượng mất khi nung, cùng với thành phần khoáng chủ yếu gồm quartz, mullite và hematite, phù hợp cho các ứng dụng yêu cầu tính chịu nhiệt và chống ăn mòn.
Tro bay loại C chứa trên 15% canxi oxit (CaO), còn gọi là tro bay giàu canxi, thường được sử dụng trong ngành công nghiệp bê tông trong khoảng 20 năm trở lại đây Loại tro bay này có tính chất puzzolan và khả năng tự đóng rắn khi trộn với nước, phản ứng tương tự như trong xi măng Portland Mức độ tự đóng rắn của tro bay phụ thuộc vào hàm lượng CaO, với hàm lượng cao hơn giúp tăng khả năng đóng rắn Thành phần khoáng chủ yếu của tro bay loại C gồm anhydride, tricanxi aluminat, đá vôi, quartz, periclase, mullite, merwinite và ferrite, trong đó lượng carbon chưa cháy ít hơn 1% dựa trên lượng mất khi nung.
Hình 2.2 Tro bay loại C và loại F (nguồn wikipedia)
Bảng 2.1 Thành phần vật lý của tro bay
Thành phần vật lý thí nghiệm
Hàm lượng lọt sàng 0.05 mm (%)
Chỉ số hoạt tính cường độ sau 28 ngày (%)
Chỉ số hoạt tính cường độ sau 7 ngày (%)
Lượng mất sau khi nung (g)
TCVN 141-98 Tro bay nhà máy điện Phả lại 2,74 88 85 78,5 4,76
Tro bay nhà máy điện Formosa 2,4 93,5 90,7 79,6 1,0
2.1.1.2 Dung dịch kiềm Alkaline Silicate
Dung dịch hoạt hóa Alkaline là sự kết hợp giữa sodium hydroxide và sodium silicate
Sodium silicate hay còn gọi là thủy tinh lỏng là dung dịch trong suốt, có nhiều ứng dụng trong lĩnh vực chất kết dính, sơn và các ngành công nghiệp khác Thành phần chính của thủy tinh lỏng gồm hỗn hợp của oxit kim loại alkali như Na2O, K2O hoặc Li2O, kết hợp với SiO2 và nước, tạo thành công thức chung M2O.nSiO2.mH2O Nhờ có đặc tính kết dính tốt và khả năng phản ứng cao, sodium silicate được sử dụng phổ biến trong sản xuất vật liệu xây dựng và các sản phẩm công nghiệp.
Sodium hydroxide, hay còn gọi là xà phòng Sodium, được chế biến từ natri nguyên chất dạng vảy rắn màu trắng đục, có độ tinh khiết trên 90% Sản phẩm này thường được pha chế ở các nồng độ khác nhau, phù hợp với từng ứng dụng cụ thể, dựa trên tỷ lệ giữa nước và natri nguyên chất Đảm bảo chất lượng cao, Sodium hydroxide có vai trò quan trọng trong nhiều ngành công nghiệp khác nhau.
2.1.2 Chất kết dính Geopolymer (J Davidovits, 2002)
Trong hỗn hợp Geopolymer, các hạt tro bay dạng hình cầu với nhiều kích thước khác nhau tồn tại dưới dạng rỗng, có thể chứa các khối cầu nhỏ hơn bên trong Tác động của dung dịch kiềm alkaline và quá trình dưỡng hộ nhiệt góp phần biến đổi các thành phần này thành dạng gel liên kết chặt chẽ với các phần tử khác, tạo thành sản phẩm có tính dính kết cao Sản phẩm dạng gel này đóng vai trò quan trọng trong việc hình thành cấu trúc bền vững của Geopolymer, đảm bảo tính ổn định và đặc tính kỹ thuật của vật liệu.
Các phần tử tro bay chưa phản ứng vẫn còn nằm trong cấu trúc của sản phẩm phản ứng, điều này khiến quá trình phản ứng diễn ra chậm hơn Việc bao bọc các phần tử tro bay này bởi các sản phẩm phản ứng ảnh hưởng đến tốc độ và hiệu quả của quá trình phản ứng tổng thể Hiểu rõ đặc điểm của tro bay chưa phản ứng là yếu tố quan trọng để tối ưu hóa quá trình xử lý và nâng cao chất lượng sản phẩm cuối cùng.
Mô hình quá trình hoạt hóa của dung dịch kiềm alkali đối với tro bay được minh họa như sau: nh 2.3 Cấu trúc vi mô của Geopolymer (J Davidovits, 2002)
Phản ứng hóa học bắt đầu tại một điểm trên bề mặt của hạt tro bay, sau đó mở rộng tạo thành các lỗ lớn hơn, lộ rõ cấu trúc bên trong hạt, chứa các phần tử nhỏ hơn hoặc dạng rỗng Quá trình này diễn ra theo hai chiều: từ ngoài vào trong và từ trong ra ngoài, khiến sản phẩm phản ứng xuất hiện cả bên trong lẫn bên ngoài lớp vỏ của hạt tro bay Đồng thời, dung dịch kiềm alkali thẩm thấu vào cấu trúc rỗng của hạt, phản ứng với các phần tử nhỏ bên trong, làm đầy không gian rỗng bằng sản phẩm phản ứng Cấu trúc vi mô của Geopolymer dưới kính hiển vi thể hiện rõ quá trình phân bố và hình thành các cấu trúc này, góp phần nâng cao tính chất vật lý và cơ học của vật liệu.
Quá trình tích tụ sản phẩm phản ứng hình thành lớp bao bọc các hạt cầu tro bay, ngăn cản phần tro bên trong tiếp xúc với dung dịch kiềm, từ đó tối ưu hóa phản ứng Các phản ứng tiếp theo liên quan đến việc hình thành sản phẩm kết nối các lớp trên, diễn ra đồng thời với tác động của môi trường pH qua lớp sản phẩm đã phản ứng của tro bay Chất hoạt hóa đóng vai trò quan trọng trong việc kiểm soát phản ứng và sự khuếch tán hóa lý của các hạt tro bay, đặc biệt khi phần dưới của lớp sản phẩm không tiếp xúc trực tiếp với môi trường pH cao Mức độ phản ứng khác nhau tại các thời điểm tạo ra các sản phẩm với mức độ thấm khác nhau, ảnh hưởng đến hiệu quả ứng dụng của tro bay trong các hệ thống xử lý hoặc vật liệu xây dựng.
Sự có mặt của thủy tinh lỏng trong dung dịch hoạt hóa đóng vai trò quan trọng trong việc hình thành cấu trúc vi mô giống như của xi măng Cấu trúc này duy trì tính ổn định, không thay đổi hình dạng và ít bị rỗng, giúp đảm bảo tính cứng chắc của vật liệu Tuy nhiên, cấu trúc này có thể bị gián đoạn khi xuất hiện các phần tử tro bay không phản ứng và hạt tro trong hệ thống Thành phần Na trong quá trình phản ứng góp phần thúc đẩy quá trình keo tụ và tạo nên cấu trúc tối ưu cho vật liệu mới.
Cấu trúc này thường xuất hiện nhiều hơn khi được hoạt hóa bằng NaOH, mang lại hiệu quả cao hơn trong quá trình xử lý Tuy nhiên, cấu trúc vi mô hình thành khi có mặt của thủy tinh lỏng thường có đặc điểm tương tự như cấu trúc hoạt hóa bởi dung dịch kiềm, nhưng lại duy trì được trong thời gian dài hơn nhờ vào quá trình dưỡng hộ nhiệt Điều này cho thấy, việc sử dụng thủy tinh lỏng có thể tạo ra các cấu trúc ổn định và bền vững hơn trong các ứng dụng công nghệ vật liệu.
Theo Van Jaarsveld (1997) và Davidovits (1999), sự tạo thành Geopolymer có thể được diễn tả bằng hai phản ứng hóa học sau:
Phản ứng hình thành Geopolymer cho thấy nước được sinh ra trong quá trình tạo thành chất kết dính này Lượng nước này bị đẩy ra khỏi cấu trúc Geopolymer trong suốt quá trình đổ khuôn và dưỡng hộ nhiệt, dẫn đến việc hình thành các khe rỗng và tạo cơ sở cho các tính chất vật lý đặc trưng của vật liệu Việc kiểm soát quá trình thoát nước là yếu tố quan trọng để đảm bảo độ bền và chất lượng của Geopolymer sau khi hoàn thiện.
Phương pháp xác định cường độ bê tông
2.2.1 Phương pháp phá hoại mẫu
Chuẩn bị mẫu thử nén theo nhóm mẫu Mỗi nhóm gồm 3 mẫu thử theo yêu cầu kỹ thuật xây dựng của TCVN 3118:1993
Viên chuẩn để xác định cường độ nén của cửa bê tông là viên mẫu lập phương có kích thước 150 x 150 x 150 mm Các viên mẫu lập phương với kích thước khác và các viên mẫu trụ sau khi thử nén đều cần được quy đổi kết quả để phản ánh đúng cường độ của viên mẫu chuẩn Việc sử dụng viên mẫu chuẩn giúp đảm bảo độ chính xác và nhất quán trong kiểm tra cường độ bê tông.
Hình 2.10 Mẫu thí nghiệm kích thước 150 x 150 x150 mm
Lực tối đa đạt được phản ánh giá trị tải trọng phá hoại của mẫu bê tông, đảm bảo khả năng chịu lực của vật liệu Cường độ nén của từng viên mẫu bê tông (R) được tính bằng đơn vị daN/cm² (kg/cm²), dựa trên công thức chính xác, giúp đánh giá chất lượng bê tông một cách hiệu quả Việc xác định chính xác cường độ nén là bước quan trọng trong kiểm tra kỹ thuật và đảm bảo an toàn công trình xây dựng.
P - Tải trọng phá hoại, tính bằng daN;
F - Diện tích chịu lực nén của viên mẫu, tính bằng cm 2 ;
24 α - Hệ số tính đổi kết quả thử nén các viên mẫu bê tông kích thước khác viên chuẩn về cường độ của viên mẫu chuẩn kích thước 150 x
150 x 150mm nh 2.11 Mẫu nén bị phá hoại thực tế 2.2.2 Phương pháp không phá hoại mẫu
2.2.2.1 Sử dụng súng bật nẩy
Phương pháp không phá hoại mẫu thực hiện theo tiêu chuẩn TCVN 9334:2012 về bê tông nặng nhằm xác định cường độ nén bê tông một cách chính xác và an toàn Thiết bị chính được sử dụng để đo độ cứng bề mặt của bê tông là súng thử bê tông loại bật nẩy, có khả năng tạo ra năng lượng va đập từ 0,225 kgm đến 3 kgm, giúp đánh giá chất lượng bê tông nhanh chóng và hiệu quả.
Cường độ nén của bê tông được xác định dựa trên mối quan hệ thực nghiệm giữa cường độ nén của các mẫu bê tông trên máy nén (R) và trị số bật nẩy trung bình (n) trên súng bật nẩy thu nhận từ kết quả thí nghiệm trên cùng một mẫu thử Để xây dựng quan hệ R – n, sử dụng các mẫu lập phương có kích thước 150 mm x 150 mm x 150 mm.
150 mm x 150 mm theo yêu cầu kỹ thuật xây dựng của TCVN 3105:1993
25 nh 2.13 Bảng tra súng bật nẩy (TCVN 9334:2012)
Trong quá trình xác định trị số bật nẩy theo phương ngang, mẫu bê tông được đặt trên máy nén với áp lực 0,5 MPa để đo đạc chính xác Trị số bật nẩy theo chiều từ trên xuống được thực hiện bằng cách đặt mẫu trên nền cứng, có khối lượng ít nhất 500 kg, để đảm bảo độ chính xác của phép đo Để xây dựng quan hệ cường độ bê tông theo một loại mác nhất định, cần thu thập dữ liệu từ ít nhất 20 tổ mẫu, mỗi tổ gồm 3 viên mẫu, đảm bảo mẫu có cùng thành phần cấp phối, cùng tuổi và điều kiện đóng rắn như bê tông sử dụng trong sản phẩm hoặc kết cấu cần kiểm tra Các tổ mẫu này được lấy từ các mẻ trộn bê tông khác nhau trong vòng 14 ngày nhằm đảm bảo độ đại diện và độ tin cậy của kết quả thí nghiệm.
Trong quá trình thực hiện thí nghiệm, các điểm thí nghiệm cần đặt cách mép kết cấu ít nhất 50 mm để đảm bảo độ chính xác và an toàn Đối với mẫu thí nghiệm, các điểm đo lường nên cách mép ít nhất 30 mm để tránh ảnh hưởng đến kết cấu và kết quả thử nghiệm Khoảng cách giữa các điểm thí nghiệm trên kết cấu hoặc trên mẫu phải được duy trì không nhỏ hơn một mức nhất định nhằm đảm bảo dữ liệu thu thập chính xác và phản ánh đúng đặc tính của vật liệu hoặc kết cấu.
Tuổi bê tông của kết cấu được kiểm tra từ 14 ngày đến 56 ngày để đánh giá cường độ đúng chuẩn Nếu tuổi bê tông vượt quá giới hạn này, có thể áp dụng hệ số ảnh hưởng của tuổi bê tông trong quá trình đánh giá Bề mặt bê tông tại vùng thí nghiệm cần phải phẳng, sạch bụi và có diện tích ít nhất 400 cm² để đảm bảo kết quả chính xác Trong quá trình thí nghiệm, trục của súng kiểm tra phải luôn vuông góc với bề mặt bê tông nhằm đảm bảo độ chính xác của đo lường.
Các thí nghiệm trên kết cấu và mẫu cần xây dựng mối quan hệ R – n giống nhau để đảm bảo tính nhất quán của kết quả Mỗi vùng thí nghiệm trên kết cấu hoặc mẫu phải thực hiện ít nhất 16 điểm đo, trong đó có thể loại bỏ tối đa 3 giá trị dị thường lớn nhất và 3 giá trị dị thường nhỏ nhất để đảm bảo độ chính xác của dữ liệu Việc này giúp phản ánh chính xác đặc tính cơ học của vật liệu và kết cấu trong quá trình nghiên cứu.
Trong bài viết, chúng tôi đề cập đến 26 trị dị thường nhỏ nhất còn lại, sau đó lấy trung bình của 10 giá trị để đảm bảo độ chính xác Giá trị bật nẩy đóng vai trò quan trọng trong việc xác định chính xác đến 1 vạch chia trên thang chỉ thị của súng bật nẩy, giúp người dùng nắm bắt chính xác các mức đo lường Việc phân tích và xử lý các trị dị thường này là bước quan trọng để nâng cao hiệu quả và độ tin cậy của thiết bị đo lường trong các ứng dụng công nghiệp.
2.2.2.2 Sử dụng súng bật nẩy kết hợp sóng siêu âm
Nguyên tắc sống âm dựa trên thực tế, sử dụng vật liệu rắn là chất dẫn sóng âm tốt, giúp phản hồi sóng không chỉ trên bề mặt mà còn bên trong các khuyết tật nội bộ của cấu kiện Tương tác giữa sóng âm và chất liệu làm cho tần số phát sóng thấp hơn tần số thu tại đầu thu Quá trình này diễn ra qua ba hình thức lan truyền sóng chính: tán xạ, nhiễu xạ và phản xạ, từ đó xác định mức độ đẳng chắc của mẫu vật (Nguồn: Tekin Yılmaz, 2014, hình 2.14)
Phương pháp không phá hoại mẫu theo tiêu chuẩn TCVN 9335:2012 giúp xác định cường độ nén của bê tông một cách chính xác và an toàn Phương pháp này dựa trên mối quan hệ giữa cường độ chịu nén của bê tông (R) và các chỉ tiêu đặc trưng như vận tốc siêu âm (v) và độ cứng bề mặt đo bằng súng bật nẩy Việc sử dụng các số liệu kỹ thuật liên quan đến thành phần bê tông cũng giúp tối ưu hóa quá trình đánh giá chất lượng bê tông một cách nhanh chóng, chính xác mà không gây phá hoại mẫu thử.
Cường độ chịu nén của bê tông được xác định chính xác thông qua biểu đồ hoặc bảng tra dựa trên vận tốc siêu âm và trị số bật nẩy đo được tại vị trí thử nghiệm Giá trị này phản ánh cường độ nén của loại bê tông tiêu chuẩn, giúp đánh giá chất lượng bê tông một cách nhanh chóng và chính xác Việc sử dụng phương pháp siêu âm kết hợp với trị số bật nẩy là tiêu chuẩn trong kiểm tra chất lượng bê tông tươi và cứng, đảm bảo an toàn và độ bền cho công trình xây dựng.
Dưới đây là một số thành phần đặc trưng của bê tông tiêu chuẩn theo quy định, bao gồm xi măng poóc lăng PC30 với hàm lượng 350 kg/m³, cốt liệu lớn là đá dăm có đường kính lớn nhất Dmax @ mm, và cốt liệu nhỏ là cát vàng Các thông số này được thể hiện rõ trong Hình 2.16 và Bảng 2.3, đảm bảo đáp ứng các tiêu chuẩn kỹ thuật và chất lượng của bê tông trong xây dựng.
Để xác định cường độ nén của bê tông trong các trường hợp từ 2.0 đến 3.0, cần chú ý đến thành phần phù hợp với bê tông tiêu chuẩn, đồng thời điều chỉnh cường độ bằng các hệ số ảnh hưởng Việc thử nghiệm cường độ nén đòi hỏi phải có số liệu kỹ thuật liên quan, như loại xi măng, hàm lượng xi măng sử dụng trên mỗi mét khối bê tông, cùng với đặc tính của cốt liệu lớn và đường kính lớn nhất (Dmax).
28 nh 2.15 Biểu đồ xác định cường độ bê tông tiêu chuẩn (TCVN 9335:2012)
Bảng 2.3 Bảng xác định cường độ nén tiêu chuẩn (TCVN 9335:2012) v
Để xác định vận tốc siêu âm, cần đo hai đại lượng chính là khoảng cách truyền xung siêu âm và thời gian truyền của xung siêu âm, sử dụng các thiết bị đo siêu âm chuyên dụng Sai số đo lường không vượt quá giá trị Δ, được tính theo công thức Δ = 0,01t + 0,1, trong đó t là thời gian truyền của xung siêu âm tính bằng micro giây (μs) Nguyên lý hoạt động của máy siêu âm dựa trên việc phát và nhận sóng siêu âm để xác định vận tốc truyền trong chất cần khảo sát.
Phương pháp xử lý số liệu
Các điều kiện ảnh hưởng đến cường độ và vận tốc siêu âm được xem là các biến quan trọng trong quá trình phân tích, và phương pháp thống kê như mô hình Hồi quy Tuyến tính (LR) và Mạng nơ-ron nhân tạo (ANN) được sử dụng để đánh giá và mô tả mối quan hệ giữa các yếu tố này Việc lựa chọn mô hình phù hợp giúp dự đoán chính xác cường độ của GPC dựa trên các yếu tố ảnh hưởng, với hai tiêu chí đánh giá chính là R² và SSE; giá trị R² càng cao cho thấy khả năng dự đoán của mô hình càng tốt, trong khi đó, SSE càng thấp chứng tỏ mô hình phù hợp và chính xác hơn.
2.3.1 Mô hình hồi quy tuyến tính (LR)
Mô hình hồi quy là một trong những kỹ thuật phân tích thống kê phổ biến nhằm đánh giá mức độ liên quan giữa các biến Trong đó, mô hình hồi quy loại I được sử dụng nhiều để khảo sát ảnh hưởng của biến độc lập (tín hiệu đầu vào) đến biến phụ thuộc (tín hiệu đầu ra), giúp giải thích cách tín hiệu đầu vào tác động thay đổi đầu ra như thế nào Bên cạnh đó, mô hình loại II có cấu trúc tương tự nhưng được áp dụng trong các tình huống khác nhau, mang lại các khả năng phân tích đa dạng hơn.
Các tín hiệu này không hoạt động độc lập mà có ảnh hưởng lẫn nhau trong suốt quá trình phân tích, điều này nhấn mạnh tầm quan trọng của việc hiểu rõ các mối tương quan giữa chúng Để hỗ trợ việc này, một bảng thuật ngữ ngắn gọn về các loại mô hình đã được trình bày trong Bảng 2.4, giúp người đọc dễ dàng nắm bắt các khái niệm chính và áp dụng trong phân tích dữ liệu một cách hiệu quả hơn.
Bảng 2.4 Bảng thuật ngử mô hình LR thường được sử dụng (Inna Boldina, 2015)
Mô hình này dựa trên thành tố “hồi quy” được Fraccis Galton (1886) giải thích bởi mối liên hệ giữa biến phụ thuộc y, đại diện cho xu hướng cần đánh giá, và biến độc lập x, được xem như tín hiệu xuất phát từ quan sát thực tế Để giúp hình dung rõ hơn về mối quan hệ này, một hàm số hồi quy đã được trình bày, thể hiện cách biến độc lập ảnh hưởng đến biến phụ thuộc trong phân tích thống kê.
Tuyến tính đề cập đến bản chất các tham số của hàm hồi quy, trong đó β0 và βj là các tham số bậc nhất không phụ thuộc vào Xj Các hệ số βj thể hiện mối quan hệ giữa biến phụ thuộc Y và các biến độc lập Xj Phần dư ε đại diện cho những phần không giải thích được của mô hình, giả định tuân theo phân phối chuẩn với phương sai σ², giúp xác định độ chính xác của các dự đoán từ mô hình hồi quy tuyến tính.
Dựa trên dữ liệu thực tế từ các cặp số (y1, x1), (y2, x2), , (yn, xn), phương pháp ước lượng phổ biến và hiệu quả để ước tính các tham số βj và σ² chính là phương pháp Ordinary Least Squares (OLS) Phương pháp này, còn được gọi là "BLUE" theo Monahan (2008), dựa trên các giả định của mô hình Gauss–Markov, giúp vận dụng các lý thuyết phức tạp trong mô hình vào thực tiễn một cách dễ dàng và thân thiện với người dùng.
34 thiện hơn với người dùng, mà vẫn đạt được hiệu quả nhất định, hình 2.22 trình bày cái nhìn tổng qua cho lý thuyết phức tạp của LR
Hình 2.21 Bảng tổng hợp các mô hình hồi quy trên cơ sở phương pháp OLS
Phương pháp OLS (Ordinary Least Squares) nhằm tìm các giá trị của β0 và βj sao cho giảm thiểu độ lệch giữa dự đoán và thực tế Mục tiêu của OLS là xác định các tham số phù hợp nhất bằng cách tối thiểu hóa hàm SSE (Sum of Square Error), đảm bảo sự chính xác của mô hình dự đoán Phương pháp này giúp tối ưu hóa các hệ số β, từ đó nâng cao độ tin cậy của phân tích thống kê và dự báo.
Ước số cho β0 và βj đáp ứng điều kiện nhỏ nhất đó là:
Trong đó: x và y là giá trị trung bình của biến số x và y Các giá trị, 0 và
j là các ước số (estimates) từ mô hình, nên các ước số 0 và j là giá trị tương đối trong một khoảng xác định sau khi mô hình thực hiện
Trong thực tế quan sát, các tín hiệu không chỉ phản ánh sự tồn tại của hai biến tạo không gian ba chiều mà còn bao gồm nhiều biến khác, do đó, phương trình 2.7 cần được biểu diễn dưới dạng ma trận để mô tả chính xác hơn các mối quan hệ phức tạp Việc sử dụng ma trận trong trình diễn này giúp dễ dàng xử lý và phân tích dữ liệu đa biến, nâng cao độ chính xác trong các tính toán và mô hình dự đoán Điều này đặc biệt quan trọng trong việc ứng dụng các kỹ thuật xử lý tín hiệu và phân tích dữ liệu thực tế, nhằm đảm bảo các kết quả phản ánh một cách khách quan và chính xác hơn các hiện tượng quan sát.
Để giải phương trình này cần tìm ra với: (X X T ) 1 X Y T
Hình 2.22 Ý nghĩa mô hình LR đa biến (Fraccis Galton, 1886)
Khi áp dụng mô hình hồi quy tuyến tính (LR) trong phân tích cường độ chịu nén của GPC, tác giả đánh giá mối quan hệ giữa biến phụ thuộc y, là cường độ bê tông cần xác định, và các biến độc lập x, gồm các tín hiệu quan sát như: nồng độ NaOH, thời gian dưỡng hộ nhiệt, và nhiệt độ dưỡng hộ Mô hình này giúp xác định rõ ảnh hưởng của các yếu tố góp phần đến cường độ bê tông, qua đó tối ưu hóa quá trình sản xuất và nâng cao chất lượng vật liệu Việc sử dụng hồi quy tuyến tính trong phân tích này phù hợp để dự đoán chính xác cường độ bê tông dựa trên các tín hiệu đo lường thực tế, góp phần nâng cao hiệu quả nghiên cứu và ứng dụng trong công nghiệp xây dựng.
Cường độ = β0 + β1(Nồng độ NaOH) + β2(Thời gian) + β3(Nhiệt độ) + + βjx p + εi
Hình 2.23 Mô hình LR đa biến 2.3.2 Mô hình mạng thần kinh nhân tạo (ANN)
Mạng neural nhân tạo (ANN) ngày càng được ứng dụng rộng rãi để giải quyết các vấn đề trong lĩnh vực kỹ thuật, như đã nêu trong nghiên cứu của Waszczyszyn (2000) ANN là công cụ hiệu quả để kết hợp nhiều thông số, biểu diễn các mối tương quan giữa chúng, đồng thời sử dụng các thuật toán phức tạp trong mô hình để dự báo các hiện tượng khi chưa đủ dữ liệu Trong phạm vi nghiên cứu này, các thông số đầu vào chủ yếu liên quan đến vật liệu và đặc tính về cường độ, như cường độ bê tông và cường độ nén, vốn là đặc trưng quan trọng phản ánh độ bền của bê tông.
ANN là mô phỏng đơn giản của hệ thần kinh sinh học, giúp máy tính học hỏi và thích nghi Mỗi neural nhân tạo thực hiện hai chức năng chính: tổng hợp đầu vào để xử lý thông tin hiệu quả và tạo đầu ra chính xác cho các tác vụ khác nhau Các mạng neural này đóng vai trò cốt lõi trong trí tuệ nhân tạo, cải thiện khả năng học máy và tự động hóa.
Hình 2.24 Tương quan giữa một neural sinh học và neural nhân tạo
502 Bad GatewayUnable to reach the origin service The service may be down or it may not be responding to traffic from cloudflared
Trong mỗi neuron, có một giá trị ngưỡng đặc biệt giúp xác định khả năng kích hoạt Chức năng chính của neuron là tính tổng có trọng số của các tín hiệu đầu vào, còn gọi là tổng có trọng số (Net input), sau đó kết hợp với ngưỡng để tạo ra tín hiệu đầu ra cuối cùng Quá trình này, còn gọi là phép tính tổng (Summation), đóng vai trò quan trọng trong việc truyền dẫn thông tin trong hệ thống neural.
(m lớp ẩn) với S m-1 : số neural trên lớp m-1
Trong mạng neural, biến đầu ra của lớp m-1 được xác định bởi hàm transfer, thể hiện ngưỡng của hàm kích hoạt Hàm transfer nhận tín hiệu tổng hợp (summation) làm đầu vào và tạo ra tín hiệu đầu ra của neuron một cách chính xác Bias (độ lệch) đóng vai trò điều chỉnh ngưỡng kích hoạt, giúp mô hình học tốt hơn Function tạo đầu ra của neuron dựa trên hàm transfer, là bước quan trọng để xác định hoạt động của mạng neural trong quá trình xử lý dữ liệu.
Quá trình nhận thức (Machine Learning) gồm tổng hợp giữa chức năng đầu vào và chức năng tạo đầu ra nhằm giúp hệ thống học hỏi và cải thiện hiệu quả qua từng lần thực hiện nhiệm vụ Mục đích chính của Machine Learning là xây dựng các mô hình có khả năng tự hoàn thiện và tối ưu hóa hiệu suất sau nhiều lần học hỏi, nhằm thực hiện nhiệm vụ một cách chính xác và hiệu quả hơn.
Hình 2.25 Hoạt động đơn giản một neural (David Kriesel, 2007)