Tối ưu hóa sức chịu tải của cọc từ kết quả thí nghiệm hiện trường sử dụng giải thuật gen di truyền và mạng nơ ron nhân tạo

Mục tiêu: - Xây dựng phương pháp tính toán tối ưu hóa áp dụng giải thuật di truyền và mạng nơ ron nhân tạo - Áp dụng phương pháp đã xây dựng vào tính toán tối ưu hóa sức chịu tải của cọ

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT

MÃ SỐ:T2019-74TĐ

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT

THÀNH PHỐ HỒ CHÍ MINH

BÁO CÁO TỔNG KẾT

ĐỀ TÀI KH&CN CẤP TRƯỜNG TRỌNG ĐIỂM

Chủ nhiệm đề tài: TS Trần Văn Tiếng

TP HCM, 04/2020

Mã số: T2019-74TĐ

TỐI ƯU HÓA SỨC CHNU TẢI CỦA CỌC TỪ KẾT QUẢ THÍ NGHIỆM HIỆN TRƯỜNG SỬ DỤNG GIẢI THUẬT GEN DI TRUYỀN VÀ MẠNG NƠ RON NHÂN

TẠO

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT

THÀNH PHỐ HỒ CHÍ MINH

KHOA XÂY DỰNG

BÁO CÁO TỔNG KẾT

ĐỀ TÀI KH&CN CẤP TRƯỜNG TRỌNG ĐIỂM

TỐI ƯU HÓA SỨC CHNU TẢI CỦA CỌC TỪ KẾT QUẢ THÍ NGHIỆM HIỆN TRƯỜNG SỬ DỤNG GIẢI THUẬT GEN DI TRUYỀN VÀ MẠNG NƠ RON NHÂN

TẠO

Mã số: T2019-74TĐ

Chủ nhiệm đề tài: TS Trần Văn Tiếng

Thành viên đề tài: ThS Trần Quang Vinh

TP HCM, 04/2020

DANH SÁCH THÀNH VIÊN THAM GIA NGHIÊN CỨU ĐỀ TÀI

TT Họ và tên Đơn vị công tác và

MỤC LỤC

1.1 Thí nghiệm nén tĩnh cọc bằng tải trọng tĩnh ép dọc trục 5 1.2 Các phương pháp xác định sức chịu tải cực hạn của cọc từ kết quả thí nghiệm nén

1.3.2 Các quá trình cơ bản trong thuật toán di truyền 10

1.3.3 Các bước tính toán trong thuật toán di truyền 13

1.4.1 Các thành phần cơ bản của mạng nơ-ron nhân tạo 15

1.4.2.1 Mạng truyền thẳng (Feed-forward neuralnetwork) 18

2.2 Tối ưu phương pháp Chin-Kondner sử dụng giải thuật gen di truyền 21

2.3 Huấn luyện phương pháp Chin-Kondner-GA bằng mạng nơ-ron nhân tạo 26

3.1 Công trình Bệnh viện Nhi Đồng Thành Phố Hồ Chí Minh 28

3.1.5 Kết quả huấn luyện mạng Nơ-ron từ kết quả Chinkondner-GA

3.1.6 So sánh kết quả ngoại suy công trình từ các phương pháp 34

3.2.5 Kết quả huấn luyện mạng Nơ-ron từ kết quả Chin-Kondner-GA

3.2.6 So sánh kết quả ngoại suy công trình từ các phương pháp 42

3.3 Công trình EVERICH 2 44

3.3.5 Kết quả huấn luyện mạng Nơ-ron từ kết quả Chin-Kondner-GA

DANH MỤC HÌNH

Hình 1 1 Thí nghiệm nén tĩnh cọc sử dụng đối trọng BTCT 5

Hình 1 2 Phương pháp xác định Qu 6

Hình 1 3 Cách xác định sức chịu tải cực hạn theo phương pháp Davisson 7

Hình 1 4 Biểu đồ ngoại suy Chin-Kondner 9

Hình 1 5 Biểu đồ tải trọng- chuyển vị 9

Hình 1 6 Lai ghép 2 cá thể 12

Hình 1 7 Đột biến nhiễm sắc thể 13

Hình 1 8 Đơn vị xử lý (Huỳnh Thái Hoàng 2014) 15

Hình 1 9 Hàm đồng nhất (Identity function) (Huỳnh Thái Hoàng 2014) 17

Hình 1 10 Hàm bước nhị phân (Binary step function) (Huỳnh Thái Hoàng 2014) 17

Hình 1 11 Hàm Sigmoid (Huỳnh Thái Hoàng 2014) 17

Hình 1 12 Hàm sigmoid lưỡng cực (Huỳnh Thái Hoàng 2014) 18

Hình 1 13 Mạng nơron truyền thẳng nhiều lớp (Feed-forward neural network) (Huỳnh Thái Hoàng 2014) 19

Hình 1 14 Mạng nơ-ron hồi quy (Recurrent neural network) (Huỳnh Thái Hoàng 2014) 19

Hình 1 15 Mô hình Học có thầy (Supervised learning model) (Huỳnh Thái Hoàng 2014) 20

Hình 2 1 Lưu đồ thuật toán tìm kiếm gen di truyền (Nguyễn Đình Thúc 2001) 24

Hình 2 2 Khởi tạo quần thể ban đầu (How the Genetic Algorithm Works Internet) 24

Hình 2 3 Tạo quần thể kế tiếp(How the Genetic Algorithm Works Internet) 25

Hình 2 4 Cấu trúc mạng Nơ-ron nhân tạo (Artificial neural network Internet) 26

Hình 2 5 Công cụ nntraintool (Artificial neural network Internet) 26

Hình 2 6 Sơ đồ huấn luyện kết quả từ Chinkondner-GA (Artificial neural network Internet) 27

Hình 3 1 Kết quả thử tĩnh hiện trường 28

Hình 3 2 Biểu đồ tải trọng và độ lún cọc 29

Hình 3 3 Biểu đồ tải trọng và chuyển vị thử tĩnh và Chin-Kondner 31

Hình 3 4 Đáp ứng hàm thích nghi theo các thế hệ 32

Hình 3 5 Kết quả ngoại suy công trình Bệnh viện Nhi đồng 34

Hình 3 6 Sai lệch giữa các đường ngoại suy với đường thử tĩnh 35

Hình 3 7 Kết quả thử tĩnh cọc 37

Hình 3 8 Biểu đồ đường cong mối quan hệ tải trọng và độ lún theo thực tế 38

Hình 3 9 Biểu đồ tải trọng và độ lún Thử tĩnh và Chin-Kondner 40

Hình 3 10 Đáp ứng hàm thích nghi theo các thế hệ 41

Hình 3 11 Kết quả ngoại suy từ các phương pháp khác nhau 42

Hình 3 12 Sai lệch giữa đường ngoại suy và đường thử tĩnh 43

Hình 3 13 Biểu đồ kết quả thử tĩnh 45

Hình 3 14 Biểu đồ Thử tĩnh- Chin-Kondner 46

Hình 3 15 Đáp ứng hàm thích nghi theo các thế hệ 47

Hình 3 16 Kết quả ngoại suy từ các phương pháp 49

Hình 3 17 Sai lệch giữa đường ngoại suy và đường thử tĩnh 49

DANH MỤC BẢNG BIỂU

Bảng 3 1 Thông số cọc PA-04 Công trình Bệnh viện nhi đồng 28

Bảng 3 2 Kết quả thử tĩnh công trình 29

Bảng 3 3 Kết quả ngoại suy theo Decourt công trình so với kết quả thử tĩnh tại hiện trường 30

Bảng 3 4 Kết quả ngoại suy theo Chin-Kondner 31

Bảng 3 5 Kết quả ngoại suy theo Chin-Kondner-GA 32

Bảng 3 6 Kết quả ngoại suy theo Chin-Kondner-GA-ANN 33

Bảng 3 7 Thống kê kết quả các phương pháp tối ưu cho công trình Bệnh viện Nhi đồng 36

Bảng 3 8 Thông số cọc thử T1 cho công trình Tháp L-Opera 36

Bảng 3 9 Kết quả thử tĩnh hiện trường công trình với chiều dài cọc 73,3m 37

Bảng 3 10 Kết quả ngoại suy theo Decourt 39

Bảng 3 11 Kết quả ngoại suy theo Chin-Kondner 39

Bảng 3 12 Kết quả ngoại suy theo Chin-Kondner-GA 41

Bảng 3 13 Kết quả ngoại suy theo Chin-Kondner-GA-ANN 42

Bảng 3 14 Thống kê kết quả từ các phương pháp ngoại suy 43

Bảng 3 15 Thông số cọc B1 của công trình Everich 2 44

Bảng 3 16 Kết quả thử tĩnh cọc B1 44

Bảng 3 17 Kết quả ngoại suy theo Decourt 45

Bảng 3 18 Kết quả ngoại suy theo Chin-Kondner 46

Bảng 3 19 Kết quả ngoại suy theo Chin-Kondner-GA 47

Bảng 3 20 Kết quả ngoại suy theo Chin-Kondner-GA-ANN 48

Bảng 3 21 Thống kê kết quả cho công trình 50

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT

THÔNG TIN KẾT QUẢ NGHIÊN CỨU

1 Thông tin chung:

- Tên đề tài: Tối ưu hóa sức chịu tải của cọc từ kết qủa thí nghiệm hiện trường sử

dụng giải thuật gen di truyền và mạng nơ ron nhân tạo

- Mã số: T2019-74TĐ

- Chủ nhiệm: TS Trần Văn Tiếng

- Cơ quan chủ trì: Trường Đại học Sư phạm Kỹ thuật TP Hồ Chí Minh

- Thời gian thực hiện: 12 tháng

2 Mục tiêu:

- Xây dựng phương pháp tính toán tối ưu hóa áp dụng giải thuật di truyền và mạng nơ ron nhân tạo

- Áp dụng phương pháp đã xây dựng vào tính toán tối ưu hóa sức chịu tải của cọc từ

kết quả thí nghiệm hiện trường

3 Tính mới và sáng tạo:

Xác định sức chịu tải cực hạn của cọc từ độ lún cho phép dựa trên kết quả thí nghiệm hiện trường là bài toán luôn được đặt ra trong việc thiết kế móng cọc Tuy nhiên, bài toán này còn nhiều yếu tố bất cập, phụ thuộc nhiều vào quan điểm và phương pháp

mà đơn vị thiết kế sử dụng Do đó, kết quả sức chịu tải giới hạn của cọc chưa được xác định một cách chính xác nhằm đảm bảo được cả hai yếu tố kỹ thuật và kinh tế Từ thực tế đó, đề tài này ứng dụng các giải thuật tối ưu hóa như mạng nơ ron nhân tạo (Artificialneural networks), giải thuật di truyền (Genetic Algorithm, hybrird genetic algorithm-based ANN)… tối ưu hóa dự đoán sức chịu tải của cọc từ dữ liệu thí nghiệm nén tĩnh hiện trường Từ đó, việc tính toán tối ưu đưa ra giá trị sức chịu tải chính xác nhất của cọc nhằm tiết kiệm chi phí cho phần móng công trình

4 Kết quả nghiên cứu:

Đề tài đã xây dựng được phương pháp tối ưu hóa sử dụng giải thuật gen di truyền được huấn luyện mạng nơ ron nhân tạo để tối ưu tính toán sức chịu tải cựa hạn của

cọc từ dữ liệu nén tĩnh hiện trường Tính toán bằng phương pháp tối ưu cho kết quả sức chịu tải cọc chính xác hơn hẳn so với các phương pháp tính toán ngoại suy đang

từ phương pháp tối ưu cũng được phân tích so sánh với các phương pháp khác

để thấy được kết quả của đề tài nghiên cứu Báo cáo này cũng là tài liệu tham

khảo cho việc sử dụng phương pháp tối ưu này trong tính toán thiết kế

+ Bài báo khoa học (ghi rõ đầy đủ tên tác giả, tên bài báo, tên tạp chí, số xuất bản, năm xuất bản): Trần Văn Tiếng, Trần Quang Vinh, Tối ưu hóa sức chịu tải cọc từ kết quả nén tĩnh hiện trường sử dụng giải thuật di truyền và mạng nơ ron nhân tạo, Tạp chí Xây dựng, số tháng 3, năm 2020

- Sản phNm ứng dụng (bao gồm bản vẽ, mô hình, thiết bị máy móc, phần mềm…, ghi rõ số lượng, quy cách, công suất….):

6 Hiệu quả, phương thức chuyển giao kết quả nghiên cứu và khả năng áp dụng:

- Đưa ra giải thuật tối ưu để xác định sức chịu tải cho cọc bê tông cốt thép dựa

trên dữ liệu thí nghiệm hiện trường

- Năng cao năng lực trong tính toán thiết kế cọc bê tông cốt thép sử dụng trong các công tình nhà cao tầng, từ đó tiết kiệm chi phí xây dựng

- Áp dụng trong tính toán sức chịu tải cực hạn của cọc khi dữ liệu thu được từ các thí nghiệm hiện trường chưa đạt tới giá trị này

INFORMATION ON RESEARCH RESULTS

1 General information:

Project title:Optimizing prediction of pile bearing capacity based on the results of

in situ compressive test using genetic algorithm and artificial neural network

Code number: T2019-74TĐ

Coordinator: Dr Tran Van Tieng

Implementing institution: Ho Chi Minh City University of Technology and Education

3 Creativeness and innovativeness:

Determining the maximum load capacity of the pile from the permissible settlement based on the results of in situ tets is a problem always posed in the design of the pile foundation However, this problem still has many inadequate factors, depending on the methods used by the designer Therefore, the result of the limited load capacity of the pile has not been accurately determined to ensure both technical and economic factors From this fact, this resaerch applies optimization algorithms such as artificial neural networks, genetic algorithm, hybrird genetic algorithm-based ANN, etc to determine the bearing capacity from in situ compressive test data From that, the optimal method gives the most accurate bearing capacity value of the pile to save cost for the foundation of the project

4 Research results:

- Scientific output:

This research has developed an optimal method using genetic algorithm trained by artificial neural network to optimize the calculation of the bearing capacity of the pile from in situ static compressive test data Calculation by the optimal method gives more accurate bearing capacity value of the pile than the other extrapolation calculation methods

- Applied output:

5 Products:

Scientific reports and scientific article title: Optimizing prediction of pile bearing capacity based on the results of in situ compressive test using genetic algorithm and

artificial neural network

6 Effects, transfer alternatives of research results and applicability:

- Proposing an optimal algorithm to determine the bearing capacity of concrete piles based on in situ compressive test data

- Improving the capacity in the design of concrete piles for the high-rise building projects, thereby saving construction costs

- Applying the optimal method to determine the bearing capacity of piles when data obtained from in situ test hasn’t reached this value

A Kaveh và M S Massoudi (Kavel et al 2012) đã sử dụng lý thuyết đàn kiến (Ant colony system - ACS) để tính toán tối ưu cho kết cấu sàn liên hợp Hàm mục tiêu là giá thành của sàn Giuseppe Quaranta và cộng sự (Quaranta et al 2014) đã đưa ra phương

án thiết kế tối ưu dầm bê tông ứng lực trước sử dụng thuật toán tiến hóa vi phân, để làm giảm thiểu chi phí của dầm A S Talaei và cộng (Talaei et al 2016) đã tìm ra phương pháp tự động hóa thiết kế tối ưu sàn bê tông ứng lực trước sử dụng thuật toán tối ưu bầy

đàn (Particle Swarm Optimization-PSO, hay còn gọi là PSOHS) Tác giả đã so sánh với

các phương pháp thông thường và nhận thấy PSOHS ít nhạy cảm thông số và cung cấp các bản thiết kế cuối cùng với chi phí thấp hơn E Momeni và cộng sự (Momeni et al 2014) đã dự đoán khả năng chịu tải của cọc đóng bằng cách sử dụng thuật lai di truyền

và thuật toán mạng nơ ron thần kinh A Ahangar-Asr và cộng sự (Ahangar-Asr et al 2014) đã mô phỏng sức chịu tải ngang của cọc trong đất dính không thoát nước sử dụng phương pháp mô phỏng thông minh

Các nghiên cứu ngoài nước cho thấy việc tính toán tối ưu hóa sức chịu tải của cọc bê tông cốt thép dựa trên dữ liệu thí nghiệm hiện trường là vấn đề còn đang bỏ ngõ, chưa

có nhiều nghiên cứu Việc nghiên cứu tối ưu hóa sức chịu tải cọc sẽ mang lại nhiều lợi ích trong tính toán thiết kế và thi công móng cọc cho công trình nhà cao tầng

1.2 Trong nước

Vấn đề tính toán, thiết kế tối ưu cho kết cấu nói chung và tối ưu hóa sức chịu tải cọc

bê tông cốt thép nói riêng được nhiều tác giả trong nước nghiên cứu bằng rất nhiều phương pháp khác nhau Vũ Anh Tuấn và Nguyễn Quốc Cường (Vũ Anh Tuấn et al 2007) đã sử dụng thuật toán tiến hóa vi phân để giải quyết bài toán tối ưu cho kết cấu thép với hàm mục tiêu là tối ưu trọng lượng kết cấu Trong đó, tác giả đưa vào các ràng

buộc về ứng suất, chuyển vị, ổn định tổng thể, ổn định cục bộ và diện tích tiết diện phải

được chọn từ danh sách các tiết diện đã cho trước Kết quả nghiên cứu cho thấy sử dụng

thuật toán tiến hóa vi phân cho kết quả tốt hơn các thuật toán tiến hóa khác Tuy nhiên, cũng như các thuật toán tiến hóa khác, thuật toán tiến hóa vi phân có thời gian tính toán khá lớn

Vũ Anh Tuấn và Hàn Ngọc Đức (Vũ Anh Tuấn et al 2011) đã nghiên cứu thiết kế tối ưu dầm liên hợp thép - bê tông cốt thép sử dụng tiết diện chữ I tổ hợp theo tiêu chuNn thiết kế Eurocode 4 với mục tiêu là tối thiểu hóa trọng lượng dầm thép Kết quả nghiên cứu được so sánh với những nghiên cứu có trước để kiểm chứng và chứng minh khả năng của phương pháp tối ưu hóa thiết kế dầm liên hợp Nghiên cứu còn cho thấy, dựa trên các tiêu chí về thời gian, chất lượng và tính hiệu quả, phương pháp thiết kế tối ưu

sử dụng thuật toán tiến hóa vi phân hoàn toàn có thể thay thế phương pháp thiết kế truyền thống trong bài toán thiết kế thực tế

Bùi Đức Năng, Phan Chí Hiếu (Bùi Đức Năng et al 2012) nghiên cứu tính toán tối

ưu kích thước (tiết diện, chiều dài) của cọc bê tông cốt thép thường dạng ống trong

móng cọc đài thấp làm việc ma sát với đất nền sử thuật toán tiến hóa vi phân Hàm mục tiêu là tối thiểu hóa tiết diện cọc và giá thành cọc Nghiên cứu này cho thấy phương pháp thiết kế tối ưu sử dụng thuật toán tiến hóa vi phân có hiệu quả cao và thời gian tính toán ngắn hơn

Các nghiên cứu trong nước về tối ưu kết cấu nói chung và tối hóa về cọc nói riêng đã

đề cập đến việc sử dụng thuật toán tiến hóa vi phân, thuật toán di truyền Tuy nhiên, kết

quả nghiên cứu chỉ dừng lại ở việc tối ưu hình dáng, tiết diện và chi phí Chưa có nghiên cứu nào đề cập đến vấn đề tối ưu hóa sức chịu tải của cọc từ các thí nghiệm hiện trường

để tận dụng hết khả năng chịu tải thức tế của cọc

2 Tính cấp thiết của đề tài

Xác định sức chịu tải cực hạn của cọc từ độ lún cho phép dựa trên kết quả thí nghiệm hiện trường là bài toán luôn được đặt ra trong việc thiết kế móng cọc Tuy nhiên, bài toán này còn nhiều yếu tố bất cập, phụ thuộc nhiều vào quan điểm và phương pháp mà

đơn vị thiết kế sử dụng Do đó, kết quả sức chịu tải giới hạn của cọc chưa được xác định

một cách chính xác nhằm đảm bảo được cả hai yếu tố kỹ thuật và kinh tế Từ thực tế đó,

đề tài này ứng dụng các giải thuật tối ưu hóa như mạng nơ-ron nhân tạo (Artificialneural

networks), giải thuật di truyền (Genetic Algorithm, hybrird genetic algorithm-based

ANN)… tối ưu hóa dự đoán sức chịu tải của cọc từ dữ liệu thí nghiệm nén tĩnh hiện trường Từ đó đưa ra giá trị sức chịu tải chính xác nhất của cọc nhằm tiết kiệm chi phí cho phần móng công trình

3 Mục tiêu nghiên cứu

- Xây dựng phương pháp tính toán tối ưu hóa áp dụng giải thuật di truyền và mạng nơ-ron nhân tạo

- Áp dụng phương pháp đã xây dựng vào tính toán tối ưu hóa sức chịu tải của cọc từ kết quả thí nghiệm hiện trường

4 Đối tượng, phạm vi nghiên cứu

4.1 Đối tượng nghiên cứu

- Giải thuật gen di truyền và mạng nơ-ron nhân tạo

- Các loại cọc bê tông cốt thép sử dụng cho móng các công trình nhà cao tầng

- Sức chịu tải cọc

4.2 Phạm vi nghiên cứu

- Xây dựng giải thuật và lặp trình tính toán số trên máy tính

- Thí nghiệm hiện trường xác định sức chịu tải cọc bê tông cốt thép

5 Cách tiếp cận và phương pháp nghiên cứu

5.1 Cách tiếp cận

- Thu thập số liệu thí nghiệm hiện trường xác định sức chịu tải cọc từ công trình thực tế;

- Xây dựng giải thuất tính toán tối ưu;

- Tính toán tối ưu sức chịu tải cọc từ các dữ liệu thí nghiệm hiện trường thu thập

được

5.2 Phương pháp nghiên cứu

- Nghiên cứu lý thuyết;

- Tính toán mô phỏng số;

- So sánh đánh giá kết quả

6 Nội dung nghiên cứu

- Nghiên cứu tham khảo tài liệu;

- Thu thập dữ liệu thí nghiệm hiện trường xác định sức chịu tải cọc từ công trình thực tế;

- Xây dựng giải thuật tối ưu hóa;

- Lập trình tính toán bằng Matlab;

- Tính toán tối ưu hóa dựa trên dữ liệu thí nghiệm hiện trường;

- So sánh kết quả tính toán từ giải thuật tối ưu với các phương pháp tính khác;

- Đánh giá và kết luận

CHƯƠNG 1 CƠ SỞ LÝ THUYẾT

1.1 Thí nghiệm nén tĩnh cọc bằng tải trọng tĩnh ép dọc trục

Thí nghiệm nén tĩnh cọc bằng tải trọng tĩnh ép dọc trục nhằm xác định, kiểm tra sức chịu tải hiện trường của cọc và thiết lập biểu đồ quan hệ tải trọng và biến dạng Quy trình nén tĩnh cọc có thể được áp dụng theo tiêu chuNn Việt Nam TCVN 9393-2012, tiêu chuNn Mỹ ASTM D1143-81 hoặc theo các tiêu chuNn riêng do Tư vấn thiết kế quy định Thí nghiệm nén tĩnh cọc được thực hiện trong hai giai đoạn đó là giai đoạn trước khi thi công cọc đại trà (giai đoạn thăm dò) và giai đoạn trong hoặc sau khi thi công cọc đại trà (gia đoạn kiểm tra) Đối với giai đoạn trước khi thi công cọc đại trà, thí nghiệm được thực hiện trên một số cọc đặc trưng nhằm xác định sức chịu tải cực hạn của cọc từ đó

đánh giá phương án thiết kế cơ sở ban đầu để có thể điều chỉnh phương án thiết kế nếu

cần thiết Đồng thời, kết quả thí nghiệm còn giúp chọn công nghệ và thiết bị thi công cọc đại trà phù hợp Các cọc thử cho giai đoạn này là những cọc này nằm ngoài phạm vi móng công trình, có đủ cường độ để chịu được tải trọng thí nghiệm lớn nhất có thể và ở

vị trí có điều kiện địa chất đất nền tiêu biểu hoặc tại vị trí đất nền bất lợi nhất Giai đoạn thí nghiệm trong hoặc sau khi thi công cọc đại trà nhằm kiểm tra chất lượng, sức chịu tải của cọc so với thiết kế và chất lượng thi công cọc

Hình 1 1Thí nghiệm nén tĩnh cọc sử dụng đối trọng BTCT Phương pháp thí nghiệm nén tĩnh cho kết quả chính xác nhất trong các phương pháp thí nghiệm xác định sức chịu tải của cọc tại hiện trường hiện nay và có thể làm cơ sở cho việc kiểm chứng các phương pháp khác Tuy nhiên, phương pháp này cũng có

những khó khăn nhất định trong quá trình thực hiện, có những trường hợp thí nghiệm cọc thử trong giai đoạn thăm dò chưa đạt tới giá trị sức chịu tải như mong muốn (thí nghiệm dừng trước khi đạt sức chịu tải cực hạn) Trong những trường hợp này, để tiết kiệm chi phí thi công lại cọc thử cũng như có phương án tối ưu để thi cọc đại trà thì cần phải dùng đến những phương pháp tính toán ngoại suy để xác sức chịu tải cực hạn của cọc thí nghiệm

1.2 Các phương pháp xác định sức chịu tải cực hạn của cọc từ kết quả thí nghiệm nén tĩnh

Sức chịu tải cực hạn của cọc là sức chịu tải tối đa mà cọc có thể chịu được cho đến lúc cọc bị phá hoại, phá hoại này có thể là phá hoại đất nền hay phá hoại kết cấu cọc (vỡ cọc hay gãy cọc) Sức chịu tải cực hạn của cọc ở hiện trường được xác định từ kết quả thí nghiệm ở giai đoạn thăm dò Trong một số trường hợp, thử cọc chưa đến phá hoại, nghĩa là sau khi thử cọc vẫn được sử dụng trở lại cho công trình, để xác định sức chịu tải cực hạn của cọc thì người thiết kế có thể sử dụng các phương pháp ngoại suy

1.2.1 Phương pháp SNIP 2.02.03.85

Sức chống giới hạn Qu của cọc đuợc xác định như sau tương ứng là giá trị tải trọng

gây ra độ lún tăng liên tục hoặc giá trị ứng với độ lún ξS gh trong các trường hợp còn lại:

Với S gh là trị số lún giới hạn trung bình cho trong tiêu chuNn thiết kế nền móng, được qui định trong nhiệm vụ thiết kế hoặc lấy theo tiêu chuNn đối với nhà và công trình

tương ứng khi thiết kế nền nhà và công trình, thông thường lấy S gh = 8cm; ξ là hệ số chuyển từ độ lún lúc thử đến độ lún lâu dài của cọc, thông thường lấy ξ = 0,1 Khi có cơ

sở thí nghiệm và quan trắc lún đầy đủ, có thể lấy ξ = 0,2

ξξξξ

Hình 1 2Phương pháp xác định Qu

Nếu độ lún ξS gh lớn hơn 40mm thì sức chịu tải cực hạn của cọc Qu nên lấy ở tải trọng tương ứng 40mm

1.2.2 Phương pháp Davisson

Theo phương pháp Davisson (TCXDVN 205:1998), sức chịu tải giới hạn của cọc là tải trọng ứng với độ lún giới hạn trên đường cong tải trọng khi thử tĩnh cọc Độ lún giới hạn được xác định như sau;

Nếu đường kính cọc D ≤ 600mm thì:

3.8120

p f

Hình 1 3 Cách xác định sức chịu tải cực hạn theo phương pháp Davisson

Các bước để xác định sức chịu tải cọc cực hạn theo phương pháp Davisson như sau:

1 Vẽ biểu đồ tải trọng - chuyển vị

2 Vẽ đường đàn hồi theo phương trình sau: P= ∆(AE p/L p)với ∆là chuyển vị

đầu cọc (đơn vị mm)

3 Vẽ đường Davisson song song với đường đàn hồi với khoảng cách hai đường

là 3,8 + D/120 (mm) nếu đường kính cọc D ≤ 600mm; D/30 (mm) nếu đường kính cọc

D > 600mm

4 Giao điểm của đường Davisson với đường kết quả nén tĩnh là sức chịu tải cực hạn (huy động) Qu

1.2.3 Phương pháp ngoại suy Chin-Kondner

Phương pháp ngoại suy Chin-Kondner (Fellenius 2006) giúp xác định sức chịu tải

cọc dựa trên mối quan hệ giữa tải trọng cho phép Q và biến dạng là một đường

hyperbolic (Hudson 2008) Với phương pháp Chin-Kondner, chuyển vịδ tương ứng với

từng cấp tải trọng Q được thể hiện dưới dạng biểu đồ quan hệ δ/Q và δ (xem Hình 1.4)

Sau giai đoạn biến động ban đầu, đường Chin-Kondner có dạng tuyến tính, nghịch đảo

độ dốc của đường thẳng này chính là phép ngoại suy Chin-Kondner về sức chịu tải cực

trong đó: Q u là sức chịu tải cực hạn; C 1 là độ dốc của đường δ/Q-δ

Phép ngoại suy tải trọng cho phép tương ứng với từng chuyển vị theo phương pháp Chin-Kondner được xác định là một đường cong “lý tưởng” theo công thức sau:

Hình 1 4Biểu đồ ngoại suy Chin-Kondner

1.2.4 Phương pháp Decourt

Phương pháp Decourt (Fellenius 2006) xác định sức chịu tải dựa trên việc thiết lập

biểu đồ quan hệ giữa chuyển vị δ và Q /δ (Hình 1.5) Với đồ thị này, xác định phương trình đường thẳng của các điểm cấp tải cuối của thí nghiệm Từ đó, xác định hệ số C 1 ,

C 2 lần lượt là hệ số góc và hằng số của đường thẳng trên Sức chịu tải cực hạn được xác

Hình 1 5Biểu đồ tải trọng- chuyển vị

Đối với các thí nghiệm nén tĩnh cọc mà điểm uốn chưa xác định được rõ ràng thì sức

chịu tải cực hạn của cọc từ thí nghiệm hiện trường được xác định từ hai phương pháp Chin-kondner và Decourt cho ra kết quả tốt hơn các phương pháp còn lại Do đó, nghiên

cứu này đề xuất sử dụng giải thuật gen di truyền kết hợp mạng nơ-ron nhân tạo để tối ưu phương pháp Chin-Kondner nhằm mang lại kết quả tốt hơn cho việc xác định sức chịu tải cực hạn của cọc

1.3 Giải thuật tiến hóa di truyền

Tính toán tiến hóa (Evolutionary computation) (Nguyễn Đình Thúc 2001) là việc

ứng dụng các khái niệm sinh học như quần thể, biến dị và đấu tranh sinh tồn để đưa ra

các lời giải ngày càng tốt hơn cho việc tính toán Các phương pháp tiếp cận được tuân thủ theo tính toán tiến hóa và được gọi chung là giải thuật tiến hóa, trong đó hình thức

được sử dụng rộng rãi nhất của giải thuật tiến hóa là giải thuật di truyền (Genetic

Algorithms - GA)

1.3.1 Giải thuật di truyền

Thuật toán di truyền hình thành dựa trên quan niệm cho rằng quá trình tiến hóa tự nhiên là quá trình hoàn hảo, hợp lý nhất và tự nó đã mang tính tối ưu Đây là một tiên đề

đúng và phù hợp với thực tế khách quan Trong tự nhiên, tối ưu thể hiện ở chỗ thế hệ

sau bao giờ cũng tốt hơn thế hệ trước nhờ hai quá trình cơ bản là sinh sản và chọn lọc tự nhiên Những cá thể nào phát triển thích nghi với môi trường sẽ tồn tại và ngược lại, những cá thể nào không thích nghi với môi trường sẽ bị đào thải Sự thay đổi của môi trường sẽ tác động đến quá trình tiến hóa và bản thân quá trình tiến hóa cũng có tác

động và làm thay đổi môi trường Cá thể mới sinh ra nhờ vào sự lai ghép ở thế hệ cha và

mẹ, một cá thể mới có thể mang những đặc tính của cha và mẹ ở thế hệ trước (di truyền) hoặc mang những đặc tính mới hoàn toàn (đột biến) Trong quá trình tiến hóa, di truyền

và đột biến là hai cơ chế quan trọng như nhau mặc dù xác suất để xảy ra hiện tượng đột biến nhỏ hơn nhiều so với hiện tượng di truyền Mặc dù cơ chế là ngẫu nhiên nhưng thuật toán di truyền không phải là một thuật toán ngẫu nhiên Thuật toán di truyền khai thác và tận dụng được một cách hiệu quả thông tin quá khứ để có được những kết quả mới như mong muốn Những cải tiến trong việc sử dụng thuật toán di truyền đã làm tăng thêm hiệu quả của việc tối ưu lời giải của các bài toán phức tạp

1.3.2 Các quá trình cơ bản trong thuật toán di truyền

1.3.2.1 Mã hóa dữ liệu

Mã hóa dữ liệu, hay còn gọi là biểu diễn di truyền cho lời giải của bài toán, là bước

đầu tiên và rất quan trọng trong việc tìm ra lời giải của bài toán Mỗi lời giải của bài

toán được biểu diễn dưới dạng một chuỗi ký tự hữu hạn hay còn được gọi là một nhiễm

sắc thể Các ký tự có thể là số nhị phân, số thập phân, … tùy vào từng bài toán cụ thể Trong quá trình này, việc mã hóa cái gì, mã hóa như thế nào, trật tự các thành phần trong nhiễm sắc thể ra sao,… luôn là những thách thức cho những người giải bài toán

1.3.2.2 Khởi tạo quần thể

Khởi tạo quần thể là xây dựng tập hợp nghiệm ban đầu Tập hợp nghiệm bày có thể

là ngẫu nhiên hoặc không ngẫu nhiên Có nhiều cách để khởi tạo giá trị quần thể nghiệm ban đầu, thông thường, hệ nghiệm ban đầu được chọn ngẫu nhiên trong không gian tìm kiếm Tuy vậy, việc chọn hệ nghiệm ban đầu cũng cần phải xem xét về tương quan giữa

độ thích nghi của các nhiễm sắc thể để tránh tình trạng nghiệm tìm ra là nghiệm tối ưu

cục bộ hay còn gọi là cực trị địa phương Số lượng nghiệm của tập nghiệm hay qui mô của quần thể cũng cần được xem xét kỹ dựa vào độ phức tạp của bài toán, độ chính xác yêu cầu và thời gian tính toán yêu cầu

1.3.2.3 Xác định hàm thích nghi

Hàm thích nghi là hàm lượng giá cho mỗi nhiễm sắc thể hay cho các phương án nghiệm trong tập nghiệm, hàm này dùng để đánh giá độ thích nghi của các nhiễm sắc thể Hàm thích nghi cần phải đánh giá được mức độ thích nghi cho tất cả các nghiệm khả thi và luôn được giả định là không âm để thể hiện độ thích nghi của các nhiễm sắc thể Công thức biểu diễn hàm cần phải thể hiện được tất cả các đặc tính mong muốn của nhiễm sắc thể, thông qua đó có thể chọn lọc được các quần thể nghiệm tốt nhất cho bài toán

1.3.2.4 Quá trình lai ghép

Quá trình lai ghép là quá trình nhiễm sắc thể mới được hình thành dựa trên nhiễm sắc thể cha và mẹ bằng cách lai ghép một hay nhiều đoạn nhiễm sắc thể cha và mẹ với nhau Phép lai ghép xảy ra với xác suất là p1 có thể được mô phỏng như sau:

- Chọn hai (hay nhiều) cá thể bất kỳ trong quần thể Quần thể ở đây bao gồm các nhiễm sắc thể (cha-mẹ) có độ dài bằng nhau

- Chọn điểm lai là một điểm có vị trí bất kỳ (như nhau) trên nhiễm sắc thể cha-mẹ và thực hiện hoán đổi các đoạn gen của nhiễm sắc thể cha-mẹ tại điểm lai này

- Đưa hai cá thể này vào quần thể để thực hiện các quá trình tiến hóa tiếp theo

Nhiễm sắc thể cha - mẹ:

điểm lai ghép

Hai nhiễm sắc thể con được sinh ra sau quá trình lai ghép:

Hình 1 6 Lai ghép 2 cá thể Trong quá trình tồn tại và phát triển, thuật toán di truyền đã được bổ sung rất nhiều phương pháp lai ghép nhằm thích ứng với nhiều kiểu bài toán và cũng là để tăng hiệu quả của thuật toán, một số phép lai cải tiến như sau:

- Lai ghép có xét tới các đặc tính trội và lặn trong tự nhiên, các đặc tính này được quy định trước trong khi biểu diễn cấu trúc nhiễm sắc thể Việc xem xét tới các đặc tính trội - lặn giúp cho quá trình sản sinh ra các quần thể chất lượng tốt diễn ra nhanh hơn và rút ngắn được thời gian tính toán

- Lai ghép từng phần dựa trên việc giữ lại những đoạn mã đã "tối ưu" trong nhiễm sắc thể cũng là một cách để quá trình lai ghép trở nên hiệu quả hơn

- Lai ghép đa điểm là cho 2 cá thể lai ghép ở 2 hay nhiều điểm lai ghép khác nhau Phương thức này làm cho thuật toán trở nên linh hoạt hơn nhờ đó các thế hệ cá thể con cũng sẽ có chất lượng tốt hơn

1.3.2.5 Quá trình đột biến

Quá trình đột biến là quá trình cá thể con mang một hay một số tính trạng không có trong mã di truyền của cha - mẹ Quá trình này xảy ra với xác suất p2 (nhỏ hơn nhiều so với p1) có thể được mô tả như sau:

- Chọn ngẫu nhiên một cá thể bất kỳ trong quần thể;

- Chọn một gen bất kỳ của cá thể vừa chọn;

- Thay đổi giá trị gen đó (đối với cách mã hóa gen theo số nhị phân thì quá trình thay

đổi giá trị là đổi giá trị từ 0 thành 1 hoặc từ 1 thành 0) rồi trả về quần thể để thực hiện

các quá trình tiếp theo (Hình 7)

Nhiễm sắc thể trước đột biến:

điểm tạo đột biến

Nhiễm sắc thể sau đột biến:

Hình 1 7Đột biến nhiễm sắc thể

Tương tự như quá trình lai ghép, thuật toán di truyền đã được bổ sung rất nhiều cách thức để thực hiện quá trình gây đột biến ngày càng hiệu quả hơn:

- Đột biến đảo ngược (Inversion Mutation)

- Đột biến chèn (Insertion Mutation)

- Đột biến thay thế (Raplacement Mutation)

- Đột biến tương hỗ (Reciprocal Exchange Mutation)

- Đột biến dịch chuyển (Shift Mutation)

1.3.2.6 Quá trình chọn lọc

Quá trình chọn lọc là quá trình mà các cá thể mới sinh ra được giữ lại hay bị loại bỏ khỏi quần thể dựa vào độ thích nghi của chúng Đối với quá trình này, có rất nhiều cách

để xác định trình tự tính toán và thực hiện tùy vào cách lựa chọn độ thích nghi của cá

thể nói riêng và của cả quần thể nói chung

1.3.3 Các bước tính toán trong thuật toán di truyền

Các bước tính toán của thuật toán di truyền được thực hiện như sau:

- Bước 1: Khởi tạo/lựa chọn các thông số cho quá trình tính toán gồm: Số lượng cá thể trong quần thể, cách thức mã hóa bài toán cần tính toán dưới dạng các nhiễm sắc thể (độ dài của nhiễm sắc thể, kiểu số biểu diễn dữ liệu,…), số thế hệ tính toán, xác suất lai ghép, xác suất đột biến, hàm thích nghi,…

- Bước 2: Khởi tạo quần thể ban đầu bằng phương pháp tạo số ngẫu nhiên để tạo giá trị cho các nhiễm sắc thể cho quần thể ban đầu, tùy vào cách biểu diễn của các nhiễm sắc thể mà ta chọn phương pháp tạo số ngẫu nhiên phù hợp

- Bước 3: Đánh giá các nhiễm sắc thể bằng hàm thích nghi đã xác định ở bước 1 Trong bước này, ngoài việc đánh giá các nhiễm sắc thể riêng rẽ, còn có thể đánh giá độ thích nghi của cả quần thể Nếu một nhóm hay cả quần thể có độ thích nghi "trung bình" thấp thì có thể loại nhóm nhiễm sắc thể hay quần thể đó ra khỏi quá trình di truyền

- Bước 4: Thực hiện quá trình di truyền thông qua các cơ chế lai ghép và đột biến

Có thể thực hiện lần lượt hai quá trình này hoặc thực hiện đồng thời theo các phương pháp đã đề cập bên trên Trong quá trình thực hiện thuật toán di truyền, giai đoạn này là giai đoạn có thể thực hiện theo những phương pháp rất khác nhau Giai đoạn này cũng là giai đoạn quyết định tới sự thành công của thuật toán Trong quá trình thực hiện, để có

được một bộ các thông số lai ghép hay đột biến hiệu quả thì thường phải trải qua nhiều

bước tính toán thử

- Bước 5: Tạo quần thể mới bằng quá trình chọn lọc Quá trình này cũng dựa vào

đánh giá các nhiễm sắc thể thông qua hàm thích nghi Cá thể nào có độ thích nghi cao sẽ được gữ lại cho thế hệ kế tiếp Sau quá trình này, nhóm cá thể nào thỏa mã tiêu chuNn đánh giá với mức độ từ cao xuống thấp sẽ được đưa vào quần thể mới

- Bước 6: Đánh giá quần thể vừa có được trong bước 5 Thông thường có hai tiêu chí

để dừng quá trình di truyền Thứ nhất, độ thích nghi của từng cá thể và cả quần thể thỏa

mãn một điều kiện hội tụ đã được đặt ra ban đầu Các điều kiện hội tụ thể hiện mức độ chấp nhận được của kết quả tìm được Thứ hai, quần thể mới tạo thành là quần thể ở thế

hệ thứ (N+1) với N là số thế hệ dự định tính toán đã giả thiết ban đầu Trong khi thực hiện các quá trình di truyền, những tiêu chí riêng để dừng quá trình di truyền có thể

được đề xuất Các tiêu chí đề xuất góp phần quyết định tới thành công của thuật toán

1.4 Mạng nơ-ron nhân tạo

Mạng nơ-ron nhân tạo (Artifical Neural Network) (Huỳnh Thái Hoàng 2014, Momeni 2014, In-MO Leea 1996) mô phỏng lại mạng nơ-ron sinh học, là một cấu trúc khối gồm các đơn vị tính toán đơn giản được liên kết chặt chẽ với nhau, trong đó các liên kết giữa các noron quyết định chức năng của mạng

Các đặc trưng cơ bản của mạng nơ-ron gồm:

- Tập các đơn vị xử lý (các noron nhân tạo);

- Trạng thái kích hoạt hay đầu ra của đơn vị xử lý;

- Liên kết giữa các đơn vị, mỗi liên kết được định nghĩa bởi một trọng số W jk cho ta

biết hiệu ứng mà tín hiệu của đơn vị j có trên đơn vị k;

- Luật lan truyền quyết định cách tính tín hiệu ra của từng đơn vị từ đầu vào của nó;

- Hàm kích hoạt hay hàm chuyển (activation function, transfer function) nhằm xác

định mức độ kích hoạt khác dựa trên mức độ kích hoạt hiện tại;

- Đơn vị điều chỉnh (độ lệch) (bias, offset) của mỗi đơnvị;

- Phương pháp thu thập thông tin (luật học – learning rule);

- Môi trường hệ thống có thể hoạt động

1.4.1 Các thành phần cơ bản của mạng nơ-ron nhân tạo

1.4.1.1 Đơn vị xử lý

Đơn vị xử lý còn được gọi là một nơ-ron hay một nút (node), thực hiện một công

việc rất đơn giản là nhận tín hiệu vào từ các đơn vị phía trước hay một nguồn bên ngoài

và sử dụng chúng để tính tín hiệu ra sẽ được lan truyền sang các đơn vị khác

Hình 1 8Đơn vị xử lý (Huỳnh Thái Hoàng 2014)

Trong đó: x i là các đầu vào; w ji là các trọng số tương ứng với các đầu vào θ j là độ

lệch (bias); a j là đầu vào mạng (net-input); z j là đầu ra của nơ-ron và g(a j ) là hàm chuyển

(hàm kích hoạt)

Trong một mạng nơ-ron có ba kiểu đơn vị:

- Các đơn vị đầu vào (Input units), nhận tín hiệu từ bên ngoài

- Các đơn vị đầu ra (Output units), gửi dữ liệu ra bên ngoài

- Các đơn vị Nn (Hidden units), tín hiệu vào (input) và ra (output)

Mỗi đơn vị j có thể có một hoặc nhiều đầu vào: x 0 , x 1 , x 2 , … x n, nhưng chỉ có một đầu

ra z j Một đầu vào tới một đơn vị có thể là dữ liệu từ bên ngoài mạng, hoặc đầu ra của một đơn vị khác, hoặc là đầu ra của chính nó

1.4.1.2 Hàm kết hợp

Mỗi một đơn vị trong mạng kết hợp với các đơn vị khác để sinh ra một giá trị gọi là

đầu vào mạng (net input) Hàm thực hiện nhiệm vụ này gọi là hàm kết hợp (combination

function), được định nghĩa bởi một luật lan truyền cụ thể Trong phần lớn các mạng ron, chúng ta giả sử rằng mỗi một đơn vị cung cấp một bộ cộng như là đầu vào cho đơn

nơ-vị mà nó có liên kết Tổng đầu vào đơn nơ-vị j đơn giản chỉ là tổng trọng số của các đầu ra riêng lẻ từ các đơn vị kết nối cộng thêm ngưỡng hay độ lệch (bias) θ j :

Trường hợp w ji> 0, nơ-ron được coi là đang ở trong trạng thái kích thích Tương tự,

nếu như w ji< 0, nơ-ron ở trạng thái kiềm chế Chúng ta gọi các đơn vị với luật lan truyền như trên là luật sigma Trong một vài trường hợp người ta cũng có thể sử dụng các luật lan truyền phức tạp hơn Một trong số đó là luật sigma-pi, có dạng như sau:

11

ji

k i

=

Rất nhiều hàm kết hợp sử dụng một "độ lệch" hay "ngưỡng" để tính ‘net input” tới

đơn vị Đối với một đơn vị đầu ra tuyến tính, thông thường, θj được chọn là hằng số và

trong bài toán xấp xỉ đa thức θ j = 1

1.4.1.3 Hàm kích hoạt

Phần lớn các đơn vị trong mạng nơ-ron chuyển “net input” bằng cách sử dụng một hàm vô hướng gọi là hàm kích hoạt, kết quả của hàm này là một giá trị gọi là mức độ kích hoạt của đơn vị (unit's activation) Các hàm kích hoạt thường bị ép vào một khoảng giá trị xác định, do đó thường được gọi là các hàm bẹp (squashing) Các hàm kích hoạt hay được sử dụng là:

- Hàm đồng nhất (Linear function, Identity function) (Hình 1.9):

( )

g ( x ) 1

- 1

0

Hình 1 9 Hàm đồng nhất (Identity function) (Huỳnh Thái Hoàng 2014)

- Hàm bước nhị phân (Binary step function, Hard limitfunction) (Hình 1.10)

Hàm này cũng được biết đến với tên "Hàm ngưỡng" (Threshold function hay Heaviside function) Đầu ra của hàm này được giới hạn vào một trong hai giá trị:

1, ( )( )

Hình 1 10Hàm bước nhị phân (Binary step function) (Huỳnh Thái Hoàng 2014)

- Hàm sigmoid (Sigmoid function) (Hình 1.11)

đáng kể tính toán trong quá trình huấn luyện Hàm này được ứng dụng cho các chương

trình ứng dụng mà các đầu ra mong muốn rơi vào khoảng [0,1]

- Hàm sigmoid lưỡng cực (Bipolar sigmoid function) (Hình 1.12)

-4-6

1g(x)

0

-1

Hình 1 12 Hàm sigmoid lưỡng cực (Huỳnh Thái Hoàng 2014) Hàm này có thuộc tính tương tự hàm sigmoid Nó làm việc tốt với các ứng dụng có

đầu ra yêu cầu trong khoảng [-1.1]

Các hàm chuyển của các đơn vị Nn (hidden units) là cần thiết để biểu diễn sự phi tuyến vào trong mạng Tuy nhiên, đối với luật học lan truyền ngược, hàm phải khả vi và

sẽ có ích nếu như hàm được gắn trong một khoảng nào đó Do vậy, hàm sigmoid là lựa chọn thông dụng nhất

Đối với các đơn vị đầu ra (output units), các hàm chuyển cần được chọn sao cho phù

hợp với sự phân phối của các giá trị đích mong muốn Với các giá trị ra trong khoảng [0,1] thì hàm sigmoid là có ích Nhưng nếu các giá trị đích không được biết trước khoảng xác định thì hàm hay được sử dụng nhất là hàm đồng nhất Nếu giá trị mong muốn là dương nhưng không biết cận trên thì nên sử dụng một hàm kích hoạt dạng mũ

1.4.2 Các hình trạng của mạng

Hình trạng của mạng (Huỳnh Thái Hoàng 2014) được định nghĩa bởi số lớp (layers),

số đơn vị trên mỗi lớp, và sự liên kết giữa các lớp như thế nào Các mạng về tổng thể

được chia thành hai loại dựa trên cách thức liên kết các đơn vị

1.4.2.1 Mạng truyền thẳng (Feed-forward neuralnetwork)

Dòng dữ liệu từ đơn vị đầu vào đến đơn vị đầu ra chỉ được truyền thẳng Việc xử lý

dữ liệu có thể mở rộng ra nhiều lớp, nhưng không có các liên kết phản hồi Nghĩa là, các liên kết mở rộng từ các đơn vị đầu ra tới các đơn vị đầu vào trong cùng một lớp hay các

lớp trước đó là không cho phép

Hình 1 13Mạng nơron truyền thẳng nhiều lớp (Feed-forward neural network) (Huỳnh

Thái Hoàng 2014)

1.4.2.2 Mạng hồi quy (Recurrent neuralnetwork):

Khác với mạng truyền thẳng, mạng hồi quy có các thuộc tính động Trong một số trường hợp, các giá trị kích hoạt của các đơn vị trải qua quá trình nới lỏng (tăng giảm số

đơn vị và thay đổi các liên kết) cho đến khi mạng đạt đến một trạng thái ổn định và các

giá trị kích hoạt không thay đổi nữa

Hình 1 14Mạng nơ-ron hồi quy (Recurrent neural network) (Huỳnh Thái Hoàng 2014)

1.4.2.3 Huấn luyện mạng

Chức năng của một mạng nơ-ron được quyết định bởi các nhân tố như: hình trạng mạng (số lớp, số đơn vị trên mỗi tầng, và cách mà các lớp được liên kết với nhau) và các trọng số của các liên kết bên trong mạng Hình trạng của mạng thường là cố định Các trọng số được quyết định bởi một thuật toán huấn luyện (training algorithm) Tiến trình

điều chỉnh các trọng số để mạng “nhận biết” được quan hệ giữa đầu vào và đích mong

muốn được gọi là học (learning) hay huấn luyện (training) Rất nhiều thuật toán học đã

được phát minh để tìm ra tập trọng số tối ưu làm giải pháp cho các bài toán Các thuật

toán đó có thể chia làm hai nhóm chính: học có thầy (Supervised learning) và học không

có thầy (UnsupervisedLearning)

Học có thầy (Supervised learning):

Mạng được huấn luyện bằng cách cung cấp cho nó các cặp mẫu đầu vào và các đầu

ra mong muốn (target values) Các cặp được cung cấp bởi bởi hệ thống trên đó mạng hoạt động Sự khác biệt giữa các đầu ra thực tế so với các đầu ra mong muốn được thuật toán sử dụng để thích ứng các trọng số trong mạng Điều này thường được đưa ra như

một bài toán xấp xỉ hàm số - cho dữ liệu huấn luyện bao gồm các cặp mẫu đầu vào x, và một đích tương ứng t, mục đích là tìm ra hàm f(x) thoả mãn tất cả các mẫu học đầu vào

Hình 1 15 Mô hình Học có thầy (Supervised learning model) (Huỳnh Thái Hoàng 2014)

Học không có thầy (Unsupervised Learning):Với cách học không có thầy, không

có phản hồi từ môi trường để chỉ ra rằng đầu ra của mạng là đúng Mạng sẽ phải khám phá các đặc trưng, các điều chỉnh, các mối tương quan, hay các lớp trong dữ liệu vào một cách tự động Trong thực tế, đối với phần lớn các biến thể của học không có thầy, các đích trùng với đầu vào Nói một cách khác, học không có thầy luôn thực hiện một công việc tương tự như một mạng tự liên hợp, cô đọng thông tin từ dữ liệu vào

CHƯƠNG 2 GIẢI THUẬT TỐI ƯU 2.1 Phương pháp tối ưu

Theo như lý thuyết và các phân tích trước đây, phép ngoại suy Chin-Kondner đưa ra

đường ngoại suy bám sát đường thử tĩnh hiện trường mang lại độ tin cậy cho dự báo sức

chịu tải Tuy nhiên, độ sai lệch giữa đường ngoại suy và đường thử tĩnh là đáng kể, đặc biệt đối với các công trình có số liệu thu thập từ kết quả thử tĩnh là phi tuyến thì đường ngoại suy từ hai phương pháp trên giảm đi độ tin cậy khá cao Nghiên cứu này đề xuất thiết kế lại đường ngoại suy bằng cách sử dụng giải thuật gen di truyền kết hợp mạng nơ-ron nhân tạo nhằm cho kết quả ngoại suy đạt độ tin cậy và tính chính xác cao hơn Nhận thấy đường ngoại suy từ phương pháp Chin-Kondner bị ảnh hưởng nhiều ở thông số độ dốc và tung độ đường hyperbolic Do đó, giải thuật tối ưu sẽ tác động đến hai thông số này là chủ yếu

2.2 Tối ưu phương pháp Chin-Kondner sử dụng giải thuật gen di truyền

Đường ngoại suy của phương pháp Chin-Kondner (Hình 1.4) cho thấy mức độ sai

lệch so với đường nén tĩnh còn lớn Do đó, nghiên cứu này áp dụng giải thuật gen di truyền để tối ứu hóa phương pháp Chin-Kondner Phương pháp Chin-Kondner được tối

ưu hóa bằng giải thuật gen di truyền được gọi là phương pháp Chin-Kondner-GA Trong

phương pháp tối ưu này, mối quan hệ tải trọng và chuyển vị được thể hiện theo công thức sau:

i

i GA

Trong đó: Q GAi là tải trọng ngoại suy thứ i theo phương pháp đề xuất

Chin-Kondner-GA; δi là giá trị chuyển vị thứ i; A và B lần lượt là độ dốc và tung độ của đường Q/δ theo

δ sau khi đã tối ưu; α và β lần lượt là thông số chỉnh định độ dốc và thông số chỉnh định

tung độ của đường Q/δ theo δ

Với điều kiện đánh giá:

2.2.1 Thuật toán tìm kiếm

Giải thuật gen di truyền áp dụng để tối ưu phương pháp Chinkondner nhằm tìm kiếm thông số và để thiết kế lại đường ngoại suy sao cho tiệm cận đường thử tĩnh nhất

có thể và mang lại độ tin cậy, chính xác cho tính toán ngoại suy Để thực hiện được việc này, hàm thích nghi mà giải thuật gen di truyền phải đáp ứng như sau:

(2.4)

Trong đó: n là số cấp tải thử; là giá trị cấp tải thứ i; là giá trị tải ngoại suy từ

giải thuật gen di truyền thứ i

Nếu đường ngoại suy sẽ càng bám sát đường thử tĩnh và sai lệch càng nhỏ

Như vậy, phương pháp tối đề xuất ngoại suy tải trọng theo công thức 2.1 Các thành phần khác như chuyển vị và cấp tải trọng được thu thập thông qua phép đo thực nghiệm,

thống số C 1 và C 2 được tính toán thông qua phép hồi quy tuyến tính Riêng thông số α

và β có rất nhiều cách đề xác định như: giải thuật tìm kiếm bầy đàn, đàn kiến, thử sai ngẫu nhiên,…

n

i> +

Thuật toán tìm kiếm 2 cá thể α vàβ tốt nhất sao cho hàm thích nghi là tốt nhất (tức nhỏ nhất) qua số lượng thế hệ cực đại là 200 thế hệ Số lượng thế hệ cực đại được xác

định theo mặc định của chương trình ga trên Matlab:

*100

Ở mỗi thế hệ, tùy theo quá trình lai ghép, đột biến diễn ra ngẫu nhiên sẽ cho ra kích

thước quần thể ở mỗi thế hệ là khác nhau Đối với mỗi thế hệ có kích thước quần thể như vậy sẽ có số lượng cá thể αvàβ khác nhau

Hàm thích nghi trung bình trong một thế hệ:

Trong nghiên cứu này, giải thuật gen di truyền dựa trên nền tảng tối ưu hàm bởi

phần mềm Matlab Sauk hi tối ưu bằng giải thuật gen di truyền, mạng nơ-ron nhân tạo sẽ

được dùng để huấn luyện kết quả ngoại suy Chinkondner-GA bởi công cụ “nntraintool”

nhằm tạo ra thêm một phép ngoại suy Chinkondner-GA-ANN để mở rộng khả năng dự

đoán, tính toán

Hình 2 1 Lưu đồ thuật toán tìm kiếm gen di truyền (Nguyễn Đình Thúc 2001)

2.2.2 Khởi tạo quần thể

Ở thế hệ đầu tiên, kích thước quần thể được tạo ngẫu nhiên chứa 20 cá thể ứng với

giá trị [-1;1] (Hình 2.2) Giải thuật tiến hành chọn lựa 2 cá thể α và β để tính toán hàm thích nghi nhằm di truyền cá thể tốt qua thế hệ sau thông qua phép giữ lại cá thể tốt, lai ghép, đột biến (Hình 2.3) Giải thuật gen di truyền được dừng sau khi thỏa điều kiện tìm

được 2 cá thể α và β có độ thích nghi cao nhất hoặc khi chương trình chạy đủ 200 thế

hệ

Hình 2 2 Khởi tạo quần thể ban đầu (How the Genetic Algorithm Works Internet)