zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Kỹ Thuật - Công Nghệ

» Kiến trúc - Xây dựng

Phát triển mô hình máy học dự đoán khả năng chịu lực của cột thép lõi bê tông

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:3

Báo xấu

7
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Nghiên cứu cũng sẽ đánh giá tác động của các yếu tố khác nhau lên khả năng chịu tải của cột CFST. Mục đích cuối cùng là mô phỏng tương tác phức tạp và phi tuyến của các tham số đầu vào để dự đoán khả năng chịu tải của cột CFST.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Phát triển mô hình máy học dự đoán khả năng chịu lực của cột thép lõi bê tông

Tuyển tập Hội nghị Khoa học thường niên năm 2023. ISBN: 978-604-82-7522-8 PHÁT TRIỂN MÔ HÌNH MÁY HỌC DỰ ĐOÁN KHẢ NĂNG CHỊU LỰC CỦA CỘT THÉP LÕI BÊ TÔNG Trịnh Thị Anh Đào1, Vương Trường Phúc2, Khánh Phạm1, Nguyễn Anh Dũng2 1 Trường Đại học Quốc tế - Đại học Quốc gia TP. HCM, email: trinhthianhdao2202@gmail.com 2 Trường Đại học Thủy lợi 1. GIỚI THIỆU CHUNG để tăng khả năng áp dụng thực tế của mô hình. Nghiên cứu cũng sẽ đánh giá tác động Kết cấu ống thép nhồi bê tông (Concrete của các yếu tố khác nhau lên khả năng chịu Filled Steel Tube (CFST)) có cấu trúc gồm tải của cột CFST. Mục đích cuối cùng là mô ống thép rỗng và bê tông, với ưu điểm về độ phỏng tương tác phức tạp và phi tuyến của bền và tính dẻo vượt trội kết cấu thép và bê các tham số đầu vào để dự đoán khả năng tông thông thường. Ngoài ra, ống thép đóng chịu tải của cột CFST. vai trò là khuôn mẫu cố định, giúp giảm thời gian xây dựng và phí tổn trong thi công. Với 2. PHƯƠNG PHÁP NGHIÊN CỨU những ưu điểm nổi bật này, CFST đã và đang được ứng dụng rộng rãi trong nhiều loại công Nghiên cứu này sẽ ứng dụng một bộ dữ trình xây dựng khác nhau trên thế giới. liệu gồm 253 dữ liệu, với 9 biến đầu vào là Nhiều nghiên cứu đã đánh giá các đặc tính chiều rộng ống thép vuông (B), và chiều sâu của CFST, đặc biệt nhằm vào khả năng chịu của ống thép vuông (H), trong đó đường kính nén trục của CFST và các nhân tố ảnh hưởng. vòng ống thép được chuyển đổi thành chiều Bên cạnh những quan sát có giá trị, phần lớn rộng và chiều sâu của ống thép vuông, chiều các nghiên cứu ứng dụng phương pháp số để dài của cột (L), độ dày vách ống thép (t), độ mô phỏng, do đó kết quả đạt được bị chi phối dày bê tông (d), độ bền nén của bê tông trụ bởi các giả thuyết ứng xử tương tác giữa các (f’c), độ bền nén của viên nén bê tông (fck), vật liệu cấu thành CFST. Sự phát triển mạnh độ bền kéo của thép (fy), độ lệch tâm của tải mẽ của phương pháp máy học, đặc biệt mô trọng (e), 1 biến đầu ra là Nu (khả năng chịu hình mạng nơ-ron nhân tạo (ANN) đã phần lực của cột CFST) và 1 biến phân loại hình nào khắc phục được các hạn chế của phương dạng (shape) để xây dựng mô hình ước lượng pháp truyền thống trước đây trong ước lượng dựa trên nền tảng thuật toán XGBoost khả năng chịu tải của CFST có xét đến nhiều Thuật toán XGBoost khác với mô hình thông số ảnh hưởng, ví dụ như nghiên của mạng lưới nơ-ron/ học sâu (ANN/ Deep Ahmadi et al. [1], nghiên cứu của Güneyisi et Learning), XGBoost có ưu điểm trong xử lý al. [2] và nghiên cứu của Bui et al. [4]. các bộ dữ liệu dạng bảng (tabular data). Mục tiêu chính của nghiên cứu này là phát Thuật toán này còn có tốc độ huấn luyện dữ triển một mô hình máy học hiệu quả bằng liệu nhanh, khả năng mở rộng tính toán song cách ứng dụng thuật toán XGBoost (Extreme song và hỗ trợ tăng tốc nhờ GPU, do đó thuật Gradient Boosting) để ước lượng chính xác toán này còn có thể xử lý dữ liệu lớn (Big khả năng chịu lực của CFST. Các thông số Data). Thuật toán XGBoost được xây dựng đầu vào của phương pháp được đề xuất sẽ bằng cách lần lượt tổng hợp các dự đoán của được đơn giản hóa thành các thông số cơ bản các mô hình đơn lẻ (Decision trees - DT) để 209
Tuyển tập Hội nghị Khoa học thường niên năm 2023. ISBN: 978-604-82-7522-8 tạo ra dự đoán tốt hơn. Đầu tiên, DT được sử trong đó: dụng làm các mô hình đơn lẻ và huấn luyện l ( yi , yik 1 ) ˆ  2l ( yi , yik 1 ) ˆ trên từng tập dữ liệu riêng biệt. Sau đó, từng gi  ; hi  yiˆ (yi ) 2 ˆ bước một, XGBoost tổng hợp một số lượng K DTs để dự đoán giá trị mục tiêu yi theo xi Các tham số của mô hình được xác định đã cho qua công thức: thông qua quá trình huấn luyện với mục tiêu giảm hàm mất mát, các siêu tham số của mô f x   k 1 k y  x   p f  x  (1)  k 1 1 K ˆ K ˆ y  ˆ 1 i ˆ i k k i hình cũng sẽ được xác định thông qua quá trong đó: trình hiệu chỉnh thủ công hoặc các mô hình F  { f ( x)  wq ( x ) }( q : R m  T ; w  RT là khoảng bên thứ 3 (Grid search, Bayesian,…). Bộ dữ trống của cây hồi quy (regression tree). liệu được sử dụng trong nghiên cứu này sẽ T là số lá cây trong cây hồi quy. được chia thành 75% dữ liệu cho tập huấn ρ là tỷ lệ học tập điều chỉnh khả năng khái luyện và 25% dữ liệu cho tập kiểm tra. Thông quát hóa bằng cách hạn chế ảnh hưởng của tin thêm về ứng dụng XGBoost có thể thông từng cây riêng lẻ. qua nghiên cứu của Chen & Guestrin (2016).   n K L  y    l  yi yi     f k ˆ ˆ  (2) 3. KẾT QUẢ NGHIÊN CỨU i 1 k 1 trong đó: Các chỉ số như MAE (sai số trung bình 1 T tuyệt đối), RMSE (lỗi trung bình bình ( f )   T    w2j phương gốc) và R2 (hệ số xác định) sẽ được 2 j 1 sử dụng để so sánh và đánh giá hiệu suất mô trong đó: hình XGBoost so với các mô hình tạo ra bởi l là một hàm mất khả vi lồi đo lường sự các phương trình thực nghiệm có trong các khác biệt giữa dự đoán và mục tiêu. n là số lượng dữ liệu. tiêu chuẩn như: γ và λ là các siêu tham số được chính quy ACI 318R (2014): hóa. N 0  0.85 f cAc  f y AS (5) Thuật toán Gradient descent được áp dụng N u  0.85 N 0 để tối ưu thông số của XGBoost thông qua Eurocode 4 (2004): việc cực tiểu hóa hàm mục tiêu trong quá trình N u  f y AS  0.85 f cAc (6) huấn luyện. Do đó, hàm mục tiêu tại mỗi bước huấn luyện (2), có thể được viết thành: AS 5100.6 (2004): n N u   f cAc  c f y As Lk   l  yi , y    pk f k  xi   k 1 ˆ (7)  ˆ    0.9; c  0.6 i 1   k (3) Giá trị RMSE và MAE của XGBoost trên 1 T   2   Tk    wkj cả tập huấn luyện và tập kiểm tra (training 2 j 1 and test sets) thấp hơn so với tất cả các mô Mở rộng phương trình (3) thông qua hình thực nghiệm trên cùng một tập dữ liệu, phương pháp chuỗi Taylor bậc hai, ta có thể như được hiển thị trong Hình 1 và Hình 2, thu được hàm mục tiêu rút gọn như sau: đồng thời giá trị R2 của XGBoost là cao nhất, n  1 2  đạt giá trị trên tiến gần tới giá trị 1 (Hình 3), Lk   l  pk gi f k  xi   pk hi f k2  xi    i 1  2  cao hơn tất cả các mô hình thực nghiệm khác (4) và chứng tỏ mô hình thuật toán XGBoost Tk k 1   2 T  wj 2 j 1 k được đề xuất có hiệu suất tốt hơn các mô hình thực nghiệm. 210
Tuyển tập Hội nghị Khoa học thường niên năm 2023. ISBN: 978-604-82-7522-8 Hình 1. So sánh chỉ số RMSE giữa XGBoost Hình 4. Giá trị quan sát và dự đoán và các mô hình thực nghiệm của khả năng chịu lực của cột CFST trên tập huấn luyện và tập kiểm tra 4. KẾT LUẬN Nghiên cứu này nhằm xây dựng một mô hình máy học bằng cách ứng dụng thuật toán XGBoost để dự đoán khả năng chịu lực tối đa của các cột theo kết cấu liên hợp ống thép nhồi bê tông (CFST). Cơ sở dữ liệu được sử dụng cho mô hình máy học này bao gồm 9 biến đầu vào, 1 biến đầu ra và 1 biến phân Hình 2. So sánh chỉ số MAE giữa XGBoost loại, tổng cộng là 11 đặc trưng liên quan đến và các mô hình thực nghiệm hình học và các thuộc tính của vật liệu. Hiệu suất của mô hình được đề xuất đã được đo và so sánh với các mô hình thực nhiệm bằng các trị số như RMSE, MAE, R2 và đạt các giá trị RMSE là 180.8, giá trị MAE là 80.9 và giá trị R2 là 0.99 đối với tất cả tập huấn luyện và tập kiểm tra. Các giá trị RMSE, MAE và R2 cho thấy mô hình có hiệu suất tốt và có tính ứng dụng rộng rãi hơn so các mô hình phương trình thực nghiệm. Sự so sánh này chỉ mang tính tương đối do sự khác biệt về tập dữ liệu được sử dụng. Hình 3. So sánh chỉ số R2 giữa XGBoost và các mô hình thực nghiệm 5. TÀI LIỆU THAM KHẢO Hình 4 mô tả sự so sánh giữa kết quả quan [1] Ahmadi, M., Naderpour, H. and Kheyroddin, sát và dự đoán được thực hiện bằng cách sử A. (2014), “Utilization of artificial neural dụng tập dữ liệu huấn luyện và đường 1:1 networks to prediction of the capacity of CCFT (đường màu xanh). Giá trị R2 cao cho thấy short columns subject to short term axial load”, Arch. Civil Mech. Eng., 14(3), 510-517. phân phối của dữ liệu huấn luyện khá tương https://doi.org/10.1016/j.acme.2014.01.006. tự với đường 1:1. Ngoài ra, đa số các dữ liệu [2] Ipek, S. and Güneyisi, E.M. (2019), khá gần đường 1:1 cho thấy khả năng hiệu “Ultimate axial strength of concrete filled suất của XGBoost khi các dữ liệu dự đoán double skin steel tubular column sections”, càng chính xác khi dữ liệu quan sát dùng cho Adv. Civil Eng., 2019. https://doi.org/ tập huấn luyện tăng lên. 10.1155/2019/6493037. 211

CÓ THỂ BẠN MUỐN DOWNLOAD

LV.15: Bộ Đồ Án Tốt Nghiệp Chuyên Ngành Cơ Khí

65 tài liệu

2431 lượt tải

THÔNG TIN

TRỢ GIÚP

HỖ TRỢ KHÁCH HÀNG

Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.