Ứng dụng kỹ thuật trí tuệ nhân tạo trong dự báo chỉ số nén lại (Cr) của đất yếu khu vực đồng bằng Bắc bộ

Chia sẻ: Nhan Chiến Thiên | Ngày: | Loại File: PDF | Số trang:8

Thêm vào BST

Báo xấu

15
lượt xem 6
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Nghiên cứu "Ứng dụng kỹ thuật trí tuệ nhân tạo trong dự báo chỉ số nén lại (Cr) của đất yếu khu vực đồng bằng Bắc bộ" cho thấy cả 2 mô hình AI đều phủ hợp trong dự báo nhanh C, của đất yếu với (R>0.8) khi đã biết trước được các thông số: khối lượng thể tích tự nhiên, độ rỗng, hệ số rỗng, độ ẩm, khối lượng thể tích khô và giới hạn dẻo của đất. Mời các bạn cùng tham khảo!

Chủ đề:

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

Lưu

Nội dung Text: Ứng dụng kỹ thuật trí tuệ nhân tạo trong dự báo chỉ số nén lại (Cr) của đất yếu khu vực đồng bằng Bắc bộ

. 27 ỨNG DỤNG KỸ THUẬT TRÍ TUỆ NHÂN TẠO TRONG DỰ BÁO CHỈ SỐ NÉN LẠI (Cr) CỦA ĐẤT YẾU KHU VỰC ĐỒNG BẰNG BẮC BỘ Nguyễn Đức Mạnh1,*, Nguyễn Thái Linh1, Hồ Sỹ An2,*, Nguyễn Quốc Trung2, Nguyễn Thị Phƣơng Thảo2 1 r n Đại học Giao thông Vận tải 2 Công ty C phần Phát triển công nghệ bảo vệ b dốc ATV Việt Nam Tóm tắt Trong nghiên cứu này, hai mô hình trí tuệ nhân tạo (Artificial Intelligence - AI) bao gồm máy v t hỗ tr hồi quy (Support Vector Regression - SVR) và R ng ngẫu nhiên (Random Forest - RF) ư c nghiên cứu nhằm dự o n ỉ số nén lại củ ất y u (Cr) - m t trong những thông số quan trọn tron tín to n ịa kỹ thu t. Tổng số 194 mẫu ất y u thu th p tại m t số khu vực ở ồng bằng B c B là k t quả thí nghiệm tron p òn , ã x ịn ư c 14 chỉ t u lý tư n ứng là 14 thông số ầu vào sử dụng cho mô hình dự báo bằng AI, gồm: sâu lấy mẫu tr n; sâu lấy mẫu ư ; m lư ng hạt sét; gi i hạn chảy; gi i hạn d o; chỉ số d o; sệt; ẩm; khố lư ng thể tích tự nhiên; khố lư ng thể tích khô; khố lư n r n ; rỗn ; bão hòa; hệ số rỗng và thông số ầu ra Cr ư c sử dụng trong quá trình xây dựng và huấn luyện mô hình. Hiệu suất củ m n ư n ằng các thông số thốn k n ư: s số tuyệt ối trung bình - M n A solut Error (MAE); ăn c hai sai số bình phư n trun n - Root Mean 2 Square Error (RMSE); hệ số x ịnh - Coefficient of Determination (R ). K t quả của nghiên cứu này cho thấy cả 2 m n AI u phù h p trong dự báo nhanh Cr củ ất y u v i (R2 > 0.8) k ã t trư ư c các thông số: khối lư ng thể tích tự n n, rỗng, hệ số rỗn , ẩm, khố lư ng thể tích khô và gi i hạn d o củ ất. Từ khóa: Chỉ số nén lạ , ất yếu, trí tuệ nhân tạo, học máy, máy vectơ hỗ tr hồi quy, rừng ngẫu nhiên. 1. Đặt vấn đề Chỉ số nén lại (Recompression index - Cr) là m t thông số lý t ể hiện khả năn ịu nén củ ất trong quá trình nén cố k t ây l m t chỉ số quan trọng, cần thi t trong phân tích lún của n tr n ặt tr n ất y u T n t ường, Cr ư x ịnh trong phòng thí nghiệm thông qua thí nghiệm nén cố k t trên mẫu ất. Tuy nhiên, thí nghiệm n y t ường phải thực hiện trong thời gian dài v p í o H n nữ , ể ạt ư chính xác và tin c y của k t quả thí nghiệm còn phụ thu c vào công tác lấy ũn n ư ảo quản mẫu ất, ò ỏi thi t bị sử dụn chính x o ũn n ư n ười thí nghiệm cần có tay ngh tốt. Nên, t nhữn năm 60-70 của th kỷ trư c, nhi u nhà nghiên cứu ã xuất m t số tư n qu n n nx ịnh Cr thông qua các thông số khác củ ất n ư i hạn chảy, chỉ số d o, ẩm, hệ số rỗn ,… (Azzouz và nnk., 1976; DAS, 2013; Das và Sobhan, 2013; Gunduz và Arman, 2007; Nagaraj và Murthy, 1985). Song, Cr tư n qu n v i nhi u thông số khác củ ất, nên m t vài hồ quy n n n ản có thể ư p p trong dự báo chỉ tiêu Cr. Trong hai th p kỷ qu , AI ã ư c áp dụng r ng rãi nhằm giải quy t các vấn ịa kỹ thu t k n u n ư ự o n sức chịu tải củ m n , lún của cọc, ổn ịnh mái dốc, chuyển vị của công * Ngày nhận bài: 03/3/2022; Ngày phản biện: 02/4/2022; Ngày chấp nhận n : 2/4/2022 * Tác giả liên hệ:Email: nguyenducmanh@utc.edu.vn; syannamanh1998@gmail.com
28 trình, các thông số ất hay v t liệu… (Ișık, 2009; N uyễn ức Mạnh và nnk., 2021, 2020; Nguyễn ức Mạnh và nnk., 2022; Nguyễn ức Mạnh và nnk., 2021, 2020, 2019; Phạm Thái Bình và nnk., 2019) n nay, nguồn số liệu thí nghiệm mẫu ất t các công trình xây dựng thực t hiện có khá nhi u cần ư c khai thác sử dụng, trong nghiên cứu này, các mô hình học máy SVR và RF sử dụng các k t quả thí nghiệm chỉ t u lý ản củ ất làm các bi n ầu vào nhằm dự o n Cr củ ất y u ển hình ở khu vực ồng bằng B c B ồng thời, thông qua quá trình xây dựng và huấn luyện các mô hình, các nhân tố quan trọng nhất ản ưởn n dự báo Cr ũn ư p ân tí v n K t quả của các mô hình dự o ư c kiểm tr , n ệu suất bằn p ư n p p t ống kê tiêu chuẩn n ư s số tuyệt ối trung bình (Mean Absolute Error - MAE), ăn c hai sai số bình p ư n trun n (Root M n Squ r Error - RMSE) và hệ số x ịnh (Coefficient of 2 determination - R ). K t quả nghiên cứu o p p xuất m t p ư n p p m i có thể dự o n Cr v tin c y cao thông qua các thông số v t lý ã ư c t những thí nghiệm của các công trình thực t , ti n t i xây dựng b dữ liệu l n tron tư n l v lĩn vực này tại Việt Nam. 2. Cơ sở lý thuyết các mô hình thuật toán sử dụng nghiên cứu * Thuật toán hỗ tr hồi qui vectơ (Support Vector Regression - SVR) Thu t toán SVR dựa trên lý thuy t học thống kê lần ầu t n ư c gi i thiệu bởi Vapnik vào năm 1995 Nguyên t c chính của SVR là xây dựng m t siêu phẳng (hyperpl n ) ể phân loại t p dữ liệu thành các l p riêng biệt. Bằng cách sử dụng “Kernal” phi tuy n SVR ánh xạ không gian ầu vào sang không gian nhi u chi u n (Basak và nnk., 2007). S u , s u p ẳng tố ưu ư c x ịn tron k n n ặ trưn (f tur sp ) ằng cách tố n ủa ranh gi i các l p (m r ns of l ss oun r s) C ểm ư c huấn luyện (trained points) gần nhất v i mặt siêu phẳng tố ưu ư c gọi là các v t hỗ tr (Support Vectors). Nghiên cứu này sử dụng SVR n ư m t kỹ thu t hồi quy bằn xuất m t hàm mất m t (loss fun t on) ε - không nhạy cảm (ε- ns ns t v ) ư c thể hiện trong p ư n tr n sau (Basak và nnk., 2007): |( ) | ( ) { ( ) |( ) | Dữ liệu họ ư ư v o ạng (xi, yi), x ∈ rN, y ∈ r, tron x là bi n ầu ầu vào, y là N bi n ầu ra; r = không gian v t N- chi u (N- dimensional vector space); r- không gian v t m t chi u (r- one dim ns on l v tor sp ) v ε là vùng lỗi nhạy cảm (error insensitive zone). Mụ í ủa SVR nhằm x ịnh m t hàm có thể ư c tính các giá trị tron tư n l m t cách chính xác. Hồi quy V t ỗ tr (Support vector regression) nhằm hồi quy hàm tuy n tín ư c thể hiện trong p ư n tr n sau (Basak và nnk., 2007): ( ) ( ) ( ) Hình 1. Thuật toán SVR giải quyết bài toán hồi quy
. 29 Tron , w ∈ rN và b ∈ r; w là v t trọng số có thể hiệu chỉnh (adjustable weight vector); và b là n ưỡn v ư n (s l r t r s ol ) ể dốc (slope) của hàm gần n 0, giá trị của w phả ư c tối thiểu u này có thể ạt ư c bằng cách tối thiểu norm ‖w‖2 = 〈w,w〉. ây l m t bài toán tố ưu lồ ( onv x opt m z t on) ư c thể hiện trong phư n tr n sau (Basak và nnk., 2007): ‖ ‖ ( ) V i: (〈 〉 ) ; (〈 〉 ) * Thuật toán rừng ngẫu nhiên (Random forest – RF) Thu t toán RF thu c nhóm thu t toán phân loại dự v o p ư n p p t p h p (ensemble m t o ) ư c gi i thiệu lần ầu bởi Leo Breiman (Breiman, 2001) Ý tưởn ản của thu t toán này dự tr n p ư n p p tổ h p các cây quy t ịnh * ( ) +, tron x là kí hiệu của dữ liệu ầu vào và * + là m t t p h p các v t ngẫu nhiên phân bố tư n ồng và phụ thu c. R ng ngẫu nhiên RF sử dụng kỹ thu t “ n ”( n ) ể giảm p ư n s của m t dự o n ằng cách lấy trung bình nhi u ư c tính cùng nhau. “ n ” là kỹ thu t huấn luyện câym khác nhau trên các t p con khác nhau của dữ liệu, ư c chọn ngẫu nhiên v i sự thay th , v s u tín to n t p h p (Nguyễn ức Mạnh và nnk., 2019): ( ) ∑ ( ) ( ) Tron fm là cây thứm. Kỹ thu t này giúp giảm tư n qu n ữa các cây, t ải thiện khả năn ự o n v m n lại hiệu suất dự o o n T u t to n RF ư c minh họa tại hình 2. Hình 2. Sơ đồ thuật toán rừng ngẫu nhiên (Breiman, 2001) Thu t toán RF gồm 3 ư c chính s u ây: (1) Chọn các mẫu ngẫu nhiên t t p dữ liệu ã cho; (2) Thi t l p cây quy t ịnh cho t ng mẫu và nh n k t quả dự o n t mỗi cây quy t ịnh; (3) Trung bình c ng các k t quả của các cây quy t ịn v ư r ự o n uối cùng. Trong quá trình huấn luyện máy sử dụng thu t toán RF, m t số siêu tham số (hyper-parameters) cần ư c hiệu chỉnh trong mô hình bao gồm: số lư ng cây quy t ịn ư c
30 sử dụng; chi u sâu tố (m x mum pt ) ủa các cây; số bi n tố ư c xét tại mỗi lần chia. RF ưu ểm giúp giảm b t hiện tư ng quá kh p (overfitting), m t vấn t ường gặp trong các mô hình cây quy t ịnh (Nguyen và nnk., 2019) Tuy n n, RF ư c coi là mô hình “h p n” (black-box model) vì khả năn ễn giải hạn ch của các quy t ịnh. 3. Phương pháp nghiên cứu ể thực hiện dự o n Cr thông qua các chỉ tiêu v t lý ã t của các mẫu ất y u, s ồ tổng quát họ m y ư c thi t k và xây dựng tư n ứng mô hình thu t toán lựa chọn nghiên cứu (H n 3) C ư c chính thực hiện trong nghiên cứu này gồm thu th p và xử lý dữ liệu sử dụng dự báo, huấn luyện v n ệu suất dự báo. Hình 3. Sơ đồ phương pháp luận nghiên cứu * Thu thập và tiền xử lý dữ liệu Trong nghiên cứu này, b số liệu v ầy ủ các chỉ t u lý x ịnh trong phòng thí nghiệm sử dụn l m sở dữ liệu xây dựng mô hình dự báo v i 194 mẫu ất y u loại sét pha d o chảy - chảy, ư c thu th p t các công trình thực t , tin c y tại m t số khu vực ở ồng bằng B c B v ư c thực hiện bở n vị uy tín n ư TEDI-HECO, TEDI-GIC, CIENCO1, VNCC… k t h p m t số mẫu thí nghiệm kiểm chứng bổ sun ư c lấy tại m t số khu vực trung vùng nghiên cứu. Các thông số củ ất ư c xem xét sử dụng phân tích trong bài báo này bao gồm: sâu lấy mẫu tr n (m), sâu lấy mẫu ư (m), m lư ng hạt sét (%), gi i hạn chảy (%), gi i hạn d o (%), chỉ số d o (%), sệt, ẩm (%), khố lư ng thể tích tự nhiên (g/cm3), khối lư ng thể tích khô (g/cm3), khố lư ng riêng hạt (g/cm3), rỗn (%), bão hòa (%), hệ số rỗng. Các thông số n y ư c coi là các bi n ầu v o c l p tư n ứng X1, X2, X3, X4, X5, X6, X7, X8, X9, X10, X11, X12, X13, X14 nhằm dự o n bi n ầu ra phụ thu c Cr (Y). Tổng c ng 14 thông số ầu v o ư c lựa chọn là các chỉ tiêu v t lý của các mẫu ất y u xác ịnh t thí nghiệm trong phòng. Tuy nhiên, t ường chỉ có m t số bi n ầu vào có mối quan hệ chặt chẽ v i k t quả ầu ra cần dự báo, mà ở ây l Cr T n qu qu tr n x ịnh mức tư n qu n ữa các chỉ t u lý ủ ất, cho phép loại bỏ những bi n ít hoặc không có quan hệ chặt v i k t quả ầu ra (Cr). T t ời gian xử lý của mô hình sẽ giảm xuốn v ồng thời hiệu suất của mô hình dự o ũn sẽ ư c cải thiện. Trong nghiên cứu này, hệ số tư n qu n ạng Spearman (rs) ư c sử dụng nhằm n mứ tư n qu n ủa các bi n ầu vào (Xi) v i bi n phụ thu Y ây là m t chỉ số có giá trị t -1 n 1 sử dụn ể n mứ tư n quan tuy n tính hoặc phi tuy n của 2 bi n số. Trị tuy t ối của rs càng gần t i 1, mối quan hệ giữa hai bi n số càng chặt. Giá trị tuyệt ối rs của các bi n c l p X ối v i bi n phụ thu c Y ư c thể hiện thông qua biểu ồ sau:
. 31 X11 0.044 X2 0.16 X1 0.16 X7 0.24 X3 0.28 X13 0.32 X6 0.6 X4 0.69 X5 0.74 X9 0.86 X8 0.87 X14 0.89 X12 0.89 X10 0.89 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 Hình 4. Trị tuyệt đối tương quan rs của biến đầu vào (Xi) đối với biến đầu ra (Y - Cr) K t quả p ân tí tư n qu n chỉ r ư c 6 bi n c l p là m t số thông số v t lý củ ất có mối quan hệ chặt chẽ nhất v i Cr gồm: X10, X12, X14, X8, X9 và X5, tư n ứng là khố lư ng thể tích tự nhiên (g/cm3), rỗng, hệ số rỗng, ẩm (%), khố lư ng thể tích khô (g/cm3) và gi i hạn d o (%) củ ất. * Huấn luyện máy Dữ liệu sử dụn tr n t o p ư n p p lấy mẫu ngẫu nhiên thành 2 t p: t p huấn luyện (70%) n ể huấn luyện mô hình và t p kiểm tra (30%) nhằm n ệu suất của mô hình. Trong quá trình huấn luyện, các siêu tham số (hyperparameter) của mô hình ư c tinh chỉn ể m n ạt ư c hiệu suất tố ưu (Ippolito, 2022). *Đ n ệu suất mô hình M tm n ư n tốt khi sử dụng các bi n ầu vào Xi cho ra các giá trị dự báo Ypred sát v i giá trị của thực t ã x ịnh Ytest ể n ệu suất của các mô hình học máy, các thông số (1) ăn c hai sai số n p ư n trun n (RMSE), (2) sai số tuyệt ối trung 2 bình (MAE), (3) hệ số x ịnh (R ) ư c sử dụng. RMSE thể hiện lệch tiêu chuẩn các sai số của mô hình dự o n N ư x ịnh thông qua công thức: √ ∑ ( ) (5) MAE là giá trị trung bình của tổng các trị tuyệt ối của sai số mà mô hình dự o n, ư c xác ịnh thông qua công thức: ∑ | | (6) Hệ số x ịnh R2 là m t thông số bi n ổi t 0 n 1 nhằm thể hiện hiệu suất của mô hình ∑ ( ) dự o n N ư x ịnh thông qua công thức: ( ) tron m là ∑ ( ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ ) số lư ng mẫu kiểm tra, ytest là giá trị n ủa y, ypred là giá trị do mô hình dự o n, ⃑⃑⃑⃑⃑⃑⃑⃑⃑ là giá trị trung bình của các mẫu kiểm tra và ⃑⃑⃑⃑⃑⃑⃑⃑⃑⃑ là giá trị trung bình của các mẫu dự o n 3. Kết quả dự báo và thảo luận Trong nghiên cứu n y, ường cong học (learning curve - n 5) ư c sử dụng nhằm n giá sự bi n thiên của hiệu suất mô hình học máy theo số lư ng mẫu ư c sử dụng huấn luyện. Ngoài ra, biểu ồ tần suất lỗi dự báo của 2 mô hình trên toàn b t p dữ liệu (194 mẫu) nhằm n k ả năn ự báo của 2 mô hình cũn ư c thể hiện trong hình 6 và hình 7.
32 Hình 5. Đường cong học của 2 mô hình SVR và RF Hình 6. Biểu đồ tần suất lỗi dự báo của mô hình SVR Hình 7. Biểu đồ tần suất lỗi dự báo của mô hình RF Bảng 1. So sánh hiệu suất các mô hình thuật toán AI sử dụng dự báo Cr. RF SVR Tập huấn Tập kiểm Toàn bộ dữ Tập huấn Tập kiểm Toàn bộ dữ luyện (70%) tra (30%) liệu (100%) luyện (70%) tra (30%) liệu (100%) MAE 0.0082 0.0093 0.0085 0.00921 0.00922 0.00920 RMSE 0.016 0.0123 0.0112 0.0119 0.0120 0.0118 R2 0.852 0.803 0.839 0.818 0.815 0.817
. 33 T n qu ường cong học, có thể thấy rằng, mô hình SVR có thể không cần sử dụng số lư ng mẫu dữ liệu l n ể ạt ư c hiệu suất gần n ư tố ưu, t í p v i các t p dữ liệu lư ng mẫu t nhỏ n v Tron k , ệu suất củ m n RF tăn n n t o số lư ng mẫu dữ liệu sử dụng ể phân tích, phù h p v i các t p dữ liệu có khố lư ng t v n l n và rất l n. Biểu ồ tần suất lỗ ũn o t ấy, lỗi dự báo của các mô hình khá gần v i phân phối chuẩn, lỗi dự báo gần v i 0 có tần suất xuất hiện nhi u nhất. Các hệ số n ệu suất dự báo của các mô hình trí tuệ nhân tạo sử dụng trong nghiên cứu này RMSE, MAE hay R2 u cho k t quả rất tích cực (R2 > 0.8, RMSE và MAE gần v i 0), chứng tỏ ư tin c y cao khi dự báo Cr thông qua m t số chỉ tiêu v t lý dễ x ịn k ã (k ố lư ng thể tích tự n n, rỗng, hệ số rỗn , ẩm, khố lư ng thể tích khô và gi i hạn d o). Hai mô hình có hiệu suất dự báo gần n ư n u, tuy n n ệu suất của RF tốt n (R2 = 0.839) so v i SVR (R2 = 0.817). 4. Kết luận Chỉ số nén lại (Cr) củ ất y u là thông số ất n n không thể thi u, ư c sử dụn ể lựa chọn công thức khi phân tích lún cố k t n n ất y u ư i tác dụng tải trọn p N t ườn ư c xác ịnh thông qua thí nghiệm nén cố k t mẫu ất trong phòng v i chi phí khá tốn kém, phức tạp và mất thời gian ể thay th việc thí nghiệm này, m t trong hai mô hình thu t toán trí tuệ nhân tạo SVR, RF hoàn toàn có thể sử dụn ể dự báo tốt ư c Cr củ ất y u thông qua nguồn số liệu thí nghiệm ã tron v n . K t quả nghiên cứu chỉ ra rằng, mô hình RF có khả năn ự o n chỉ số nén lại Cr củ ất y u tại m t số khu vực ở ồng bằng B c B là tốt nhất (R2 = 0.839, MAE = 0.0085, RMSE = 0.0112), trong khi SVR ũn t ể hiện khả năn ự o n k tốt (R2 = 0.817, MAE = 0.0092, RMSE = 0.0118) V i việc khai thác các nguồn số liệu khảo s t ất n n t các công trình thực t nhi u năm qua, việc ứng dụng kỹ thu t trí tuệ nhân tạo ể dự báo chỉ số nén lại củ ất y u nói riêng, các thông số ất n n quan trọng nói chung có thể x m n ư m t công cụ thay th hiệu quả v ầy triển vọng nhằm giảm thời gian, chi phí và sai số do phải thí nghiệm x ịnh chúng trên t ng mẫu ất. Dựa trên k t quả của nghiên cứu này, có thể xuất rằng, cả 2 mô hình thu t toán SVR và RF u có thể sử dụng là công cụ hữu dụng trong dự o n Cr củ ất y u, tư n ứng các thông số v t lý quan trọn ể dự o n Cr gồm: khố lư ng thể tích tự n n, rỗng, hệ số rỗng, ẩm, khố lư ng thể tích khô và gi i hạn d o. Tài liệu tham khảo Azzouz, A.S., Krizek, R.J., Corotis, R.B., 1976. Regression Analysis of Soil Compressibility. Soils and Foundations 16, 19-29. https://doi.org/10.3208/sandf1972.16.2_19. Basak, D., Pal, S., Ch, D., Patranabis, R., 2007. Support vector regression, in: Neural Information Processing Letters and Reviews, pp. 203-224. Breiman, L., 2001. Random Forests. Machine Learning 45, 5-32. https://doi.org/10.1023/ A:1010933404324. DAS, B.M., 2013. Principles of Foundation Engineering, 7th, International Economy Edition ed. Cengage India. Das, B.M., Sobhan, K., 2013. Principles of Geotechnical Engineering, 8th edition. ed. Cengage Learning, Stamford, CT.
34 Gunduz, Z., Arman, H., 2007. Possible relationships between compression and recompression indices of a low-plasticity clayey soil. Arabian Journal for Science and Engineering. Section B: Engineering 32, 179-190. Ippolito, P.P., 2022. Hyperparameter Tuning, in: Egger, R. (Ed.), Applied Data Science in Tourism: Interdisciplinary Approaches, Methodologies, and Applications. Springer International Publishing, Cham, pp. 231-251. https://doi.org/10.1007/978-3-030-88389-8_12. Ișık, N S , 2009 Est m t on of sw ll n x of f n r n so ls using regression equations and artificial neural networks. Scientific Research and Essays 4, 1047-1056. Mạn * N , An H S , K ả P , Trun N , ức L.A., 2020. Nghiên cứu và ứng dụng học máy dự báo hệ số cố k t củ ất y u tại m t số khu vực ven biển B c B . VJST B 62. Mạn *, N , An, H S , K ả , P , Trun , N , H , N H , Dũn , N , 2021 N n ứu ứng dụng kỹ thu t trí tuệ nhân tạo dự báo áp lực ti n cố k t củ ất y u tại m t số khu vực ở ồng bằng B c B . Tạp c í Địa kỹ thuật. Nagaraj, T.S., Murthy, B.S., 1985. Prediction of the Preconsolidation Pressure and Recompression Index of Soils. GTJ 8, 199-202. https://doi.org/10.1520/GTJ10538J. Nguyen Duc, M., Ho Sy, A., Nguyen Ngoc, T., Hoang Thi, T.L., 2022. An Artificial Intelligence Approach Based on Multi-layer Perceptron Neural Network and Random Forest for Predicting Maximum Dry Density and Optimum Moisture Content of Soil Material in Quang Ninh Province, Vietnam, in: Ha-Minh, C., Tang, A.M., Bui, T.Q., Vu, X.H., Huynh, D.V.K. (Eds.), CIGOS 2021, Emerging Technologies and Applications for Green Infrastructure. Springer, Singapore, pp. 1745- 1754. https://doi.org/10.1007/978-981-16-7160-9_176. Nguyen, M., Hai, H., Al-Ansari, N., Amiri, M., Ly, H.-B., Prakash, I., Pham, B., 2021. Hybridization of Differential Evolution and Adaptive - Network-Based Fuzzy Inference System in Estimation of Compression Coefficient of Plastic Clay Soil. Computer Modeling in Engineering & Sciences. Nguyen, M.D., Pham, B.T., Ho, L.S., Ly, H.-B., Le, T.-T., Qi, C., Le, V.M., Le, L.M., Prakash, I., Son, L.H., Bui, D.T., 2020. Soft-computing techniques for prediction of soils consolidation coefficient. CATENA 195, 104802. https://doi.org/10.1016/j.catena.2020.104802. Nguyen, M.D., Pham, B.T., Tuyen, T.T., Hai Yen, H.P., Prakash, I., Vu, T.T., Chapi, K., Shirzadi, A., Shahabi, H., Dou, J., Quoc, N.K., Bui, D.T., 2019. Development of an Artificial Intelligence Approach for Prediction of Consolidation Coefficient of Soft Soil: A Sensitivity Analysis. The Open Construction & Building Technology Journal 13. https://doi.org/10.2174/1874836801913010178. Pham, B.T., Nguyen, M.D., Bui, K.-T.T., Prakash, I., Chapi, K., Bui, D.T., 2019. A novel artificial intelligence approach based on Multi-layer Perceptron Neural Network and Biogeography-based Optimization for predicting coefficient of consolidation of soil. CATENA 173, 302-311. https://doi.org/10.1016/j.catena.2018.10.004.