ĐẠI HỌC ĐÀ NẴNG
TRƯỜNG ĐẠI HỌC BÁCH KHOA

HUỲNH VĂN VŨ

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

Chuyên ngành: QUẢN LÝ XÂY DỰNG
Mã số: 8580302

TÓM TẮT LUẬN VĂN THẠC SĨ QUẢN LÝ XÂY DỰNG

Đà Nẵng – 2022


Cơng trình được hồn thành tại
TRƯỜNG ĐẠI HỌC BÁCH KHOA

Người hướng dẫn khoa học: TS. NGÔ NGỌC TRI

Phản biện 1:
GVC.TS LÊ KHÁNH TOÀN
Phản biện 2:
TS. PHÙNG PHÚ PHONG

Luận văn sẽ được bảo vệ trước Hội đồng chấm Luận văn tốt
nghiệp thạc sĩ Quản Lý Xây Dựng họp tại Đại học Bách khoa vào ngày 27
tháng 03 năm 2022

Có thể tìm hiểu luận văn tại:

− Trung tâm Học liệu, Đại học Đà Nẵng tại Trường Đại học Bách khoa
− Thư viện Khoa Quản Lý Dự Án, Trường Đại học Bách khoa - ĐHĐN



1
MỞ ĐẦU
1. TÍNH CẤP THIẾT CỦA ĐỀ TÀI
Tiếp cận từ góc độ quản lý thiết kế về việc tính tốn khả năng
chịu lực của cột ống thép nhồi bê tông theo phương pháp truyền
thống dùng công thức thực nghiệm thường tốn thời gian và có độ
chính xác hạn chế. Thay vào đó việc áp dụng mơ hình máy học có ưu
điểm học nhanh, dự đốn chính xác. Điều này giúp cho kỹ sư thiết kế
đưa ra kết quả phân tích khả năng chịu lực cực hạn của cột ống thép
nhồi bê tơng một cách nhanh chóng, hiệu quả nhằm tăng năng suất
công việc.
Cột ống thép nhồi bê tông (concrete filled steel tube columns –
CFST columns) được sử dụng rộng rãi trong các cơng trình xây dựng
(cột nhà cao tầng, trụ cầu...) do tính vượt trội của nó so với cột bê
tông cốt thép truyền thống về mặt cường độ và độ dẻo cao, độ cứng
lớn, khả năng chịu lửa tốt và khả năng tiêu tán năng lượng tốt [58].
Cường độ chịu nén cực hạn (Ultimate load capacity) của cột
CFST là nhân tố rất quan trọng đến khả năng làm việc của cột CFST.
Việc xác định chính xác cường độ chịu nén cực hạn của CFST là
phức tạp bởi vị nó bị ảnh hưởng một cách phi tuyến bởi nhiều yếu tố
như chiều dài ống thép (L), độ dày của ống thép (t), tỉ lệ chiều cao và
đường kính của cột CFST (D), đặc tính sợi thép (steel fiber) dùng
trong bê tơng (nếu có), và cường độ chịu nén của bê tông dùng trong
cột CFST. Hiện nay các tiêu chuẩn quốc tế như Eurocode 4 (EC4),
AISC (tiêu chuẩn Mỹ), ACI 318R (tiêu chuẩn của hiệp hội bê tông

Mỹ), tiêu chuẩn Trung Quốc DLT/5085 – 1999 đã đề xuất nhiều
công thức và hướng tiếp cận khác nhau để tính tốn khả năng chịu
lực cực hạn.

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


2
Bên cạnh đó cũng đã có nhiều cơng thức thực nghiệm được đề
xuất trong các nghiên cứu trước của nhiều tác giả trên thế giới. Đến
nay, tất cả các công thức dự đoán cường độ chịu nén của cột CFST
chỉ phù hợp đối với bê tông thường NSC, trong một số tiêu chuẩn và
các nghiên cứu cũng đã mở rộng và hiệu chỉnh cho bê tông cường độ
cao HSC chỉ đến 90 MPa. Các tiêu chuẩn cũng hạn chế trong việc dự
đốn chính xác cường độ của cột CFST cho tất cả các loại cường độ
bê tông, đặc biệt là với bê tông UHSC. Các nghiên cứu của các tác
giả cũng chưa đề xuất được cơng thức, mơ hình dự đoán lực cực hạn
cho cột CFST, cũng như với việc sử dụng các loại bê tơng có cường
độ khác nhau. Chính vì thế việc thiết lập một mơ hình dự đoán lực
cực hạn cho cột CFST sử dụng các loại bê tông với cường độ khác
nhau là việc rất cần thiết và có tính thực tế khi áp dụng triển khai cho
các cơng trình.
Tuy nhiên, cơng thức thực nghiệm hạn chế độ chính xác trong dự
đốn cường độ chịu nén của cột CFST. Trong khi đó mơ hình học
máy được xem là môt cuộc cách mạng thay đổi nhiều lĩnh vực. Bởi
tính năng học nhanh và độ tin cậy cao, gần đây có một số nghiên cứu
ứng dụng mơ hình học máy để mô phỏng ứng xử của các kết cấu và
vật liệu. Mơ hình học máy giúp tăng độ chính xác dự báo và giúp

giảm bớt các sai lệch trong thiết kế kết cấu. Vì vậy, ứng dụng mơ
hình học máy cho bài toán xác định cường độ chịu nén cực hạn của
cột CFST là cấp thiết và có ý nghĩa rất lớn trong thiết kế kết cấu các
công trình xây dựng.)
Từ những cơ sở trên học viên đề xuất đề tài: “Ứng Dụng Mơ Hình
Học Máy Trong Dự Đoán Khả Năng Chịu Nén Của Cột Ống Thép
Nhồi Bê Tông”
2. MỤC TIÊU NGHIÊN CỨU CỦA ĐỀ TÀI
THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


3

3. ĐỐI TƯỢNG, PHẠM VI NGHIÊN CỨU
- Đối tượng nghiên cứu: Đề tài tập trung vào mơ hình học máy và
cột ống thép nhồi bê tông.
- Phạm vi nghiên cứu: Phạm vi nghiên cứu bao gồm việc xây
dựng và đánh giá mơ hình học máy để dự đốn cường độ chịu nén
của cột CFST.
4. PHƯƠNG PHÁP NGHIÊN CỨU
- Thu thập và xử lý số liệu về cường độ chịu nén cực hạn của cột
CFST: Dữ liệu về cột CFST được thu thập từ các nguồn mở và các
nghiên cứu trước, bao gồm có các loại bê tơng cường độ thường
(NSC), bê tông cường độ cao (HS) và bê tông cường độ siêu cao
(UHSC). Các thuộc tính của mẫu thu thập bao gồm chiều dài ống
thép (L), đường kính (D), độ dày của ống thép (t), ứng suất chảy của
thép
(fy), tỉ lệ của đường kính và độ dày ống thép (D/t), cường độ chịu nén

của bê tông (fc) và cường độ dọc trục trong cột CFST (Nu).
- So sánh tính hiệu quả giữa các mơ hình học máy: Hiệu quả các
các mơ hình sẽ được đánh giá thơng qua các dữ liệu thu thập và các
chỉ số thống kê.
- Đề xuất mơ hình học máy để dự đốn cường độ chịu nén của cột
CFST: Dựa trên hiệu quả và độ chính xác của các mơ hình máy học.
5. Ý NGHĨA KHOA HỌC VÀ THỰC TIỄN CỦA ĐỀ TÀI
Ý nghĩa khoa học: Hướng nghiên cứu ứng dụng mơ hình học máy
về dự đoán cường độ chịu nén của cột CFST là một chủ đề đang
được các nhà nghiên cứu trên thế giới quan tâm. Kết quả nghiên cứu
góp phần thúc đẩy ứng dụng các mơ hình học máy và trí tuệ nhân tạo
trong lĩnh vực kỹ thuật và quản lý xây dựng.


4
Ý nghĩa thực tiễn: Kết quả đề tài cung cấp một cơng cụ dựa trên
mơ hình học máy cho các nhà thiết kế và quản lý trong việc xác định
khả năng chịu lực của cột CFST nhằm tăng độ chính xác dự báo và
giúp giảm bớt các sai lệch trong thiết kết cấu của các cơng trình xây
dựng.
6. BỐ CỤC CỦA LUẬN VĂN
Nội dung Luận văn với cấu trúc cụ thể như sau:
Mở đầu
• Trình bày tính cấp thiết của đề tài nghiên cứu, mục tiêu, đối
tượng, phạm vi, cách tiếp cận và phương pháp nghiên cứu, ý nghĩa
khoa học và thực tiễn của đề tài và cấu trúc của Luận văn.
Chương 1: Tổng quan về cột ống thép nhồi bê tơng và mơ hình học
máy trong dự đốn khả năng chịu nén của CFST
• Trình bày tổng quan về cột ống thép nhồi bê tông, một số
nghiên cứu liên quan về cột ống thép nhồi bê tông và ứng dụng của

nó trong xây dựng.
• Trình bày tổng quan về mơ hình học máy, phân loại các mơ
hình học máy và một số nghiên cứu về ứng dụng của mô hình học
máy trong xây dựng.
Chương 2: Các nghiên cứu trước liên quan đến ứng dụng mơ hình
học máy vào cột CFST
• Phân tích các nghiên cứu trước liên quan đến ứng dụng mơ hình
học máy vào cột CFST.
• Trình bày hai công thức thực nghiệm cho cột CFST là Euro
Code 4 (1994) và AISC 2010.
Chương 3: Xây dựng và đánh giá các mơ hình học máy bằng phần
mềm Weka

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


5

• Giới thiệu về phần mềm Weka, kiến trúc thư viện của Weka và
các ưu điểm của nó.
• Phân tích các mơ hình học máy bao gồm mơ hình rừng ngẫu
nhiên bổ sung (ARF), mơ hình mạng nơ ron nhân tạo (ANNs), mơ
hình hỗ trợ hồi quy vector (SVR)
• Trình bày việc thu thập bộ dữ liệu thực nghiệm về kết cấu cột
CFST sử dụng các loại bê tơng có cường độ khác nhau bao gồm 802
bộ dữ liệu với 6 thơng số đầu vào là: đường kính của cột (D), độ dày
ống thép (t), ứng suất chảy của thép ( fy ) cường độ của bê tông ( fc ),
chiều dài của cột (L), tỷ lệ giữa đường kính/ độ dày ống thép (D/t) và

1 thông số đầu ra là khả năng chịu lực cuối cùng của cột CFST ( N u ).
• Trình bày quy trình và các thơng số đánh giá các mơ hình học
máy để dự đoán cường độ chịu nén của cột CFST với các loại bê
tơng khác nhau.
• Kết quả phân tích và so sánh các mơ hình.
Kết luận và kiến nghị
• Trình bày kết luận của luận văn đạt được, hạn chế của đề tài và
định hướng nghiên cứu tiếp theo của đề tài.
Danh mục bài báo khoa học
Danh mục tài liệu tham khảo
Phụ lục


6
Chương 1 - TỔNG QUAN VỀ CỘT ỐNG THÉP NHỒI BÊ
TƠNG VÀ MƠ HÌNH HỌC MÁY TRONG DỰ ĐỐN KHẢ
NĂNG CHỊU NÉN CỦA CFST
1.1. Tổng quan về cột ống thép nhồi bê tơng và ứng dụng của nó
trong xây dựng
1.1.1. Tổng quan về cột ống thép nhồi bê tông
Cột ống thép nhồi bê tông là kết cấu bao gồm ống thép được lấp
đầy bên trong bằng bê tông. Ống thép lúc này đóng vai trị vừa là ván
khn cho q trình đổ bê tơng, vừa tham gia tăng cường khả năng
chịu tải của cùng bê tơng. Trong khi đó, việc nhồi bê tông giúp tăng
sự ổn định của ống thép và độ dẻo của tiết diện. Ngồi ra, cột CFST
cịn có các ưu điểm như hấp thụ năng lượng cao, độ bền cao và khả
năng chống cháy, chống biến dạng tốt, tính kinh tế và khả năng khai
thác thuận tiện. Vì vậy, ứng xử của cột CFST được quan tâm nghiên
cứu rộng rãi trong suốt ba thập kỷ qua [2].
Kết cấu ống thép nhồi bê tông là một cấu kiện liên hợp bao gồm

ống thép vỏ và bê tông lõi sử dụng các loại bê tơng có cường độ khác
nhau cùng làm việc chung. Hình 1.1 thể hiện cấu tạo cột ống thép
nhồi bê tơng.

Hình 1.1: Cấu tạo cột ống thép trịn nhồi bê tơng [2]
THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


7

1.1.2. Một số nghiên cứu liên quan về cột ống thép nhồi bê tông
1.1.3. Ứng dụng của cột ống thép nhồi bê tông trong xây dựng hiện
nay
Một số ứng dụng của cột ống thép nhồi bê tông qua các công trình
xây dựng hiện nay được thể hiện như: tồ tháp đôi Petronas ở thành
phố Kuala Lampur, nhà ga Techno ở thành phố Tokyo, Tháp Canton
ở Quảng Châu, Trung Quốc.
1.2. Tổng quan về mơ hình học máy và ứng dụng máy học trong
xây dựng
1.2.1. Tổng quan về mơ hình học máy
1.2.2. Phân loại các mơ hình học máy
1.2.3. Một số nghiên cứu về ứng dụng của mơ hình học máy trong
xây dựng
Gần đây, một số nghiên cứu trong nước đã sử dụng mơ hình mạng
nơ-ron nhân tạo để dự đốn cường độ chịu nén cho nhiều loại bê
tơng khác nhau.
Nhóm nghiên cứu của Lý Hải Bằng sử dụng mạng ANN để dự
đốn cường độ chịu nén cho bê tơng sử dụng cốt liệu tái chế RAC

(Recycled Aggregate Concrete) và bê tông hiệu suất cao HPC (highperformance concrete).
Theo A.M. Al-Khaleef và cộng sự [40], đã ứng dụng mơ hình
máy học vào việc dự đốn khả năng chống cháy của cột thép hình đổ
bê tơng bằng cách sử dụng mơ hình máy học mạng nơ-ron nhân tạo.
Theo Phạm Anh Đức và cộng sự [44], dự đốn mức tiêu thụ năng
lượng trong nhiều tịa nhà bằng cách sử dụng mơ hình máy học rừng
ngẫu nhiên (RF).


8
Chương 2 - CÁC NGHIÊN CỨU TRƯỚC LIÊN QUAN ĐẾN
ỨNG DỤNG MƠ HÌNH HỌC MÁY VÀO CỘT CFST.
2.1. Phân tích các nghiên cứu trước liên quan đến ứng dụng mơ
hình học máy vào cột CFST.
2.2. Công thức thực nghiệm cho cột CFST
2.2.1. Tiêu chuẩn Euro Code 4 – 1994 (EC 4)
Hiệu ứng hạn chế được xem xét đối với các ống trịn chứa đầy
bê tơng có độ mảnh tương đối  không lớn hơn 0.5 và tỷ số lệch tâm

e
nhỏ hơn 0.1 và khi đó khả năng chịu nén của mặt
D

trên đường kính

cắt ngang được xác định là [68].

N



tfy
= a As fy + Ac fc  1 + c
pl , Rd

Df
ck



 (2.1)



Trong đó:

c = 4.9 − 1 8.5 + 1 7 2 (c  0)

(2.2)

a = 0.25 3 + 2 (a  1)

(2.3)

(

−

=
N


)

N pl ,Rk
N cr

pl , Rk

N cr =

= fy As + 0.85 fc Ac

 2 ( E I )eff

( E I )eff

l2

= E s I s + K eE I c
c2

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

(2.4)
(2.5)

(2.6)
(2.7)

Lưu hành nội bộ



9

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

a là hệ số kiềm chế nở hông của ống thép;
f y là cường độ chảy của thép;

fc là cường độ nén bê tông không giới hạn;
AS , AC lần lượt là diện tích mặt cắt của thép và bê tơng;

Ncr là lực bình thường tới hạn đàn hồi đối với chế độ vênh có liên
quan;

(E I ) là độ cứng uốn hữu hiệu để tính tốn độ mảnh tương đối
eff
I S và I C lần lượt là mômen quán tính của ống thép và lõi bê tơng;

K e là hệ số hiệu chỉnh nên được lấy là 0.6
l là chiều dài vênh của cột CFST;
E là mô đun đàn hồi bê tơng;
c2
Khả năng chịu nén của chất dẻo có xem xét đến độ vênh được cho
bởi:

N

Ed

= N


(2.8)

pl , Rd

 là hệ số giảm cho đường cong vênh

=

1
 + 2 − 2

(

(2.9)

)

 = 0.5 1 + 0.21  − 0.2 +  2 




(2.10)

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


10
▪ Tiêu chuẩn giới hạn cho kết cấu thép cấp S235 đến S460 và bê tơng

trọng lượng bình thường có cấp cường độ C20/25 đến C50/60.
▪ Tỷ lệ đóng góp thép δ phải tuân theo điều kiện: 0.2    0.9 ,
trong đó:

=

As fy
N
pl , Rd

(2.11)

Có thể bỏ qua sự vênh cục bộ với giá trị lớn nhất D / t

max ( D / t ) = 90

235
fy

(2.12)

▪ Độ mảnh tương đối  không được vượt quá 2.0. Tỷ lệ giữa chiều
sâu và chiều rộng của mặt cắt ngang phải nằm trong giới hạn 0.2 và
5.0.
2.2.2. Tiêu chuẩn AISC 2010 (AISC)
Đối với cột CFST hình trịn, AISC [79] đã xem xét sự giam
giữ bê tông thông qua ứng suất vòng trong ống thép (sử dụng hệ số
0.95), cường độ mặt cắt ngang P0,AISC được cho bởi [79]:

P0, AISC = 0.95 fc Ac + fy As


(2.13)

P0, AISC được định nghĩa là khả năng dẻo của phần có cường độ chiều
dài bằng không

f y là cường độ chảy của thép

fc là cường độ nén bê tông không giới hạn
As and Ac lần lượt là diện tích mặt cắt của thép và bê tơng. Do đó,
để xem xét ảnh hưởng của chiều dài của cột, khả năng dọc trục danh
nghĩa của cột CFST trịn được tính bằng:

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


11




 P0,AISC
N AISC = 


0.877P ,
e



P


 0, AISC


Pe



0.658
















 , Pe3 0.44P
0,AISC




(

( PAS 0.44P0,AISC )

Trong đó: Pe là tải trọng đàn hồi, được cho bởi:

Pe =

 2 ( E I )eff 1

(K AL A )

( E I )eff 1

2

= E sI s + C E I c
3 c1


As 

 Ac + As 

C 3 = 0.6 + 2 

(2.15)


(2.16)
(2.17)

Trong đó:
eff 1 là độ cứng hữu hiệu của mặt cắt hỗn hợp

K A là hệ số chiều dài hiệu dụng

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

I s và I c lần lượt là mơmen qn tính của ống thép và lõi bê tông
E

c1

là môđun đàn hồi của bê tông

)













12
▪ Chương 3 - XÂY DỰNG VÀ ĐÁNH GIÁ CÁC MƠ HÌNH
HỌC MÁY BẰNG PHẦN MỀM WEKA
3.1. Giới thiệu về phần mềm Weka
Weka là một bộ phần mềm mã nguồn mở tuyệt vời dành cho khai
thác dữ liệu, được xây dựng bằng ngơn ngữ lập trình Java, theo kiến
trúc hướng đối tượng, được tổ chức thành thư viện phục vụ cho lĩnh
vực học máy.[69]. Hình 3.1 thể thiện giao diện chính của phần mềm
Weka.

Hình 3.1: Giao diện phần mềm Weka
3.1.1. Ưu điểm của Weka
3.1.2. Kiến trúc thư viện Weka
3.2. Các mơ hình học máy
3.2.1. Mơ hình rừng ngẫu nhiên bổ sung (ARF)
ARF là một phiên bản cải tiến của RF đã được sử dụng trong
nghiên cứu này. Mơ hình ARF là một siêu mơ hình giúp cải thiện độ
chính xác của mơ hình cơ sở hồi quy. Mỗi thế hệ phù hợp với một
mơ hình phù hợp với sự khác biệt của RF trên thế hệ trước. Hồi quy
được thực hiện với việc bổ sung các kết quả của mỗi mơ hình. Điều
này cải thiện hiệu ứng làm mịn [45].

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


13


Mơ hình RF được phát triển bởi Breiman [70] là mơ hình học máy
hiệu quả [71]. Hình 3.2 thể hiện q trình đào tạo và thử nghiệm mơ
hình rừng ngẫu nhiên bổ sung.

Hình 3.3: Quá trình đào tạo và thử nghiệm mơ hình rừng ngẫu nhiên
bổ sung
Cho RF là một nhóm C cây T ( X ), T ( X ),...., T ( X ), trong đó

1

2

C

X = x , x ,..., xm là vectơ đầu vào thứ m . Nhóm tạo ra đầu ra C
1 2
là:

Y p red _1 = T1 ( X ), Y pred _ 2 = T2 ( X ),...., Y pred _ C = TC ( X )
Trong đó Y

pred _ C là các giá trị được dự đoán bởi cây quyết

định thứ C .
Kết quả của những cây đã tạo đó được kết hợp để cuối cùng có
được một đầu ra Ypred _ c là giá trị trung bình của tất cả các cây trong
rừng. RF tạo ra C số cây quyết định từ N điểm dữ liệu huấn luyện.
Lấy mẫu Bootstrap đã được triển khai để tạo ra tập đào tạo và tập
thử nghiệm [72]. Dữ liệu đào tạo đã được áp dụng để xây dựng một
cây hồi quy chưa được điều chỉnh. Quá trình này được lặp lại cho



14
đến khi cây quyết định C được trồng để tạo thành một khu rừng
được tạo ngẫu nhiên.
3.2.2. Mơ hình mạng nơ ron nhân tạo (ANNs)
Mơ hình ANNs là một mơ hình học máy phổ biến đã được áp
dụng cho các vấn đề kỹ thuật như dự đoán mực nước ngầm trong
vùng đá cứng [73] và kỹ thuật mặt đường [74]. Hình 3.3 trình bày
cấu trúc ba lớp của mơ hình ANNs. Nhiều lớp (multilayers) trong
ANNs được đào tạo bằng phương pháp truyền ngược có thể cải thiện
sức mạnh trong việc giải quyết các vấn đề phức tạp [74]. Phương
pháp truyền ngược có thể tối ưu hóa hiệu quả các trọng số được kết
nối và giá trị lỗi trong việc học các mơ hình ANNs. Các nơ-ron được
kích hoạt của các lớp đầu ra ẩn có dạng cơng thức (3.2).

net =  w o , y = f (net )
k
kj j k
k

(3.2)

Trong đó: net là hàm được kích hoạt của nơron thứ k

k
j là nơ-ron ở lớp trước
w là trọng số kết nối của các nơron k và j
kj


o j là đầu ra và y là hàm trung chuyển
k
1
f (net ) =
k
− net
k
1 +e

(3.3)

Trong đó:
 điều khiển gradient chức năng.
W đã được đào tạo và cập nhật bằng cách sử dụng công thức (3.4)

kj

như bên dưới

w (t) = w (t − 1) + w (t)
kj
kj
kj
Giá trị thay đổi w (t) là:
kj
THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

(3.4)

Lưu hành nội bộ



15

w (t) =  pj o pj + w (t − 1)
kj
kj

(3.5)

 là tham số tốc độ học;  pj là lỗi lan truyền; o pj là
đầu ra của nơron j cho bản ghi p ;  là tham số động lượng, và
w (t − 1 ) là giá trị thay đổi theo w trong chu kỳ trước.
kj
kj
Trong đó

Hình 3.4: Cấu trúc mơ hình ANNs
3.2.3. Mơ hình hỗ trợ hồi quy vector (Support Vector Regression SVR)
Hỗ trợ hồi quy vector (SVR)[75] là một mơ hình học có giám
sát thuộc về học máy, được sử dụng cho các bài toán hồi quy. Nó đã
được sử dụng để nắm bắt mối quan hệ phi tuyến tính giữa các yếu tố
dự báo và các biến phụ thuộc. Hình 3.4 trình bày một khn khổ của
mơ hình SVR. Nó sử dụng một hàm nhân để ánh xạ các yếu tố dự
đốn tới khơng gian đặc trưng kích thước cao.
Một hàm chi phí bình phương nhỏ nhất được áp dụng để đào tạo
mơ hình SVR để tạo ra các phương trình tuyến tính trong một không


16

gian kép làm giảm thời gian tính tốn. Đặc biệt, các mơ hình SVR
được dạy bằng cách giải cơng thức (3.6).

n
2 1
1
min J ( , b, e) =  + C  e 2 ;
2
2 k =1 k
 ,b,e
tùy thuộc vaøo yk =  ,  ( xk ) + b + ek , k = 1,...n
Trong đó J (, b, e) là một hàm mục tiêu;

 là tham số xấp xỉ

tuyến tính; ek là lỗi; C  0 là một tham số chính quy hóa; xk là các
yếu tố dự đoán; yk là các biến phụ thuộc (tức là các biến ảnh hưởng
đến khả năng chịu lực cuối cùng của cột CFST trong nghiên cứu
này); b là thiên vị; và n là kích thước tập dữ liệu.
Số nhân Lagrange ( k ) được sử dụng để giải quyết vấn đề này dẫn
đến phương trình (3.7). Một hàm nhân được mô tả trong công thức
(3.8). Trong số các hàm hạt nhân, hạt nhân hàm cơ sở xuyên tâm
Gaussian (RBF) là mạnh mẽ và được áp dụng trong nghiên cứu này
như được trình bày trong Eq. (3.9)

n
f ( x ) =   K ( x, x ) + b
k
k =1 k


(3.7)

n
K ( x , x ) =  g ( x )g ( x )
k
k k
k =1 k

(3.8)

K ( x, x ) = exp(− x − x
k
k

2

/2 2 )

Trong đó: k là số nhân Lagrange; K ( x, xk ) là hàm nhân;

(3.9)

 là chiều

rộng RBF.
Hiệu suất của các mô hình SVR bị ảnh hưởng bởi các cài đặt giá trị
của siêu tham số của nó bao gồm chiều rộng RBF ( ) và tham số

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.


Lưu hành nội bộ


17

điều hòa (C ) . Trong nghiên cứu này, các thiết lập tối ưu của hai siêu
thông số này đã được xem xét một cách tồn diện.

Hình 3.5: Khung hỗ trợ hồi quy vector
3.3. Thu thập bộ dữ liệu thực nghiệm về kết cấu cột CFST sử
dụng các loại bê tơng có cường độ khác nhau
Một tập dữ liệu lớn đã được thu thập trong nghiên cứu này để
đánh giá kỹ thuật dự đốn các mơ hình học máy được đề xuất bao
gồm 802 mẫu thử nghiệm xoay quanh các cột tròn ngắn CFST. Bộ
dữ liệu được lấy từ Hiệp hội các kết cấu hỗn hợp thép-bê tông [76].
3.4. Quy trình đánh giá các mơ hình học máy để dự đoán
cường độ chịu nén của cột CFST với các loại bê tơng khác nhau
Q trình đánh giá mơ hình là giai đoạn học tập và giai đoạn thử
nghiệm trong đó bao gồm 802 dữ liệu được chia ngẫu nhiên thành 10
phần bằng cách sử dụng phương pháp xác nhận chéo k-lần (k-fold
cross-validation method) như thể hiện trong hình 3.11, hình 3.12
minh họa quá trình đào tạo và thử nghiệm của mơ hình ANNs, mơ
hình SVR và mơ hình ARF. Sau khi các mơ hình học máy được đào


18
tạo, dữ liệu kiểm tra được đưa vào các mô hình đã được đào tạo để
tạo ra các giá trị dự đoán của cường độ chịu nén dọc trục trong các
cột CFST. Các kết quả dự đốn đó được so sánh với các giá trị thực
tế của cường độ chịu nén dọc trục trong các cột CFST thông qua các

chỉ số thống kê để đánh giá hiệu suất của mô hình.

Hình 3.6: Lấy mẫu lại dữ liệu bằng phương pháp xác nhận chéo klần

Hình 3.7: Quy trình đào tạo và thử nghiệm cho các mơ hình học máy
3.5. Các thơng số đánh giá về tính hiệu quả của các mơ hình
Hiệu suất của mơ hình được đánh giá thơng qua các chỉ số thống
kê bao gồm: sai số tuyệt đối trung bình (MAE), sai số phần trăm
tuyệt đối trung bình (MAPE) và hệ số tương quan (R). Công thức của
các chỉ số này được trình bày dưới dạng phương trình 3.10, 3.11,
3.12. R cao hơn, MAE thấp hơn, MAPE cho thấy hiệu suất dự đốn
tốt.
Sai số tuyệt đối trung bình - Mean Absolute Error (MAE)

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


19

MAE =

1 n
'
 y−y
n i =1

(3.10)


Sai số phần trăm tuyệt đối trung bình - Mean Absolute Percentage
Error (MAPE)

MAPE =

1 n y − y'

n i =1 y

(3.11)

Hệ số tương quan R - Correlation coefficient (R)

R=

( )
2
n (  y'2 ) − (  y' )

n y.y' − (  y )  y'

(

)

2
n  y2 − (  y )

Trong đó: y là giá trị thực tế; y’ là giá trị dự đoán; n là số mẫu
trong bộ dữ liệu

3.6. Kết quả phân tích và so sánh các mơ hình
Phần này phân tích kết quả đánh giá của mơ hình ARF được đề
xuất để dự đoán khả năng chịu lực cực hạn của cột CFST thông qua
các giai đoạn huấn luyện và kiểm tra. Sự so sánh giữa mơ hình được
đề xuất với các mơ hình học máy khác và các phương pháp thực
nghiệm cũng được trình bày trong phần dưới đây.
Phần này nhằm mục đích so sánh mơ hình hoc máy được đề xuất
với 2 mơ hình khác là mơ hình ANNs và SVR và các phương pháp
thực nghiệm gồm tiêu chuẩn EC4 và AISC. Các mơ hình này đã
được triển khai trong Weka, một phần mềm máy học mã nguồn mở
[69]. Cài đặt của các mơ hình học máy cơ bản được trình bày trong
Bảng 3.3 dưới dạng giá trị mặc định trong Weka.


20
Bảng 3.1: Trình bày các thơng số mặc định của các mơ hình thuật
tốn
Mơ
hình
ANNs
SVR
ARF

Cài đặt các thơng số mặt định trong WEKA
Hidden layer = 4; Training rate = 0.3; Momentum = 0.2
BatchSize = 100; C = 1; kernel = RegSMOImproved
bagSizePercent = 100; numFeatures = 0; maxDepth = 0
(The maximum depth of the tree, 0 for unlimited.)

Hình 3.16 mơ tả mối quan hệ giữa các giá trị thực tế và dự đoán

về cường độ chịu nén dọc trục của các cột CFST ngắn. Hình ảnh trực
quan cho thấy dữ liệu được đo và kết quả đầu ra được dự đoán bởi
các mơ hình SVR, ANN và ARF khá gần với đường chéo cho thấy
sự thống nhất chặt chẽ giữa kết quả thực nghiệm và kết quả trị dự
đốn của cột CFST.

Hình 3.8: Mô tả mối quan hệ của giá trị dự đoán và giá trị thực tế
cường độ chịu nén của CFST
Bảng 3.5 thể hiện kết quả mơ hình SVR, ANNs và mơ hình ARF
được chạy trong phần mềm khai phá dữ liệu WeKa thông qua các chỉ
THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ


21

số thơng kê để đánh giá tính hiệu quả của các mơ hình. Độ chính xác
dự đốn mà mơ hình SVR thu được là 892,29 KN về chỉ số MAE,
27,74% về chỉ số MAPE và 0,926 về chỉ số R. Mơ hình ANNs là
610,44 KN về chỉ số MAE, 40,26% của MAPE và 0,980 về chỉ số R.
Mơ hình ARF đạt được 211.31 kN về chỉ số MAE, 6.39% về chỉ số
MAPE và 0.980 về chỉ số R. Kết quả so sánh độ chính xác cho thấy
rằng mơ hình ARF tốt hơn mơ hình ANNs và mơ hình SVR trong
việc dự đoán cường độ chịu nén dọc trục của CFST ngắn dùng NSC,
HSC và UHSC.
Bảng 3.2: Độ chính xác dự đốn của các mơ hình học máy và tiêu
chuẩn thiết kế.
Mơ hình dự
đốn

SVR
ANN
EC4
AISC
Đề xuất
ARF

Kết quả dự đốn
MAE
MAPE
R
(KN)
(%)
0,926 892,29
27,74
0,98
610,44
40,26
0,992 272,98
10,12
0,99
587,49
19,71
0,98

211,31

Tỷ lệ cải thiện bởi ARF
MAE
MAPE

R
(KN)
(%)
5,8%
76,3%
77,0%
0,0%
65,4%
84,1%
-1,2%
22,3%
36,9%
-1,0%
64,0%
67,6%

6,39

Hiệu suất của các mơ hình học máy cũng được so sánh với hiệu
suất của các phương pháp thực nghiệm như EC4 [68] và AISC 2010
[79] để dự đoán cường độ chịu nén dọc trục của cột CFST. Hình 3.17
thể hiện kết quả khả năng chịu lực thực tế và dự dự đoán của cột
CFST theo phương pháp thực nghiệm bằng mã EC4 và AISC.


22

Hình 3.9: Khả năng chịu lực thực tế và dự đoán của cột CFST theo
phương pháp thực nghiệm
Như thể hiện trong bảng 3.5, phương thức thực nghiệm EC4 và

AISC 2010 đã đạt được hiệu suất cạnh tranh trong dự đoán. EC4 hiệu
quả hơn AISC 2010 trong việc dự đoán cường độ chịu nén dọc trục
trong các cột CFST. Giá trị MAPE lần lượt là 10,12% và 19,71%
theo tiêu chuẩn EC4 và AISC.
Sự so sánh giữa các mơ hình học máy và tiêu chuẩn thiết kế
trong bảng 3.3 cho thấy hiệu suất của mơ hình ARF được đề xuất cao
hơn so với mơ hình SVR, ANNs và tiêu chuẩn EC4, AISC trong dự
đoán cường độ chịu nén cực hạn của cột CFST ngắn. Tỷ lệ cải thiện
của mơ hình ARF là 6% về chỉ số R, 76,3% về chỉ số MAE và 77%
về chỉ số MAPE so với mơ hình SVR. Tỷ lệ cải thiện của mơ hình
ARF là 65,4% về chỉ số MAE và 84,1% về chỉ số MAPE so với mơ
hình ANNs. So với mã thiết kế, mơ hình ARF cải thiện 22,3 - 64,0%
về chỉ số MAE và 36,9 - 67,6% về chỉ số MAPE.

THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG.

Lưu hành nội bộ