BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  21,806,178
  • Công bố khoa học và công nghệ Việt Nam

Địa chất học

Nguyễn Đức Mạnh(1), hồ Sỹ An, Nguyễn Hải Hà, Phạm Bá Khải, Nguyễn Đình Trung, Nguyễn Đình Dũng

Nghiên cứu ứng dụng kỹ thuật trí tuệ nhân tạo dự báo áp lực tiền cố kết của đất yếu tại một số khu vực ở đồng bằng Bắc Bộ

Tạp chí Địa Kỹ thuật

2021

03

26-35

0868-279X

Áp lực tiền cố kết, Trí tuệ nhân tạo, Đất yếu, Dự báp, Đồng bằng

Áp lực tiền cố kết (Pc) của đất yếu ở một số khu vực Đồng bằng Bắc Bộ Việt Nam đã được dự đoán bằng Trí tuệ nhân tạo - Máy học thông qua 3 mô hình: Hỗ trợ hồi quy vectơ (SVR), Mạng nơron nhân tạo đa lớp Perceptron (ANN MLP), Hồi quy Ridge (RR) . Các mô hình đó được xây dựng bằng ngôn ngữ lập trình Python và thư viện máy học phần mềm Scikit-learning. Số liệu cho nghiên cứu này là 159 mẫu đất yếu được lấy tại công trường với đầy đủ các chỉ tiêu cơ lý đạt được từ các thí nghiệm trong phòng thí nghiệm tại các tỉnh Quảng Ninh, Hải Phòng, Thái Bình, Nam Định, Ninh Bình và Hải Dương. Chúng tôi sử dụng 15 đặc tính vật lý của đất làm đầu vào để phân tích mối tương quan với Pc. Sau khi loại bỏ các thông số có mối tương quan yếu với Pc, ta có 6 thông số tương quan mạnh với Pc: độ sâu lấy mẫu trên (m), độ sâu lấy mẫu dưới (m), hàm lượng sét (%), chỉ số thanh khoản, khối lượng riêng (g / cm3), tỷ lệ rỗng. Để dự đoán Pc, các mô hình được xây dựng với 70% tập huấn luyện và 30% tập thử nghiệm. Hiệu suất của các mô hình đã được xác nhận bằng cách sử dụng các biện pháp thống kê khác nhau: Sai số tuyệt đối trung bình (MAE), Hệ số tương quan trung bình trung bình gốc (RMSE) Hệ số tương quan (R) và Hệ số xác định (R2). Kết quả dự đoán mô hình Pc cho thấy hiệu suất của các mô hình sử dụng các phương pháp khác nhau là khác nhau nhiều, trong đó giá trị R2 thay đổi từ 0,728 đến 0,843. Nghiên cứu này cho rằng mô hình ANN-MLP có khả năng dự báo cao nhất trong 3 mô hình: R2 = 0,843, MAE = 0,143, RMSE = 0,187 và R = 0,923.

TTKHCNQG, 0868-279X

Xem toàn văn
  • [1] Sebastian Raschka, Vahid Mirjalili (2017), Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow,
  • [2] Michael Bowles (2015), Machine Learning in Python,
  • [3] (), Tổng quan về Regression - Phân tích hồi quy,
  • [4] Binh Thai Pham, Manh Duc Nguyen, Kien-Trinh Thi Bui, Indra Prakash, Kamran Chapi, Dieu Tien Bui (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
  • [5] Debasish Basak, Srimanta Pal, Dipak Chandra Patranabis (2007), Support vector regression,Neural Information Processing – Letters and Reviews
  • [6] (), Python Essays (Website),
  • [7] J. A. Knappett, R. F. Craig (2012), Craig’s Soil Mechanics,
  • [8] Manh Duc Nguyen, Binh Thai Pham, Tran Thi Tuyen, Hoang Phan Hai Yen, Indra Prakash, Thanh Tien Vu, Kamran Chapi, Ataollah Shirzadi, Himan Shahabi, Jie Dou, Nguyen Kim Quoc, Dieu Tien Bui (2019), Development of an Artificial Intelligence Approach for Prediction of Consolidation Coefficient of Soft Soil: A Sensitivity Analysis,The Open Construction and Building Technology Journal
  • [9] B. Sharma, P.K. Bora (2003), Plastic limit, liquid limit and undrained shear strength of soil – reappraisal,J. Geotech. Geoenviron. Eng.
  • [10] B.M. Das (2007), Principles of geotechnical engineering,
  • [11] A. Trigila, C. Iadanza, C. Esposito, G. Scarascia-Mugnozza (2015), Comparison of Logistic Regression and Random Forests techniques for shallow landslide susceptibility assessment in Giampilieri (NE Sicily, Italy),Geomorphology
  • [12] V. Rodriguez-Galiano, M. SanchezCastillo, M. Chica-Olmo, M. Chica-Rivas (2015), Machine learning predictive models for mineral prospectivity: An evaluation of neural networks, random forest, regression trees and support vector machines,Ore Geol. Rev.
  • [13] Armaghani, M. Tahir (2019), Developing GEP tree-based, neuro-swarm, and whale optimization models for evaluation of bearing capacity of concrete-filled steel tube columns,Eng. Comput.
  • [14] H. Chen, P.G. Asteris, D. Jahed Armaghani, B. Gordan, B.T. Pham (2019), Assessing dynamic conditions of the retaining wall: Developing two hybrid intelligent models,Appl. Sci. (Basel)
  • [15] P.G. Asteris, A. Moropoulou, A.D. Skentou, M. Apostolopoulou, A. Mohebkhah, L. Cavaleri (2019), Stochastic Vulnerability Assessment of Masonry Structures: Concepts, Modeling and Restoration Aspects,Appl. Sci. (Basel)
  • [16] P.G. Asteris, K.G. Kolovos (2019), Self-compacting concrete strength prediction using surrogate models,Neural Comput. Appl.
  • [17] P.G. Asteris, K.G. Kolovos, A. Athanasopoulou, V. Plevris, G. Konstantakatos (2019), Investigation of the mechanical behaviour of metakaolin-based sandcrete mixtures,Eur. J. Environ. Civ. Eng.
  • [18] B.T. Pham, T-A. Hoang, D-M. Nguyen, D.T. Bui (2018), Prediction of shear strength of soft soil using machine learning methods,Catena
  • [19] J. Dou, K-T. Chang, S. Chen, A.P. Yunus, J-K. Liu, H. Xia (2015), Automatic case-based reasoning approach for landslide detection: integration of object-oriented image analysis and a genetic algorithm,Remote Sens.
  • [20] D.C. Camilo, L. Lombardo, P.M. Mai, J. Dou, R. Huser (2017), Handling high predictor dimensionality in slope-unit-based landslide susceptibility models through LASSOpenalized Generalized Linear Model,Environ. Model. Softw.
  • [21] S. Miraki, S.H. Zanganeh, K. Chapi, V.P. Singh, A. Shirzadi, H. Shahabi (2019), Mapping groundwater potential using a novel hybrid intelligence approach,Water Resour. Manage.
  • [22] B.T. Pham, A. Jaafari, I. Prakash, S.K. Singh, N.K. Quoc, D.T. Bui (2019), Hybrid computational intelligence models for groundwater potential mapping,Catena
  • [23] K. Khosravi, B.T. Pham, K. Chapi, A. Shirzadi, H. Shahabi, I. Revhaug, I. Prakash, D. Tien Bui (2018), A comparative assessment of decision trees algorithms for flash flood susceptibility modeling at Haraz watershed, northern Iran,Sci. Total Environ.
  • [24] Jie Dou, Ali P. Yunus, Yueren Xu, Zhongfan Zhu, Chi-Wen Chen, Mehebub Sahana, Khabat Khosravi, Yong Yang, Binh Thai Pham (2019), Torrential rainfall-triggered shallow landslide characteristics and susceptibility assessment using ensemble data-driven models in the Dongjiang Reservoir Watershed, China,Natural Hazards
  • [25] Q. He, Z. Xu, S. Li, R. Li, S. Zhang, N. Wang (2019), Novel Entropy and Rotation Forest-Based Credal Decision Tree Classifier for Landslide Susceptibility Modeling,Entropy (Basel)
  • [26] P.T. Nguyen, T.T. Tuyen, A. Shirzadi, B.T. Pham, H. Shahabi, E. Omidvar (2019), Development of a Novel Hybrid Intelligence Approach for Landslide Spatial Prediction,Applied Sciences (Basel)
  • [27] B.T. Pham, I. Prakash, K. Khosravi, K. Chapi, P.T. Trinh, T.Q. Ngo (2018), A comparison of Support Vector Machines and Bayesian algorithms for landslide susceptibility modelling,Journal Geocarto International
  • [28] B.T. Pham (2018), A novel classifier based on composite hyper-cubes on iterated random projections for assessment of landslide susceptibility,Journal of the Geological Society of India
  • [29] B. M. Das, K. Sobhan (2013), Principles of Geotechnical Engineering,Cengage Learning
  • [30] A. Casagrande (1936), The determination of the pre-consolidation load and its practical significance,Proceedings of the 1st International Conference on Soil Mechanics