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

Kỹ thuật địa chất công trình

Nguyễn Đức Mạnh(1), Hồ Sỹ An, Phạm Bá Khải, Nguyễn Đình Trung, Lê Anh Đức

Nghiên cứu và ứng dụng học máy dự báo hệ số cố kết của đất yếu tại một số khu vực ven biển Bắc Bộ

Tạp chí Khoa học và Công nghệ Việt Nam

2020

11

38-44

1859-4794

ANN MLP, Đất yếu, Hệ số cố kết, Học máy, RR, SVR

Trong nghiên cứu này, hệ số cố kết (Cv) của đất yếu tại một số khu vực ven biển Quảng Ninh, Hải Phòng và Thái Bình được dự báo bằng phương pháp học máy - kỹ thuật trí tuệ nhân tạo thông qua 3 mô hình học máy hỗ trợ hồi quy véc tơ - Support Vector Regression (SVR); mạng thần kinh nhân tạo đa lớp tri giác - Artificial Neural Network Mutilayer Perceptron (ANN MLP); hồi quy sườn bên - Ridge Regression (RR). Các mô hình này được xây dựng trên ngôn ngữ lập trình Python và thư viện hỗ trợ Scikit-learn. Số liệu sử dụng gồm 133 mẫu đất yếu thu thập từ các công trình thực tế, được lấy từ những độ sâu khác nhau (m) và được phân tích trong phòng thí nghiệm nhằm xác định các thông số hàm lượng sét (%), hàm lượng bụi (%), giới hạn chảy (%), giới hạn dẻo (%), chỉ số dẻo (%), độ sệt, độ ẩm (%), khối lượng thể tích tự nhiên (g/cm3), khối lượng thể tích khô (g/cm3), khối lượng riêng (g/cm3), độ rỗng (%), độ bão hòa (%), hệ số rỗng. Để dự báo Cv, 15 thông số đầu vào được phân tích tương quan. Sau khi loại bỏ các thông số không có quan hệ chặt với Cv, 6 thông số có quan hệ chặt được xác định gồm giới hạn chảy, độ ẩm, khối lượng thể tích tự nhiên, khối lượng thể tích khô, độ rỗng, hệ số rỗng. Để dự báo và cho máy học, tiến hành xây dựng mô hình chung với 70% dữ liệu học và 30% dữ liệu kiểm tra. Hiệu suất của các mô hình được kiểm tra bằng các hệ số giá trị trung bình của tổng các trị tuyệt đối của sai số - Mean Absolute Error (MAE); độ lệch tiêu chuẩn các sai số - Root Mean Square Error (RMSE); hệ số tương quan R - Correlation coefficient (R); và hệ số xác định - Coefficient of determination (R2). Kết quả các mô hình nghiên cứu thể hiện hiệu suất của các mô hình học máy khác nhau với R2 biến thiên từ 0,7899 đến 0,8737, đảm bảo quan hệ chặt. Nghiên cứu đã chỉ ra hiệu suất của mô hình ANN MLP là tốt nhất với kết quả các hệ số R2=0,8737, MAE=0,2196, RMSE=0,2678 và R=0,9367 tốt nhất trong 3 mô hình sử dụng.

TTKHCNQG, CVv 8

Xem toàn văn
  • [1] Debasish Basak (2007), Srimanta Pal and Dipak Chandra Patranabis,Support vector regression
  • [2] (), https://bigdatauni.com/vi/tin-tuc/tong-quan-ve-regression-phan-tich-hoi-quy. html,
  • [3] Binh Thai Pham, Manh Duc Nguyen, Kien-Trinh Thi Bui, Indra Prakashd, Kamran Chapie, 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, 173, pp.302-311, https://doi. org/10.1016/j.catena.2018.10.004
  • [4] Binh Thai Pham, Le Hoang Son, Tuan-Anh Hoang, Duc-Manh Nguyen, Dieu Tien Bui (2018), Prediction of shear strength of soft soil using machine learning methods,CATENA, 166, pp.181-191, https://doi.org/10.1016/j.catena.2018.04.004
  • [5] Michael Bowles (2015), Machine learning in Python,John Wiley & Sons, Inc
  • [6] Sebastian RaschkaVahid Mirjalili (2017), Machine learning and deep learning with Python,Kindle Edition
  • [7] (), https://scikit-learn.org/stable/getting_started.html,
  • [8] (), https://www.python.org/doc/essays/blurb/,
  • [9] J. A. Knappett, R.F. Craig (2012), Craig’s Soil Mechanics,
  • [10] 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, 13, http://dx.doi. org/10.2174/1874836801913010178
  • [11] B.M. Das, K. Sobhan (2012), Principles of geotechnical engineering,Cengage learning
  • [12] B. Sharma, P.K. Bora (2003), Plastic limit, liquid limit and undrained shear strength of soil reappraisal,J. Geotech. Geoenviron. Eng., 129, pp.774-777
  • [13] B.M. Das (2007), Principles of geotechnical engineering,Thomson
  • [14] V. Rodriguez-Galiano, M. Sanchez-Castillo, 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., 71, pp.804-818, http://dx.doi.org/10.1016/j. oregeorev.2015.01.001
  • [15] A. Ashrafian, R.-B. Mohammad (2019), Prediction of the compressive strength of self-compacting concrete using surrogate models,
  • [16] 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), 9, p.1042, http://dx.doi.org/10.3390/app9061042
  • [17] 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), 9, p.243, http://dx.doi.org/10.3390/app9020243
  • [18] P.G. Asteris, M. Nikoo (2019), Artificial bee colony-based neural network for the prediction of the fundamental period of infilled frame structures,Neural Comput. Appl., 3, pp.1-11, http://dx.doi.org/10.1007/s00521-018-03965-1
  • [19] 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, 166, pp.181-191, http://dx.doi.org/10.1016/j.catena.2018.04.004
  • [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 LASSO-penalized Generalized Linear Model,Environ. Model. Softw., 97, pp. 145-156, http://dx.doi.org/10.1016/j.envsoft.2017.08.003
  • [21] K. Khosravi, M. Sartaj, F.T-C. Tsai, V.P. Singh, N. Kazakis, A.M. Melesse, I. Prakash, D. Tien Bui, B.T. Pham (2018), A comparison study of DRASTIC methods with various objective methods for groundwater vulnerability assessment,Sci. Total Environ., 642, pp.1032-1049, http://dx.doi.org/10.1016/j.scitotenv.2018.06.130] [PMID: 30045486
  • [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, 182, p.104101, http://dx.doi.org/10.1016/j.catena.2019.104101
  • [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., 627, pp.744-755, http://dx.doi.org/10.1016/j.scitotenv.2018.01.266] [PMID: 29426199
  • [24] J. Dou, A.P. Yunus, Y. Xu, Z. Zhu, C-W. Chen, M. Sahana (2019), Torrential rainfall-triggered shallow landslide c-haracteristics and susceptibility assessment using ensemble data-driven models in the Dongjiang Reservoir Watershed, China,Nat. Hazards, 3, pp.1-31, http://dx.doi.org/10.1007/s11069-019-03659-4
  • [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), 21, p.106, http://dx.doi.org/10.3390/e21020106
  • [26] B.T. Pham (2018), A novel classifier based on composite hyper-cubes on iterated random projections for assessment of landslide susceptibility,J. Geol. Soc. India, 91, pp.355-362
  • [27] P. Psyllaki, K. Stamatiou, I. Iliadis, A. Mourlas, P. Asteris, N. Vaxevanidis (2018), Surface treatment of tool steels against galling failure,http:// dx.doi.org/10.1051/matecconf/201818804024
  • [28] M. Kanayama, A. Rohe, L.A. van Paassen (2014), Using and improving neural network models for ground settlement prediction,Geotech. Geol. Eng., 32, pp.687-697
  • [29] I. Rizzo, G. Vedoya, S. Maurutto, M. Haidukowski, E. Varsavsky (2004), Assessment of toxigenic fungi on Argentinean medicinal herbs,Microbiol. Res., 159(2), pp.113-120
  • [30] C. Pistor, M. Yardimci, S. Güçeri (1999), On-line consolidation of thermoplastic composites using laser scanning,Compos., Part A Appl. Sci. Manuf., 30, pp.1149-1157
  • [31] C-Y. Yune, C-K. Chung (2005), Consolidation test at constant rate of strain for radial drainage,Geotech. Test. J., 28, pp.71-78
  • [32] A. Muthumani, L. Fay, M. Akin, S. Wang, J. Gong, X. Shi (2014), Correlating lab and field tests for evaluation of deicing and anti-icing chemicals: A review of potential approaches,Cold Reg. Sci. Technol., 97, pp.21-32
  • [33] M.S. Al-Zoubi (2008), Coefficient of consolidation by the slope method,Geotech. Test. J., 31, pp.526-530
  • [34] A. Sridharan, H. Nagaraj (2004), Coefficient of consolidation and its correlation with index properties of remolded soils,Geotech. Test. J., 27, pp. 469-474
  • [35] T. Moriwaki, K. Umehara (2003), Method for determining the coefficient of permeability of clays,Geotech. Test. J., 26, pp.47-56
  • [36] E. Conte, A. Troncone (2006), One-dimensional consolidation under general time-dependent loading,Can. Geotech. J., 43, pp.1107-1116
  • [37] K.H. Andersen, K. Schjetne (2012), Database of friction angles of sand and consolidation c-haracteristics of sand, silt, and clay,J. Geotech. Geoenviron. Eng., 139, pp.1140-1155