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 :  20,947,972
  • Công bố khoa học và công nghệ Việt Nam

Kỹ thuật xây dựng

Phạm Tuấn Anh(1)

Nghiên cứu ứng dụng mô hình rừng ngẫu nhiên trong dự báo sức chịu tải cọc dựa vào kết quả xuyên CPT

Research on application of random forest model in prediction of pile bearing capacity base on CPT result

Tạp chí Khoa học công nghệ xây dựng

2022

1

58-65

1859-1566

Sức chịu tải cọc, Chỉ số CPT, Trí tuệ nhân tạo, Rừng ngẫu nhiên, TCVN10304-2014

Pile bearing capacity, CPT result, Artificial intelligence, Random forest, Multivariable regression, TCVN10304-2014

Bài báo trình bày kết quả ứng dụng phương pháp trí tuệ nhân tạo trong việc xác định sức chịu tải cọc. Trong nghiên cứu này, một mô hình trí tuệ nhân tạo tên là rừng ngẫu nhiên đã được phát triển và ứng dụng trong việc dự báo sức chịu tải cọc. Kiến trúc mô hình rừng ngẫu nhiên được tối ưu hóa bằng cách khảo sát lần lượt từng tham số để tìm ra mô hình tốt nhất. Một cơ sở dữ liệu gồm 108 kết quả nén tĩnh cọc đã được thu thập để đào tạo và kiểm nghiệm mô hình, trong đó số liệu địa chất được đại diện bằng kết quả xuyên CPT. Kết quả của nghiên cứu được so sánh với mô hình hồi quy đa biến và công thức theo TCVN 10304:2014, cho thấy mô hình rừng ngẫu nghiên mang lại độ chính xác vượt trội trong việc xác định sức chịu tải cọc so với hai phương pháp còn lại. Kết quả của nghiên cứu cho thấy mô hình rừng ngẫu nhiên được tối ưu tốt có khả năng dự báo rất tốt sức chịu tải cọc, đồng thời có tiềm năng lớn trong việc giải quyết các bài toán khác trong lĩnh vực xây dựng.

The paper presents the results of applying artificial intelligence methods in determining the pile bearing capacity. In this study, an artificial intelligence model namely random forest was developed and applied in pile bearing capacity prediction. The random forest model architecture is optimized by the grid search technique to find the best model. A database of 108 destructive compression results by static pile load method has been synthesized to train and test the model, in which geological data is represented by cone penetration test (CPT) result. In addition, the results of the study are compared with the multi-variable regression model and the traditional formula according to the pile foundation - design standard TCVN 10304:2014, giving the random forest the superiority in determining the load capacity compared to the other two methods. The results of the study show that the random forest with optimum parameters can predict very well the pile load capacity, and has great potential in solving other problems in construction engineering.

TTKHCNQG, CTv 62

Xem toàn văn