Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  23,450,334
  • Công bố khoa học và công nghệ Việt Nam

67

Vật liệu xây dựng

BB

Lê Bá Anh(1), Hoàng Việt Hải

Dự báo khả năng chịu uốn kết cấu BTCT được tăng cường bê tông siêu tính năng (UHPC) sử dụng mô hình hồi quy ký tự

Flexual capacity prediction of hybrid structure consisting of uhpc-nsc using symbolic regression models

Tạp chí Khoa học Giao thông vận tải

2024

5

1870-1881

1859-2724

Mô hình học máy (ML) đang thu hút sự quan tâm và ứng dụng rộng rãi của nhiều nhà khoa học trong lĩnh vực kỹ thuật. Mô hình này mang lại kết quả nhanh chóng hơn so với các phương pháp phân tích truyền thống, đặc biệt là khi xử lý dữ liệu lớn. Do đó, việc phát triển các mô hình dự báo chính xác hơn cho các bài toán kỹ thuật hiện đang là trọng tâm nghiên cứu của các nhà khoa học. Bài báo này trình bày nghiên cứu về phát triển mô hình hồi quy ký tự (SR-Symbolic Regression) dựa trên dữ liệu của các nghiên cứu trước đây để xây dựng phương trình dự đoán khả năng chịu mômen của dầm, bản bê tông cốt thép (BTCT) được tăng cường bằng bê tông tính năng siêu cao (UHPC). Cơ sở dữ liệu gồm 65 mẫu bản UHPC- BTCT tiết diện hình chữ nhật chịu tải trọng uốn được sử dụng để huấn luyện mô hình. Trong các mô hình hồi quy ký tự, mô hình Operon thể hiện hiệu suất vượt trội về tốc độ huấn luyện và độ chính xác. Với độ chính xác R2= 0,96 và MAE= 6,4, mô hình Operon có độ chính xác xấp xỉ các mô hình dự báo khác đã được công bố. Đồng thời mô hình Operon còn có ưu điểm là thể hiện được phương trình dự báo một cách tường minh giúp thể hiện rõ bản chất vật lý của mô hình cũng như tăng khả năng áp dụng. Phương trình thu được từ mô hình Operon cũng được so sánh với thí nghiệm được nhóm nghiên cứu thực hiện

Machine learning (ML) models are attracting significant attention and widespread application f-rom many scientists in civil engineering. These models produce a result more quickly than traditional methods, especially when processing large datasets. Consequently, the development of more accurate predictive models for engineering problems is currently a key focus of scientific research. This article presents research on developing a symbolic regression model (SR) using data f-rom previous studies to build an equation that predicts the flexural capacity of reinforced concrete beams or slabs (NSC), reinforced with ultra-high-performance concrete (UHPC). A database of 65 UHPC-NSC beam or slab samples with rectangular cross-sections, subjected to bending loads, is used to train the model. Among symbolic regression models, the Operon model demonstrates superior performance in terms of training speed and accuracy. With accuracy R2= 0.96 and MAE = 6.4, the Operon model has approximately the same accuracy as other machine learning models that have been published. At the same time, the Operon model also has the advantage of expressing the prediction equation clearly, helping to clearly demonstrate the physical nature of the model as well as increase applicability. The equation obtained f-rom the Operon model was also compared with experiments performed by the research team.

TTKHCNQG, CVv 287