Xây dựng mô hình máy học để dự báo lực bám dính giữa bê tông cốt thép và vật liệu FRP gia cường

Chỉ số đề mục

Lĩnh vực nghiên cứu

Dạng tài liệu

BB

Tác giả

KS LÊ MINH THANH, TS TRƯƠNG ĐÌNH NHẬT⁽²⁾, THS LÊ THỊ THÙY LINH, THS TRẦN NGUYỄN THANH TÂM, Trương Đình Nhật⁽¹⁾

Nhan đề

Xây dựng mô hình máy học để dự báo lực bám dính giữa bê tông cốt thép và vật liệu FRP gia cường

Nhan đề tiếng anh

Building a machine learning model to predict adhesion force between reinforced concrete and FRP material

Nguồn trích

Tạp chí Xây dựng

Năm xuất bản

2023

Số

10

Trang

60

ISSN

Từ khóa

Từ khóa tiếng anh

Tóm tắt

Việc sử dụng tấm polyme cốt sợi (FRP) lên mặt ngoài của kết cấu bê tông cốt thép là một trong những phương pháp phổ biến và hiệu quả nhất để gia cường kết cấu bê tông. Bài báo tập trung nghiên cứu vào xây dựng và so sánh các mô hình học máy khác nhau để dự báo lực bám dính giữa vật liệu bê tông cốt thép và vật liệu FRP gia cường. Các mô hình đơn (single model) và mô hình kết hợp (ensemble model) được sử dụng để giải quyết vấn đề này. Kết quả phân tích cho thấy rằng mô hình kết hợp đóng gói cây phân loại hồi quy - mô hình bagging (CART) cho hiệu suất cao nhất trong tất cả các mô hình đơn và mô hình kết hợp được sử dụng trong nghiên cứu này. Từ khóa: Lực bám dính giữa FRP và bê tông cốt thép; vật liệu FRP; mô hình máy học.

Tóm tắt tiếng anh

Fiber-reinforced polymers (FRP) laminate to the external face of reinforced concrete structures is currently one of the most popular and effective methods for strengthening concrete structures. This study aims to compare different machine learning models to predict the adhesion force between reinforced concrete and FRP materials. Single model and ensemble model are used to solve this problem. The analysis results show that the model incorporates packing the regression classification tree - Bagging model (CART) gives the results with the most superior criteria of all the single models and the ensemble models. Keywords: Adhesion between FRP and concrete; FRP materials; machine learning model.

Kí hiệu kho

File toàn văn

Xem toàn văn