BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN QUỐC GIA VỀ KHOA HỌC, CÔNG NGHỆ VÀ ĐỔI MỚI SÁNG TẠO

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  30,242,094
  • Công bố khoa học và công nghệ Việt Nam

Khoa học xã hội

BB

KS PHẠM CÔNG PHƯƠNG, TS TRƯƠNG ĐÌNH NHẬT, PGS.TS NGUYỄN HỮU ANH TUẤN, THS LÊ THỊ THÙY LINH, Trương Đình Nhật(1)

Dự báo độ võng dài hạn của dầm bê tông cốt thép bằng mô hình học máy tối ưu hóa Jellyfish Search

Prediction of long-term deflection of reinforced concrete beams using Jellyfish Search optimization machine learning model

Tạp chí Xây dựng

2024

9

112

Độ võng dài hạn của dầm bê tông cốt thép (BTCT) luôn là một thách thức trong việc thiết kế kết cấu. Nghiên cứu này tập trung vào phát triển một mô hình học máy sử dụng thuật toán tối ưu hóa Jellyfish Search để dự báo độ võng dài hạn của dầm BTCT. Dựa trên bộ dữ liệu của nghiên cứu đã công bố, các mô hình học máy được xây dựng và đánh giá (bao gồm mô hình đơn và mô hình hỗn hợp) để chọn ra mô hình có độ chính xác cao nhất. Thuật toán tối ưu hóa Jellyfish Search được sử dụng để tối ưu hóa các tham số của mô hình được chọn. Kết quả tính toán sẽ được đánh giá lại với các kết quả của nghiên cứu trước đây. Kết quả so sánh cho thấy mô hình JS – Bagging ANN đạt được hiệu suất vượt trội với R = 0.976; MAE = 3.988 (mm); RMSE = 1.777 (mm); MAPE = 14.154% và SI = 0.00 (1). Do đó mô hình JS – Bagging ANN rất đáng tham khảo để dự báo độ võng dài hạn của dầm BTCT trong tính toán thiết kế. Từ khóa: Độ võng dài hạn; dầm bê tông cốt thép; Jellyfish Search; mô hình học máy; tối ưu hóa.

The long-term deflection of reinforced concrete beams has always been a challenge in structural design. This study focuses on developing a machine learning model using the Jellyfish Search optimization algorithm to predict the long-term deflection of reinforced concrete beams. Based on a dataset from published research, machine learning models were built and evaluated (including single and ensemble models) to select the most accurate model. The Jellyfish Search optimization algorithm was used to optimize the parameters of the selected model. The comparison results showed that the JS – Bagging ANN model achieved superior performance with R = 0.976; MAE = 3.988 mm; RMSE = 1.777 mm; MAPE = 14.154%; and SI = 0.00 (1). Therefore, the JS - Bagging ANN model is highly recommended for predicting the long-term deflection of reinforced concrete beams in structural design calculations. Keywords: Long - term deflection; reinforced concrete beam; machine learning model; jellyfish search; optimization.

Xem toàn văn