Ứng dụng kỹ thuật trí tuệ nhân tạo trong dự báo chỉ số nén lại (Cr) của đất yếu khu vực đồng bằng Bắc bộ

Nghiên cứu "Ứng dụng kỹ thuật trí tuệ nhân tạo trong dự báo chỉ số nén lại (Cr) của đất yếu khu vực đồng bằng Bắc bộ" cho thấy cả 2 mô hình AI đều phủ hợp trong dự báo nhanh C, của đất yếu với (R>0.8) khi đã biết trước được các thông số: khối lượng thể tích tự nhiên, độ rỗng, hệ số rỗng, độ ẩm, khối lượng thể tích khô và giới hạn dẻo của đất. Mời các bạn cùng tham khảo!
Nội dung trích xuất từ tài liệu:
Ứng dụng kỹ thuật trí tuệ nhân tạo trong dự báo chỉ số nén lại (Cr) của đất yếu khu vực đồng bằng Bắc bộ . 27 ỨNG DỤNG KỸ THUẬT TRÍ TUỆ NHÂN TẠO TRONG DỰ BÁO CHỈ SỐ NÉN LẠI (Cr) CỦA ĐẤT YẾU KHU VỰC ĐỒNG BẰNG BẮC BỘ Nguyễn Đức Mạnh1,*, Nguyễn Thái Linh1, Hồ Sỹ An2,*, Nguyễn Quốc Trung2, Nguyễn Thị Phƣơng Thảo2 1 r n Đại học Giao thông Vận tải 2 Công ty C phần Phát triển công nghệ bảo vệ b dốc ATV Việt Nam Tóm tắt Trong nghiên cứu này, hai mô hình trí tuệ nhân tạo (Artificial Intelligence - AI) bao gồm máy v t hỗ tr hồi quy (Support Vector Regression - SVR) và R ng ngẫu nhiên (Random Forest - RF) ư c nghiên cứu nhằm dự o n ỉ số nén lại củ ất y u (Cr) - m t trong những thông số quan trọn tron tín to n ịa kỹ thu t. Tổng số 194 mẫu ất y u thu th p tại m t số khu vực ở ồng bằng B c B là k t quả thí nghiệm tron p òn , ã x ịn ư c 14 chỉ t u lý tư n ứng là 14 thông số ầu vào sử dụng cho mô hình dự báo bằng AI, gồm: sâu lấy mẫu tr n; sâu lấy mẫu ư ; m lư ng hạt sét; gi i hạn chảy; gi i hạn d o; chỉ số d o; sệt; ẩm; khố lư ng thể tích tự nhiên; khố lư ng thể tích khô; khố lư n r n ; rỗn ; bão hòa; hệ số rỗng và thông số ầu ra Cr ư c sử dụng trong quá trình xây dựng và huấn luyện mô hình. Hiệu suất củ m n ư n ằng các thông số thốn k n ư: s số tuyệt ối trung bình - M n A solut Error (MAE); ăn c hai sai số bình phư n trun n - Root Mean 2 Square Error (RMSE); hệ số x ịnh - Coefficient of Determination (R ). K t quả của nghiên cứu này cho thấy cả 2 m n AI u phù h p trong dự báo nhanh Cr củ ất y u v i (R2 > 0.8) k ã t trư ư c các thông số: khối lư ng thể tích tự n n, rỗng, hệ số rỗn , ẩm, khố lư ng thể tích khô và gi i hạn d o củ ất. Từ khóa: Chỉ số nén lạ , ất yếu, trí tuệ nhân tạo, học máy, máy vectơ hỗ tr hồi quy, rừng ngẫu nhiên. 1. Đặt vấn đề Chỉ số nén lại (Recompression index - Cr) là m t thông số lý t ể hiện khả năn ịu nén củ ất trong quá trình nén cố k t ây l m t chỉ số quan trọng, cần thi t trong phân tích lún của n tr n ặt tr n ất y u T n t ường, Cr ư x ịnh trong phòng thí nghiệm thông qua thí nghiệm nén cố k t trên mẫu ất. Tuy nhiên, thí nghiệm n y t ường phải thực hiện trong thời gian dài v p í o H n nữ , ể ạt ư chính xác và tin c y của k t quả thí nghiệm còn phụ thu c vào công tác lấy ũn n ư ảo quản mẫu ất, ò ỏi thi t bị sử dụn chính x o ũn n ư n ười thí nghiệm cần có tay ngh tốt. Nên, t nhữn năm 60-70 của th kỷ trư c, nhi u nhà nghiên cứu ã xuất m t số tư n qu n n nx ịnh Cr thông qua các thông số khác củ ất n ư i hạn chảy, chỉ số d o, ẩm, hệ số rỗn ,… (Azzouz và nnk., 1976; DAS, 2013; Das và Sobhan, 2013; Gunduz và Arman, 2007; Nagaraj và Murthy, 1985). Song, Cr tư n qu n v i nhi u thông số khác củ ất, nên m t vài hồ quy n n n ản có thể ư p p trong dự báo chỉ tiêu Cr. Trong hai th p kỷ qu , AI ã ư c áp dụng r ng rãi nhằm giải quy t các vấn ịa kỹ thu t k n u n ư ự o n sức chịu tải củ m n , lún của cọc, ổn ịnh mái dốc, chuyển vị của công * Ngày nhận bài: 03/3/2022; Ngày phản biện: 02/4/2022; Ngày chấp nhận n : 2/4/2022 * Tác giả liên hệ:Email: nguyenducmanh@utc.edu.vn; syannamanh1998@gmail.com 28 trình, các thông số ất hay v t liệu… (Ișık, 2009; N uyễn ức Mạnh và nnk., 2021, 2020; Nguyễn ức Mạnh và nnk., 2022; Nguyễn ức Mạnh và nnk., 2021, 2020, 2019; Phạm Thái Bình và nnk., 2019) n nay, nguồn số liệu thí nghiệm mẫu ất t các công trình xây dựng thực t hiện có khá nhi u cần ư c khai thác sử dụng, trong nghiên cứu này, các mô hình học máy SVR và RF sử dụng các k t quả thí nghiệm chỉ t u lý ản củ ất làm các bi n ầu vào nhằm dự o n Cr củ ất y u ển hình ở khu vực ồng bằng B c B ồng thời, thông qua quá trình xây dựng và huấn luyện các mô hình, các nhân tố quan trọng nhất ản ưởn n dự báo Cr ũn ư p ân tí v n K t quả của các mô hình dự o ư c kiểm tr , n ệu suất bằn p ư n p p t ống kê tiêu chuẩn n ư s số tuyệt ối trung bình (Mean Absolute Error - MAE), ăn c hai sai số bình p ư n trun n (Root M n Squ r Error - RMSE) và hệ số x ịnh (Coefficient of 2 determination - R ). K t quả nghiên cứu o p p xuất m t p ư n p p m i có thể dự o n Cr v tin c y cao thông qua các thông số v t lý ã ư c t những thí nghiệm của các công trình thực t , ti n t i xây dựng b dữ liệu l n tron tư n l v lĩn vực này tại Việt Nam. 2. Cơ sở lý thuyết các mô hình thuật toán sử dụng nghiên cứu * Thuật toán hỗ tr hồi qui vectơ (Support Vector Regression - SVR) Thu t toán SVR dựa trên lý thuy t học thống kê lần ầu t n ư c gi i thiệu bởi Vapnik vào năm 1995 Nguyên t c chính của SVR là xây dựng m t siêu phẳng (hyperpl n ) ể phân loại t p dữ liệu thành các l p riêng biệt. Bằng cách sử dụng “Kernal” phi tuy n SVR ánh xạ không gian ầu vào sang không gian nhi u chi u n (Basak và nnk., 2007). S u , s u p ẳng tố ưu ư c x ịn tron k n n ặ trưn (f tur sp ) ằng cách tố n ủa ranh gi i các l p (m r ns of l ss oun r s) C ểm ư c huấn luyện (trained points) gần nhất v i mặt siêu phẳng tố ưu ư c gọi là các v t hỗ tr (Support Vectors). Nghiên cứu này sử dụng SVR n ư m t kỹ thu t hồi quy bằn xuất m t hàm mất m t (loss fun t on) ε - không nhạy cảm (ε- ns ns t v ) ư c thể hiện trong p ư n tr n sau (Basak và nnk., 2007): |( ) | ( ) { ...