Ứng dụng mô hình rừng cây ngẫu nhiên để dự đoán cường độ chịu nén của bê tông

Bê tông xi măng là vật liệu được sử dụng rộng rãi nhất hiện nay trong các công trình xây dựng từ cơ sở hạ tầng đến các công trình dân dụng do khả năng chịu nén tốt và giá thành cạnh tranh. Việc tiến hành thí nghiệm xác định cường độ chịu nén của bê tông xi măng đòi hỏi chi phí cao và thời gian thực hiện lâu. Do vậy, việc ứng dụng mô hình rừng cây ngẫu nhiên là một nhánh của trí thông minh nhân tạo vào việc xác định cường độ chịu nén của bê tông xi măng là hết sức có ý nghĩa. Mô hình rừng cây ngẫu nhiên đã được áp dụng vào huấn luyện và kiểm chứng 1030 mẫu cường độ chịu nén của bê tông xi măng. Kết quả dự đoán của mô hình rừng cây ngẫu nhiên cho độ chính xác tương đối cao trong hai trường hợp huấn luyện và kiểm chứng với hệ số tương quan R lần lượt là 0.99 và 0.95. Do vậy, ứng dụng trí thông minh nhân tạo mà cụ thể là mô hình rừng cây ngẫu nhiên vào xác định cường độ chịu nén của bê tông xi măng có sử dụng nhiều loại phụ gia là hoàn toàn khả thi. Mô hình rừng cây ngẫu nhiên còn có thể xác định yếu tố quan trọng nhất ảnh hưởng đến cường độ chịu nén của bê tông xi măng lần lượt là xi măng và độ tuổi của bê tông xi măng, cùng với tro bay là yếu tố ít ảnh hưởng nhất đến cường độ chịu nén của bê tông xi măng.

1. ĐẶT VẤN ĐỀ

2. THIẾT LẬP MÔ HÌNH DỰ BÁO

2.1. Mô hình rừng cây ngẫu nhiên (Random Forest)

2.2. Đánh giá khả năng dự báo của mô hình

3. DỮ LIỆU THÍ NGHIỆM

4. KẾT QUẢ

5. KẾT LUẬN VÀ KIẾN NGHỊ

TÀI LIỆU THAM KHẢO

[1] P. Chopra, R. K. Sharma, and M. Kumar, ‘Prediction of Compressive Strength of Concrete Using Artificial Neural Network and Genetic Programming’, Advances in Materials Science and Engineering, vol. 2016, pp. 1–10, 2016, doi: 10.1155/2016/7648467.

[2] G. Cusatis, A. Mencarelli, D. Pelessone, and J. Baylot, ‘Lattice Discrete Particle Model (LDPM) for failure behavior of concrete. II: Calibration and validation’, Cement and Concrete Composites, vol. 33, no. 9, pp. 891–905, Oct. 2011, doi: 10.1016/j.cemconcomp.2011.02.010.

[3] G. Cusatis, D. Pelessone, and A. Mencarelli, ‘Lattice Discrete Particle Model (LDPM) for failure behavior of concrete. I: Theory’, Cement and Concrete Composites, vol. 33, no. 9, pp. 881–890, Oct. 2011, doi: 10.1016/j.cemconcomp.2011.02.011.

[4] K. Miled, O. Limam, and K. Sab, ‘A probabilistic mechanical model for prediction of aggregates’ size distribution effect on concrete compressive strength’, Physica A: Statistical Mechanics and its Applications, vol. 391, no. 12, pp. 3366–3378, Jun. 2012, doi: 10.1016/j.physa.2012.01.051.

[5] A. Naija, K. Miled, and O. Limam, ‘A discrete micromechanical model for predicting HSC compressive strength based on a yield design approach’, Construction and Building Materials, vol. 175, pp. 714–725, Jun. 2018, doi: 10.1016/j.conbuildmat.2018.04.197.

[6] H.-B. Ly et al., ‘Hybrid Artificial Intelligence Approaches for Predicting Critical Buckling Load of Structural Members under Compression Considering the Influence of Initial Geometric Imperfections’, Applied Sciences, vol. 9, no. 11, p. 2258, Jan. 2019, doi: 10.3390/app9112258.

[7] S. Kiran, B. Lal, and S. S. Tripathy, ‘Shear Strength Prediction of Soil based on Probabilistic Neural Network’, Indian Journal of Science and Technology, vol. 9, no. 41, Nov. 2016, doi:10.17485/ijst/2016/v9i41/99188.

[8] L. Breiman, J. Friedman, C. J. Stone, and R. A. Olshen, Classification and Regression Trees. Taylor & Francis, 1984.

[9] L. Breiman, Classification and Regression Trees. Routledge, 2017.

[10] I.-C. Yeh, ‘Modeling of strength of high-performance concrete using artificial neural networks’, Cement and Concrete Research, vol. 28, no. 12, pp. 1797–1808, Dec. 1998, doi: 10.1016/S0008-8846(98)00165-3.

________________________________________________________________________________________________

Chi tiết bài báo xem tại đây: Ứng dụng mô hình rừng cây ngẫu nhiên để dự đoán cường độ chịu nén của bê tông

Trần Văn Quân
Đại học Công nghệ Giao thông vận tải
Nguyễn Quang Hùng
Đại học Thủy lợi

TẠP CHÍ KH&CN THỦY LỢI