BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  17,253,968
  • Công bố khoa học và công nghệ Việt Nam

Kỹ thuật xây dựng

Lê Đại Nhân, Thái Đức Kiên, Doãn Quốc Hoàn, Nguyễn Đăng Nguyên, Phạm Thái Hoàn(1)

Dự đoán mức độ phá hoại cục bộ của tấm bê tông cốt sợi chịu tải trọng va đập sử dụng thuật toán máy học

Prediction of local damage of fiber reinforced concrete under impact loading using machine learning algorithms

Tạp chí Khoa học Công nghệ Xây dựng

2022

2V

30-43

2615-9058

Thuật toán phân loại SVM, Thuật toán tối ưu hóa BO, Kỹ thuật lấy thêm mẫu BorderlineSMOTE, Máy học, Bê tông cốt sợi, Tải trọng va đập

Support vector machine, Bayesian optimization, Synthetic minority over-sampling technique, Machine learning, Fiber reifonrced concrete, Impact loading

Bài báo giới thiệu và ứng dụng thuật toán phân loại Support Vector Machine (SVM) và thuật toán tối ưu hóa Bayesian (Bayesian optimization - BO), những thuật toán máy học (Machine Learning - ML) mạnh để dự đoán mức độ phá hoại cục bộ của tấm bê tông cốt sợi chịu tải trọng va đập gây ra bởi đầu đạn. Bộ dữ liệu kết quả thu được từ 176 thí nghiệm tấm bê tông cốt sợi chịu tải trọng va đập của đầu đạn bao gồm 15 thông số đầu vào được sử dụng để huấn luyện các mô hình máy học nhằm đưa ra các kết quả dự đoán về mực độ phá hoại cục bộ của tấm. Do các dữ liệu thí nghiệm thu thập được có sự phân tán về các thông số đầu vào và mất cân bằng về các dạng phá hoại cục bộ, một kỹ thuật lấy thêm mẫu BorderlineSMOTE (Synthetic Minority Over-Sampling Technique - SMOTE) cũng được sử dụng nhằm mục đích tạo ra bộ dữ liệu phù hợp để mô hình huấn luyện (được gọi là BO-SVM) đạt kết quả dự đoán tốt. Kết quả thu được cho thấy mô hình đề xuất có thể ứng dụng để dự đoán mức độ phá hoại cục bộ của tấm bê tông cốt sợi chịu tải trọng va đập bởi đầu đạn với độ chính xác chấp nhận được và hiệu quả cao hơn các mô hình ML thông thường khác.

This study introduces and applies Support Vector Machine (SVM) classification and Bayesian optimization (BO), the powerful machine learning (ML) algorithms to predict the local damage of FRC slab subjected to the impact load induced by a warhead. The results from 176 experiments of FRC slabs subjected to warhead impact loads including 15 input parameters are used as dataset to train the ML models to produce predictive results on the local damage of FRC slabs. Due to the dispersion of the collected experimental data in terms of input parameters and imbalance in local damage modes, the BorderlineSMOTE (Synthetic Minority Over-Sampling Technique - SMOTE) sampling technique is also used to create a suitable dataset for the training model (called BO-SVM) to achieve good prediction results. The obtained results showed that the proposed BO-SVM model can be applied to predict the local damage of FRC slabs subjected subjected to impact loads by warheads with acceptable accuracy and higher efficiency than the other conventional and common ML models.

TTKHCNQG, CVv 346

Xem toàn văn