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 :  14,938,200

Kỹ thuật xây dựng

Hà Mạnh Hùng; Trương Việt Hùng; Đinh Văn Thuật; Vũ Quang Việt; Đinh Văn Thuật(1); 

Phương pháp xử lý hiện tượng mô hình quá khớp trong xây dựng mô hình học sâu để ước lượng khả năng chịu tải của giàn phi tuyến

Methods to solve overfitting of deep learning model for estimating loadcarrying Capacity of nonlinear trusses

Tạp chí Khoa học Công nghệ Xây dựng

2020

1

12-20

2615-9058

Xây dựng; Trí tuệ nhân tạo; Phân tích trực tiếp; Kết cấu; Giàn phi tuyến; Máy học; Chịu tải

Deep learning; Artificial intelligent; Advanced analysis; Truss; Machine learning

Hiện tượng mô hình quá khớp (overfitting) là một trong những nguyên nhân quan trọng làm giảm hiệu quả củamô hình học sâu, đặc biệt là trong các bài toán có tính phi tuyến cao như bài toán ước lượng khả năng chịutải của giàn làm bằng kim loại. Bài báo này sẽ trình bày, phân tích và so sánh hiệu quả của một số kỹ thuậtthường được áp dụng hiện nay cho việc xử lý hiện tượng mô hình quá khớp bao gồm kỹ thuật dừng sớm (EarlyStopping), nhớ mô hình (Model Checkpoint) và kết hợp hai kỹ thuật trên. Một giàn phẳng gồm 39 thanh đượcsử dụng để minh họa cho nghiên cứu. Tập dữ liệu cho mô hình học sâu được tạo ra từ phân tích phi tuyến giàncó thông số đầu vào là diện tích mặt cắt ngang của các thanh giàn và thông số đầu ra là hệ số khả năng chịu tải(LF). Kết quả nghiên cứu cho thấy phương pháp kết hợp cả hai kỹ thuật dừng sớm và nhớ mô hình đem lại hiệuquả cao nhất về cả góc độ thời gian huấn luyện và độ chính xác của mô hình.

Overfitting is one of the most important problems to reduce the performance of a deep learning model, especially in highly nonlinear problems such as estimation of load-carrying capacity of nonlinear inelastic steel trusses. This paper presents common methods to solve overfitting such as Early Stopping, Model Checkpoint, and the combination of both methods. A planar steel truss with 39 elements is used to illustrate the study. Data for the deep learning model is generated by using an advanced analysis, where the inputs are cross-sectional areas of the truss elements and output is the ultimate load factor of the structure. The results show that the combination of Early Stopping and Model Checkpoint provide the best performance regarding both computational efforts and accuracy.

TTKHCNQG, CVv 346

Xem toàn văn