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 :  18,817,332
  • Công bố khoa học và công nghệ Việt Nam

67

Kỹ thuật xây dựng

Mai Sỹ Hùng

Ứng dụng thuật toán học máy LightGBM cho bài toán hồi quy ước lượng khả năng chịu tải của giàn thép sử dụng phân tích trực tiếp

Application of LightGBM algorithm for regression problem of predicting load-carrying capacity of steel trusses using direct analysis

Tạp chí Xây dựng

2023

4

110-113

2734-9888

Học máy, Giàn, LightGBM, Phân tích trực tiếp

Machine learning, Trusses, LightGBM, Direct design

Kỹ thuật học máy dựa trên trí tuệ nhân tạo đang phát triển hết sức nhanh chóng và thể hiện hiệu quả to lớn trong nhiều lĩnh vực của cuộc sống bao gồm thiết kế công trình. Các kỹ thuật học máy thường được xây dựng dựa trên lý thuyết và cấu trúc phức tạp, đòi hỏi người sử dụng phải có trình độ hiểu biết nhất định để sử dụng hiệu quả chúng. Ngoài ra, đối với mỗi dạng bài toán khác nhau, hiệu quả của các thuật toán học máy cũng thay đổi. Nhằm cung cấp cho các kỹ sư thiết kế một tài liệu tham khảo hữu ích về ứng dụng học máy trong thiết kế công trình, trong bài báo này, tác giả giới thiệu thuật toán học máy LightGBM (light gradient boosting machine) cho bài toán hồi qui ước lượng khả năng chịu tải của giàn thép. Phân tích trực tiếp có xét đến phi tuyến tính phi đàn hồi được sử dụng để xác định khả năng chịu tải của công trình. Trên cơ sở đó, tập dữ liệu huấn luyện sẽ được xây dựng với biến đầu vào là tiết diện của thanh giàn và đầu ra là hệ số chịu tải của công trình. Một cầu thép phẳng 113 thanh được xem xét để thể hiện hiệu suất làm việc của LightGBM. Kết quả tính toán cho thấy LightGBM có độ chính xác cao trong việc ước lượng khả năng chịu tải của kết cấu giàn phi tuyến và có thể áp dụng hỗ trợ công tác thiết kế hàng ngày.

Machine learning techniques based on artificial intelligence are developing very rapidly and showing great effectiveness in many areas of life including building design. Machine learning techniques are often built on complex theories and structures, requiring users to have a certain level of understanding to use them effectively. In addition, for each different type of problem, the efficiency of machine learning algorithms also changes. In order to provide design engineers with a useful reference on the application of machine learning in building design, in this paper, the author introduces the LightGBM (light gradient boosting machine) machine learning algorithm for the problem. Regression estimates the load-carrying capacity of steel trusses. Direct analysis taking into account nonlinear inelasticity is used to determine the load-carrying capacity of the building. On that basis, the training dataset will be built with the input variable being the cross-section of the truss rod and the output being the load-bearing factor of the building. A 113-bar planar steel bridge is considered to demonstrate the performance of LightGBM. Calculation results show that LightGBM has high accuracy in estimating the load-carrying capacity of nonlinear truss structures and can be applied to support daily design work.

TTKHCNQG, CVv 21

Xem toàn văn