Ước lượng khả năng chịu nén đúng tâm của cột ống thép nhồi bê tông bằng thuật toán máy học

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:10

Thêm vào BST

Báo xấu

33
lượt xem 4
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết giới thiệu và ứng dụng XGBoost, một trong những kỹ thuật trí tuệ nhân tạo mới nhất và mạnh mẽ nhất để ước lượng khả năng chịu nén dọc trục của cột ống thép nhồi bê tông (CFST) tiết diện tròn. Kết quả từ 1017 thí nghiệm về loại cấu kiện này được sử dụng làm dữ liệu để huấn luyện mô hình.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Ước lượng khả năng chịu nén đúng tâm của cột ống thép nhồi bê tông bằng thuật toán máy học

Tạp chí Khoa học Công nghệ Xây dựng, NUCE 2021. 15 (3V): 69–78 ƯỚC LƯỢNG KHẢ NĂNG CHỊU NÉN ĐÚNG TÂM CỦA CỘT ỐNG THÉP NHỒI BÊ TÔNG BẰNG THUẬT TOÁN MÁY HỌC Phạm Thái Hoàna,∗ a Khoa Xây dựng dân dụng và công nghiệp, Trường Đại học Xây dựng, 55 đường Giải Phóng,quận Hai Bà Trưng, Hà Nội, Việt Nam Nhận ngày 30/05/2021, Sửa xong 22/06/2021, Chấp nhận đăng 23/06/2021 Tóm tắt Cấu kiện cột ống thép nhồi bê tông (Concrete-Filled Steel Tube-CFST) với nhiều ưu điểm được quan tâm nghiên cứu và ứng dụng rộng rãi trong các công trình xây dựng khoảng 3 thập kỷ qua. Bên cạnh đó, sự phát triển mạnh mẽ cùa kỹ thuật máy tính đã mở ra nhiều cơ hội ứng dụng các kỹ thuật trí tuệ nhân tạo (AI) vào trong thiết kế công trình. Bài báo giới thiệu và ứng dụng XGBoost, một trong những kỹ thuật trí tuệ nhân tạo mới nhất và mạnh mẽ nhất để ước lượng khả năng chịu nén dọc trục của cột ống thép nhồi bê tông (CFST) tiết diện tròn. Kết quả từ 1017 thí nghiệm về loại cấu kiện này được sử dụng làm dữ liệu để huấn luyện mô hình. Các thông số bao gồm đường kính ngoài của tiết diện (D), chiều dày của ống thép (t), cường độ chảy của thép ( fy ), cường độ chịu nén của bê tông ( fc0 ) và chiều dài cột (L) được sử dụng như những thông số đầu vào, trong khi đó khả năng chịu lực nén đúng tâm dọc trục (N) là thông số đầu ra. Kết quả huấn luyện từ mô hình cho thấy thuật toán XGBoost có thể ứng dụng hiệu quả trong việc ước lượng khả năng chịu nén dọc trục của cột CFST tiết diện tròn với độ chính xác cao với thời gian ngắn. Từ khoá: XGBoost; trí tuệ nhân tạo; máy học; ống thép nhồi bê tông; CFST. ESTIMATION OF CONCENTRIC AXIAL COMPRESSIVE LOAD-CARRYING CAPACITY OF CONCRETE- FILLED STEEL TUBE USING MACHINE LEARNING ALGORITHMS Abstract Concrete-Filled Steel Tube (Concrete-Filled Steel Tube-CFST) columns with many advantages have been stud- ied and widely applied in construction projects for decades. Besides, the rapid development of computer engi- neering has opened up many opportunities to apply artificial intelligence (AI) techniques in building design. This paper introduces and applies XGBoost, one of the newest and most powerful artificial intelligence tech- niques to estimate the concentric axial compressive load-carrying capacity of circular section concrete-filled steel tube (CFST) columns. The results from 1017 experiments on this type of columns are used as dataset to train the model. The outer diameter of the section (D), the thickness of the steel tube (t), the yield strength of the steel ( fy ), the compressive strength of the concrete ( fc0 ), and the length of the column (L) are used as input parameters, while the axial compression force capacity (N) is the output parameter. The training results from the model showed that the XGBoost algorithm can be effectively applied in estimating the axial compressive capacity of the circular section CFST columns with high accuracy and short time. Keywords: XGBoost; artificial intelligence; machine learning; concrete-filled steel tube; CFST. https://doi.org/10.31814/stce.nuce2021-15(3V)-06 © 2021 Trường Đại học Xây dựng (NUCE) 1. Giới thiệu Cột ống thép nhồi bê tông (concrete-filled steel tube) (CFST) là kết cấu bao gồm ống thép được lấp đầy bên trong bằng bê tông. Ống thép lúc này đóng vai trò vừa là ván khuôn cho quá trình đổ bê ∗ Tác giả đại diện. Địa chỉ e-mail: hoanpt@nuce.edu.vn (Hoàn, P. T.) 69
Hoàn, P. T. / Tạp chí Khoa học Công nghệ Xây dựng tông, vừa tham gia tăng cường khả năng chịu tải của cùng bê tông. Trong khi đó, việc nhồi bê tông giúp tăng sự ổn định của ống thép và độ dẻo của tiết diện. Ngoài ra, cột CFST còn có khả năng hấp thụ năng lượng cao, độ bền cao và khả năng chống cháy tốt hơn [1, 2]. Vì vậy, ứng xử của cột CFST được quan tâm nghiên cứu rộng rãi trong suốt ba thập kỷ qua. Bài báo này tập trung nghiên cứu cột CFST tiết diện tròn do dạng tiết diện này có độ cứng và độ bền chảy tốt hơn so với các dạng tiết diện chữ nhật hoặc hình vuông như đã được chỉ ra trong các nghiên cứu trước đây [3–6]. Trong suốt nhiều thập kỷ qua, khá nhiều thí nghiệm về cọc tròn CFST đã được thực hiện với nhiều trọng tâm nghiên cứu khác nhau như: cường độ của bê tông [7], tỉ lệ của đường kính và độ dày ống thép [8] hay ảnh hưởng của liên kết giữa bê tông và ống thép [9], v.v. Một số chương trình thí nghiệm lớn về cọc CFST có thể kể đến như sau. Chương trình thí nghiệm của Knowles và Park [10] được thực hiện vào cuối những năm 1960 nhằm đánh giá ứng xử của cột CFST khi chịu tải đúng tâm và tải lệch tâm. Các thí nghiệm của Liu và Goel [11] cuối những năm 1980 nhằm đánh giá ứng xử của cọc CFST khi chịu tải trọng động theo chu kỳ. Kilpatrick và Rangan [12] nghiên cứu ảnh hưởng của việc sử dụng bê tông cường độ cao trong cột CFST. Sakino và cs. [13] nghiên cứu ảnh hưởng của hình dạng và cường độ ống thép, tỷ lệ đường kính ống trên chiều dày và cường độ của bê tông. Tuy nhiên, số lượng thí nghiệm thực hiện được vẫn còn nhiều hạn chế do các chương trình thí nghiệm thường đòi hỏi tiêu tốn nhiều tiền bạc, hệ thống thiết bị thử nghiệm đắt tiền, cũng như tốn nhiều thời gian và công sức của con người. Dựa trên các kết quả thực nghiệm, các công thức thiết kế cọc CFST được đề xuất. Một cách truyền thống, các công thức thiết kế này được xây dựng dựa trên các phương pháp lý thuyết và mô phỏng dựa trên ứng xử của sự làm việc chung giữa 2 loại vật liệu thép và bê tông và lấy kết quả thí nghiệm để đánh giá độ chính xác của công thức cũng như mô hình được đề xuất. Tuy nhiên, do sai số trong quá trình thí nghiệm, sai khác giữa các chương trình thực nghiệm cũng như ảnh hưởng của các yếu tố thời tiết, vật liệu đầu vào hay tay nghề của người thực hiện khiến cho các công thức được xây dựng giữa các nhà khoa học có sự khác nhau đáng kể. Ví dụ, công thức xác định khả năng chịu tải của cột CFST được cung cấp trong các tiêu chuẩn Eurocode 4 [14], ACI 318 [15] và AISC 360 [16], tuy nhiên, không có công thức nào trong số này có sự tương đồng với nhau. Các mô hình này được xây dựng dựa trên mối quan hệ ứng suất-biến dạng được giả định trước của ống thép hoặc bê tông trong lòng nên tính chính xác của các mô hình là một dấu hỏi lớn. Gần đây, với sự phát triển mạnh mẽ của khoa học máy tính, các kỹ thuật máy học (machine learning-ML) được ứng dụng rộng rãi trong mọi lĩnh vực của cả khoa học và cuộc sống. Các kỹ thuật ML có thể hiểu một cách đơn giản là các phương pháp cho phép xây dựng mô hình toán học phức tạp có độ chính xác rất cao nhằm thể hiện mối quan hệ giữa thông số đầu vào và thông số đầu ra của một tập dữ liệu cho trước. Với quan điểm này, ML được nhiều nhà khoa học hiện nay sử dụng để xác định ứng xử của công trình [17–20]. Ứng dụng ML trong ước lượng ứng xử của cột CFST cũng được nghiên cứu rộng rãi [21, 22]. Các nghiên cứu này cho thấy rằng nếu như chúng ta có một bộ dữ liệu đủ lớn thì các kỹ thuật ML hoàn toàn có thể được sử dụng để xây dựng nên các mô hình hiệu quả để ước lượng ứng xử của công trình nhằm thay thế hoặc hỗ trợ trong việc chính xác hóa các công thức thiết kế truyền thống. Một số thuật toán ML mạnh mẽ hiện nay có thể kể đến như là: Gradient Tree Boosting (GTB), học sâu (Deep Learning) (DL), Support Vector Machine (SVM), rừng ngẫu nhiên (Random Forest) (RF), cây quyết định (Decision Tree) (DT), v.v. Hiệu quả của ứng dụng thuật toán ML trong thiết kế công trình phụ thuộc nhiều yếu tố trong đó việc lựa chọn tham số hệ thống phù hợp cho từng lớp bài toán cụ thể là rất quan trọng. Mỗi lớp bài toán sẽ cần được thực hiện, phân tích để tìm ra cách sử dụng các tham số sao cho mô hình huấn luyện hiệu quả và tối ưu về mặt thời gian. Trên cơ sở phân tích ở trên, trong nghiên cứu này, tác giả trình bày chi tiết cách xây dựng mô hình huấn luyện cho bài toán ước lượng khả năng chịu tải của cột CFST sử dụng thuật toán Extreme 70
Hoàn, P. T. / Tạp chí Khoa học Công nghệ Xây dựng Gradient Boosting (XGBoost). XGBoost là một trong những thuật toán ML mới nhất được Chen và Guestin [23] đề xuất năm 2016 và tỏ ra rất hiệu quả trong việc giải quyết các bài toán phân tích hồi qui và phân loại [23–25]. Một tập dữ liệu các kết quả thí nghiệm bao gồm 1017 mẫu các cột CFST tròn được sử dụng để huấn luyện và kiểm tra chương trình được xây dựng. Ba mô hình ML khác bao gồm SVM, RF và Adaboost cũng được sử dụng để chứng minh tính hiệu quả của chương trình đề xuất. 2. Thuật toán XGBoost XGBoost được Chen và Guestin [23] đề xuất vào năm 2016 dựa trên nguyên lý chung của các thuật toán câyTạp tuầnchí Khoa học Công nghệ Xây dựng, NUCE2020 p-ISSN 2615-9058; e-ISSN 2734-9489 tự như GTB trên cơ sở kết hợp nhiều cây ra quyết định có độ sai số cao (còn gọi là các cây cơ sở hay cây học yếu) thành một cây ra quyết định tốt hơn. Nguyên lý cơ bản này được mô tả trong 114 Hình 1. Đầu tiên, một cây ra quyết định được tạo ra một cách ngẫu nhiên. Tương ứng với dữ liệu chính xác, yi , được gọi là z1i . Các giá trị z1i cũng chính là sai số của mô hình huấn liệu đầu vào Xi , nó sẽ ước lượng được dữ liệu đầu ra là y1i . Lúc này sai số của dữ liệu ước lượng được, luyện. Để giảm sai số này, cây ra1 quyết định thứ 2 được tạo ra. Khác với cây ra quyết y1i , 115 và dữ liệu chính xác, yi , được gọi là zi . Các giá trị z1i cũng chính là sai số của mô hình huấn luyện. 1 116 định thứ nhất, dữ liệu đầu ra cho cây thứ Để giảm sai số này, cây ra quyết định thứ 2 được tạo ra. Khác với2 chính là các câyzira giá trị . Thông quyết số đầuthứ định ra nhất, của dữ liệu 1 2 đầu117 ra chocây câythứ thứ2 2gọi là yi2làvàcác chính độgiá sai trị . Thông zi của lệch nó với 1 số zđầu ra của cây 2thứ 2 gọi là yi và độ i được gọi là zi . Hiển nhiên rằng giá sai trị lệch của 1 2 2 1 nó với zi được 2gọi là zi . Hiển nhiên rằng giá trị của z là bé hơn z hay nói cách khác là sai số của mô 118 của zi là bé hơn z1i hay nói cách khác là sai sối của mô hìnhi huấn luyện lúc này đã được hình huấn luyện lúc này đã được giảm đi. Cứ như vậy, với việc tạo ra tuần tự nhiều cây ra quyết định, số củagiảm sai 119 đi. Cứ mô hình nhưluyện huấn vậy, vớisẽ việc giảmtạo ra hay dần tuầnđộ tự nhiều chính cây xácracủa quyết định, tăng nó được sai sốlên. của Giá mô hình trị ước lượng 120 huấn luyện sẽ giảm dần cuối cùng của mô hình huấn luyện GTB sẽ là: hay độ chính xác của nó được tăng lên. Giá trị ước lượng cuối 121 cùng của mô hình huấn luyện GTB sẽ là: m X j m y0i = yi (1) 122 yi' yi j (1) j 1 j=1 trong 123đó m trong là sốđócây là quyết m ra số câyđịnh ra quyết đượcđịnh được sử dụng. sử dụng. 124 125 Hình Hình1.1.Sơ Sơ đồ đồ minh minh họa quá trình huấn huấn luyện luyệncủa củathuật thuậttoán toánGTB GTB 126 Quá trình huấn luyện của GTB chính là quá trình tối thiểu hóa tổng sai số giữa giá 127 trị ước lượng cuối cùng yi' và yi ( i 1, 2,.., N ) được thể hiện qua hàm mất mát L yi , yi' . 71 128 Có khá nhiều dạng hàm mất mát có thể được sử dụng, trong đó phổ biến nhất là hàm 129 sai số toàn phương trung bình (mean squared error) (MSE) được viết dưới dạng như 130 sau:
Hoàn, P. T. / Tạp chí Khoa học Công nghệ Xây dựng Quá trình huấn luyện của GTB chính là quá trình tối thiểu hóa tổng sai số giữa giá trị ước lượng cuối cùng yi và yi (i = 1, 2, ..., N) được thể hiện qua hàm mất mát L yi , y0i . Có khá nhiều dạng hàm 0 mất mát có thể được sử dụng, trong đó phổ biến nhất là hàm sai số toàn phương trung bình (mean squared error) (MSE) được viết dưới dạng như sau: N X 2 MS E = yi − y0i (2) i=1 Để nâng cao hiệu quả của thuật toán GTB, đặc biệt là tránh hiện tượng mô hình quá khớp, trong thuật toán XGBoost một hàm chính quy hóa (regularization) Ω () được thêm vào và hàm mất mát mới ở vòng lặp thứ t được thể hiện như sau: N X Xt J (t) = L yi , yi0(t) + Ω ( fn ) (3) i=1 n=1 trong đó các hàm fn chưa thông tin về cấu trúc của cây ra quyết định và điểm của các lá. Lúc này, thông qua quá trình tối ưu hàm mục tiêu J, cấu trúc của các cây ra quyết định cũng sẽ được tối ưu. Tuy nhiên, việc huấn luyện cây ra quyết định là một bài toán phức tạp hơn rất nhiều so với bài toán tối ưu thông thường do rất khó để kiểm soát tất cả các cây cùng một lúc. Do vậy, giải pháp bổ sung thường được áp dụng trong đó những gì đã được học sẽ được giữ cố định lại và thêm cây một cây mới cùng thời điểm đó. Lúc này, thông số đầu ra yi0(t) được xác định như sau: 0 yi (0) = 0 0 0 yi (1) = f1 (Xi ) = yi (0) + f1 (Xi ) 0 0 yi (2) = f1 (Xi ) + f2 (Xi ) = yi (1) + f2 (Xi ) (4) .... t 0 0 X yi (t) = fn (Xi ) = yi (t−1) + ft (Xi ) n=1 Nếu xem hàm tối ưu là hàm MSE thì phương trình (3) lúc này được viết thành: N t 0 (t) X X J (t) = L yi , yi + Ω ( fn ) i=1 n=1 (5) N 0 X = L yi , yi (t−1) + ft (Xi ) + Ω ( ft ) + constant i=1 Vế phải phương trình (5) được sử dụng biến đổi Taylor và giữ đến số hạng bậc 2. Lúc này ta có: N " # X 0 (t−1) 1 J (t) = L yi , yi + gi ft (Xi ) + hi ft (Xi ) + Ω ( ft ) + constant 2 (6) i=1 2 trong đó: 0 gi = ∂y0 (t−1) L yi , yi (t−1) i 0 (7) hi = ∂ y (t−1) L yi , yi (t−1) 2 0 i 72
Hoàn, P. T. / Tạp chí Khoa học Công nghệ Xây dựng Loại bỏ các hằng số trong công thức (6), quá trình tối ưu sẽ là tối thiểu hóa hàm: N " # X 1 J 0(t) = gi ft (Xi ) + hi ft (Xi ) + Ω ( ft ) 2 (8) i=1 2 Công thức (8) cho thấy rằng hàm mục tiêu lúc này chỉ phụ thuộc vào gi và hi . Do đó, XGBoost có thể tùy chọn hàm mất mát hiệu quả hơn và có thể áp dụng cho nhiều dạng hàm mất mát hơn với cùng một cách giải là xem gi và hi là biến đầu vào. Hàm cấu trúc cây fn được định nghĩa như sau: ft (X) = wq(X) (9) trong đó w là véc-tơ điểm tại các lá, q là một hàm được gán cho mỗi dữ liệu tại lá tương ứng. Hàm Ω ( fn ) có thể được chọn như sau [20]: T 1 X 2 Ω ( fn ) = γT + λ w (10) 2 j=1 j trong đó γ thể hiện cho độ phức tạp của tổ chức các lá trong cây ra quyết định; T là số lượng lá của một cây ra quyết định; λ là hệ số phóng đại của hàm phạt; w là véc-tơ điểm của các lá. Lúc này hàm mục tiêu được viết thành:      T  X X  Tạp chí Khoa 1 X học Công nghệ  Xây  dựng, NUCE2020 p-ISSN 2615-9058; e-ISSN 2734-9489 0(t) J ≈  g i w  j +  h i + λ  j  + γT   w2  i=1 i∈I j 2 i∈I j 177 cs. [26] thu thập được # sử dụng. Chi tiết bộ dữ liệu có thể xem tìm (11)thấy trong tài l T " 1Các dữ liệu bao2 gồm 6 thông số: D, t, cường độ chảy của thép (fy), cường độ c = 178 G j w[26]. X j+ H j + λ w j + γT 179 nén của 2 bê tông (fc’), chiều dài cột (L) và khả năng chịu nén đúng tâm của cột (N). i=1 180 phân bố của các thông số này được thể hiện trong Hình 3. Các giá trị lớn nhất (GTL giá lá 181trong trong đó I j đại diện cho tất cả các mẫu trịthứ nhỏ j. nhất Bây(GTNN) giờ bàivàtoán giá trịcực trung bình tiểu của(GTTB) hàm mất của mát các thông đượcsố cũng được nhất hiện. chuyển thành bài toán tìm giá trị nhỏ182 Kết quả của hàm bậccho thấy hai. là phần Nói cáchlớn cột CFST khác, được sau khi thí nghiệm phân với nút chia một cường độ thép thô 183 thường (trên 90% mẫu có fy dưới 460 MPa và trên nào đó trong cây quyết định, nếu hiệu suất của mô hình được cải thiện thì phân chia đó sẽ được chấp 75% mẫu có fc ’ ≤ 50 MPa). Cùng nhận. Nếu không, quá trình chia tách nút sẽ dừng lại. Nhờ đó, sự phân chia nút trong cây ra quyết định diện thuộc dạ 184 đó là phần lớn mẫu là dạng tiết diện chắc và không chắc, có rất ít tiết mảnh. Sự tương quan giữa các thông số được thể hiện trong Hình 4. Kết quả cho th sẽ dừng sớm hơn giúp tăng hiệu suất185 của quá trình huấn luyện và tránh hiện tượng mô hình quá khớp. 186 có mối tương quan rất lớn giữa N và D cũng như là N và t. 3. Xây dựng tập dữ liệu huấn luyện Hình 2 thể hiện tiết diện ngang điển hình của cột CFST tiết diện tròn. Trong đó, đường kính ngoài của tiết diện và chiều dày của ống thép ký hiệu là D và t. Tập dữ liệu gồm 1017 kết quả thí nghiệm về cột CFST tiết diện tròn chịu nén đúng tâm do Thai và cs. [26] thu thập được sử dụng. Chi tiết bộ dữ liệu có thể xem tìm thấy trong tài liệu 187 [26]. Các dữ liệu bao gồm 6 thông số: D, t, cường độ chảy của thép ( fy ), cường độ chịu188 nén của bê Hình 2. Hình Minh 2. họa tiết diện Minh họa ống tiết thép diệnnhồi ống bê tông CFST thép 0 nhồi bê tông CFST tông ( fc ), chiều dài cột (L) và khả năng chịu nén 73
Hoàn, P. T. / Tạp chí Khoa học Công nghệ Xây dựng đúng tâm của cột (N). Sự phân bố của các thông số này được thể hiện trong Hình 3. Các giá trị lớn nhất (GTLN), giá trị nhỏ nhất (GTNN) và giá trị trung bình (GTTB) của các thông số cũng được thể hiện. Kết quả cho thấy là phần lớn cột CFST được thí nghiệm với cường độ thép thông thường (trên 90% mẫu có fy dưới 460 MPa và trên 75% mẫu có fc0 ≤ 50 MPa). Cùng với đó là phần lớn mẫu là 187 187dạng tiết diện chắc và không chắc, có rất ít tiết diện thuộc dạng mảnh. Sự tương quan giữa các thông 188 188 HìnhHình 2. Minh 2. Minh họadiện họa tiết tiết ống diệnthép ống nhồi thép bê nhồi bêCFST tông tông CFST 189 189 Tạp Tạp Tạp chí chí chí Tạp Khoa Khoa Khoa chí học Khoa học học Công Công Công học nghệ nghệ nghệ Công Xây Xây Xây nghệ dựng, dựng, dựng, Xây NUCE2020 NUCE2020 NUCE2020 dựng, p-ISSN p-ISSN p-ISSN NUCE2020 2615-9058; 2615-9058; 2615-9058; p-ISSN e-ISSN e-ISSN e-ISSN 2615-9058; e-ISSN 2734-9489 2734-9489 2734-9489 2734-9489 190 190 a) (a) Đường a)Đườngkính Đường ngoài kính ngoài kính củacủa cột của(D) cột (D) ngoài cột (D) b) Chiều dày Chiềucủa b)(b)Chiều dàyống dày của thép ống của thép(t) ống (t) thép (t) 7 7 191 191 191 191 192 192 192 192 c) c)c)c) Chiều Chiều (c) Chiều Chiều Chiều dàidài dài cột cột dài dài cột (L) (L) cột cột (L) (L) (L) d) d)d) Cường Cường (d) Cường d)Cường Cường độ độđộ độ độ chảy chảy chảy chảy của của chảy của thép củacủa thép ( fy ) (f (f thép thépthép ) y) y) yy(f 193 193 193 193 0 e)e)e) Cường (e) Cườngđộ độ chịu néncủacủa bê (tông 194 194 e) Cường Cường độ chịu nén chịu nén của bê tông bê tôngfc ) (f(fc(f ’) c’) f) f) KhảKhả(f) năng năng chịu Khả năng chịu chịunén nén đúng nén đúng đúng tâm tâm tâm của của của cộtcột cột (N) (N) (N) 194 194 Cường độ chịu nén của bê tông (fc’) f) Khả năng chịu nén đúng tâm củacộtcột độ chịu nén của bê tông c ’) f) Khả năng chịu nén đúng tâm của (N) (N) Hình 3. Phân bố của các thông số cột CFST 195 195 Hình Hình Hình 3. Phân 3. Phân bố bố của của các các thông số thông sốsốcột cột CFST CFST 195 195 Hình3.3.PhânPhânbốbốcủa củacác cácthông thông sốcột cộtCFST CFST 74
193 Hoàn, P. T. / Tạp chí Khoa học Công nghệ Xây dựng 194 e) Cường độ chịu nén của bê tông (fc’) f) Khả năng chịu nén đúng tâm của cột (N) số được thể hiện trong Hình 4. Kết quả cho thấy có mối tương quan rất lớn giữa N và D cũng như là 195 N và t. Hình 3. Phân bố của các thông số cột CFST 196 197 Hình 4. 4. Hình Tương Tươngquan quan giữa cácthông giữa các thôngsốsố khảo khảo sát sát 198 Trong mô hình huấn luyện, các thông số đầu vào được lựa chọn là 5 thông số: D, Trong mô hình huấn luyện, các thông số đầu vào được lựa chọn là 5 thông số: D, t, fy , fc0 và L. 199 t, fy, fc’ và L. Thông số đầu ra chỉ có 1 thông số là N. Từ tập dữ liệu ban đầu, 2 tập dữ Thông số đầu ra chỉ có 1 thông số là N. Từ tập dữ liệu ban đầu, 2 tập dữ liệu riêng biệt được xây dựng là tậpliệu 200 huấn riêng biệt luyện vàđược xây dựng tập kiểm là tập tra. Các huấnđược dữ liệu luyện chuẩnvà tập kiểm hóa tra. Các về trong dữ liệu khoảng [0, được 1] dựachuẩn trên công thức sau: xi xi0 =8 (12) [xi ] trong đó [xi ] là giá trị lớn nhất của biến đầu vào xi . Dạng mô hình sử dụng trong nghiên cứu này là mô hình hồi quy. Ngôn ngữ lập trình Python cùng thư viện Sklearn được sử dụng để xây dựng chương trình huấn luyện. Một số thông số chính của mô hình huấn luyện sử dụng thuật toán XGBoost được lấy như sau: số lượng cây ra quyết định n_estimators = 10000, dạng cây ra quyết định là ‘gbtree’, tỉ lệ học được lấy bằng learning_rate = 0,01, dạng hàm mất mát là MSE, γ = 0 và λ = 1. Các tham số khác lấy theo giá trị hệ thống cho sẵn. Lưu ý rằng, các giá trị này được xác định dựa trên việc thử nhiều lần nhằm tìm ra kết quả tốt nhất cho mô hình huấn luyện. 4. Kết quả Trong phần này, hiệu suất của XGBoost được so sánh với 3 thuật toán ML phổ biến khác hiện nay là SVM, RF và Adaboost. Để tăng tính khách quan trong kết quả tính toán của các thuật toán, kỹ thuật Kfold được sử dụng với 10 tập con khác nhau. Điều này có nghĩa là tập dữ liệu sẽ được chia thành 10 tập con, và lần lượt chạy 10 lần trong đó cứ 1 lần chạy sẽ lấy 9 tập con tạo thành tập huấn luyện và tập còn lại là tập kiểm tra mô hình. Kết quả cuối cùng sẽ là giá trị trung bình của cả 10 lần chạy đó. Để giảm thiểu ảnh hưởng của tính ngẫu nhiên trong quá trình huấn luyện, mỗi thuật toán sẽ chạy 10 lần độc lập. Kết quả so sánh của các thuật toán được đánh giá dựa trên 3 giá trị là MSE, hệ số R2 và hệ số R2 hiệu chỉnh (R2 ). Kết quả của mô hình huấn luyện đối với tập kiểm tra được thể hiện trong Bảng 1. Kết quả cho thấy rằng giá trị MSE trung bình khi sử dụng XGBoost chỉ là 7,08E-5, nhỏ hơn khá nhiều so với kết quả thu được khi sử dụng SVM, RF và Adaboost. Mô hình huấn luyện sử dụng 75
Hoàn, P. T. / Tạp chí Khoa học Công nghệ Xây dựng XGBoost cũng cho kết quả R2 và R2 là cao nhất trong 4 thuật toán ML được xem xét. Điều này có nghĩa rằng, đối với bài toán được xem xét, XGBoost có hiệu suất tốt hơn 3 thuật toán SVM, RF và Adaboost. Ngoài ra, thời gian chạy trung bình của XGBoost chỉ là 18,38 (s), nhỏ hơn khá nhiều so với 29,32 (s) của SVM, 68,73 (s) của RF và 34,67 (s) của Adaboost. Bảng 1. So sánh các thuật toán ML đối với tập kiểm tra Tạp chíTạp Khoa chí Khoa học nghệ học Công CôngXây nghệdựng, NUCE2020 Xây dựng, p-ISSN NUCE2020 2615-9058; p-ISSN e-ISSN 2615-9058; 2734-9489 e-ISSN 2734-9489 Lần XGBoost SVM RF Adaboost chạy MSE R 2 R2 MSE R 2 R2 MSE R2 R2 MSE R2 R2 5 5.07E-5 5 0,990 0,990 5.07E-5 0,990 0,990 2.21E-42.21E-4 0,972 0,972 0,970 0,970 4.43E-44.43E-4 0,963 0,961 0,963 7.47E-57.47E-5 0,961 0,987 0,986 0,987 0,986 1 3,21E-5 0,995 0,994 2,25E-4 0,968 0,966 2,15E-4 0,970 0,968 9,88E-5 0,985 0,985 62 3.56E-5 4,35E-5 6 0,994 3.56E-5 0,994 0,994 0,994 2.60E-4 0,9930,994 2,33E-40,965 0,963 2.60E-4 0,963 0,965 1.73E-4 0,961 0,963 0,980 2,24E-4 1.73E-4 0,979 0,970 0,980 3.10E-43.10E-4 0,968 0,979 0,977 1,77E-4 0,975 0,982 0,977 0,981 0,975 73 4,67E-5 0,994 3.55E-5 7 0,993 0,994 3.55E-5 0,994 0,993 2.35E-4 2,35E-40,967 0,994 2.35E-4 0,9600,965 0,958 2,33E-4 3.78E-4 0,967 0,965 0,968 3.78E-4 0,972 0,966 0,968 0,971 3,77E-4 3.59E-43.59E-4 0,966 0,957 0,967 0,955 0,957 0,965 0,955 4 1,78E-4 0,985 0,985 2,60E-4 0,962 0,960 2,22E-4 0,969 0,968 9,37E-5 0,982 0,981 85 1.93E-4 8 5,07E-5 0,975 1.93E-4 0,973 0,990 0,975 2.25E-4 0,9900,973 0,967 2.25E-4 2,21E-4 0,965 0,967 0,972 1.89E-4 0,965 0,970 0,975 1.89E-4 4,43E-4 0,973 0,975 0,963 8.92E-58.92E-5 0,973 0,961 0,984 7,47E-5 0,983 0,984 0,987 0,983 0,986 96 3,56E-5 0,995 3.12E-5 9 0,994 0,995 3.12E-5 0,995 0,994 2.26E-4 2,60E-40,968 0,995 2.26E-4 0,9650,966 0,963 1,73E-4 1.90E-4 0,968 0,966 0,971 1.90E-4 0,980 0,970 0,971 0,979 3,10E-4 7.49E-57.49E-5 0,970 0,988 0,977 0,987 0,988 0,975 0,987 7 3,55E-5 0,994 0,994 2,35E-4 0,967 0,965 3,78E-4 0,968 0,966 3,59E-4 0,957 0,955 108 6.11E-5 10 1,93E-4 0,989 6.11E-5 0,989 0,975 0,989 2.54E-4 0,9730,989 2,25E-40,967 2.54E-4 0,965 0,967 0,967 2.74E-4 0,965 0,965 0,970 2.74E-4 1,89E-4 0,968 0,970 0,975 8.66E-58.66E-5 0,968 0,973 0,989 8,92E-5 0,988 0,989 0,984 0,988 0,983 Trung 9 3,12E-5 0,990 Trung 0,995 0,990 0,995 2.37E-4 2,26E-40,966 0,9680,964 0,966 1,90E-4 0,971 0,970 7,49E-5 0,988 0,987 7.08E-57.08E-5 0,990 0,990 2.37E-4 2.54E-4 0,966 0,964 0,971 2.54E-4 0,969 0,971 0,969 0,980 1.74E-41.74E-4 0,979 0,980 0,979 bình 10 bình 6,11E-5 0,989 0,989 2,54E-4 0,967 0,965 2,74E-4 0,970 0,968 8,66E-5 0,989 0,988 Ttb (s) Ttb (s) Trung 18.38 29.32 29.32 68.73 68.73 34.67 7,08E-5 0,99018.38 0,990 2,37E-4 0,966 0,964 2,54E-4 0,971 0,969 1,74E-4 34.67 0,980 0,979 bình 229 229T tb (s)Để điĐể sâuđi18,38 vào sâuđánh giá độgiá vào đánh chính xác của độ29,32 chính xácmô củahình huấn mô hình luyệnluyện 68,73huấn sử dụngsử dụngXGBoost, 34,67XGBoost, kết quả 230 230 ướcquảlượng thu được từ việc từchạy ngẫu nhiênnhiên 1 lần chương trình trình huấnhuấn luyệnluyệnđượcđược Đểkếtđi sâu ướcđánh vào lượnggiá thu được độ chính xác việc của môchạy hình ngẫu huấn luyện1sử lầndụng chương XGBoost, kết quả ước lượng so thusánh 231 231 so với được sánh giá với từ việc trị chính giá chạy xác trị chính ngẫu nhiêntương xác ứng. tương 1 lần Tỉ lệtrình ứng. chương mẫu của Tỉ lệhuấn tập củahuấn mẫuluyện tập được luyện huấn và với luyện so sánh tậpvàgiá kiểm tra tậptrịkiểm làtraxác chính là 80/20. 232 232 KếtTỉquả tương 80/20. ứng. Kết được lệ mẫuquảcủa trình được bày trìnhtrong tập huấn Hình bày trong luyện và 5. tậpHình kiểmCáctra 5.đường Các nétKết đường là 80/20. đứt nét trong quảđứt được hình trong thể bàyhiện trìnhhình mối thể hiện trong Hìnhmối5. quan Các đường 233 233 hệ quangiữahệgiá nét đứt giữa trị trongthítrị giá nghiệm hìnhthíthể và giá hiện nghiệm vàtrịquan mối ước giá trịhệlượng từ mô giữalượng ước giá trịtừhình. thí Các và nghiệm mô hình. đường Các trịnày giáđường ướccó dạng lượng này cótừdạng mô hình. Các đường này có dạng phương trình là y = ax + b. Một mô hình tốt sẽ có giá trị a tiến gần đến phương 234 234 trình là phương y=ax+b. trình Một mô là y=ax+b. Mộthình mô tốthìnhsẽtốt có sẽgiácótrịgiá a tiến trị agần tiếnđến gần1đến và b1 tiến và b gần tiếnđếngần đến 1 và b tiến gần đến 0. Ta có thể thấy rằng trong Hình 5, mô hình XGBoost có độ chính xác rất cao đối 0. vớiTa 235 235 có cả 0. tậpTathểcóthấy huấn thểrằng luyện thấy trong rằng và tập kiểm Hình trong 5, mô tra Hình khi hệ5, hình số a >XGBoost mô hình 0,98 XGBoost có độ và b khá cóchính nhỏ. độ sốxác Hệ chính rất tương cao xácquanrấtđối 2 với cao R đốiđược đạt với 2 cả lên tập 236 236 đếncảhuấn luyện tập98,4%. trên huấn luyệnvà tậpvàkiểm tra khitrahệkhi tập kiểm sốhệa >số0.98 a > và0.98b khá và bnhỏ. Hệ sốHệ khá nhỏ. tương quanquan số tương R R2 đạt được 237 237 lên đến đạt được lêntrên đến98.4%. trên 98.4%. 238 238 239 239 a)với a)(a)Xét Xét Xéttập với với tậphuấntập huấn huấn luyệnluyện luyện b)với (b) b) Xét Xét với Xét với tập tậptập kiểmkiểm kiểm tra tra tra Hình 5. Giá trị ước lượng của mô hình huấn luyện so với kết quả thí nghiệm 240 240 Hình Hình 5. Giá5.trịGiá ướctrịlượng ước lượng củahình của mô mô huấn hình huấn luyệnluyện so vớisokết vớiquả kếtthí quảnghiệm thí nghiệm 76 Tầm trọng 241 241 Tầm quan quan trọng củathông của các các thông số đầusốvào đầuđược vào được thể trong thể hiện hiện trong HìnhHình 6. Có6.thể Cóthấy thể thấy 242 242 rằng đường rằng đường kính ngoài kính ngoài của(D) của cột cộtcó(D) cóhưởng ảnh ảnh hưởng nhấtmô nhất đến đếnhình mô hình huấnhuấn luyệnluyện và lớn và lớn 243 243 hơnnhiều hơn khá khá nhiều so vớisocác vớithông các thông số còn sốlại. cònTiếp lại. Tiếp theolàđó theo đó là chiều chiều dày của dày của của ống của (t). ống (t).
Hoàn, P. T. / Tạp chí Khoa học Công nghệ Xây dựng Tầm quan trọng của các thông số đầu vào được thể hiện trong Hình 6. Có thể thấy rằng đường kính ngoài của cột (D) có ảnh hưởng nhất đến mô hình huấn luyện và lớn hơn khá nhiều so với các thông số cònTạp lại.chíTiếp Khoatheo đó lànghệ học Công chiều Xâydày củaNUCE2020 dựng, của ống p-ISSN (t). Ảnh hưởng của 2615-9058; thông số fy , fc0 và L các2734-9489 e-ISSN đến mô hình huấn luyện là tương đồng với nhau. 245 246 Hình Hình6.6.Tầm Tầm quan trọng của quan trọng củacác cácthông thôngsốsốđầu đầuvào vào 247 5. Kết luận 248 Trong nghiên cứu này, một chương trình ước lượng khả năng chịu nén dọc trục 5. Kết luận 249 của cột CFST tiết diện tròn được xây dựng. XGBoost, một trong những thuật toán máy 250Tronghọc mạnhcứu nghiên nhấtnày, hiệnmộtnay,chương được sử dụng. trình ướcMột lượngtậpkhả dữ năng liệu gồm chịu1017 kết quả nén dọc trụcthí củanghiệm cột CFST tiết 251trònvề diện cột xây được CFST tiết XGBoost, dựng. diện tròn chịu nén đúng một trong nhữngtâmthuật đượctoán sử máy dụnghọc làmmạnh dữ liệu huấn nhất hiệnluyện. nay, được sử 252 Một dụng. Thông tập dữ sốliệu đầu gồm vào của 1017chương kết quảtrình bao gồm: thí nghiệm vềđường cột CFSTkínhtiết ngoài diệncủa tiếtchịu tròn diệnnén (D), chiều đúng tâm được dụng dày sử253 làm của ống thép (t), cường độ chảy của thép (fy), cường độ chịu nén tiêu chuẩn của bê dữ liệu huấn luyện. Thông số đầu vào của chương trình bao gồm: đường kính ngoài của tiết 254diện tông (D), (fchiều dày của ống thép (t), cường độ chảy của thép ( fy ), cường c’) và chiều dài cột (L). Thông số đầu ra là khả năng chịu nén đúng độ chịu tâm nén tiêu chuẩn của cột 0 của 255bê tông ( f (N). Kếtc quả huấn luyện của mô hình sử dụng XGBoost có MSE trung bình là 7.08E-5,(N). Kết ) và chiều dài cột (L). Thông số đầu ra là khả năng chịu nén đúng tâm của cột quả huấn luyện của mô hình sử dụng XGBoost có MSE trung bình là 7,08E-5, và giá trị trung bình 256 và giá trị trung bình của R2 và R2 hiệu chỉnh cùng bằng 99%. So với SVM, RF và của R2 và R2 hiệu chỉnh cùng bằng 99%. So với SVM, RF và Adaboost, hiệu2 suất 2của XGBoost là tốt 257 Adaboost, hiệu suất của XGBoost là tốt nhất xét trên 3 chỉ số MSE, R và R hiệu chỉnh. nhất xét trên 3 chỉ số MSE, R2 và R2 hiệu chỉnh. Thời gian huấn luyện của thuật toán XGBoost cũng 258 Thời gian huấn luyện của thuật toán XGBoost cũng là nhanh nhất. Do đó, ta có thể kết là nhanh nhất. Do đó, ta có thể kết luận rằng thuật toán XGBoost có thể ứng dụng hiệu quả trong việc 259lượng ước luận khảrằngnăngthuật chịutoán nénXGBoost dọc trục cócủathểcộtứng dụngtiết CFST hiệu quả diện trong việc ước lượng khả năng tròn. 260 chịu nén dọc trục của cột CFST tiết diện tròn. 261liệu tham khảo Tài Tài liệu 262 Alatshan, [1] F., tham khảo Osman, S. A., Mashiri, F., Hamid, R. (2019). Explicit Simulation of Circular CFST Stub 263 Columns with External [1] Alatshan F, Osman Steel Confinement SA, Mashiri under AxialRCompression. F, Hamid Materials, (2019). Explicit 13(1):23. simulation of circular [2] Akbar, A., Farooq, F., Shafique, M., Aslam, F., Alyousef, R., Alabduljabbar, H. (2021). Sugarcane bagasse 264 ash-basedCFST stub columns engineered geopolymer with external mortar steel confinement incorporating underJournal propylene fibers. axial compression. of Building Engineer- Materials 13: 23. 265 ing, 33:101492. [3] Ren, Q., Li, M., Zhang, M., Shen, Y., Si, W. (2019). Prediction of Ultimate Axial Capacity of Square 266 [2] Akbar A, Farooq F, Shafique M, Aslam F, Alyousef R, Alabduljabbar H (2021). Concrete-Filled Steel Tubular Short Columns Using a Hybrid Intelligent Algorithm. Applied Sciences, 9 Sugarcane bagasse ash-based engineered geopolymer mortar incorporating 267 (14):2802. propylene 268 Zhang, Lyu, [4] fibers. Yu (2019). J. Build.and Prediction Eng. 33: 101492. Analysis of the Residual Capacity of Concrete-Filled Steel Tube 269 Stub[3] Ren Q, Li M, Zhang M, Shen Y, Si W (2019). Columns under Axial Compression Subjected Prediction to Combined of ultimate axial Freeze–Thaw Cyclescapacity and Acid Rain 270 Corrosion. Materials, 12(19):3070. of square concrete-filled steel tubular short columns using a hybrid intelligent 77 11
Hoàn, P. T. / Tạp chí Khoa học Công nghệ Xây dựng [5] Việt, V. Q., Hùng, T. V., Hoàn, P. T. (2019). Nghiên cứu khả năng chịu uốn của ống tròn hai lớp thép nhồi bê tông có liên kết mối nối bằng mô phỏng phần tử hữu hạn. Tạp chí Khoa học Công nghệ Xây dựng (KHCNXD) - ĐHXD, 13(4V):115–128. [6] Viet, V. Q., Ha, H., Hoan, P. T. (2019). Evaluation of ultimate bending moment of circular concrete–filled double skin steel tubes using finite element analysis. Journal of Science and Technology in Civil Engi- neering (STCE) - NUCE, 13(1):21–32. [7] Chen, J. B., Chan, T. M., Castro, J. M. (2017). Parametric study on the flexural behaviour of circular rubberized concrete-filled steel tubes. Tubular Structures XVI, CRC Press, 51–59. [8] Li, G., Chen, B., Yang, Z., Feng, Y. (2018). Experimental and numerical behaviour of eccentrically loaded high strength concrete filled high strength square steel tube stub columns. Thin-Walled Structures, 127: 483–499. [9] Javed, M. F., Sulong, N. H. R., Memon, S. A., Rehman, S. K. U., Khan, N. B. (2017). FE modelling of the flexural behaviour of square and rectangular steel tubes filled with normal and high strength concrete. Thin-Walled Structures, 119:470–481. [10] Knowles, R. B., Park, R. (1969). Strength of Concrete Filled Steel Tubular Columns. Journal of the Structural Division, 95(12):2565–2588. [11] Liu, Z., Goel, S. C. (1988). Cyclic Load Behavior of Concrete-Filled Tubular Braces. Journal of Structural Engineering, 114(7):1488–1506. [12] Kilpatrick, A. E., Rangan, B. V. (1999). Tests on High-Strength Concrete-Filled Steel Tubular Columns. ACI Structural Journal, 96(2). [13] Sakino, K., Nakahara, H., Morino, S., Nishiyama, I. (2004). Behavior of Centrally Loaded Concrete- Filled Steel-Tube Short Columns. Journal of Structural Engineering, 130(2):180–188. [14] Eurocode 4 EN 1994-1-1:2004. Design of composite steel and concrete structures. Part 1-1: General rules and rules for buildings. European Committee for Standardization. [15] ACI 318-14 (2014). Building Code Requirements for Structural Concrete. American Concrete Institute. [16] ANSI/AISC 360-16 (2016). Specification for Structural Steel Buildings. American Institute of Steel Construction. [17] Truong, V.-H., Vu, Q.-V., Thai, H.-T., Ha, M.-H. (2020). A robust method for safety evaluation of steel trusses using Gradient Tree Boosting algorithm. Advances in Engineering Software, 147:102825. [18] Kim, S.-E., Vu, Q.-V., Papazafeiropoulos, G., Kong, Z., Truong, V.-H. (2020). Comparison of machine learning algorithms for regression and classification of ultimate load-carrying capacity of steel frames. Steel and Composite Structures, 37(2):193–209. [19] Hung, T. V., Viet, V. Q., Thuat, D. V. (2019). A deep learning-based procedure for estimation of ulti- mate load carrying of steel trusses using advanced analysis. Journal of Science and Technology in Civil Engineering (STCE) - NUCE, 13(3):113–123. [20] Hùng, H. M., Hùng, T. V., Thuật, Đ. V., Việt, V. Q. (2020). 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. Tạp chí Khoa học Công nghệ Xây dựng (KHCNXD) - ĐHXD, 14(1V):12–20. [21] Vu, Q.-V., Truong, V.-H., Thai, H.-T. (2021). Machine learning-based prediction of CFST columns using gradient tree boosting algorithm. Composite Structures, 259:113505. [22] G¨uneyisi, E. M., G¨ultekin, A., Mermerdas¸, K. (2016). Ultimate capacity prediction of axially loaded CFST short columns. International Journal of Steel Structures, 16(1):99–114. [23] Chen, T., Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, ACM. [24] Zhang, H., Qiu, D., Wu, R., Deng, Y., Ji, D., Li, T. (2019). Novel framework for image attribute annotation with gene selection XGBoost algorithm and relative attribute model. Applied Soft Computing, 80:57–79. [25] Nobre, J., Neves, R. F. (2019). Combining Principal Component Analysis, Discrete Wavelet Transform and XGBoost to trade in the financial markets. Expert Systems with Applications, 125:181–194. [26] Thai, S., Thai, H.-T., Uy, B., Ngo, T. (2019). Concrete-filled steel tubular columns: Test database, design and calibration. Journal of Constructional Steel Research, 157:161–181. 78