Ứng dụng mạng nơ-ron học sâu trong dự báo độ mất mát khối lượng của bê tông chứa cốt liệu cao su dưới ảnh hưởng của nhiệt độ
Tóm tắt: 49
| 
PDF: 50 
##plugins.themes.academic_pro.article.main##
Author
Từ khóa:
Bê tông cao su
mạng nơ ron học sâu
rừng ngẫu nhiên
kỹ thuật học máy
mất mát khối lượng
Tóm tắt
Bài báo này giới thiệu cách tiếp cận mới trong việc sử dụng mô hình mạng nơ ron học sâu (DLNN) để dự đoán độ mất mát khối lượng của bê tông chứa cốt liệu cao su (RC) dưới tác dụng của nhiệt độ. Một mô hình cấu trúc của DLNN với 22 nơron trong 3 lớp ẩn được đề xuất. Bộ dữ liệu với 162 mẫu, bao gồm bốn yếu tố ảnh hưởng: Tỉ lệ nước/ xi măng, thời gian nung, nhiệt độ, tỉ lệ vụn cao su thay thế được sử dụng để huấn luyện và xác nhận mô hình đã được thu thập từ các tài liệu. Đầu ra là tỉ lệ mất mát khối lượng của RC. Mô hình DLNN được so sánh với hai kỹ thuật học máy khác là Random Forest và Multilayer Perceptron. Kết quả cho thấy mô hình DLNN vượt trội hơn so với các mô hình khác và do đó nó có thể được sử dụng như một phương pháp phù hợp để dự đoán độ mất mát khối lượng của RC dưới ảnh hưởng của nhiệt độ.
Tài liệu tham khảo
-
[1] Bộ tài nguyên và môi trường, “Báo cáo môi trường quốc gia”, 2010, 109-116.
[2] Buši´c R, Miliˇcevi´c, I Kalman, Šipoš T, Strukar K, “Recycled Rubber as an Aggregate Replacement in Self-Compacting Concrete”, Literature Overview Materials, 11, 2018, 1729-1743.
[3] D Snelson, J M Kinuthia, P Davies, S. Chang, “Sustainable construction: Composite use of tyres and ash in concrete”, Waste Manage, 29, 2009, 360–367.
[4] B S Thomas, R Ch Gupta, V J Panicker, “Recycling of waste tire rubber as aggregate in concrete: durability-related performance”, Journal of Cleaner Production, 112, 2016, 504–513.
[5] O Youssf, R Hassanli, J E Mills, “Mechanical performance of FRP-confined and unconfined crumb rubber concrete containing high rubber content”, Journal of Building Engineering, 11, 2017, 115–126.
[6] X Shu, B Huang, “Recycling of waste tire rubber in asphalt and Portland cement concrete: an overview”, Construction and Building Materials, 67, 2014, 217–224.
[7] B S Thomas, R C Gupta, P Kalla, L Cseteneyi, “Strength, abrasion and permeation characteristics of cement concrete containing discarded rubber fine aggregates”, Construction and Building Materials, 59, 2014, 204–212.
[8] L Zheng, X S Huo, Y Yuan, “Strength, modulus of elasticity, and brittleness index of rubberized concrete”, Journal of Materials in Civil Engineering, 20, 2008, 692–699.
[9] M Záleská, Z Pavlík, D Cˇítek, O Jankovsky´, M Pavlíková, “Eco-friendly concrete with scrap-tyre-rubber-based aggregate – Properties and thermal stability”, Construction and Building Materials, 225, 2019, 709-722.
[10] A A Aliabdo, A E M A Elmoaty, M M Abdelbased, “Utilization of waste rubber in non-structural applications”, Construction and Building Materials, 91, 2015, pp 195–207.
[11] G Girskas, D Nagrockiene, “Crushed rubber waste impact of concrete basic properties”, Construction and Building Materials, 140, 2017, 36–42.
[12] K. Gnana Sheela, S. N. Deepa, “Review on Methods to Fix Number of Hidden Neurons in Neural Networks”, Mathematical Problems in Engineering, vol. 2013, 2013, 45-56.
[13] T Gupta, K A Patel, S Siddique, R K Sharma, S Chaudhary, “Prediction of mechanical properties of rubberised concrete exposed to elevated temperature using ANN”, Measurement, 147, 2019, 106870.
[14] M Hadzima-Nyarko, E K Nyarko, N Ademovi´c, I Miliˇcevi´c, T K Šipoš, “Modelling the Influence of Waste Rubber on Compressive Strength of Concrete by Artificial Neural Networks”, Materials, 561, 2019, 154-165.
[15] A Abdollahzadeh, R Masoudnia, S Aghababaei, “Predict Strength of Rubberized Concrete Using Artificial Neural Network”, Wseas Transactions on Computers, 2, 2011, 31–40.
[16] M Gesoglu, E Guneyisi, T Ozturan, E Ozbay, “Modeling the mechanical properties of rubberized concretes by neural network and genetic programming”, Materials and Structures, 43, 2010, 42-57.
[17] T. Gupta, S. Siddique, R.K. Sharma, S. Chaudhary, “Effect of elevated temperature and cooling regimes on mechanical and durability properties of concrete containing waste rubber fiber”, Constructuion and Building Materials, 137, 2017, 35–45.
[18] Goodfellow, I Bengio, Y Courville, “Deep Learning (Adaptive Computation and Machine Learning series)”, The MIT Press, 2016, ISBN-10: 0262035618.
[19] D P Kingma, Ba J, “Adam: a method for stochastic optimization”, Proceedings of the 3rd International Conference on Learning Representations (ICLR), San Diego, 2015.
[20] M Leshno, V Y Lin, A Pinkus, S Schocken, “Multilayer feedforward networks with a nonpolynomial activation function can approximate any function”, Neural Network, 6, 1993, 861–867.
Xem thêm
##plugins.themes.academic_pro.article.sidebar##
Đã Xuất bản
May 31, 2021
Download
Cách trích dẫn
Lê Trần Minh Đạt, Đoàn Viết Long. “Ứng dụng mạng Nơ-Ron học sâu Trong dự báo độ mất mát khối lượng của Bê tông chứa cốt liệu Cao Su dưới ảnh hưởng của nhiệt độ”. Tạp Chí Khoa học Và Công nghệ - Đại học Đà Nẵng, vol 19, số p.h 5.1, Tháng Năm 2021, tr 44-48, https://jst-ud.vn/jst-ud/article/view/7498.
