Ứng dụng trí tuệ nhân tạo trong dự đoán cường độ chịu nén của bê tông bọt

https://doi.org/10.31130/ud-jst.2024.013E

##plugins.themes.academic_pro.article.main##

Author

  • Nguyen Thi Loc
    Central College of Transport V, Danang, Vietnam
    Mai Anh Duc
    The University of Danang - University of Science and Technology, Danang, Vietnam
    Nguyen Cong Luyen
    The University of Danang - University of Science and Technology, Danang, Vietnam
    Vu Huy Cong
    The University of Danang - University of Science and Technology, Danang, Vietnam
    Nguyen Van Huong
    The University of Danang - University of Science and Technology, Danang, Vietnam

Từ khóa:

Cường độ chịu nén của bê tông bọt
Mô hình trí tuệ nhân tạo
Dự đoán cường độ chịu nén của bê tông bọt

Tóm tắt

Dự đoán chính xác cường độ chịu nén của bê tông bọt đóng vai trò quan trọng trong việc áp dụng rộng rãi bê tông bọt trong các công trình xây dựng. Nghiên cứu này đánh giá độ chính xác của 06 mô hình trí tuệ nhân tạo (MHTTNT) trong dự đoán cường độ chịu nén của bê tông bọt. Bộ dữ liệu gồm 150 mẫu thử được sử dụng để huấn luyện và đánh giá độ chính xác dự báo của MHTTNT, trong đó trọng lượng khô của bê tông bọt, hàm lượng xi măng, hàm lượng cát và tỉ lệ nước trên xi măng là các số liệu đầu vào, cường độ chịu nén ở 28 ngày tuổi là số liệu đầu ra. Độ chính xác dự báo của các MHTTNT được đánh giá thông qua 04 chỉ số thống kê. Kết quả nghiên cứu cho thấy rằng, các MHTTNT dự đoán khá chính xác cường độ chịu nén của bê tông bọt. Mô hình có độ chính xác lớn nhất là mô hình M5Rules, trong khi mô hình có độ chính xác thấp nhất được xác định dựa trên chỉ số thống kê được sử dụng.

Tài liệu tham khảo

    [1] R. Jones and A. McCarthy, "Preliminary views on the potential of foamed concrete as a structural material”, Mag. Concr. Res., vol. 57, no. 1, pp. 21-31, 2005, doi: 10.1680/macr.2005.57.1.21.
    [2] Falliano, D. De Domenico, G. Ricciardi, and E. Gugliandolo, "Experimental investigation on the compressive strength of foamed concrete: Effect of curing conditions, cement type, foaming agent and dry density”, Constr. Build. Mater., vol. 165, pp. 735-749, 2018, doi: https://doi.org/10.1016/j.conbuildmat.2017.12.241.
    [3] T. Nguyen, H. H. Bui, T. D. Ngo, and G. D. Nguyen, "Experimental and numerical investigation of influence of air-voids on the compressive behaviour of foamed concrete”, Mater. Des., vol. 130, pp. 103-119, 2017, doi: https://doi.org/10.1016/j.matdes.2017.05.054.
    [4] Li et al., "Enhancement in compressive strength of foamed concrete by ultra-fine slag”, Cem. Concr. Compos., vol. 138, p. 104954, 2023, doi: https://doi.org/10.1016/j.cemconcomp.2023.104954.
    [5] S. Ullah, R. A. Khushnood, J. Ahmad, and F. Farooq, "Predictive modelling of sustainable lightweight foamed concrete using machine learning novel approach”, J. Build. Eng., vol. 56, p. 104746, 2022, doi: https://doi.org/10.1016/j.jobe.2022.104746.
    [6] Pan, W. Yang, Y. Zhang, and P.-P. Li, "Optimized strength modelling of foamed concrete using principal component analysis featurized regressors”, Struct., vol. 48, pp. 1730-1745, 2023, doi: https://doi.org/10.1016/j.istruc.2023.01.068.
    [7] P. Kearsley and P. J. Wainwright, "The effect of high fly ash content on the compressive strength of foamed concrete”, Cem. Concr. Res., vol. 31, no. 1, pp. 105-112, 2001, doi: https://doi.org/10.1016/S0008-8846(00)00430-0.
    [8] Nguyen, A. Kashani, T. Ngo, and S. Bordas, "Deep neural network with high-order neuron for the prediction of foamed concrete strength”, Computer-Aided Civil and Infrastructure Engineering, vol. 34, no. 4, pp. 316-332, 2019, doi: https://doi.org/10.1111/mice.12422.
    [9] A. Salami et al., "Estimating compressive strength of lightweight foamed concrete using neural, genetic and ensemble machine learning approaches”, Cem. Concr. Compos., vol. 133, p. 104721, 2022, doi: https://doi.org/10.1016/j.cemconcomp.2022.104721.
    [10] Ye, L. Li, D.-Y. Yoo, H. Li, C. Zhou, and X. Shao, "Prediction of shear strength in UHPC beams using machine learning-based models and SHAP interpretation”, Constr. Build. Mater., vol. 408, p. 133752, 2023, doi: https://doi.org/10.1016/j.conbuildmat.2023.133752.
    [11] Shu, H. Yu, G. Liu, H. Yang, Y. Chen, and Y. Duan, "BO-Stacking: A novel shear strength prediction model of RC beams with stirrups based on Bayesian Optimization and model stacking”, Struct., vol. 58, p. 105593, 2023, doi: https://doi.org/10.1016/j.istruc.2023.105593.
    [12] -S. Chou, N.-T. Ngo, and A.-D. Pham, "Shear Strength Prediction in Reinforced Concrete Deep Beams Using Nature-Inspired Metaheuristic Support Vector Regression”, Journal of Computing in Civil Engineering, vol. 30, no. 1, p. 04015002, 2016, doi: doi:10.1061/(ASCE)CP.1943-5487.0000466.
    [13] Ali, J. Ahmad, U. Iqbal, S. Khan, and M. N. S. Hadi, "Neural network-based models versus empirical models for the prediction of axial load-carrying capacities of FRP-reinforced circular concrete columns”, Structural Concrete published by John Wiley & Sons Ltd on behalf of International Federation for Structural Concrete, 2023, doi: https://doi.org/10.1002/suco.202300420.
    [14] Yang et al., "A novel CGBoost deep learning algorithm for coseismic landslide susceptibility prediction”, Geoscience Frontiers, vol. 15, no. 2, p. 101770, 2024, doi: https://doi.org/10.1016/j.gsf.2023.101770.
    [15] Yang, Y. Yin, J. Zhang, P. Ding, and J. Liu, "A graph deep learning method for landslide displacement prediction based on global navigation satellite system positioning”, Geoscience Frontiers, vol. 15, no. 1, p. 101690, 2024, doi: https://doi.org/10.1016/j.gsf.2023.101690.
    [16] F. Lin and L. Wotherspoon, "The use of global versus region-specific data for the prediction of co-seismic landslides”, Engineering Geology, vol. 327, p. 107335, 2023, doi: https://doi.org/10.1016/j.enggeo.2023.107335.
    [17] G. Asteris and V. G. Mokos, "Concrete compressive strength using artificial neural networks”, Neural Computing and Applications, vol. 32, no. 15, pp. 11807-11826, 2020, doi: 10.1007/s00521-019-04663-2.
    [18] J. Armaghani and P. G. Asteris, "A comparative study of ANN and ANFIS models for the prediction of cement-based mortar materials compressive strength”, Neural Computing and Applications, vol. 33, no. 9, pp. 4501-4532, 2021, doi: 10.1007/s00521-020-05244-4.
    [19] Zhu and P. Lei, "A novel prediction model for failure mechanism of foamed concrete”, Constr. Build. Mater., vol. 370, p. 130625, 2023, doi: https://doi.org/10.1016/j.conbuildmat.2023.130625.
    [20] -D. Pham, N.-T. Ngo, Q.-T. Nguyen, and N.-S. Truong, "Hybrid machine learning for predicting strength of sustainable concrete”, Soft Computing, vol. 24, no. 19, pp. 14965-14980, 2020, doi: 10.1007/s00500-020-04848-1.
    [21] N. Vapnik, The nature of statiscical learning theory. USA: Springer-Verlag, New York, 1995.
    [22] A. M. Abd and S. M. Abd, "Modelling the strength of lightweight foamed concrete using support vector machine (SVM)”, Case Studies in Construction Materials, vol. 6, pp. 8-15, 2017, doi: https://doi.org/10.1016/j.cscm.2016.11.002.
Xem thêm

##plugins.themes.academic_pro.article.sidebar##

Đã Xuất bản

Mar 31, 2024
Download
PDF (English)
Cách trích dẫn
Loc, N. T., M. A. Duc, N. C. Luyen, V. H. Cong, và N. V. Huong. “Ứng dụng Trí tuệ nhân tạo Trong dự đoán cường độ chịu nén của Bê tông bọt”. Tạp Chí Khoa học Và Công nghệ - Đại học Đà Nẵng, vol 22, số p.h 3, Tháng Ba 2024, tr 13-19, doi:10.31130/ud-jst.2024.013E.

##plugins.themes.academic_pro.article.details##