So sánh hiệu suất thuật toán hồi quy tuyến tính, học sâu và rừng ngẫu nhiên cho bài toán dự báo chịu tải cực hạn của khung thép phi tuyến tính phi đàn hồi

Bài viết "So sánh hiệu suất thuật toán hồi quy tuyến tính, học sâu và rừng ngẫu nhiên cho bài toán dự báo chịu tải cực hạn của khung thép phi tuyến tính phi đàn hồi" nghiên cứu 3 thuật toán học máy phổ biến hiện nay được nghiên cứu cho bài toán dự báo khả năng chịu tải của khung thép bao gồm: Hồi quy tuyến tính, Học sâu và Rừng ngẫu nhiên. Hiệu quả khi áp dụng các phương pháp học máy được xem xét qua một ví dụ số khảo sát một khung thép phẳng 5 nhịp 14 tầng.
Nội dung trích xuất từ tài liệu:
So sánh hiệu suất thuật toán hồi quy tuyến tính, học sâu và rừng ngẫu nhiên cho bài toán dự báo chịu tải cực hạn của khung thép phi tuyến tính phi đàn hồi w w w.t apchi x a y dun g .v n nNgày nhận bài: 10/01/2023 nNgày sửa bài: 24/02/2023 nNgày chấp nhận đăng: 10/3/2023 So sánh hiệu suất thuật toán hồi quy tuyến tính, học sâu và rừng ngẫu nhiên cho bài toán dự báo chịu tải cực hạn của khung thép phi tuyến tính phi đàn hồi Comparison of linear regression, deep learning and random forest algorithms for predicting ultimate load capacity of nonlinear inelastic analysis of steel frames > NCS NGUYỄN THỊ THANH THÚY, HV NGÔ MẠNH THIỀU, GS.TS NGUYỄN TIẾN CHƯƠNG, PGS. TS TRƯƠNG VIỆT HÙNG* Khoa Công trình, Trường Đại học Thủy lợi *Corresponding author TÓM TẮT ABSTRACT Sự phát triển nhanh chóng và mạnh mẽ của ngành khoa học máy The rapid and powerful development of computer science and tính và khả năng tính toán trong vài thập kỷ gần đây đã thúc đẩy computing power in recent decades has promoted the application of những ứng dụng của các phương pháp phân tích tiên tiến vào các advanced analytical methods to engineering design problems in bài toán thiết kế kỹ thuật xây dựng nói chung và thực hành thiết kế general and steel frame design practice in particular. One of the khung thép nói riêng. Một trong những hướng khả thi và phổ biến là possible and popular directions is to apply machine learning algorithms áp dụng các thuật toán học máy vào dự đoán các ứng xử của kết to predict the behavior of steel frame structures in nonlinear inelastic cấu khung thép trong phân tích phi đàn hồi phi tuyến tính. Điều này analysis. This shows obvious advantages such as speeding up the cho thấy những ưu điểm rõ ràng như đẩy nhanh được quá trình ra decision-making process, reducing error rates, and increasing quyết định, giảm tỷ lệ lỗi và tăng hiệu quả tính toán. Trong nghiên computational efficiency. In this paper, the effectiveness of three cứu này, 3 thuật toán học máy phổ biến hiện nay được nghiên cứu popular machine learning algorithms is studied for the prediction of cho bài toán dự báo khả năng chịu tải của khung thép bao gồm: Hồi the load-carrying capacity of steel frames including Linear Regression, quy tuyến tính, Học sâu và Rừng ngẫu nhiên. Hiệu quả khi áp dụng Deep Learning, and Random Forest. A numerical example surveying a các phương pháp học máy được xem xét qua một ví dụ số khảo sát 5-span 14-story planar steel frame is considered. An advanced non- một khung thép phẳng 5 nhịp 14 tầng. Phân tích phi đàn hồi phi tuyến linear inelastic analysis is performed for the steel frame to generate tính nâng cao được thực hiện cho khung thép nhằm tạo bộ dữ liệu training datasets to minimize analysis time. The input variables of the cho huấn luyện để giảm thiểu thời gian phân tích. Các biến đầu vào problem are the geometrical characteristics of the beam and column của bài toán là các đặc điểm hình học của tiết diện thanh dầm cột cross-section selected from the available list. The performance of the được chọn từ danh mục có sẵn. Hiệu suất của các thuật toán học machine learning algorithms was evaluated using error indexes máy được đánh giá bằng cách sử dụng các chỉ số về lỗi gồm sai số including mean square error (MSE), and coefficient of determination bình phương trung bình (MSE), hệ số xác định (R2) và Kết quả cho (R2) and the results showed that the random forest method is the most thấy phương pháp rừng ngẫu nhiên có hiệu quả tốt nhất trong ba effective among the three machine learning methods selected. phương pháp học máy lựa chọn. Keyword: Steel frame; nonlinear inelastic analysis; machine Từ khóa: Khung thép; phân tích phi đàn hồi phi tuyến tính; học máy; learning; ISSN 2734-9888 04.2023 153 NGHIÊN CỨU KHOA HỌC 1. ĐẶT VẤN ĐỀ triển bằng cách sử dụng dữ liệu khảo sát hiện trường và dữ liệu SHM Vật liệu thép có những ưu điểm vượt trội so với các vật liệu [13]. Afshari và các đồng nghiệp đã xem xét các phương pháp dựa thông thường đó là tính chất cơ lý tốt, có khả năng chịu được mọi trên ML được sử dụng trong các phân tích độ tin cậy của kết cấu [14]. loại ứng suất như kéo, nén, uốn, xoắn... và có thể trải qua biến dạng Sự kết hợp giữa các thuật toán ML và các phương pháp phân tích độ lớn. Nhờ những đặc điểm này, mặc dù trọng lượng riêng của thép tin cậy thông thường đã mang lại kết quả tốt, bao gồm không chỉ khá lớn so với các loại vật liệu khác nhưng các công trình làm bằng nâng cao độ chính xác mà còn giảm các nỗ lực tính toán. thép lại cho phép giảm trọng lượng bản thân đáng kể, kết cấu thanh Trong xác định khả năng chịu tải cực hạn của công trình hiện mảnh, hình thức đa dạng, dễ tạo hình và có thể vượt được nhịp lớn. nay, việc thực hiện các thuật toán ML để dự đoán khả năng chịu tải Ngoài ra, với những lợi ích vượt trội về đẩy nhanh tiến độ, đảm bảo của các kết cấu kỹ thuật đã thu hút sự quan tâm ngày càng tăng của độ bền vững và tính kỹ thuật cao nên kết cấu khung thép đã và đang các nhà nghiên cứu. Ví dụ, độ bền của các cột CFST đã được dự đoán được sử dụng rộng rãi trong các công trình xây dựng. bằng cách sử dụng các thuật toán ML khác nhau, chẳng hạn như Các phươn ...