Lựa chọn cấu trúc mạng nơ ron nhân tạo (ANN) dự báo chỉ số nén của đất

Từ khóa:

Dự đoán
mạng nơ ron nhân tạo (ANN)
chỉ số nén.

Tóm tắt:

Mạng nơ-ron nhân tạo (artificial neural network - ANN) đã được áp dụng thành công trong nhiều bài toán địa kỹ thuật. Tuy nhiên, trong quá trình xây dựng mạng nơ-ron ANN, việc lựa chọn cấu trúc mạng để đạt được kết quả chính xác hơn vẫn chưa thực sự thống nhất. Bài báo này sẽ thử dần, và lựa chọn những kết luận của các tác giả trước để xây dựng mô hình nơ-ron ANN với mục tiêu dự đoán chính xác hơn chỉ số nén C_c của đất đá. Tính chính xác của mô hình sẽ được đánh giá qua bốn chỉ số: R² (hệ số xác định), RMSE (độ lệch bình phương trung bình gốc), MAPE (độ lệch phần trăm tuyệt đối trung bình), MAD (trung bình độ lệch tuyệt đối).  Các kết luận về cấu trúc và ảnh hưởng của các tham số đầu vào sẽ được rút ra khi so sánh tính chính xác của các mô hình nơ-ron ANN với nhau.

Nội dung:

Tài liệu tham khảo:

1. Lý Hải Bằng và Nguyễn Thùy Anh (2020). "Nghiên cứu ứng dụng mô hình mạng nơ ron nhân tạo để dự đoán sức chịu tải giới hạn của cấu kiện thép chữ Y".Khoa học công nghệ, 3 pp 45-49.
2. Nguyễn Mạnh Thảo, Trần Thu Hằng và Phạm Văn Nguyên (2015). "Ứng dụng mạng nơ ron nhân tạo để dự báo tốc độ ăn mòn thép CT3 trong khí quyển". Tạp chí khoa học và Công nghệ nhiệt đới, 8 (6-2015) pp 57-64.
3. Quận Ngô Văn, Thịnh Nguyễn Xuân và Tiến Nguyễn Văn (2017). "Nghiên cứu ứng dụng mạng thần kinh nhân tạo (ANN) trong dự báo lưu lượng nước đến hồ chứa Cửa Đạt". Tạp chí Khoa học và Công nghệ Thủy lợi, (39), pp 1-7.
4. Tạ Quốc Dũng, Lê Thế Hà và Phạm Duy Khang (2019). "Ứng dụng mạng nơ ron nhân tạo (ANN) trong dự báo độ rỗng". Tạp chí Dầu khí, 7, pp 18-27.
5. Vũ Văn Tuấn (2019). "Mô hình mạng nơ ron nhân tạo ANN trong dự báo độ lún các lớp đất của hầm metro". Tạp chí Khoa học công nghệ xây dựng, 4 (186), pp 58-64.
6. Caudill Maureen (1988). "Neural networks primer, Part III". AI Expert, 3 (6), pp 53-59.
7. Goh ATC and Kulhawy FH (2003). "Neural network approach to model the limit state surface for reliability analysis". Can Geotech Jounal, 40 (6), pp 1235-1244.
8. Hornik Kurt, Stinchcombe Maxwell, and White Halbert (1989). "Multilayer feedforward networks are universal approximators". Neural networks, 2 (5), pp 359-366.
9. Kim Y and Kim B (2008). "Prediction of relative crest settlement of concrete-faced rockfill dams analyzed using an artificial neural network model". Comput Geotech, 35 (3), pp 313-322.
10. Maier HR and Dandy GC (2000), Application of artificial neural networks to forecasting of surface water quality variables: issues, applications and challenges, in Artificial neural networks in hydrology. Springer. p. 287-309.
11. Rankine R and Sivakugan N (2005). "Prediction of paste backfill performance using artificial neural networks". in Proceedings of 16th international society for soil mechanics and foundation engineering. Osaka.
12. Rumelhart David E, Hinton Geoffrey E and Williams Ronald J (1985), Learning internal representations by error propagation, California Univ San Diego La Jolla Inst for Cognitive Science.
13. Shahin Mohamed A (2010). "Intelligent computing for modeling axial capacity of pile foundations". Canadian Geotechnical Journal, 47 (2), pp 230-243.
14. Vu Van Tuan (2020). "Research on the applicability of artificial neural network model to predict the average dimension of fragmentation and the volume of excavation for the electrical explosion model". Journal of Science and Technique, 4 (207), pp 25-36.
15. Yoo C and Kim J (2007). "Tunneling performance prediction using an integrated GIS and neural network". Comput Geotech, 34 (1), pp 19-30.
16. Kalantary Farzin and Kordnaeij Afshin (2012). "Prediction of compression index using artificial neural network". Scientific Research and Essays, 7 (31), pp 2835-2848.
17. Kingma Diederik P and Ba Jimmy (2014). "Adam: A method for stochastic optimization". arXiv preprint arXiv:1412.6980, 
18. Shahin Mohamed A, Jaksa Mark B and Maier Holger R (2009). "Recent advances and future challenges for artificial neural systems in geotechnical engineering applications". Advances in Artificial Neural Systems, 2009, pp 5.