Xây dựng mô hình học sâu để dự đoán khả năng chịu uốn của dầm liên hợp thép cường độ cao - vật liệu ECC

Từ khóa:

Mô hình học sâu
Mạng nơ-ron nhân tạo
Thép cường độ cao
Vật liệu kỹ thuật gốc xi măng (ECC)
Dầm liên hợp
Khả năng chịu uốn

https://doi.org/10.59382/j-ibst.2025.vi.vol3-3

Tóm tắt:

Thép cường độ cao (High-strength steel - HSS) kết hợp với vật liệu kỹ thuật gốc xi măng (Engineered Cementitious Composites - ECC) là một giải pháp đầy hứa hẹn cho các dầm liên hợp có độ bền và độ dẻo cao, đặc biệt trong các kết cấu nhịp lớn và chịu tải trọng lớn. Các nghiên cứu thực nghiệm, mô phỏng số và mô hình phân tích đã chỉ ra rằng dầm liên hợp HSS-ECC có hiệu quả vượt trội hơn so với dầm liên hợp HSS-bê tông thường về cả cường độ và độ dẻo. Để thúc đẩy loại kết cấu này được ứng dụng rộng rãi trong thực tế, việc phát triển một phương pháp nhanh hơn, hiệu quả hơn và chính xác hơn là vô cùng cần thiết. Các phương pháp ứng dụng trí tuệ nhân tạo (AI) trong dự đoán ứng xử của kết cấu đang ngày càng thu hút sự quan tâm của các nhà nghiên cứu. Nghiên cứu này tập trung vào việc ứng dụng mô hình học sâu để dự đoán khả năng chịu uốn của dầm liên hợp HSS-ECC dựa trên các tham số vật liệu và hình học của dầm liên hợp (ví dụ: cường độ của ECC và HSS, kích thước bản ECC, chiều cao tiết diện HSS,...).Mô hình học sâu Mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) đã được huấn luyện và đánh giá trên bộ dữ liệu gồm 132 mô hình dầm liên hợp, được tổng hợp từ nghiên cứu số và các tài liệu đã công bố trước đó. Các chỉ số đánh giá hiệu quả gồm: Hệ số xác định (R²), Căn bậc hai của sai số bình phương trung bình (RMSE), Sai số tuyệt đối trung bình (MAE), và Sai số phần trăm tuyệt đối trung bình (MAPE) được sử dụng để kiểm chứng độ chính xác của mô hình học sâu này. Kết quả cho thấy chỉ số R² của mô hình ANN đạt gần 99%, chứng tỏ khả năng dự đoán sức kháng uốn của dầm liên hợp HSS-ECC là rất chính xác. Các chỉ số đánh giá khác cũng tiếp tục khẳng định độ tin cậy vượt trội của mô hình ANN trong việc dự đoán khả năng chịu lực của dầm liên hợp HSS-ECC.

Nội dung:

Tài liệu tham khảo:

[1] Nguyen, C. L., & Lee, C. K. (2021), “Flexural behaviours of Engineered Cementitious Composites–High strength steel composite beams”, Engineering Structures, 249, p113324.

[2]   Nguyen C.-L., and Lee C.-K. (2023), “Development of analytical models for predicting the flexural behaviour of engineered cementitious composites-high strength steel composite beams”, Advanced Steel Construction, 19(3), p197-208.

[3] Mai A D, Lee C K, Nguyen C L. (2025), “Flexural performance of composite beam with high-strength steel girder and ECC slab: A comprehensive parametric study”. Res. Eng. Struct. Mater., 11(3), p1345-1367.

[4] Kina, C., Turk, K., Atalay, E., Donmez, I., & Tanyildizi, H. (2021), “Comparison of extreme learning machine and deep learning model in the estimation of the fresh properties of hybrid fiber-reinforced SCC”, Neural Computing and Applications, 33(18), p11641-11659.

[5] Moein, M. M., Saradar, A., Rahmati, K., Mousavinejad, S. H. G., Bristow, J., Aramali, V., & Karakouzian, M. (2023), “Predictive models for concrete properties using machine learning and deep learning approaches: A review”, Journal of Building Engineering, 63, p105444.

[6] Tuken, A., Abbas, Y. M., & Siddiqui, N. A. (2023,), “Efficient prediction of the load-carrying capacity of ECC-strengthened RC beams–An extra-gradient boosting machine learning method”, In Structures (Vol. 56, p. 105053, October), Elsevier.

[7] Wakjira, T. G., Al-Hamrani, A., Ebead, U., & Alnahhal, W. (2022), “Shear capacity prediction of FRP-RC beams using single and ensenble ExPlainable Machine learning models”, Composite Structures, 287, p115381.

[8] Ge, W., Zhang, F., Wang, Y., Ashour, A., Luo, L., Qiu, L. & Cao, D. (2024), “Machine learning predictions for bending capacity of ECC-concrete composite beams hybrid reinforced with steel and FRP bars”, Case Studies in Construction Materials, 21, pe03670.