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

9 3 0
  • Loading ...
    Loading ...
    Loading ...

Tài liệu liên quan

Thông tin tài liệu

Ngày đăng: 20/11/2020, 07:23

Bài viết 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 Cc 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. ĐỊA KỸ THUẬT - TRẮC ĐỊA LỰA CHỌN CẤU TRÚC MẠNG NƠ RON NHÂN TẠO (ANN) DỰ BÁO CHỈ SỐ NÉN CỦA ĐẤT TS VŨ VĂN TUẤN Học viện Kỹ thuật quân Tóm tắt: Mạng nơ-ron nhân tạo (artificial neural network - ANN) áp dụng thành công nhiều toán địa kỹ thuật Tuy nhiên, trình xây dựng mạng nơ-ron ANN, việc lựa chọn cấu trúc mạng để đạt kết xác chưa thực thống Bài báo thử dần, lựa chọn kết luận tác giả trước để xây dựng mơ hình nơ-ron ANN với mục tiêu dự đốn xác số nén Cc đất đá Tính xác mơ hình đánh giá qua bốn 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 cấu trúc ảnh hưởng tham số đầu vào rút so sánh tính xác mơ hình nơ-ron ANN với tuệ nhân tạo (AI) lại chưa thực bật, đặc biệt nước ta Lý lớn có lẽ chưa có liệu quy mô bắt đầu nhen nhóm để xây dựng số liệu lớn (big data) Mạng nơ-ron nhân tạo ANN nhánh trí tuệ nhân tạo Ưu điểm mơ hình rõ ràng, dễ thực hiện, xác hiệu Vì mạng nơron nhân tạo ANN áp dụng rộng rãi Một số nghiên cứu chủ yếu giới kể đến là: tác giả [11] nghiên cứu áp dụng mạng nơ-ron ANN cơng trình hầm mỏ; tác giả [9] áp dụng cơng trình đập lớn; tác giả [15] áp dụng hầm giao thông; ổn định mái dốc kể đến nghiên cứu tác giả [7]; lĩnh vực địa kỹ thuật bật nghiên cứu tác giả [18] Đặt vấn đề Tại Việt Nam có vài tác giả nghiên cứu áp dụng mạng nơ-ron nhân tạo ANN việc giải số vấn đề Tác giả [14] nghiên cứu khả ứng dụng mạng nơ ron nhân tạo dự báo kích thước trung bình cục đá thể tích phá mẫu sau nổ mơ hình nổ điện Tác giả [4] nghiên cứu giới thiệu mạng nơ ron nhân tạo dự báo độ rỗng giếng khoan từ tài liệu địa học cho trước sử dụng công cụ “nnstart” phần mềm Matlab Tác giả [2] nghiên cứu ứng dụng mạng nơ ron nhân tạo để dự báo tốc độ ăn mịn thép CT3 khí Tác giả [3] sử dụng mạng nơ ron nhân tạo để dự báo lưu lượng nước đến hồ chứa Cửa Đạt Tác giả [1] nghiên cứu ứng dụng mô hình mạng nơ ron nhân tạo để dự đốn sức chịu tải giới hạn cấu kiện thép chữ Y Tác giả [5] áp dụng mơ hình mạng nơ ron nhân tạo vào dự báo độ lún lớp đất thi cơng hầm metro… Có thể nói việc nghiên cứu ứng dụng mạng nơ ron nhân tạo lĩnh vực xây dựng Việt Nam chưa nhiều cần phải có thêm nhiều nghiên cứu để làm rõ vấn đề Hiện trí tuệ nhân tạo (AI) áp dụng thành công tiếp tục trọng nghiên cứu phát triển nhiều lĩnh vực Tuy nhiên lĩnh vực xây dựng việc nghiên cứu áp dụng trí Chỉ số nén đất tham số quan trọng toán địa kỹ thuật Đã có nhiều cơng trình nghiên cứu, công thức thực nghiệm đưa Tác giả [16] viết Từ khóa: Dự đốn, mạng nơ ron nhân tạo (ANN), số nén Abstract: Artificial neural networks (ANNs) have been successfully applied to many problems of technical engineering However, during the development of the ANN model, the selection of the model geometry to get more accuracy is still not agree This paper will try and choose the reasonable conclusions of formal authors in order to make the ANN model which can predict the compression index of soil more accuracy of The criterions to evaluate the accuracy of the models are R2, RMSE, MAPE, MAD After comparing the accuracy between diffirent ANN models, the following conclusions of the model geometry and the influence of input variables would be drawn Keywords: Prediction, artificial neural network (ANN), compression index Tạp chí KHCN Xây dựng - số 3/2020 67 ĐỊA KỸ THUẬT - TRẮC ĐỊA tổng hợp loạt công thức thực nghiệm đánh giá tính xác cơng thức qua việc sử dụng 400 số liệu thí nghiệm xác định số nén Cc đất Ngoài ra, viết tác giả đề xuất thêm công thức thực nghiệm đặc biệt sử dụng MATLAB 7.6 xây dựng mạng nơ-ron nhân tạo ANN với cấu trúc hai lớp ẩn để xây dựng mơ hình dự đốn Kết sau so sánh mơ hình ANN với cơng thức thực nghiệm cho thấy: mơ hình ANN vượt trội tính xác Mặc dù có khơng nghiên cứu việc áp dụng mạng nơ-ron ANN nhân tạo địa kỹ thuật Tuy nhiên, việc lựa chọn cấu trúc mạng để đạt kết xác chưa thực thống Tác giả [8] cho mạng ANN với lớp ẩn đáp ứng yêu cầu hàm liên tục với điều kiện sử dụng đủ trọng số (wji), tác giả [6] nói số nút lớp ẩn đề xuất số lượng nút tối thiểu 2I+1, tác giả [16] sau so sánh lại thấy mạng ANN với hai lớp ẩn cho giá trị xác Từ lý đó, viết thử dần, lựa chọn kết luận tác giả trước để xây dựng mơ hình nơ-ron ANN dự đốn xác số nén Cc đất đá dựa số liệu thí nghiệm viết tác giả [16] Độ xác mơ hình đánh giá qua bốn số: R2, RMSE, MAPE, MAD [16] Các kết luận cấu trúc ảnh hưởng tham số đầu vào rút so sánh tính xác mơ hình nơ-ron ANN với Tổng quan mạng nơ-ron nhân tạo ANN Mạng nơ-ron nhân tạo (ANN) họ trình xử lý thơng tin (dạng số) dựa mơ hình nơ-ron thần kinh người Mục đích ANN giống mơ hình truyền thống, xác định mối quan hệ tham số đầu vào tham số đầu mô hình Tuy nhiên, ANN sử dụng tập liệu mà khơng cần định trước hàm tốn xác định mối quan hệ tham số đầu vào đầu mơ hình Điều cho phép ANN khắc phục nhược điểm mô hình truyền thống Bài viết sử dụng mạng nơ-ron nhiều tầng (Multi-layer feed-forward) tập học với giải thuật lan truyền ngược (back-propagation algorithm) [12] Mạng nơ-ron cấu thành từ loạt phần tử xử lý (processing elements) hay gọi nơ-ron nút Các nơ-ron kết nối phần toàn với thông qua trọng số (connection weights, wji) thường chia làm lớp (tầng): lớp đầu vào (input layer), lớp đầu (output layer), lớp ẩn (hidden layers) Đã có nhiều viết cấu trúc cách thức hoạt động mạng ANN Hình trình bày cấu trúc cách thức hoạt động mạng ANN [13] Tại nơ-ron, giá trị (xi) lớp trước nhân với trọng số (wji), tổng (xi) (wji) cộng (hoặc trừ) với biến hiệu chỉnh bias (θj) để hợp thành giá trị tổng đầu vào (Ij) Giá trị tổng đầu vào (Ij) hàm truyền (f(.)) (hàm sigmoidal hàm tanh) dùng để tính tốn tham số đầu (yj) nơ-ron Hình Cấu trúc cách thức hoạt động mạng ANN [13] 68 Tạp chí KHCN Xây dựng - số 3/2020 ĐỊA KỸ THUẬT - TRẮC ĐỊA Quá trình tập học mạng ANN liệu đầu vào (vector thông số đầu vào nhập vào nơ-ron lớp đầu vào) Tại nơ-ron lớp ẩn thứ j, giá trị tín hiệu nhận từ lớp đầu vào hợp thành giá trị tổng đầu vào theo công thức sau: n I j   j   w ji xi Từ tín hiệu lỗi tính đạo hàm trọng số lớp nhập lớp ẩn Từ hiệu chỉnh trọng số biến bias làm cho đầu dự đoán mạng gần với dự kiến w ji  (1) i 1 Trong đó: xi thông số đầu vào; trọng số (wji) biến hiệu chỉnh bias (θj) ban đầu sinh ngẫu nhiên Sau đó, hàm truyền sử dụng để tính giá trị đầu theo cơng thức sau: y j  f (I j ) (2) Giá trị đầu lại làm đầu vào cho nơ-ron lớp Cứ giá trị truyền nơron lớp đầu Đối với mạng lớp ẩn (mạng sử dụng viết) hết bước chuyển sang bước lan truyền ngược Sự khác biệt giá trị đầu (yj) giá trị thực tế (tj) gọi tín hiệu lỗi (Cost function), tính sau: J  tj  yj (3)  j  J w ji J  j (4) (5) w ji (new)  w ji (old )  w ji (6)  j (new)   j (old )   j (7) Trong đó: wji(new), θj(new) - giá trị trọng số, giá trị bias sau điều chỉnh; wji(old), θj(old) – giá trị trọng số, giá trị bias cũ; η – tần số học hay tốc độ học (learning rate) Tốc độ học tập tham số quan trọng thuật toán tối ưu (gradient descent) Nếu tham số nhỏ, cần nhiều bước lặp để hàm số đạt tới điểm cực tiểu Ngược lại, tham số lớn, thuật toán cần vịng lặp hơn, nhiên đó, hàm số bỏ qua điểm cực tiểu hội tụ Hình Các trường hợp tốc độ học tập Để khắc phục việc trọng số (wji) giá trị bias (θj) bước lặp không rơi vào điểm cực tiểu cục (local minimum), người ta dùng thêm thuật tốn Momentum Thuật tốn tính lượng thay đổi biến thời điểm t (vt) để cập nhật giá trị Phát triển mô hình nơ-ron ANN dự đốn số nén Cc Mơ hình ANN viết xây dựng với trợ giúp phần mềm PYTHON Version 3.6 Đây phần mềm mạnh học máy (deep w ji ( new)  w ji (old )  v w t 1  w ji (8) learning) trí tuệ nhân tạo (AI) Bộ số liệu dùng để  j (new)   j (old )  v t 1   j (9) huấn huyện, kiểm chứng mô hình với Trong đó:  – hệ số mơmen (momentum term) tiêu để so sánh tính xác mơ hình Với mạng nhiều lớp ẩn công thức giải thuật tương tự Sau q trình tập học, mơ hình kiểm chứng tập liệu thực tế độc lập Các bước xây dựng, tập học kiểm chứng (theo [10]) sử dụng viết Tạp chí KHCN Xây dựng - số 3/2020 tham khảo từ viết tác giả [16] Tham số đầu mơ hình số nén Cc, tham số đầu vào mơ hình là: e0 – hệ số rỗng ban đầu; wn – độ ẩm tự nhiên; LL – giới hạn chảy; PI – giới hạn dẻo; Gs _ tỷ trọng hạt 69 ĐỊA KỸ THUẬT - TRẮC ĐỊA 3.1 Phân loại tiền xử lý liệu Để so sánh kết mơ hình ANN viết với kết mơ hình ANN tác giả [16] xây dựng (gồm nơ-ron lớp ẩn nơ-ron lớp ẩn thứ 2) cần phải có tương đồng tập liệu tập học tập liệu kiểm tra Tuy nhiên điều khó khăn tập liệu cơng bố tác giả có tổng 391 số liệu so với tổng 400 số liệu mà tác giả sử dụng để tập học kiểm tra mơ hình (360 số liệu cho tập học, 40 số liệu cho kiểm tra) Vì việc lựa chọn 360 số liệu để tập học 31 số liệu để kiểm tra chấp nhận đảm bảo tính cơng tương đối hồn cảnh Tham số tập liệu trình bày Bảng Bài viết tác giả [16] trình bày kết dự đốn số cơng thức thực nghiệm Trong số cơng thức Azzouz et al (1976) cần tham số đầu vào (e0; wn; LL) cho kết xác (R2 = 0,97; MAPE = 16,51; RMSE = 0,0428; MAD = 0,0339) Như vậy, để xem xét ảnh hưởng số lượng tham số đầu vào tới kết dự đốn, ngồi việc xây dựng mơ hình ANN với đầy đủ tham số đầu vào, viết xây dựng thêm mơ hình ANN với tham số đầu vào để so sánh kết quả, đánh giá Bảng Tham số tập liệu Tập học (360 số liệu) Trung Lớn Nhỏ bình Tham số Đầu vào Đầu Kiểm tra (31 số liệu) Trung Lớn Nhỏ bình e0 0.77 1.88 0.36 0.73 0.97 0.50 w 28.75 70.00 10.20 26.95 38.20 11.50 LL 39.84 81.00 24.00 39.35 58.00 25.00 PI 18.63 50.00 3.00 18.03 36.00 5.00 Gs 2.63 2.80 2.44 2.65 2.77 2.43 Cc 0.21 0.63 0.05 0.18 0.27 0.10 Trong trình tập học, biến cần ý nhau, phải thu gọn kích thước tập liệu Tức giá trị tập liệu tỉ lệ rút gọn xuống nằm khoảng Công thức để rút gọn với biến sau: 𝑥 = (𝑥 − 𝑥𝑚𝑖𝑛 )/(𝑥𝑚𝑎𝑥 − 𝑥𝑚𝑖𝑛 ) (10) Trong đó: xmin – giá trị nhỏ nhất; xmax – giá trị lớn 3.2 Cấu trúc, thuật toán tối ưu điều kiện dừng học mơ hình Cấu trúc gồm: số lớp ẩn, số nơ-ron lớp Thuật toán tối ưu (Gradient descent) gồm: tần số học (learning rate), mơ men (momentum term) Các yếu tố có vai trị vơ quan trọng xây dựng mơ hình ANN Hình Quan hệ số lần lặp (Epoch) giá trị sai lệch (Loss) mơ hình ANN1 70 Tạp chí KHCN Xây dựng - số 3/2020 ĐỊA KỸ THUẬT - TRẮC ĐỊA Hình Ảnh hưởng số nút lớp ẩn tới tính xác mơ hình ANN1 Hình Ảnh hưởng tốc độ học tới tính xác mơ hình ANN1 Cấu trúc mơ hình ANN mơ hình ANN có đơi chút khác (mơ hình ANN với nơron lớp đầu vào, mô hình ANN với nơ-ron lớp đầu vào) nhiên số lớp ẩn, số nơ-ron lớp cịn lại cách thức xây dựng mơ hình giống Vì phần trình bày chi tiết cách thức xây dựng cho mơ hình ANN 1, mơ hình ANN thực tương tự Tác giả [8] mạng ANN với lớp ẩn đáp ứng yêu cầu hàm liên tục với điều kiện sử dụng đủ trọng số (wji) Vì mơ hình ANN sử dụng lớp ẩn Hàm truyền sử dụng hai mơ hình (cụ thể lớp ẩn lớp đầu ra) hàm ReLU Về lý thuyết, số vịng lặp (training cycles epochs) lớn mơ hình xác Tuy nhiên, số vịng lặp q lớn nhiều thời Tạp chí KHCN Xây dựng - số 3/2020 gian tập học tính xác mơ hình chưa cải thiện Sau chạy thử, số vòng lặp lý tưởng mơ hình ANN 5000 Hình trình bày chênh lệch giá trị dự đốn giá trị thực tế (training loss) mơ hình sau vịng lặp Có thể thấy giá trị chênh lệch khơng biến động nhiều cuối q trình tập học Tác giả [6] đề xuất số lượng 2I+1 số nút tối thiểu lớp ẩn để xây dựng hàm liên tục cho mạng ANN với số lượng I nút đầu vào Tuy nhiên, dựa vào phân tích ảnh hưởng số nút lớp ẩn đến tính xác mơ hình (Hình 4) mơ hình ANN với 5000 nút lớp ẩn có độ xác cao (R2 RMSE tập liệu tập học) Có thể thấy số nút lớp ẩn mơ hình ANN báo lớn nhiều so với số nút tác giả [6] đề xuất trước 71 ĐỊA KỸ THUẬT - TRẮC ĐỊA Tốc độ học (learning rate) nhỏ mơ hình lâu hội tụ, tốc độ học lớn mơ hình nhanh hội tụ tính xác khơng cao Sau phân tích ảnh hưởng tốc độ học (learning rate) đến tính xác mơ hình (Hình 5) 0.0005 tốc độ học hợp lý Thuật toán lặp tối ưu (gradient descent optimization algorithm) Adam [17] Đây thuật toán tiên tiến ngầm lựa chọn giá trị mơ men (momentum term) Vì viết bỏ qua việc xem xét ảnh hưởng momentum tới tính xác mơ hình Với mơ hình ANN làm tương tự, nhiên với tham số đầu vào để đạt sai lệch giá trị (loss) tương đương mơ hình ANN trình học tập “vất vả” cần tới 30000 vòng lặp, với 6000 nơ-ron lớp ẩn, tốc độ học chậm 0.00007 So sánh đánh giá mơ hình Hình Giá trị thí nghiệm giá trị dự đốn mơ hình ANN mơ hình ANN tác giả [16] (tập học) Hình Giá trị thí nghiệm giá trị dự đốn mơ hình ANN mơ hình ANN tác giả [16] (kiểm tra) 72 Tạp chí KHCN Xây dựng - số 3/2020 ĐỊA KỸ THUẬT - TRẮC ĐỊA Bảng Tổng hợp tham số đánh giá tính xác mơ hình STT Chi tiết mơ hình R2 RMSE MAPE MAD ANN (tập học) 0.994 0.0177 6.54 0.0136 ANN (tập học) 0.992 0.0201 6.90 0.0143 ANN theo [16] (tập học) 0.975 0.0348 13.30 0.0274 ANN (kiểm tra) 0.980 0.0259 11.47 0.0205 ANN (kiểm tra) 0.950 0.0410 18.24 0.0326 ANN theo [16] (kiểm tra) 0.978 0.0337 13.17 0.0272 Hình 6, Hình thể giá trị thí nghiệm giá trị dự đốn hai mơ hình (mơ hình ANN mơ hình ANN tác giả [16]) hai trường hợp: tập học kiểm tra Có thể thấy điểm thể giá trị mơ hình ANN1 nằm gọn tập trung vào hai bên đường chuẩn (đường mà giá trị dự đốn trùng với giá trị thí nghiệm), đặc biệt trường hợp tập học Như mơ hình ANN cho kết tốt Điều thể rõ nét so sánh tham số đánh giá tính xác mơ hình (bảng 2) Tất tham số thể tính xác mơ hình ANN1 vượt trội mơ hình khác - Số lượng nơ-ron lớp ẩn cần phải khảo sát kỹ toán cụ thể Trong viết mạng nơ-ron nhân tạo ANN với 5000 nơ-ron lớp ẩn cho kết dự báo xác Số lượng nơ-ron lớn nhiều lần so với số lượng nơron tác giả [6] đề xuất; Khi so sánh tham số mơ hình ANN (với tham số đầu vào) mơ hình ANN (với đủ tham số đầu vào) thấy chúng có luật Đó tính xác cao trình tập học giảm dần trình kiểm tra Đây quy luật thường thấy xây dựng mơ hình dự đốn Ngồi ra, mơ hình ANN có q trình tập học “vất vả” tham số thể tính xác khơng mơ hình ANN Điều cho thấy: với tập liệu đầu vào có xét đến nhiều tham số liên quan đủ lớn kết dự báo mơ hình nơ-ron ANN xác ứng dụng mơ hình mạng nơ ron nhân tạo để dự đốn Kết luận Sau so sánh kết mơ hình xây dựng ( 01 lớp ẩn nhiều nơ–ron) với kết mơ hình tác giả [16] xây dựng đưa số kết luận sau: - Việc thiết lập mơ hình phù hợp mạng nơron nhân tạo ANN có lớp ẩn với số nơ-ron đủ lớn cho kết dự báo xác với thời gian học tập Trong tập hợp này, ảnh hưởng số lớp ẩn bị tác động đến kết việc học sâu sớm cho kết hội tụ; Tạp chí KHCN Xây dựng - số 3/2020 - Đây phương pháp tin cậy để xử lý số liệu tập hợp lớn tập liệu đầu vào có xét đến nhiều tham số liên quan đủ lớn kết dự báo mơ hình nơ-ron ANN xác TÀI LIỆU THAM KHẢO Lý Hải Bằng Nguyễn Thùy Anh (2020) "Nghiên cứu sức chịu tải giới hạn cấu kiện thép chữ Y" Khoa học công nghệ, pp 45-49 Nguyễn Mạnh Thảo, Trần Thu Hằng Phạm Văn Nguyên (2015) "Ứng dụng mạng nơ ron nhân tạo để dự báo tốc độ ăn mòn thép CT3 khí quyển" Tạp chí khoa học Cơng nghệ nhiệt đới, (6-2015) pp 57-64 Quận Ngô Văn, Thịnh Nguyễn Xuân Tiến Nguyễn Văn (2017) "Nghiên cứu ứng dụng mạng thần kinh nhân tạo (ANN) dự báo lưu lượng nước đến hồ chứa Cửa Đạt" Tạp chí Khoa học Cơng nghệ Thủy lợi, (39), pp 1-7 Tạ Quốc Dũng, Lê Thế Hà Phạm Duy Khang (2019) "Ứng dụng mạng nơ ron nhân tạo (ANN) dự báo độ rỗng" Tạp chí Dầu khí, 7, pp 18-27 Vũ Văn Tuấn (2019) "Mơ hình mạng nơ ron nhân tạo ANN dự báo độ lún lớp đất hầm metro" Tạp chí Khoa học công nghệ xây dựng, (186), pp 58-64 Caudill Maureen (1988) "Neural networks primer, Part III" AI Expert, (6), pp 53-59 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 73 ĐỊA KỸ THUẬT - TRẮC ĐỊA Hornik Kurt, Stinchcombe Maxwell, and White Halbert 14 Vu Van Tuan (2020) "Research on the applicability of (1989) "Multilayer feedforward networks are universal artificial neural network model to predict the average approximators" Neural networks, (5), pp 359-366 dimension of fragmentation and the volume of Kim Y and Kim B (2008) "Prediction of relative crest excavation for the electrical explosion model" Journal settlement of concrete-faced rockfill dams analyzed using an artificial neural network model" Comput Geotech, 35 (3), pp 313-322 of Science and Technique, (207), pp 25-36 15 Yoo C and Kim J (2007) "Tunneling performance prediction using an integrated GIS and neural network" 10 Maier HR and Dandy GC (2000), Application of artificial neural networks to forecasting of surface water quality Comput Geotech, 34 (1), pp 19-30 16 Kalantary Farzin and Kordnaeij Afshin (2012) variables: issues, applications and challenges, in Artificial "Prediction of compression index using artificial neural neural networks in hydrology Springer p 287-309 network" Scientific Research and Essays, (31), pp 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 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 Ronald J (1985), Learning internal representations by (2009) "Recent advances and future challenges for artificial error propagation, California Univ San Diego La Jolla neural systems in geotechnical engineering applications" Inst for Cognitive Science Advances in Artificial Neural Systems, 2009, pp 13 Shahin Mohamed A (2010) "Intelligent computing for Ngày nhận bài: 04/6/2020 modeling axial capacity of pile foundations" Canadian Geotechnical Journal, 47 (2), pp 230-243 74 Ngày nhận sửa lần cuối: 20/8/2020 Tạp chí KHCN Xây dựng - số 3/2020 ĐỊA KỸ THUẬT - TRẮC ĐỊA Original Message -Subject: Phan bien bai bao gui Tap chi KHCN Xay dung From: Date: Tue, September 29, 2020 2:32 am To: "nqviendhxd@hotmail.com" THE SELECTION OF THE MODEL GEOMETRY FOR ARTIFICIAL NEURAL NETWORK (ANN) MODEL IN PREDICTING SOIL COMPRESSION INDEX The selection of the model geometry for artificial neural netword (ANN) model in predicting soil compression index Tạp chí KHCN Xây dựng - số 3/2020 75 ... khác - Số lượng nơ- ron lớp ẩn cần phải khảo sát kỹ toán cụ thể Trong viết mạng nơ- ron nhân tạo ANN với 5000 nơ- ron lớp ẩn cho kết dự báo xác Số lượng nơ- ron lớn nhiều lần so với số lượng n? ?ron tác... vào rút so sánh tính xác mơ hình nơ- ron ANN với Tổng quan mạng nơ- ron nhân tạo ANN Mạng nơ- ron nhân tạo (ANN) họ trình xử lý thơng tin (dạng số) dựa mơ hình nơ- ron thần kinh người Mục đích ANN... xây dựng ( 01 lớp ẩn nhiều nơ? ? ?ron) với kết mơ hình tác giả [16] xây dựng đưa số kết luận sau: - Việc thiết lập mơ hình phù hợp mạng n? ?ron nhân tạo ANN có lớp ẩn với số nơ- ron đủ lớn cho kết dự báo
- Xem thêm -

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