Nghiên cứu ứng dụng kỹ thuật trí tuệ nhân tạo dự báo áp lực tiền cố kết của đất yếu tại một số khu vực ở đồng bằng Bắc Bộ

Thông tin tài liệu

Nội dung bài viết làm nổi bật vấn đề áp lực tiền cố kết (Pc) của đất yếu ở một số khu vực Đồng bằng Bắc Bộ Việt Nam đã được dự đoán bằng Trí tuệ nhân tạo - Máy học thông qua 3 mô hình: Hỗ trợ hồi quy vectơ (SVR), Mạng nơron nhân tạo đa lớp Perceptron (ANN MLP), Hồi quy Ridge (RR). Các mô hình đó được xây dựng bằng ngôn ngữ lập trình Python và thư viện máy học phần mềm Scikit-learning. Mời các bạn cùng tham khảo!

NGHIÊN CỨU ỨNG DỤNG KỸ THUẬT TRÍ TUỆ NHÂN TẠO DỰ BÁO ÁP LỰC TIỀN CỐ KẾT CỦA ĐẤT YẾU TẠI MỘT SỐ KHU VỰC Ở ĐỒNG BẰNG BẮC BỘ NGUYỄN ĐỨC MẠNH*, HỒ SỸ AN* NGUYỄN HẢI HÀ*, PHẠM BÁ KHẢI* NGUYỄN ĐÌNH TRUNG*, NGUYỄN ĐÌNH DŨNG* Prediction of pre-consolidation pressure of soft soil using artificial intelligence in some areas of northern delta Vietnam Abstract: Pre-consolidation pressure (Pc) of soft soil in some areas Northern Delta Vietnam has been predicted by using Artificial Intelligence - Machine Learning through models: Support Vector Regression (SVR), Artificial Neural Network Mutilayer Perceptron (ANN MLP), Ridge Regression (RR) Those models were built by Python programming language and Scikit-learn software machine learning library The data for this study is 159 soft soil samples which were collected from the construction site and full of physicomechanical properties were achieved from experiments in laboratory at provinces Quang Ninh, Hai Phong, Thai Binh, Nam Dinh, Ninh Binh and Hai Duong We use 15 physical properties of soil as inputs to analyze correlation with Pc After removing parameters which have a weak correlation with Pc, we have parameters which is strongly correlated with Pc: upper sampling depth (m), lower sampling depth (m), clay content (%), liquidity index, specific gravity (g/cm3), void ratio For predicting Pc, the models were built with 70% training set and 30% testing set Performance of the models were validated by using various statistical measures: Mean Absolute Error (MAE), Root Mean Square Error (RMSE) Correlation coefficient (R) and Coefficient of determination (R2) Results of predicting Pc models show that the performance of the models using different methods is much different where R2-value varies from 0.728 to 0.843 The present study suggested that the ANN-MLP model has the highest predictive capability in models: R2 = 0.843, MAE = 0.143, RMSE = 0.187 and R=0.923 Keywords: artificial neural network mutilayer perceptron (ANN MLP), Artificial Intelligencemachine learning, ridge regression (RR), Preconsolidation pressure, soft soil, support vector regression (SVR) ĐẶT VẤN ĐỀ * Áp lực tiền cố kết (Pc) áp lực hữu hiệu lớn khứ lớp đất phủ mà mẫu đất * Tr ng Đ i học Giao thông vận tải Số phố Cầu Giấy, P.Láng Thượng, Q.Đống Đa, Hà N i Email: nguyenducmanh@utc.edu.vn/ syannamanh1998@gmail.com 26 độ sâu phải chịu [1,2,21] Đây thông số thiếu dự báo lún đất yếu nhƣ phục vụ tính tốn thiết kế giải pháp xử lý đất yếu dƣới tác dụng tải trọng đắp, đặc biệt xây dựng đƣờng giao thông [1,2,21,24] Để có tiêu này, phổ biến tiến hành thí ĐỊA KỸ THUẬT SỐ - 2021 nghiệm mẫu đất phòng đƣợc lấy từ l khoan khảo sát địa kỹ thuật Tuy nhiên, phƣơng pháp truyền thống có hạn chế nhƣ chi phí cao hay kết thƣờng có sai số lớn mẫu đất đƣợc lấy độ sâu lớn Ngoài ra, chất lƣợng bảo quản mẫu đất nguyên trạng, tay nghề ngƣời thực độ tin cậy thiết bị thí nghiệm ảnh hƣởng khơng nhỏ đến kết xác định Pc Để thay cho thí nghiệm phịng truyền thống này, vài mơ hình thuật tốn dựa kinh nghiệm đƣợc phát triển nhằm dự đốn Pc hay thơng số đất khác [2] Những mơ hình dựa việc cải tiến phân tích hồi quy Tuy nhiên, phƣơng pháp hồi quy thƣờng bị giới hạn số lƣợng hạn chế định phƣơng trình tuyến tính phi tuyến Ngày nay, trí tuệ nhân tạo (Artificial intelligent) hay máy học (Machine learning) đƣợc áp dụng rộng rãi nhiều l nh vực bao gồm địa k thuật nhƣ nhận diện hay dự báo trƣợt lở đất [3-7], dự đoán lũ lụt [8], đánh giá tiềm nƣớc ngầm [9, 10] dự đốn tính chất vật liệu [11-20] Trong nghiên cứu này, mơ hình thuật tốn SVR, ANN MLP RR sử dụng kết thí nghiệm gồm tiêu vật lý đất làm biến đầu vào (X) để dự báo áp lực tiền cố kết Pc đất yếu (biến đầu ra, Y) khu vực đồng Bắc Bộ Kết mơ hình dự báo đƣợc kiểm tra, đánh giá hiệu suất phƣơng pháp thống kê tiêu chuẩn nhƣ giá trị trung bình tổng trị tuyệt đối sai số - Mean Absolute Error (MAE); độ lệch tiêu chuẩn sai số - Root Mean Square Error (RMSE); hệ số tƣơng quan R - Correlation coefficient (R); hệ số xác định - Coefficient of detemination (R2) Kết nghiên cứu cho phép đề xuất phƣơng pháp dự đốn P c với độ tin cậy cao từ thơng số vật lý có đƣợc từ thí nghiệm cơng trình thực tế, tiến tới xây dựng dự liệu lớn tƣơng lai l nh vực DỮ LIỆU VÀ THUẬT TOÁN SỬ DỤNG DỰ BÁO 2.1 Dữ liệu sử dụng Nghiên cứu này, số liệu với đầy đủ tiêu lý xác định phịng thí nghiệm sử dụng làm liệu xây dựng mơ hình dự báo từ 159 mẫu đất yếu bùn sét pha hay sét pha trạng thái chảy đƣợc thu thập từ cơng trình thực tế tin cậy thực đơn vị uy tín nhƣ TEDI-HECO, TEDI-GIC, CIENCO1… kết hợp số mẫu thí nghiệm kiểm chứng bổ sung đƣợc lấy số khu vực trung vùng nghiên cứu Các thông số đƣợc coi biến đầu vào độc lập cho máy học, tƣơng ứng X1, X2, X3, X4, X5, X6, X7, X8, X9, X10, X11, X12, X13, X14, X15 nhằm xác định biến đầu phụ thuộc Pc (Y) (kPa) (Bảng 1) Các thông số đất đƣợc xem xét sử dụng phân tích báo bao gồm: độ sâu lấy mẫu dƣới (X1, X2, m), hàm lƣợng hạt sét (X3, %), hàm lƣợng hạt bụi (X4, %), giới hạn chảy (X5, %), giới hạn dẻo (X6, %), số dẻo (X7, %), độ sệt (X8), độ ẩm (X9, %), khối lƣợng thể tích tự nhiên (X10, g/cm3), khối lƣợng thể tích khơ (X11, g/cm3), khối lƣợng riêng hạt (X12, g/cm3), độ r ng (X13, %), độ bão hòa (X14, %), hệ số r ng (X15) Thông số dự báo áp lực tiền cố kết (Y, kPa) Bộ liệu đƣợc chia ngẫu nhiên thành hai phần tập liệu học lấy 70%, dùng để tập luyện cho máy tập liệu kiểm tra sử dụng 30% cịn lại nhằm đánh giá hiệu suất mơ hình Các mơ hình đƣợc xây dựng ngơn ngữ lập trình Python thƣ viện h trợ Scikit-learn Bảng 1: Dữ liệu đầu vào đầu sử dụng nghi n cứu nà STT Thông số X1 X2 Giá trị lớn Giá trị nhỏ 35,4 0,5 36 1,5 ĐỊA KỸ THUẬT SỐ - 2021 Trung bình 10,76 11,31465 Độ lệch ti u chuẩn 7,129003 7,090925 27 STT 10 11 12 13 14 15 16 Thông số X3 X4 X5 X6 X7 X8 X9 X10 X11 X12 X13 X14 X15 Y Giá trị lớn Giá trị nhỏ 69 4,5 84,9 18 77 21,71 39,96 13,08 47,15 6,11 1,94 0,16 70,65 22,12 2,04 1,52 1,67 0,91 2,76 2,65 66,3 37,23 99,97 84,11 1,967 0,593 282,24 20,58 Phân tích phân phối 159 mẫu cho 15 thơng số biến đầu vào (X1-X15) biến đầu (Y) cho thấy, thông số lý mẫu đất biến thiên khoảng giá trị khác (bảng Độ lệch ti u chuẩn 11,17561 13,59445 12,17120 5,296375 8,561346 0,280667 11,48550 0,113142 0,175484 0,022413 6,479979 2,758104 0,315885 0,549973 hình tiêu biểu 1, 2, 3, 4) Độ lệch tiêu chuẩn lớn thuộc thông số hàm lƣợng hạt bụi (X4, độ lệch tiêu chuẩn 13,59445), nhỏ khối lƣợng riêng hạt (X12, độ lệch tiêu chuẩn 0,022413) Hình 1: Biểu đồ biến thiên giá trị độ sâu lấy mẫu Hình 2: Biểu đồ biến thiên giá trị hàm l ng h t sét Hình 3: Biểu đồ biến thiên giá trị độ sệt Hình 4: Biểu đồ biến thiên giá trị Pc t kết thí nghiệm mẫu đất 2.2 Cơng cụ thuật tốn sử dụng Ngơn ngữ lập trình Python th viện mở Scikit-learn: 28 Trung bình 26,96541 53,05535 51,09472 26,06862 25,02673 0,857799 46,78126 1,735094 1,194969 2,698176 55,71277 96,79566 1,303403 90,12923 Python ngôn ngữ lập trình thơng dịch (interpreted), hƣớng đối tƣợng (object-oriented), ngôn ngữ bậc cao (high-level) ngữ ĐỊA KỸ THUẬT SỐ - 2021 ngh a động (dynamic semantics) Trình thơng dịch Python thƣ viện chuẩn mở rộng có sẵn dƣới dạng mã nguồn dạng nhị phân miễn phí cho tất tảng đƣợc phân phối tự [18, 23, 25, 27, 29] Cùng với đó, Scikit-learn thƣ viện tài nguyên mở dùng cho máy học, cung cấp nhiều công cụ dùng cho làm khớp mơ hình (model fitting), tiền xử lý liệu (data preprocessing), lựa chọn mơ hình nhiều tiện ích khác [23,25] Thuật tốn hỗ tr hồi qui V c tơ (Support Vector Regression - SVR): H trợ hồi qui Véc tơ (Support Vector Regression - SVR) dựa lý thuyết học thống kê lần đƣợc giới thiệu Vapnik vào năm 1995 [13, 28, 30] Nguyên tắc SVR xây dựng mặt siêu phẳng (hyper plane) để phân loại tập liệu thành lớp riêng biệt [25] Bằng cách sử dụng “kernal” phi tuyến SVR ánh xạ không gian đầu vào sang khơng gian nhiều chiều [26] Sau đó, siêu phẳng tối ƣu đƣợc xác định không gian đặc trƣng (feature space) cách tối đa hóa biên ranh giới lớp (margins of class boundaries) [28] Các điểm đƣợc huấn luyện (trained points) gần với mặt siêu phẳng tối ƣu đƣợc gọi véc tơ h trợ (support vectors) SVR đƣợc coi kỹ thuật lập mơ hình xác đƣợc sử dụng rộng rãi dự báo sụt trƣợt đất đá Nghiên cứu sử dụng SVR nhƣ kỹ thuật hồi quy cách đề xuất hàm mát (loss function) εkhông nhạy cảm (ε-insensitive) đƣợc thể phƣơng trình sau: Dữ liệu học đƣợc đƣa vào dạng (xi, yi), x ∈ rN, y ∈ r, x biến đầu vào, y biến đầu ra; rN = N chiều không gian véc tơ (N dimensional vector space); r - chiều không gian véc tơ (r - one dimensional vector space) ε = vùng l i nhạy cảm (error insensitive zone) (hình 5) Thuật tốn SVR cho phép xác định hàm ƣớc tính giá trị tƣơng lai cách xác [28,30] Thuật tốn hồi quy h trợ véc tơ cho phép hồi quy hàm tuyến tính đƣợc thể phƣơng trình sau: Trong w ∈ rN b ∈ r; w = véc tơ trọng số hiệu chỉnh (adjustable weight vector); b = ngƣỡng vô hƣớng (scalar threshold) Để độ dốc (slope) hàm gần đến 0, giá trị w phải đƣợc tối thiểu hóa Điều đạt đƣợc cách tối thiểu hóa norm ‖w‖2 = 〈w,w〉 Đây toán tối ƣu lồi (convex optimization) đƣợc thể phƣơng trình sau: (3) Với: (2) Hình 5: Sơ đồ ngun lý thuật tốn SVR giải toán hồi quy [26] ĐỊA KỸ THUẬT SỐ - 2021 Mạng nơ ron nh n tạo đa lớp (Artificial N ural Network Mutilayer Perceptron - ANN MLP): Mạng nơ ron nhân tạo (ANN) tập hợp nút đƣợc liên kết với nhằm giải thích giải vấn đề có mối quan hệ phức tạp biến độc lập đầu vào biến phụ thuộc đầu [25] Mạng perceptron đa lớp (Mutilayer Perceptron - MLP) mạng nơ ron nhân tạo, hay kỹ thuật mạng nơ ron nhân tạo hiệu 29 mơ hình dự đốn đối tƣợng Do đƣợc sử dụng nhƣ mơ hình chuẩn nhiều nhà nghiên cứu [25,27] ANN MLP có khả mơ q trình phi tuyến phức tạp giới thực Về bản, nói ANN MLP mơ hình chuyển tiếp bao gồm lớp đầu vào, hay nhiều lớp ẩn lớp đầu nhƣ hình Mơ hình Ridge Regression (RR) phƣơng pháp áp dụng liệu gặp vấn đề đa cộng tuyến biến độc lập x có mối liên hệ với nhau, ảnh hƣởng lên kết dự báo y, hay giải vấn đề Overfifting (mơ hình áp dụng tốt cho liệu học (training) nhƣng không hoạt động tốt liệu kiểm tra (test) mà mơ hình hồi quy tuyến tính thơng thƣờng gặp phải [26,28] Hình 7: Mối qua hệ đánh đổi bias variance [27] Hình 6: Minh họa mơ hình ANN MLP với lớp ẩn [25] Số lƣợng nút đầu vào phụ thuộc thông số đƣợc lựa chọn nguồn liệu sử dụng để dự báo, số lƣợng số nơ ron ẩn đƣợc xác định dựa tập liệu dùng cho máy học trƣờng hợp cụ thể Số lƣợng lớp ẩn đƣợc sử dụng cho tính tốn lớp đầu đại diện cho mục đích mơ hình M i nút lớp ẩn phải kết nối với tất nút lớp đầu vào, m i nút lớp đầu phải đƣợc kết nối với tồn nút lớp ẩn Thơng qua liên kết này, trình hoạt động ANN MLP chia hai bƣớc: truyền thẳng truyền ngƣợc sử dụng thuật toán truyền ngƣợc [25] Trong nghiên cứu này, để dự báo Pc sử dụng thuật tốn ANN MLP có lớp ẩn với số nút lần lƣợt m i lớp ẩn 8, 10 sử dụng hàm kích hoạt Sigmoid Thuật tốn hồi quy s n b n Ridge Regression - RR): 30 RR mơ hình hồi quy phân tích mối quan hệ biến độc lập biến phụ thuộc sử dụng phƣơng pháp Regularization, điều chỉnh mơ hình cho giảm thiểu vấn đề Overfitting, tối ƣu hay kiểm sốt mức độ phức tạp mơ hình để cân đối Thiên vị (Biased) Phƣơng sai (Variance), qua giảm sai số mơ hình Do vậy, nghiên cứu nhóm tác giả sử dụng mơ hình hồi quy sƣờn bên (Ridge Regression) vào việc dự báo áp lực tiền cố kết Pc đất yếu khu vực nghiên cứu LỰA CHỌN THÔNG SỐ ĐẦU VÀO ĐỂ DỰ BÁO PC Tổng cộng 15 thông số đầu vào tiêu vật lý 159 mẫu đất yếu xác định từ thí nghiệm phịng đƣợc lựa chọn (X1-X15) Tuy nhiên có số biến đầu vào có mối quan hệ chặt chẽ với thông số cần dự báo Pc (kết đầu ra, hay biến đầu Y) Thơng qua q trình xác định mức độ tƣơng quan 15 tiêu vật lý đất với áp lực tiền cố kết ĐỊA KỸ THUẬT SỐ - 2021 thống kê toán học, cho phép loại bỏ biến (chỉ tiêu vật lý) khơng có quan hệ chặt với kết đầu – biến đầu (Pc) Các làm cho phép rút ngắn thời gian xử lý mơ hình đồng thời hiệu suất mơ hình dự báo đƣợc cải thiện Sử dụng công cụ “cây hồi qui bổ sung” (Extra Trees Regressor) thƣ viện Scikitlearn nhằm tạo biểu đồ thể trực quan mức độ quan trọng biến độc lập X biến phụ thuộc Y (Pc) mơ hình dự báo (hình 8) nhiễu (159 mẫu đất có tiêu thí nghiệm phịng tạo 15 thông số đầu vào từ X1 đến X15 tiêu vật lý đất biến đầu phụ thuộc Y (Pc)); (2) Loại bỏ biến độc lập có mối quan hệ khơng chặt với biến phụ thuộc Y (từ 15 biến X ban đầu, sau xử lý rút xuống cịn biến X) (hình 8); (3) Tiến hành máy học thuật tốn trí tuệ nhân tạo lựa chọn nghiên để dự đoán Pc, đánh giá hiệu suất mơ hình dựa vào thơng số RMSE, MAE, R R2 Hình 9: Sơ đồ xây dựng mơ hình máy học để dự báo Pc 4.2 Đánh giá hiệu suất mơ hình Hình 8: Mức độ t ơng quan biến độc lập (Xi biến ph thuộc (Y - Pc) sử d ng cơng c Extra Trees Regressor Hình cho thấy, kết máy học đƣợc biến độc lập có mối quan hệ chặt chẽ với Pc gồm: X1, X2, X8, X3, X15 X12, tƣơng ứng độ sâu lấy mẫu đất (m), độ sâu lấy mẫu đất dƣới (m), tiêu vật lý đất thí nghiệm phịng nhƣ độ sệt, hàm lƣợng hạt sét (%), khối lƣợng riêng hạt (g/cm3) hệ số r ng đất THIẾT LẬP MƠ HÌNH VÀ ĐÁNH GIÁ HIỆU SUẤT MƠ HÌNH 4.1 Thiết lập mơ hình Trong nghiên cứu này, nhóm nghiên cứu thực bƣớc cho mơ hình máy học với thuật tốn trí tuệ nhân tạo lựa chọn để dự báo P c đất yếu khu vực nghiên cứu nhu hình 9, gồm: (1) Chuẩn bị tiền xử lý số liệu, loại bỏ ĐỊA KỸ THUẬT SỐ - 2021 Một mơ hình đƣợc đánh giá tốt sử dụng biến đầu vào X i cho giá trị dự báo Ypred sát với giá trị thực tế xác định Ytest [27,28,30] Để đánh giá hiệu suất mơ hình máy học, sử dụng thông số (1) Root Mean Square Error (RMSE), (2) Mean Absolute Error (MAE), (3) Coefficient of Determine (R2 ) (4) Correlation Coefficient (R) RMSE thể độ lệch tiêu chuẩn sai số mơ hình dự đốn Nó đƣợc xác định thơng qua cơng thức [11]: ; m số lƣợng mẫu kiểm tra, ytest giá trị xác định y, ypred giá trị mơ hình dự đốn MAE giá trị trung bình tổng trị 31 tuyệt đối sai số mà mơ hình dự đốn, đƣợc xác định thơng qua cơng thức [29,30]: ; m số lƣợng mẫu kiểm tra, ytest giá trị xác định y, ypred giá trị mơ hình dự đốn Hệ số xác định R2 thơng số biến đổi từ đến nhằm thể hiệu suất mơ hình dự đốn [28] Nó đƣợc xác định thơng qua cơng thức: ; m ; m số lƣợng mẫu kiểm tra, ytest giá trị y, ypred giá trị mơ hình dự đốn, giá trị trung bình mẫu kiểm tra, giá trị trung bình mẫu dự đốn KẾT QUẢ DỰ BÁO ÁP LỰC TIỀN CỐ KẾT VÀ PHÂN TÍCH Sử dụng mơ hình thuật tốn SVR, ANN MLP RR nhƣ giới thiệu trên, với số số lƣợng mẫu kiểm tra, ytest giá trị liệu sau chuẩn hóa gồm biến độc lập (X1, xác định y, ypred giá trị mơ hình dự đốn, giá trị trung bình mẫu X2, X3, X8, X12, X15) có tƣơng quan chặt kiểm tra máy học xây dựng nhƣ trình bày hình với P c tiến hành dự báo theo sơ đồ mơ hình Hệ số tƣơng quan R đánh giá tƣơng quan 9, cho phép dự báo đƣợc P c Kết dự báo hai biến số quan hệ [30] R đƣợc thể áp lực tiền cố kết P c đất yếu khu vực thông qua công thức sau: nghiên cứu đƣợc so sánh với giá trị thực tế thí nghiệm (hình 10, 11 12) Hình 10: So sánh giá trị dự đoán với giá trị thật Pc sử d ng mơ hình thuật tốn SVR Hình 11: So sánh giá trị dự đoán với giá trị thật Pc sử d ng mơ hình thuật tốn ANN MLP 32 ĐỊA KỸ THUẬT SỐ - 2021 Hình 12: So sánh giá trị dự đoán với giá trị thật Pc sử d ng mơ hình thuật tốn RR Biểu đồ biến thiên kết dự báo Pc so với giá trị thực thí nghiệm tƣơng đồng hình thái, trị số chí trùng khớp (hình 10, 11, 12) Kết đánh giá hiệu suất mơ hình sử dụng nghiên cứu thu đƣợc giá trị tốt với tất mô hình thuật tốn trí tuệ nhân tạo dự báo sử dụng, cụ thể: Khi dự báo Pc mô hình SVR MAE=0,171, RMSE=0,231, R=0,873, R2=0,760; với mơ hình ANN MLP MAE=0,143, RMSE=0,186, R=0,923, R2=0,843; cịn mơ hình RR có MAE=0,193, RMSE=0,246, R=0,856, R2=0,728 (bảng 2) Bảng 2: So sánh hiệu suất mơ hình thuật tốn AI sử dụng dự báo Pc STT Mô hình SVR ANN MLP RR RMSE 0,171 0,143 0,193 Bảng cho thấy, kết đánh giá hiệu suất dự báo mơ hình trí tuệ nhân tạo sử dụng nghiên cứu RMSE, MAE, R hay R2 có giá trị tích cực, chứng tỏ đƣợc độ tin cậy cao dự báo P c thông qua số tiêu vật lý dễ xác định khác có nhƣ: độ sâu lấy mẫu đất; hàm lƣợng hạt sét đất; độ sệt đất; khối lƣợng riêng hệ số r ng đất Phân tích hệ số xác định R2, kết mẫu kiểm tra thay đổi từ 0,728 đến 0,843 Kết cho thấy rằng, độ xác mơ hình thuật tốn AI sử dụng dự đoán Pc đất yếu số khu vực đồng Bắc Bộ mức tốt, mô hình RR có độ xác thấp nghiên cứu (R2=0,728), mơ hình ANN-MLP đạt hiệu suất cao dự đoán Pc (R2=0,843) KẾT LUẬN Áp lực tiền cố kết (Pc) đất yếu thông số đất thiếu, đƣợc sử dụng để lựa chọn cơng thức phân tích lún cố kết đất yếu dƣới tác dụng tải trọng đắp Nó thƣờng đƣợc xác định đồ giải theo Casagrande từ ĐỊA KỸ THUẬT SỐ - 2021 MAE 0, 31 0,186 0,246 R 0,873 0,923 0,856 R2 0,760 0,843 0,728 thí nghiệm nén cố kết mẫu đất phịng với chi phí tốn phức tạp Để thay việc thí nghiệm này, mơ hình thuật tốn trí tuệ nhân tạo SVR, ANN-MLP RR hồn tồn sử dụng để dự báo tốt đƣợc P c đất yếu Kết nghiên cứu rằng, mơ hình ANN-MLP có khả dự đoán áp lực tiền cố kết Pc đất yếu số khu vực đồng Bắc Bộ tốt (R2=0,843), mơ hình cịn lại thể khả dự đoán tốt Với việc khai thác nguồn số liệu khảo sát đất từ cơng trình thực tế nhiều năm qua, việc ứng dụng kỹ thuật trí tuệ nhân tạo để dự báo áp lực tiền cố kết đất yếu nói riêng, thơng số đất quan trọng nói chung xem nhƣ công cụ thay hiệu đầy triển vọng nhằm giảm thời gian, chi phí sai số phải thí nghiệm xác định chúng mẫu đất Dựa kết nghiên cứu này, đề xuất rằng, mơ hình thuật tốn SVR, ANN-MLP RR sử dụng cơng cụ hữu dụng dự đoán Pc đất yếu, 33 tƣơng ứng thông số vật lý quan trọng để dự đoán Pc gồm: độ sâu lấy mẫu, hàm lƣợng hạt sét, độ sệt, khối lƣợng riêng hệ số r ng LỜI CẢM ƠN Nghiên cứu đƣợc thực với nguồn kinh phí đƣợc cấp từ Bộ Giáo dục Đào tạo thông qua đề tài mã số B2020-GHA-03 trƣờng Đại học Giao thông vận tải chủ trì Các tác giả xin trân trọng cảm ơn h trợ Vụ Khoa học công nghệ Môi trƣờng (Bộ Giáo dục Đào tạo), trƣờng Đại học Giao thông vận tải đơn vị h trợ số liệu phục vụ cho nghiên cứu TÀI LIỆU THAM KHẢO [1] A Casagrande (1936), “The determination of the pre-consolidation load and its practical significance”, Proceedings of the 1st International Conference on Soil Mechanics, Harvard, Vol [2] B M Das and K Sobhan (2013), “Principles of Geotechnical Engineering”, Cengage Learning, 726p [3] B.T Pham (2018), “A novel classifier based on composite hyper-cubes on iterated random projections for assessment of landslide susceptibility”, Journal of the Geological Society of India, Volume 91, pp.355-362 https://doi.org/10.1007/s12594-018-0862-5 [4] B.T Pham, I Prakash, K Khosravi, K Chapi, P.T Trinh, and T.Q Ngo (2018), “A comparison of Support Vector Machines and Bayesian algorithms for landslide susceptibility modelling”, Journal Geocarto International 34, pp 1385-1407 https://doi.org/10.1080/ 10106049.2018.1489422 [5] P.T Nguyen, T.T Tuyen, A Shirzadi, B.T Pham, H Shahabi, and E Omidvar (2019), “Development of a Novel Hybrid Intelligence Approach for Landslide Spatial Prediction”, Applied Sciences (Basel), vol 9, p 2824 http://dx.doi.org/10.3390/app9142824 [6] Q He, Z Xu, S Li, R Li, S Zhang, and N Wang (2019), “Novel Entropy and Rotation Forest-Based Credal Decision Tree Classifier for Landslide Susceptibility Modeling”, Entropy (Basel), vol 21, p 106 http://dx.doi.org/ 10.3390/e21020106 34 [7] Jie Dou, Ali P Yunus, Yueren Xu, Zhongfan Zhu, Chi-Wen Chen, Mehebub Sahana, Khabat Khosravi, Yong Yang & Binh Thai Pham (2019), “Torrential rainfall-triggered shallow landslide characteristics and susceptibility assessment using ensemble data-driven models in the Dongjiang Reservoir Watershed, China”, Natural Hazards, volume 97, pp.579–609 http://dx.doi.org/10.1007 /s11069-019-03659-4 [8] K Khosravi, B.T Pham, K Chapi, A Shirzadi, H Shahabi, I Revhaug, I Prakash, and D Tien Bui (2018), “A comparative assessment of decision trees algorithms for flash flood susceptibility modeling at Haraz watershed, northern Iran”, Sci Total Environ., vol 627, pp.744-755 [PMID: 29426199] http://dx.doi.org/10.1016/ j.scitotenv.2018.01.266 [9] B.T Pham, A Jaafari, I Prakash, S.K Singh, N.K Quoc, and D.T Bui (2019), “Hybrid computational intelligence models for groundwater potential mapping”, Catena, vol.182, 104101 http://dx.doi.org/10.1016/j catena 2019.104101 [10] S Miraki, S.H Zanganeh, K Chapi, V.P Singh, A Shirzadi, and H Shahabi (2019), “Mapping groundwater potential using a novel hybrid intelligence approach”, Water Resour Manage., vol 33, pp 281-302 http://dx.doi.org/10.1007/s11269-018-2102-6 [11] D.C Camilo, L Lombardo, P.M Mai, J Dou, and R Huser (2017), “Handling high predictor dimensionality in slope-unit-based landslide susceptibility models through LASSOpenalized Generalized Linear Model”, Environ Model Softw., vol 97, pp 145-156 http://dx.doi.org/10.1016/j.envsoft.2017.08.003 [12] J Dou, K-T Chang, S Chen, A.P Yunus, J-K Liu, and H Xia (2015), “Automatic case-based reasoning approach for landslide detection: integration of object-oriented image analysis and a genetic algorithm”, Remote Sens., vol 7, pp 4318-4342 http://dx.doi.org/ 10.3390/rs70404318 [13] B.T Pham, T-A Hoang, D-M Nguyen, and D.T Bui (2018), “Prediction of shear strength of soft soil using machine learning methods”, Catena, vol 166, pp 181-191 http://dx.doi.org/10.1016/j catena 2018.04.004 ĐỊA KỸ THUẬT SỐ - 2021 [14] P.G Asteris, K.G Kolovos, A Athanasopoulou, V Plevris, and G Konstantakatos (2019), “Investigation of the mechanical behaviour of metakaolin-based sandcrete mixtures”, Eur J Environ Civ Eng., vol 23, pp 300-324 http://dx.doi.org/10.1080/ 19648189.2016.1277373 [15] P.G Asteris, and K.G Kolovos (2019), “Self-compacting concrete strength prediction using surrogate models”, Neural Comput Appl., vol 24, No 2, pp 137-150 http://dx.doi.org/ 10.1007/s00521-017-3007-7 [16] P.G Asteris, A Moropoulou, A.D Skentou, M Apostolopoulou, A Mohebkhah, and L Cavaleri (2019), “Stochastic Vulnerability Assessment of Masonry Structures: Concepts, Modeling and Restoration Aspects”, Appl Sci (Basel), vol 9, p 243 http://dx.doi.org/ 10.3390/app9020243 [17] H Chen, P.G Asteris, D Jahed Armaghani, B Gordan, and B.T Pham (2019), “Assessing dynamic conditions of the retaining wall: Developing two hybrid intelligent models”, Appl Sci (Basel), vol 9, p 1042 http://dx.doi.org/ 10.3390/ app9061042 [18] P Sarir, J Chen, P.G Asteris, D.J Armaghani, and M Tahir (2019), "Developing GEP tree-based, neuro-swarm, and whale optimization models for evaluation of bearing capacity of concrete-filled steel tube columns", Eng Comput., pp 1-19 http://dx.doi.org/ 10.1007/s00366-019-00808-y [19] V Rodriguez-Galiano, M SanchezCastillo, M Chica-Olmo, and M Chica-Rivas (2015), “Machine learning predictive models for mineral prospectivity: An evaluation of neural networks, random forest, regression trees and support vector machines”, Ore Geol Rev., vol 71, pp 804-818 http://dx.doi.org/ 10.1016/j.oregeorev.2015.01.001 [20] A Trigila, C Iadanza, C Esposito, and G Scarascia-Mugnozza (2015), “Comparison of Logistic Regression and Random Forests techniques for shallow landslide susceptibility assessment in Giampilieri (NE Sicily, Italy)”, Ng Geomorphology, vol 249, pp 119-136 http://dx.doi.org/10.1016/j.geomorph.2015.06.001 [21] B.M Das (2007), “Principles of geotechnical engineering”, Thomson, 666p [22] B Sharma, and P.K Bora (2003), “Plastic limit, liquid limit and undrained shear strength of soil – reappraisal”, J Geotech Geoenviron Eng., vol 129, pp 774-777 https://doi.org/10.1061/(ASCE)10900241(2003)129:8(774) [23] Manh Duc Nguyen, Binh Thai Pham, Tran Thi Tuyen, Hoang Phan Hai Yen, Indra Prakash, Thanh Tien Vu, Kamran Chapi, Ataollah Shirzadi, Himan Shahabi, Jie Dou, Nguyen Kim Quoc and Dieu Tien Bui (2019), “Development of an Artificial Intelligence Approach for Prediction of Consolidation Coefficient of Soft Soil: A Sensitivity Analysis”, The Open Construction and Building Technology Journal, Volume 13, pp.178-188 https://doi.org/ 10.2174/ 1874836801913010178 [24] J A Knappett and R F Craig (2012), “Craig’s Soil Mechanics”, CRC Press, 584p [25] https://www.python.org/doc/essays/blurb/ [26] Debasish Basak, Srimanta Pal and Dipak Chandra Patranabis (2007), “Support vector regression”, Neural Information Processing – Letters and Reviews, Vol 11, No 10, pp.203 [27] Binh Thai Pham, Manh Duc Nguyen, Kien-Trinh Thi Bui, Indra Prakashd, Kamran Chapie, Dieu Tien Bui (2019), “A novel artificial intelligence approach based on Multi-layer Perceptron Neural Network and Biogeographybased Optimization for predicting coefficient of consolidation of soil”, CATENA, Vol 166 pp.181-191, https://doi.org/ 10.1016/j.catena.2018.04.004 [28] https://bigdatauni.com/vi/tin-tuc/tongquan-ve-regression-phan-tich-hoi-quy.html [29] Michael Bowles (2015), “Machine Learning in Python”, John Wiley & Sons, Inc, 360p [30] Sebastian Raschka and Vahid Mirjalili (2017), “Machine Learning and Deep Learning with Python, scikit-learn, and TensorFlow”, Packt Publishing, 622p i phản biện: TS NGUYỄN HIẾU CƢỜNG ĐỊA KỸ THUẬT SỐ - 2021 35 ... tốn trí tuệ nhân tạo SVR, ANN-MLP RR hồn tồn sử dụng để dự báo tốt đƣợc P c đất yếu Kết nghiên cứu rằng, mơ hình ANN-MLP có khả dự đoán áp lực tiền cố kết Pc đất yếu số khu vực đồng Bắc Bộ tốt... khả dự đốn tốt Với việc khai thác nguồn số liệu khảo sát đất từ cơng trình thực tế nhiều năm qua, việc ứng dụng kỹ thuật trí tuệ nhân tạo để dự báo áp lực tiền cố kết đất yếu nói riêng, thơng số. .. sai số mơ hình Do vậy, nghiên cứu nhóm tác giả sử dụng mơ hình hồi quy sƣờn bên (Ridge Regression) vào việc dự báo áp lực tiền cố kết Pc đất yếu khu vực nghiên cứu LỰA CHỌN THÔNG SỐ ĐẦU VÀO ĐỂ DỰ

Ngày đăng: 27/09/2021, 15:33

Xem thêm: