TextBody

, 19/05/2022

Huy chương 2

Ứng dụng trí tuệ nhân tạo trong dự đoán sức chống cắt của đất sau biến dạng

28/04/2022

Sau khi bị biến dạng do các tác động như như xói mòn, sạt lở, đất sẽ thay đổi đáng kể sức chống cắt. Do vậy công tác dự báo suy giảm cường độ chống cắt của các lớp đất này từ đó giúp dự đoán được khả năng tái diễn xạt lở mất ổn định với các lớp đất bị biến dạng này là một công tác hết sức cần thiết. Trong bài báo này sẽ ứng dụng trí thông minh nhân tạo mà cụ thể là thuật toán rừng ngẫu nhiên (RF) để dự báo sức chống cắt còn lại của đất sau biến dạng. Để thực hiện việc mô phỏng, 131 dữ liệu thí nghiệm đã được thu thập từ công bố quốc tế. Bộ dữ liệu bao gồm bốn biến đầu vào là giới hạn chảy LL, chỉ số dẻo PI, độ lệch biểu đồ phân loại Casagrande ΔPI, hàm lượng sét CF. Việc đánh giá các mô hình được thực hiện và so sánh trên tập dữ liệu huấn luyện (70% dữ liệu) và tập dữ liệu kiểm chứng (30% dữ liệu còn lại) bằng các tiêu chí là hệ số tương quan Pearson ® và sai số RMSE. Kết quả của nghiên cứu cho thấy mô hình rừng ngẫu nhiên khả thi trong việc xác định sức chống cắt còn lại của đất sau biến dạng của đất với hệ số tương quan cho mô hình huấn luyện là 0.97 và kiểm chứng là 0.78. Đồng thời, mô hình rừng cây ngẫu nhiên có thể chỉ ra tầm quan trọng của từng tính chất của đất đến sức chống cắt còn lại của đất biến dạng, lần lượt theo thứ tự là Giới hạn chảy > Độ lệch biểu đồ phân loại Casagrande ΔPI > Hàm lượng sét > Chỉ số dẻo.

1. ĐẶT VẤN ĐỀ

2. THIẾT LẬP MÔ HÌNH DỰ BÁO

2.1. Mô hình rừng cây ngẫu nhiên (Random Forest)

2.2. Đánh giá khả năng dự báo của mô hình

2.3. Thu thập dữ liệu

3. KẾT QUẢ VÀ THẢO LUẬN

4. KẾT LUẬN VÀ KIẾN NGHỊ

TÀI LIỆU THAM KHẢO

[1] ‘Skempton A.W., The long term stability of clay slopes. Geotechnique, 1964, 14, 77-101’.

[2] ‘Mesri G., Cepeda-Diaz A.F., Residual strength of clays and shales. Geotechnique, 1986, 36, 269-274’.

[3] ‘Colotta T., Cantoni R., Pavesi U., Robert E., Moretti P.C., A correlation between residual friction angle, gradation and index properties of cohesive soil. Geotechnique, 1989, 39, 343-346’.

[4] ‘Stark T.D., Eid H.T., Drained residual strength of cohesive soils. J. Geotech. Geoenviron. Eng., 1994, 120, 856-871’.

[5] ‘Wesley L.D., Residual strength of clays and correlations using Atterberg limit. Geotechnique, 2003, 53, 669-672’.

[6] ‘Sridharan A., Rao P.R., Discussion: Residual strength of clays and correlation using Atterberg limits. Geotechnique, 2004, 54, 503-504’.

[7] ‘Tiwari B., Marui H., A new method for the correlation of residual shear strength of the soil with mineralogical composition. J. Geotech. Geoenviron. Eng., 2005, 131, 1139-1150’.

[8] ‘Kaya A., Kwong J.K.P., Evaluation of common practice empirical procedures for residual friction angle of soils: Hawaiian amorphous material rich colluvial soil case study. Eng. Geol., 2007, 92, 49–58’.

[9] ‘Das S.K., Basudhar P.K., Prediction of residual friction angle of clays using artificial neural network. Eng. Geol., 2008, 100, 142-145’.

[10] L. Breiman, J. Friedman, C. J. Stone, and R. A. Olshen, Classification and Regression Trees. Taylor & Francis, 1984.

[11] L. Breiman, Classification and Regression Trees. Routledge, 2017.

[12] A.-L. Boulesteix, S. Janitza, J. Kruppa, and I. R. König, ‘Overview of random forest methodology and practical guidance with emphasis on computational biology and bioinformatics’, Wiley Interdiscip. Rev. Data Min. Knowl. Discov., 2012, doi: 10.1002/widm.1072.

[13] M. Shariati et al., ‘Application of a hybrid artificial neural network-particle swarm optimization (ANN-PSO) model in behavior prediction of channel shear connectors embedded in normal and high-strength concrete’, Applied Sciences, vol. 9, no. 24, p. 5534, 2019.

[14] S. K. Das, P. Samui, S. Z. Khan, and N. Sivakugan, ‘Machine learning techniques applied to prediction of residual strength of clay’, cent.eur.j.geo., vol. 3, no. 4, pp. 449–461, Dec.2011, doi: 10.2478/s13533-011-0043-1.

[15] S. Z. Khan, S. Suman, M. Pavani, and S. K. Das, ‘Prediction of the residual strength of clay using functional networks’, Geoscience Frontiers, vol. 7, no. 1, pp. 67–74, Jan. 2016, doi:10.1016/j.gsf.2014.12.008.

________________________________________________________________________________________________

Chi tiết bài báo xem tại đây: Ứng dụng trí tuệ nhân tạo trong dự đoán sức chống cắt của đất sau biến dạng

Nguyễn Quang Hùng
Đại học Thủy lợi
Trần Văn Quân
Đại học Công nghệ Giao thông vận tải

TẠP CHÍ KH&CN THỦY LỢI