Dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn sử dụng trí tuệ nhân tạo

• Trường học: Trường Đại Học
• Chuyên ngành: Kỹ Thuật Xây Dựng
• Đề tài: Dự Đoán Khả Năng Chịu Uốn Dầm Bê Tông Cốt Thép Ăn Mòn Bằng Trí Tuệ Nhân Tạo
• Loại tài liệu: luận văn
• Năm xuất bản: 2023
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• TRANG TỰA
• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH SÁCH CÁC BẢNG
• DANH SÁCH CÁC HÌNH
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tổng quan chung về tình hình nghiên cứu trong và ngoài nước
• 1.1.1. Tổng quan tình hình nghiên cứu ngoài nước
• 1.1.2. Tổng quan tình hình nghiên cứu trong nước
• 1.1.3. Tính cấp thiết của đề tài
• 1.1.4. Mục tiêu đề tài
• 1.1.5. Đối tượng và phạm vi nghiên cứu
• 1.1.5.1. Đối tượng nghiên cứu
• 1.1.5.2. Phạm vi nghiên cứu
• 1.1.6. Cách tiếp cận, phương pháp nghiên cứu
• 1.1.7. Tính mới của đề tài
• 1.1.8. Ý nghĩa khoa học và thực tiễn của đề tài
• 1.1.9. Cấu trúc luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT CỦA NGHIÊN CỨU
• 2.1. Giới thiệu Chương
• 2.2. Lý thuyết về ăn mòn bê tông
• 2.2.1. Khái niệm về ăn mòn bê tông
• 2.2.2. Phân loại ăn mòn bê tông
• 2.2.3. Mức độ ăn mòn bê tông
• 2.2.4. Nguyên nhân gây ăn mòn bê tông
• 2.2.5. Đặc trưng ăn mòn Bê tông
• 2.2.6. Các biện pháp hạn chế ăn mòn bê tông
• 2.3. Lý thuyết ăn mòn cốt thép trong bê tông
• 2.3.1. Các dạng cơ chế ăn mòn cốt thép
• 2.3.2. Ăn mòn Ion Clorua Cl-
• 2.3.3. Ăn mòn Ion Sulfate SO42-
• 2.3.4. Các quá trình ăn mòn cốt thép
• 2.3.5. Nguyên nhân gây ăn mòn cốt thép
• 2.3.6. Mô hình ăn mòn cốt thép
• 2.3.7. Giảm đường kính cốt thép
• 2.3.8. Nứt bê tông do giãn nở thể tích
• 2.3.9. Các biện pháp chống ăn mòn bê tông cốt thép
• 2.3.9.1. Chống ăn mòn bê tông
• 2.3.9.2. Chống ăn mòn cốt thép
• 2.4. Lý thuyết về các mô hình dự đoán dầm BTCT ăn mòn
• 2.4.1. Khai phá dữ liệu (KPDL - Data Mining)
• 2.4.2. Trí tuệ nhân tạo (AI - Artificial Intelligence)
• 2.4.3. Mạng nơ ron nhân tạo (ANN - Artificial Neural Network)
• 2.4.4. Thuật toán support vector machine (SVM - Support Vector Machine)
• 2.4.5. Mô hình cây quyết định (CART - Classification and Regression Trees)
• 2.4.6. Mô hình hồi quy tuyến tính (LR - Linear regression)
• 2.4.7. Mô hình tuyến tính tổng quát (GENLIN - Generalized linear regression)
• 2.4.8. Tự động phát hiện tương tác Chi-squared (CHAID - Chi-square automatic interaction detector)
• 2.4.9. Kết hợp các phương pháp (Ensemble method)
• 2.4.10. Phương pháp đánh giá hiệu suất
• 2.4.11. Phần mềm và mô hình thực nghiệm
• 2.5. Kết luận Chương 2
• 3. CHƯƠNG 3: KHẢO SÁT THU THẬP VÀ ĐÁNH GIÁ SỐ LIỆU
• 3.1. Khảo sát số liệu đầu vào của dầm bê tông cốt thép bị ăn mòn
• 3.1.1. Thiết lập cơ sở dữ liệu dự đoán
• 3.1.2. Các phương pháp khảo sát
• 3.1.2.1. Một số phương pháp khảo sát cho kết cấu bê tông cốt thép
• 3.1.2.2. Tính toán xác định cường độ bê tông hiện trường (Rht)
• 3.1.2.2.1. Trường hợp khoan lấy mẫu bê tông
• 3.1.2.2.2. Trường hợp sử dụng các phương pháp không phá huỷ
• 3.1.2.3. Đánh giá cường độ bê tông trên kết cấu công trình
• 3.1.2.4. Các phương pháp khảo sát thu thập số liệu sử dụng trong luận văn
• 3.1.2.5. Đặc trưng ăn mòn bê tông và cốt thép trong khảo sát
• 3.2. Tổng hợp số liệu đã khảo sát
• 3.2.1. Xử lý dữ liệu đưa vào mô hình
• 3.2.2. Mô tả số liệu
• 3.2.3. Kết luận Chương 3
• 4. CHƯƠNG 4: ỨNG DỤNG MÔ HÌNH VÀ THUẬT TOÁN TRÍ TUỆ NHÂN TẠO VÀO DỰ ĐOÁN
• 4.1. Giới thiệu tổng quan về phần mềm Clementine
• 4.2. Quy trình dự đoán
• 4.3. Xây dựng mô hình bằng SPSS Modeler
• 5. KẾT QUẢ VÀ KẾT LUẬN KIẾN NGHỊ
• 5.1. Kết quả mô hình dự đoán
• 5.2. Kết luận và kiến nghị, định hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về dự đoán khả năng chịu uốn dầm bê tông cốt thép ăn mòn

Dự đoán khả năng chịu uốn của dầm bê tông cốt thép (BTCT) bị ăn mòn là một lĩnh vực nghiên cứu quan trọng trong ngành xây dựng. Việc áp dụng trí tuệ nhân tạo (AI) vào việc này không chỉ giúp cải thiện độ chính xác mà còn tiết kiệm thời gian và chi phí. Nghiên cứu này sẽ trình bày các mô hình AI hiện có và ứng dụng của chúng trong việc dự đoán khả năng chịu lực của dầm BTCT.

1.1. Khái niệm về khả năng chịu uốn dầm bê tông cốt thép

Khả năng chịu uốn của dầm bê tông cốt thép là khả năng chịu lực uốn mà không bị gãy hoặc biến dạng quá mức. Điều này rất quan trọng trong việc đảm bảo an toàn cho các công trình xây dựng.

1.2. Tầm quan trọng của việc dự đoán khả năng chịu uốn

Dự đoán khả năng chịu uốn giúp các kỹ sư đưa ra quyết định sửa chữa hoặc gia cố kịp thời, từ đó kéo dài tuổi thọ của công trình và giảm thiểu rủi ro.

II. Vấn đề và thách thức trong dự đoán khả năng chịu uốn dầm bê tông cốt thép

Các dầm bê tông cốt thép thường phải đối mặt với nhiều yếu tố gây ăn mòn, dẫn đến giảm khả năng chịu lực. Việc dự đoán chính xác khả năng chịu uốn của chúng gặp nhiều thách thức do sự phức tạp của các yếu tố môi trường và vật liệu.

2.1. Các yếu tố ảnh hưởng đến khả năng chịu uốn

Các yếu tố như độ ẩm, nhiệt độ, và sự hiện diện của ion Cl- có thể làm tăng tốc độ ăn mòn, từ đó ảnh hưởng đến khả năng chịu uốn của dầm.

2.2. Thách thức trong việc áp dụng trí tuệ nhân tạo

Mặc dù AI có thể cải thiện độ chính xác trong dự đoán, nhưng việc thu thập dữ liệu chất lượng và xây dựng mô hình phù hợp vẫn là một thách thức lớn.

III. Phương pháp dự đoán khả năng chịu uốn dầm bê tông cốt thép bằng trí tuệ nhân tạo

Nghiên cứu đã áp dụng nhiều mô hình AI khác nhau để dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn. Các mô hình này bao gồm mạng nơron nhân tạo (ANN), máy vectơ hỗ trợ (SVM), và hồi quy tuyến tính (LR).

3.1. Mô hình mạng nơron nhân tạo ANN

Mô hình ANN đã được chứng minh là hiệu quả trong việc dự đoán khả năng chịu uốn nhờ khả năng học hỏi từ dữ liệu lớn và phát hiện các mẫu phức tạp.

3.2. Mô hình hồi quy tuyến tính LR

Mô hình LR cung cấp một cách tiếp cận đơn giản nhưng hiệu quả để dự đoán khả năng chịu uốn, đặc biệt khi dữ liệu có mối quan hệ tuyến tính.

3.3. So sánh hiệu quả giữa các mô hình

Kết quả cho thấy mô hình LR và GENLIN cho kết quả gần như giống nhau và hiệu quả tốt nhất trong việc dự đoán khả năng chịu uốn.

IV. Ứng dụng thực tiễn của mô hình dự đoán khả năng chịu uốn

Việc áp dụng các mô hình dự đoán vào thực tiễn đã cho thấy hiệu quả rõ rệt trong việc đánh giá và cải thiện khả năng chịu lực của các dầm bê tông cốt thép bị ăn mòn.

4.1. Kết quả nghiên cứu từ các công trình thực tế

Nghiên cứu đã khảo sát 120 dầm BTCT bị ăn mòn từ các công trình xây dựng trước năm 1975, cho thấy sự cần thiết phải áp dụng các mô hình dự đoán.

4.2. Lợi ích của việc sử dụng trí tuệ nhân tạo

Sử dụng AI không chỉ giúp dự đoán chính xác hơn mà còn tiết kiệm thời gian và chi phí cho các dự án sửa chữa và gia cố.

V. Kết luận và tương lai của nghiên cứu dự đoán khả năng chịu uốn

Nghiên cứu về dự đoán khả năng chịu uốn dầm bê tông cốt thép bị ăn mòn bằng trí tuệ nhân tạo đang mở ra nhiều cơ hội mới cho ngành xây dựng. Tương lai của nghiên cứu này hứa hẹn sẽ mang lại nhiều cải tiến và ứng dụng thực tiễn.

5.1. Tóm tắt kết quả nghiên cứu

Kết quả cho thấy mô hình LR và GENLIN là hai mô hình hiệu quả nhất trong việc dự đoán khả năng chịu uốn của dầm bê tông cốt thép bị ăn mòn.

5.2. Định hướng nghiên cứu trong tương lai

Cần tiếp tục nghiên cứu và phát triển các mô hình AI mới, cũng như cải thiện quy trình thu thập dữ liệu để nâng cao độ chính xác trong dự đoán.