Phương pháp xử lý hiện tượng mô hình quá khớp trong xây dựng mô hình học sâu để ước lượng khả năng chịu tải của giàn phi tuyến

Abstract

Tóm tắtHiện tượng mô hình quá khớp (overfitting) là một trong những nguyên nhân quan trọng làm giảm hiệu quả của mô hình học sâu, đặc biệt là trong các bài toán có tính phi tuyến cao như bài toán ước lượng khả năng chịu tải của giàn làm bằng kim loại. Bài báo này sẽ trình bày, phân tích và so sánh hiệu quả của một số kỹ thuật thường được áp dụng hiện nay cho việc xử lý hiện tượng mô hình quá khớp bao gồm kỹ thuật dừng sớm (Early Stopping), nhớ mô hình (Model Checkpoint) và kết hợp hai kỹ thuật trên. Một giàn phẳng gồm 39 thanh được sử dụng để minh họa cho nghiên cứu. Tập dữ liệu cho mô hình học sâu được tạo ra từ phân tích phi tuyến giàn có thông số đầu vào là diện tích mặt cắt ngang của các thanh giàn và thông số đầu ra là hệ số khả năng chịu tải (LF). Kết quả nghiên cứu cho thấy phương pháp kết hợp cả hai kỹ thuật dừng sớm và nhớ mô hình đem lại hiệu quả cao nhất về cả góc độ thời gian huấn luyện và độ chính xác của mô hình.Từ khoá: học sâu; trí tuệ nhân tạo, phân tích trực tiếp; kết cấu giàn; máy học. AbstractOverfitting is one of the most important problems to reduce the performance of a deep learning model, especially in highly nonlinear problems such as estimation of load-carrying capacity of nonlinear inelastic steel trusses. This paper presents common methods to solve overfitting such as Early Stopping, Model Checkpoint, and the combination of both methods. A planar steel truss with 39 elements is used to illustrate the study. Data for the deep learning model is generated by using an advanced analysis, where the inputs are cross-sectional areas of the truss elements and output is the ultimate load factor of the structure. The results show that the combination of Early Stopping and Model Checkpoint provide the best performance regarding both computational efforts and accuracy. Đặt vấn đềKết cấu giàn được sử dụng phổ biến hiện nay do những ưu điểm nổi trội của loại kết cấu này như vượt nhịp lớn, phát huy tối đa sự làm việc của vật liệu, hình thức đẹp, nhẹ, linh hoạt và phong phú. * Tác giả chính. Địa chỉ

Ước lượng khả năng chịu nén đúng tâm của cột ống thép nhồi bê tông bằng thuật toán máy học

“…Các kỹ thuật ML có thể hiểu một cách đơn giản là các phương pháp cho phép xây dựng mô hình toán học phức tạp có độ chính xác rất cao nhằm thể hiện mối quan hệ giữa thông số đầu vào và thông số đầu ra của một tập dữ liệu cho trước. Với quan điểm này, ML được nhiều nhà khoa học hiện nay sử dụng để xác định ứng xử của công trình [17][18][19][20]. Ứng dụng ML trong ước lượng ứng xử của cột CFST cũng được nghiên cứu rộng rãi [21,22].…”

Ứng dụng thuật toán “rừng ngẫu nhiên” cho phân tích hồi qui khả năng chịu tải của khung thép phi tuyến

“…Hùng và cs. [10] trình bày các xử lý hiện tượng quá khớp trong mô hình học sâu (Deep Learning) (DL) cho giàn thép phi tuyến. Ứng dụng các thuật toán ML để tính độ tin cậy của công trình cũng được nhiều nhà khoa học quan tâm nghiên cứu như: Yang và Hsieh [11] sử dụng Support Vector Machine (SVM), Chen và cs.…”

Phương pháp đa nhiệm xác định hư hỏng trong kết cấu giàn sử dụng dữ liệu định hướng

“…Gần đây, các nhà khoa học Việt Nam và nhóm tác giả tập trung rất nhiều vào các bài toán tối ưu hay tính toán độ tin cậy của công trình thép [5][6][7], đặc biệt tập trung vào các nghiên cứu ứng dụng thuật toán máy học nói chung và thuật toán học sâu (Deep Learning -DL) nói riêng trong các thiết kế công trình khung, giàn bằng thép [8][9][10][11][12]. Đồng thời phương pháp sử dụng dữ liệu định hướng gần đây cũng đã thu hút được sự quan tâm của nhiều nhà khoa học và kĩ sư trong và ngoài nước nhờ khả năng tự động trích xuất các đặc trưng liên quan đến trạng thái của kết cấu từ dữ liệu ban đầu.…”