Tối ưu hóa dự báo sức chịu tải của cọc từ kết quả thử tĩnh sử dụng giải thuật gen di truyền và mạng Nơ-ron nhân tạo
USING GENETIC ALGORITHM AND ARTIFICIAL NEURAL NETWORKS
FOR OPTIMIZING PREDICTION OF PILE CAPACITY BASED ON THE
RESULTS OF A STATIC LOADING TEST
TỐI ƢU HÓA DỰ BÁO SỨC CHỊU TẢI CỦA CỌC TỪ KẾT QUẢ THỬ TĨNH SỬ
DỤNG GIẢI THUẬT GEN DI TRUYỀN VÀ MẠNG
NƠ-RON NHÂN TẠO
Trần Quang Vinh1, Trần Văn Tiếng2
1 Trƣờng Cao đẳng Kinh tế Kỹ thuật Kiên Giang
2 Khoa Xây dựng, Trường Đại học Sư phạm Kỹ thuật TP. HCM
TÓM TẮT
Hiện nay, việc phân tích, đánh giá sức chịu tải giới hạn của cọc là một vấn đề quan
trọng nhằm giảm thiểu chi phí thi công móng (chi phí thi công móng chiếm khoảng 35-40%
tổng chi phí công trình). Có rất nhiều phương pháp phân tích, đánh giá sức chịu tải giới hạn
dựa trên kết quả thí nghiệm thử tĩnh như: SNIP 2.02.03.85, Offset Limit Mazurkiewicz,
Canadian Foundation Engineer Manual, De Beer, Davision và tiêu chuẩn 80% Brinch
Hansen. Các phương pháp này cho phép xác định tải trọng giới hạn của cọc căn cứ kết quả
nén cọc đến phá hoại. Trong trường hợp tải trọng thí nghiệm chưa đạt đến giá trị giới hạn, để
xác định sức chịu tải cọc, các phương pháp Chin-Kondner, Decourt, Hansen có thể được sử
dụng. Tuy nhiên, các phương pháp này ngoại suy giá trị sức chịu tải cọc từ dữ liệu nén tĩnh
do đó còn chưa thật sự chính xác. Bài báo đề xuất giải pháp Chinkondner-GA nhằm tối ưu
phép ngoại suy giá trị tải trọng giới hạn của phương pháp Chin-Kondner bằng cách sử dụng
giải thuật gen di truyền. Ngoài ra, mạng Nơ-ron nhân tạo còn được ứng dụng để huấn luyện
phương pháp Chinkondner-GA nhằm đạt được kết quả tối ưu nhất có thể. Kết quả cho thấy,
đường ngoại suy tải cực hạn thu được từ giải thuật tối ưu bám sát với đường tải thử tĩnh hơn
so với kết quả từ phương pháp Chinkondner.
Từ khóa: Sức chịu tải; Chinkondner; ngoại suy; giải thuật gen di truyền; mạng Nơ-ron nhân
tạo; Chinkondner-GA.
ABSTRACT
Nowadays, Analyzing and evaluating the load bearing capacity of pile is an important
issue in order to minimize the cost of construction (foundation cost accounts for 35-40% of
total cost of construction). Static tested methods, such as SNIP 2.02.03.85, Offset Limit
Mazurkiewicz, Canadian Foundation Engineer Manual, De Beer, Davision and the 80%
Brinch Hansen standard allow for load evaluation. The weight of the pile is reasonably based
on the result of pile compression to sabotage. In addition, the methods Chinkondner, Decourt,
Hansen can be used in cases where the test load has not reached the limit value. The paper
proposes an optimal solution of the method load interpolation Chinkondner using the genetic
algorithm with the program written on Matlab to optimize the “ideal hyperbolic” path.
Futhers, authors also using Artificial Neural Network training results from Chinkondner-
Genetic Algorithm. The results of this proposal show that “extrapolation” results in a load
that is close to. The actual test is static rather than the traditional Chinkondner method.
Through this, the next prediction of this proposal is also highly reliable.
Keywords:bearing capacity; Chinkondner; extrapolation; genetic algorithm; Artificial Neural
Network; Chinkondner-Genetic Algorithm.
độ lún cho phép dựa trên kết quả thí nghiệm
hiện trƣờng là bài toán luôn đƣợc đặt ra
trong việc thiết kế móng cọc. Tuy nhiên, bài
1. Giới thiệu
Xác định sức chịu tải cực hạn của cọc từ
toán này còn nhiều yếu tố bất cập, phụ thuộc
nhiều vào quan điểm và phƣơng pháp mà
đơn vị thiết kế sử dụng.
đƣờng hyperbolic [4]. Với phƣơng pháp
Chin-Kondner, ta chia m i chuyển vị tƣơng
ứng với từng cấp tải trọng Q và v ra biểu
đồ thể hiện mối quan hệ giữa / Q và . Sau
một lúc biến động ban đ u, các giá trị đƣợc
thể hiện trên biểu đồ tạo thành đƣờng thẳng
(hình 1).Nghịch đảo độ dốc của đƣờng thẳng
này chính là phép ngoại suy ChinKondner
về sức chịu tải cực hạn cọc [5].
Dođó, kết quả sức chịu tải giới hạn của
cọc chƣa đƣợc xác định một cách chính xác
nhằm đảm bảo đƣợc cả hai yếu tố kỹ thuật
và kinh tế. Từ thực tế đó, bài báo này ứng
dụng các giải thuật tối ƣu hóa nhƣ mạng nơ
ron nhân tạo (Artificialneural networks) [1],
giải thuật di truyền (Genetic Algorithm,
hybrird genetic algorithm-based ANN)
[2]… cho việc tối ƣu hóa dự đoán sức chịu
tải của cọc từ dữ liệu thí nghiệm nén tĩnh
hiện trƣờng.
1
(1)
Qu
C1
Trong đó
Qu Sức chịu tải cực hạn
Trong trƣờng hợp kết quả thử tĩnh từ hiện
trƣờng chƣa đạt đến giá trị giới hạn cho
C1 Độ dốc của đƣờng thẳng
trong biểu
đồ chuyển vị
phép
, các phƣơng pháp phân tích,
S Sgh
Phép ngoại suy tải trọng cho phép tƣơng
ứng với từng chuyển vị theo phƣơng pháp
Chinkondner đƣợc xác định là một đƣờng
cong “lý tƣởng” theo công thức
đánh giá nhƣ Chinkondner, Decourt thƣờng
đƣợc ứng dụng để ngoại suy giá trị sức chịu
tải cực hạn của cọc. Tuy nhiên, phƣơng
pháp Chinkondner cho kết quả ngoại suy tải
cực hạn thƣờng lớn hơn so với thực tế, điều
này đã đƣợc nêu ra trong các nghiên cứu
trƣớc đây [3]. Sai lệch giữa đƣờng ngoại suy
của phƣơng pháp Chinkondner hay Decourt
với kết quả thử tĩnh tƣơng đối lớn. Đặc biệt,
đối với các kết quả thử tĩnh có tải trọng và
chuyển vị tạo thành một đƣờng cong có
dạng phi tuyến với nhiều biến động, việc áp
sau
Q
C1 C2
(2)
Trong đó
C2 Tung độ của đƣờng thẳng /Q trong biểu
đồ chuyển vị
Q Sức chịu tải cho phép
δ Chuyển vị
Công thức (2) là một đƣờng xấp x
“hyperbolic” đối với số liệu thí nghiệm nén
tĩnh.Trong trƣờng hợp giá trị giới hạn lớn
hơn giá trị chuyển vị đ u vào từ thí nghiệm
nén tĩnh , biểu đồ trở thành “đƣờng ngoại
suy hyperbolic” của số liệu thí nghiệm.
dụng
phƣơng
pháp
truyền
thống
Chinkondner, Decourt cho kết quả tính toán
với tính chính xác và độ tin cậy không cao.
Bài báo này đề xuất giải pháp ứng dụng
giải thuật gen di truyền nhằm tìm kiếm các
thông số tối ƣu độ dốc và tung độ của đƣờng
thẳng giúp cho đƣờng ngoại suy bám sát kết
quả thí nghiệm hiện trƣờng, mang lại độ tin
cậy cao, khắc phục nhƣợc điểm của phƣơng
pháp Chinkondner truyền thống. Bên cạnh
đó, mạng Nơ-ron nhân tạo (Artificial Neural
Network – ANNs) đƣợc ứng dụng nhằm
huấn luyện kết quả có đƣợc từ việc tối ƣu sử
dụng giải thuật gen di truyền (GA). Sự huấn
luyện này tạo ra khối ngoại suy mới nhằm
tối ƣu kết quả dự đoán tải cực hạn của cọc
tại giá trị chuyển vị mà quá trình thử tĩnh
chƣa đạt đến.
Hình 1.Biểu đồ ngoại suy Chin-
Kondner
2. Phương pháp Chin-Komdner
3. Tối ưu phương pháp Chin-Kondner sử
dụng giải thuật gen di truyền GA
Đƣờng ngoại suy của phƣơng pháp
Chinkondner cho thấy ph n nào bám sát
Phƣơng pháp ngoại suy Chin-Kondner
nhằm xác định sức chịu tải cọc. Phƣơng
pháp Chinkondner lấy mối quan hệ giữa tải
trọng cho phép (Q) và biến dạng là một
đƣờng thử tĩnh, tuy nhiên sai lệch còn lớn.
Tải trọng dự đoán theo phƣơng pháp này
vẫn còn lớn hơn so với thực tế. Với yêu c u
thiết kế lại đƣờng ngoại suy sao cho giá trị
dự báo g n kết quả thử tĩnh hơn, ứng với sai
lệch nhỏ nhất có thể, giải thuật tối ứu đƣợc
đề xuất thể hiện mối quan hệ tải trọng và
chuyển vị theo công thức sau:
Với các giá trị J càng nhỏ và i càng lớn s
cho đƣờng cong “hyperbolic” càng bám sát
so với kết quả thử tĩnh.
Hàm thích nghi J với giá trị nhỏ, cho thấy
tổng sai lệch giữa đƣờng ngoại suy và
đƣờng thử tĩnh nhỏ. Kết hợp với giá trị i
càng lớn s cho càng nhiều điểm trên đƣờng
ngoại suy bám sát với đƣờng thử tĩnh mang
lại kết quả ngoại suy g n đƣờng thử tĩnh
nhất có thể, giúp tăng độ tin cậy và tính
chính xác cho dự báo sức chịu tải.
i
(3)
QGA
i A B; A C ; B C .
1
2
i
Trong đó
Q
GA : Tải trọng ngoại suy thứ i theo phƣơng
i
Từ các nghiên cứu trƣớc [6] giải thuật
tìm kiếm GA đƣợc đề xuất nhƣ hình 2.
pháp đề xuất Chinkondner-GA
: Giá trị chuyển vị thứ i
i
A
Độ dốc của đƣờng thẳng
/Q
theo
Tung độ của đƣờng thẳng /Q
theo sau khi đã tối ƣu
: Thông số ch nh định độ dốc đƣờng
thẳng /Q theo
sau khi đã tối ƣu
B
: Thông số ch nh định tung độ đƣờng
thẳng /Q theo
Với điều kiện đánh
giá:
n
n
Q Q
Q Q
Chinkondner
i
GA
i
i
i
(4)
i0
i0
Hình 2. Lưu đồ thuật toán GA tìm kiếm
n
Q QGA Q QChinkondner ,i 1, 2, 3, 4, ... 1
thông số chỉnh định và
i
i
i
i
2
Trong đó
C1 Độ dốc của đƣờng thẳng
Chƣơng trình tìm kiếm thông số trên
ph n mềm Matlab:
trong biểu
đồ chuyển vị.
Ở thế hệ đ u tiên, kích thƣớc qu n thể đƣợc
tạo ngẫu nhiên chứa 20 cá thể ứng với giá trị
[-1;1] nhƣ ở hình 3. Chƣơng trình tiến hành
Độ dốc của đƣờng thẳng / Q trong biểu
C2
đồ chuyển vị.
Giải thuật gen di truyền (GA) đƣợc ứng
dụng nhằm tìm kiếm thông số và .
chọn lựa 2 cá thể và để tính toán hàm
thích nghi nhằm di truyền cá thể tốt qua thế
hệ sau thông qua phép giữ lại cá thể tốt, lai
ghép, đột biến ở hình 4.
Hàm thích nghi GA:
n
n
(5)
Q Q
GA
J
i
GA
i
i
i0
i0
Trong đó
n: là số cấp tải thử tĩnh trong quá trình thử
nghiệm.
Qi : là tải trọng thử thứ i ứng với chuyển vị
thứ i.
Hình 3. Quần thể được khởi tạo ban đầu[7]
: là tải trọng ngoại suy thứ ứng với
QGA
i
chuyển vị thứ i theo phƣơng pháp
Chinkondner-GA.
Trong đó
n : là số tải trọng thử.
Qi : là tải trọng thử thứ i ứng với chuyển vị
thứ i.
: là tải trọng ngoại suy thứ i ứng với
Q
iDecourt
chuyển vị thứ i theo phƣơng pháp Decourt.
: là tải trọng ngoại suy thứ i ứng với
chuyển vị thứ i theo phƣơng pháp
Chinkondner.
Hình 4. Các phép biến đổi tạo quần thể
kế tiếp[7]
: là tải trọng ngoại suy thứ ứng với
4. Huấn luyện mạng Nơ-ron nhân tạo
ANN từ kết quả của phương pháp Chin-
Kondner GA
chuyển vị thứ i theo phƣơng pháp
Chinkondner-GA.
: là tải trọng ngoại suy thứ i ứng với
chuyển vị thứ i theo phƣơng pháp ANNs.
5. Kết quả tính toán
Mạng Nơ-ron nhân tạo (ANNs) hay các
hệ thống kết nối là sự tính toán phỏng theo
các hoạt động sinh học và não của động vật.
Ngoài khả năng học, ANNs còn tìm cách
nâng cao khả năng nhận thức, xử lý.
Giải thuật Chin-kondner GA đƣợc huấn
luyện mạng ANNs đƣợc sử dụng để tính
toán tối ƣu hóa giá trị sức chịu tải cực hạn từ
số liệu của 3 công trình thực tế:
Tín hiệu kết nối giữa các nơ-ron nhận tạo
là một số thực, và đ u ra ở m i nơ-ron nhân
tạo đƣợc tính toán bởi một hàm phi tuyến
với tổng của các đ u vào [7].
Công trình A: Bệnh viện Nhi Đồng Thành
Phố Hồ Chí Minh[9].
Địa điểm: xã Tân Kiên, huyện Bình
Chánh, Tp.HCM, với thông số cọc nhƣ bảng
1:
Bảng 1. Thông số cọc công trình A [9]
Đặc tính kỹ thuật chủ yếu của cọc thử
Tên cọc
PA-04
Qmax Qa.250% 300T
Tải trọng yêu c u
thử tối đa (Qmax)
Loại cọc
Đƣờng kính cọc
Chiều dài cọc
Hình 5. Cấu trúc mạng Nơ-ron [8]
Bê tông ly tâm
D=500mm
L=31,7m
Cấu trúc mạng nơ-ron đƣợc sử dụng gồm
3 lớp: lớp vào, lớp ẩn, lớp ra. Trong đó lớp
ẩn chứa 50 nơ-ron.
Công trình B “Khu nhà ở cao t ng Phƣờng
Phú Thuận, Quận 7 - Tháp L - Opera
1”[10].
Địa điểm Phƣờng Phú Thuận, Quận 7, Tp.
HCM, với thông số cọc nhƣ bảng 2:
Đƣờng ngoại suy từ phƣơng pháp Chin-
Kondner sau khi đã đƣợc tối ƣu bằng GA
đƣợc huấn luyện mạng ANNs. Kết quả tạo
đƣợc một phép ngoại suy Chinkondner-GA-
Neural Network.
Để đánh giá chất lƣợng đƣờng ngoại suy
giữa các phƣơng pháp với kết quả thử tĩnh,
Bảng 2. Thông số cọc công trình B [10]
Đặc tính kỹ thuật chủ yếu của cọc thử
tính toán theo công thức sau:
n
errorDecourt
(6)
Q Q
i
Decourti
Tên cọc
Tải trọng tối đa
Loại cọc
T1
0
Qmax Qa.250% 2250T
n
errorChinkondner
Q Q
i
Chinkondner
i
Khoan nhồi
D=1200mm
L=73,3m
0
n
Đƣờng kính cọc
Chiều dài cọc
(7)
(8)
errorGA
Q Q
i
GA
i
i
0
n
(9)
errorANNs
Q Q
Công trình C “EVERICH 2”[11].
i
ANNsi
0
Địa điểm Đƣờng đào Trí – Phƣờng Phú
Thuận – Quận 7 – TPHCM, với thông số
cọc nhƣ bảng 3:
Số liệu thử tĩnh từ các công trình đƣợc trình
bày ở bảng 4.
Bảng 3. Thông số cọc công trình C[11]
Đặc tính kỹ thuật chủ yếu của cọc thử
Tên cọc
Tải trọng tối đa
Loại cọc
Đƣờng kính cọc
Chiều dài cọc
B1
Qmax Qa.250% 2500T
Khoan nhồi
D=1500mm
L=60m
Bảng 4. Số liệu thử tĩnh từ các công trình
Công Trình B [10] Công Trình C [11]
Công Trình A[9]
Load (tấn)
Settlement
(mm)
3,39
Load (KN)
Settlement
(mm)
1,41
Load (tấn)
Settlement
(mm)
2,550
4,250
6,778
10,115
13,150
15,733
18,315
25,583
–
30
60
2.630
5.250
7.880
10.500
13.130
15.750
18.380
21.000
–
250
500
750
1.000
1.250
1.500
1.750
2.000
–
4,06
5,36
6,26
7,89
10,39
13,4
15,46
17,68
19,37
3,54
5,89
8,91
11,76
15,16
21,20
29,07
–
120
150
180
210
240
264
282
300
–
–
–
–
Chƣơng trình tìm kiếm bằng giải thuật
gen di truyền GA đƣợc chạy trên ph n mềm
Matlab, kết quả đạt đƣợc nhƣ sau
5.1Kết quả tính toán tối ưu Công trình
A [9]:
Chƣơng trình tìm kiếm thông số
và
sau 200 thế hệ lai tạo hàm thích nghi tốt
nhất đƣợc giữ lại có giá trị ,
đƣợc chạy trên ph n mềm Matlab,
J
130,565
best fitness
hàm thích nghi trung bình có giá trị tốt nhất
là 197,538 ứng với hàm thích nghi này
Jmean fitness
Hình 8. Kết quả ngoại suy tải trọng công
là 2 cá thể
2.4468; 0.5357.
trình A[9]
Quan sát hình 8, ta thấy kết quả đƣờng
thử tĩnh là một đƣờng biến động dạng phi
tuyến. Sau một khoảng biến động ban đ u,
kết quả thử tĩnh chuyển sang dạng một
đƣờng thẳng tuyến tính. Với kết quả thử tĩnh
này, áp dụng phƣơng pháp ngoại suy
Chinkondner và Decourt cho kết quả ngoại
suy tƣơng đối xa đƣờng thử tĩnh, làm giảm
đi độ chính xác và tin cậy cho việc dự báo
sức chịu tải ở các chuyển vị tiếp theo. Trong
khi đó, phƣơng pháp đƣợc đề xuất
Chinkondner-GA và ANNs đã cho kết quả
tối ƣu hơn hẳn với đƣờng ngoại suy bám khá
sát kết quả thử tĩnh, tăng khả năng dự đoán
chính xác cho các tải trọng tiếp theo.
Hình 7. Đáp ứng hàm thích nghi qua các
thế hệcông trình A[9]
Tổng sai số giữa đƣờng ngoại suy từ các
phƣơng pháp và đƣờng thử tĩnh đƣợc thể
hiện ở hình 9.
Hình 10. Đáp ứng hàm thích nghi qua các
thế hệ
công trình B [10]
Hình 9. Sai lệch giữa các phép ngoại suy và
thử tĩnh công trình A [9]
Ở hình 9, biểu đồ cột thể hiện giá trị tổng
sai lệch của các phƣơng pháp ngoại suy và
kết quả thử tĩnh, giá trị này đƣợc tính toán
theo công thức (6), (7), (8), (9).
Phƣơng pháp Chinkondner và Decourt
truyền thống cho tổng sai lệch giữa kết quả
ngoại suy và kết quả thử tĩnh lớn hơn
Hình 11. Kết quả ngoại suy tải trọng cho
công trình B [10]
phƣơng
pháp
Chinkondner-GAvà
Chinkondner-GA + ANNs. Trong đó
phƣơng pháp Chinkondner-GA + ANNs cho
sai số nhỏ nhất.
Quan sát hình 11 thể hiện kết quả ngoại
suy cho công trình B [10].Đối với công trình
này, kết quả thử tĩnh từ công trình thực
nghiệm thu đƣợc đồ thị liên hệ giữa tải trọng
và chuyển vị là một đƣờng cong tuyến tính.
Do vậy, kết quả ngoại suy từ hai phƣơng
pháp truyền thống Chinkondner và Decourt
mang lại kết quả đƣờng ngoại suy bám sát
đƣờng thử tĩnh thực tế. Mặc dù vậy, việc
ứng dụng giải thuật gen di truyền nhằm tối
ƣu hóa phƣơng pháp Chinkondner vẫn mang
lại kết quả tốt hơn so với phƣơng pháp
truyền thống. Điều này đƣợc thể hiện qua
các đƣờng cong Chinkondner-GA và ANNs
bám sát đƣờng thử tĩnh (Actual Test) hơn so
với đƣờng cong Chinkondner và Decourt.
Tổng độ sai lệch kết quả ngoại suy của
các phƣơng pháp và kết quả thử tĩnh l n lƣợt
là Decourt 364,2 tấn (29,3%),Chin-Kondner
306,7 tấn (17,9%), Chin-Kondner-GA
130,5tấn (0,33%) và Chin-Kondner-
GA+ANNs là 74,3tấn (0,13%).
5.2.Kết quả tính toán tối ưu Công trình
số B [10]: Chƣơng trình tìm kiếm thông số
và đƣợc chạy trên ph n mềm Matlab,
sau 200 thế hệ lai tạo hàm thích nghi tốt
nhất đƣợc giữ lại có giá trị , hàm
thích nghi trung bình có giá trị tốt nhất là
ứng với hàm thích nghi này là 2
cá thể
Hình 12. Sai lệch phép ngoại suy và thử
tĩnhcông trình B [10]
Hình 13. Đáp ứng hàm thích nghi qua các
Ở hình 12, biểu đồ cột thể hiện giá trị
tổng sai lệch của các phƣơng pháp ngoại suy
và kết quả thử tĩnh, giá trị này đƣợc tính
toán theo công thức (6), (7), (8), (9).
thế hệcông trình C [11]
Phƣơng pháp Chinkondner và Decourt
truyền thống cho tổng sai lệch giữa kết quả
ngoại suy và kết quả thử tĩnh lớn hơn
phƣơng
pháp
Chinkondner-GA
và
Chinkondner-GA + ANNs.
Trong đó phƣơng pháp Chinkondner-GA
+ ANNs cho sai số nhỏ nhất. Tổng độ sai
lệch kết quả ngoại suy của các phƣơng pháp
và kết quả thử tĩnh l n lƣợt là Decourt
Hình 14. Kết quả ngoại suy tải trọng công
trình C [11]
2.254,7
3.134.5tấn(0.38%)
1.860,4 tấn(0,29%) và Chinkondner-GA +
ANNs 1.526,8 tấn (0.13% ).
tấn
(0,88%),
,
Chinkondner
Chinkondner-GA
Quan sát hình 14 thể hiện kết quả ngoại
suy công trình C [11]. Riêng đối với công
trình này, số liệu công trình từ kết quả thử
tĩnh đã đạt đến tải trọng có chuyển vị vƣợt
chuyển vị cho phép là 40mm. Do đó, dữ liệu
đ u vào là các số đo khi chƣa đạt đến
chuyển vị cho phép 40mm đƣợc giả định sử
dụng để tính toán. Kết quả dự đoán bằng
phƣơng pháp sử dụng gen di tuyền GA kết
hợp với mạng nơ-ron nhân tạo ANNs cho ra
kết quả g n với kết quả thử tĩnh hơn so với
các phƣơng pháp trƣớc đó.
5.3. Kết quả tính toán tối ưu Công
trình C [11]:
Chƣơng trình tìm kiếm thông số
và đƣợc chạy trên ph n mềm Matlab, sau
200 thế hệ lai tạo hàm thích nghi tốt nhất
đƣợc giữ lại có giá trị , hàm
thích nghi trung bình có giá trị tốt nhất là
ứng với hàm thích nghi này là 2
cá thể
40
-
1085,8
946,67 421,269
418,91
Bảng 6. Kết quả ngoại suy và dự đoán công
trình B [10]
Độ lún Thử Decourt Chinkon Chin-
ANNs
(kN)
(mm)
tĩnh
(kN)
dner Kondner
(kN) - GA (kN)
(kN)
1,41
3,54
5,89
2.630 2.413 2.567 2.371
5.250 5.473 5.773 5.399
7.880 8.228 8.615 8.145
2.244
5.398
7.929
8,91 10.500 11.075 11.507 11.003 10.781
11,76 13.130 13.240 13.678 13.190 13.047
15,16 15.750 15.343 15.762 15.327 15.417
21,20 18.380 18.190 18.548 18.238 18.160
29,07 21.000 20.815 21.079 20.940 20.973
Hình 15. Sai lệch phép ngoại suy và thử
tĩnh công trình C [11]
Hình 15 thể hiện tổng sai lệch giữa các
phép ngoại suy và kết quả thực tế. Phƣơng
pháp Chinkondner và Decourt truyền thống
cho tổng sai lệch giữa kết quả ngoại suy và
kết quả thử tĩnh lớn hơn phƣơng pháp
Chinkondner-GA và Chinkondner-GA +
ANNs.
35
40
-
-
21.825 22.044 21.986 22.016
23.288 23.433 23.504 23.577
Bảng 7. Kết quả ngoại suy và dự đoán công
trình C [11]
Độ lún Thử Decourt Chin-
Chin-
ANNs
(T)
(mm)
tĩnh
(T)
(T) Kondner Kondner
(T) - GA (T)
Trong đó phƣơng pháp Chinkondner-GA
+ ANNs cho sai số nhỏ nhất. Tổng độ sai
lệch kết quả ngoại suy của các phƣơng pháp
và kết quả thử tĩnh l n lƣợt là Decourt
407,6T (7,4%); Chin-Kondner 389,2T
(5,55%); Chinkondner-GA 341,9T(0,03%)
và Chinkondner-GA - ANNs 340,3T (0.05%
).
2,550
4,250
6,778
250
500
750
282,2 284,9
459,5 462,8
708,7 711,1
294,8
474,6
720,4
283,3
470,6
724,3
10,115 1000 1.013,6 1.012,5 1.010,7 1.003,9
13,150 1250 1.269,5 1.263,5 1246,0 1.254,6
15.733 1500 1.473,1 1.461,8 1.428,0 1.431,9
18,315 1750 1.664,7 1.647,4 1.595,2 1.589,3
25,583 2000 2.148,4 2.111,4 2.000,6 2.007,6
Bảng thống kê kết quả ngoại suy và dự
đoán từ các phƣơng pháp đƣợc trình bày ở
bảng 5-6-7 ứng với các công trình A[9]-
B[10]- C[11].
30
40
-
-
2.407,9 2.357,8 2.208,9 2.210,2
2.918,5 2.837,3 2.601,1 2.599,2
Riêng với công trình C [11], kết quả dự
đoán kế tiếp ở độ lún 40mm nhƣ bảng 7,
trong khi kết quả thực tế tải trọng ứng với
40mm là 2.250T. Nhƣ vậy, kết quả dự đoán
từ phƣơng pháp đề xuất g n chính xác nhất.
Bảng 5.Kết quả ngoại suy và dự đoán công
trình A [9]
Độ lún Thử tĩn Decourt Chin-
Chin-
(T) Kondner Kondner (T)
(T) - GA (T)
ANNs
(mm)
(T)
3,39
4,06
5,36
6,26
7,89
10,39
13,4
15,46
17,68
19,37
25
30 56,4278 52,603 83,391
60 68,062 63,399 97,489
120 91,1156 84,742 123,009
150 107,458 99,832 139,393
180 137,887 127,841 166,715
210 186,757 172,58 203,588
240 249,427 229,54 241,447
264 294,950 270,62 264,030
282 346,622 316,94 285,869
300 387,913 353,73 300,995
47,72
74,57
6. KẾT LUẬN
121,15
139,16
173,18
198,46
239,53
261,22
287,07
303,40
343,93
Kết quả từ việc ứng dụng giải thuật gen
di truyền và mạng Nơ-ron nhân tạo nhằm tối
ƣu tính toán xác định sức chịu tải cực hạn
cho kết quả tốt hơn hẳn so với phƣơng pháp
Chin-Kondner truyền thống và Decourt,
mang lại độ tin cậy cao trong việc dự đoán
sức chịu tải cực hạn của cọc từ thí nghiệm
-
539,255 486,89 343,863
thử tĩnh cọc, để có thể tận dụng đƣợc hết
khả năng chịu tải thực tế của cọc khi mà kết
quả thử tĩnh chƣa xác định đƣợc điểm uốn.
Đối với các cọc có số liệu thử tĩnh mà
quan hệ tải trọng và chuyển vị là phi tuyến
thì phƣơng pháp sử dụng giải thuật gen di
truyền nhằm tối ƣu hóa phƣơng pháp Chin-
Kondner và tạo khối ngoại suy sử dụng
mạng Nơ-ron nhân tạo cho kết quả tốt hơn
các phƣơng phá truyền thống khác. Từ đó,
giá trị sức chịu tải cựa hạn của cọc đạt đƣợc
độ chính xác cao và mang lại lợi ích kinh tế
trong thi công móng cọc.
[8]How the Genetic Algorithm Works.
Internet:
[9] Dự án: Bệnh Viện Nhi Đồng Tp. HCM
[10] Dự án: Khu nhà ở cao t ng Phƣờng Phú
Thuận, Quận 7 - Tháp L – Opera 1.Báo cáo
phân tích lựa chọn chiều dài và sức chịu tải
cọc đại trà D1200 tháp L-OPEARA 1.
[11] Dự án: Công Trình EVERICH 2 coc
D1500 - B1, 60m.
Tác giả chịu trách nhiệm:
Họ tên: Tr n Quang Vinh
Đơn vị Trƣờng Cao đẳng Kinh tế Kỹ thuật
Kiên Giang
Điện thoại: 0977.462397
Email: [email protected]
TÀI LIỆU THAM KHẢO
[1] In-MO Leea & Jeong-Hark Leeb.
Prediction of Pile Bearing Capacity
Networks
Using
Artificial
Neural,
Computers and Georechnics, Vol. 18, No. 3,
pp. 189-200, 1996.
[2] E. Momeni, R. Nazir, D. Jahed
Armaghani, H. Maizir. Prediction of pile
bearing capacity using a hybrid genetic
algorithm-based ANN, 15 August 2014.
[3] Wael N. Abd Elsamee. New Method for
Prediction Pile Capacity Executed by
Continuous Flight Auger (CFA), Scientific
Research, April 2013.
[4] John Michael Hudson, A comparision of
load test data and predicted behavior of
auger cast pile in layered soils, Summer
Term 2008.
[5] Bengt H. Fellenius, Urkkada Technology
Ltd.. Qttawa, Ontario, Canada. What
capacity value to choose from the results of
a static loading test, 2001.
[6] Gopesh Joshi -M. Bala Krishna. Solving
System of Non-LinearEquations using
Genetic Algorithm, InternationalConference
on Advancesin Computing,
Communicationsand Informatics (ICACCI),
2014.
[7]Artificial neural network. Internet:
BÀI BÁO KHOA HỌC
THỰC HIỆN CÔNG BỐ THEO QUY CHẾ ĐÀO TẠO THẠC SỸ
Bài báo khoa học của học viên
có xác nhận và đề xuất cho đăng của Giảng viên hướng dẫn
Bản tiếng Việt ©, TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH và TÁC GIẢ
Bản quyền tác phẩm đã được bảo hộ bởi Luật xuất bản và Luật Sở hữu trí tuệ Việt Nam.
Nghiêm cấm mọi hình thức xuất bản, sao chụp, phát tán nội dung khi chưa có sự đồng ý
của tác giả và Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh.
ĐỂ CÓ BÀI BÁO KHOA HỌC TỐT, CẦN CHUNG TAY BẢO VỆ TÁC QUYỀN!
Thực hiện theo MTCL & KHTHMTCL Năm học 2018-2019 của Thư viện Trường Đại học
Sư phạm Kỹ thuật Tp. Hồ Chí Minh.
10 trang
12/01/2024
18760
Free
Bạn đang xem tài liệu "Tối ưu hóa dự báo sức chịu tải của cọc từ kết quả thử tĩnh sử dụng giải thuật gen di truyền và mạng Nơ-ron nhân tạo", để tải tài liệu gốc về máy hãy click vào nút Download ở trên
File đính kèm:
- toi_uu_hoa_du_bao_suc_chiu_tai_cua_coc_tu_ket_qua_thu_tinh_s.pdf
