Please use this identifier to cite or link to this item: http://thuvienso.dut.udn.vn/handle/DUT/6013
DC FieldValueLanguage
dc.contributor.advisorTS. Mai, Anh Đứcen_US
dc.contributor.advisorTS. Ngô, Ngọc Trien_US
dc.contributor.authorLê, Khắc Khánh Duyen_US
dc.date.accessioned2025-04-23T02:08:12Z-
dc.date.available2025-04-23T02:08:12Z-
dc.date.issued2025-
dc.identifier.urihttp://thuvienso.dut.udn.vn/handle/DUT/6013-
dc.description76 tr. 624.1834 L250Den_US
dc.description.abstractNghiên cứu này đã đề xuất một kỹ thuật máy học để dự đoán cường độ chịu nén của bê tông tái chế. Mô hình học máy xem xét các yếu tố ảnh hưởng đến cường độ chịu nén của bê tông tái chế chứa 08 thông số chính bao gồm hàm lượng xi măng (cement content), hàm lượng cát (sand content), hàm lượng cốt liệu mịn (fine aggregate content), hàm lượng cốt liệu mịn tái chế (recycled fine aggregate content), hàm lượng cốt liệu thô (Coarse aggregate content), hàm lượng cốt liệu thô tái chế (recycled coarse aggregate content), hàm lượng nước (Water content), hàm lượng chất phụ gia (Plasticizer content). Tập dữ liệu gồm 145 mẫu thử nghiệm về bê tông tái chế được thu thập phục vụ dự báo. Các mô hình hồi quy tuyến tính (LG), trí tuệ nhân tạo (ANN), máy vec tỏ hỗ trợ (SVM), rừng ngẩu nhiên (RF) và cây ngẩu nhiên (RT) được sử dụng để dự báo cường độ chịu nén của bê tông tái chế. Kết quả so sánh cho thấy rằng các mô hình dự báo khá chính xác cường độ chịu nén của bê tông tái chế. Mô hình rừng ngẩu nhiên và mô hình trí tuệ nhân tạo có độ chính xác dự báo tốt nhất trong đó mô hình rừng ngẩu nhiên có độ chính xác tốt nhất. Mô hình cây ngẩu nhiên có độ chính xác thấp nhất. Mô hình rừng ngẩu nhiên cải thiện độ chính xác so với mô hình trí tuệ nhân tạo là 11.1% ở chỉ số sai số tuyệt đối phần trăm tuyệt đối trung bình – MAPE, 9.0% ở chỉ số căn bậc hai sai số bình phương và 15.9% ở chỉ số sai số tuyệt đối trung bình. So với mô hình cây ngẩu nhiên, mô hình rừng ngẩu nhiên đã cải thiện được 3.3% về chỉ số hệ số tương quan (R), cải thiện 20% về chỉ số sai số tuyệt đối phần trăm tuyệt đối trung bình (MAPE), cải thiện 24.2% về chỉ số căn bậc hai sai số bình phương (RMSE) và cải thiện 18.6% về chỉ số sai số tuyệt đối trung bình (MAE)en_US
dc.language.isovien_US
dc.publisherTrường Đại học Bách khoa - Đại học Đà Nẵngen_US
dc.subjectHọc máyen_US
dc.subjectMạng nơ ron nhân tạoen_US
dc.subjectBê tông tái chếen_US
dc.titleỨng dụng mô hình học máy để dự đoán cường độ chịu nén của bê tông tái chế trong xây dựng bền vữngen_US
dc.title.alternativeMachine learning models for inferring the axial strength in short concrete-filled steel tube columns infilleden_US
dc.typeĐồ ánen_US
dc.identifier.idMã số: 8580302-
item.openairecristypehttp://purl.org/coar/resource_type/c_18cf-
item.languageiso639-1vi-
item.cerifentitytypePublications-
item.fulltextCó toàn văn-
item.openairetypeĐồ án-
item.grantfulltextrestricted-
Appears in Collections:LV.Quản lý xây dựng
Files in This Item:
File Description SizeFormat Existing users please Login
4.LV.LEKHACKHANHDUY.TT.pdfTóm tắt972.02 kBAdobe PDFThumbnail
4.LV.LEKHACKHANHDUY.TV.pdfToàn văn36.25 MBAdobe PDFThumbnail
Show simple item record

CORE Recommender

Page view(s) 20

20
checked on Jul 28, 2025

Download(s) 50

8
checked on Jul 28, 2025

Google ScholarTM

Check


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.