Ứng dụng “machine learning” dự đoán gradient nhiệt bất lợi trên dầm cầu BTCT mặt cắt dạng hộp
Email:
canhlm_ph@utc.edu.vn
Từ khóa:
Tải trọng nhiệt, dầm bê tông cốt thép mặt cắt dạng hộp, machine learning, gradient nhiệt, dự đoán gradient nhiệt
Tóm tắt
Trong giai đoạn khai thác, dầm cầu bê tông cốt thép (BTCT) mặt cắt dạng hộp chịu tác động đáng kể từ sự thay đổi nhiệt độ môi trường. Chênh lệch nhiệt độ giữa các phần của mặt cắt gây ra ứng suất nhiệt lớn, làm giảm độ bền và tuổi thọ của kết cấu. Các nghiên cứu gần đây chỉ ra rằng gradient nhiệt theo phương đứng xác định từ dữ liệu thực đo có sự sai lệch rõ rệt so với tiêu chuẩn TCVN 11823:2017. Nghiên cứu này phân tích dữ liệu nhiệt độ liên tục trong gần ba năm tại ba cầu đại diện cho các khu vực khí hậu tiêu biểu ở Việt Nam: cầu Vĩnh Thịnh (miền Bắc), cầu Quán Hàu (miền Trung) và cầu Gò Găng (miền Nam). Để nâng cao độ chính xác trong đánh giá tác động nhiệt, nghiên cứu đã phát triển các mô hình học máy có giám sát để dự báo gradient nhiệt bất lợi. Các thuật toán được áp dụng gồm: hồi quy tuyến tính (Linear Regression), cây tăng cường (Boosted Tree), rừng ngẫu nhiên (Random Forest), XGBoost và mạng nơ-ron nhân tạo (Artificial Neural Network – ANN). Kết quả cho thấy mô hình ANN đạt hiệu quả cao nhất với hệ số xác định R² trên 0,70 cho cả hai thông số MAX-Gy và MIN-Gy. Điều này khẳng định khả năng dự báo mạnh mẽ và hiệu quả trong việc mô hình hóa các mối quan hệ phi tuyến giữa điều kiện khí tượng và đặc trưng hình học tiết diện cầu. Kết quả của nghiên cứu cung cấp cơ sở khoa học tin cậy phục vụ công tác thiết kế, đánh giá và bảo trì cầu BTCT mặt cắt dạng hộp trong điều kiện khí hậu nhiệt đới, góp phần gia tăng tuổi thọ và hiệu quả khai thác công trìnhTài liệu tham khảo
[1]. M.M. Elbadry, A. Ghali, Temperature variations in concrete bridges, Journal of Structural Engineering, 109 (1983) 2355–2374. https://doi.org/10.1061/(ASCE) 0733-9445(1983)109:10(2355)
[2]. R.A. Imbsen, D.E. Vandershaf, R.A. Schamber, R.V. Nutt, Thermal effects in concrete bridge superstructures, NCHRP Program Report 276, Transportation Research Board, Washington D.C., 63–67, 1985.
[3]. B. Gu, F.Y. Zhou, W. Gao, F.Z. Xie, L.H. Le, Temperature gradient and its effect on long-span prestressed concrete box girder bridge, Advances in Civil Engineering, (2020). https://doi.org/10.1155/2020/5956264
[4]. Q. Shen, J. Chen, C. Yue, H. Cao, C. Chen, W. Qian, Investigation on the through-thickness temperature gradient and thermal stress of concrete box girders, Buildings, 13 (2023) 2882. https://doi.org/10.3390/buildings13112882
[5]. TCVN 11823:2017, Thiết kế cầu đường bộ – Phần 3: Tải trọng và hệ số tải trọng, 2017.
[6]. NASA Langley Research Center, POWER Data Access Viewer, NASA. Truy cập tại: https://power.larc.nasa.gov/data-access-viewer/
[7]. Đ.Q. Ngô, H.C. Nguyễn, Monitoring and analysis of temperature distribution in reinforced concrete bridge box girders in Vietnam, Case Studies in Construction Materials, 20 (2024) e02857.
[8]. A.T. Đỗ, B.A. Lê, Machine learning approach for predicting early-age thermal cracking potential in concrete bridge piers, Finite Elements in Mechanics, (2024). https://doi.org/10.1016/j.finmec.2024.100297
[9]. X. Sheng, T. Zhou, S. Huang, C. Cai, T. Shi, Prediction of vertical temperature gradient on concrete box-girder considering different locations in China, Case Studies in Construction Materials, 16 (2022) e01026. https://doi.org/10.1016/j.cscm.2022.e01026
[10]. Y.J. Cha, R. Ali, J. Lewis, O. Büyüköztürk, Deep learning-based structural health monitoring, Automation in Construction, 161 (2024) 105328. https://doi.org/10.1016/j.autcon.2024.105328
[11]. D. C. Montgomery, E. A. Peck, G. G. Vining, Introduction to Linear Regression Analysis, 6th edition. Hoboken, New Jersey: Wiley, 2021.
[12]. L. Breiman, Random forests, Machine Learning, 45 (2001) 5–32. https://doi.org/10.1023/A:1010933404324
[13]. J.H. Friedman, Greedy function approximation: a gradient boosting machine, Annals of Statistics, 29 (2001). https://doi.org/10.1214/aos/1013203451
[14]. T. Chen, C. Guestrin, XGBoost: a scalable tree boosting system, Proc. 22nd ACM SIGKDD Int. Conf. Knowledge Discovery and Data Mining, (2016) 785–794. https://doi.org/10.1145/2939672.2939785
[15]. Y. LeCun, Y. Bengio, G. Hinton, Deep learning, Nature, 521 (2015) 436–444. https://doi.org/10.1038/nature14539
[16]. H. S. Moon, Y. K. Hwang, M. K. Kim, Kang, H. T. Lim, Application of artificial neural network to predict dynamic displacements from measured strains for a highway bridge under traffic loads, Journal of Civil Structural Health Monitoring, 12 (2021) 117–126.
[17]. Bộ Xây dựng, QCVN 02: 2021/BXD, Quy Chuẩn Kỹ Thuật Quốc Gia Số Liệu Điều Kiện Tự Nhiên Dùng Trong Xây Dựng, 2021.
[18]. Y.L.Xu, B.Chen, C.L.Ng, K.Y.Wong, W.Y.Chan, Monitoring temperature effect on a long suspension bridge, Structural Control and Health Monitoring, 17 (2010) 632–653.
[19]. H. Ling, C. Qian, W. Kang, C. Liang, H. Chen, Combination of Support Vector Machine and K-Fold cross validation to predict compressive strength of concrete in marine environment, Construction and Building Materials, 206 (2019) 355–363. https://doi.org/ 10.1016/j.conbuildmat.2019.02.071
[20]. T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed. Springer, 2009. [Online]. Available: https://www.abebooks.it/9780387848570/Elements-Statistical-Learning-Data-Mining-0387848576/plp.
[21]. I. Goodfellow, Y. Bengio, A. Courville, Deep Learning. Cambridge, MA: MIT Press, 2016. [Online]. Available: https://www.deeplearningbook.org/
[22]. D. Singh, Mastering Tanh: A deep dive into balanced activation for machine learning, AI-Enthusiast, [Online]. Available: https://medium.com/ai-enthusiast/mastering-tanh-a-deep-dive-into-balanced-activation-for-machine-learning-4734ec147dd9
[23]. A. I. Maverick, The role of the Gaussian distribution in machine learning, Medium, [Online]. Available:https://samanemami.medium.com/the-role-of-the-gaussian-distribution-in-machine-learning-5b1c04f87967.
[24]. M.V. Chiến, Dự đoán sức kháng cắt của dầm FRP-RC bằng mô hình học máy CatBoost tối ưu hóa, Tạp chí Khoa học và Công nghệ Giao thông vận tải, 4 (2024) 13–27. https://doi.org/10.58845/jstt.utt.2024.vn.4.3.13-27
[25]. M.C. Lê, Phụ lục – Các hệ số chi tiết của mô hình mạng nơ-ron, Tài liệu Google Drive, 2025. Truy cập tại: https://tinyurl.com/2b9h3frj
[2]. R.A. Imbsen, D.E. Vandershaf, R.A. Schamber, R.V. Nutt, Thermal effects in concrete bridge superstructures, NCHRP Program Report 276, Transportation Research Board, Washington D.C., 63–67, 1985.
[3]. B. Gu, F.Y. Zhou, W. Gao, F.Z. Xie, L.H. Le, Temperature gradient and its effect on long-span prestressed concrete box girder bridge, Advances in Civil Engineering, (2020). https://doi.org/10.1155/2020/5956264
[4]. Q. Shen, J. Chen, C. Yue, H. Cao, C. Chen, W. Qian, Investigation on the through-thickness temperature gradient and thermal stress of concrete box girders, Buildings, 13 (2023) 2882. https://doi.org/10.3390/buildings13112882
[5]. TCVN 11823:2017, Thiết kế cầu đường bộ – Phần 3: Tải trọng và hệ số tải trọng, 2017.
[6]. NASA Langley Research Center, POWER Data Access Viewer, NASA. Truy cập tại: https://power.larc.nasa.gov/data-access-viewer/
[7]. Đ.Q. Ngô, H.C. Nguyễn, Monitoring and analysis of temperature distribution in reinforced concrete bridge box girders in Vietnam, Case Studies in Construction Materials, 20 (2024) e02857.
[8]. A.T. Đỗ, B.A. Lê, Machine learning approach for predicting early-age thermal cracking potential in concrete bridge piers, Finite Elements in Mechanics, (2024). https://doi.org/10.1016/j.finmec.2024.100297
[9]. X. Sheng, T. Zhou, S. Huang, C. Cai, T. Shi, Prediction of vertical temperature gradient on concrete box-girder considering different locations in China, Case Studies in Construction Materials, 16 (2022) e01026. https://doi.org/10.1016/j.cscm.2022.e01026
[10]. Y.J. Cha, R. Ali, J. Lewis, O. Büyüköztürk, Deep learning-based structural health monitoring, Automation in Construction, 161 (2024) 105328. https://doi.org/10.1016/j.autcon.2024.105328
[11]. D. C. Montgomery, E. A. Peck, G. G. Vining, Introduction to Linear Regression Analysis, 6th edition. Hoboken, New Jersey: Wiley, 2021.
[12]. L. Breiman, Random forests, Machine Learning, 45 (2001) 5–32. https://doi.org/10.1023/A:1010933404324
[13]. J.H. Friedman, Greedy function approximation: a gradient boosting machine, Annals of Statistics, 29 (2001). https://doi.org/10.1214/aos/1013203451
[14]. T. Chen, C. Guestrin, XGBoost: a scalable tree boosting system, Proc. 22nd ACM SIGKDD Int. Conf. Knowledge Discovery and Data Mining, (2016) 785–794. https://doi.org/10.1145/2939672.2939785
[15]. Y. LeCun, Y. Bengio, G. Hinton, Deep learning, Nature, 521 (2015) 436–444. https://doi.org/10.1038/nature14539
[16]. H. S. Moon, Y. K. Hwang, M. K. Kim, Kang, H. T. Lim, Application of artificial neural network to predict dynamic displacements from measured strains for a highway bridge under traffic loads, Journal of Civil Structural Health Monitoring, 12 (2021) 117–126.
[17]. Bộ Xây dựng, QCVN 02: 2021/BXD, Quy Chuẩn Kỹ Thuật Quốc Gia Số Liệu Điều Kiện Tự Nhiên Dùng Trong Xây Dựng, 2021.
[18]. Y.L.Xu, B.Chen, C.L.Ng, K.Y.Wong, W.Y.Chan, Monitoring temperature effect on a long suspension bridge, Structural Control and Health Monitoring, 17 (2010) 632–653.
[19]. H. Ling, C. Qian, W. Kang, C. Liang, H. Chen, Combination of Support Vector Machine and K-Fold cross validation to predict compressive strength of concrete in marine environment, Construction and Building Materials, 206 (2019) 355–363. https://doi.org/ 10.1016/j.conbuildmat.2019.02.071
[20]. T. Hastie, R. Tibshirani, J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed. Springer, 2009. [Online]. Available: https://www.abebooks.it/9780387848570/Elements-Statistical-Learning-Data-Mining-0387848576/plp.
[21]. I. Goodfellow, Y. Bengio, A. Courville, Deep Learning. Cambridge, MA: MIT Press, 2016. [Online]. Available: https://www.deeplearningbook.org/
[22]. D. Singh, Mastering Tanh: A deep dive into balanced activation for machine learning, AI-Enthusiast, [Online]. Available: https://medium.com/ai-enthusiast/mastering-tanh-a-deep-dive-into-balanced-activation-for-machine-learning-4734ec147dd9
[23]. A. I. Maverick, The role of the Gaussian distribution in machine learning, Medium, [Online]. Available:https://samanemami.medium.com/the-role-of-the-gaussian-distribution-in-machine-learning-5b1c04f87967.
[24]. M.V. Chiến, Dự đoán sức kháng cắt của dầm FRP-RC bằng mô hình học máy CatBoost tối ưu hóa, Tạp chí Khoa học và Công nghệ Giao thông vận tải, 4 (2024) 13–27. https://doi.org/10.58845/jstt.utt.2024.vn.4.3.13-27
[25]. M.C. Lê, Phụ lục – Các hệ số chi tiết của mô hình mạng nơ-ron, Tài liệu Google Drive, 2025. Truy cập tại: https://tinyurl.com/2b9h3frj
Tải xuống
Chưa có dữ liệu thống kê
Nhận bài
02/06/2025
Nhận bài sửa
26/09/2025
Chấp nhận đăng
13/10/2025
Xuất bản
15/10/2025
Chuyên mục
Công trình khoa học
Kiểu trích dẫn
Lê Minh, C., Nguyễn Đức, C., & Lê Thành, S. (1760461200). Ứng dụng “machine learning” dự đoán gradient nhiệt bất lợi trên dầm cầu BTCT mặt cắt dạng hộp . Tạp Chí Khoa Học Giao Thông Vận Tải, 76(8), 1123-1137. https://doi.org/10.47869/tcsj.76.8.7
