LuanVan.vnLuận Văn
Gửi thư

Ứng dụng mô hình học máy để dự đoán cường độ chịu nén của bê tông tái chế trong xây dựng bền vững

Đồ án tốt nghiệp · Đại học · năm 2025 · đề tài tham khảo

Loại tài liệuĐồ án tốt nghiệp
Bậc họcĐại học
NgànhCông nghệ thông tin
Tác giảLê Khắc Khánh Duy
Người hướng dẫnMai Anh Đức; Ngô Ngọc Tri
Cơ sở đào tạoTrường Đại học Bách khoa, Đại học Đà Nẵng
Năm2025
NguồnThư viện số Trường Đại học Bách khoa, Đại học Đà Nẵng · trang gốc

Tóm tắt

Nghiên 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)
Bản toàn văn lưu tại thư viện Trường Đại học Bách khoa, Đại học Đà Nẵng

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.