|
Dòng
|
Nội dung
|
|
1
|
|
|
2
|
Tối ưu hóa siêu tham số của mô hình học máy bằng phương pháp tìm kiếm ngẫu nhiên để dự báo đôi dẻo marshall cho hỗn hợp sma gia đường sợi gellulose
// Cầu đường Việt Nam tr.
Stone Mastic Asphalt (SMA) gia cường sợi Cellulose là một loại bê tông nhựa nóng với cấp phối gián đoạn, trong đó sợi Cellulose đóng vai trò là chất ổn định. Với cấu trúc khung đá cứng, SMA có khả năng kháng nứt và cường độ cao nên được sử dụng phổ biến cho kết cấu mặt đường ô tô cao cấp. Tuy nhiên, trong quá trình thiết kế hỗn hợp SMA, việc kiểm soát độ dẻo Marshall (MF) đóng vai trò quan trọng, giúp đảm bảo tỷ lệ bột khoáng/ nhựa đường, tỷ lệ chất ổn định cellulose... nhờ đó đảm bảo độ bền, độ dẻo và khả năng kháng lún vệt bánh xe của hỗn hợp SMA. Để dự báo MF của SMA, nghiên cứu đã sử dụng phương pháp mô hình máy học. Dựa trên cơ sở dữ liệu gồm 144 dữ liệu thu được từ kết quả thí nghiệm do nhóm tác giả thực hiện, nghiên cứu tập trung so sánh hiệu suất dự báo của hai mô hình học máy: Tăng cường độ dốc cực đại (XGBM) và Cây quyết định (DTM). Hai mô hình này được tối ưu hóa các siêu tham số bằng phương pháp tìm kiếm ngẫu nhiên (Random Search). Kết quả tìm ra được hai mô hình XGBM và DTM tối ưu với bộ siêu tham số đã được tinh chỉnh. So sánh hiệu suất dự báo của hai mô hình tối ưu, cho thấy mô hình XGBM có khả năng dự báo với vượt trội hơn so với DTM. Cụ thể là XGBM có thể dự báo MF rất chính xác với hệ số xác định R2 = 0.9877 ở giai đoạn đào tạo, và R2 = 0.9724 ở giai đoạn kiểm tra. Bên cạnh đó, dựa trên mô hình XGBM đề xuất, biểu đồ phụ thuộc một phần (Partial Dependence Plot - PDP) đã được thực hiện để giải thích cơ chế của mô hình và phân tích sự biến thiên của MF dưới tác động của từng biến đầu vào.
Đầu mục:0
(Lượt lưu thông:0)
Tài liệu số:1
(Lượt truy cập:0)
|
|
|
|
|