T. 16 S. 03 (2026): Tạp chí Vật liệu và Xây dựng
##common.pageHeaderLogo.altText##
Tạp chí Vật liệu và Xây dựng - Bộ Xây dựng

ISSN:

Website: www.jomc.vn

Đánh giá an toàn động đất của giàn thép phi tuyến sử dụng các thuật toán học máy phân loại

Hà Mạnh Hùng , Trương Việt Hùng

Từ khóa:

Phân loại an toàn
Học máy
Giàn thép phi tuyến
Động đất
LightGBM

Tóm tắt

Phân tích lịch sử thời gian phi tuyến đánh giá kháng chấn giàn thép có độ chính xác cao nhưng tốn kém khối lượng tính toán. Nghiên cứu này đề xuất dùng các mô hình học máy phân loại trạng thái giới hạn (An toàn/Nguy hiểm) để dự báo nhanh chuyển vị động đất của giàn phẳng 39 thanh. Hiệu suất của năm thuật toán (hồi quy Logistic, máy véc-tơ hỗ trợ, rừng ngẫu nhiên, LightGBM, mạng học sâu) được đánh giá toàn diện. Kết quả cho thấy ranh giới an toàn phi tuyến cực mạnh của hệ kết cấu đã làm vô hiệu hóa các mô hình tuyến tính. Nhằm hạn chế tối đa Lỗi loại II (bỏ sót thiết kế nguy hiểm), LightGBM và Random Forest thể hiện sự vượt trội với chỉ số Độ nhạy (Recall) và F1-Score cao nhất. Đáng chú ý, LightGBM có tốc độ huấn luyện siêu việt, khắc phục triệt để nhược điểm thắt cổ chai tính toán của SVM và MLP. Sự cân bằng hoàn hảo giữa khả năng nhận diện rủi ro chính xác và tốc độ cực nhanh khẳng định LightGBM là mô hình thay thế lý tưởng cho bài toán tối ưu hóa độ tin cậy kết cấu quy mô lớn.

Điều hướng Người dùng

Cách trích dẫn

Hà Mạnh Hùng, & Trương Việt Hùng. (2026). Đánh giá an toàn động đất của giàn thép phi tuyến sử dụng các thuật toán học máy phân loại. Tạp Chí Vật liệu Và Xây dựng - Bộ Xây dựng, 16(03). https://doi.org/10.54772/jomc.03.2026.1424

Tài liệu tham khảo

  1. . Y. N. Du, D. C. Feng, G. Wu, “InSAR-based rapid damage assessment of urban building portfolios following the 2023 Turkey earthquake”, International Journal of Disaster Risk Reduction, 103, 104317 (2024).
  2. . N. Li, B. Zhu, L. Zhang, S. Kishiki, “Damage analysis of a pseudoclassic reinforced concrete frame structure under the action of the Ms 6.8 Luding earthquake in China”, Structures, 60, 105887 (2024).
  3. . X. Lai, Z. He, Y. Wu, “Elastic inter-story drift seismic demand estimate of super high-rise buildings using coupled flexural-shear model with mass and stiffness non-uniformities”, Engineering Structures, 226, 111378 (2021).
  4. . P. Zakian, A. Kaveh, “Seismic design optimization of engineering structures: a comprehensive review”, Acta Mechanica, 234(4), 1305-1330 (2023).
  5. . V. H. Truong, S. Tangaramvong, G. Papazafeiropoulos, “An efficient LightGBM-based differential evolution method for nonlinear inelastic truss optimization”, Expert Syst. Appl., 237(Part B), 121530 (2024).
  6. . V. H. Truong, C.T. Son, S. Tangaramvong, “A robust machine learning-based framework for handling time-consuming constraints for bi-objective optimization of nonlinear steel structures”, Structures , 62, 106226 (2024).
  7. . I. T. Yang, Y. H. Hsieh, “Reliability-based design optimization with cooperation between support vector machine and particle swarm optimization”, Engineering with Computers, 29, 151-163 (2013).
  8. . Y. Li, P. K. Yin, F. B. Chen, “Prediction of wind load power spectrum on high-rise buildings by various machine learning algorithms”, Structures, 67, 107015968 (2024).
  9. . W. Chen, J. Xu, M. Dong, Y. Yu, M. Elchalakani, F. Zhang, “Data-driven analysis on ultimate axial strain of FRP-confined concrete cylinders based on explicit and implicit algorithms”, Composite Structures, 268, 113904 (2021).
  10. . S. Zhang, J. Xu, T. Lai, Y. Yu, W. Xiong, “Bond stress estimation of profiled steel-concrete in steel reinforced concrete composite structures using ensemble machine learning approaches”, Engineering Structures, 294, 116725 (2023).
  11. . Y. Yu, X. Zhao, J. Xu, C. Chen, S. T. Deresa, J. Zhang, “Machine Learning-Based Evaluation of Shear Capacity of Recycled Aggregate Concrete Beams”, Materials, 13(20), 4552 (2020).
  12. . S. Zhang, W. Chen, J. Zu, T. Xie, “Use of interpretable machine learning approaches for quantificationally understanding the performance of steel fiber-reinforced recycled aggregate concrete: From the perspective of compressive strength and splitting tensile strength”, Engineering Applications of Artificial Intelligence, 137, 109170 (2024).
  13. . V. H. Truong, H. A. Pham, “Support vector machine for regression of ultimate strength of trusses: A comparative study”, Engineering Journal, 25(7), 157-166 (2021).
  14. . V. H. Truong, H. A. Pham, T. H. Van, S. Tangaramvong, “Evaluation of machine learning models for load-carrying capacity assessment of semi-rigid steel structures”, Engineering Structures, 273, 115001 (2022).
  15. . R. Machavaram, K. Shankar, “Structural damage identification using improved RBF neural networks in frequency domain”, Advances in Structural Engineering, 15, 1689-1703 (2012).
  16. . H.H. Nguyen, V.H. Truong, “Machine Learning-based prediction of seismic lateral deflection of steel trusses using nonlinear time-history analysis”, Structures, 69, 107369 (2024).
  17. . J. P. Shu, C. G. Zhang, X. Chen, Y. Niu, “Model-informed deep learning strategy with vision measurement for damage identification of truss structures”, Mechanical Systems and Signal Processing, 196, 110327 (2023).
  18. . T.D. Toan, V.H. Truong, “Support vector machine for short-term traffic flow prediction and improvement of its model training using nearest neighbor approach”, Transportation research record, 2675 (4), 362-373 (2021).
  19. . V.H. Truong, H.A. Pham, T.H. Van, S. Tangaramvong, “Evaluation of machine learning models for load-carrying capacity assessment of semi-rigid steel structures”, Engineering Structures, 273, 115001 (2022).
  20. . V.H. Truong, G. Papazafeiropoulos, Q.V. Vu, V.T. Pham, Z. Kong, “Predicting the patch load resistance of stiffened plate girders using machine learning algorithms”, Ocean Engineering, 240, 109886 (2021).
  21. . M. Farhadi, R. Ghiasi, P. Torkzadeh, “Damage detection of truss structures using meta-heuristic algorithms and optimized group method of data handling surrogate model”, Structures, 65, 106736 (2024).
  22. . B. Barros, B. Conde, M. Cabaleiro, B. Riveiro, “Design and testing of a decision tree algorithm for early failure detection in steel truss bridges”, Engineering Structures, 289, 116243 (2023).
  23. . E. Krempser, H. S. Bernardino, H. J. Barbosa, A. C. Lemonge, “Performance evaluation of local surrogate models in differential evolution-based optimum design of truss structures”, Engineering Computations, 34(2), 499-547 (2017).
  24. . T. H. Nguyen, A. T. Vu, “Speeding up Composite Differential Evolution for structural optimization using neural networks”, Journal of Information and Telecommunication, 6(2), 101-120 (2022).
  25. . H. Wu, Y. C. Wu, P. Zhi, X. Wu, T. Zhu, “Structural optimization of single-layer domes using surrogate-based physics-informed neural networks”, Heliyon, 9, 10 (2023).
  26. . R. Falcone, A. Ciaramella, F. Carrabs, N. Strisciuglio, E. Martinelli, “Artificial neural network for technical feasibility prediction of seismic retrofitting in existing RC structures”, Structures, 41, 1220-1234 (2022).
  27. . Z. Xu, J. Chen, J. Shen, M. Xiang, “Recursive long short-term memory network for predicting nonlinear structural seismic response”, Engineering Structures, 250, 113406 (2022).
  28. . S. Wang, J. Xu, Y. Wang, C. Pan, “Machine learning-based prediction of shear strength of steel reinforced concrete columns subjected to axial compressive load and seismic lateral load”, Structures, 56, 104968 (2023).
  29. . S. Mangalathu, H. Jang, S. H. Hwang, J. S. Jeon, “Data-driven machine-learning-based seismic failure mode identification of reinforced concrete shear walls”, Engineering Structures, 208, 110331 (2020).
  30. . H. D. Nguyen, J. M. LaFave, Y. J. Lee, M. Shin, “Rapid seismic damage-state assessment of steel moment frames using machine learning”, Engineering Structures, 252, 113737 (2022).