Thanh Danh Tran

Tại Thành phố Hồ Chí Minh (TP.HCM), nhu cầu phát triển hạ tầng ngầm trong điều kiện nền đất yếu ngày càng tăng, đặc biệt ở các khu vực như Quận 2, Quận 7 và huyện Nhà Bè. Một trong những thách thức kỹ thuật lớn trong thiết kế hố đào sâu là dự báo chính xác chuyển vị ngang của tường vây. Trong khi mô hình Mohr-Coulomb (MC) còn nhiều hạn chế khi áp dụng cho đất bùn sét yếu, mô hình Hardening Soil (HS) đã chứng minh tính hiệu quả nhờ khả năng mô phỏng phi tuyến và phụ thuộc ứng suất. Tuy nhiên, việc xác định các thông số đầu vào, đặc biệt là môđun đàn hồi tham chiếu E50ref vẫn còn nhiều bất định. Nghiên cứu này thực hiện phân tích ngược trên phần mềm Plaxis 2D với giả thiết không thoát nước loại B (Undrained B), nhằm hiệu chỉnh tương quan thực nghiệm giữa môđun đàn hồi tham chiếu E50ref và sức kháng cắt không thoát nước Su cho lớp bùn sét yếu đặc trưng tại TP.HCM. Công trình nghiên cứu là dự án Trường Đại học Văn Lang - Giai đoạn 4, với số liệu quan trắc chuyển vị từ 14 vị trí bằng Inclinometer. Kết quả nghiên cứu đề xuất công thức tương quan E50ref = 500×Su, góp phần nâng cao độ chính xác mô phỏng và tối ưu thiết kế công trình ngầm trong điều kiện địa chất phức tạp.

Concrete is the most widely used material in the field of civil engineering, so it is crucial to determine the compressive strength of concrete. However, many studies rely on traditional methods such as experiments or numerical simulations, which have the disadvantage of being time-consuming and expensive. The goal of this study is to predict the compressive strength of concrete using an artificial neural network (ANN) algorithm combined with Bayesian Optimization (ANN-BO). For a comparative study with a proposed model, 10 other machine learning (ML) models, including Linear Regression (LR), Ridge Regression, LASSO Regression, Elastic Net Regression, Polynomial Regression, Stochastic Gradient Descent, Decision Tree (DT), Random Forest Regression, Support Vector Machine, and Baseline ANN were performed. From the literature, a wide range of factors that impacted the concrete compressive strength were considered as input database applied in the models, such as cement, blast furnace slag, fly ash, water, superplasticizer, coarse aggregate, fine aggregate, and ot curing age. The testing results indicate that all models exhibited an accuracy of R² value of over 0.615 and the ANN-BO model outperformed other methods. It surpassed existing approaches with an R² value of 0.896, RMSE of 5.187, and MAE of 3.992. With high reliability and robustness, the proposed ANN-BO algorithm can be used as an efficient tool for engineers and researchers.