SỬ DỤNG PHƯƠNG PHÁP KHÔNG PHÁ HOẠI MẪU KẾT HỢP …

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH

LUẬN VĂN THẠC SĨ

NGUYỄN HỒNG ĐỨC

SỬ DỤNG PHƯƠNG PHÁP KHÔNG PHÁ HOẠI MẪU

KẾT HỢP MÔ HÌNH TIÊN LƯỢNG ANN

ĐỂ XÁC ĐỊNH CƯỜNG ĐỘ CHỊU NÉN

BÊ TÔNG GEOPOLYMER

NGÀNH: KỸ THUẬT XÂY DỰNG CÔNG TRÌNH

DÂN DỤNG VÀ CÔNG NGHIỆP - 60580208

Hướng dẫn khoa học:

PSG.TS. PHAN ĐỨC HÙNG

Tp. Hồ Chí Minh, tháng 4/2017

vi

CAM ĐOAN

Tôi cam đoan đây là công trình nghiên cứu của tôi.

Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai

công bố trong bất kỳ công trình nào khác.

Tp. Hồ Chí Minh, ngày 10 tháng 3 năm 2017 Nguyễn Hồng Đức

vii

LỜI CẢM ƠN

Để hoàn thành luận văn thạc sỹ này, tôi đã nhận được sự giúp đỡ rất nhiều từ

bạn bè quý Thầy Cô trong Khoa xây dựng và Cơ học Ứng dụng - Trường đại học

Sư Phạm Kỹ Thuật TPHCM đã giảng dạy, tôi xin bày tỏ lòng biết ơn đến Thầy

Phan Đức Hùng và cô Nguyễn Thị Thúy Hằng đã tận tình hướng dẫn, cung cấp các

thông tin nghiên cứu cần thiết và chỉ bảo tôi trong thời gian tôi thực hiện luận văn

thạc sỹ.

Tôi chân thành biết ơn gia đình cùng bạn bè động viên và giúp đỡ tôi trong

suốt thời gian tôi thực hiện luận văn.

Xin chân thành cảm ơn.

Tp. Hồ Chí Minh, ngày 10 tháng 3 năm 2017

Nguyễn Hồng Đức

vii

TÓM TẮT

Báo cáo sử dụng phương pháp không phá hoại mẫu kết hợp phương

pháp siêu âm và búa bật nảy để nghiên cứu sự phát triển cường độ của bê tông

geopolymer theo thời gian dưỡng hộ. Kết quả thí nghiệm cho thấy khi bê tông

geopolymer được dưỡng hộ trong môi trường nhiệt độ cao với thời gian

dưỡng hộ dài thì vận tốc truyền sóng tăng lên do cường độ tăng lên. Bên cạnh

đó, khi nồng độ dung dịch NaOH tăng từ 10-16M thì vận tốc truyền sóng

cũng tăng khoảng 15% trong cùng một thời gian dưỡng hộ. Kết quả thí

nghiệm được phân tích và tạo các mảng giá trị dùng để xây dựng mô hình hồi

quy tuyến tính (Linear Regression - LR) và mạng thần kinh nhân tạo

(Artificial Neural Network – ANN). Từ đó thiết lập mối tương quan giữa điều

kiện dưỡng hộ, nồng độ NaOH đến cường độ chịu nén, vận tốc truyền sóng,

giá trị búa bật nảy để đưa ra giá trị dự đoán về cường độ. Giá trị tiên lượng từ

hai mô hình được so sánh, đánh giá mức độ hiệu quả thông qua trị số R2, SSE.

Kết quả cho thấy mô hình ANN dự đoán cường độ tốt hơn LR. Tuy nhiên, mô

hình LR hiệu quả hơn bởi khả năng dự đoán giá trị cường độ nhanh và đơn

giản thông qua bảng tra được thiết kế sẵn. Ngoài ra, trong quá trình phân tích

ANN, mô hình còn cho phép xác định mức độ ảnh hưởng của các yếu tố đến

cường độ, trong đó nhiệt độ là yếu tố có quan trọng nhất chiếm hơn 50%.

viii

ABSTRACT

The thesis used non-destructione test which combined usage of

unltrasonic pulse velocity and rebound hammer to study the compressive

strength development of geopolymer concrete with different curing time. The

experimental results showed that ultrasonic pulse velocity increase due to the

increase of the compressive strength when geopolymer concrete were cured in

high temperatures and longer curing times. Besides, the increase of the

concentration of NaOH liquid (from 10 to 16M) leads to the increase about

15% of the ultrasonic pulse velocity in the same curing condition. The

experimental results were analysed and created the array of values used to

build the model of Linear Regression (LR) and Artificial Neural Network

(ANN). Then, the correlations between curing conditions, concentration of

NaOH and compressive strength, speed of transmission, characterization of

the rebound hammer were established to predict the value of compressive

strength. The prediction values from two models were compared and

evaluated the efficacy by R2 and SSE (Sum of Square Error). The results

showed ANN model predicted the compressive strength better than LR.

However, the LR model proved effeciency through quick and simple

predictability by using a pre-designed checklist. In addition, during the

analyse process by ANN, the model also allows to determine the degree

of significance of these factors to the compressive strength, whereas

temperature curing is the most important factor with more than 50%.

ix

MỤC LỤC

QUYẾT ĐỊNH GIAO ĐỀ TÀI....................................................................................i

QUYẾT ĐỊNH THAY ĐỔI TÊN ĐỀ TÀI.................................................................ii

XÁC NHẬN GIÁO VIÊN HƯỚNG DẪN...............................................................iii

LÝ LỊCH KHOA HỌC.............................................................................................. iv

CAM ĐOAN....................................................................... ........................................v

LỜI CẢM ƠN............................................................................................................vi

TÓM TẮT.................................................................................................................vii

MỤC LỤC...................................................................................................................ix

DANH MỤC HÌNH..................................................................................................xii

DANH MỤC BẢNG.................................................................................................xv

Chương 1: TỔNG QUAN................................................................................ 1

1.1 Sự cần thiết của đề tài nghiên cứu .............................................................. 1

1.2 Tình hình nghiên cứu................................................................................ 5

1.2.1 Khái niệm về Geopolymer .................................................................. 5

1.2.2 Tình hình nghiên cứu ngoài nước......................................................... 7

1.2.3 Tình hình nghiên cứu trong nước ....................................................... 11

1.2.4 Vị trí của đề tài nghiên cứu ............................................................... 12

1.3 Mục tiêu đề tài ....................................................................................... 12

1.4 Đối tượng và phạm vi nghiên cứu ............................................................ 12

1.5 Phương pháp nghiên cứu ........................................................................ 13

1.6 Nội dung nghiên cứu .............................................................................. 13

1.7 Ý nghĩa khoa học và thực tiễn của đề tài .................................................. 13

Chương 2: CƠ SỞ LÝ THUYẾT .................................................................. 14

2.1 Bê tông Geopolymer .............................................................................. 14

x

2.1.1 Thành phần chính tạo chất kết dính GPC ............................................ 14

2.1.1.1 Tro bay ...................................................................................... 14

2.1.1.2 Dung dịch kiềm Alkaline Silicate ................................................. 16

2.1.2 Chất kết dính Geopolymer ................................................................ 16

2.1.3 Phương pháp thiết kế cấp phối GPC ................................................... 20

2.2 Phương pháp xác định cường độ bê tông .................................................. 23

2.2.1 Phương pháp phá hoại mẫu ............................................................... 23

2.2.2 Phương pháp không phá hoại mẫu ..................................................... 24

2.2.2.1 Sử dụng súng bật nẩy .................................................................. 24

2.2.2.2 Sử dụng súng bật nẩy kết hợp sóng siêu âm .................................. 26

2.3 Phương pháp xử lý số liệu....................................................................... 32

2.3.1 Mô hình hồi quy tuyến tính (LR) ....................................................... 32

2.3.2 Mô hình mạng thần kinh nhân tạo (ANN) ........................................... 36

2.3.2.1 Định nghĩa ................................................................................. 36

2.3.2.2 Cấu trúc ANN ............................................................................ 37

2.3.2.3 Thuật toán lan truyền ngược ........................................................ 44

2.3.2.4 Xác định số lớp ẩn, số lượng neural trong mỗi lớp và dữ liệu huấn

luyện .................................................................................................... 49

Chương 3: NGUYÊN VẬT LIỆU VÀ PHƯƠNG PHÁP THÍ NGHIỆM ........ 51

3.1 Nguyên liệu sử dụng............................................................................... 51

3.1.1 Tro bay ........................................................................................... 51

3.1.2 Sodium silicate (Na2SiO3) ................................................................. 52

3.1.3 Sodium hydroxide (NaOH) ............................................................... 52

3.1.4 Cốt liệu lớn...................................................................................... 53

xi

3.1.5 Cốt liệu nhỏ ..................................................................................... 54

3.2 Cấp phối bê tông .................................................................................... 55

3.2.1 Thí nghiệm cấp phối mẫu bê tông ...................................................... 55

3.2.2 Xác định cấp phối ............................................................................ 55

3.3 Quy trình thí nghiệm mẫu ....................................................................... 55

3.4 Xây dựng mô hình ANN cho bài toán tiên lượng cường độ GPC ................ 61

Chương 4: KẾT QUẢ VÀ THẢO LUẬN ...................................................... 64

4.1 Kết quả thí nghiệm ................................................................................. 64

4.2 Phân tích đánh giá .................................................................................. 65

4.2.1 Ảnh hưởng của nồng độ dung dịch NaOH đến cường độ chịu nén và vận

tốc........................................................................................................... 65

4.2.2 Ảnh hưởng của điều kiện dưỡng hộ đến cường độ chịu nén và vận tốc .. 68

4.3 Xác định cường độ chịu nén GPC bằng phương pháp không phá hoại ......... 70

4.4 Đánh giá hiệu quả ước tính cường độ chịu nén GPC bằng mô hình ANN .... 74

Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI........................ 79

5.1 Kết luận ................................................................................................ 79

5.2 Hướng phát triển đề tài ........................................................................... 80

TÀI LIỆU THAM KHẢO ............................................................................. 81

xii

DANH MỤC HÌNH Hình 1.1 Đặc tính ít tỏa nhiệt GPC (J. Davidovits, 2002)...................................... 2

Hình 1.2 Chi phí cho việc xử lý khí thải của các ngành công nghiệp xây dựng ....... 2

Hình 1.3 Lượng khí thải khi sử dụng GPC và OPC (Louise K. Turner, 2013) ......... 3

Hình 1.4 Phế phẩm mẫu nén (Đại học sư phạm kỹ thuật TP.HCM) ....................... 3

Hình 1.5 Công trình đặt biệt và công trình hiện hữu (nguồn Internet) .................... 4

Hình 1.6 Công trình sử dụng GPC lần đầu tiên năm 2013 ..................................... 8

Hình 1.7 Sự phát triển công nghệ Geopolymer trên thế giới (Davidovits, 2016)...... 8

Hình 1.8 Công trình sử dụng GPC gần đây nhất năm 2015 cùng giáo sư Joseph

Davidovits ....................................................................................................... 9

Hình 2.1 Thành phần trong GPC (Vijaya Rangan, 2014) .................................... 14

Hình 2.2 Tro bay loại C và loại F (nguồn internet) ............................................. 15

Hình 2.3 Cấu trúc vi mô của Geopolymer (J. Davidovits, 2002) .......................... 17

Hình 2.4 Cấu trúc vi mô của Geopolymer dưới kính hiển vi ............................... 17

Hình 2.5 Quá trình Geopolymer hóa (J. Davidovits, 2015) ................................ 19

Hình 2.6 So sánh quá trình tạo chất kết dính giữa Portland cement và Gel polymer

Hình 2.7 Ứng dụng của geopolymer dựa vào cấu trúc hóa học ........................... 20

Hình 2.8 Ảnh hưởng tỷ lệ dung dịch ankali/tro bay và nhiệt độ dưỡng hộ đến cường

độ chịu nén của GPC (Cherdsak Suksiripattanapong, 2015) ................................ 22

Hình 2.9 Ảnh hưởng tỷ lệ Na2SiO3/NaOH và nhiệt độ dưỡng hộ đến cường độ chịu

nén của GPC (Hardjito và Rangan, 2005) ......................................................... 22

Hình 2.10 Mẫu thí nghiệm kích thước 150 x 150 x150 mm ................................ 23

Hình 2.11 Mẫu nén bị phá hoại thực tế ............................................................. 24

Hình 2.12 Súng bật nẩy ................................................................................... 24

Hình 2.13 Bảng tra súng bật nẩy (TCVN 9334:2012) ......................................... 25

Hình 2.14 Hình thức lan truyền sóng trong chất rắn (Tekin Yılmaz, 2014) ........... 26

Hình 2.15 Biểu đồ xác định cường độ bê tông tiêu chuẩn (TCVN 9335:2012) ...... 28

Hình 2.16 Thiết bị siêu âm đo vận tốc truyền sống............................................. 30

xiii

Hình 2.17 Nguyên lý làm việc máy siêu âm (Tekin Yılmaz, 2014) ...................... 30

Hình 2.18 Màn hình hiển thị thời gian truyền sóng ............................................ 31

Hình 2.19 Thước đo chiều dài mẫu................................................................... 31

Hình 2.20 Phổ sóng siêu âm mẫu bê tông có chiều dài 200mm ........................... 32

Hình 2.21 Bảng tổng hợp các mô hình hồi quy trên cơ sở phương pháp OLS ....... 34

Hình 2.22 Ý nghĩa mô hình LR đa biến (nguồn internet) .................................... 35

Hình 2.23 Mô hình LR đa biến ........................................................................ 36

Hình 2.24 Tương quan giữa một neural sinh học và neural nhân tạo .................... 36

Hình 2.25 Hoạt động đơn giản một neural (David Kriesel, 2007) ........................ 37

Hình 2.26 Cấu trúc mạng ANN được sử dụng phổ biến ...................................... 38

Hình 2.27 So sánh mô hình LR (Sarle, 1994) .................................................... 39

Hình 2.28 Cấu trúc (Y. hwang, 2002) ............................................................... 40

Hình 2.29 Nhóm hàm và hàm được sử dụng phổ biến (nguồn internet) ................ 42

Hình 3.1 Nguyên vật liệu sử dụng đúc mẫu ....................................................... 51

Hình 3.2 Biểu đồ thành phần hạt của đá dăm ..................................................... 53

Hình 3.3 Biểu đồ thành phần hạt cát sử dụng..................................................... 54

Hình 3.4 Bê tông sau khi trộn và thiết bị trộn .................................................... 56

Hình 3.5 Khuôn tạo mẫu và mẫu sau khi tháu khuôn.......................................... 56

Hình 3.6 Lò sấy mẫu ....................................................................................... 58

Hình 3.7 Chia lưới tọa độ trên mẫu .................................................................. 58

Hình 3.8 Thí nghiệm siêu âm mẫu.................................................................... 59

Hình 3.9 Thí nghiệm súng bật nẩy.................................................................... 59

Hình 3.10 Thí nghiệm nén mẫu ........................................................................ 59

Hình 3.11 Quy trình thí nghiệm ....................................................................... 60

Hình 4.1 Mối tương quan giữa cường độ chịu nén và nồng độ dung dịch NaOH khi

dưỡng hộ ở 1000C........................................................................................... 66

Hình 4.2 Mối tương quan giữa UPV và nồng độ dung dịch NaOH khi dưỡng hộ ở

1000C ............................................................................................................ 67

Hình 4.3 Cấu trúc hạt tro bay dưới các nồng độ NaOH khác nhau ....................... 68

xiv

Hình 4.4 Mối quan hệ giữa cường độ chịu nén và điều kiện dưỡng hộ với nồng đô

dung dịch NaOH 14M ..................................................................................... 69

Hình 4.5 Mối tương quan giữa UPV và điều kiện dưỡng hộ với nồng độ dung dịch

NaOH 14M .................................................................................................... 70

Hình 4.6 Mối quan hệ giữa vận tốc và cường độ chịu nén GPC........................... 71

Hình 4.7 Biểu đồ xác định cường độ chịu nén GPC ........................................... 72

Hình 4.8 Đồ thị các hàm số đề xuất .................................................................. 73

Hình 4.9 So sánh kết quả thực nghiệm với tính toán theo hàm bậc nhất ............... 74

Hình 4.10 Giá trị tiên lượng của mô hình ANN-12-4-3-1 và LR.......................... 78

Hình 4.11 Kết quả phân tích thứ hạng thể hiện mức độ ảnh hưởng của 3 yếu tố trong

mô hinh ANN 12-4-3-1 lớp ẩn ......................................................................... 78

xv

DANH MỤC BẢNG

Bảng 2.1 Thành phần vật lý của tro bay ............................................................ 16

Bảng 2.2 Ảnh hưởng của nồng độ Mol và tỷ lệ TTL với NaOH .......................... 21

Bảng 2.3 Bảng xác định cường độ nén tiêu chuẩn .............................................. 29

Bảng 2.4 Bảng thuật ngử mô hình LR thường được sử dụng ............................... 33

Bảng 3.1 Thành phần hóa của tro bay ............................................................... 52

Bảng 3.2 Các chỉ tiêu cơ lý của đá sử dụng ....................................................... 53

Bảng 3.3 Thành phần hạt của đá ...................................................................... 53

Bảng 3.4 Các chi tiêu cơ lý của cát sử dụng ...................................................... 54

Bảng 3.5 Thành phần hạt của cát ...................................................................... 55

Bảng 3.6 Cấp phối bê tông Geopolymer. Đơn vị tính kg/m3................................ 55

Bảng 3.7 Thời gian và nhiệt độ dưỡng hộ ......................................................... 57

Bảng 3.8 Ký hiệu các mô hình ANN ................................................................ 63

Bảng 4.1 Kết quả thí nghiệm ........................................................................... 64

Bảng 4.2 Giá trị được chọn theo TCVN 4548 : 2009 .......................................... 71

Bảng 4.3 Một số hàm hồi quy đề xuất............................................................... 72

Bảng 4.4 Bộ trọng số mô hình ANN 12-4-3-1 ................................................... 74

Bảng 4.5 Kết quả tiên lượng của mô hình ANN................................................. 75

Bảng 4.6 Giá trị R2, SSE của ANN & LR ......................................................... 76

Bảng 4.7 Kết quả tiên lượng của mô hình ANN và LR ....................................... 77

1

Chương 1

TỔNG QUAN

1.1 Sự cần thiết của đề tài nghiên cứu

Sự nóng lên toàn cầu do hiệu ứng nhà kính, mà phần lớn khoảng 65% do hoạt

động của con người thải vào bầu khí quyển lượng carbon dioxit CO2 Theo

(SalawuOS, 1997). Trong đó các ngành công nghiệp xi măng toàn cầu chiếm 7% -

1,35 tỷ tấn khí thải mỗi năm (SalawuOS, 1997) vì sản xuất một tấn OPC thì thải ra

môi trường khoảng một tấn CO2. L.Krishnan (2014) đã khẳng định có thể lượng khí

thải sẽ tăng hơn 50% lượng khí thải cho phép hiện tại. Theo thống kê của Bộ Xây

dựng, tổng công suất các nhà máy xi-măng của nước ta đạt khoảng 81,5 triệu tấn,

trong khi năm 2016 dự kiến tiêu thụ tăng 5 - 7% so với năm 2015 đạt khoảng 75 -

76 triệu tấn. Như vậy lượng xi măng sử dụng ngày một tăng, đồng nghĩa với việc

lượng khí thải cũng tăng theo mức tiêu thụ. Điều này đặc ra một thách thức cho

ngành công nghiệp xi măng để sản xuất ra đủ lượng xi măng cần thiết, đáp ứng nhu

cầu xây dựng, nguồn nguyên liệu chính tạo nên bê tông. Để giải quyết vấn đề này,

bê tông sử dụng công nghệ geopolymer là một bước tiến đột phá, không những đáp

ứng được nhu cầu vật liệu mà còn giải quyết được vấn đề môi trường sống con

người đang bị ô nhiễm bởi khí thải và các phế phấm chưa xử lý triệt để.

Bên cạnh đó, lượng phế phẩm công nghiệp chưa qua xử lý hay còn tồn động còn

rất lớn. Theo khảo sát, lượng tro bay phế phẩm trên thế giới là khoảng 780 triệu tấn

mỗi năm nhưng sử dụng chỉ khoảng 17-20% (J. Davidovits, 2002). Riêng ở Việt

Nam, theo thống kê cho thấy, tổng công suất các nhà máy nhiệt điện đốt than trong

nước hiện nay khoảng 4800MW, sản lượng tro xỉ thải là 4,8 triệu tấn/năm. Lượng

tro bay này khi thảy vào môi trường nó ảnh hưởng trực tiếp đến sức khỏe và môi

trường sống của con người.

Thông qua việc sử dụng tro bay để chế tạo bê tông geopolymer (GPC) góp phần

làm giảm chi phí xử lý.

2

Sử dụng vật liệu mới với chi phí thấp, thân thiện môi trường, giảm khả năng gây

hiệu ứng nhà kính từ 26-45% so với bê tông xi măng thông thường, mà vẫn có được

những ưu điểm của xi măng truyền thống, thậm chì còn tối ưu hơn như: dễ đạt

cường độ trong thời gian ngắn, tính thấm của bê tông sử dụng geopolymer cũng

thấp, tính chịu nhiệt cao rất phù hợp nhu cầu chống cháy của công trình và hơn hết

là khả năng chống lại khả năng ăn mòn bởi axit (Tống Tôn Kiên, 2009).

Hình 1.1 Đặc tính ít tỏa nhiệt GPC (J. Davidovits, 2002)

Mặt khác, việc sử dụng chất kết dính geopolymer thay thế xi măng truyền thống

nhằm hạn chế việc khai thác tài nguyên thiên nhiên điều này rất phù hợp với xu

hướng vật liệu xanh của thế giới.

Hình 1.2 Chi phí cho việc xử lý khí thải của các ngành công nghiệp xây dựng

(J. Davidovits, 1994)

3

Hình 1.3 Lượng khí thải khi sử dụng GPC và OPC (Louise K. Turner, 2013)

Khi sử dụng phương pháp phá hoại mẫu, gây ô nhiễm do thải ra môi trường số

lượng lớn mẫu thử đó là các phế phẩm, tốn kém chi phí xử lý mà còn không kinh tế

trong việc sử dụng và bảo trì thiết bị do làm việc trong môi trường chịu ứng suất lớn

từ việc nén mẫu, trong suốt thời gian tồn tại.

Hình 1.4 Phế phẩm mẫu nén (Đại học sư phạm kỹ thuật TP.HCM)

Việc sử dụng phương pháp không phá hoại mẫu (Non-destructive test, NDT)

giảm được chi phí sản xuất mẫu và hạn chế được lượng bê tông phế phấm do nén

phá hoại mẫu, mà còn phù hợp với nhu cầu xác định cường độ với cấu kiện lớn

4

được đúc tại chỗ với khối lượng kiểm tra và số lượng khoang lấy mẫu nhiều. Bên

cạnh đó phạm vi ứng dụng nó còn được mở rộng trong việc kiểm định các công

trình hiện hữu, cần đánh giá chất lượng hay các công trình đòi hỏi mức độ an toàn

cao nhất như nhà máy điện hạt nhân hay trong lĩnh vực hàng không, xưởng hóa chất

nguy hiểm. Với nhiều bước tiến vượt bật trong công nghệ và được sự hỗ trợ của các

thiết bị hiện đại, việc kiểm tra cường độ với mức độ chính xác ngày càng cao, nên

việc ứng dụng phương pháp không phá hoại mẫu như điều tất yếu trong việc

nghiệm thu và đánh giá mức độ hoàn thiện sản phẩm.

Hình 1.5 Công trình đặt biệt và công trình hiện hữu (Đập thủy điện Yaly)

Cùng với sự phát triển của phương pháp NDT, kết hợp với các mô phỏng

hiện đại, giúp việc xác định cường độ bê tông trở nên chính xác, giảm thời gian và

nhân lực thực hiện mà còn loại bỏ được những sai sót trong công tác thi công.

Trong đó mô hình Artificial Neural Networks (ANN) là một công cụ mạnh trong

lớp bài toán tiên lượng. ANN trong thời gian gần đây đã được nhiều người quan tâm

và áp dụng thành công trong nhiều lĩnh vực khác nhau, như tài chính, y tế, địa chất

và vật lý. Bất cứ ở đâu có vấn đề về dự báo, phân loại và điều khiển, ANN đều có

thể ứng dụng được. Sự thành công nhanh của ANN là do một số nhân tố chính sau:

� Tính ưu việc so với thống kê truyền thống: mô hình ANN sử dụng các thuật

toán mô phỏng tinh vi, có khả năng thiết lập các hàm phức tạp. Đặc biệt,

ANN giải quyết được các mối quan hệ phi tuyến, với lớp bài toán số biến

gấp nhiều lần số đối tượng quan sát, thí nghiệm. Trong khi đó, hầu hết các

phân tích thống kê truyền thống chỉ được thiết kế để giải quyết được các

trường hợp số biến ít hơn số đối tượng quan sát.

5

� Thân thiện với người sử dụng: ANN có khả năng thu thập các thông tin từ dứ

liệu quá khứ, sau đó gọi các thuật toán huấn luyện (Training) để có thể tự

phân loại, xác định cấu trúc của dữ liệu. Từ đó đưa ra mô hình phù hợp để

tiên lượng các giá trị mong muốn.

1.2 Tình hình nghiên cứu

1.2.1 Khái niệm về Geopolymer

Vật liệu geopolymer được chế tạo nhờ vào quá trình polymer hóa nguyên

liệu alumino – silicat trong môi trường kiềm do giáo thư Joseph Davidovits đưa ra

năm 1979. Theo Joseph Davidovits "Bất kỳ một nguyên vật liệu nào có chứa oxide

silic và oxide nhôm đều có thể sử dụng để tạo ra vật liệu geopolymer".

Sự tạo thành cấu trúc cường độ sau quá trình gia nhiệt thích hợp sẽ giúp cho

vật liệu có tính chất cơ học như bê tông xi măng. Khi vật liệu geopolymer chịu tác

dụng của nhiệt độ, bên trong vật liệu diễn ra sự thay đổi pha bao gồm sự phát triển

tinh thể, sự khử nước và phân hủy vữa geopolymer. Quá trình thay đổi có ảnh

hưởng đến tính chất cường độ của vật liệu geopolymer.

1.2.2 Hoạt động của ANN

Mô hình ANN mô phỏng cách các khớp thần kinh làm việc trong não người.

Chức năng cảm ứng của neural sinh học, nhận xung thần kinh dưới dạng các tín

hiệu hóa học, sau đó sử dụng một loạt xác nhận logic để thực hiện một nhiệm vụ.

Mạng neural (Neural networks, NN) lại sử dụng một mạng lưới các nút (hoạt động

như tế bào thần kinh) và các cạnh (hoạt động như các khớp thần kinh) để xử lý dữ

liệu. Dữ liệu đầu vào sẽ chạy qua toàn bộ hệ thống và một loạt kết quả dự báo được

tạo ra.

1.2.3 Lịch sử phát triển của ANN

Cuối thế kỷ 19, đầu thế kỷ 20, một số nghiên cứu về vật lý, tâm lý và hệ thần

kinh của các nhà khoa học Herman, Ernst Mach và Ivan Ivalov đã đưa ra các lý

thuyết về quá trình học, sự tưởng tượng, sự quyết định... của hệ thần kinh nhưng

chưa có sự mô tả toán học cho hoạt động của NN

6

Năm 1943, mô hình đơn giản NN bằng mạch điện tử lần đầu tiên được đưa

ra bởi Warren McCulloch và Walter Pits cùng với sự khẳng định NN nhân tạo về

nguyên lý có thể thực hiện được trong phạm vi tính toán các hàm số học và logic.

Đây là điểm khởi đầu của lĩnh vực NN.

Sau đó Donal Hebb đưa ra một cơ chế giải thích cho quá trình học

(Learning) diễn ra trong các neural sinh học (trong cuốn Organnization of

Behaviaor, 1949).

Cuối thập niên 50, ứng dụng thực tế đầu tiên của ANN do Frank Rosenblatt

đưa ra. Mạng của ông đưa ra là mạng Perceptron có kết hợp luật học (Learning rule)

dùng để nhận dạng mẫu (Pattern recognition). Cùng thời gian đó, Bernard Widrow

và Ted Hoff giới thiệu một thuật toán học (Learning algorithm) và sử dụng nó để

huấn luyện (training) các NN tiếp hợp tuyến tính (tương tự mạng của Rosenblatt).

Năm 1969, Minskey và Papert là hai nhà toán học nổi tiếng thời đó đã chỉ ra

những hạn chế của mạng Perceptron của Rosenblatt và mạng Widrow- Hoff làm

nhiều người nghĩ rằng nghiên cứu về NN sẽ vào ngõ cụt. Hơn nữa vào thời gian này

chưa có những máy tính số mạnh để thực nghiệm NN nên các nghiên cứu về mạng

nơ-ron bị trì hoãn gần một thập kỷ.

Năm 1972, Teuvo Kohonen và James Anderson độc lập phát triển các NN

mới với năng lực nhớ (Memory) và khả năng tự tổ chức (Self- organizing). Cũng

trong giai đoạn này,Stephen Grossberg cũng nghiên cứu tích cực về các mạng tự tổ

chức.

Sang thập kỷ 80, khi ngành công nghiệp máy tính phát triển mạnh mẽ thì

những nghiên cứu về NN tăng lên một cách đột ngột. Có hai phát kiến quan trọng

nhất là:

� Sử dụng cơ học thống kê để giải thích hoạt động của mạng hồi qui một lớp

(Recurrent network), loại mạng được sử dụng như một bộ nhớ kết hợp, được

nhà vật lý John Hopfield mô tả.

� Sử dụng thuật toán lan truyền ngược (Backpropagation Algorithm) để huấn

luyện mạng với cấu trúc nhận thức đa lớp (Multilayer perceptron). David

7

Rumelhalt và James McClrlland là những người trình bày thuật toán lan

truyền ngược có ảnh hưởng nhất (1968).

1.2.2 Tình hình nghiên cứu ngoài nước

Ngành Công nghệ vật liệu Geopolymer ra đời từ những năm 1960, nhưng

được quan tâm và nghiên cứu nhiều hơn từ những năm 1972 đến nay. Hiện tại, đã

có rất nhiều bằng sáng chế, nghiên cứu và ứng dụng Geopolymer vào các ngành

công nghệ vật liệu hiện đại (vật liệu cách nhiệt, vật liệu chống cháy, chất kết dính

vô cơ, công nghệ xử lý chất thải…) được giới thiệu và ứng dụng trên toàn thế giới.

Trước đó, vào năm 1940 tác giả Purdon đã nghiên cứu bằng cách sử dụng xỉ

lò cao được kích hoạt dung dịch hyroxit natri. Theo ông quá trình phát triển cấu trúc

gồm 2 bước: trước tiên xảy ra quá trình giải phóng các hợp nhất nhôm – silic và

hydroxit canxi. Sau đó xảy ra sự hydrat hóa nhôm và silic đồng thời tái tạo dung

dịch kiềm.

Cấu trúc hóa học của geopolymer tương tự như vật liệu ziotit trong tự nhiên

nhưng cấu trúc ở dạng vô định hình thay vì dạng tinh thể (Polano, 1999).

Palomo, Grutzeck và Blanco (1999), khi nghiên cứu về ảnh hưởng của điều

kiện dưỡng hộ và tỷ lệ dung dịch alkali/tro bay đến cường độ cho thấy cả thời gian

và nhiệt độ dưỡng hộ đều ảnh hưởng đến cường độ bê tông. Sữ kết hợp giữa thủy

tinh lỏng và dung dịch NaOH tạo nên cường độ đến 60MPa khi dưỡng hộ ở nhiệt độ

850C với thời gian 5 giờ.

Van Jaarsveld (2002), khi nghiên cứu về các đặc tính của geopolymer do ảnh

hưởng của sự hòa tan không hoàn toàn giữa các vật liệu trong quá trình geopolymer

hóa cho rằng hàm lượng nước, thời gian và nhiệt độ dưỡng hộ ảnh hưởng đến đặc

tính của geopolymer.

Một nghiên cứu khác về vật liệu geopolymer (High – Akali – Poly) đã cho

thấy ứng dựng trong nhiều ngành kỹ thuật như : Hàng không, xây dựng, công

nghiệp chất dẻo. Kết quả nghiên cứu chỉ ra rằng chất kết dính mới này đóng rắn

nhanh với nhiệt độ phòng, cường độ chịu nén có thể đạt tới 20 MPa sau 4 giờ ở

8

nhiệt độ 2000C và có thể đạt từ 70 đến 100 MPa sau khi bảo dưỡng 28 ngày

(Davidovits, 1999).

Hình 1.6 Công trình sử dụng GPC lần đầu tiên năm 2013

John L.Provis và Jannie S. J. van Deventer (2014), xuất bản ấn phẩm cấu

trúc, công nghệ, đặc tính và ứng dụng của Geopolymer với nội dung xoay quanh

cấu trúc tinh thể vữa geopolymer, từ đó đánh giá được đặc tính cũng như ứng dụng

loạt vật liệu này trong đời sống, sản xuất công nghiệp.

N.A.Lloyd và B.V.Rangan (2010), đã trình bày đặc tính hỗn hợp GPC, cách

thiết kế một mẻ bê tông Gepolymer, về các sản phẩm bê tông đúc sẳn, sự đóng góp

của GPC đối với phát triển.

Benny Joseph, George Mathew (2012), dựa trên các nghiên cứu thực hiện,

khẳng định rằng GPC khi được tổng hợp từ cốt liệu, điều kiện dưỡng hộ và hàm

lượng dung dịch thích hợp, sẽ chế tạo được bê tông có chất lượng tốt hơn OPC.

Hình 1.7 Sự phát triển công nghệ Geopolymer trên thế giới (Davidovits, 2016)

9

Jee Sang Kim, Tae Hong Kim (2015), với các nghiên cứu xoay quanh đến sự

thay đổi vận tốc xung siêu âm và tần số cao đối với cấu kiện GPC chịu tải trọng tĩnh

với các cấp tải khác nhau để thấy rõ mối quan hệ giữa các cấp tải với tần số, qua các

dữ liệu thực nghiệm tiên đoán phương trình cường độ nén của GPC.

Tomasz Gorzelańczyk, Jerzy Hoła, Łukasz Sadowski, Krzysztof Schabowicz

(2016), trình bày vị trí xác định các vết nức của tường bê tông khối lớn thông qua

siêu âm cắt lớp, kết hợp phương pháp NDT đối với công trình đập thủy điện.

Hình 1.8 Công trình sử dụng GPC gần đây nhất năm 2015 cùng

giáo sư Joseph Davidovits

Jerzy Hola (2005), báo cáo đi sâu phân tích, các thông số liên quan đến lý

thuyết thống kê khi mô hình ANN thực hiện từ giai đoạn huấn luyện đến kiểm tra

kết quả. Phần lớn các dữ liệu đầu vào được sử dụng dựa trên thực nghiệm xác định

cường độ chịu nén bằng phương pháp NDT. Cường độ dự báo từ mô hình đạt từ 24

đến 105 MPa, giá trị có được từ mô hình so với tiêu chuẩn phân tích thống kê rất

phù hợp, điều này cho thấy kết quả dự báo sát với thực tế.

10

Gregor Trtnik (2008), dựa trên các nghiên cứu thực nghiệm xác định cường

độ chịu nén bê tông bằng NDT, tác giả thiết lập mô hình ANN trong môi trường

Matlab để đưa ra các mối quan hệ giữa vận tốc siêu âm với cường độ chịu nén,

modulus động Young và modulus lực cắt. Mô hình ANN này có xét đến yếu tố ảnh

hưởng bao gồm vật liệu đầu vào, tỷ lệ nước/xi măng và điều kiện dưỡng hộ. Nhờ

kết quả đạt được từ mô hình, dễ dàng xác định cường độ bê tông khi kết hợp vận tốc

siêu âm với thông số đầu vào, mà vẫn đạt độ tin cậy cao.

Salim T. Yousif (2009), với sự thành công trong nghiên cứu, khi áp dụng mô

hình ANN để dự đoán cường độ chịu nén bê tông dựa trên cấp phối, kích thước hạt

cốt liệu và độ sụt. Các dữ liệu nạp vào mô hình, được tác giả sử dụng từ các nghiên

cứu trước đây và kết quả tiên lượng từ mô hình có mức độ sai lệch ít hơn 10% so

với giá trị thực nghiệm. Bên cạnh đó, nghiên cứu cho thấy, mức độ sai khác kết quả

tiên lượng giữa các lần học của mô hình từ 20 đến 80% mà trong đó tỷ lệ nước/xi

măng là yếu tố ảnh hưởng lớn nhất đến kết quả đầu ra của mô hình. Từ các kết quả

đạt được nói trên, tác giả khẳng định rằng, mô hình ANN rất có tiềm năng trong

việc dự đoán cường độ của bê tông.

Warren S. Sarle (1994), tác giả so sánh một cách tổng quát, giữa mô hình hồi

quy tuyến tính truyền thống với mô hình ANN hiện đại, được xây dựng theo cấu

trúc Multilayer perceptrons. Sự so sánh này dựa trên các tiêu chuẩn của phân tích

thống kê. Kết quả cho thấy, hai mô hình có mối quan hệ mật thiết từ các thật ngữ,

tiến trình thực hiện cho đến nguyên tắc hoạt động của mô hình.

Inna Boldina (2015), nghiên cứu nhấn mạnh vào các kỹ thuật phân tích và

yếu tố ảnh hưởng, kèm theo những điều kiện ràng buộc xoay quanh mô hình hồi

quy tuyến tính. Đưa ra những giả định, để áp dụng mô hình vào trong thực tế, đối

với công tác dự báo trong lĩnh vực hệ sinh thái biển. Đánh giá trong nghiên cứu dựa

trên dựa trên R2 và giá trị p.

Ngoài những công trình khẳng định tính ưu việt, cũng có những công trình

nêu ra những hạn chế của mô hình ANN. Zhang và cộng sự (1998) khẳng định mô

hình ANN chỉ dự báo tốt cho trường hợp phi tuyến còn đối với những mối quan hệ

11

tuyến tính, mô hình ANN dự báo không tốt bằng mô hình hồi quy tuyến tính. Trong

một nghiên cứu khác của Binner và cộng sự (2010) nhóm tác giả kết luận mô hình

KRLS dự báo tốt hơn mô hình ANN trong lĩnh vực kinh tế, tài chính. Ngoài ra,

nghiên cứu của Zhang (2003); Khashei & Bijari (2011) còn kết luận thêm mô hình

lai tạo (hybrid model) giữa ANN và ARIMA cho ra kết quả dự báo tốt hơn khi sử

dụng những mô hình này đơn lẻ.

Nhìn chung, có nhiều kết luận khác nhau liên quan đến hiệu quả dự báo của

mô hình ANN tùy thuộc vào từng quốc gia và tùy thuộc vào bộ dữ liệu mà nhà

nghiên cứu sử dụng.

1.2.3 Tình hình nghiên cứu trong nước

Ở Việt nam, từ những năm 2008 đã có khá nhiều đề tài khoa học nghiên cứu

và ứng dụng công nghệ này. Lần đầu tiên công nghệ geopolymer được ứng dụng

chủ yếu là để tận dụng nguồn phế phẩm công nghiệp là tro bay của các nhà máy

nhiệt điện, tro bay được thiết kế trong thành phần của bê tông, được ứng dụng vào

công nghệ chế tạo các loại mặt đường cứng (đường ô tô, đường sân bay…). Ngoài

ra, công nghệ Geopolymer còn được sử dụng để ổn định, xử lý và tận dụng chất thải

boxite từ các quặng khai thác nhôm để chế tạo gạch không nung và đóng rắn nền

đường (Phạm Huy Khang, 2002).

Hiện nay, vật liệu đất sét được tổng hợp theo công nghệ Geopolymer đang là

đề tài được rất nhiều giáo viên và sinh viên ở các trường đại học nước ta quan tâm

và nghiên cứu, tạo nên nhiều sản phẩm hữu ích vừa có giá trị kinh tế vừa góp phần

bảo vệ môi trường bền vững hơn, phải kể đến:

Tống Tôn Kiên (2009), đã trình bày những thành tựu nổi bật, các mốc thời

gian phát triển của chất kết dính hoạt hóa kiềm, quá trình hình thành cấu trúc GPC,

các đặc tính và ứng dụng của GPC.

Vũ Huyền Trân và Nguyễn Thị Thanh Thảo (2009), đã giới thiệu về quy

trình chế tạo của loại vật liệu tổng hợp từ bùn đỏ và tro bay và đồng thời ngiên cứu

các yếu tố ảnh hưởng đến tính chất của loại vật liệu này trên cơ sỡ Geopolymer hóa

tro bay và bùn đỏ.

12

Phạm Hữu Lê Quốc Phục (2010), nghiên cứu lý thuyết ứng dụng ANN trong

môi trường ngôn ngữ lập trình C++ cho bài toán dự đoán và phân loại, bao gồm hai

bài toán đặt ra là dự đoán tiêu thụ theo chuỗi thời gian kèm tham số ngữ cảnh và bài

toán đánh giá tài chính cá nhân.

Nguyễn Sĩ Dũng (2008), báo cáo trình bày một thuật toán về huấn luyện

mạng neuron được phát triển từ phương pháp Newton và thuật toán Levenberg-

Marquardt mang tên thuật toán T3. Kết quả mô phỏng cho thấy thuật toán T3 có tốc

độ hội tụ trung bình cao hơn tốc độ hội tụ của thuật toán Gauss-Newton và

LevenbergMarquardt: thời gian hội tụ và số vòng lặp trung bình nhỏ hơn.

Nguyễn Sĩ Dũng và Lê Hoài Quốc (2006), bài báo giới thiệu hai thuật toán

mới mang tên thuật toán TT* và thuật toán TT** về huấn luyện mạng neuron dựa

trên phương pháp Conjugate Gradient (CG) với mục tiêu đặt ra là tăng tốc độ hội tụ

tìm kiếm điểm cực tiểu hàm sai số, khi thuật toán TT* vượt khỏi các điểm cự trị địa

phương nhằm tiệm cận tới điểm cực trị toàn cục của quá trình huấn luyện mạng.

Nguyễn Văn Chức (2008), trình bày lý thuyết tổng quát và toàn diện cấu trúc

một mạng ANN hoàn chỉnh, tuy nhiên chưa đi sâu hay khai thác các lý thuyết ứng

dụng cho một bài toán cụ thể, mà chỉ dừng lại ở các khái niệm và đưa các thuật toán

huấn luyện phù hợp với từng lớp bài toán.

1.2.4 Vị trí của đề tài nghiên cứu

Các bài báo, đề tài ngiên cứu trên trình bày rất chi tiết về vật liệu

Geopolymer, về lịch sử ra đời, công thức tạo mẫu, lý thuyết thí nghiệm, nhưng chưa

có đề tài nào đề cập việc xác định cường độ chịu nén GPC sử dụng kỹ thuật siêu

âm, súng bật nẩy kết hợp mô hình tiên lượng ANN.

1.3 Mục tiêu đề tài

Sử dụng NDT kết hợp mô hình tiên lượng ANN để xác định cường độ chịu

nén GPC

1.4 Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu là các yếu tố ảnh hưởng đến vận tốc truyền sóng,

cường độ chịu nén GPC và cách thức hoạt động mô hình ANN. Nghiên cứu giới

13

hạn cường độ chịu nén GPC trong khoảng 10-35MPa. Sử dụng giá trị vận tốc siêu

âm và súng bật nẩy trong phương pháp NDT. Ứng dụng mô hình ANN và LR trong

bài toán tiên lượng. Phân tích và xử lý số liệu theo phương pháp phân tích thống kê.

1.5 Phương pháp nghiên cứu

Nghiên cứu lý thuyết kết hợp mô phỏng sau đó tiến hành thực nghiệm kiểm

chứng. Xác định cường độ chịu nén bằng cả hai phương pháp, NDT sử dụng kết

hợp máy đo siêu âm, súng bật nẩy và nén trực tiếp phá hoại mẫu để đối chứng.

ANN

1.6 Nội dung nghiên cứu

Nghiên cứu này sử dụng cùng một hàm lượng tro bay với tỷ lệ dung dịch

hoạt hóa không đổi, điều kiện dưỡng hộ nhiệt và nồng độ Alkaline khác nhau để

khảo sát sự phát triển cường độ của bê tông, bằng phương pháp NDT, theo các tiêu

chuẩn hiện hành trong nước. Do các tiêu chuẩn này chỉ hạn chế ở các bảng tra và

biểu đồ nên đề tài chỉ khảo sát cường độ chịu nén GPC trong giới hạn từ 10 đến

35MPa.

Ngoài ra, mô hình ANN được sử dụng để đánh giá mức độ ảnh hưởng các

yếu tố thành phần và điều kiện dưỡng hộ đến tính chất của vật liệu từ đó tiên lượng

được cường độ thông qua các thuật toán trong mô hình. Sau đó, đối chứng với

những kết quả đã thí nghiệm, lựa chọn được cấu trúc tối ưu cho mô hình dự báo,

dựa trên những phân tích và đánh giá trong phương pháp phân tích thống kê.

1.7 Ý nghĩa khoa học và thực tiễn của đề tài

Làm phong phú thêm các kết quả về đặc điểm, tính chất của hỗn hợp GPC.

Bên cạnh đó làm tiền đề cho việc đưa GPC vào trong thực tiễn, đánh giá chất lượng

bê tông tại hiện trường. Đề xuất được cấu trúc mạng ANN phù hợp với mục đích

tiên lượng cho loại bê tông này.

Kết quả nghiên cứu có thể sử dụng trong công tác thiết kế và sản xuất các

thành phần cốt liệu phục vụ trong các lĩnh vực khác nhau. Các kết quả nghiên cứu

cũng có thể làm tài liệu tham khảo cho các đơn vị xây dựng công trình, cho các nhà

quản lý, làm tài liệu giảng dạy đại học và sau đại học.

14

Chương 2

CƠ SỞ LÝ THUYẾT

2.1 Bê tông Geopolymer

2.1.1 Thành phần chính tạo chất kết dính GPC

Chất kết dính được chế tạo nhờ vào quá trình polymer hóa nguyên liệu giàu

aluminosilicate có chứa thành phần oxit Al2O3 và SiO2 dưới tác dụng của nhiệt độ.

Nghiên cứu tận dụng tro bay, vật liệu giàu aluminosilicate, dưới tác dụng của dung

dịch hoạt hóa Alkaline kích hoạt quá trình polymer hóa trong môi trường nhiệt độ

tạo chất kết dính Geopolymer.

Hình 2.1 Thành phần trong GPC (Vijaya Rangan, 2014)

2.1.1.1 Tro bay

Tro bay là một Puzzolan nhân tạo, được thu được từ việc đốt than đá của nhà

máy nhiệt điện. Những hạt bụi được đưa ra qua các đường ống khói sau đó được thu

hồi bằng phương pháp kết sương tĩnh điện hoặc máy thu chuyên dụng bằng phương

pháp lốc xoáy theo J. Davidovits (2002). Thành phần của tro bay là các oxit silic

(SiO2), oxit nhôm (Al2O3), oxit sắt (Fe2O3), canxi oxit (CaO), magie oxit (MgO).

Hàm lượng các thành phần này phụ thuộc vào loại than sử dụng ban đầu và màu sắc

15

của tro bay cũng phụ thuộc vào hàm lượng các hợp chất có trong tro bay. Đường

kính của phần lớn các hạt nằm trong khoảng 1μm đến 20μm và hàm lượng than

chưa cháy (MKN) thường yêu cầu không được vượt quá 5% khối lượng tro bay.

Thành phần hóa và tỉ lệ thành phần hóa học của tro bay được quy định tại

tiêu chuẩn ASTM 618. Theo tiêu chuẩn, tro bay thông dụng có hai loại chủ yếu là

loại F và loại C:

Tro bay loại F: là tro bay được sinh ra từ than anthracite hay bitum, hàm

lượng canxi oxit (CaO ) trong thành phần hóa ít hơn 6%, là loại tro ít canxi, có tính

chất của puzzolan và không có khả năng tự đóng rắn. Mặt khác tro bay loại F có

lượng carbon chưa cháy hơn 2% tính theo lượng mất khi nung. Thành phần khoáng

chủ yếu có quartz, mullite và hematite.

Tro bay loại C: thường chứa hơn 15% canxi oxit (CaO) hay còn gọi là tro

bay giàu canxi. Nó được sử dụng trong công nghiệp bê tông khoảng 20 năm trở lại

đây. Tro bay loại này không chỉ có tính puzzolan mà còn có khả năng tự đóng rắn.

Khi trộn nước tro bay sẽ phản ứng tương tự như trong xi măng Portland. Mức độ tự

đóng rắn phụ thuộc vào canxi oxit (CaO) trong tro bay. Hàm lượng CaO cao nói

chung mức độ đóng rắn của tro bay càng cao. Hàm lượng carbon chưa cháy trong

tro tính theo lượng mất khi nung là ít hơn 1%. Thành phần khoáng chủ yếu là

anhydride, tricanxi aluminat, đá vôi, quartz, periclase, mullite, merwinite và ferrite.

Hình 2.2 Tro bay loại C và loại F (nguồn wikipedia)

16

Bảng 2.1 Thành phần vật lý của tro bay

Thành phần vật lý thí nghiệm

Khối lượng riêng

(g/cm3)

Hàm lượng lọt sàng 0.05 mm

(%)

Chỉ số hoạt tính cường độ

sau 28 ngày (%)

Chỉ số hoạt tính cường độ

sau 7 ngày (%)

Lượng mất sau khi nung

(g)

Tiêu chuẩn áp dụng TCVN 4030-

86

ASTM C311, TCVN

6016-95

ASTM C311, TCVN

6016-95

ASTM C311, TCVN

6016-95

ASTM C311, TCVN 141-98

Tro bay nhà máy

điện Phả lại 2,74 88 85 78,5 4,76

Tro bay nhà máy

điện Formosa 2,4 93,5 90,7 79,6 1,0

2.1.1.2 Dung dịch kiềm Alkaline Silicate

Dung dịch hoạt hóa Alkaline là sự kết hợp giữa sodium hydroxide và sodium

silicate.

Sodium silicate (thủy tinh lỏng) là dung dịch trong suốt, được ứng dụng rộng

rãi trong lĩnh vực chất kết dính, sơn,…Thành phần hóa học của thủy tinh lỏng chủ

yếu là hỗn hợp của M2O (oxit của kim loại alkali, có thể là Na2O, K2O hay Li2O),

SiO2 và nước. Công thức chung có thể viết là M2O.nSiO2.mH2O.

Sodium hydroxide được pha chế từ Natri nguyên chất ở dạng vảy rắn, màu

trắng đục (độ tinh khiết trên 90%) với các nồng độ NaOH khác nhau ứng với từng

tỷ lệ giữa nước và Natri nguyên chất khác nhau.

2.1.2 Chất kết dính Geopolymer (J. Davidovits, 2002)

Trong hỗn hợp Geopolymer, tồn tại hàng loạt những hạt tro bay dạng hình

cầu, với nhiều kích thước khác nhau. Những khối cầu này thường rỗng, đôi khi bên

trong chúng lại chứa những khối cầu khác có kích thước nhỏ hơn. Tác động của

dung dịch kiềm alkaline và quá trình dưỡng hộ nhiệt lên những thành phần này tạo

thành sản phẩm ở trạng thái gel. Sản phẩm dạng gel này lại liên kết với sản phẩm

dạng gel ở những phần tử khác. Kết quả là tạo thành sản phẩm có tính dính kết. Mặt

17

khác có những phần tử tro bay chưa phản ứng và được bao bọc bởi sản phẩm của

quá trình phản ứng, làm những phần tử tro bay này phản ứng rất chậm.

Mô hình quá trình hoạt hóa của dung dịch kiềm alkali đối với tro bay được

minh họa như sau:

Hình 2.3 Cấu trúc vi mô của Geopolymer (J. Davidovits, 2002)

Phản ứng hóa học này xảy ra đầu tiên tại một điểm trên bề mặt của hạt tro

bay, sau đó mở rộng ra tạo thành những lỗ lớn hơn trên bề mặt làm lộ cấu trúc bên

trong hạt tro bay, rỗng hoặc một phần chứa những phần tử nhỏ hơn. Từ đó, sự tác

động của dung dịch kiềm alkali theo hai chiều: từ ngoài vào trong và từ trong ra

ngoài. Do đó, sản phẩm của phản ứng này được sinh ra cả bên trong lẫn bên ngoài

lớp vỏ của hạt tro bay. Cùng lúc đó, dung dịch kiềm alkali cũng đi vào cấu trúc rỗng

của hạt tro và phản ứng với những phần tử nhỏ hơn bên trong hạt tro lớn. Kết quả là

không gian rỗng bên trong được lắp đầy bằng sản phẩm của phản ứng.

Hình 2.4 Cấu trúc vi mô của Geopolymer dưới kính hiển vi

(Ubolluk Rattanasak, 2009)

18

Kết quả của quá trình tích tụ sản phẩm phản ứng là tạo thành lớp sản phẩm

bao bọc một phần những hạt cầu tro bay. Lớp sản phẩm này ngăn cản phần tro bay

bên trong tiếp xúc với dung dịch alkaline. Các phản ứng kế tiếp tạo thành sản phẩm

kết nối lớp sản phẩm trên, xảy ra đồng thời với tác động của môi trường pH qua lớp

sản phẩm của tro bay đã phản ứng. Phần tro bay nằm bên dưới lớp sản phẩm trên có

thể không bị tác động bởi môi trường pH cao, điều này liên quan phụ thuộc vào chất

hoạt hóa được sử dụng. Trong trường hợp này, chất hoạt hóa giữ vai trò chủ đạo

trong quá trình khuếch tán hóa lý. Các mức độ phản ứng ở nhiều thời điểm khác

nhau tạo ra sản phẩm có độ thấm khác nhau.

Sự có mặt của thủy tinh lỏng trong dung dịch hoạt hóa giữ vai trò quan trọng

trong sự phát triển của cấu trúc vi mô giống như cấu trúc của xi măng. Cấu trúc này

không thay đổi, không hình dạng và ít cấu trúc rổng. Cấu trúc này chị bị gián đoạn

khi có mặt của những phần tử tro bay không phản ứng và hạt tro. Thành phần Na và

Si trong cấu trúc này thường nhiều hơn khi chỉ được hoạt hóa bởi NaOH. Tuy

nhiên, cấu trúc vi mô tạo ra khi có mặt của thủy tinh lỏng thường tương tự cấu trúc

được hoạt hóa bởi dung dịch kiềm và dưỡng hộ nhiệt trong thời gian lâu hơn.

Theo Van Jaarsveld (1997) và Davidovits (1999), sự tạo thành Geopolymer

có thể được diễn tả bằng hai phản ứng hóa học sau:

Phương trình phản ứng trên chứng tỏ nước được sinh ra trong suốt quá trình

hình thành Geopolymer. Lượng nước này bị đẩy ra khỏi cấu trúc Geopolymer trong

cả quá trình đổ khuôn cũng như dưỡng hộ nhiệt sau đó. Khi đó, chúng để lại những

19

lổ rỗng không liên tục trong cấu trúc, tạo điều kiện cho Geopolymer được hình

thành. Lượng nước trong hỗn hợp Geopolymer không có vai trò gì trong phản ứng

hóa học nhưng nó tạo nên tính công tác cho hỗn hợp khi nhào trộn. Điều đó ngược

với nước trong hỗn hợp xi măng Portland cần thiết cho quá trình hydrat hóa.

Quá trình tạo thành cấu trúc Geopolymer có thể được biểu diễn tóm tắt theo

sơ đồ sau:

Hình 2.5 Quá trình Geopolymer hóa (J. Davidovits, 2015)

Hình 2.6 So sánh quá trình tạo chất kết dính giữa Portland cement và Gel polymer

(J. Davidovits, 2002)

20

Theo Davidovits vật liệu Geopolymer có khả năng ứng dụng rộng rãi trong

nhiều lĩnh vực. Hầu hết các ứng dụng của vật liệu Geopolymer được xác định bởi

cấu trúc hóa học qua tỷ lệ Si:Al trong poly (Sialate).

Hình 2.7 Ứng dụng của geopolymer dựa vào cấu trúc hóa học

(Vijaya Rangan, 2014)

2.1.3 Phương pháp thiết kế cấp phối GPC

Cốt liệu cho bê tông thông thường hoàn toàn dùng được trong GPC. Hơn

nữa, do sản phẩm sau phản ứng geopolymer hóa của GPC khác hoàn toàn so với sản

phẩm thủy hóa của bê tông xi măng, cho nên những loại cốt liệu không dùng được

trong bê tông xi măng (do xảy ra phản ứng với sản phẩm thủy hóa làm bê tông bị

suy thoái ) có khả năng dùng tốt cho GPC

21

Việc thiết kế hỗn hợp GPC nói chung dựa vào các chỉ tiêu đặc trưng. Vai trò

và ảnh hưởng của cố liệu được coi giống như trường hợp bê tông xi măng Portland.

Tương tự như bê tông xi măng Portland, khối lượng cốt liệu nhỏ và lớn chiếm từ 75

đến 80% khối lượng GPC. Cấp phối GPC có thể được thiết kế sơ bộ giống bê tông

xi măng Portland.

Các chỉ tiêu đặc trưng của GPC phụ thuộc vào ứng dụng của nó. Trong đó,

cường độ chịu nén của bê tông đặc chắc và tính công tác của hỗn hợp bê tông là hai

chỉ tiêu quan trọng. Các yếu tố ảnh hưởng đến các đặc trưng đó có thể kể là nồng độ

dung dịch NaOH, tỷ lệ thủy tinh lỏng (TTL) và dung dịch NaOH, tỷ lệ khối lượng

dung dịch alkaline và khối lượng tro bay, thời gian nhào trộn hỗn hợp ướt, nhiệt độ

và thời gian dưỡng hộ nhiệt.

Bảng 2.2 Ảnh hưởng của nồng độ Mol và tỷ lệ TTL với NaOH

(Ubolluk Rattanasak, 2009)

Tỷ lệ khối lượng dung dịch alkaline trên khối lượng tro bay thường khuyến

cáo từ 0.3 đến 0.45. Tuy nhiên, theo Cherdsak Suksiripattanapong (2015), cường độ

của GPC vẫn tăng khi tỷ lệ dung dịch ankali/tro bay trên 0.5 và dưới 0.65.

22

Hình 2.8 Ảnh hưởng tỷ lệ dung dịch ankali/tro bay và nhiệt độ dưỡng hộ đến cường

độ chịu nén của GPC (Cherdsak Suksiripattanapong, 2015)

Thủy tinh lỏng thường rẻ hơn Natri hydroxide rắn. Kinh nghiệm từ phòng

thí nghiệm các nhà khoa học khuyên sử dụng tỷ lệ thủy tinh lỏng trên dung dịch

kiềm khoảng 2.5 (Hardjito và Rangan, 2005).

Hình 2.9 Ảnh hưởng tỷ lệ Na2SiO3/NaOH và nhiệt độ dưỡng hộ đến cường độ chịu

nén của GPC (Hardjito và Rangan, 2005)

Việc chế tạo GPC từ tro bay theo phương pháp như bê tông xi măng

Portland. Trong phòng thí nghiệm, tro bay và cốt liệu được nhào trộn khô trước

(trường hợp trộn bằng máy trộn thì thời gian trộn khoảng 3 phút). Dung dịch

23

alkaline được thêm vào hỗn hợp khô trên và được trộn đều trong khoảng bốn phút.

Hỗn hợp GPC có thể được sử dụng trong thời gian lên tới 120 phút mà không bị

đông kết và giảm cường độ. Hỗn hợp bê tông này có thể được đổ khuôn và đầm

chặt theo cách thức của bê tông xi măng Portland.

2.2 Phương pháp xác định cường độ bê tông

2.2.1 Phương pháp phá hoại mẫu

Chuẩn bị mẫu thử nén theo nhóm mẫu. Mỗi nhóm gồm 3 mẫu thử theo yêu

cầu kỹ thuật xây dựng của TCVN 3118:1993

Viên chuẩn để xác định cường độ nén cửa bê tông là viên mẫu lập phương kích

thước 150 x 150 x 150mm. Các viên mẫu lập phương kích thước khác viên chuẩn

và các viên mẫu trụ sau khi thử nén phải được tính đổi kết quả thử về cường độ viên

chuẩn.

Hình 2.10 Mẫu thí nghiệm kích thước 150 x 150 x150 mm

Lực tối đa đạt được là giá trị tải trọng phá hoại mẫu. Cường độ nén từng viên

mẫu bê tông (R) được tính bằng daN/cm2 (KG/cm2) theo công thức:

PRF

��

Trong đó:

P - Tải trọng phá hoại, tính bằng daN; .

F - Diện tích chịu lực nén của viên mẫu, tính bằng cm2;

(2.1)

24

α - Hệ số tính đổi kết quả thử nén các viên mẫu bê tông kích thước

khác viên chuẩn về cường độ của viên mẫu chuẩn kích thước 150 x

150 x 150mm.

Hình 2.11 Mẫu nén bị phá hoại thực tế

2.2.2 Phương pháp không phá hoại mẫu

2.2.2.1 Sử dụng súng bật nẩy

Phương pháp không phá hoại mẫu thực hiện theo tiêu chuẩn TCVN

9334:2012 Bê tông nặng – Phương pháp xác định cường độ nén bằng súng bật nẩy.

Thiết bị sử dụng để xác định độ cứng bề mặt của bê tông là súng thử bê tông loại

bật nẩy thông dụng n với năng lượng va đập từ 0,225 kgm đến 3kgm

Hình 2.12 Súng bật nẩy

Cường độ nén của bê tông được xác định trên cơ sở xây dựng trước mối quan

hệ thực nghiệm giữa cường độ nén của các mẫu bê tông trên máy nén (R) và trị số

bật nẩy trung bình (n) trên súng bật nẩy nhận được từ kết quả thí nghiệm trên cùng

một mẫu thử. Để xây dựng quan hệ R – n , sử dụng các mẫu lập phương 150 mm x

150 mm x 150 mm theo yêu cầu kỹ thuật xây dựng của TCVN 3105:1993.

25

Hình 2.13 Bảng tra súng bật nẩy (TCVN 9334:2012)

Khi thí nghiệm xác định trị số bật nẩy theo phương ngang, mẫu bê tông được

cặp trên máy nén với áp lực 0,5 MPa. Trị số bật nẩy theo chiều từ trên xuống, mẫu

bê tông được đặt trên nền phẳng của vật cứng có khối lượng không nhỏ hơn 500 kg.

Cường độ bê tông cho một loại mác, quan hệ R – n được xây dựng theo kết quả thí

nghiệm của ít nhất 20 tổ mẫu (mỗi tổ gồm 3 viên mẫu). Các mẫu phải có cùng thành

phần cấp phối, cùng tuổi và điều kiện đóng rắn như bê tông dùng để chế tạo sản

phẩm, kết cấu cần kiểm tra. Các tổ mẫu được lấy từ các mẻ trộn bê tông khác nhau

trong thời gian 14 ngày.

Khi tiến hành thí nghiệm, các điểm thí nghiệm cách mép kết cấu ít nhất 50

mm. Đối với mẫu thí nghiệm, các điểm thí nghiệm cách mép ít nhất 30 mm.

Khoảng cách giữa các điểm thí nghiệm trên kết cấu hoặc trên mẫu không nhỏ hơn

30 mm. Tuổi bê tông của kết cấu được kiểm tra từ 14 ngày đến 56 ngày. Nếu vượt

quá giới hạn này, có thể sử dụng hệ số ảnh hưởng của tuổi khi đánh giá cường độ bê

tông. Bề mặt bê tông của vùng thí nghiệm phải được đánh nhẵn và sạch bụi, diện

tích mỗi vùng thí nghiệm trên kết cấu không nhỏ hơn 400 cm2. Khi thí nghiệm, trục

của súng phải luôn đảm bảo vuông góc với bề mặt của bê tông.

Phương thí nghiệm trên kết cấu và trên mẫu để xây dựng quan hệ R – n phải

như nhau. Đối với mỗi vùng thí nghiệm trên kết cấu (hoặc trên mẫu) phải tiến hành

thí nghiệm không ít hơn 16 điểm, có thể loại bỏ 3 giá trị dị thường lớn nhất và 3 giá

26

trị dị thường nhỏ nhất còn lại 10 giá trị lấy trung bình. Giá trị bật nẩy xác định chính

xác đến 1 vạch chia trên thang chỉ thị của súng bật nẩy.

2.2.2.2 Sử dụng súng bật nẩy kết hợp sóng siêu âm

Các nguyên tắc sống âm dựa trên thực tế, vật liệu rắn là chất dẫn sóng âm

tốt, nó không chỉ phản hồi sóng trên bề mặt mà còn phản hồi các khuyết tật nội bộ

bên trong cấu kiện, tương tác giữa sóng âm và chất liệu làm cho tần số phát sẻ thấp

hơn tần số thu tại đầu thu. Thông qua 3 hình thức lan truyền sóng: tán xạ, nhiễu xạ,

phản xạ để xác định mức độ đặc chắc của mẫu.

Hình 2.14 Hình thức lan truyền sóng trong chất rắn (Tekin Yılmaz, 2014)

Phương pháp không phá hoại mẫu thực hiện theo tiêu chuẩn TCVN

9335:2012 Bê tông nặng – Xác định cường độ nén sử dụng kết hợp máy đo siêu âm

và súng bật nẩy. Phương pháp xác định cường độ nén dựa trên mối tương quan giữa

cường độ chịu nén của bê tông R với hai số đo đặc trung của phương pháp không

phá hoại là vận tốc v của siêu âm và độ cứng bề mặt của bê thông qua trị số n đó

được trên súng thử bê tông bật nẩy (quan hệ R-v,n). Ngoài ra, còn sử dụng những số

liệu kĩ thuật có liên quan đến thành phần bê tông.

Cường độ chịu nén của bê tông được xác định bằng biểu đồ hoặc bảng tra

thông qua vận tốc siêu âm và trị số bật nẩy đo được trên bê tông cần thử. Giá trị này

bằng cường độ nén của một loại bê tông quy ước gọi là bê tông tiêu chuẩn dùng để

27

xây dựng hình 2.16, bảng 2.3. Một số thành phần đặc trưng của bê tông tiêu chuẩn

được quy định như sau: xi măng poóc lăng PC30, hàm lượng xi măng 350 kg/m3,

cốt liệu lớn đá dăm với đường kính lớn nhất Dmax=40 mm, cốt liệu nhỏ cát vàng có

Mn từ 2.0 đến 3.0. Nếu bê tông cần thử có thành phần khác với bê tông tiêu chuẩn

thì cường độ nén của bê tông được điều chỉnh bằng các hệ số ảnh hưởng.

Để xác định được cường độ nén của bê tông cần thử, phải có những số liệu

kỹ thuật liên quan đến thành phần bê tông thử: loại xi măng, hàm lượng xi măng sử

dụng cho 1 m3 bê tông, lại cốt liệu lớn và đường kính lớn nhất của nó (Dmax)

28

Hình 2.15 Biểu đồ xác định cường độ bê tông tiêu chuẩn (TCVN 9335:2012)

29

Bản

g 2.

3 Bả

ng x

ác đ

ịnh

cườn

g độ

nén

tiêu

chu

ẩn (T

CV

N 9

335:

2012

) v

(m/s

) N

vạch

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

3 50

0

10

,0

10,6

11

,0

3 55

0

10,2

10

,7

11,2

11

,7

12,2

3 60

0

10

,3

10,8

11

,4

12,0

12

,6

13,2

3 65

0

10

,0

10,5

11

,0

11,6

12

,2

12,8

13

,4

14,1

14

,7

3 70

0

10,1

10

,7

11,2

11

,7

12,4

13

,0

13,6

14

,3

15,0

15

,7

16,3

3 75

0

10,8

11

,3

12,1

12

,6

13,2

13

,0

14,6

15

,2

16,0

16

,7

17,4

13

,8

3 80

0 10

,8

11,4

12

,0

12,7

13

,3

14,0

14

,7

15,5

16

,2

17,0

17

,8

18,6

19

,4

20,2

3 85

0 11

,8

12,2

12

,8

13,5

14

,2

15,0

15

,7

16,5

17

,2

18,0

18

,9

19,8

20

,6

21,4

3 90

0 12

,2

13,0

13

,7

14,3

14

,9

15,8

16

,7

17,5

18

,4

19,2

20

,0

20,9

21

,7

22,4

23

,2

3 95

0 13

,0

13,7

14

,5

15,2

16

,0

16,9

17

,7

18,6

19

,5

20,4

21

,2

22,0

22

,8

23,7

24

,7

25,4

4 00

0 13

,8

14,6

15

,3

16,2

17

,0

18,0

18

,9

19,8

20

,7

21,4

22

,2

23,0

24

,0

24,8

25

,9

27,0

28

,2

4 05

0

15,5

16

,3

17,2

18

,1

19,7

20

,0

20,8

21

,7

22,5

23

,3

24,5

25

,1

26,3

27

,6

28,7

29

,8

4 10

0

17

,3

18,3

19

,2

20,2

21

,0

21,8

22

,7

23,6

24

,5

25,5

26

,8

27,0

28

,0

30,2

31

,5

32,9

4 15

0

19,3

20

,3

21,2

22

,0

22,8

23

,8

24,7

25

,8

27,0

28

,2

29,4

30

,7

32,1

33

,2

35,0

4 20

0

21

,2

21,9

23

,0

24,0

24

,9

26,0

27

,2

28,6

29

,7

31,0

32

,4

32,8

4 25

0

23,1

23

,9

25,0

26

,2

27,6

28

,7

30,0

31

,2

32,7

34

,1

4 30

0

25

,1

26,3

27

,7

29,0

30

,1

31,7

33

,0

34,7

4 35

0

26

,4

27,7

29

,0

30,3

31

,8

33,2

35

,0

4 40

0

29,1

30

,5

32,0

33

,3

35,2

4 45

0

32

,0

33,6

35

,3

30

Để xác định vận tốc siêu âm, cần tiến hành đo hai đại lượng: khoảng cách

truyền xung siêu âm và thời gian truyền xung siêu âm.

Hình 2.16 Thiết bị siêu âm đo vận tốc truyền sống

Đo thời gian truyền xung siêu âm bằng các máy đo siêu âm. Sai số đo không

vượt quá giá trị Δ tính theo công thức:

Δ = 0,01t + 0,1

Trong đó: t là thời gian truyền của xung siêu âm, tính bằng micro giây μs.

Hình 2.17 Nguyên lý làm việc máy siêu âm (Tekin Yılmaz, 2014)

31

Hình 2.18 Màn hình hiển thị thời gian truyền sóng

Đo khoảng cách truyền xung siêu âm bằng các dụng cụ đo chiều dài, sai sô

đo không vượt quá 0,5% độ dài cần đo.

Hình 2.19 Thước đo chiều dài mẫu

Vận tốc siêu âm v được xác định theo công thức:

310lvt

� �

Trong đó:

+ v là vận tốc siêu âm, tính bằng mét trên giây (m/s)

+ l là khoảng cách truyền xung siêu âm hay khoảng cách giữa hai đầu

thu và phát của máy tính bằng milimet (mm)

+ t là thời gian truyền của xung siêu âm tính bằng micro giây (μs)

(2.2)

32

Hình 2.20 Phổ sóng siêu âm mẫu bê tông có chiều dài 200mm

Vận tốc siêu âm của một vùng iv là giá trị trung bình của vận tốc siêu âm tại

các điểm đo trong vùng đó iv . Thời gian truyền của xung siêu âm tại một điểm đo

trong vùng so với giá trị trung bình không được vượt quá ± 5%. Những điểm đo

không thỏa mãn điều kiện này phải loại bỏ trước khi tính vận tốc siêu âm trung bình

của vùng thử.

2.3 Phương pháp xử lý số liệu

Các điều kiện ảnh hưởng đến cường độ và vận tốc siêu âm được xem là các

biến, sử dụng phương pháp thống kê để đánh giá và phân tích các kết quả. Thông

qua mô hình LR (Linear Regression) và mô hình ANN (Artificial Neural Network),

để mô tả mối tương quan giữa hai hay nhiều đại lượng đang xét đến và điều chỉnh

các yếu tố đó ảnh hưởng biến tiên lượng, hơn hết là dự đoán được cường độ của

GPC từ việc lựa chọn mô hình sát với thực tế, thông qua 2 tiêu chí là R2, SSE. Giá

trị R2 càng cao thì khả năng dự đoán của mô hình càng tốt, ngược lại đối với thông

số SSE.

2.3.1 Mô hình hồi quy tuyến tính (LR)

Mô hình hồi quy là một trong những mô hình thường được sử dụng trong

phân tích thống kê. Mục đích của tất cả các mô hình này là để đánh giá mức độ liên

quan giữa các biến. Trong đó hồi quy loại I được sử dụng phổ biến trong việc khảo

sát mức độ ảnh hưởng của biến độc lập (tín hiệu đầu vào) đối với biến phục thuộc

(tín hiệu đầu ra – biến tiên lượng ) và giải thích được sự ảnh hưởng tín hiệu đầu vào

làm thay đổi đầu ra như thế nào. Bên cạnh đó, mô hình loại II với cấu trúc tương tự

33

nhưng các tín hiệu này không độc lập mà ảnh hưởng lẫn nhau trong suốt quá trình

phân tích. Một bảng thuật ngữ ngắn cho các loại mô hình, được trình bày trong bảng

2.4

Bảng 2.4 Bảng thuật ngử mô hình LR thường được sử dụng (Inna Boldina, 2015)

Giải thích cho mô hình này, thành tố “hồi quy” được Fraccis Galton (1886)

giải thích bởi mối liên hệ giữa biến phụ thuộc y là biến cần đánh giá xu hướng và

biến độc lập x được xem là tín hiệu xuất phát từ quan sát thực tế. Để thấy rõ mối

quan hệ này một cách trực quan, một hàm số hồi quy đã được đưa ra như sau:

01

j

n

jjY X� � �

�

� � �

Ngoài ra, thành tố “tuyến tính” còn đề cập đến bản chất các thông số của

hàm hồi quy có β0 và βj là tuyến tính (bậc nhất), mà không phụ thuộc vào Xj có

tuyến tính hay không. Trong đó các thông số βj (j = 1, 2, 3, … p) là các hệ số hồi

quy, mang ý nghĩa đo lường mối liên hệ Y và biến X; và ε là phần dư của mô hình

mà tại đó giá trị Y không thể giải thích bằng hàm số hồi quy như trên, với giả định ε

tuân theo luật phân phối chuẩn có phương sai σ2.

Từ dữ liệu thực tế của dãy cặp số (y1, x1), (y2, x2), (y3, x3), …, (yn, xn), một

công cụ được sử dụng phổ biến và đạt hiệu quả trong ước tính tính βj và σ2 ,có thể

kể đến phương pháp OLS (Ordinary Least Square). Phương pháp này được

Monahan (2008) gọi với tên khác là phương pháp “BLUE”, dựa trên những giả định

của Gauss–Markov bằng việc vận dụng các lý thuyết phức tạp trong mô hình vào

ứng dụng thực tế một cách đơn giản làm cho việc sử dụng trở nên dễ dàng và thân

(2.3)

34

thiện hơn với người dùng, mà vẫn đạt được hiệu quả nhất định, hình 2.22 trình bày

cái nhìn tổng qua cho lý thuyết phức tạp của LR.

Hình 2.21 Bảng tổng hợp các mô hình hồi quy trên cơ sở phương pháp OLS

(Inna Boldina, 2015)

Phương pháp OLS. Như tên gọi, phương pháp tìm giá trị β0, βj sao cho độ

lệch giữa 2 giá trị là nhỏ nhất. Hay tìm giá trị bé nhất của hàm SSE (Sum of Square

Error - SSE):

SSE = E(e) = � 2

01

n

i j ii

y x� ��

� � �� .

Ước số cho β0 và βj đáp ứng điều kiện nhỏ nhất đó là:

1

2

1

( )( )

( )

n

i ii

j n

ii

x x y y

x x� �

�

� ��

�

0 jy x� ��

(2.4)

(2.5)

35

Trong đó: x và y là giá trị trung bình của biến số x và y. Các giá trị, 0� và

j� là các ước số (estimates) từ mô hình, nên các ước số 0� và j� là giá trị tương

đối trong một khoảng xác định sau khi mô hình thực hiện.

Do các tín hiện từ quan sát thực tế, không phải chỉ 2 biến tạo không gian ba

chiều, mà ở đây có nhiều biến nên viết phương trình 2.7 dưới dạng ma trận như sau:

Y=Xβ+ε

1 11 1 0 1

2 21 2 1 2

1

1 ...1 ...

... ... ... ... ... ... ...1 ...

k

k

n n nk k n

y x xy x x

y x x

� ��

� �

� � � � � � � � � � � ��

Để giải phương trình này cần tìm ra � với: 1( )T TX X X Y� ��

Hình 2.22 Ý nghĩa mô hình LR đa biến (Fraccis Galton, 1886)

Khi ứng dụng mô hình LR vào trong phân tích cường độ chịu nén GPC, tác

giả đánh giá mối tương quan giữa biến phụ thuộc y, với ý nghĩa là cường độ bê tông

cần xác định và biến độc lập x là các tín hiệu quan sát như: nồng độ NaOH, thời

gian dưỡng hộ nhiệt, nhiệt độ dưỡng hộ. Theo hàm số sau đây:

Khi X1=Y1=0

(2.7)

36

Cường độ = β0 + β1(Nồng độ NaOH) + β2(Thời gian) + β3(Nhiệt độ) + .. + βjxp + εi

Hình 2.23 Mô hình LR đa biến

2.3.2 Mô hình mạng thần kinh nhân tạo (ANN)

2.3.2.1 Định nghĩa

ANN ngày càng được ứng dụng nhiều hơn để giải quyết các vấn đề trong

lĩnh vực kỹ thuật Waszczyszyn (2000) Nó là một công cụ thích hợp để kết hợp

nhiều thông số, biểu diễn các mối tương quan giữa các thông số đó, kết hợp với các

thuật toán phức tạp trong mô hình ANN để dự báo một hiện tượng khi chưa thu thập

đủ thông tin. Giới hạn trong nghiên cứu này, các thông số đầu vào bao gồm vật liệu

và các đặc tính về cường độ như cường độ bê tông. Cường độ nén đặc trưng cho

cường độ bê tông,

ANN là sự mô phỏng đơn giản của neural sinh học. Mỗi neural nhân tạo thực

hiện hai chức năng: chức năng tổng hợp đầu vào và chức năng tạo đầu ra.

Hình 2.24 Tương quan giữa một neural sinh học và neural nhân tạo

(David Kriesel, 2007)

Nồng độ NaOH

Thời gian

Nhiệt độ

Hàm tuyến tính

Cường độ

B1

B2

B3

37

Mỗi neural nhân tạo có một số đầu vào (Inputs) và một đầu ra (Output). Mỗi

đầu vào được gắn một trọng số (Weight) có ý nghĩa như mức độ liên kết tại khớp

nối trong mạng neural sinh học. Trọng số có thể là dương hoặc âm, giống như trong

mạng neural sinh học có hai loại khớp nối: khớp nối kích thích và khớp nối ức chế.

Mỗi neural có một giá trị ngưỡng. Chức năng đầu vào chính là tổng có trọng

số i

mn (Net input) các tín hiệu vào kết hợp với ngưỡng để tạo ra tín hiệu đầu vào

(Summation)

, j

n

i i ii

n x w b� � (1 lớp ẩn)

1

1,tw

m

i

sm m m m

i t ii

n u b�

�� (m lớp ẩn)

với Sm-1: số neural trên lớp m-1 1m

tu � : biến đầu ra của lớp m-1

mib (bias): ngưỡng của hàm

Chức năng tạo đầu ra được thể hiện bằng hàm Transfer. Hàm này sẽ

nhận tín hiệu đầu vào summation và tạo tín hiệu đầu ra của neural.

Tổng hợp của 2 chức năng đầu vào và chức năng tạo đầu ra gọi là quá trình

nhận thức (Machine Learning), nhằm mục đích thực hiện một nhiệm vụ trở nên tốt

hơn sau khi hoàn thành nhiệm vụ đó nhiều lần.

Hình 2.25 Hoạt động đơn giản một neural (David Kriesel, 2007)

2.3.2.2 Cấu trúc ANN

Tùy thuộc vào mục đích bài toán đặc ra, mà người thiết kế lựa chọn cấu trúc

ANN phù hợp, hiện nay có nhiều cấu trúc cho một ANN bao gồm: Mạng truyền

(2.9)

(2.8)

38

thẳng (Feed forward Networks), Mạng có hồi tiếp (Recurrent Networks), Mạng

Hopfield, Mạng Elman and Jordan, Mạng Long Short Term Memory, Mạng Bi-

directional (Bi-ANN), Mạng tổ chức ( Self-Organizing Map - SOM), Mạng

Stochastic, Mạng Physical,…

Mỗi một cấu trúc có những ưu điểm riêng, phù hợp với mục tiêu mà người

thiết kế mong muốn đạt được, tuy nhiên qua các đánh giá, cấu trúc mạng truyền

thẳng với cấu trúc đơn giản, nhưng hiệu quả đem lại rất phù hợp cho công tác phân

loại và dự đoán. Đối với ANN truyền thẳng, các neural được sắp xếp thành các lớp

tạo nên cấu trúc nhận thức đa lớp (Multilayer perceptron): lớp vào (Input layer), các

lớp ẩn (Hidden layer) và lớp ra (Oput layer) được trình bày như hình 2.27

ANN truyền thẳng ANN hồi tiếp

Hình 2.26 Cấu trúc mạng ANN được sử dụng phổ biến

(Y. hwang, 2002)

ANN truyền thẳng: dòng thông tin sẽ chỉ đi một hướng trực tiếp từ input đến

output, mà không có sự hồi chuyển vòng lặp. Mô hình này không giới hạn số lớp,

kiểu hàm truyền hay số lượng kết nối giửa các neuron sử dụng trong mạng.

Giới hạn trong nghiên cứu này là sử dụng thuật toán trong cấu trúc mạng

truyền thẳng phân tích các kết quả thực nghiệm từ đó tiên lượng cường độ bê tông

bị ảnh hưởng bởi các yếu tố đầu vào như thành phần nguyên vật liệu và điều kiện

dưỡng hộ

Tương tự như LR, mô hình ANN xác lập mối quan hệ giữa một tập hợp các

biến đầu vào 1mtu � với một hoặc nhiều biến đầu ra Yk dựa vào dữ liệu trong quá khứ

theo công thức

39

1

1, ,tw

msm m m

i t i t ii

y F u b�

��

� �

�,i ty F Net input�

Trong đó:

F: hàm chuyển

,i ty : là giá trị tiên lượng đầu ra biến phụ thuộc k đang xét

Hình 2.27 So sánh mô hình LR (Sarle, 1994)

Theo Y. hwang (2002) với mô hình mạng 1 lớp ẩn có cấu trúc ANN là 3-2-1

gồm 3 biến giá trị đầu vào, 2 biến tiên lượng (trọng số w) trong lớp ẩn và 1 biến giá

trị đầu ra:

Hình 2.28 Cấu trúc (Y. hwang, 2002)

(2.10)

40

Trong mô hình ANN, hàm truyền là yếu tố đặc trưng cho 1 neuron trong

mạng, nó có thể là bất kì hàm toán học nào. Hàm truyền thường được chọn sao cho

có thể chấp nhận bất cứ vùng giá trị vào nào, và giá trị ngõ ra hữu hạn. Dù cho ngõ

vào có bất kì giá trị nào, hàm truyền cũng cho giá trị bão hòa và chỉ nhạy trong một

vùng hữu hạn nào đó.

Bảng 2.5 Các hàm kích hoạt khác (Sarle, 1994)

41

Trong hầu hết các trường hợp, có 3 nhóm hàm được chọn phổ biến, để giải

quyết các bài toán và được các phần mềm tích hợp sẳn là:

o Hàm xác suất chuyển tiếp (Step function)

o Hàm tuyến tính (Linear function)

o Hàm phi tuyến (Non-linear function) gồm:

hàm Sigmoid: 1( )1 xf x

e��

�

hàm Hyperbolic Tangent: ( )x x

x x

e ef xe e

�

�

��

�

Nhóm Step funtion Nhóm Linear function

Hàm Sigmoid Hàm Hyperbolic Tangent

Hình 2.29 Nhóm hàm và hàm được sử dụng phổ biến (Sarle, 1994)

Điều khác biệt của mô hình ANN so với LR là sự tồn tại của các lớp ẩn, các

lớp này liên kết giữa lớp vào và lớp ra của mạng neural. Chính các lớp ẩn này đã

42

giúp cho mô hình ANN có khả năng mô phỏng mối tương quan phi tuyến tốt hơn so

với mô hình truyền thống. Thông qua quá trình học, làm thay đổi trọng số w và bias

b của mạng, học được từ những thông tin quá khứ. Từ đó, mạng có thể đưa ra kết

quả dự báo dựa trên những gì đã được học. Thủ tục này có thể xem như là một thuật

toán huấn luyện (Training). Có hai kiểu huấn luyện khác nhau, bao gồm:

o Incremental training: trọng số và ngưỡng của mạng được cập nhập

mỗi khi có dữ liệu vào mạng. Thường dùng trong những bộ lọc thích

ứng.

o Batch training: trọng số và ngưỡng của mạng chỉ được cập nhập sau

khi tất cả dữ liệu đã vào mạng.

Quá trình học được chia làm 3 loại:

o Supervised learning: máy tính sẽ thu nhận hàng loạt các dữ liệu mẫu

có giá trị thực với hy vọng máy tính sẽ tìm được những đặc điểm cần

thiết để đưa ra dự đoán cho những dữ liệu khác chưa có giá trị.

o Unsupervised learning: máy tính cố gắng khai thác ra cấu trúc ẩn của

một tập dữ liệu mà không cần giá trị thực của tập dữ liệu đó

o Reinforcement learning: Trong dạng này, cũng không hề có giá trị

thực, nhưng thay vì đó máy tính nhận được phản hồi cho mỗi hành

động. Dựa vào phản hồi tích cực hay tiêu cực mà máy tính sẽ điều

chỉnh hoạt động cho phù hợp.

Do mục đích ứng dụng ANN vào dự đoán, học được từ giá trị thực. Phương

pháp Supervised learning được lựa chọn và mục tiêu của quá trình học cũng dựa

trên phương pháp OLS là tìm bình phương sai số bé nhất. Ứng với một quan sát thứ

t (t=1,T), giá trị tiên lượng tại đầu ra mạng là ,tiy , giá trị thực tế của biến tiên

lượng là ,tiy . Sai số tổng bình phương lỗi SSE là:

SSE = E(e2) = 2

,t ,t1 1

...T m

i it i

y y� �

� ��

Viết dưới dạng vectơ ma trận:

(2.11)

43

� � �, , , ,

TT

i t i t i t i tE e e y y y y� � � �� Vì hàm E(e) là hàm phi tuyến theo trọng số w nên ta không thể tìm một bộ

trọng số w duy nhất, giống như cách tìm các hệ số hồi quy β như trong mô hình LR.

Mà chỉ có thể xấp xỉ lấy với hàm �wE (Performance index):

� � �, , , ,1w2

T

i t i t i t i tE y y y y� � �

Tiến hành tìm bộ trọng số w này, bằng các thuật toán huấn luyện mạng như:

Multilayer perceptron, Support Vector Machines, k-nearest neighbour algorithm,

Gaussian mixture model, Gaussian, naive Bayes, decision tree, radial basis

function classifiers,… Các thuật toán bậc hai hiện đại như Conjugate gradient

descent và Levenberg – Marquardt cơ bản nhanh hơn trong nhiều vấn đề, nhưng

thuật toán lan truyền ngược (Backpropagation Algorithm) vẫn có một số ưu điểm

trong một vài trường hợp khác, và là thuật toán dễ hiểu và phổ biến nhất.

Hình 2.30 Nguyên lý hoạt động thuật toán lan truyền ngược

2.3.2.3 Thuật toán lan truyền ngược

Thuật toán lan truyền ngược là một thuật toán phức tạp. Ý tưởng cơ bản của

thuật toán dựa trên cơ sở cực tiểu hoá khai triển Taylor hàm sai lệch tín hiệu ra SSE.

Hiện có nhiều thuật toán về huấn luyện ANN phát triển, có thể phân làm ba nhóm

chính: nhóm các phương pháp hạ gradient (Steepest Gradient Descent), nhóm các

phương pháp liên hợp gradient (Conjugate Gradient) và nhóm các phương pháp

Newton. Theo Sarle (1994) để sử dụng được mô hình ANN ta không nhất thiết phải

nắm được hết các phương pháp trong thuật toán lan truyền ngược sai số, mà trong

thực tế nhóm phương pháp hạ gradient được sử dụng phổ biến và được chứng minh

rằng các thuật toán huấn luyện trong phương pháp này, đơn giản nhưng tốc độ hội

Mạng Neural network gồm các trọng số giữa

các neural

So sánh Ngõ vào

Ngõ ra

Điều chỉnh trọng số

Ngưỡng

(2.12)

(2.13)

44

tụ và khả năng hội tụ về cực trị của hàm tốt. Phương pháp này được (Phạm Hữu

Đức Dục, 2009) giải thích, khi w thay đổi thì �wE sẽ thay đổi và ứng với một hàm

�wE sẽ có một tập giá trị của các trọng số w mà làm cho hàm �wE đạt giá trị cực

tiểu, thực hiện bằng cách lấy đạo hàm riêng của �wE theo từng trọng số và hệ số

bias, ta không thể đạo hàm trực tiếp hàm �wE do không xuất hiện biến số trọng

số, nên phải sử dụng luật “Chain ruler” để gián tiếp đạo hàm theo biến số thứ ba là

w trong hàm “net input”. Để ước lượng các trọng số w bằng thuật toán lan truyền

ngược sai số, đầu tiên ta gán cho mạng một bộ trọng số w ban đầu, từ bộ trọng số

này ta tính toán được giá trị hàm �wE . Sau đó ta sẽ điều chỉnh trọng số w sao cho

bộ trọng số mới làm cho hàm �wE bé hơn. Giá trị điều chỉnh là:

1w w ww

new old m mt i

E u s� � ��

�

Trong đó:

,t ,tw w

mi

mi i i

E E nn

� � ��

� � �

1

,tw

mmit

i

n u ��

�

Đặt mi m

i

Esn�

��

coi là độ nhạy của hàm (w)E đối với sự biến đổi Net input

Viết dưới dạng ma trận:

1

2

m

m m

mi

En

Es n

En

� ��

� ��

��

(2.14)

(2.15)

(2.16)

(2.17)

45

Thuật toán lan truyền ngược được thực hiện theo nguyên tắc độ nhạy của lớp

m sẽ được tính toán từ độ nhạy của lớp m+1 đã được tính trước đó. Do vậy, độ nhạy

sẽ được lan truyền ngược từ lớp ra trở lại các lớp ẩn. Được biểu diễn như sau:

Sm � Sm-1 � Sm-2� … � S2 � S1

Ta có tín hiệu đầu vào của lớp kế tiếp m+1 được tính theo hàm truyền f cho

lớp ẩn trước đó m:

( )m m mt tu f n�

Để tìm mối quan hệ độ nhạy giữa lớp m+1 và lớp m:

�

1 1,t1

1 1 ',t ,t

ww w ( )

msm m mi t im m

i mm m mi ti i tm m m

t t t

u bn u f nn n n

� ��

� �

� ��

Với ma trận:

1 1 11 1 1

1 2

1 1 1 12 2 2

1 2

1 1 1

1 2

...

...

...

m m m

m m mt

m m m m

m m m mt

m m mi i i

m m mt

n n nn n n

n n n nn n n n

n n nn n n

� � �

� � � �

� � �

� � � ��

� � ��

Do sử dụng hàm truyền Sigmoid, để tính đạo hàm f, ta có:

� �' ( ) u 1m m m mt t tf n u� �

Sử dụng luật dây chuyền với � ' ( )m mtf n ta có ma trận:

�

�

�

�

'1

'' 2

'

( ) 0 0 00 ( ) 0 0

( )0 00 0 ( )

m m

m mm m

t

m mt

f nf n

f n

f n

� � ��

��

��

� 'm ( � 'f ( � ( �

Như đã trình bày độ nhạy �/m mi is E n� � � ta lại có:

�1

1 ' 1,t1 w ( )

Tmmm m m m

i tm m m

E n Es f n sn n n

��

�

� ��

(2.18)

(2.19)

(2.23)

(2.20)

(2.21)

(2.22)

46

Theo (2.13) thì sm có thể tính toán từ sm+1. Công thức này thể hiện sự lan

truyền ngược của độ nhạy. Điểm khỏi đầu quá trình lan truyền ngược sẽ bắt đầu với

việc tính sm. Mà � � �, , , ,w 0,5T

i t i t i t i tE y y y y� � � � nên tương ứng với mỗi cặp dữ

liệu mẫu xi, yi ta có một hàm sai số �wE . Với tập mẫu học có Q cặp dữ liệu thì sẽ

có Q hàm như vậy, và phải tìm được tập trọng số của mạng đồng thời tối thiểu hóa

được tất cả Q hàm đó.

Kết thúc một lần đưa tất cả các mẫu huấn luyện qua mạng được gọi là một

lần epoch. Quá trình huấn luyện lặp cho đến khi sai số ở đầu ra mạng đạt đến một

giá trị chấp nhận được (nhỏ hơn ngưỡng sai số ta định ban đầu ). Thường thì thủ tục

học của mạng lan truyền ngược sai số khá lâu. Nó đòi hỏi hàng nghìn hoặc hàng

chục nghìn epoch mới có thể hội tụ tới lời giải. Nếu các tham số không đúng, thủ

tục học có thể không hội tụ.

47

Wnew trọng số mới được tạo, Wold trọng số không phù hợp, xi giá trị của loại

biến được đưa vào hàm. Như đã nói trên, quá trình tìm bộ trọng số thích hợp cho

mạng gọi là quá trình học. Hằng số η còn được gọi là hằng Learning Rate . Không

có một giá trị duy nhất tốt phù hợp với tất cả các bài toán khác nhau. Learning Rate

được chọn bằng thực nghiệm cho mỗi bài toán ứng dụng cụ thể bằng phương pháp

thử và sai. Giá trị η lớn làm tăng tốc quá trình hội tụ. Điều này là không thuận lợi vì

thủ tục học sẽ kết thúc rất nhanh tại một cực tiểu cục bộ gần nhất. Nếu giá trị của

Learning Rate quá nhỏ tốc độ hội tụ của giải thuật lại trở nên rất chậm. Do không có

một tiêu chuẩn tuyệt đối nào cho việc dừng thuật toán, nên thông thường người thiết

kế sử dụng độ lỗi trong quá trình huấn luyện, đây cũng chính là quá trình tạo ra các

ngưỡng làm cơ sở dừng thuật toán.

Hình 2.31 Thuật toán lan truyền ngược (Y. hwang, 2002)

Do đó cần chọn một giá trị phù hợp giữa tốc độ học và việc ngăn chặn về các

cực tiểu cục bộ. Các giá trị của Learning Rate nằm trong khoảng 10-3 và 10 đã được

sử dụng thành công cho rất nhiều bài toán cụ thể. Nói chung giá trị của Learning

Rate nằm trong khoảng [0,3; 0,6] được chứng minh bằng thực nghiệm là khá tốt cho

việc lựa chọn ban đầu của quá trình tìm kiếm Learning Rate thích hợp. Quá trình

học sẽ được lặp đi lặp lại cho đến khi Δw gần bằng 0 (nhỏ hơn một mức sai số cho

trước) hoặc điều kiện dừng học được kích hoạt. Vì khi một mạng neural lan truyền

ngược có số lượng các trọng số lớn (số Learning Rate lớn) với một tập mẫu học có

một số lượng mẫu học nhất định có thể học rất tốt. Chính điều này, điều kiện dừng

học được thiết lập nhằm tránh tình trạng Over-fitting.

Xi(k)

Xi(k)

Xi(k)

W

Wi+1

Wi+2

Ut E(w)

y

Output layer Hidden layer

Input layer

48

Tóm lại có bảy bước thực hiện một thuật toán lan truyền ngược:

o Bước 1: Khởi tạo ban đầu các giá trị , đặt dữ liệu đầu vào {xi,yi} lan

truyền giá trị qua các neural ở các lớp từ lớp ẩn đầu tiên cho đến lớp cuối

cùng.

o Bước 2: Tính giá trị lỗi ở lớp ra, kiểm tra giá trị lỗi có nhỏ hơn ngưỡng

không đồng thời kiểm tra đầu ra của mạng và yi có trùng nhau không nếu

đúng, nhẩy tới B6 đồng thời tăng số mẫu nhận dạng đúng trong tập mẫu

lên một. Còn sai thì thực hiện B3.

o Bước 3: Tính toán lỗi và lan truyền ngược các giá trị lỗi từ lớp ra cho đến

lớp ẩn đầu tiên

o Bước 4: Tính lại trọng số liên kết từ lớp ẩn đầu tiên cho đến lớp ra

o Bước 5: cộng thêm giá trị lỗi của mẫu pi vào giá trị tổng lỗi và đồng thời

tăng số mẫu chưa nhận dạng đúng lên một.

o Bước 6: Kiểm tra đã học hết mẫu trong tập chưa nếu sai quay lại B1 nếu

đúng làm B7

o Bước 7: kiểm tra số mẫu nhận dạng đúng bằng số mẫu trong tập thì kết

thúc việc học ngược lại thì quay lại B1 bắt đầu học với lần tiếp theo

2.3.2.4 Xác định số lớp ẩn, số lượng neural trong mỗi lớp và dữ liệu huấn luyện

Xác định số lượng lớp ẩn và số lượng neural trong mỗi lớp ẩn là một công

việc quan trọng. Số lượng lớp ẩn thường được xác định đầu tiền trong quá trình

thiết lập cấu trúc mạng ANN, số lượng lớp ẩn cần thiết cho mạng phụ thuộc vào sự

phức tạp của mối quan hệ giữa các thông số đầu vào và giá trị đầu ra. Hiện nay, các

nhà nghiên cứu vẫn chưa đưa ra được phương pháp xác định cấu trúc tối ưu của

mạng ANN. Quá trình xây dựng cấu trúc mạng là quá trình thử và sai (try and

error). Nhiều mô hình mạng được đưa ra bằng cách thay đổi số neural trong mỗi lớp

ẩn và số lớp ẩn trong mô hình. Sau đó, ta sẽ dùng bộ dữ liệu để huấn luyện mạng.

Mô hình nào cho kết quả dự báo tốt nhất ta sẽ là một hình được lựa chọn.

Khi mối quan hệ giữa biến vào và biến ra là tuyến tính, thì trong hầu hết các

trường hợp mạng chỉ cần một lớp ẩn, không cần thêm bất cứ một lớp ẩn nào nửa ,

49

Cybenko (1898) và Bound (1988) đã thành công khi sử dụng mô hình một lớp ẩn

trong việc phân loại biến đầu vào để mô hình xử lý. Việc xác định số lớp ẩn, được

bắt đầu với một lớp ẩn, sau đó tăng dần số neural trong lớp ẩn đó, nếu mô hình vẫn

không tốt, sự lựa chọn cuối cùng là tăng thêm số lớp ẩn theo Lawrence (1994).

Cũng có trường hợp cần đến hai lớp ẩn, nhưng không bao giờ vượt hai lớp ẩn cho

cấu trúc. Theo Chester (1990) mô hình hai lớp ẩn sẽ tốt hơn mô hình một lớp ẩn

điều này được ông giải thích đơn giản, bởi việc tăng số lớp ẩn sẽ tăng khả năng

huấn luyện mạng và làm giảm sai số, điều này làm tăng khả năng hội tụ đến cực tiểu

của hàm SSE. Bên cạnh đó làm giảm nguy cơ cực tiểu cục bộ gần nhất, khi

Learning Rate quá lớn.

Số lượng neural phụ thuộc vào bài toán cần giải quyết, bất kì mạng nào cũng

có số lượng neural trong hidden layer ít hơn số lượng neural trong input layer. Một

quy tắc được sử dụng phổ biến là: lựa chọn số neural trong hidden layer bằng một

nửa số neural trong input layer, sau đó thêm số lượng neural nếu sau quá trình huấn

luyện mà sai số vẫn tăng hoặc giảm số lượng neural, nếu quá trình huấn luyện diễn

ra nhanh, sai số tăng đột ngột. Sau đây là một vài gợi ý từ các tác giả, được trình

bày trong bảng 2.6

Bảng 2.6 Quy tắc lựa chọn số lớp ẩn

Công thức Tác giả

2 1h i� �

Hecht-Nelson (1987) sử dụng định lý Kolmogorov

để đưa ra đề xuất xác định số neural trong hidden

layer

( ) / 2h i o� �

010 2N Ni h i o� � � � � �

Lawrence và Fredrickson (1988) đề xuất số neural

trong lớp ẩn bằng nửa tổng lượng neural đầu và

đầu ra.Hơn nửa, phạm vi số lượng neural trong

hidden layer cũng được giới hạn

2logh i P� Marchandani và Cao (1989) đề xuất phương trình

để cho lượng neural trong hidden layer tốt nhất h = số neural trong hidden layer; i = số neural trong input layer; o = số neural trong output layer

50

Trong việc lựa chọn số mẫu để đưa vào quá trình huấn luyện và số mẫu để

kiểm tra cần được xem xét cẩn thận. Khi một mô hình over-fitting thì khả năng

huấn luyện mạng rất tốt nhưng việc khái quát các dữ liệu không được toàn diện.

Ngược lại, khi mô hình under-fitting thì khả năng huấn luyện mạng kém, nhưng khả

năng khái quát dữ liệu toàn diện hơn, chính vì thế việc chọn số mẫu quan sát cho

quá trình huấn luyện cần được chú ý. Không có hướng dẫn chung để lựa chọn mẫu

cho quá trình huấn luyện. Tuy nhiên, Lawrence và Fredrickson (1988) đã đề xuất

công thức sau:

2( i + h + o) ≤ N ≤ 10( i + h + o)

Hình 2.32 Under-fitting và Over-fitting trong Mô hình tiên lượng (C. Eric, 2014)

Tuy thuật toán để tính toán ra các trọng số của mô hình ANN tương đối phức

tạp, giải quyết bài toán dự đoán, khi mối tương quan giữa các biến là phi tuyến,

khắc phục được điểm hạn chế của mô hình LR truyền thống. Do đó, mô hình ANN

là một sự lựa chọn tốt cho việc dự đoán cường độ bê tông dựa trên những yếu tố

ảnh hưởng và xem xét mức độ quan trọng của các yêu tố đó trong việc dự đoán.

(2.24)

51

Chương 3

NGUYÊN VẬT LIỆU VÀ

PHƯƠNG PHÁP THÍ NGHIỆM

3.1 Nguyên liệu sử dụng

Thành phần nguyên vật liệu chế tạo GPC tương tự nguyên liệu chế tạo bê

tông thông thường, khác biệt chủ yếu là việc sử dụng chất kết dính geopolymer thay

vì cement Portland. Nguyên liệu sử dụng bao gồm tro bay, đá, cát, dung dịch alkali

(hỗn hợp của Sodium hydroxide và Sodium silicate).

Cốt liệu nhỏ Cốt liệu lớn NaOH dạng khan

Tro bay Thủy tinh lỏng

Hình 3.1 Nguyên vật liệu sử dụng đúc mẫu

3.1.1 Tro bay

Tro bay (FA) sử dụng trong thí nghiệm là tro bay lấy từ nhà máy điện

Formosa Đồng Nai, với thành phần hóa được trình bày trong bảng 3.1

52

Bảng 3.1 Thành phần hóa của tro bay

Oxit SiO2 Al2O3 Fe2O3 CaO K2O và Na2O MgO SO3 MKN

Hàm

lượng(%) 51,7 31,9 3,48 1,21 1,02 0,81 0,25 9,63

Từ đó ta thấy tỷ lệ SiO2 trên Al2O3 của tro bay này là 1.62, hàm lượng CaO

thấp nhưng hàm lượng mất khi nung khá cao (9,63%).

Dựa theo tiêu chuẩn ASTM C618, tro bay từ nhiệt điện Formosa được xếp

loại F có khối lượng riêng 2,5 g/cm3, độ mịn 94 % lượng lọt sàng 0,08 mm, hàm

lượng CaO ít hơn 6% .

3.1.2 Sodium silicate (Na2SiO3)

Sodium silicate là dung dịch màu trắng đục, có tỉ lệ thành phần là SiO2 =

30,1%, Na2O = 9,4%, H2O = 60,5%. Hàm lượng SiO2/Na2O = 3,2, tỷ trọng 1.42�

0.01 g/ml.

3.1.3 Sodium hydroxide (NaOH)

Dung dịch sodium hydroxide được pha chế từ Na2O ở dạng vảy rắn, màu

trắng đục, độ tinh khiết trên 97-98%, khối lượng riêng 2130 kg/m3 và H2O. Nồng độ

mol pha chế và dùng trong thí nghiệm nghiên cứu dao động từ 10 – 14 mol.

Dung dịch NaOH được pha với nước theo công thức (2.1) để thu được nồng

độ dung dịch cần thiết cho quá trình thì nghiệm.

40 100 ( )1000

MC Vm gp

� � ��

(3.1)

Trong đó: m: khối lượng cân chất rắn

CM: nồng độ mol/l

V: thể tích cần pha (ml)

p: độ tinh khiết của hóa chất (%)

Lượng nước thêm vào để tạo dung dịch và pha loãng dung dịch là nước sạch,

lượng nước thêm vào từ 18% đến 22% khối lượng đúc mẫu. Lượng nước này có tác

dụng chủ yếu giúp dung dịch hòa tan đồng nhất để quá trình geopolymer hóa tốt

hơn.

53

3.1.4 Cốt liệu lớn

Đá dăm sử dụng có dạng khối cầu, ít hạt dẹt và ít góc cạnh,có Dmax = 20

mm, khối lượng riêng 2700 kg/cm3, khối lượng thể tích 1510 kg/cm3. Thành phần

hạt của đá dăm được trình bày trong Bảng 3.3 và Hình 3.4:

Bảng 3.2 Các chỉ tiêu cơ lý của đá sử dụng

Chỉ tiêu thí nghiệm Phương pháp thí

nghiệm

Kết quả thí

nghiệm

Dmin - Dmax TCVN 7576-2:2006 2,20 mm

Khối lượng riêng TCVN 7576-4:2006 2,70 g/cm3

Khối lượng thể tích ở trạng thái khô TCVN 7576-4:2006 2,61 g/cm3

Khối lượng thể tích ở trạng thái bảo hoà TCVN 7576-4:2006 2,67 g/cm3

Độ hút nước TCVN 7576-4:2006 2,5 %

Khối lượng thể tích xốp TCVN 7576-6:2006 1,51 g/m3

Độ rỗng giữa các hạt TCVN 7576-6:2006 45,8 %

Hình 3.2 Biểu đồ thành phần hạt của đá dăm

Bảng 3.3 Thành phần hạt của đá

Kích thước lỗ sàng vuông (mm) 20 10 5 Lượng sót sàng riêng biệt (kg) 0,09 0,35 0,64 Lượng sót tích lũy (%) 9 44 99

0

20

40

60

80

1005 10 15 20 25

Lượn

g só

t tíc

h lũ

y (%

)

Kích thước lỗ sàng (mm)

Đá dăm

Giới hạn thành phần hạt cát dùng trong XD theo TCVN 7576:2005

54

3.1.5 Cốt liệu nhỏ

Cát sử dụng cho bê tông đáp ứng theo TCVN 7576. Do hạn chế của nghiên

cứu không thể xem xét hết sự ảnh hóa lý của tạp chất trong cát tự nhiên, nên cát

được được rửa sạch và sấy khô trước khi được sử dụng trong thí nghiệm. Cát có

môdul độ lớn là Mdl=2,104 và lượng sót sàng tích lũy A0.63=21,95 % thuộc cát hạt

trung bình – nhỏ. Kết quả thí nghiệm cát có khối lượng riêng là 2610kg/m3, khối

lượng thể tích là 1450kg/m3 và thành phần hạt như sau:

Bảng 3.4 Các chi tiêu cơ lý của cát sử dụng

Chỉ tiêu thí nghiệm Phương pháp thí

nghiệm

Kết quả thí

nghiệm

Mô đun độ lớn TCVN 7576-2:2006 2,50 mm

Khối lượng riêng TCVN 7576-4:2006 2,60 g/cm3

Khối lượng thể tích ở trạng thái khô TCVN 7576-4:2006 2,43 g/cm3

Khối lượng thể tích ở trạng thái bảo hoà TCVN 7576-4:2006 2,49 g/cm3

Độ hút nước TCVN 7576-4:2006 2,9 %

Khối lượng thể tích xốp TCVN 7576-2:2006 1545 kg/m3

Độ rỗng giữa các hạt TCVN 7576-2:2006 36,4 %

Hình 3.3 Biểu đồ thành phần hạt cát sử dụng

0

20

40

60

80

1000 1 2 3 4 5

Lượn

g só

t tíc

h lũ

y (%

)

Kích thước lỗ sàng (mm)

Cát sông

Giới hạn thành phần hạt cát dùng trong XD theo TCVN 7576:2005

55

Bảng 3.5 Thành phần hạt của cát

Kích thước lỗ sàng vuông (mm) 5 1,25 0,63 0,315 0,14

Lượng sót sàng riêng biệt (kg) 0,09 0,35 0,64 Lượng sót tích lũy (%) 0,78 18,75 38,04 77,74 97,44

3.2 Cấp phối bê tông

3.2.1 Thí nghiệm cấp phối mẫu bê tông

Giống như bê tông sử dụng chất kết dính xi măng portland, tổng khối lượng

của cốt liệu của bê tông Geopolymer chiếm khoảng 70% đến 80%.

Tương tự bê tông thông thường, việc thiết kế hỗn hợp bê Geopolymer dựa

vào các chỉ tiêu đặc trưng như cường độ, tính công tác. Trong bê tông Goepolymer,

các yếu tố ảnh hưởng đến đặc trưng bao gồm tỷ lệ khối lượng dung dịch alkali trên

tro bay, nhiệt độ, thời gian dưỡng hộ, nồng độ mol, ....

3.2.2 Xác định cấp phối

Trong thành phần cấp phối, khối lượng cốt liệu chiếm khoảng 70-80%, trong

đó cát chiếm khoảng 20-40% (Benny Joseph, 2012). Tỷ lệ tối ưu đối với dung dịch

AL/FA và Na2SiO3/NaOH lần lượt là 0,7 và 1,5 (Marios Soutsos, 2015). Cấp phối

mẫu được tính cho từng tổ và được tổng hợp theo bảng sau:

Bảng 3.6 Cấp phối bê tông Geopolymer. Đơn vị tính kg/m3

Ký hiệu Đá Cát Tro bay Na2SiO3 NaOH

GP4-10M 1410 352,5 345,588 145,147 96,765

GP4-12M 1410 352,5 345,588 145,147 96,765

GP4-14M 1410 352,5 345,588 145,147 96,765

GP4-16M 1410 352,5 345,588 145,147 96,765

3.3 Quy trình thí nghiệm mẫu

Với từng cấp phối mẫu nêu trên, ta triển khai đúc thành mẫu 15 x 15 x 60 cm

theo tiêu chuẩn TCVN 9335:2012 để xác định cường độ và tiến hành chọn cấp phối

để triển khai đúc cấu kiện. Ứng với từng tổ mẫu, việc thực hiện theo trình tự như

sau:

56

Bước 1: Chuẩn bị nguyên vật liệu, khuôn mẫu

o Nguyên vật liệu sử dụng đúc mẫu tại mục 3.1 được chuẩn bị sẵn,

riêng đối với vật liệu đá, cát được tiến hành rửa sạch và phơi khô

trước khi sử dụng.

o Các vật liệu được tính cho từng tổ mẫu (03 mẫu/1 tổ) được tính toán

và cân đo từng chủng loại. Khuôn mẫu được vệ sinh và gia công lại

Bước 2: Nhào trộn và đúc mẫu

o Trộn khô phối liệu bao gồm đá, cát và tro bay. Sau khi đều thì tiền

hành đổ dung dịch vào và tiếp tục trộn đều cho đến khi bê tông đạt

yêu cầu.

Hình 3.4 Bê tông sau khi trộn và thiết bị trộn

Khuôn 15x15x15 cm Khuôn 15x15x60 cm

Hình 3.5 Khuôn tạo mẫu và mẫu sau khi tháu khuôn

57

Bước 3: Dưỡng hộ nhiệt

o Bê tông được đúc thành mẫu 15 x 15 x 60 cm theo tiêu chuẩn

TCVN 9335:2012. Sau khi đổ khuôn, các mẫu bê tông được

dưỡng hộ trong điều kiện tự nhiên trong 24 giờ đầu và được tháo

khuôn dưỡng hộ nhiệt trong lò sấy ở nhiệt độ 400C, 600C, 1000C

và 1200C trong các khoảng thời gian là 2, 4, 6 và 8 giờ. Thời gian

dưỡng hộ nhiệt càng lâu thì GPC có cường độ càng cao. Mục đích

của dưỡng hộ nhiệt là để đẩy nhanh quá trình polymer hóa và làm

bay hơi hoàn toàn lượng nước thừa trong bê tông

o Sau khi tháo khuôn, mẫu được để trong điều kiện phòng thí

nghiệm đến khi tiến hành thí nghiệm.

Bảng 3.7 Thời gian và nhiệt độ dưỡng hộ

Ký hiệu Nồng độ (mol/l)

Nhiệt độ dưỡng hộ (oC)

Thời gian dưỡng hộ (h)

GP4-10M 10

120

8 GP4-12M 12 6 GP4-14M 14 4 GP4-16M 16 2 GP4-10M 10

100

8 GP4-12M 12 6 GP4-14M 14 4 GP4-16M 16 2 GP4-10M 10

80

8 GP4-12M 12 6 GP4-14M 14 4 GP4-16M 16 2 GP4-10M 10

60

8 GP4-12M 12 6 GP4-14M 14 4 GP4-16M 16 2

58

Hình 3.6 Lò sấy mẫu

Bước 4: Siêu âm mẫu

o Với khoảng thời gian đã định trước, mẫu được đem ra khỏi lò sấy và

đem cân, mọi thao tác trên mẫu giới hạn trong 15 phút, để tránh việc

giảm nhiệt độ trong thời gian dài, làm ổn định mẫu.

o Bề mặt bê tông cần phải phẳng, nhẵn, không ướt, không có khuyết tật,

nứt, rỗ. Trong mỗi vùng, tiến hành đo ít nhất 4 điểm siêu âm và 10

điểm bằng súng, theo thứ tự đo siêu âm trước, đo bằng súng sau. Nên

tránh đo theo phương đổ bê tông.

o Khi thí nghiệm, trục súng phải theo phương ngang góc α = 00 và

vuống góc với bề mặt của cấu kiện.

Hình 3.7 Chia lưới tọa độ trên mẫu

59

Hình 3.8 Thí nghiệm siêu âm mẫu

Hình 3.9 Thí nghiệm súng bật nẩy

Bước 5: Nén mẫu

Việc nén mẫu được tiến hành tại Phòng thí nghiệm vật liệu Trường

ĐHSPKT TP.HCM theo TCVN 3118:1993, mẫu bị phá hoại với vận tốc tăng

tải không đổi và bằng 6±4daN/cm2 trong một giây Kết quả nén mẫu được ghi

nhận cho từng tổ mẫu ứng với từng cấp phối để tiến hành tổng hợp, tính toán

cường độ.

Máy nén mẫu bê tông Màn hình hiển thị kết quả

Hình 3.10 Thí nghiệm nén mẫu

60

Hình 3.11 Quy trình thí nghiệm

61

3.4 Xây dựng mô hình ANN cho bài toán tiên lượng cường độ GPC

Bước 1: Xác định các biến đầu vào và đầu ra của mô hình

Để xây dựng mạng ANN ta phải tìm được các biến đầu vào và đầu ra thích

hợp cho mô hình. Dữ liệu đầu vào là 12 biến độc lập thuộc 3 nhóm, bao gồm: nhiệt

độ, nồng độ NaOH và thời gian dưỡng hộ. Các biến này sẽ được đưa vào mô hình,

sau khi chạy thử mô hình, những biến ít có ý nghĩa sẽ bị loại khỏi mô hình. Kết quả

cuối cùng, tác giả còn giữ lại những biến sau đây cho mô hình dự báo.

Hình 3.12 Cấu trúc đơn giản mô hình tiên lượng cường độ GPC

Bước 2: Chuẩn hoá dữ liệu đầu vào, đầu ra và chọn hàm kích hoạt

Do điều kiện dưỡng hộ và yếu tố nồng độ NaOH chỉ có giá trị dương, nên

hàm kích hoạt trong trường hợp này được sử dụng là hàm Sigmoid và dữ liệu được

chuẩn hoá theo phân phối chuẩn (Hình 3.20)

Các lớp ẩn và hàm

kích hoạt Sigmoid

f(net input)

Lớp giá trị đầu vào với ni neural

Lớp giá trị đầu ra

Nồng độ NaOH

Nhiệt độ

Thởi gian

Cường độ Cần tiên lượng Wi Ut

Nồng độ N OH

�16M �14M �12M �10M

Nhiệt độ

�1200C �1000C �800C �600C

Thởi gian

�8h �6h �4h �2h

ΔW

Ngưỡngf thực nghiệm

62

Hình 3.13 Biểu đồ phân phối chuẩn cường độ chịu nén

Bước 3: Xây dựng và lựa chọn cấu trúc mạng

Việc xây dựng cấu trúc mạng sử dụng xác nhận mức giao. Để tránh tình

trạng mô hình over-fitting, vài mẫu (có thể là những quan sát nhiễu) đem huấn

luyện được lưu lại và không thực sự dùng cho huấn luyện trong thuật toán lan

truyền ngược. Để thay thế, những mẫu này được sử dụng để kiểm tra độc lập trong

quá trình của thuật toán. Như vậy hiệu suất ban đầu của mạng luôn luôn bằng nhau

ở những tập huấn luyện và xác minh lại. Trong quá trình huấn luyện, sai số huấn

luyện tự nhiên giảm xuống, và cho phép huấn luyện cực tiểu hóa hàm sai số thực,

validation error cũng giảm xuống. Tuy nhiên, nếu sai validation error không giảm,

hay bắt đầu tăng lên, điều này có nghĩa là mạng bắt đầu khít quá mức dữ liệu, và

huấn luyện nên dừng lại (có thể cài đặt Neural Networks tự động dừng lại khi bắt

đầu over-fitting). Trong trường hợp này, số neuron ẩn hay/và lớp ẩn nên được giảm

vì mạng quá mạnh đối với vấn đề này. Ngược lại, nếu mạng không đủ mạnh để mô

phỏng hàm cơ sở, tình trạng over-fitting không có khả năng xảy ra, cũng như sai số

huấn luyện hay validation error lại không hội tụ.

63

Trong mô hình này, hằng số learning rate = 0,4, Max epoch = 10000. Xây

dựng cấu trúc mô hình ANN 1 lớp ẩn và 2 lớp ẩn. Quá trình thiết lập số neural trên

các lớp ẩn cho mạng ANN là một quá trình thử và sai. Để tìm ra mô hình ANN tốt

nhất, 8 mô hình được lựa chọn và trình bày theo Bảng 3.8 để đưa vào phân tích.

Bảng 3.8 Ký hiệu các mô hình ANN

Số biến độc lập

Số neural trong lớp ẩn 1

Số neural trong lớp ẩn 2

Số biến tiên lượng Ký hiệu

12 3 1 ANN-12-3-1 12 4 1 ANN-12-4-1 12 5 1 ANN-12-5-1 12 6 1 ANN-12-6-1 12 4 2 1 ANN-12-4-2-1 12 4 3 1 ANN-12-4-3-1 12 5 2 1 ANN-12-5-2-1 12 5 3 1 ANN-12-5-3-1

Hình 3.14 Cấu trúc ANN-12-4-3-1 do SPSS thiết kế

64

Chương 4

KẾT QUẢ VÀ THẢO LUẬN

4.1 Kết quả thí nghiệm

Bảng 4.1 trình bày kết quả thí nghiệm các cấp phối bê tông geopolymer với

các giá trị vận tốc truyền sóng (UPV), giá trị súng bật nẩy (n), cường độ chịu nén

trực tiếp bằng phương pháp phá hoại mẫu. Dữ liệu này phục vụ cho việc xây dựng

hai mô hình phân tích thống kê ANN và LR, trên cơ sở các ràng buột tương ứng với

từng mô hình. Ngoài ra, dữ liệu này còn đánh giá mức độ phù hợp của hai mô hình,

dựa trên các kiểm chứng từ giá trị thực tế.

Bảng 4.1 Kết quả thí nghiệm

Stt Nhiệt độ (0C)

Thời gian (h)

NaOH (M)

UPV (m/s) n

Cường độ chịu nén (MPa)

1 100 2 14 4550,207 30 26,600 2 100 4 14 4528,814 30 28,180 3 100 6 14 4525,479 30 28,343 4 100 8 14 4562,931 29 29,237 5 100 6 16 4611,843 30 28,347 6 100 8 16 4639,252 29 29,980 7 100 2 16 4644,267 30 27,923 8 100 4 16 4655,534 29 28,263 9 100 2 12 4563,808 28 23,677 10 100 4 12 4433,587 27 24,110 11 100 6 12 4371,648 30 25,617 12 100 8 12 4341,184 30 26,560 13 100 2 10 4397,305 27 22,690 14 100 4 10 4274,773 27 23,403 15 100 6 10 4292,885 28 24,670 16 100 8 10 4186,412 29 26,213 17 80 2 14 4292,885 33 25,960 18 80 4 14 4143,809 24 27,933 19 80 6 14 4241,206 27 28,337 20 80 8 14 4312,56 27 28,837

65

21 60 2 14 4333,966 27 25,675 22 60 4 14 4550,207 30 25,855 23 60 6 14 4528,814 30 26,067 24 60 8 14 4525,479 30 28,470

4.2 Phân tích đánh giá

4.2.1 Ảnh hưởng của nồng độ dung dịch NaOH đến cường độ chịu nén và vận

tốc.

Các kết quả thí nghiệm cho thấy cường độ GPC có giá trị trung bình thấp

nhất khoảng 22,7 MPa khi sử dụng dung dịch NaOH 10M và dưỡng hộ trong 2 giờ,

đạt đỉnh 30 MPa khi sử dụng dịch NaOH 16M và dưỡng hộ trong 8 giờ. Mức chênh

lệch này tương đối lớn, xấp xỉ 36%. Ngoài ra, kết quả trên Hình 4.1 cũng cho thấy

sự thay đổi cường độ ứng với từng nồng độ NaOH khi dưỡng hộ cùng một chu kì

nhiệt, trong đó cấp phối sử dụng dung dịch NaOH 16M hầu như không có sự thay

đổi nhiều giữa 2 giờ và 8 giờ dưỡng hộ (chênh lệch 6 tiếng), cụ thể qua 2 giờ dưỡng

hộ đạt 28 MPa sau đó đến 8 giờ đạt 30 MPa, tăng 7%. Đối với các cấp phối sử dụng

dung dịch NaOH có nồng độ 10M, 12M và 14M có khoảng lệch tương đối lớn

khoảng 15% (3,5 MPa) từ 22,7 MPa lên 26,2 MPa (cấp phối sử dụng dung dịch

NaOH 10M). Bên cạnh đó, với cùng một thời gian dưỡng hộ, cường độ đối với

dung dịch 16M cao nhất, và thấp nhất đối với GPC sử dụng dung dịch 10M. Nhìn

chung cường độ tăng đều, ít có sự biến động lớn trong chù kì dưỡng hộ đối với từng

dung dịch khảo sát.

66

Hình 4.1 Mối tương quan giữa cường độ chịu nén và nồng độ dung dịch

NaOH khi dưỡng hộ ở 1000C

Các kết quả nhận được tương tự như nhận định của Marios Soutsos (2015),

cường độ chịu nén của GPC phụ thuộc rất nhiều vào nồng độ dung dịch NaOH. Quá

trình thực nghiệm cho thấy, khi lượng mol chất tan trong dung dịch NaOH tăng lên

thì bê tông đóng rắn càng nhanh, chứng tỏ khi tăng nồng độ NaOH làm tăng sự kích

hoạt dung dịch alkaline và tăng quá trình phản ứng với tro bay. Hiện tượng này phù

hợp với đánh giá của Ubolluk Rattanasak (2009) khi nói về tốc độ phản ứng của quá

trình trùng ngưng tạo gel liên kết.

Theo Sakonwan Hanjitsuwan (2013), hiện tượng trên xảy ra do sau một thời

gian hòa tan dung dịch alkaline vào tro bay, với đủ lượng ion AL3+ cần thiết, quá

trình hình thành gel bắt đầu. Khi tăng nồng độ NaOH thì sự hình thành thể gel có 2

tác động đối lập:

Tác động đầu tiên là sản phầm Gel từ quá trình trùng ngưng được hình thành,

khi tăng nồng độ dung dịch kích hoạt kiềm NaOH phản ứng với alumino silicate,

dẫn đến tăng nhanh sự đông đặc của hỗn hợp kết dính, sự đông đặc này làm lượng

gel sản phẩm bắt đầu dính với nhau tạo thành cấu trúc liên kết, rõ ràng là quá trình

giải phóng các ion SiO4+ và AL3+ trong tro bay vào dung dịch triệt để hơn, sử dụng

hết toàn bộ lượng ion hiện có, lượng ion trên bề mặt hạt tro bay này thay thế bằng

67

lượng gel sản phầm liên kết, dẫn đến làm giảm thể tích hạt tro bay, làm cấu trúc của

vật liệu ít lỗ rỗng, vật liệu trở nên đặc chắc.

Tác động tiếp theo, với lượng NaOH vừa đủ tránh được hiện tượng cô đặc

của dung dịch, do lớp sản phầm bao bọc trên bề mặt hạt tro bay. Lớp gel này hình

thành rất sớm khi alumino silicate tiếp xúc với dung dịch alikaline, dẫn đến tính linh

động thấp của dung dịch và đặc biệt là lớp sản phẩm này làm chậm sự hòa tan các

ion trên bề mặt hạt tro bay hay ngăn cản phần tro bay bên trong tiếp xúc với dung

dịch kiềm để tạo gel liên kết.

Hình 4.2 Mối tương quan giữa UPV và nồng độ dung dịch NaOH khi dưỡng

hộ ở 1000C

Ở cùng một thời gian dưỡng hộ, UPV đối với dung dịch 16M là cao nhất và

dung dịch 10M là thấp nhất (Hình 4.2). Vận tốc trong khoảng từ 4200 – 4600 m/s.

Mức chênh lệch giữa vận tốc lớn nhất và nhỏ nhất trong cùng một thời gian dưỡng

hộ là khoảng 300-400 m/s. Với hai nồng độ thấp 10M và 12M vận tốc dao động từ

4200 m/s đến 4400 m/s, tuy nhiên khi nồng độ tăng lên 14M và 16M vận tốc truyền

ổn định ở mức 4550 m/s đến 4650 m/s.

UPV phụ thuộc vào tính đàn hồi và mật độ môi trường vật chất. Nồng độ

dung dịch càng cao, vận tốc truyền sóng càng cao, điều này được hiểu khi phản ứng

polymer hóa diễn ra hoàn toàn, hình thành vật liệu đặc chắc với cấu trúc chuỗi

polymer (–O-Si-O-Al ), lèn chặt các lỗ rỗng. Ngoài ra, quá trình dưỡng hộ nhiệt làm

68

lượng nước từ phản ứng và bản thân của cốt liệu bị bay hơi góp phần làm tăng tính

đàn hồi của môi trường. Kết quả là khi tăng nồng độ NaOH tham gia phản ứng, thì

vận tốc truyền sóng tăng.

Original 5M

10M 15M

Hình 4.3 Cấu trúc hạt tro bay dưới các nồng độ NaOH khác nhau

4.2.2 Ảnh hưởng của điều kiện dưỡng hộ đến cường độ chịu nén và vận tốc

Kết quả thực nghiệm (Hình 4.4) cho thấy sự ảnh hưởng của điều kiện dưỡng

hộ có tác động trực tiếp đến cường độ chịu nén bê tông geopolymer. Tại cùng một

thời gian dưỡng hộ, GPC được dưỡng hộ ở nhiệt độ cao hơn có cường độ lớn hơn.

Khi dưỡng hộ với một mức nhiệt không đổi, càng kéo dài thời gian dưỡng hộ từ 2

giờ lên 8 giờ, thì cường độ nén càng tăng, tuy nhiên khoảng chênh lệch này là

không lớn. Điều này thấy rõ đối với cấp phối 14M, khi được dưỡng hộ ở 1000C

trong 2 giờ có cường độ chịu nén đạt 26,6 MPa , tăng 9,8 % so với dưỡng hộ trong

8 giờ. Tại cùng một thời gian dưỡng hộ, GPC được nung ở nhiệt độ cao hơn sẽ cho

69

ra sản phẩm có cường độ lớn hơnKhi nung với một mức nhiệt không đổi, càng kéo

dài thời gian dưỡng hộ từ 2 giờ lên 8 giờ, thì cường độ nén càng tăng, tuy nhiên

khoảng chênh lệch này là không lớn, Điều này thấy rõ đối với cấp phối 14M khi

được dưỡng hộ ở 1000C trong 2 giờ có cường độ chịu nén đạt 26,6 MPa , tăng 9,8

% so với cường độ nung trong 8 giờ.

Hình 4.4 Mối quan hệ giữa cường độ chịu nén và điều kiện dưỡng hộ với

nồng đô dung dịch NaOH 14M

Kết quả chứng tỏ yếu tố nhiệt độ quyết định đến sự phát triển cường độ của

bê tông geopolymer. Khi được dưỡng hộ nhiệt, ở mức nhiệt càng cao thì cường độ

chịu nén của vật liệu geopolymer càng tăng. Nhiệt độ cao thúc đẩy quá trình kết hợp

giữa các khoáng alumino silicate có trong tro bay và dung dịch alkaline làm phản

ứng trùng ngưng giữa những monomer xảy ra nhanh, ngoài ra khi thời gian hằng

nhiệt đủ dài điều này còn làm các phản ứng tạo chuỗi –O-Si-O-Al xảy ra triệt để

hơn. Giải thích cho cường độ bê tông geopolymer cao ở mức nhiệt 1000C là do

lượng hơi nước giảm đi dẫn đến lực liên kết giữa các phân tử gel có trong hỗn hợp

bê tông tăng lên.

70

Hình 4.5 Mối tương quan giữa UPV và điều kiện dưỡng hộ với nồng độ

dung dịch NaOH 14M

Kết quả thực nghiệm (Hình 4.5) cho thấy khi tăng nhiệt độ, và dưỡng hộ mẫu

trong thời gian dài, vận tốc trung bình 4550 - 4626 m/s ở các mức nhiệt 60, 80,

1000C vận tốc tăng tương đối chậm, ổn định trong suốt 4 giờ dưỡng hộ, sau đó tăng

nhẹ. Khi nhiệt độ tăng, làm cấu trúc của GPC trở nên cứng hơn, vật liệu ít lỗ rỗng

và trở nên đặc chắc, điều này làm giá trị UPV tăng. Kết quả này tương tự với nhận

định của Sakonwan Hanjitsuwan (2013).

4.3 Xác định cường độ chịu nén GPC bằng phương pháp không phá hoại

Các cặp giá trị cường độ và UPV trên biểu đồ (Hình 4.6), cho thấy xu hướng

phát triển giữa cường độ và vận tốc, sự gia tăng tuyến tính này là cơ sở ràng buộc

cho mô hình LR, nhận thấy cả hai giá trị tăng tuyến tính theo một hàm số hồi quy,

hàm số này biểu diễn mối tương quan giữa các biến là n và UPV để xác định cường

độ chịu nén của mẫu. Vận tốc trung bình trên 4100 m/s khi cường độ 18MPa và có

thể tăng trên 4700 m/s đạt đỉnh tại 29 MPa.

71

Hình 4.6 Mối quan hệ giữa vận tốc và cường độ chịu nén GPC Dựa trên nguyên tắc thiết kế bảng tra sử dụng hàm tuyến tính để xác định cường

độ tiêu chuẩn OPC theo TCVN 9335-2012. Trong quá trình thiết kế mô hình, các giá trị bất

thường được loại bỏ theo TCVN 4548 : 2009 Thống kê ứng dụng và các giá trị được chọn

nằm trong ngưỡng theo Bảng 4.2. Mục đích để tránh gây sai số hệ thống trong khi mô hình

thực hiện.

Bảng 4.2 Giá trị được chọn theo TCVN 4548 : 2009

Loại quan sát Cường độ (MPa)

UPV (m/s)

Giá trị trên súng bật nẩy (n)

Kích thước mẫu quan sát 1408 1408 192 Trung bình mẫu 26,733 4497,930 29 Độ lệch chuẩn 2,293 149,948 2 Ngưỡng dưới 18,019 3928,128 23 Ngưỡng trên 34,196 4985,885 35

Các dữ liệu từ thí nghiệm trong nghiên cứu được sử dụng để đưa ra hàm số hồi quy

tuyến tính bậc nhất, các kết quả tính toán được trình bày trong Bảng 5.

Cường độ = -46,13 + 0,435 (n) + 0,01332 (UPV)

Với R2=74% và SSE=209,8

72

Hình 4.7 Biểu đồ xác định cường độ chịu nén GPC

Kết quả trên Hình 4.7 cho thấy vận tốc truyền sóng và độ cứng bề mặt của

GPC cao hơn OPC với cùng một cường độ chịu nén. Cường độ chịu nén OPC thấp

hơn GPC từ 2 đến 4 MPa. Bên cạnh đó, khoảng cách giữa các đường tuyến tính

GPC tương đối đều nhau trong khoảng cường độ từ 18 đến 21 MPa, điều này được

hiểu với khoảng giá trị này, có thể nội suy trực tiếp từ biểu đồ, mà không thông qua

công thức tính toán. Gốc lệch giữa các đường tuyến tính so với trục vạch giá trị trên

súng bật nẩy lớn, đánh giá được độ nhạy của cường độ phụ thuộc nhiều vào UPV.

Bảng 4.3 Một số hàm hồi quy đề xuất

Bậc hàm số Phương trình R2 1 -46,13 + 0,435n + 0,01332UPV 74%

2 180,4 + 10-3(4779n – 116,9UPV – 4,323n2 – 0,923(n.UPV) + 0,00176 UPV2 75%

3 5337 + 10-3(257100n – 5223UPV + 1614n2 – 135,8(n.UPV) + 1,602 UPV2 -3,66n3 – 2,908n2.UPV + 0,0017n.UPV2

76,3%

4

125,4.103 + 1121n – 119,7 UPV + 47,73n2 – 1,301(n.UPV) +0,04424UPV2 + 0,2778n3 – 0,0266n2.UPV + 0,0004n.UPV2 + 0,0013n4

76,7%

3800

3900

4000

4100

4200

4300

4400

4500

22232425262728293031

UPV

(m/s

)

Vạch giá trị trên súng bật nẩy (vạch)

OPC

GPC

73

a.Hàm số bậc nhất b.Hàm số bậc hai

c.Hàm số bậc ba d.Hàm số bậc bốn

Hình 4.8 Đồ thị các hàm số đề xuất

Từ các hàm số hồi quy được đề xuất trong Bảng 6 và các dạng đồ thị tương

ứng trong Hình 4.8 khi tăng số bậc của hàm số, phương trình càng phức tạp, đồ thị

xuất hiện càng nhiều các điểm uốn, mức độ chính xác (đặc trưng bởi trị số R2) tuy

có tăng, nhưng không đáng kể. Trong đó các thông số đặc trưng của mô hình tuyến

tính bậc nhất cho thấy mức độ chính xác của hàm số chưa cao (Hình 4.9). Tuy

nhiên, mô hình này có thể ứng dụng cho việc thiết kế sơ bộ, dễ dàng xác định cường

độ trong thực tế thông qua bảng tra hay công thức. Do đó, việc chọn mô hình tuyến

tính bậc nhất để xác định cường độ chịu nén bằng phương pháp không phá hoại là

phù hợp với thực tế, kết quả này tương tự đánh giá của Kamran Amini (2016).

74

Hình 4.9 So sánh kết quả thực nghiệm với tính toán theo hàm bậc nhất

4.4 Đánh giá hiệu quả ước tính cường độ chịu nén GPC bằng mô hình ANN

Việc huấn luyện mạng được thực hiện bằng phần mềm SPSS, dữ liệu

bao gồm 192 quan sát, trong đó 70% được sử dụng cho huấn luyện và 30%

được sử dụng cho kiểm tra đối chứng. Quá trình phân chia này được thực hiện

một cách ngẫu nhiên. Sau khi quá trình huấn luyện mạng kết thúc, ứng với

mỗi một mạng ANN ta sẽ có được một bộ trọng số của mô hình. Kết quả dự

báo của mô hình ANN về mặt lý thuyết sẽ được tính toán từ bộ trọng số tương

ứng với từng mô hình theo phương trình ở phần 2.3.2. Còn về mặt thực tiễn,

giá trị dự báo này sẽ được phần mềm SPSS tính toán ra bảng 4.4.

Bảng 4.4 Bộ trọng số mô hình ANN 12-4-3-1

Biến độc lập

Trọng số tiên lượng

Lớp ẩn 1 Lớp ẩn 2 Lớp giá

trị ra H(1:1) H(1:2) H(1:3) H(1:4) H(2:1) H(2:2) H(2:3) Cường độ

Lớp giá trị vào

(Bias) -0,034 0,005 0,282 -0,159

[Nhiệt độ=60] 0,338 -0,585 0,219 -0,182

[Nhiệt độ=80] 0,189 -0,537 -0,468 -1,145

[Nhiệt độ=100] 0,401 -0,739 -0,684 -0,922

[Nhiệt độ=120] -0,987 1,968 0,672 1,974

[Thời gian=2 h] -0,088 1,370 0,667 0,662

[Thời gian=4 h] 0,088 1,22 0,458 0,263

[Thời gian=6 h] 0,302 -0,217 -0,453 0,152

[Thời gian=8 h] 0,111 -0,752 0,050 -1,172

18

20

22

24

26

28

30

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

Cườn

g độ

chị

u né

n (M

Pa)

Số thứ tự mẫu

Cường độ chịu nén Cường độ chịu nén tính toán

75

[NaOH=10 M] -0,320 0,637 -0,152 0,711

[NaOH=12 M] -0,065 -0,175 0,193 0,490

[NaOH=14 M] 0,258 0,589 0,287 -0,844

[NaOH=16 M] 0,716 -1,141 0,049 -0,993

Lớp ẩn 1

(Bias) -0,007 0,286 -0,005

H(1:1) 1,787 1,562 -,942

H(1:2) 0,148 0,135 0,324

H(1:3) -0,357 -0,062 0,244

H(1:4) -2,532 -3,285 1,154

Lớp ẩn 2

(Bias) -1,138

H(2:1) 2,036

H(2:2) 1,684

H(2:3) -1,780

Bảng 4.5 Kết quả tiên lượng của mô hình ANN

ID Thực nghiệm

ANN 12-6-1

ANN 12-5-1

ANN 12-4-1

ANN 12-3-1

ANN 12-5-3-1

ANN 12-5-2-1

ANN 12-4-3-1

ANN 12-4-2-1

1 18,48 19,264 19,062 19,39 18,575 19,372 18,541 19,215 19,082 4 20,11 19,872 19,943 19,907 19,467 19,587 19,414 19,947 19,912 7 18,94 21,044 20,237 20,349 20,254 19,586 20,272 20,282 20,485 10 23,54 23,764 22,923 22,526 23,273 23,969 23,263 22,85 22,675 14 25,46 24,710 25,032 26,796 24,712 24,884 25,805 26,829 25,275 16 25,67 25,747 26,039 27,689 25,810 25,398 26,543 27,661 26,236 18 26,27 26,971 26,461 28,289 26,873 25,759 27,113 27,935 26,873 21 28,84 28,611 28,365 28,841 28,416 28,249 28,174 28,939 28,330 25 25,78 26,811 26,418 28,968 26,404 26,330 27,630 28,506 27,020 28 25,89 27,522 27,382 29,426 27,383 27,359 28,111 29,414 27,768 31 29,26 27,868 27,717 27,711 28,105 27,694 28,418 27,467 28,185 34 28,28 28,932 29,237 28,47 29,090 28,590 28,940 28,269 29,069 38 26,02 27,340 27,147 23,312 26,527 27,280 27,433 23,614 26,976 41 26,56 28,065 28,052 24,647 27,536 28,393 27,937 24,481 27,700 44 27,67 28,327 28,367 25,476 28,293 28,581 28,288 24,834 28,111 47 28,73 29,400 29,798 27,547 29,302 28,421 28,936 26,705 29,059 51 29,55 28,287 28,171 22,484 28,751 28,905 28,563 23,089 28,775 54 31,67 29,274 29,557 23,774 29,404 28,774 29,043 23,936 29,444 57 28,89 27,876 26,912 24,6 27,401 27,955 27,680 24,276 27,997 60 28,34 28,510 27,808 26,953 28,293 28,844 28,141 26,525 28,528 69 25,39 22,884 23,314 26,785 23,763 23,220 23,289 26,695 23,223 72 26,33 23,955 24,466 27,608 24,748 24,492 24,297 27,352 24,282 75 25,27 25,063 24,795 28,211 25,591 25,098 25,333 27,603 25,131 78 27,25 26,687 27,312 28,604 26,885 26,565 27,263 28,577 27,149 81 24,11 22,070 22,468 24,985 22,579 22,953 22,638 25,86 21,947 84 22,44 23,143 23,636 26,192 23,623 24,199 23,676 26,701 23,090 87 26,47 24,838 23,993 26,9 24,753 24,607 24,717 26,988 23,904 90 25,47 26,881 26,517 28,203 26,579 26,751 26,803 28,352 26,175

76

Bảng 4.6 Giá trị R2, SSE của ANN & LR

Mô hình R2 SSE ANN-12-6-1 85,2% 1,124 ANN-12-5-1 85,8% 3,18 ANN-12-4-1 86% 1,767 ANN-12-3-1 85,4% 1,439 ANN-12-5-3-1 85,5% 1,647 ANN-12-5-2-1 85,7% 1,535 ANN-12-4-3-1 86,4% 0,644 ANN-12-4-2-1 85,8% 1,462 LR 44% 2,4

Như thể hiện trong bảng 4.6, mô hình ANN 12-4-3-1 lớp ẩn có R2 cao nhất

và SEE thấp nhất, chứng tỏ mô hình này vượt trội hơn cho việc ước tính cường độ

GPC. Bên cạnh đó, cả hai mô hình ANN 1 lớp ẩn và 2 lớp ẩn đều có khả năng tiên

lượng tương đối hiệu quả (Hình 4.10), tuy nhiên trên cùng một mẫu quan sát, SSE

của ANN 1 lớp ẩn lớn hơn chứng tỏ mức độ sai lệch giữa giá trị dự báo so với thực

tế lớn hơn, nhưng vẫn chấp nhận được. Mặt khác, mô hình LR không đạt hiệu quả

cho việc ước tính GPC, so với mô hình ANN, do LR không thể biểu diển mối quan

hệ phi tuyến giữa các giá trị khảo sát. Thông thường, LR hiệu quả cho thiết kế sơ bộ

với dữ liệu lớn, trong thời gian ngắn mà không đòi hỏi độ chính xác cao, trong khi

đó độ chính xác này ANN lại làm rất tốt, bởi các thuật toán phức tạp mà mô hình

ràng buộc. Tuy các lý thuyết trong ANN tương đối phức tạp, nhưng không nhất

thiết phải nắm rõ mà vẫn có thể vận dụng mô hình này vào thực tế để dự báo một

hiện tượng (Sarle, 1994). Chính điều này mở ra một sự thay thế hoàn toàn các mô

hình phân tích thống kê truyền thống.

ANN đạt hiệu quả cao trong việc tiên lượng, rất phù hợp với giải thích của

Chester (1990), khi tăng số lớp ẩn sẽ tăng khả năng huấn luyện mạng và làm giảm

sai số, dẫn đến tăng khả năng hội tụ đến cực tiểu của hàm SSE. Bên cạnh đó làm

giảm nguy cơ cực tiểu cục bộ. Ngoài ra, do mối quan hệ thực tế giữa các biến vào

và biến ra là phi tuyến nên ANN 1 lớp ẩn không phù hợp điều này rất đúng với nhận

định của Cybenko (1898) và Bound (1988) khi nói rằng với mối quan hệ tuyến tính,

77

mô hình ANN 1 lớp ẩn đạt hiệu quả cao trong khi mối quan hệ phi tuyến lại ko tối

ưu.

Bảng 4.7 Kết quả tiên lượng của mô hình ANN và LR

ID Nhiệt

độ (0C)

Thời gian (h)

NaOH (M)

Thực nghiệm

ANN 12-4-3-1

ANN 12-4-1 LR

1 120 2 14 18,480 19,215 19,390 22,708 4 120 4 14 19,693 19,947 19,907 23,676 7 120 6 14 20,217 20,282 20,349 24,644 10 120 8 14 23,793 22,850 22,526 25,612 14 100 2 14 26,600 26,829 26,796 24,290 16 100 4 14 28,180 27,661 27,689 25,258 18 100 6 14 28,343 27,935 28,289 26,226 21 100 8 14 29,237 28,939 28,841 27,194 25 100 6 16 28,347 28,506 28,968 27,331 28 100 8 16 29,980 29,414 29,426 28,299 31 100 2 16 27,923 27,467 27,711 25,395 34 100 4 16 28,263 28,269 28,470 26,363 38 100 2 12 23,677 23,614 23,312 23,184 41 100 4 12 24,110 24,481 24,647 24,152 44 100 6 12 25,617 24,834 25,476 25,120 47 100 8 12 26,560 26,705 27,547 26,088 51 100 2 10 22,690 23,089 22,484 22,079 54 100 4 10 23,403 23,936 23,774 23,047 57 100 6 10 24,670 24,276 24,600 24,015 60 100 8 10 26,213 26,525 26,953 24,983 69 80 2 14 25,960 26,695 26,785 25,872 72 80 4 14 27,933 27,352 27,608 26,840 75 80 6 14 28,337 27,603 28,211 27,808 78 80 8 14 28,837 28,577 28,604 28,776 81 60 2 14 25,675 25,860 24,985 27,454 84 60 4 14 25,855 26,701 26,192 28,422 87 60 6 14 26,067 26,988 26,900 29,390 90 60 8 14 28,470 28,352 28,203 30,358

78

Hình 4.10 Giá trị tiên lượng của mô hình ANN-12-4-3-1 và LR

Ngoài việc tính toán giá trị dự báo, mô hình ANN còn phân tích được biến

nào có mức độ quan trọng lớn nhất trong dự báo và biến nào giải thích được nhiều

nhất cho sự biến thiên của kết quả đầu ra. Cụ thể khi phân tích bằng mô hình ANN

2 lớp ẩn (Hình 4.11) , điều kiện nhiệt độ có mức ảnh hưởng lớn nhất 51,4% so với

mức ảnh hưởng thấp nhất là 19,5% cho yếu tố thời gian dưỡng hộ. Độ nhạy của mô

hình phụ thuộc rất lớn vào điều kiện nhiệt độ, với 100% khả năng tiên lượng được

cường độ GPC, rõ ràng là có bất cứ sự thay đổi nhỏ nào, về nhiệt độ dưỡng hộ cũng

làm cho cường độ biến thiên. Bên cạnh đó, nồng độ NaOH cũng có thể lý giải cho

sự thay đổi này, tuy chỉ giải thích được hơn 50% khả năng tiên lượng, nhưng cũng

đánh giá được khách quan mức độ ảnh hưởng của 3 yếu tố đang khảo sát, khi ứng

dụng ANN vào phân tích thống kê.

Hình 4.11 Kết quả phân tích thứ hạng thể hiện mức độ ảnh hưởng của 3 yếu tố

trong mô hinh ANN 12-4-3-1 lớp ẩn

79

Chương 5

KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI

5.1 Kết luận

Dựa trên các đánh giá về ảnh hưởng của điều kiện dưỡng hộ và nồng độ

NaOH đến cường độ chịu nén của bê tông geopolymer và vận tốc truyền xung siêu

âm UPV, một số kết luận có thể được rút ra như sau:

� Điều kiện dưỡng hộ và nồng độ dung dịch NaOH ảnh hưởng trực tiếp đến

cường độ chịu nén và vận tốc truyền sóng siêu âm. Khi tăng nhiệt độ từ 600C

lên 1000C kết hợp với thời gian dưỡng hộ dài hoặc tăng nồng độ NaOH thì

cường độ phát triển mạnh, tăng trung bình 5-10% với mỗi khi tăng 200C. Giá

trị UPV phụ thuộc nhiều vào mật độ môi trường, khi cường độ càng cao, vận

tốc truyền càng lớn.

� Có thể đánh giá chất lượng bê tông geopolymer thông qua mối quan hệ giữa

cường độ chịu nén và UPV. Mối quan hệ tuyến tính được đề xuất là:

Cường độ chịu nén = -46,13 + 0,435.n + 0,01332.UPV

� Vận tốc truyền sóng trong GPC lớn hơn OPC. Với cùng một cường độ, UPV

đối với GPC lớn hơn khoảng 5-7%. Do đó, cần có sự hiệu chỉnh khi sử dụng

các bảng tra cường độ OPC cho GPC.

� Mô hình ANN có khả năng tiên lượng cường độ chịu nén GPC chính xác hơn

mô hình LR hàm bậc nhất.

� Mô hình ANN hai lớp ẩn và một lớp ẩn đều có khả năng dự đoán cường độ

tương đối tốt. Tuy nhiên, mô hình ANN hai lớp ẩn với cấu trúc ANN-12-4-3-

1 cho mức độ chính xác cao hơn.

� Điều kiện nhiệt độ ảnh hưởng lớn đến cường độ GPC với trọng số ảnh hưởng

trên 50% và có độ nhạy cao nhất đến khả năng tiên lượng cường độ.

80

5.2 Hướng phát triển đề tài

Ngoài những kết quả đã đạt được, báo cáo cũng còn một số hạn chế như:

chưa khảo sát được toàn bộ các yếu tố ảnh hưởng đến cường độ, mức độ tiên lượng

chỉ cục bộ ở một mảng dữ liệu được nạp vào mà chưa thiết kế một mô hình tổng

quát. Bên cạnh đó, do hạn chế về mặt lý thuyết chuyên môn trong lĩnh vực toán ứng

dụng và toán thống kê, nên báo cáo chỉ giới hạn ở mức độ ứng dụng, mà chưa đi sâu

xây dựng hay thay đổi các thuật toán trong mô hình.

Các kết quả của nghiên cứu có thể kế thừa và phát triển rộng hơn, đánh giá

toàn bộ các yếu tố, không chỉ dừng lại ở bài toán cường độ. Có thể mở rộng ra các

hệ số liên quan đến chất lượng bê tông như module đàn hồi, hệ số young, hệ số

poisson,… góp phần hoàn thiện lý thuyết tính toán, cơ sở khoa học cho một vật liệu

mới thân thiện với môi trường.

81

TÀI LIỆU THAM KHẢO

Arbib, Michael A. The Handbook of Brain Theory and Neural Networks. Cambridge, Massachusetts, London, England: THE MIT PRESS, 2002.

Benny Joseph a, George Mathew. "Influence of aggregate content on the behavior of fly ash based." Scientia Iranica (2012): 1188-1194.

Bounds, Lloyd, Mathew, Waddell. A multilayer perceptron network for the diagnosis of low back pain. San Diego: IEEE Annual, 1988.

Cherdsak Suksiripattanapong, Suksun Horpibulsuk, Pimsin Chanprasert, Patimapon Sukmak, Arul Arulrajah. "Compressive strength development in fly ash geopolymer masonry units manufactured from water treatment sludge." Construction and Building Materials (2015): 20-30.

Chester. " Why two hidden layers are better than one." Neural Networks (1990): 1265-1268.

Cybenko. "Approximation by superpositions of a sigmoidal function." Mathematics (1989): 303-314.

Eric, C. "Machine Learning Lesson of the Day - Overfitting and Underfitting." The Chemical Statistician (2014).

Gregor Trtnik, Franci Kavcˇicˇ, Goran Turk. "Prediction of concrete strength using ultrasonic pulse velocity and artificial." Ultrasonics (2008): 53-60.

Hardjito, Rangan. Studies of fly ash-based geopolymer concret. Paper presented. France: the World Congress Geopolymer, 2005.

Hecht-Nelson. " Kolmogorov's mapping neural network existence theorem." Neural Network (1987): 11-14.

J.Davidovits. "30 Years of Successes and Failures in Geopolymer Applications, Market Trends and Potential Breakthroughs." Geopolymer 2003 Conference (2002).

J.Davidovits. "Alkali Activated Materials." Lecture. 2015.

J.Davidovits. "Properties of geopolymer cement." Proceding first International conference on Akaline cements and concretes (1994): 131-149.

82

Jee Sang Kim, Tae Hong Kim. "An Ultrasonic Pulse Velocity Test on Fly-Ash Based Geopolymer Concrete in Frequency Domains." Applied Mechanics and Materials (2017): 310-313.

Jerzy Hola, Krysztof Schabowicz. "Application of ANN to determine concrete compressive strengh based on NDT." Civil Engineering and Management (2005): 23-32.

John L.Provis, Jannie S. J. van Deventer. Geopolymer with Hierarchically Meso-/Macroporous Structures from Reactive Emulsion Templating. 2014.

Kamran Amini, Mehdi Jalalpour. "Advancing concrete strength prediction using non-destructive testing: Development and verification of a generalizable model." Construction and Building Materials (2016): 762-768.

Khashei, Bijari. "A novel hybridization of artificial neural networks and ARIMA models." Applied Soft Computing (2011): 2664-2675.

L.Krishnan. "Geopolymer concrete an Eco–friendly construction material." (2014).

Lawrence. Introduction to Neural Networks: Design, Theory, and Applications. Nevada: California Scientific Software, 1994.

Lawrence, Fredrickson. "BrainMaker User's Guide and Reference Manual." (1998).

Marchandani, Cao. "On Hidden Nodes for Neural Nets." Circuits and Systems (1989): 661-664.

Marios Soutsos, Alan P. Boyle, Raffaele Vinai, Anastasis Hadjierakleous, Stephanie J. Barnett. "Factors influencing the compressive strength of fly ash based." Construction and Building Materials (2015): 355-368.

N.A.Lloyd, B.V.Rangan. "Geopolymer Concrete." urtin University of Technology (2010).

Nguyễn Sỹ Dũng, Lê Hoài Quốc. "Thuật toán thích nghi huấn luyện mạng neural trên cơ sở phương pháp Conjugate Gradient." Tạp chí Khoa học và Công nghệ (2006): 68-73.

83

Nguyễn Sĩ Dũng. Một thuật toán huấn luyện mạng neural dựa trên phương pháp Newton. Hội nghị Khoa học Công nghệ & Đào tạo. TP.HCM: Đai học Công nghiệp Tp.HCM, 2008.

Nguyễn Văn Chức. http://bis.net.vn. không ngày tháng. 12 May 2008 <http://bis.net.vn/forums/t/482.aspx>.

Palomo, Grutzeck, Blanco. "Alkali-activated fly ashes A cement for the future." (1999).

Phạm Hữu Đức Dục. Mạng nơron và ứng dụng trong điều khiển tự động. Hà Nội: Khoa Học Kỹ Thuật, 2009.

Phạm Huy Khang. "Tro bay và ứng dụng trong xây dựng đường ôtô." 2002.

Phạm Hữu Lê Quốc Phục. Nghiên cứu ứng dụng mạng neural giải quyết lớp bài toán dự đoán và phân loại. Luận văn thạc sĩ. Viet Nam: Khoa học máy tính, 2010.

SalawuOS. "Detection of structiral damage throught changes in frenquency." Structure and Material (1997): 718-723.

Salim T. Yousif, Salwa M. Abdullah. "Artificial Neural Network Model for Predicting Compressive." Eng. Sciences (2009): 55-66.

Tekin Yılmaz, Bayram Ercikdi, Kadir Karaman, Gökhan Külekçi. "Assessment of strength properties of cemented paste backfill by ultrasonic pulse." Ultrasonics (2014).

Tomasz Gorzelańczyk, Jerzy Hoła, Łukasz Sadowski, Krzysztof Schabowicz. "Non-destructive identification of cracks in unilaterally accessible massive concrete walls in hydroelectric power plant." Non-destructive identification of cracks in unilaterally accessible massive concrete walls in hydroelectric power plant (2016): 413-421.

Tống Tôn Kiên. Bê tông Geopolymer - những thành tuwjum tính chất và ứng dụng. Viet Nam, 2009.

Vũ Huyền Trân, Nguyễn Thị Thanh Thảo. "Nghiên cứu chế tạo gạch không nung bằng công nghệ Geopolymer sử dụng tro bay và phế thải bùn đỏ để xây dựng nhà." (2009).

84

Waszczyszyn. Neural Networks in Structural Engineer. Edinburgh: Saxe-Coburd, 2000.

Y.Hwang. Handbook of Neural Network Signal Processing. washington: CRC Press, 2002.

Zhang. "Forecasting with artificial neural networks The state of the art." Forecasting (1998): 35-62.

Zhang. "Time series forecasting using a hybrid ARIMA and neural network model." Neurocomputing (2003): 159-175.

SỬ DỤNG PHƯƠNG PHÁP KHÔNG PHÁ HOẠI MẪU KẾT HỢP …

Documents