Publication: การศึกษาเปรียบเทียบประสิทธิภาพแบบจำลองกำลังต้านทานแรงเฉือนในคานคอนกรีตเสริมเหล็กแบบไม่เสริมเหล็กลูกตั้งด้วยเทคนิคการเรียนรู้ด้วยเครื่อง
0
0
Issued Date
2023-05-19
Resource Type
Language
tha
File Type
application/pdf
Access Rights
Open Access
Rights
ผลงานนี้เผยแพร่ภายใต้ สัญญาอนุญาตครีเอทีฟคอมมอนส์แบบ แสดงที่มา-ไม่ใช้เพื่อการค้า-ไม่ดัดแปลง 4.0 (CC BY-NC-ND 4.0)
Rights Holder(s)
มหาวิทยาลัยศรีนครินทรวิโรฒ
Suggested Citation
Sitthiphong Promprasit, สิทธิพงษ์ พรหมประสิทธิ์ (2023). การศึกษาเปรียบเทียบประสิทธิภาพแบบจำลองกำลังต้านทานแรงเฉือนในคานคอนกรีตเสริมเหล็กแบบไม่เสริมเหล็กลูกตั้งด้วยเทคนิคการเรียนรู้ด้วยเครื่อง. สืบค้นจาก: https://hdl.handle.net/20.500.14740/54376
Alternative Title(s)
A study of efficiency comparison in shear strength reinforced concrete beams without web reinforcement modeling using machine learning techniques
Advisor(s)
Organization
Abstract
The test results of the shear strength of reinforced concrete beams showed high uncertainty due to many complex factors. The objective of this research was to study how to predict the effects of shear resistance in CSL beams without web reinforcement steel and machine learning techniques and to compare it with the ACI-318 design and standard equation calculation method and find the main variables affecting predictions. The research methodology used started with secondary data collection. The CSL test results from past research revealed that the variables used in the study are divided into two types: Type 1 and Type 2, which consisted of 13 variables, divided into 70–30% of data sets for teaching and simulation testing for predicting values and finding basic parameters from teaching datasets. The best parameters were found with the Grid Search CV method. The results of the study showed that the technique of learning with the stacking ensemble algorithm gave the best results. The results of the assessment of the accuracy or performance of the model showed that the 13-variable type 2 dataset had R2 = 0.9656, MAPE = 0.1059, MSE = 872.9126, and RMSE = 29.5451. The top 3 predictive variables are as follows: (1) a/d ratio; (2) beam cross-sectional area; and (3) effectiveness depth. The statistical analysis results of the t-test was conducted to compare the prediction results by machine learning techniques and the actual shear strength test results. There was no statistically significant difference with a the confidence level of 0.05. The recommendation for future research is that the data could be increased and experimented with algorithms and other machine learning techniques.
จากผลการทดสอบค่าความต้านทานแรงเฉือนในคานคอนกรีตเสริมเหล็กพบว่ามีความไม่แน่นอนสูง เนื่องจากมีปัจจัยที่ซับซ้อนหลายตัวแปร อีกทั้งยังมีความน่าสนใจศึกษาและพัฒนาวิธีการคำนวณเพื่อใช้ในงานออกแบบคาน ค.ส.ล.ให้มีความถูกต้องแม่นยำมากขึ้น งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาเปรียบเทียบวิธีการทำนายผลค่ากำลังต้านทานหน่วยแรงเฉือนในคาน ค.ส.ล. แบบไม่เสริมเหล็กลูกตั้งด้วยเทคนิคการเรียนรู้ด้วยเครื่อง เพื่อนำมาเปรียบเทียบกับวิธีคำนวณด้วยสมการมาตรฐานการออกแบบของ ACI-318 และหาตัวแปรหลักที่ส่งผลต่อการทำนายค่า ระเบียบวิธีวิจัยที่ใช้สำหรับงานวิจัยเริ่มจากการเก็บข้อมูลชนิดทุติยภูมิมีที่มาจากผลการทดสอบคาน ค.ส.ล.ในห้องปฏิบัติการจากงานวิจัยที่ผ่านมา จำนวน 1,849 ตัวอย่าง ตัวแปรที่ใช้ศึกษาแยกออกเป็น 2 รูปแบบคือ แบบที่1 จำนวน 11 ตัว และ แบบที่ 2 จำนวน 13 ตัวแปร แบ่งชุดข้อมูลสำหรับสอนและทดสอบแบบจำลอง ร้อยละ 70/30 แบบจำลองการทำนายค่าเลือกใช้เทคนิคการเรียนรู้ด้วยเครื่องพื้นฐานและ Ensemble Algorithm สำหรับทำนายค่าและค้นหาค่าพารามิเตอร์เบื้องต้นจากชุดข้อมูลการสอน ค้นหาค่าพารามิเตอร์ที่ดีที่สุดด้วยวิธี Grid Search CV ผลการศึกษาพบว่าเทคนิคการเรียนรู้ด้วยเครื่อง Stacking Ensemble Algorithm สามารทำนายผลได้ดีมากที่สุด ผลการประเมินประสิทธิภาพแบบจำลองปรากฏว่า ชุดข้อมูลแบบที่ 2 จำนวน 13 ตัวแปร ได้ R2 =0.9656, MAPE= 0.1059, MSE= 872.9126 และ RMSE = 29.5451 เทคนิคการเรียนรู้ด้วยเครื่อง Staking Ensemble สามารถทำนายค่ากำลังต้านทานแรงเฉือนในคานได้อย่างถูกต้องมากกว่ามาตรฐาน ACI-319(89)และ ACI-319(19) ตัวแปรที่ส่งผลต่อการทำนายผล 3 อันดับแรกจากจำนวนตัวแปรทั้งหมด 13 ตัวแปร คือ 1) อัตราส่วน a/d 2) พื้นที่หน้าตัดคาน และ 3) ความลึกประสิทธิผล ผลการวิเคราะห์ด้วยวิธีทางสถิติ t-test พบว่าผลการทำนายค่าด้วยเทคนิคกาเรียนรู้ด้วยเครื่องและผลการทดสอบกำลังต้านทานแรงเฉือนจริงให้ห้องปฏิบัติการ ไม่มีความแตกต่างอย่างมีนัยสำคัญทางสถิติที่ระดับความเชื่อมั่น 0.05 ข้อแนะนำสำหรับการวิจัยในอนาคตคือควรมีการเพิ่มจำนวนข้อมูล และ ทดลองใน Algorithm เทคนิคการเรียนรู้ด้วยเครื่องแบบรูปแบบอื่นๆต่อไป
จากผลการทดสอบค่าความต้านทานแรงเฉือนในคานคอนกรีตเสริมเหล็กพบว่ามีความไม่แน่นอนสูง เนื่องจากมีปัจจัยที่ซับซ้อนหลายตัวแปร อีกทั้งยังมีความน่าสนใจศึกษาและพัฒนาวิธีการคำนวณเพื่อใช้ในงานออกแบบคาน ค.ส.ล.ให้มีความถูกต้องแม่นยำมากขึ้น งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาเปรียบเทียบวิธีการทำนายผลค่ากำลังต้านทานหน่วยแรงเฉือนในคาน ค.ส.ล. แบบไม่เสริมเหล็กลูกตั้งด้วยเทคนิคการเรียนรู้ด้วยเครื่อง เพื่อนำมาเปรียบเทียบกับวิธีคำนวณด้วยสมการมาตรฐานการออกแบบของ ACI-318 และหาตัวแปรหลักที่ส่งผลต่อการทำนายค่า ระเบียบวิธีวิจัยที่ใช้สำหรับงานวิจัยเริ่มจากการเก็บข้อมูลชนิดทุติยภูมิมีที่มาจากผลการทดสอบคาน ค.ส.ล.ในห้องปฏิบัติการจากงานวิจัยที่ผ่านมา จำนวน 1,849 ตัวอย่าง ตัวแปรที่ใช้ศึกษาแยกออกเป็น 2 รูปแบบคือ แบบที่1 จำนวน 11 ตัว และ แบบที่ 2 จำนวน 13 ตัวแปร แบ่งชุดข้อมูลสำหรับสอนและทดสอบแบบจำลอง ร้อยละ 70/30 แบบจำลองการทำนายค่าเลือกใช้เทคนิคการเรียนรู้ด้วยเครื่องพื้นฐานและ Ensemble Algorithm สำหรับทำนายค่าและค้นหาค่าพารามิเตอร์เบื้องต้นจากชุดข้อมูลการสอน ค้นหาค่าพารามิเตอร์ที่ดีที่สุดด้วยวิธี Grid Search CV ผลการศึกษาพบว่าเทคนิคการเรียนรู้ด้วยเครื่อง Stacking Ensemble Algorithm สามารทำนายผลได้ดีมากที่สุด ผลการประเมินประสิทธิภาพแบบจำลองปรากฏว่า ชุดข้อมูลแบบที่ 2 จำนวน 13 ตัวแปร ได้ R2 =0.9656, MAPE= 0.1059, MSE= 872.9126 และ RMSE = 29.5451 เทคนิคการเรียนรู้ด้วยเครื่อง Staking Ensemble สามารถทำนายค่ากำลังต้านทานแรงเฉือนในคานได้อย่างถูกต้องมากกว่ามาตรฐาน ACI-319(89)และ ACI-319(19) ตัวแปรที่ส่งผลต่อการทำนายผล 3 อันดับแรกจากจำนวนตัวแปรทั้งหมด 13 ตัวแปร คือ 1) อัตราส่วน a/d 2) พื้นที่หน้าตัดคาน และ 3) ความลึกประสิทธิผล ผลการวิเคราะห์ด้วยวิธีทางสถิติ t-test พบว่าผลการทำนายค่าด้วยเทคนิคกาเรียนรู้ด้วยเครื่องและผลการทดสอบกำลังต้านทานแรงเฉือนจริงให้ห้องปฏิบัติการ ไม่มีความแตกต่างอย่างมีนัยสำคัญทางสถิติที่ระดับความเชื่อมั่น 0.05 ข้อแนะนำสำหรับการวิจัยในอนาคตคือควรมีการเพิ่มจำนวนข้อมูล และ ทดลองใน Algorithm เทคนิคการเรียนรู้ด้วยเครื่องแบบรูปแบบอื่นๆต่อไป
Degree Name
วิทยาศาสตรมหาบัณฑิต (วท.ม.)
Degree Level
-
-
-
Degree Discipline
ภาควิชาวิทยาการคอมพิวเตอร์
Degree Grantor(s)
มหาวิทยาลัยศรีนครินทรวิโรฒ