跳到主要內容

臺灣博碩士論文加值系統

(35.173.42.124) 您好!臺灣時間:2021/07/26 14:14
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:江岱倫
研究生(外文):JIANG,DAI-LUN
論文名稱:應用人工智慧輔助反彈錘法 推測現地混凝土強度
論文名稱(外文):Apply Artificial Intelligence to Improve Concrete Compressive Strenth Estimetion on site using Rebound Hammer
指導教授:王裕仁王裕仁引用關係
指導教授(外文):WANG,YU-REN
口試委員:陳啟中施義芳陳怡兆
口試委員(外文):CHEN,QI-ZHONGSHI,YI-FANGCHEN,YI-ZHAO
口試日期:2017-06-23
學位類別:碩士
校院名稱:國立高雄應用科技大學
系所名稱:土木工程與防災科技研究所
學門:工程學門
學類:土木工程學類
論文種類:學術論文
論文出版年:2017
畢業學年度:105
語文別:中文
論文頁數:95
中文關鍵詞:反彈錘法迴歸分析支援向量機類神經網路適應性類神經模糊推論系統
外文關鍵詞:Rebound Hammer TestRegression AnalysisSupport Vector MachineArtificial Neural NetworksAdaptive neuro-fuzzy Inference System
相關次數:
  • 被引用被引用:2
  • 點閱點閱:308
  • 評分評分:
  • 下載下載:32
  • 收藏至我的研究室書目清單書目收藏:0
使用反彈錘檢測法來檢驗混凝土抗壓強度是現今最為便捷的非破壞檢測法之一,不會破壞結構體,又可顧及時效可行性及結構物安全性。
而人工智慧如:支援向量機、類神經網路以及適應性類神經模糊推論系統,在不同領域運用上,都有頗高的實用價值。從以往文獻得知相關混凝土強度預測模型幾乎是以實驗室混凝土試體為主,若能建立出實驗室試體與現地檢測都能通用之混凝土抗壓強度預測模型,則預測混凝土抗壓強度時可大幅地提高實用度。
因此本研究於板橋民宅進行反彈錘試驗取得100筆檢測值做為人工智慧模型之訓練與測試組資料,進行線性迴歸模型之預測,再使用支援向量機(SVM)、類神經網路(ANN)及適應性類神經模糊推論系統(ANFIS)三種人工智慧方法來建立預測模型,並將各模型之預測結果與實際抗壓強度比較後計算出平均絕對誤差百分比(MAPE)。最後嘗試將魏士翔(2012)數據之838筆實驗室試體數據套入本研究以板橋民宅所建立出之最佳預測模型,期望用現地數據建立出之模型也能用在實驗室試體的預測上。
研究結果顯示:線性迴歸建立之線性與非線性預測模型所得預測強度與實際抗壓強度比較求出平均MAPE為15.66%及16.75%,採用SVM、ANN以及AVFIS建立之預測模型,得之平均MAPE則為16.08%、18.67%、10.01%。最後以實驗室混凝土的2012數據得之預測結果:線性與非線性預測模型所計算出平均MAPE為14.8%、11.33%,SVM、ANN與ANFIS建立之預測模型得之平均MAPE為20.12%、18.67%、15.88%,可發現利用現地數據所建立之人工智慧預測模型用來預測實驗室混凝土試體之預測值有越來越佳之改善。

Using the Rebound Hammer Method to test the compressive strength of concrete is one of the most convenient non-destructive testing (DNT) methods. It will not damage the existing structure and can obtain the results immediately.
The Artificial Intelligence methods, such as SVMs, ANNs and ANFIS, are successfully applied in different fields. Previous researches on concrete compressive strength mainly used concrete cylinder samples in the lab. It is the goal of this research to develop a compressive strength prediction model that will work for both lab and on site Rebound Hammer Tests.
A total of 100 on site Rebound Hammer Test data are obtained from a residential building in New Taipei City. The data are used to build and test the proposed ANNs, SVMs and ANFIS models. The prediction results are compared with core sample destructive test results and the difference is measured in MAPE. Also, the developed model will be tested using the lab sample data collected by Wei (2012).
For data collected in the existing residential building, the analysis results show that the MAPE were 15.66% and 16.75% in the linear and nonlinear predictive model established by regression analysis. And the prediction models established by SVMs, ANNs and ANFIS yield the MAPE’s of 16.08% , 18.67% and 10.01%, respectively. At last, using the 2012 data from the lab to feed in the prediction model established, the results show that the average MAPE was 14.8% and 11.33% in the linear and nonlinear predictive model established by regression analysis. And the MAPE’s for SVMs, ANNs and ANFIS models are 20.12%, 18.67% and 15.88%, respectively.

目錄
摘要 I
ABSTRACT II
誌謝 III
表目錄 VII
圖目錄 VIII
第一章 緒論 1
1.1研究背景與動機 1
1.2研究目的 1
1.3研究流程 2
1.4章節架構介紹 4
第二章 文獻回顧 5
2.1非破壞檢測方法介紹(Non-destructive Testing, NDT) 5
2.1.1反彈錘檢測法(Rebound Hammer Test,RHT) 6
2.1.2反彈錘原理 10
2.1.3反彈錘影響因素與限制 11
2.1.4反彈錘應用之文獻回顧 12
2.2支援向量機(Support Vector Machine) 14
2.2.1支援向量機(Support Vector Machine) 14
2.2.2支援向量機原理架構 15
2.2.3最小平方支援向量機 (LSSVM) 16
2.2.4支援向量機應用之文獻回顧 17
2.3類神經網路系統(Artifical Neural Networks) 20
2.3.1類神經網路介紹 20
2.3.2類神經網路系統之基本理論與架構 21
2.3.3類神經網路優缺點分析與應用 25
2.3.4類神經網路應用之文獻回顧 27
2.4適應性類神經模糊推論系統(Adaptive neuro-fuzzy Inference System) 29
2.4.1適應性類神經模糊推論系統介紹 29
2.4.2適應性類神經模糊推論系統原理架構 30
2.4.3模糊推論與類神經網路比較 33
2.4.4適應性類神經模糊推論系統之應用文獻 34
2.5小結 38
第三章 研究方法與規劃 39
3.1研究架構 39
3.2研究數據解析 40
3.2.1反彈錘現地試驗介紹 40
3.2.2反彈錘進行抗壓強度之試驗程序 41
3.2.3試驗後,分析前資料處理 43
3.3線性迴歸模型 43
3.3.1迴歸分析介紹 43
3.3.2線性迴歸模型(Linear Regression) 44
3.3.3非線性迴歸模型(Nonlinear Regression) 46
3.4支援向量機 48
3.4.1支援向量機簡介 48
3.4.2最小平方支援向量機 (LSSVM)之理論架構 48
3.4.3最小平方支援向量機 (LSSVM)模型之建立 50
3.5類神經網路 52
3.5.1類神經網路簡介 52
3.5.2類神經網路架構 52
3.5.3類神經網路模型建立 53
3.5.4類神經網路參數設定 55
3.6適應性類神經模糊推論系統 55
3.6.1適應性類神經模糊推論系統說明 55
3.6.2適應性類神經模糊推論系統演算法 56
3.6.3適應性類神經模糊推論系統(ANFIS)模型建立與參數設定 56
3.7效能預測評估方式 58
3.8小結 58
第四章 研究分析與探討 59
4.1使用迴歸模型預測混凝土強度 59
4.1.1使用2012數據建立模型並預測混凝土強度 61
4.2使用支援向量機預測混凝土強度 61
4.2.1支援向量機(SVR)模式參數設定 62
4.2.2以LSSVM方式預測混凝土強度 62
4.2.3使用2012數據建作為測試組預測混凝土強度 64
4.3使用類神經網路預測混凝土強度 64
4.3.1網路架構及參數設定 64
4.3.2以類神經網路方式預測混凝土強度 66
4.3.3使用2012數據作為測試組預測混凝土強度 68
4.4使用適應性類神經模糊推論系統預測混凝土抗壓強度 68
4.4.1以[3 3]歸屬函數建立適應性類神經模糊推論系統模型 69
4.4.2以[5 5]歸屬函數建立適應性類神經模糊推論系統模型 70
4.4.3以[8 8]歸屬函數建立適應性類神經模糊推論系統模型 71
4.4.4使用2012數據作為測試組預測混凝土強度 72
4.5小結 72
第五章 結論與建議 74
5.1 結論 74
5.2 建議 75
參考文獻 76
作者簡歷 84


一、英文文獻
1.Abbas M.Abd, SuhadM.Abd. (2017), “Modelling the strength of lightweight foamed concrete using support vector machine(SVM)”, Case Studies in Construction Materials , Vol.6, pp. 8-15.
2.Bashar S. Mohammed, Najwa Juaini Azmi, M. Abdullahi. (2011), “Evaluation of rubbercrete based on ultrasonic pulse velocity and rebound hammer tests”, Construction and Building Materials , Volume 25, pp. 1388-1397.
3.Benlan He, Yong Shi, Qian Wan, Xi Zhaok. (2014), “Prediction of customer attrition of commercial banks based on SVM model”, Procedia Computer Science, Vol. 31, pp. 423-430.
4.Chamkalani, A. , Zendehboudi, S., Bahadori, A. , Kharrat, R., Chamkalani, R., James, L. & Chatzis. (2014). “Integration of LSSVM technique with PSO to determine asphaltene deposition”, Journal of Petroleum Science and Engineering, Vol. 124, pp. 243-253.
5.Guangru Xu, Minghui Zhang, Hongxing Zhu, Jinhua Xu. (2017), “A 15-gene signature for prediction of colon cancer recurrence and prognosis based on SVM”, Gene, Volume 604, pp. 33-40.
6.Hamid Eskandari-Naddaf and Ramin Kazemi. (2017), “ANN prediction of cement mortar compressive strength, influence of cement strength class”, Construction and Building Materials, Volume 138, pp. 1-11.
7.Jang, J.S.R., 1993, “ANFIS:Adaptive-Network-Based Fuzzy Inference System” IEEE Transactions on Systems, Man, and Cybernetics”, Vo1.23, No.3,665-685.
8.Jang, J.S.R., 1993, “ANFIS:Adaptive-Network-Based Fuzzy Inference System” IEEE Transactions on Systems, Man, and Cybernetics”, Vo1.23, No.3,665-685.
9.Jin-Keun Kim, Chin-Yong Kim, Seong-Tae Yi, Yun Lee. (2009), “Effect of carbonation on the rebound number and compressive strength of concrete”, Cement & Concrete Composites, Volume 31, pp. 139-144.
10.Kamran Amini, Mehdi Jalalpour, Norbert Delatte. (2016), “Advancing concrete strength prediction using non-destructive testing: Development and verification of a generalizable model”, Construction and Building Materials , Volume 102, pp. 762-768.
11.Keun Young Lee, Namil Chung, Suntae Hwang. (2016), “Application of an artificial neural network (ANN) model for predicting mosquito abundances in urban areas”, Ecological Informatics , Volume 36, pp.172-180.
12.L. Yang., E.Entchev.(2014). “Performance prediction of a hybrid microgeneration system using Adaptive Neuro-Fuzzy Inference System (ANFIS) technique”, Journal of Petroleum Science and Engineering,pp.197-203.
13.Maitham Alwash, Denys Breysse, Zoubir Mehdi Sbartaï, Katalin szilágy, Adorján Borosnyóì (2003), “Factor affecting the reliability of assessing the concrete strength by rebound hammer and cores”, Construction and Building Materials, Vol. 140, pp.354-363.
14.Maitham Alwash, Zoubir Mehdi Sbartaï, Denys Breysse. (2016), “Non-destructive assessment of both mean strength and variability of concrete: A new bi-objective approach”, Construction and Building Materials, Volume 113, pp. 880-889.
15.Raffaele Pucinotti. (2015), “Reinforced concrete structure: Non destructive in situ strength assessment of concrete”, Construction and Building Materials, Vol. 75, pp. 331-341.
16.Rocco Langonea, Carlos Alzatea, Bart De Ketelaereb, Jonas Vlasselaerc, Wannes Meertc, Johan A.K. Suykensa.(2015), “LS-SVM based spectral clustering and regression for predicting maintenance of industrial machines”, Engineering Applications of Artificial Intelligence Volume 37, January 2015, Pages 268–278.
17.S. Amirkhani, Sh. Nasirivatan, A.B. Kasaeian, A. Hajinezhad. (2004), “ANN and ANFIS models to predict the performance of solar chimney power plants”, Renewable Energy, Vol.83, pp.597-607.
18.Sulafa Hag Elsafi. (2014), “Artificial Neural Networks (ANNs) for flood forecasting at Dongola Station in the River Nile, Sudan”, Alexandria Engineering Journal, Volume 53, pp. 655-662.
19.Suykens J. A. K., Gestel T. V., Brabanter J. D., Moor B. D., and Vandewalle J ,2002, “Least Squares Support Vector Machines.” Singapore: World Scientific.
20.Suykens J. A. K., Gestel T. V., Brabanter J. D., Moor B. D., and Vandewalle J ,2002, “Least Squares Support Vector Machines.” Singapore: World Scientific.
21.T. Srihari Vikram & K. S. Reddy. (2015), “Investigation of convective and radiative heat losses from modified cavity based solar dish steam generator using ANN”, International Journal of Thermal Sciences, Volume 87, pp.19-30.
22.Vapnik, V. N. ,1995,“The Nature of Statistical Learning Theory”, Springer- Verlag, New York.
23.Victor H. Quej, Javier Almorox, Javier A. Arnaldo, Laurel Saito. (2017), “S ANFIS, SVM and ANN soft-computing techniques to estimate daily global solar radiation in a warm sub-humid environment”, Journal of Atmospheric and Solar–Terrestrial Physics, volume 155, pp. 62-70.

二、中文文獻
1.Cho-Wei Shih,2011,企業整合實驗室網站-有關支援向量機。
2.王惠嘉(2013),「探討文字探勘方法對電子病歷進行ICD-9-CM自動編碼之研究」,醫療資訊雜誌,第二十二卷,第一期,第35-50頁。
3.王嘉聖(2001),「反彈錘有效性之研究」,逢甲大學,土木及水利工程研究所,碩士論文,台中。
4.吳易達、湯燦泰、石明于、周正權、高肇宏、黃鐘賢(2009),「基於階層式架構的車色分類系統」,電腦與通訊,第128期。
5.呂奇傑、李天行、高人龍、黃敏菁(2009),「支援向量機與支援向量迴歸於財務時間序列預測之應用」,數據與分析,第4卷,第2期,第35-56頁。
6.李忠穎、楊正宏、鄭守甫、賴君宇(2005),國立勤益科技大學,專題製作,台中。
7.李家政(1999),「反彈錘配合類神經網路推估混凝土強度可行性之研究」,中華大學,土木工程學系,碩士論文,新竹。
8.沈永年、林彥余(2006),「CLSM強度發展之非破壞檢測研究」,鋪面工程期刊,第四卷,第四期,第43-49頁。
9.林宗勳,Support Vector Machines 簡介。
10.林彥余(2007),「混凝土抗壓強度與超音波速及反彈數關係之研究」,國立高雄應用科技大學,碩士論文,高雄。
11.林哲甫(2015) ,「以適應性類神經模糊推論系統預測建築工程專案績效之研究」,國立高雄應用科技大學土木工程與防災科技研究所,高雄。
12.林逸塵(2002),「類神經網路應用於空氣品質預測之研究」,國立中山大學,環境工程研究所,碩士論文,高雄。
13.梅家華(2007),灌入法與反彈錘法在添加粗粒料預拌土攘材料強度檢測上之應用。
14.郭文田、魏士翔(2013),「應用電子式反彈錘及適應性類神經模糊推論系統預測混凝土抗壓強度」,技術學刊,第二十八卷,第77-87頁。
15.郭琇靜、顧瑞祥(2002),「應用支援向量機於管制圖異常圖形之辨識」,中華民國品質學會第 43 屆年會暨第 13 屆全國品質管理研討會,第259-268頁。
16.陳同孝、陳榮昌、何英治、陳柏仰(2005),「使用支援向量機以及線上問卷調查系統建立自動化信用卡防盜刷系統」,中山醫學雜誌,第16卷,第2期。
17.陳志龍(2006),「運用類神經網路與技術指標預測股票型基金漲跌及交易時機之研究─以台灣50指數股票型基金為例」,朝陽科技大學,資訊管理系,碩士論文,台中。
18.陳宜旻(2016),「應用人工智慧方法改善超音波檢測混凝土之抗壓強度」,國立高雄應用科技大學,土木工程系土木工程與防災科技碩士班,碩士論文,高雄。
19.陳明華(2011),「應用基於改良式調和搜尋之支援向量分類法」,Journal of Crisis Management,第8期,第1卷。
20.陳信源、葉鎮源、林昕潔、黃明居、柯皓仁、楊維邦(2009),「結合支援向量機與詮釋資料之圖書自動分類方法」,International Journal of Advanced Information Technologies (IJAIT),第3期。
21.陳瑜芳(2013),「應用適應性模糊推論系統預測氣候條件對河川水質之影響-以旗山溪為例」,國立臺中教育大學,科學應用與推廣學系環境教育及管理碩士班,碩士論文,台中。
22.陳寬裕、王正華(2005),「以遺傳演算法優化支援向量迴歸在旅遊需求預測上的應用」,戶外遊憩研究,春字號,第18期,第1卷。
23.陳靜文(2015),「應用支援向量機與集成學習法改善反彈錘測試之強度預測」,國立高雄應用科技大學土木工程與防災科技研究所,高雄。
24.陸相賢 (2014),「應用支援向量機改善反彈錘測試之強度預測」,國立高雄應用科技大學,土木工程與防災科技研究所營管組,碩士論文,高雄。
25.陸相賢 (2014),「應用支援向量機改善反彈錘測試之強度預測」,國立高雄應用科技大學,土木工程與防災科技研究所營管組,碩士論文,高雄。
26.辜炳寰(2002),「類神經網路於土壤頁畫評估之應用」,國立成功大學,土木工程研究所,碩士論文,台南。
27.黃承龍、陳穆臻、王界人(2004),「支援向量機於信用評等之應用」,計量管理期刊,vol1,no.2,第155-172頁。
28.黃茗科(2008),「硬化混凝土反彈數試驗評估模式之研究」,中興大學,土木工程學系,碩士論文,台中。
29.楊景欽(2002),「類神經網路運用於型材矯直之研究」,國立中興大學,機械工程學系,碩士論文,台中。
30.葉怡成(1990),「以類神經網路作結構分析」,國立成功大學土木工程研究所博士論文,台南市。
31.葉怡成(2001),「應用類神經網路」,三版,儒林圖書有限公司,臺北。
32.葉怡成(2002),「應用類神經網路」,儒林圖書有限公司。
33.葉怡成(2003),「類神經網路模式應用與實作」,儒林圖書公司,修訂八版
34.葉怡成(2003),「類神經網路模式應用與實作」,儒林圖書公司,修訂八版。
35.葉清江、齊德彰、何秉劼(2012),「結合變數篩選之最小平方支援向量機於財務危機預警模型之研究」,國際資訊管理研討會,資料探勘與倉儲篇。
36.詹益光(2012),「應用適應性類神經模糊推論系統估算核電廠氣輪發電機之輸出功率」,國立台灣科技大學,電機工程系,博士論文,台北。
37.雷祖強、萬絢、林沂樺、吳仕傑、李素馨(2012),「運用空間知識探勘技術在土石流分類模式建立之研究-以陳有蘭溪流域為例」,水土保持技師公會,水保技術,第7期,第4卷,第198-211頁。
38.雷德仁(2006),「國防預算預測之研究:應用類神經網路與支援向量機」,國防大學,管理學院,國防財務資源管理研究所,碩士論文,桃園。
39.蔡獲光(2006),「應用ANFIS模式於台灣東部海域之季節風波浪推算」,國立交通大學,土木工程研究所,碩士論文,新竹。
40.鄭印呈(2014),「混凝土打擊試驗裝置Concrete Test & Surveyor CTS-02V4」,三聯科技非破壞檢測說明簡報。
41.盧姲伶(2016),「建立通用人工智慧預測模型之可行性研究-以反彈錘檢測混凝土抗壓強度為例」,第51-68頁,國立高雄應用科技大學,土木工程與防災科技研究所營管組,碩士論文,高雄。
42.謝邦昌(2015),類神經網路課程講義,第1-3頁,輔仁大學,新北。
43.魏士翔(2012),「ANFIS 應用於混凝土抗壓強度預測模式」,第79-94頁,國立高雄應用科技大學,土木工程與防災科技研究所,碩士論文,高雄。
44.魏士翔(2013),「應用電子式反彈錘及適應性類神經模糊推論系統預測混凝土抗壓強度」,技術學刊,第二十八卷,第二期。
45.羅淑娟、柯秀奎、林晶璟(2008),「網路服務品質探勘與管制」,交大管理學報,第二十八卷,第一期。
46.鐘東志(2014),「混凝土堤方鋪面劣化安全評估方法之探討」,屏東科技大學,土木工程系所,碩士論文,屏東。

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關點閱論文