học máy
Dự báo thời gian di chuyển đô thị bằng thuật toán CatBoost: Phát triển nền tảng NovaLog AI hỗ trợ tối ưu hóa logistics tại Việt Nam
Sự bất định của thời gian di chuyển đô thị làm giảm hiệu quả điều phối và tăng chi phí logistics tại Việt Nam lên mức 16,8% GDP. Nghiên cứu này đề xuất hệ thống NovaLog AI nhằm dự báo thời gian di chuyển và hỗ trợ tối ưu hóa lộ trình. Dựa trên bộ dữ liệu vi mô gồm hơn 20.000 hành trình với 11 đặc trưng đầu vào, nghiên cứu triển khai phương pháp xác thực chéo kết hợp 30 lần mô phỏng Monte Carlo nhằm giảm độ lệch chọn mẫu.
Mô hình hóa phi tuyến nhiệt độ hóa mềm nhựa đường biến tính lưu huỳnh bằng thuật toán Rừng ngẫu nhiên kết hợp phân tích PDP
Nghiên cứu này trình bày việc phát triển mô hình học máy dựa trên thuật toán Rừng ngẫu nhiên (RF) để dự báo nhiệt độ hóa mềm của nhựa đường biến tính lưu huỳnh. Bộ dữ liệu thực nghiệm bao gồm 6 thông số đầu vào cốt lõi: Hàm lượng lưu huỳnh, nhiệt độ hóa mềm của nhựa đường ban đầu, nhiệt độ trộn, thời gian trộn, tốc độ trộn và ngày tuổi mẫu.
Ứng dụng học máy trong dự báo độ rỗng dư của hỗn hợp SMA cốt liệu xỉ thép và phát triển công cụ hỗ trợ thiết kế
Nghiên cứu này nhằm phát triển các mô hình học máy để dự báo giá trị Va (độ rỗng dư) dựa trên bộ dữ liệu gồm 74 mẫu thí nghiệm. Hai thuật toán học máy được sử dụng là Gradient Boosting và Random Forest, kết hợp với thuật toán tối ưu siêu tham số Honey Badger Algorithm (HBA) để tìm kiếm bộ siêu tham số tối ưu.
Nghiên cứu, xây dựng hệ thống quản trị, điều phối tàu thuyền theo dữ liệu thời gian thực tại cảng biển TP Hồ Chí Minh
Cảng biển TP Hồ Chí Minh là cảng cửa ngõ lớn nhất Việt Nam, để phát triển thành cảng trung chuyển quốc tế đòi hỏi Cảng vụ hàng hải và cộng đồng cảng phải thay đổi phương thức quản lý truyền thống chủ yếu qua phương pháp thủ công, thông tin rời rạc, thiếu công cụ hỗ trợ ra quyết định… bằng giải pháp đẩy nhanh chuyển đổi số, thiết lập hệ thống quản trị dựa trên dữ liệu theo thời gian thực...
Phân tích đặc tính lưu biến của nhựa đường biến tính sợi polypropylene sử dụng mô hình học máy và SHAP
Nghiên cứu này phân tích đặc tính lưu biến của nhựa đường biến tính sợi polypropylene (PP) thông qua các mô hình học máy và phương pháp giải thích SHAP. Bộ dữ liệu gồm 132 mẫu được tổng hợp từ nhiều nguồn, bao gồm các đặc trưng vật liệu và điều kiện chế tạo.
Ứng dụng mạng nơ-ron sâu dự báo góc ma sát trong của đất loại sét lẫn dăm sạn
Nghiên cứu này ứng dụng mạng nơ-ron sâu dự báo φ của đất loại sét lẫn dăm sạn dựa trên 8.353 mẫu thí nghiệm từ các tuyến giao thông miền núi phía Bắc Việt Nam.
Nghiên cứu so sánh thuật toán Random Forest và LightGBM trong dự đoán lưu lượng giao thông ngắn hạn
Trong nghiên cứu này, hai mô hình học máy tổ hợp là Random Forest (RF) và Light Gradient Boosting Machine (LightGBM) được sử dụng để dự báo lưu lượng giao thông trên bộ dữ liệu gồm 2.976 mẫu. Các mô hình được đánh giá trên cả hai bài toán hồi quy và phân loại nhằm cung cấp cái nhìn toàn diện về hiệu năng.
Xây dựng và kiểm chứng khung mô hình ANFIS - HFIS trong đánh giá rủi ro thi công công trình kè biển Việt Nam
Bài báo đề xuất một khung mô hình đánh giá rủi ro thi
công đê, kè biển tại Việt Nam dựa trên hệ suy diễn mờ
thần kinh thích nghi (ANFIS).
Đánh giá rủi ro thi công kè biển bằng ANFIS: Nghiên cứu tại kè Xóm Rớ và Sa Huỳnh
Sự gia tăng xói lở bờ biển và biến động thủy hải văn tại khu vực miền Trung Việt Nam đã làm nổi bật nhu cầu phát triển các mô hình đánh giá rủi ro thi công công trình đê, kè biển có khả năng xử lý bất định và tính phi tuyến.
Nghiên cứu phương pháp Random Forest và XGBoot trong dự báo lưu lượng giao thông
Nội dung được tiến hành thử nghiệm đánh giá trên cả hai mô hình và kết quả cho thấy XGBoost là lựa chọn phù hợp tốt hơn cho bài toán dự báo lưu lượng và tình trạng giao thông so với Random Forest.
Dự báo khả năng chống xuyên thủng của sàn phẳng BTCT bằng kỹ thuật trí tuệ nhân tạo
Ngiên cứu này phát triển mô hình trí tuệ nhân tạo có khả năng tự điều chỉnh các thông số bằng thuật toán tối ưu hóa để dự báo khả năng chống xuyên thủng của sàn bê tông cốt thép.
Tối ưu hóa độ chính xác dự đoán kết cấu BTCT bị ăn mòn dựa trên so sánh các mô hình trí tuệ nhân tạo
Nghiên cứu này đánh giá các mô hình dự đoán và tập hợp để dự đoán khả năng chịu lực của kết cấu BTCT bị ăn mòn, sử dụng các kỹ thuật như máy hỗ trợ vectơ (SVMs), mạng nơ-ron nhân tạo (ANNs), hồi quy tuyến tính (LR) và hồi quy tuyến tính tổng quát (GENLIN) cũng như các mô hình hợp kết hợp các phương pháp này.
So sánh hiệu suất thuật toán hồi quy tuyến tính, học sâu và rừng ngẫu nhiên cho bài toán dự báo chịu tải cực hạn của khung thép phi tuyến tính phi đàn hồi
Trong nghiên cứu này, 3 thuật toán học máy phổ biến hiện nay được nghiên cứu cho bài toán dự báo khả năng chịu tải của khung thép bao gồm: Hồi quy tuyến tính, Học sâu và Rừng ngẫu nhiên.
Ứng dụng thuật toán học máy LightGBM cho bài toán hồi quy ước lượng khả năng chịu tải của giàn thép sử dụng phân tích trực tiếp
Tác giả giới thiệu thuật toán học máy LightGBM (light gradient boosting machine) cho bài toán hồi qui ước lượng khả năng chịu tải của giàn thép. Phân tích trực tiếp có xét đến phi tuyến tính phi đàn hồi được sử dụng để xác định khả năng chịu tải của công trình.
