Ăn mòn ảnh hưởng đáng kể đến độ bền của kết cấu bê tông cốt thép (BTCT) trong các tòa nhà. 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 hìnhtập hợp kết hợp các phương pháp này. Sử dụng 100 bộ dữ liệu từ các tòa nhà dân cư tại TP.HCM, các mô hình đã được thử nghiệm, với mô hình (ANNs) và (LR) đạt được độ chính xác dự đoán cao nhất là 98% về khả năng chịu lực của kết cấu BTCT bị ăn mòn. Những mô hình này tỏ ra hiệu quả trong việc dự đoán sớm và chính xác về độ bền của kết cấu, rất quan trọng cho việc lập kế hoạch bảo trì kịp thời. Từ khóa: Học máy
trí tuệ nhân tạo
ăn mòn
cường độ nén
bê tông.Corrosion significantly affects the durability of reinforced concrete structures in buildings. This study evaluates prediction and ensemble models to predict on the bearing capacity of corroded reinforced concrete structures, utilizing techniques such as Support Vector Machines, Artificial Neural Networks, Linear Regression, Generalized linear model and ensemble models combining these methods. Using a dataset from 100 residential buildings in Ho Chi Minh City, Vietnam, the models were tested, with the (ANNs) and (LR) model achieving the highest prediction accuracy of 98% on the bearing capacity of corroded reinforced concrete structures. These models prove effective for early and accurate predictions of structural durability, crucial for timely maintenance planning. Từ khóa: Machine learning
artificial intelligence
corrosion
compressive strength
concrete.