Bài viết này giới thiệu cách tiếp cận mới trong việc sử dụng mô hình mạng nơ ron học sâu (DLNN) để dự đoán độ mất mát khối lượng của bê tông chứa cốt liệu cao su (RC) dưới tác dụng của nhiệt độ. Một mô hình cấu trúc của DLNN với 22 nơron trong 3 lớp ẩn được đề xuất. | 44 Lê Trần Minh Đạt Đoàn Viết Long ỨNG DỤNG MẠNG NƠ-RON HỌC SÂU TRONG DỰ BÁO ĐỘ MẤT MÁT KHỐI LƯỢNG CỦA BÊ TÔNG CHỨA CỐT LIỆU CAO SU DƯỚI ẢNH HƯỞNG CỦA NHIỆT ĐỘ PREDICTING MASS LOSS OF WASTE TIRE RUBBER CONCRETE UNDER EFFECT OF TEMPERATURE USING DEEP LEARNING NEURAL NETWORK Lê Trần Minh Đạt1 Đoàn Viết Long1 1 Trường Đại học Bách khoa - Đại học Đà Nẵng Tác giả liên hệ ltmdat@ Nhận bài 22 4 2021 Chấp nhận đăng 18 5 2021 Tóm tắt - Bài báo này giới thiệu cách tiếp cận mới trong việc sử Abstract - This paper presents an new approach using deep dụng mô hình mạng nơ ron học sâu DLNN để dự đoán độ mất learning neural network DLNN model to predict mass loss of mát khối lượng của bê tông chứa cốt liệu cao su RC dưới tác concrete containing waste tire rubber under effect of dụng của nhiệt độ. Một mô hình cấu trúc của DLNN với 22 nơron temperature. A structural DLNN model with 22 neurons in 3 trong 3 lớp ẩn được đề xuất. Bộ dữ liệu với 162 mẫu bao gồm hidden layers is proposed. A Dataset with 162 samples bốn yếu tố ảnh hưởng Tỉ lệ nước xi măng thời gian nung nhiệt including four influencing factors Water cement ratio độ tỉ lệ vụn cao su thay thế được sử dụng để huấn luyện và xác exposure durations temperature replacement rubber ratio for nhận mô hình đã được thu thập từ các tài liệu. Đầu ra là tỉ lệ mất training and vadilating the model has been collected from the mát khối lượng của RC. Mô hình DLNN được so sánh với hai kỹ literature. The output target is the mass loss of the RC. The thuật học máy khác là Random Forest và Multilayer Perceptron. DLNN model is compared with two other machine learning Kết quả cho thấy mô hình DLNN vượt trội hơn so với các mô techniques Random Forest and Multilayer Perceptron. The hình khác và do đó nó có thể được sử dụng như một phương pháp results show that the DLNN model is superior to other models phù hợp để dự đoán độ mất mát khối lượng của RC dưới ảnh and therefore it can be used as a suitable method to predict the hưởng của nhiệt