臺灣博碩士論文加值系統

2016年Google Deepmind所開發之人工智慧程式AlphaGO以四勝一敗的戰績，擊敗了當時圍棋九段的南韓棋王。因此AlphaGO背後所運用的人工智慧深度學習技術開始受到了高度的重視。在眾多非破壞檢測試驗中，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。但根據相關文獻指出反彈錘試驗法跟超音波脈波波速試驗對於凝土抗壓強度的預測仍然存在著15~20%的誤差。因此本研究將於某集合住宅大樓進行反彈錘試驗跟超音波脈波波速試驗，並取得共100組的資料，再結合反彈錘和超音波脈波波速試驗的數據來作為人工智慧模型之訓練與測試資料，然後建立深度學習的多層次類神經網路技術來改善非破壞檢測中的混凝土抗壓強度人工智慧預測誤差。
研究結果顯示出，隱藏層為兩層激發方程式為sigmoid處理單元數目5個時(14-5-5-1)平均絕對百分比誤差最低為8.09%。此次結果較過去所得到的成果(平均絕對百分比誤差10%)，有些微的進步。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。

In 2016, Artifical intelligence,AlphaGO developed by Google Deep Mind beat the South Korea GO champion Lee Sedol the victory is considered a breakthrough for artificial intelligence. Therefore Artificial Intelligence deep learning start to be valued. In many non-destructive test (NDT) methods Rebound Hammer Method and Ultrasonic Pulse Velocity(UPV) test is of the most commonly used to examine the compressive strength of concrete. However using Rebound Hammer Method and Ultrasonic Pulse Velocity Test to estimate the concrete compressive strength has some 15%~20% errors. In this study we firstly obtain 100 groups test data from the Rebound Hammer Method and Ultrasonic Pulse Velocity, this data is used as the training and testing data for the artificial intelligence models, Establish deep learning Neural Network to improve the artifieial intelligence prediction error. improve non-destructive test compressive strength of concrete.
Netwok Structure two layers when the excitation equation is 5 sigmoid processing units(14-5-5-1) the mape is 8.09%. The results this time are compared with the results obtained in the past(mape10%). Can be found using local data AI The predictive model used to predict the predictive value of laboratory concrete specimens is getting better and better.

目錄
摘要 II
ABSTRACT III
誌謝 IV
目錄 V
表目錄 VII
圖目錄 VIII
第1章 緒論 1
1.1研究背景與動機 1
1.2研究目的 2
1.3研究步驟及流程 2
第2章 文獻回顧 4
2.1非破壞檢測方法介紹(Non-destructive Testing, NDT) 4
2.2反彈錘法(Rebound Hammer Method) 6
2.2.1傳統反彈錘介紹 6
2.2.2電子式反彈錘介紹 7
2.2.3反彈錘影響因素與限制 8
2.2.4反彈錘應用之文獻回顧 9
2.3超音波脈波波速試驗(Ultrasonic Pulse Velocity Test) 10
2.3.1超音波脈波波速原理 11
2.3.2超音波脈波波速相關應用文獻 13
2.4 SonReb方法（Ultrasonic Pulse Velocity + Rebound Hammer Tests） 15
2.5類神經網路(Artificial Neural Network) 16
2.5.1類神經網路介紹 16
2.5.2類神經網路系統之基本理論與架構 18
2.5.3類神經網路優缺點分析 21
2.5.4類神經網路之應用文獻 21
2.6深度學習(Deep Learning) 24
2.6.1深度學習之應用文獻 25
2.7小結 26
第3章 研究方法 27
3.1研究架構 27
3.2研究數據收集 27
3.2.1反彈錘試驗程序 29
3.2.2超音波脈波波速法式驗程序 30
3.2.3資料前處理 30
3.3建立深度學習模型 33
3.4效能預測評估方式 38
3.5小結 39
第4章 研究結果與分析 40
4.1深度學習模型程式執行與驗證 40
4.2類神經網路模型預測 41
4.2.1一層隱藏層之網路預測模型 41
4.2.2兩層隱藏層之網路預測模型 43
4.2.3三層隱藏層之網路預測模型 46
4.2.4四層隱藏層之網路預測模型 47
4.2.5五層隱藏層之網路預測模型 49
4.2.6六層隱藏層之網路預測模型 50
4.2.7七層隱藏層之網路預測模型 58
第5章 結論與建議 61
5.1結論 61
5.2建議 61
參考文獻 62
(一)中文文獻 62
(二)英文文獻 64
附錄一、反彈錘試驗數據 67
附錄二、超音波脈波波速試驗數據 68
附錄三、鑽心抗壓強度試驗數據 69

(一)中文文獻
1.曾靖雯，2018，應用人工智慧輔助超音波法推測現地混凝土強度，國立高雄科技大學，碩士論文。
2.施義芳，2016，結合人工智慧及SonReb實驗建立混凝土強度推估模式，國立高雄應用科技大學，博士論文。
3.江岱倫，2017，應用人工智慧輔助反彈錘法推測現地混凝土強度，國立高雄應用科技大學，碩士論文。
4.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，國立高雄應用科技大學，碩士論文。
5.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，碩士論文。
6.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。
7.林彥余、沈永年，2008，“混擬土版抗壓強度與反彈錘之關係應用”，國立高雄應用科技大學報，第37期。
8.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，國立中興大學，碩士論文。
9.黃茗科，2008，硬化混凝土反彈數試驗評估模式之研究，國立中興大學，碩士論文。
10.魏士翔，2008，“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28卷，第2期。
11.沈永年，2016，非破壞檢測，國立高雄應用科技大學土木系講義，高雄。
12.林國榮，1996，超音波縱波波速對不同性質混凝土強度關係之研究，國立中興大學，碩士論文。
13.張范宏，1996，以縱波波速評估高性能混凝土強度之研究，國立中興大學，碩士論文。
14.林宜清、童建樺、林永強、黃瑋倫(2014)，“開發應力波檢測技術以推估混凝土之早齡期強度”，中興工程，第122期，第116-119頁。
15.王建智、王和源、張書銓，2016，“飛灰水泥砂漿抗壓強度和超音波速預測模式”，技術學刊，第31卷，第4期，第249-258頁。
16.羅華強，2001，類神經網路－MATLAB 的應用，清蔚科技。
17.邱松山、王裕仁，2012，“以類神經網路與支援向量機預測公共工程決標金額之研究”，中工高雄會刊，第20卷，第1期，第11-20頁。
18.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，碩士論文。
19.王坤賢，2002，類神經網路於鋼構橋樑表面塗裝檢測之應用，國立交通大學，碩士論文。
20.陳英良，2006，模糊理論於雨量站網之研究，國立屏東科技大學，碩士論文。
21.郭仕堯、蕭樂群、張原賓，2010，“類神經網路於飛航網路運量預測之應用”，航空太空及民航學刊，第42卷，第1期，第67-72頁。
22.周世昊，2012，運用計算智慧預測上市首日收盤價與投資組合最適化，淡江大學，博士論文。
23.黃隆明、古緯中，2012，“應用倒傳遞類神經網路於PM10預測之研究”，水土保持學報，第44卷，第4期，第341-360頁。
24.俞競偉、傅睿、李雄威、王新軍，2016，“基於混合神經網路(GANN)的瀝青路面使用性能預測模型”，桂林理工大學學報，第36卷，第3期，第521-525頁。
25.任家輝，2016，以深度學習為基礎之影像辨識技術於教學管理之應用，國立虎尾科技大學，碩士論文。
(二)英文文獻
1.Khuram Rashid, Rumman Waqas, (2017), “Compressive strength evaluation by non-destructive techniques: An automated approach in construction industry”, Journal of Building Engineering, Vol.12, pp.147-154.
2.Breysse,D,(2012). “Nondertructive evaluation of concrete strength: An historical review and a new perspective by combining NTD methods”, Construction and Building Materials, Vol. 33 pp.139-163
3.Lucio Nobile and Mario Bonagura, (2013).“Accuracy of non-destructive evaluation of concrete compression strength”, The 12th International Conference of the Slovenian Society for Non-Destructive Testing, Portorož, Slovenia.
4.Arioglu, E., Arioglu, N., Girgin, C., (2001), “A Discussion of the paper “Concrete strength by combined nondestructive methods simply and reliably predicted” by H.Y. Qasrawi’, Cement and Concrete Research, 31, pp. 1239-1240.
5.Hisham Y. Qasrawi, (2000), “Concrete strength by combined nondestructive methods Simply and reliably predicted”, Cement and Concrete Research, Vol. 30, No. 5, pp. 739-746.
6.A.D’Ambrisi,M.T. Cristofaro, M. De Stefano, (2008),“.Predictive models for evaluating concrete compressive strength in existing buildings”, The 14 th World Conference on Earthquake Engineering October 12-17, 2008, Beijing, China.
7.Samia Hannachi, Mohamed Nacer Guetteche (2012). “Application of the Combined Method for Evaluating the Compressive Strength of Concrete on Site” Open Journal of Civil Engineering, Vol.2, pp. 16-21
8.Georgiou, G. M., & Koutsougeras, C. (1992), “Complex domain backpropagation” Ieee Transactions on Circuits and Systems Ii Analog and Digital Signal Processing, 39(5), 330-334.
9.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.
10.Ron Kohavi; Foster Provost (1998). "Glossary of terms". Machine Learning. Vol.30, pp. 271–274
11.Deng, L., & Yu, D. (2014). Deep learning: Methods and applications. Boston: Now. (三)參考網址
1.台灣非破壞檢測協會http://www.sntct.org.tw/
2.益瀚國際企業股份有限公司官網http://www.yenstron.com.tw/product_detail.asp?pro_ser=7270291
3.石傑方，類神經網路http://neuron.csie.ntust.edu.tw/homework/93/nn/homework2/m9304302/welcome.htm
4.[資料分析&機器學習] 第2.4講：資料前處理(Missing data, One-hot encoding, Feature Scaling) https://medium.com/jameslearningnote/%E8%B3%87%E6%96%99%E5%88%86%E6%9E%90-%E6%A9%9F%E5%99%A8%E5%AD%B8%E7%BF%92-%E7%AC%AC2-4%E8%AC%9B-%E8%B3%87%E6%96%99%E5%89%8D%E8%99%95%E7%90%86-missing-data-one-hot-encoding-feature-scaling-3b70a7839b4a
5.資料前處理IT邦幫忙https://ithelp.ithome.com.tw/articles/10191069
6.Keras中文檔案 https://keras.io/zh/
7.台部落 、使用Pandas DataFrame讀取數據並進行預處理https://www.twblogs.net/a/5b7e08d12b7177683854e6d7
8.IT邦幫忙DAY27認識損失函數https://ithelp.ithome.com.tw/articles/10227349
9.ITREAS01[work] Adam優化器https://www.itread01.com/content/1541910088.html
10.CSDN專業開發者區-優化算法-BGD、SGD、Momentum、Adam算法python實現https://blog.csdn.net/yzy_1996/article/details/84618536
11.IT邦幫忙DAY5Keras 模型、函數及參數使用說明
https://ithelp.ithome.com.tw/articles/10191725