Luận văn thạc sĩ kỹ thuật xây dựng machine learning in predicting mechanical behavior of 3d printed beams with triply periodic minimal surface tpms sandwich cores

Luận văn thạc sĩ nghiên cứu kỹ thuật xây dựng machine learning in predicting mechanical behavior of 3d printed beams with, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện pháp

• Tác giả: Tran Quoc Kim
• Người hướng dẫn: Dr. Nguyen Thi Bich Lieu
• Trường học: Ho Chi Minh University of Technology
• Chuyên ngành: Civil Engineering
• Đề tài: Dự Đoán Hành Vi Cơ Học Của Thanh In 3D Bằng Machine Learning Với Lõi Sandwich TPMS
• Loại tài liệu: master thesis
• Năm xuất bản: 2023
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• MASTER THESIS ASSIGNMENTS
• LIST OF ABBREVIATIONS
• LIST OF TABLES AND CHARTS
• LIST OF FIGURES
• 1. Research topic
• 1.1. Research objective and contents
• 1.2. Research object and scope
• 2. Triply periodic minimal surface structures
• 2.1. Triply periodic minimal surface
• 2.2. Applications of TPMS
• 3. TPMS-reinforced beam
• 3.1. Cement beam with 3D printed TPMS core
• 3.2. Effectiveness of TPMS core
• 3.3. Finite element analysis simulation
• 4. Machine learning model
• 4.1. Introduction to machine learning
• 4.2. Artificial neural networks
• 5. RESULTS AND DISCUSSIONS
• 5.1. Finite element method process
• 5.1.1. Mesh convergence study
• 5.1.2. Impact of TPMS-core properties
• 5.2. Machine learning process
• 5.2.1. Model hyperparameter tuning
• 5.2.2. Best model predictions
• 6. CONCLUSION AND RESEARCH DEVELOPMENT DIRECTION
• 6.1. Research development direction
• LIST OF PUBLICATIONS

Tóm tắt

I. Giới thiệu

Luận văn này tập trung vào việc sử dụng machine learning để dự đoán hành vi cơ học của các thanh in 3D gia cường với lõi sandwich có bề mặt TPMS (bề mặt cực tiểu tam tuần hoàn). Sự phát triển của công nghệ in 3D đã mở ra nhiều cơ hội mới trong lĩnh vực xây dựng, đặc biệt là trong việc tối ưu hóa các vật liệu và cấu trúc. Các cấu trúc xốp được thiết kế với hình dạng TPMS mang lại nhiều lợi ích về mặt cơ học, bao gồm khả năng chịu tải tốt và độ bền cao. Nghiên cứu này nhằm mục đích phát triển một mô hình machine learning có độ tin cậy cao để dự đoán hành vi của các thanh bê tông cốt thép gia cường bằng nhựa TPMS. Theo đó, nghiên cứu cũng sẽ khảo sát các yếu tố ảnh hưởng đến hành vi của thanh, từ đó đưa ra các giải pháp tối ưu hóa.

II. Mô hình TPMS và ứng dụng

Các cấu trúc TPMS được biết đến với khả năng phân tán tải trọng một cách hiệu quả. Chúng có thể tạo ra các không gian rỗng bên trong, giúp giảm trọng lượng mà vẫn đảm bảo khả năng chịu lực. Lõi sandwich TPMS không chỉ giảm thiểu độ võng mà còn cải thiện độ bền của thanh bê tông khi chịu tải. Nghiên cứu cho thấy rằng việc sử dụng các lớp lõi TPMS có thể cải thiện đáng kể các đặc tính cơ học của thanh bê tông. Các ứng dụng của TPMS rất đa dạng, từ xây dựng đến y tế, và đặc biệt là trong các lĩnh vực cần cấu trúc nhẹ nhưng vẫn chịu được tải trọng lớn. Việc kết hợp giữa công nghệ in 3D và vật liệu composite giúp mở rộng khả năng ứng dụng của TPMS trong thực tiễn.

III. Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp phân tích phần tử hữu hạn (FEM) để mô phỏng hành vi của các thanh bê tông gia cường bằng lõi TPMS. Dữ liệu thu thập được từ các mô phỏng này sẽ được sử dụng để phát triển mô hình machine learning. Quá trình phát triển mô hình bao gồm ba bước: điều chỉnh siêu tham số, đánh giá hiệu suất mô hình ban đầu và xử lý quá khớp bằng các kỹ thuật học sâu. Kết quả cho thấy mối quan hệ tỷ lệ thuận giữa tỷ lệ thể tích và tải trọng cực đại của thanh, đồng thời cũng chỉ ra rằng có tồn tại một giá trị giới hạn mà các đặc tính không thể đạt được ở một tỷ lệ thể tích cụ thể. Mô hình cuối cùng được phát triển được xác nhận bởi các sai số tối đa giữa các dự đoán và kết quả FEM.

IV. Kết quả và thảo luận

Kết quả nghiên cứu chỉ ra rằng mô hình machine learning có khả năng dự đoán chính xác hành vi của các thanh in 3D gia cường với lõi TPMS. Các dự đoán về tải trọng cực đại và độ lệch tối đa cho thấy mô hình có thể xử lý dữ liệu phức tạp từ FEM một cách hiệu quả. Thông qua việc điều chỉnh các tham số của mô hình, nghiên cứu đã đạt được những kết quả đáng khích lệ, cho thấy tiềm năng của việc áp dụng machine learning trong lĩnh vực xây dựng. Điều này không chỉ giúp tiết kiệm thời gian mà còn giảm thiểu chi phí trong quá trình thiết kế và kiểm tra các cấu trúc mới. Mô hình này có thể được sử dụng như một bản đồ thiết kế cho việc áp dụng TPMS trong các thanh bê tông trong tương lai.

V. Kết luận và hướng phát triển

Luận văn đã chỉ ra rằng việc sử dụng machine learning trong việc dự đoán hành vi cơ học của các thanh in 3D gia cường với lõi TPMS là khả thi và hiệu quả. Nghiên cứu mở ra nhiều hướng phát triển mới cho việc áp dụng công nghệ này trong ngành xây dựng. Các nghiên cứu tiếp theo có thể tập trung vào việc tối ưu hóa mô hình và mở rộng ứng dụng của TPMS trong các lĩnh vực khác nhau. Việc phát triển các mô hình dự đoán chính xác hơn sẽ giúp nâng cao hiệu quả và độ tin cậy trong thiết kế các cấu trúc mới, từ đó góp phần thúc đẩy sự phát triển bền vững trong ngành xây dựng.

Nội dung chính

Tổng quan nghiên cứu

Sự ăn mòn cốt thép trong bê tông truyền thống là thách thức kỹ thuật lớn tại các công trình chịu xâm thực mặn hoặc ngập nước. Việc kết hợp công nghệ in 3D và vật liệu polyme tái chế như Acrylonitrile Butadiene Styrene (ABS) mở ra giải pháp thay thế hiệu quả cho kết cấu chịu lực nhẹ. Nghiên cứu thực nghiệm cho thấy việc gia cường dầm xi măng bằng cấu trúc bề mặt cực tiểu tam tuần hoàn (TPMS) giúp tăng khả năng hấp thụ năng lượng từ mức 15 J ở dầm không gia cường lên đến 20 J, tương đương mức tăng hơn 33%.

Vấn đề cốt lõi hiện nay là việc phân tích ứng xử phi tuyến của dầm gia cường lõi TPMS thông qua phương pháp phần tử hữu hạn (FEM) tiêu tốn rất nhiều tài nguyên tính toán do hình học 3D phức tạp với độ cong triệt tiêu. Để khắc phục rào cản này, nghiên cứu đặt mục tiêu xây dựng mô hình thay thế (surrogate model) ứng dụng học máy (Machine Learning - ML) và mạng nơ-ron nhân tạo (ANN) nhằm dự đoán chính xác phản ứng uốn tĩnh của dầm xi măng cốt lõi TPMS.

Phạm vi nghiên cứu tập trung vào dầm chịu uốn 3 điểm với kích thước tiết diện $50 \times 50\text{ mm}$, chiều dài $250\text{ mm}$ và khoảng cách nhịp $200\text{ mm}$. Nghiên cứu khảo sát cấu trúc lõi TPMS dạng Primitive dạng tấm (sheet-based) với số lớp từ 1 đến 3 lớp và tỷ lệ thể tích nhựa dao động từ 10% đến 20%. Kết quả nghiên cứu cung cấp công cụ tính toán tức thời với sai số dự đoán tải trọng cực đại dưới 2.5% và độ võng cực đại dưới 3.5%, hỗ trợ rút ngắn thời gian thiết kế kết cấu từ hàng giờ xuống vài mili-giây.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng cơ học kết cấu phi tuyến, hình học vi phân và lý thuyết học sâu. Cấu trúc TPMS dạng Primitive được định nghĩa thông qua phương trình hàm ẩn bậc ba trong không gian ba chiều với độ cong trung bình tại mọi điểm bằng 0, giúp triệt tiêu hoàn toàn các điểm tập trung ứng suất cục bộ.

Hành vi phi tuyến của vật liệu xi măng gia cường 0.25% sợi polymer được mô hình hóa bằng lý thuyết dẻo tổn thương bê tông đơn giản hóa (Simplified Concrete Damage Plasticity - SCDP). Mô hình này xác định độc lập thông số suy giảm đàn hồi khi chịu nén và chịu kéo dựa trên các thông số thực nghiệm với mô đun đàn hồi $E = 2500\text{ MPa}$, hệ số Poisson $\nu = 0.2$ và khối lượng riêng $\rho = 2200\text{ kg/m}^3$. Vật liệu nhựa ABS in 3D được mô hình hóa theo quy luật đàn dẻo lý tưởng với mô đun đàn hồi $E = 2000\text{ MPa}$ và giới hạn chảy xác định.

Về mặt trí tuệ nhân tạo, mô hình mạng nơ-ron nhân tạo (ANN) truyền thẳng đa tầng (Multilayer Perceptron) kết hợp giải thuật lan truyền ngược (Backpropagation) được ứng dụng để xấp xỉ hóa mối quan hệ phi tuyến bậc cao giữa các tham số hình học và đường cong phản lực chịu tải.

Phương pháp nghiên cứu

Nguồn dữ liệu huấn luyện được thu thập từ mô phỏng số 3 chiều trên phần mềm Abaqus/Explicit. Kỹ thuật chia lưới thích ứng được áp dụng: lõi xi măng sử dụng phần tử khối tứ diện 4 nút (C3D4), còn vỏ khuôn và lõi TPMS mỏng sử dụng phần tử vỏ tam giác 3 nút (S3/S3R) dựa trên lý thuyết biến dạng cắt bậc nhất (FSDT). Cỡ mẫu nghiên cứu gồm 9 cấu hình dầm đại diện từ PC1 đến PC9, kết hợp phân tích hội tụ lưới với 3 mức mật độ: 500, 1000 và 1500 phần tử trên mỗi đơn vị TPMS, tạo ra tập dữ liệu hàng nghìn điểm biến thiên liên tục của chuyển vị uốn từ 0 đến 10 mm.

Phương pháp chọn mẫu có chủ đích bao phủ toàn bộ miền tham số thiết kế thực tế gồm số lớp lõi (1, 2, 3 lớp) và tỷ lệ thể tích (10%, 15%, 20%). Lý do lựa chọn mô phỏng phần tử hữu hạn động học tường minh kết hợp mô hình học máy ANN là nhằm giải quyết triệt để tính phi tuyến hình học, phi tuyến vật liệu và tương tác tiếp xúc phức tạp mà các phương pháp giải tích cổ điển không thể đáp ứng.

Quy trình phát triển mô hình ML trải qua 3 giai đoạn: tinh chỉnh siêu tham số (kiến trúc mạng, hàm kích hoạt, tối ưu hóa Adam, kích thước batch size, learning rate), đánh giá sai số bước đầu qua các chỉ số MSE, RMSE, MAE, và xử lý quá khớp (Overfitting) bằng điều kiện dừng sớm cải tiến (Modified early stopping). Toàn bộ chương trình tính toán và huấn luyện được hoàn thành trong mốc thời gian từ tháng 09/2022 đến tháng 01/2023.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Mối quan hệ giữa tỷ lệ thể tích nhựa ABS và khả năng chịu tải của dầm thể hiện tính đồng biến rõ nét. Khi tỷ lệ thể tích tăng từ 10% lên 20%, tải trọng uốn giới hạn của dầm tăng trưởng đều đặn ở mọi cấu hình lớp lõi, đồng thời độ võng cực đại trước khi phá hoại cũng được cải thiện đáng kể.

Số lượng lớp lõi TPMS tạo ra sự biến đổi phi tuyến đối với ứng xử cơ học của dầm. Việc tăng từ 1 lớp (kích thước đơn vị 50 mm) lên 2 lớp (kích thước đơn vị 25 mm) và 3 lớp (kích thước đơn vị 16.67 mm) đã làm thay đổi hoàn toàn quỹ đạo nứt. Dầm 1 lớp xuất hiện vết nứt xiên men theo bề mặt tiếp xúc của đơn vị TPMS, trong khi dầm 2 lớp và 3 lớp phân tán ứng suất đồng đều hơn, tạo ra vùng nứt kéo dài và gia tăng độ dẻo dai tổng thể.

Dự đoán từ mô hình học máy phát hiện sự tồn tại của ngưỡng bão hòa cơ học. Tại một tỷ lệ thể tích cố định, việc tăng số lớp vượt qua một giới hạn nhất định sẽ không làm tăng thêm tải trọng cực đại do thành vỏ TPMS trở nên quá mỏng, dễ bị mất ổn định cục bộ.

Mô hình ANN tối ưu đạt độ chính xác rất cao trên tập dữ liệu kiểm tra. Sai số tương đối tối đa giữa kết quả dự đoán của ML và mô phỏng FEM đối với tải trọng đỉnh chỉ là 2.5%, và đối với độ võng cực đại chỉ là 3.5%.

Thảo luận kết quả

Cơ chế tăng cường của cấu trúc TPMS nằm ở hiệu ứng giam giữ (confinement effect) đa chiều đối với vữa xi măng. Khi chịu tải uốn tĩnh, thành vỏ TPMS đóng vai trò như hệ thống cốt đai liên tục, chuyển trạng thái ứng suất từ nén-uốn đơn thuần sang trạng thái ứng suất khối, từ đó ngăn chặn sự phát triển tức thời của các vết nứt giòn.

Dữ liệu kết quả được trực quan hóa toàn diện thông qua các đồ thị đường cong lực - biến dạng (Force - Displacement curves), biểu đồ phân bố ứng suất von-Mises trên từng cấu phần nhựa và xi măng, cùng biểu đồ bề mặt 3D mô tả tương quan giữa tải trọng đỉnh, số lớp và tỷ lệ thể tích. So sánh với dữ liệu thực nghiệm sẵn có, sai số của mô phỏng FEM là 3% đối với dầm 1 lớp và 7% đối với dầm 2 lớp, xác nhận tính chuẩn xác của bộ dữ liệu dùng để huấn luyện mạng nơ-ron.

Thuật toán tối ưu hóa Adam kết hợp với điều kiện dừng sớm cải tiến đã giúp đồ thị hàm mất mát (loss function) hội tụ mượt mà, loại bỏ hiện tượng dao động cục bộ và ngăn chặn triệt để tình trạng học vẹt (overfitting) do nhiễu dữ liệu phát sinh từ mô phỏng FEM.

Đề xuất và khuyến nghị

Tích hợp mô hình học máy vào phần mềm thiết kế tự động nhằm tối ưu hóa đa mục tiêu kết cấu dầm sandwich TPMS với tỷ lệ thể tích tối ưu từ 12% đến 18%, hướng đến mục tiêu giảm 15% trọng lượng tự thân của kết cấu trong vòng 6 tháng do các kỹ sư kết cấu chủ trì.

Mở rộng nghiên cứu thực nghiệm với các chủng loại nhựa in 3D tiên tiến như PLA gia cường sợi carbon hoặc nhựa sinh học tái chế có mô đun đàn hồi trên 3000 MPa, triển khai trong lộ trình 12 tháng bởi các trung tâm nghiên cứu vật liệu mới.

Xây dựng bộ tiêu chuẩn kỹ thuật và chỉ dẫn thiết kế cho dầm bê tông cốt lõi rỗng TPMS phục vụ công trình đê kè ven biển và kết cấu nổi ngập nước, cắt giảm 80% thời gian tính toán mô phỏng trước quý IV năm 2024 do các viện nghiên cứu chuyên ngành thực hiện.

Hoàn thiện và chuẩn hóa thuật toán điều kiện dừng sớm cải tiến cho các mạng nơ-ron nhân tạo xử lý bài toán cơ học phi tuyến và tải trọng động va chạm, hoàn thành trong thời hạn 9 tháng bởi các nhóm phát triển giải thuật ứng dụng AI.

Đối tượng nên tham khảo luận văn

Nghiên cứu sinh và học viên cao học chuyên ngành Kỹ thuật Xây dựng, Cơ kỹ thuật và Khoa học Vật liệu có thể khai thác phương pháp luận tích hợp mô phỏng phần tử hữu hạn và trí tuệ nhân tạo để mở rộng cho các bài toán kết cấu phức tạp.

Kỹ sư thiết kế kết cấu công trình ngập nước, công trình biển và hạ tầng chống biến đổi khí hậu có thể ứng dụng trực tiếp các biểu đồ tương quan và ngưỡng thông số tối ưu để thiết kế các cấu kiện bền ăn mòn và trọng lượng nhẹ.

Doanh nghiệp và chuyên gia trong lĩnh vực công nghệ in 3D (Additive Manufacturing) có thêm cơ sở khoa học về tối ưu hóa thông số in (FDM), độ dày vỏ và hình học vi mô cho các sản phẩm cơ học chịu lực cao.

Lập trình viên và nhà khoa học dữ liệu ứng dụng trong kỹ thuật công trình có thể tham khảo quy trình 3 pha tinh chỉnh siêu tham số và kỹ thuật xử lý nhiễu dữ liệu số để xây dựng các mô hình thay thế (surrogate models) chính xác.

Câu hỏi thường gặp

Cấu trúc TPMS dạng Primitive có điểm gì vượt trội so với cấu trúc dạng thanh (lattice) truyền thống? Cấu trúc TPMS sở hữu bề mặt trơn nhẵn với độ cong trung bình bằng 0, hoàn toàn không có các nút giao sắc nhọn như cấu trúc lattice. Nhờ đó, ứng suất được phân bố liên tục và đồng đều, triệt tiêu hiện tượng tập trung ứng suất nguy hiểm và tăng khả năng hấp thụ năng lượng lên hơn 33%.

Tại sao cần xây dựng mô hình Machine Learning thay vì chỉ sử dụng phần tử hữu hạn (FEM)? Mô phỏng FEM các cấu trúc rỗng vi mô đòi hỏi số lượng phần tử rất lớn (trên 1000 phần tử cho mỗi đơn vị TPMS), khiến thời gian phân tích một mẫu kéo dài nhiều giờ. Mô hình ML huấn luyện tốt đóng vai trò như một mô hình thay thế, đưa ra kết quả chính xác trong vài mili-giây.

Độ chính xác của mô hình học máy được kiểm chứng như thế nào trong nghiên cứu? Mô hình mạng nơ-ron nhân tạo (ANN) được kiểm định độc lập với tập dữ liệu thử nghiệm từ FEM. Sai số tương đối tối đa giữa dự đoán của mô hình và kết quả mô phỏng số chỉ đạt 2.5% đối với tải trọng uốn giới hạn và 3.5% đối với độ võng cực đại.

Luận văn đã xử lý hiện tượng quá khớp (overfitting) của mạng nơ-ron bằng giải pháp nào? Nghiên cứu đã áp dụng quy trình đánh giá 3 giai đoạn kết hợp các kỹ thuật học sâu tiên tiến, đặc biệt là đề xuất điều kiện dừng sớm cải tiến (modified early stopping) và kỹ thuật Dropout, giúp kiểm soát sai số trên cả tập huấn luyện và tập kiểm thử một cách cân bằng.

Vật liệu nhựa ABS in 3D có thể ứng dụng trong môi trường thực tế nào thay thế thép? Nhựa ABS có khả năng kháng ăn mòn hóa học và chống xâm thực mặn tuyệt đối, đồng thời giảm trọng lượng kết cấu. Do đó, dầm xi măng cốt lõi TPMS bằng ABS đặc biệt lý tưởng cho các kết cấu ven biển, công trình ngầm, kè chắn sóng và môi trường ngập nước.

Kết luận

• Luận văn đã mô hình hóa và mô phỏng thành công ứng xử cơ học phi tuyến của dầm xi măng gia cường lõi TPMS in 3D bằng phương pháp phần tử hữu hạn trên phần mềm Abaqus.
• Làm sáng tỏ quy luật đồng biến giữa tỷ lệ thể tích nhựa (10% - 20%) với tải trọng phá hoại, cùng ảnh hưởng phi tuyến của số lớp lõi TPMS (1 - 3 lớp) đến cơ chế giam giữ và dạng phá hoại của dầm.
• Xây dựng thành công quy trình 3 pha phát triển mô hình Machine Learning ANN đạt sai số dự đoán cực nhỏ, dưới 2.5% cho tải trọng đỉnh và dưới 3.5% cho độ võng cực đại.
• Đề xuất điều kiện dừng sớm cải tiến giúp mô hình học máy thích ứng tin cậy với dữ liệu mô phỏng phức tạp và rút ngắn thời gian dự báo xuống mức mili-giây.
• Kế hoạch tiếp theo trong 12 tháng tới tập trung mở rộng mô hình cho dầm chịu tải trọng va đập động và tối ưu hóa đa mục tiêu dạng hình học TPMS; các đơn vị nghiên cứu và doanh nghiệp xây dựng nên áp dụng ngay giải pháp này để phát triển cấu kiện xanh chịu ăn mòn.

Trích đoạn nội dung tài liệu

VIETNAM NATIONAL UNIVERSITY HO CHI MINH CITY HO CHI MINH UNIVERSITY OF TECHNOLOGY -------------------- TRAN QUOC KIM MACHINE LEARNING IN PREDICTING MECHANICAL BEHAVIOR OF 3D PRINTED BEAMS WITH TRIPLY PERIODIC MINIMAL SURFACE (TPMS) SANDWICH CORES Major: Civil Engineering Major ID: 8580201 MASTER THESIS HO CHI MINH CITY, JANUARY 2023 VIETNAM NATIONAL UNIVERSITY HO CHI MINH CITY HO CHI MINH UNIVERSITY OF TECHNOLOGY -------------------- TRAN QUOC KIM MACHINE LEARNING IN PREDICTING MECHANICAL BEHAVIOR OF 3D PRINTED BEAMS WITH TRIPLY PERIODIC MINIMAL SURFACE (TPMS) SANDWICH CORES MÔ HÌNH MÁY HỌC TRONG DỰ ĐOÁN ỨNG XỬ CƠ HỌC CỦA DẦM IN 3D GIA CƯỜNG LÕI SANDWICH BỀ MẶT CỰC TIỂU TAM TUẦN HOÀN Major: Civil Engineering Major ID: 8580201 MASTER THESIS HO CHI MINH CITY, January 2023 THIS THESIS IS ACCOMPLISHED AT HO CHI MINH UNIVERSITY OF TECHNOLOGY – VNU HCMC Supervisors: Dr. Nguyen Thi Bich Lieu Signature: Assoc. Luong Van Hai Signature: Examiner 1: Dr. Thai Son Signature: Examiner 2: Dr.

Nguyen Phu Cuong Signature: The master thesis is defended at Ho Chi Minh University of Technology – VNU HCMC on 13th January 2023. The thesis defense grading committee consists of: 1. Do Nguyen Van Vuong 2. Nguyen Thai Binh 3.

Nguyen Phu Cuong 5. Council Member: Assoc. Luong Van Hai Confirmations of the Chairman of thesis defense grading committee and the Dean of faculty of thesis major after the thesis has been corrected (if any). CHARIMAN OF DEAN OF FACULTY THESIS COMMITTEE FACULTY OF CIVIL ENGINEERING Assoc.

Do Nguyen Van Vuong i VIETNAM NATIONAL UNIVERSITY HCMC SOCIALIST REPUBLIC OF VIETNAM HO CHI MINH UNIVERSITY Independence - Freedom - Happiness OF TECHNOLOGY MASTER THESIS ASSIGNMENTS Full name: Tran Quoc Kim Student ID: 2170979 Date of birth: 30/07/1999 Place of birth: Can Tho Major: Civil Engineering Major ID: 8580201 I. THESIS TITLE: Machine learning in predicting mechanical behavior of 3D printed beams with triply periodic minimal surface (TPMS) sandwich cores Mô hình máy học trong dự đoán ứng xử cơ học của dầm in 3D gia cường lõi sandwich bề mặt cực tiểu tam tuần hoàn II. THESIS ASSIGNMENTS AND CONTENTS: 1. Modeling the triply periodic minimal surface (TPMS) core reinforced beam, and comparing with experimental results; 2.

Collecting beam’s behavior data based on simulations while changing beam’s geometric properties; 3. Creating a machine learning model to predict mechanical behavior of the beams. DATE OF DELIVERING: 05/09/2022 IV. DATE OF COMPLETION: 27/12/2022 V.

Nguyen Thi Bich Lieu Assoc. Luong Van Hai Ho Chi Minh City, 6th March 2023 SUPERVISORS HEAD OF DEPARTMENT Dr. Nguyen Thi Bich Lieu Assoc. Luong Van Hai DEAN OF FACULTY FACULTY OF CIVIL ENGINEERING ii ACKNOWLEDGEMENT Having had the opportunity to study a master's program at the Vietnam National University Ho Chi Minh City – Bach Khoa University, I would like to express my sincere appreciation to the school administrators and departments for creating favorable conditions for me to complete the study program.

I also would like to express my gratitude to the lecturers of the Faculty of Civil Engineering who have always been dedicated to teaching and imparting useful knowledge. In addition, I would like to express my deep acknowledgements to Professor Nguyen Xuan Hung and the CIRTech Institute of Technology for giving me the opportunity to work with the excellent lecturers and colleagues at here. I would not be able to complete this thesis without the guidance of my supervisors Doctor Nguyen Thi Bich Lieu and Associate Professor Luong Van Hai. I would like to express my sincere gratitude to them.

Their orientations and suggestions are both the motivation and the objective to help me steady to complete the thesis. I am truly grateful to Vingroup Innovation Fund (VinIF) for the financial support during my research and implementation of the thesis under project code VINIF. Moreover, I would like to thank my family and friends for always supporting and encouraging me throughout the study and research process. Finally, I would like to wish my teachers, colleagues, family and friends good health, successfulness and happiness.

This thesis may have several shortcomings, so I would like to receive valuable comments from committee members and other students. My sincere thanks.