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.
