Tổng quan nghiên cứu

Việt Nam nằm trong vùng khí hậu nhiệt đới ẩm gió mùa với đường bờ biển dài, tạo điều kiện thuận lợi cho quá trình ăn mòn kết cấu bê tông cốt thép (BTCT) diễn ra nhanh chóng. Theo ước tính, nhiều công trình xây dựng trước năm 1975 tại Thành phố Hồ Chí Minh đang chịu ảnh hưởng nghiêm trọng của ăn mòn, làm giảm khả năng chịu lực và tuổi thọ công trình. Việc dự đoán chính xác khả năng chịu uốn còn lại của dầm BTCT bị ăn mòn là rất cần thiết để đưa ra các quyết định sửa chữa hoặc gia cố phù hợp, góp phần tiết kiệm chi phí và đảm bảo an toàn kết cấu.

Mục tiêu nghiên cứu là ứng dụng các mô hình trí tuệ nhân tạo (AI) để dự đoán khả năng chịu uốn của dầm BTCT bị ăn mòn dựa trên dữ liệu khảo sát thực tế tại Thành phố Hồ Chí Minh. Nghiên cứu tập trung vào việc xây dựng và so sánh hiệu quả của sáu mô hình AI đơn lẻ gồm mạng nơ ron nhân tạo (ANN), máy vectơ hỗ trợ (SVM), cây phân loại và hồi quy (CART), hồi quy tuyến tính (LR), hồi quy tuyến tính tổng quát (GENLIN) và tự động phát hiện tương tác Chi-bình phương (CHAID). Phạm vi nghiên cứu bao gồm 120 dầm BTCT bị ăn mòn từ các công trình xây dựng trước năm 1975 trên địa bàn Thành phố Hồ Chí Minh, với dữ liệu thu thập trong giai đoạn khảo sát thực tế.

Nghiên cứu có ý nghĩa quan trọng trong việc nâng cao độ chính xác dự đoán khả năng chịu lực còn lại của kết cấu BTCT bị ăn mòn, từ đó hỗ trợ các chủ đầu tư và kỹ sư xây dựng trong việc lựa chọn giải pháp gia cố, sửa chữa hiệu quả, đồng thời góp phần phát triển ứng dụng AI trong lĩnh vực kỹ thuật xây dựng tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết về ăn mòn bê tông và cốt thép, trong đó ăn mòn bê tông được phân loại theo môi trường tác động gồm ăn mòn trong môi trường rắn, lỏng và khí. Ăn mòn cốt thép chủ yếu do các quá trình điện hóa, cacbonat hóa, và sự xâm nhập của ion Cl- và SO4^2- vào bê tông, làm phá hủy lớp màng thụ động bảo vệ cốt thép, dẫn đến giảm tiết diện và suy giảm khả năng chịu lực của kết cấu.

Về mặt mô hình dự đoán, nghiên cứu áp dụng sáu thuật toán trí tuệ nhân tạo phổ biến:

  • Mạng nơ ron nhân tạo (ANN): Mô hình học sâu mô phỏng cấu trúc mạng thần kinh sinh học, thích hợp cho việc dự đoán phi tuyến.
  • Máy vectơ hỗ trợ (SVM): Thuật toán phân loại và hồi quy hiệu quả trong không gian đa chiều.
  • Cây phân loại và hồi quy (CART): Mô hình cây quyết định giúp phân tích dữ liệu phức tạp.
  • Hồi quy tuyến tính (LR): Mô hình dự đoán tuyến tính đơn giản, dễ giải thích.
  • Hồi quy tuyến tính tổng quát (GENLIN): Mở rộng LR cho các phân phối dữ liệu khác nhau.
  • Tự động phát hiện tương tác Chi-bình phương (CHAID): Phân tích tương tác giữa các biến định tính.

Các khái niệm chính bao gồm khả năng chịu uốn còn lại của dầm BTCT, mức độ ăn mòn cốt thép, và các chỉ số đánh giá hiệu suất mô hình như hệ số xác định (R²), sai số trung bình tuyệt đối (MAE), sai số toàn phương trung bình (RMSE) và phần trăm sai số trung bình tuyệt đối (MAPE).

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ dữ liệu khảo sát thực tế gồm 120 dầm BTCT bị ăn mòn tại các công trình xây dựng trước năm 1975 trên địa bàn Thành phố Hồ Chí Minh. Dữ liệu thu thập bao gồm các thông số kỹ thuật của dầm, mức độ ăn mòn, cường độ bê tông hiện trường, và khả năng chịu uốn thực tế.

Phương pháp chọn mẫu là phương pháp chọn mẫu ngẫu nhiên có chủ đích nhằm đảm bảo tính đại diện cho các loại dầm và mức độ ăn mòn khác nhau. Cỡ mẫu 120 dầm được đánh giá là phù hợp để huấn luyện và kiểm định các mô hình AI.

Phân tích dữ liệu được thực hiện bằng phần mềm Clementine 12.0, sử dụng các thuật toán AI để xây dựng mô hình dự đoán. Quy trình nghiên cứu gồm các bước: chuẩn hóa dữ liệu, phân chia bộ dữ liệu thành tập huấn luyện và tập kiểm tra, xây dựng mô hình đơn lẻ và mô hình kết hợp, đánh giá hiệu suất mô hình dựa trên các chỉ số R², MAE, RMSE, MAPE và chỉ số tổng hợp (SI).

Thời gian nghiên cứu kéo dài từ tháng 01/2021 đến tháng 07/2022, bao gồm khảo sát thực địa, xử lý dữ liệu, xây dựng mô hình và phân tích kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả dự đoán của mô hình LR và GENLIN: Hai mô hình này cho kết quả dự đoán khả năng chịu uốn của dầm BTCT bị ăn mòn tốt nhất với hệ số xác định R² đạt khoảng 0.85, sai số trung bình tuyệt đối MAE dưới 5%, và sai số toàn phương trung bình RMSE thấp hơn 7%. Kết quả này cho thấy mô hình hồi quy tuyến tính và hồi quy tuyến tính tổng quát phù hợp với dữ liệu khảo sát thực tế.

  2. Mô hình ANN và SVM có hiệu suất khá: Mạng nơ ron nhân tạo và máy vectơ hỗ trợ đạt R² khoảng 0.80, MAE và RMSE cao hơn so với LR và GENLIN khoảng 10-15%, tuy nhiên vẫn cho kết quả dự đoán chấp nhận được trong thực tế.

  3. Mô hình CART và CHAID có hiệu suất thấp hơn: Hai mô hình này có R² dưới 0.75 và sai số dự đoán cao hơn, cho thấy khả năng dự đoán kém hơn so với các mô hình hồi quy và ANN.

  4. Mô hình kết hợp không cải thiện đáng kể: Các mô hình kết hợp (ensemble) được thử nghiệm không mang lại sự cải thiện hiệu suất so với hai mô hình đơn lẻ tốt nhất là LR và GENLIN, với chỉ số tổng hợp SI không tăng vượt quá 2%.

Thảo luận kết quả

Nguyên nhân mô hình LR và GENLIN đạt hiệu quả cao có thể do tính chất tuyến tính của mối quan hệ giữa các yếu tố ảnh hưởng đến khả năng chịu uốn còn lại của dầm BTCT bị ăn mòn trong phạm vi khảo sát. Các mô hình phức tạp hơn như ANN và SVM mặc dù có khả năng mô hình hóa phi tuyến, nhưng do dữ liệu khảo sát có tính ổn định và ít biến động nên không phát huy tối đa ưu điểm.

So sánh với các nghiên cứu quốc tế, kết quả tương tự được ghi nhận khi mô hình hồi quy tuyến tính tổng quát được áp dụng cho dự đoán khả năng chịu lực còn lại của kết cấu BTCT bị ăn mòn, với sai số dự đoán thấp và độ tin cậy cao. Điều này khẳng định tính phù hợp của phương pháp nghiên cứu trong bối cảnh Việt Nam.

Dữ liệu có thể được trình bày qua biểu đồ so sánh R² và MAE của các mô hình, cũng như bảng tổng hợp các chỉ số đánh giá hiệu suất, giúp trực quan hóa sự khác biệt và lựa chọn mô hình tối ưu.

Đề xuất và khuyến nghị

  1. Áp dụng mô hình LR và GENLIN trong đánh giá kết cấu: Khuyến nghị các đơn vị quản lý và kỹ sư xây dựng sử dụng hai mô hình này để dự đoán khả năng chịu uốn còn lại của dầm BTCT bị ăn mòn, nhằm đưa ra quyết định sửa chữa hoặc gia cố chính xác trong vòng 6-12 tháng tới.

  2. Tăng cường thu thập và cập nhật dữ liệu thực tế: Đề xuất các cơ quan chuyên môn tổ chức khảo sát định kỳ, mở rộng phạm vi thu thập dữ liệu tại các khu vực khác nhau để nâng cao độ chính xác và tính đại diện của mô hình dự đoán trong 1-2 năm tới.

  3. Phát triển phần mềm hỗ trợ dự đoán: Khuyến khích phát triển công cụ phần mềm tích hợp các mô hình AI đã được chứng minh hiệu quả, giúp kỹ sư dễ dàng áp dụng trong công tác kiểm định và đánh giá kết cấu, dự kiến hoàn thành trong 18 tháng.

  4. Đào tạo và nâng cao năng lực chuyên môn: Tổ chức các khóa đào tạo về ứng dụng trí tuệ nhân tạo trong kỹ thuật xây dựng cho cán bộ kỹ thuật và sinh viên, nhằm phổ biến kiến thức và thúc đẩy ứng dụng rộng rãi trong 1-3 năm tới.

Đối tượng nên tham khảo luận văn

  1. Kỹ sư xây dựng và quản lý công trình: Giúp hiểu rõ về ảnh hưởng của ăn mòn đến khả năng chịu lực của kết cấu BTCT và áp dụng mô hình dự đoán để đưa ra các giải pháp gia cố phù hợp.

  2. Các nhà nghiên cứu và sinh viên ngành kỹ thuật xây dựng: Cung cấp tài liệu tham khảo về ứng dụng trí tuệ nhân tạo trong dự đoán khả năng chịu lực kết cấu, hỗ trợ phát triển nghiên cứu sâu hơn trong lĩnh vực này.

  3. Chủ đầu tư và đơn vị bảo trì công trình: Hỗ trợ đánh giá tình trạng kết cấu hiện tại, từ đó lập kế hoạch sửa chữa, nâng cấp công trình hiệu quả, tiết kiệm chi phí.

  4. Cơ quan quản lý nhà nước về xây dựng: Là cơ sở khoa học để xây dựng các tiêu chuẩn, quy định về kiểm định và bảo trì kết cấu BTCT bị ăn mòn, góp phần nâng cao an toàn công trình.

Câu hỏi thường gặp

  1. Tại sao cần dự đoán khả năng chịu uốn của dầm BTCT bị ăn mòn?
    Dự đoán giúp xác định mức độ suy giảm khả năng chịu lực còn lại, từ đó đưa ra quyết định sửa chữa hoặc gia cố kịp thời, đảm bảo an toàn và kéo dài tuổi thọ công trình.

  2. Mô hình trí tuệ nhân tạo nào phù hợp nhất cho bài toán này?
    Nghiên cứu cho thấy mô hình hồi quy tuyến tính (LR) và hồi quy tuyến tính tổng quát (GENLIN) có hiệu quả dự đoán cao nhất với sai số thấp và độ tin cậy tốt.

  3. Dữ liệu khảo sát được thu thập như thế nào?
    Dữ liệu gồm 120 dầm BTCT bị ăn mòn được khảo sát thực tế tại các công trình xây dựng trước năm 1975 ở Thành phố Hồ Chí Minh, bao gồm các thông số kỹ thuật và mức độ ăn mòn.

  4. Mô hình kết hợp có cải thiện hiệu quả dự đoán không?
    Các mô hình kết hợp thử nghiệm không cải thiện đáng kể so với hai mô hình đơn lẻ tốt nhất, do đó ưu tiên sử dụng LR và GENLIN.

  5. Làm thế nào để áp dụng kết quả nghiên cứu vào thực tế?
    Kết quả có thể được tích hợp vào phần mềm hỗ trợ đánh giá kết cấu, đồng thời áp dụng trong công tác kiểm định, bảo trì và lập kế hoạch sửa chữa công trình.

Kết luận

  • Ứng dụng mô hình trí tuệ nhân tạo, đặc biệt là hồi quy tuyến tính và hồi quy tuyến tính tổng quát, cho kết quả dự đoán khả năng chịu uốn của dầm BTCT bị ăn mòn với độ chính xác cao.
  • Dữ liệu khảo sát thực tế từ 120 dầm BTCT tại Thành phố Hồ Chí Minh cung cấp cơ sở tin cậy cho việc xây dựng và kiểm định mô hình.
  • Mô hình kết hợp không mang lại cải thiện đáng kể so với các mô hình đơn lẻ tốt nhất.
  • Nghiên cứu góp phần nâng cao hiệu quả đánh giá và quản lý kết cấu BTCT bị ăn mòn, hỗ trợ các quyết định sửa chữa và gia cố công trình.
  • Đề xuất phát triển phần mềm hỗ trợ và đào tạo chuyên môn để thúc đẩy ứng dụng rộng rãi trong ngành xây dựng.

Tiếp theo, cần mở rộng khảo sát dữ liệu tại các vùng khác và phát triển công cụ ứng dụng mô hình AI trong thực tế nhằm nâng cao độ tin cậy và hiệu quả quản lý kết cấu BTCT bị ăn mòn. Độc giả và các chuyên gia được khuyến khích áp dụng và phát triển nghiên cứu này để góp phần bảo vệ và nâng cao tuổi thọ công trình xây dựng.