Tổng quan về luận án

Trong bối cảnh đô thị hóa nhanh chóng và áp lực cạnh tranh gay gắt trong ngành công nghiệp xây dựng, chi phí vật liệu kết cấu luôn chiếm tỷ trọng chi phối trong tổng mức đầu tư công trình. Thép là vật liệu sở hữu các đặc tính cơ học vượt trội về cường độ chịu lực, khả năng vượt nhịp lớn và tốc độ thi công công nghiệp hóa cao, song lại có đơn giá đắt hơn đáng kể so với bê tông cốt thép. Việc tối ưu hóa hình học và tiết diện kết cấu giàn thép nhằm giảm thiểu trọng lượng bản thân vừa mang ý nghĩa kinh tế trực tiếp, vừa đóng góp vào mục tiêu phát triển bền vững nhờ tiết giảm khai thác tài nguyên và cắt giảm phát thải $CO_2$ trong chu trình sản xuất công nghiệp.

Khoảng trống nghiên cứu (research gap) cốt lõi xuất phát từ sự bế tắc về mặt chi phí tính toán của các giải thuật tiến hóa ngẫu nhiên (meta-heuristics) truyền thống. Để xác định lời giải tối ưu toàn cục trên không gian tìm kiếm rời rạc, các thuật toán như Giải thuật Di truyền (Genetic Algorithm - GA), Tối ưu Bầy đàn (Particle Swarm Optimization - PSO) hay Tiến hóa Vi phân (Differential Evolution - DE) đòi hỏi hàng nghìn đến hàng chục nghìn lần đánh giá cá thể. Nguyên văn luận án đã chỉ rõ điểm nghẽn này: "Việc đánh giá mỗi phương án yêu cầu phải thực hiện phân tích bằng phương pháp phần tử hữu hạn để xác định ứng xử của hệ kết cấu, căn cứ vào đó kiểm tra các điều kiện ràng buộc. Có thể nói, bước phân tích phần tử hữu hạn là công đoạn tốn thời gian nhất trong quá trình tối ưu." Minh chứng điển hình được dẫn chứng từ thực nghiệm quốc tế: "Trong nghiên cứu tối ưu cầu vòm thép với 259 phần tử [89], mặc dù thời gian một lần phân tích PTHH chỉ kéo dài 60s nhưng tổng thời gian tối ưu đã lên đến 133 giờ do phải thực hiện hơn 8000 lần phân tích." Đa phần các nghiên cứu trước đây chỉ tập trung sử dụng mô hình học máy hồi quy (regression models) để xấp xỉ trực tiếp ứng xử chuyển vị hay ứng suất, song cách tiếp cận này thường tích lũy sai số và làm sai lệch nghiệm khả dĩ. Luận án xác định khoảng trống học thuật then chốt: hoàn toàn thiếu vắng các giải pháp tích hợp mô hình phân loại học máy (machine learning classification) đóng vai trò màng lọc thích nghi gián tiếp để loại bỏ sớm các cá thể vi phạm ràng buộc cơ học mà không làm mất đi tính hội tụ chính xác của thuật toán tiến hóa.

Hệ thống câu hỏi nghiên cứu (RQ) và giả thuyết khoa học (H) được định hình chặt chẽ:

  • RQ1: Làm thế nào để xây dựng mô hình phân loại học máy có khả năng dự đoán chính xác trạng thái an toàn/không an toàn của kết cấu giàn thép dưới tải trọng tĩnh?
  • RQ2: Cơ chế kết hợp nào giữa mô hình phân loại học máy và thuật toán Tiến hóa Vi phân (DE) cho phép giảm tối đa số lần phân tích phần tử hữu hạn mà vẫn bảo toàn nghiệm tối ưu toàn cục?
  • RQ3: Mức độ hiệu quả của phương pháp đề xuất khi áp dụng vào các bài toán tối ưu giàn không gian quy mô thực tế tuân thủ tiêu chuẩn thiết kế hiện hành?
  • H1: Mô hình phân loại giám sát (Supervised Classification) huấn luyện bằng tập dữ liệu lấy mẫu siêu khối lập phương La-tinh (LHS) có thể sàng lọc chính xác trên 90% các phương án vi phạm trạng thái giới hạn bền và biến dạng.
  • H2: Thuật toán lai ghép đề xuất CaDE (Classification-assisted Differential Evolution) sẽ cắt giảm ít nhất 40–60% số lần gọi hàm phân tích cơ học chính xác so với thuật toán gốc DE mà không làm suy giảm chất lượng nghiệm.

Khung lý thuyết (Theoretical Framework) của công trình được kiến tạo trên sự giao thoa giữa Cơ học kết cấu cổ điển (Phương pháp độ cứng trực tiếp - Direct Stiffness Method), Lý thuyết tối ưu hóa toán học (Kỹ thuật xử lý ràng buộc của Deb và thuật toán tiến hóa vi phân Storn & Price 1997), và Khoa học máy tính ứng dụng (Lý thuyết học máy tập hợp - Ensemble Learning với AdaBoost, Decision Tree, Random Forest, SVM).

Phạm vi nghiên cứu tập trung vào bài toán tối ưu hóa tiết diện rời rạc (discrete sizing optimization) cho kết cấu giàn thép phẳng và giàn không gian 3 chiều làm việc trong miền đàn hồi tuyến tính chịu tải trọng tĩnh, tuân thủ các điều kiện biên của Tiêu chuẩn Việt Nam (TCVN 5575:2012) và Viện Kết cấu Thép Hoa Kỳ (AISC-ASD).

Literature Review và Positioning

Lịch sử phát triển của kỹ thuật tối ưu hóa kết cấu trải dài từ các công trình giải tích cổ điển của Maxwell (1870) và Michell (1904) dựa trên giả thiết cấu kiện đạt ứng suất tới hạn đồng thời. Bước chuyển sang giai đoạn tối ưu hóa số trị hiện đại được khởi xướng bởi công trình kinh điển của Schmit (1960), người đầu tiên tích hợp phương pháp phần tử hữu hạn (PTHH) với quy hoạch toán học cho bài toán giàn 3 thanh, bác bỏ giả thuyết ứng suất đồng thời truyền thống. Tiếp đó, Schmit và cộng sự (1974) đã đặt nền móng cho kỹ thuật hàm xấp xỉ (approximation concepts) nhằm giảm tải tính toán.

Trường phái tiếp cận tối ưu kết cấu được chia thành hai nhánh chính:

  1. Nhóm phương pháp dựa trên Gradient: Bao gồm Quy hoạch tuyến tính tuần tự (SLP), Phương pháp hướng dốc nhất của Cauchy (1847), phương pháp Newton, Quasi-Newton và Quy hoạch toàn phương tuần tự (SQP - Venkayya 1971, Moses 1966). Hạn chế cốt tử của nhóm này là phụ thuộc nặng nề vào điểm khởi tạo, dễ bẫy tại cực trị địa phương và bất khả thi khi xử lý các không gian biến thiết kế rời rạc (tiết diện thép quy cách thực tế). Luận án nhận định: "Hầu hết các nghiên cứu về tối ưu kết cấu trong giai đoạn đầu (từ thập niên 60 đến giữa thập niên 80 của thế kỷ XX) đều sử dụng các phương pháp dựa trên gradient... gặp nhiều khó khăn khi áp dụng cho những hệ kết cấu phức tạp."
  2. Nhóm thuật toán tìm kiếm ngẫu nhiên Meta-heuristic: Khởi xướng từ khi Goldberg và Samtani (1986) ứng dụng thành công Giải thuật Di truyền (Holland 1975) cho giàn 10 thanh, mở đường cho hàng loạt giải thuật bầy đàn và tiến hóa như DE (Storn & Price 1997), PSO (Eberhart & Kennedy 1995), ACO (Dorigo 1996), ABC (Karaboga 2005), HS (Geem 2001), TLBO (Rao 2011) và CBO (Kaveh & Mahdavi 2014).
Tiến trình phát triển kỹ thuật tối ưu hóa kết cấu:
[Maxwell 1870, Michell 1904]

Tổng quan trắc lượng khoa học (scientometric analysis) từ cơ sở dữ liệu Scopus qua phần mềm Publish or Perish và VOSviewer 1.16 với 183 công trình chọn lọc (1986–2022) chứng minh sự bùng nổ nghiên cứu ứng dụng trí tuệ nhân tạo (AI/ML) trong kết cấu công trình, đặc biệt tăng vọt từ năm 2021 với 31 công bố/năm trên các tạp chí đầu ngành như Structural and Multidisciplinary Optimization, Computer Methods in Applied Mechanics and Engineering, Computers & Structures.

Về phương thức tích hợp học máy vào tối ưu hóa kết cấu, các công trình quốc tế phân hóa thành ba trào lưu chính:

  • Phương pháp thay thế trực tiếp bằng mô hình hồi quy: Tiêu biểu là Papadrakakis và cộng sự (1997, 2005) sử dụng mạng nơ-ron truyền thẳng (NN) và Radial Basis Function (RBF) để dự đoán ứng suất/chuyển vị trong tối ưu hóa giàn không gian nhịp lớn; Ghasemi, Dizangian và Taheri (2019) kết hợp RBF-ABC cho tháp thép; Mai Tiến Hậu, Joowon Kang và Jaehong Lee (2021) áp dụng mạng học sâu nhiều lớp cho phân tích phi tuyến. Hạn chế mang tính bản chất: sai số xấp xỉ của mô hình hồi quy tích lũy qua các thế hệ khiến kết quả tối ưu sai lệch khỏi miền khả dĩ thực.
  • Phương pháp tối ưu hóa hai giai đoạn: Kaveh và cộng sự (2008) sử dụng RBF ở giai đoạn đầu và chuyển sang phân tích PTHH chính xác ở giai đoạn sau; Chen và Cheng (2005) kết hợp ES-NN để định vị vùng lân cận nghiệm rồi tinh chỉnh bằng SQP.
  • Phương pháp so sánh gián tiếp: Tác giả Nghiêm Khắc Tuyên và cộng sự (2016) sử dụng k-NN để so sánh các cá thể tạo ra từ các chiến lược DE đột biến; Lâm Phát Thuận và cộng sự (2017) dùng NN cho tấm composite (sai số 2%).

So sánh với các nghiên cứu quốc tế điển hình như Hasançebi & Kazemzadeh Azad (2014) trên giàn vòm 354 thanh, Charalampakis (2016), Sonmez (2018) và Georgioudakis & Plevris (2020) khi so sánh các biến thể CoDE, JADE, SADE trên các bài toán chuẩn, luận án định vị một hướng đột phá mới: Thay vì cố gắng dự đoán giá trị số học của nội lực hay biến dạng bằng mô hình hồi quy phức tạp, luận án tái cấu trúc bài toán kiểm tra điều kiện bền thành bài toán phân loại nhị phân (binary classification - An toàn / Không an toàn) thông qua mô hình học máy tập hợp, từ đó đề xuất thuật toán lai CaDE loại bỏ hiệu quả các phân tích PTHH dư thừa.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng lý thuyết tối ưu hóa tiến hóa có ràng buộc (constrained evolutionary optimization) bằng cách tích hợp màng lọc phân loại học máy thích nghi (adaptive classification filter). Mô hình thách thức quan niệm truyền thống cho rằng mọi cá thể đột biến và lai ghép trong quần thể DE đều bắt buộc phải trải qua phân tích cơ học giải tích hoặc số trị chính xác.

Hệ thống mệnh đề lý thuyết cốt lõi được thiết lập:

  • Mệnh đề 1 (Lọc không gian bất khả vi): Tập hợp các phương án thiết kế tiết diện trong không gian tìm kiếm đa chiều rời rạc $S^D$ có thể được ánh xạ vào không gian trạng thái nhị phân ${0, 1}$ (0: Vi phạm ràng buộc $cv > 0$; 1: Khả dĩ an toàn $cv = 0$) với độ chính xác phân loại vượt trên 92% bằng các bộ phân loại yếu kết hợp qua giải thuật tăng cường thích ứng (AdaBoost).
  • Mệnh đề 2 (Bảo toàn tính hội tụ toàn cục của DE): Việc chỉ áp dụng phân tích ma trận độ cứng trực tiếp đối với các cá thể được mô hình học máy xác nhận là "An toàn" hoặc "Có triển vọng cải thiện hàm thích nghi" trong cơ chế đột biến DE/rand/1/bin không làm thay đổi phân phối nghiệm tối ưu tiệm cận của giải thuật Storn & Price.
  • Mệnh đề 3 (Chuyển dịch Paradigm từ Hồi quy sang Phân loại): Bài toán xấp xỉ kết cấu trong tối ưu hóa meta-heuristic không yêu cầu xấp xỉ mặt phản ứng liên tục (response surface approximation) của chuyển vị $\delta(X)$ hay ứng suất $\sigma(X)$, mà chỉ đòi hỏi phép phân định mặt phẳng siêu biên (hyperplane boundary classification) để phân tách miền nghiệm khả dĩ và bất khả dĩ.
Khung quan niệm chuyển dịch Paradigm:

Khung phân tích độc đáo

Khung phân tích được hợp nhất từ 3 trụ cột lý thuyết:

  1. Lý thuyết Cơ học Môi trường liên tục & Phương pháp Ma trận Phần tử hữu hạn: Mô hình độ cứng trực tiếp cho phần tử thanh giàn phẳng 2D (4 bậc tự do) và không gian 3D (6 bậc tự do), thiết lập ma trận độ cứng phần tử $k^e = \frac{EA}{L}\begin{bmatrix} 1 & -1 \ -1 & 1 \end{bmatrix}$ và lắp ghép ma trận độ cứng tổng thể $K \cdot U = P$.
  2. Lý thuyết Học máy Giám sát Tập hợp (Ensemble Machine Learning): Ứng dụng kỹ thuật lấy mẫu siêu khối lập phương La-tinh (LHS) phân bố đồng đều không gian $D$ chiều, kết hợp thuật toán boosting tuần tự AdaBoost.M1 xây dựng bộ phân loại mạnh $H(X) = \text{sign}\left(\sum_{t=1}^T \alpha_t h_t(X)\right)$ với $T$ bộ phân loại gốc là Cây quyết định (Decision Tree).
  3. Lý thuyết Tối ưu hóa Tiến hóa Vi phân (Differential Evolution Theory): Tích hợp quy tắc vượt trội của Deb (Deb's feasibility rule) để xử lý ràng buộc phi tuyến mà không cần sử dụng hệ số phạt nhân tạo (penalty parameters).

Điều kiện biên xác định: Vật liệu thép kết cấu đẳng hướng đàn hồi tuyến tính hoàn toàn với mô-đun đàn hồi $E = 2.0 \times 10^5 \text{ MPa}$ ($2.1 \times 10^5 \text{ MPa}$ theo TCVN), giới hạn chảy $F_y = 235–345 \text{ MPa}$, bỏ qua ảnh hưởng của phi tuyến hình học cấp hai ($P-\Delta$), phi tuyến vật liệu và biến dạng cục bộ tại liên kết mắt giàn (giả định liên kết khớp lý tưởng).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án vận dụng lập trường triết học thực chứng số trị (Computational Positivism) kết hợp chủ nghĩa duy lý kỹ thuật. Quy trình nghiên cứu kết hợp chặt chẽ giữa tổng hợp lý thuyết cơ học kết cấu, thiết kế thuật toán khoa học máy tính và thử nghiệm số trị quy mô lớn trên các bài toán chuẩn quốc tế và công trình kỹ thuật thực tế.

Thiết kế đa cấp (Multi-level experimental design) bao gồm 4 giai đoạn logic:

  • Cấp độ 1 (Công cụ phân tích nền tảng): Phát triển bộ mã nguồn phân tích kết cấu giàn tự động pyTruss (viết trên ngôn ngữ Python thuần túy, bao gồm hai phân hệ pyTruss2D và pyTruss3D), kiểm chứng tính chính xác tuyệt đối so với phần mềm thương mại SAP2000.
  • Cấp độ 2 (Học máy đánh giá an toàn): Thiết lập bộ dữ liệu trạng thái thông qua kỹ thuật lấy mẫu LHS, tối ưu hóa siêu tham số của 5 thuật toán phân loại (Decision Tree, Random Forest, AdaBoost, SVM, kNN).
  • Cấp độ 3 (Phát triển thuật toán lai CaDE): Cài đặt giải thuật Tiến hóa Vi phân có trợ giúp của mô hình phân loại (CaDE), khảo sát tham số kiểm soát thế hệ chuyển tiếp ($n_iter_1$) và quy mô quần thể ($NP$).
  • Cấp độ 4 (Ứng dụng kỹ thuật thực tế): Áp dụng quy trình tối ưu cho kết cấu giàn mái phẳng nhịp 24m và giàn không gian 3 lớp kích thước $30\text{m} \times 30\text{m}$ tuân thủ tiêu chuẩn AISC-ASD và TCVN 5575:2012.
Quy trình thiết kế nghiên cứu đa cấp:
[Giai đoạn 1: Phát triển pyTruss (2D/3D)] 
[Giai đoạn 2: Lấy mẫu LHS + Huấn luyện Bộ phân loại AdaBoost] 
[Giai đoạn 3: Tích hợp Thuật toán CaDE (Khảo sát n_iter1, NP, F, Cr)] 
[Giai đoạn 4: Thực nghiệm Benchmark 10/25/72/200 thanh & Giàn mái 24m/30x30m]

Quy trình nghiên cứu rigorous

Quy trình thực nghiệm số tuân thủ nghiêm ngặt chuẩn mực khoa học:

  1. Giao thức lấy mẫu dữ liệu: Sử dụng kỹ thuật Latin Hypercube Sampling (LHS) để tạo ra tập mẫu dữ liệu đại diện trong không gian rời rạc $S^D$. Tập dữ liệu $N$ mẫu được phân tích chính xác qua pyTruss để trích xuất ứng suất $\sigma_i$ và chuyển vị nút $\Delta_j$. Nhãn an toàn $y \in {0, 1}$ được gán tự động dựa trên mức độ vi phạm ràng buộc tổng quát: $$cv(X) = \sum_{i=1}^n \max\left(0, \frac{|\sigma_i|}{[\sigma]i} - 1\right) + \sum{j=1}^m \max\left(0, \frac{|\Delta_j|}{[\Delta]j} - 1\right) + \sum{i=1}^n \max\left(0, \frac{\lambda_i}{[\lambda]_i} - 1\right)$$ Nếu $cv(X) = 0 \Rightarrow y = 1$ (An toàn); Nếu $cv(X) > 0 \Rightarrow y = 0$ (Không an toàn).
  2. Giao thức huấn luyện và kiểm định chéo: Dữ liệu được phân chia tỷ lệ 80% Training set và 20% Testing set. Thực hiện kiểm định chéo $k$-fold ($k=5$) để triệt tiêu hiện tượng quá khớp (overfitting). Đánh giá độ tin cậy qua ma trận nhầm lẫn (Confusion Matrix), độ chính xác tổng thể (Accuracy), diện tích dưới đường cong ROC (AUC), tỷ lệ dương tính thật (True Positive Rate - TPR) và dương tính giả (False Positive Rate - FPR).

Data và phân tích

  • Đặc trưng dữ liệu: Các biến đầu vào $X = [A_1, A_2, ..., A_D]$ tương ứng với số hiệu tiết diện của các nhóm thanh giàn được chuẩn hóa. Kích thước tập dữ liệu huấn luyện được khảo sát biến thiên từ $N = 500, 1000, 2000$ đến $5000$ mẫu.
  • Kỹ thuật phân tích nâng cao: Mô hình AdaBoost sử dụng giải thuật SAMME với số lượng bộ phân loại yếu $T$ biến thiên từ 10 đến 200 cây quyết định dạng gốc (Decision Stump).
  • Kiểm định độ vững chắc (Robustness checks): Mỗi bài toán tối ưu được thực hiện lặp lại độc lập từ 20 đến 30 lần chạy (independent runs) với các hạt giống ngẫu nhiên (random seeds) khác nhau để tính toán các chỉ số thống kê: Trọng lượng tốt nhất (Best), Trọng lượng trung bình (Mean), Trọng lượng xấu nhất (Worst), Độ lệch chuẩn (Standard Deviation - SD) và Số lần phân tích kết cấu trung bình (Mean Number of Structural Analyses - NFE).

Phát hiện đột phá và implications

Những phát hiện then chốt

Nghiên cứu mang lại các kết quả thực nghiệm đột phá với số liệu định lượng cụ thể:

  1. Hiệu năng vượt trội của mô hình AdaBoost trong phân loại an toàn kết cấu: Khảo sát so sánh trên các mô hình phân loại cho thấy mô hình AdaBoost đạt chỉ số phân loại chính xác $AUC > 0.94$ với kích thước mẫu huấn luyện $N = 1000$ mẫu, vượt trội so với Decision Tree đơn lẻ ($AUC \approx 0.83$), SVM ($AUC \approx 0.88$) và kNN ($AUC \approx 0.86$). Khi số lượng bộ phân loại yếu $T \ge 50$, sai số huấn luyện tiệm cận mức bão hòa ổn định.
  2. Cắt giảm ngoạn mục số lần phân tích phần tử hữu hạn của thuật toán CaDE: Trong giai đoạn hai của quá trình tối ưu, nhờ màng lọc AdaBoost loại bỏ các cá thể đột biến bất khả dĩ trước khi gọi chương trình pyTruss, thuật toán CaDE giúp tiết giảm từ 42% đến 68% tổng số lần phân tích kết cấu (NFE) so với thuật toán gốc DE trên toàn bộ các bài toán kiểm chuẩn (giàn 10 thanh, 25 thanh, 72 thanh và 200 thanh).
  3. Đảm bảo tính chính xác và chất lượng hội tụ tương đương giải thuật gốc: Chênh lệch trọng lượng tối ưu giữa phương pháp CaDE và thuật toán gốc DE trên tất cả các bài toán thực nghiệm đều dưới 0.15%, trong khi độ lệch chuẩn qua 30 lần chạy độc lập của CaDE đạt mức tương đương hoặc nhỏ hơn DE, chứng minh bộ lọc phân loại không hề loại bỏ nhầm các cá thể ưu tú trong không gian tìm kiếm.
  4. Quy luật phân bố tham số tối ưu cho kết cấu giàn mái thực tế:
    • Đối với giàn phẳng nhịp 24m: Tỷ lệ chiều cao trên nhịp hợp lý nhất nằm trong khoảng $H/L = 1/8 - 1/10$. Góc nghiêng thanh xiên tối ưu dao động trong khoảng $40^\circ - 50^\circ$.
    • Đối với giàn không gian 3 lớp kích thước $30\text{m} \times 30\text{m}$: Mô hình tối ưu hóa tiết diện giúp giảm 28.4% tổng trọng lượng thép so với phương án thiết kế ban đầu của kỹ sư theo kinh nghiệm truyền thống.
Bài toán kiểm chuẩn Số biến thiết kế ($D$) Số lần gọi PTHH (Thuật toán DE) Số lần gọi PTHH (Thuật toán CaDE) Tỷ lệ tiết giảm tính toán (%) Trọng lượng tối ưu DE (kg) Trọng lượng tối ưu CaDE (kg)
Giàn 10 thanh 10 15,000 6,840 54.4% 2,495.2 2,495.2
Giàn 25 thanh 8 12,000 4,920 59.0% 220.3 220.3
Giàn 72 thanh 16 24,000 9,120 62.0% 176.8 176.9
Giàn 200 thanh 29 45,000 14,400 68.0% 12,980.5 12,982.1
Giàn không gian 30x30m 12 30,000 11,700 61.0% 42,150.0 42,158.0 
So sánh số lần phân tích kết cấu (NFE) giữa DE và CaDE:

Implications đa chiều

  • Đóng góp học thuật: Xác lập phương pháp luận mới về "Tối ưu hóa meta-heuristic có trợ giúp của học máy phân loại" (Classification-assisted Meta-heuristics), giải quyết triệt để bài toán thắt nút cổ chai về thời gian tính toán của các phương pháp mô phỏng số truyền thống.
  • Đổi mới phương pháp luận: Module hóa toàn bộ quy trình thiết kế tối ưu trên nền tảng mã nguồn mở Python (pyTruss tích hợp Scikit-Learn), tạo tiền đề dễ dàng mở rộng sang các dạng kết cấu khác.
  • Ứng dụng thực tiễn: Cung cấp công cụ thiết kế tự động hóa cho các công ty tư vấn kết cấu thép, rút ngắn chu kỳ thiết kế sơ bộ từ vài ngày xuống còn vài chục phút, đồng thời tiết kiệm 15–28% khối lượng thép tiêu thụ cho các dự án nhà công nghiệp và nhà thi đấu nhịp lớn.

Limitations và Future Research

Luận án thừa nhận một cách khách quan các giới hạn nội tại:

  1. Giới hạn bài toán tối ưu: Đề tài chỉ giới hạn ở bài toán tối ưu hóa diện tích tiết diện thanh rời rạc (sizing optimization). Các bài toán tối ưu hóa hình học (shape optimization - thay đổi tọa độ nút) và tối ưu hóa cấu trúc/liên kết (topology optimization - thay đổi số lượng thanh và sơ đồ lưới) chưa được tích hợp đồng thời.
  2. Mô hình cơ học đơn giản hóa: Giả thiết làm việc dừng lại ở trạng thái đàn hồi tuyến tính tĩnh học. Chưa xét đến các hiệu ứng phi tuyến vật liệu (chảy dẻo cục bộ), phi tuyến hình học, tải trọng động đất, gió động và phân tích ổn định tổng thể phi tuyến bậc cao.
  3. Phạm vi đối tượng kết cấu: Nghiên cứu mới thử nghiệm trên kết cấu giàn thép, chưa mở rộng sang các dạng kết cấu phức tạp hơn như khung không gian liên hợp, kết cấu vỏ mỏng, bản đáy móng hoặc tấm composite nhiều lớp.

Chương trình nghiên cứu tương lai (Future Research Agenda) đề xuất 4 hướng trọng điểm:

  • Mở rộng thuật toán CaDE cho bài toán tối ưu hóa đồng thời Tiết diện - Hình dạng - Cấu trúc (Simultaneous Sizing, Shape, and Topology Optimization).
  • Ứng dụng mô hình Học sâu đồ thị (Graph Neural Networks - GNN) để tự động biểu diễn và học đặc trưng không gian của các hệ giàn có cấu trúc hình học phức tạp tùy ý.
  • Tích hợp bài toán tối ưu đa mục tiêu (Multi-objective Optimization), cân bằng giữa chỉ tiêu giảm thiểu chi phí vật liệu ($Cost/Weight$) và giảm thiểu phát thải carbon vòng đời ($Embodied Carbon$).
  • Xây dựng giải pháp phần mềm thương mại dạng plugin tích hợp trực tiếp vào các môi trường BIM/CAD phổ biến như Autodesk Revit, Tekla Structures và Grasshopper/Rhino.

Tác động và ảnh hưởng

Bản đồ tác động đa chiều của Luận án:
  • Tác động học thuật: Định hình một trào lưu nghiên cứu mới tại Việt Nam và khu vực về việc ứng dụng Machine Learning gián tiếp trong cơ học tính toán; tạo tiền đề cho các công bố quốc tế chất lượng cao trên các tạp chí nhóm Q1 thuộc hệ thống Scopus/WoS.
  • Tác động công nghiệp và chuyển giao công nghệ: Các nhà thầu kết cấu thép và các đơn vị tư vấn thiết kế (như Zamil Steel, Nhà thép tiền chế Đại Dũng, PEB Steel) có thể trực tiếp ứng dụng quy trình để cắt giảm hàng trăm tấn thép mỗi năm cho các dự án nhà xưởng công nghiệp quy mô lớn, gia tăng năng lực cạnh tranh trong đấu thầu quốc tế.
  • Lợi ích kinh tế - xã hội: Giảm định mức tiêu thụ thép đồng nghĩa với việc trực tiếp cắt giảm hàng nghìn tấn quặng sắt và điện năng tiêu thụ trong quá trình luyện thép, góp phần quan trọng vào cam kết phát thải ròng bằng 0 (Net Zero Carbon) của ngành xây dựng.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giảng viên ngành Kỹ thuật Xây dựng/Cơ học tính toán: Tiếp cận mã nguồn mở Python pyTruss, khung thuật toán CaDE và các bộ dữ liệu chuẩn hóa để tiếp tục phát triển các thuật toán tối ưu nâng cao.
  • Kỹ sư kết cấu thực hành (Structural Design Engineers): Sở hữu bộ khuyến nghị tham số hình học cụ thể ($H/L$, góc nghiêng thanh bụng, tỷ lệ độ mảnh) và quy trình thiết kế tối ưu hóa tiết diện tự động, chuẩn hóa theo TCVN và AISC-ASD.
  • Doanh nghiệp gia công và lắp dựng kết cấu thép: Tối ưu hóa chuỗi cung ứng phôi thép, lựa chọn danh mục thép hình quy cách kinh tế nhất, giảm giá thành chế tạo và lắp ghép kết cấu giàn mái vượt nhịp.
  • Cơ quan quản lý và các nhà lập chính sách xây dựng: Có thêm căn cứ khoa học thực chứng để cập nhật các hướng dẫn thiết kế bền vững, định mức tiêu hao vật liệu trong tiêu chuẩn xây dựng quốc gia.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nền tảng nào?

Đóng góp lý thuyết độc đáo nhất là việc thiết lập nguyên lý Màng lọc phân loại học máy thích nghi (Classification-assisted Feasibility Filter) tích hợp trong giải thuật Tiến hóa Vi phân (DE). Công trình đã mở rộng lý thuyết tối ưu hóa tiến hóa có ràng buộc của Deb (2000) và Storn & Price (1997) bằng cách chứng minh rằng: trong không gian rời rạc, không cần thiết phải tính toán giải tích chính xác hàm mức độ vi phạm ràng buộc $cv(X)$ cho mọi cá thể trung gian, mà có thể dùng một bộ phân loại nhị phân tập hợp (AdaBoost) để dự báo trạng thái khả dĩ, qua đó loại bỏ phần lớn chi phí tính toán mà vẫn giữ nguyên đặc tính hội tụ toàn cục.

2. Sự đổi mới về mặt phương pháp luận so với các công trình quốc tế tiền nhiệm thể hiện ở đâu?

So với phương pháp thay thế trực tiếp bằng mạng nơ-ron hồi quy của Papadrakakis et al. (1997, 2005) vốn thường xuyên gặp lỗi trôi nghiệm do sai số tích lũy của mô hình xấp xỉ liên tục, và phương pháp so sánh lân cận k-NN của Nghiêm Khắc Tuyên et al. (2016) vốn có độ nhạy kém trong không gian nhiều chiều, phương pháp CaDE của luận án kết hợp kỹ thuật lấy mẫu đồng đều LHS với thuật toán boosting thích nghi AdaBoost. Mô hình chỉ đóng vai trò bộ lọc sơ loại ở thế hệ thứ hai trở đi, toàn bộ các cá thể sống sót đều được kiểm định lại bằng phân tích cơ học chính xác qua pyTruss, triệt tiêu hoàn toàn nguy cơ hội tụ về nghiệm giả bất khả dĩ.

So sánh phương pháp luận:

3. Phát hiện bất ngờ nhất trong quá trình thực nghiệm số là gì?

Phát hiện thú vị nhất là mức độ vi phạm ràng buộc chuyển vị và ứng suất trong bài toán giàn không gian có tính phân cụm nhị phân cực kỳ rõ nét trong không gian đặc trưng của các số hiệu tiết diện. Chỉ với một tập dữ liệu huấn luyện tương đối nhỏ ($N = 1000$ mẫu, chiếm chưa đầy $0.0001%$ không gian tìm kiếm rời rạc), mô hình AdaBoost với 50 cây quyết định đã có thể nắm bắt được ranh giới siêu phẳng an toàn với độ chính xác trên 92%, cho phép loại bỏ tới 68% số lần phân tích PTHH trong bài toán giàn 200 thanh.

4. Luận án có cung cấp giao thức tái lập nghiên cứu (Replication Protocol) hoàn chỉnh không?

Hoàn toàn đầy đủ. Toàn bộ mã nguồn thực thi chương trình phân tích kết cấu pyTruss2D, pyTruss3D, mã nguồn thuật toán tối ưu DE, thuật toán đề xuất CaDE viết bằng ngôn ngữ Python, cùng hệ thống bảng tra tiết diện thép tiêu chuẩn, tọa độ nút, điều kiện biên và tải trọng của toàn bộ các bài toán kiểm chuẩn (10 thanh, 25 thanh, 72 thanh, 200 thanh, giàn phẳng 24m và giàn 3 lớp 30x30m) đều được công bố chi tiết trong các phụ lục của luận án.

5. Chương trình nghị sự nghiên cứu 10 năm (10-year research agenda) được định hình ra sao?

Chương trình nghiên cứu 10 năm hướng tới việc xây dựng hệ thống thiết kế kết cấu tự động hóa thông minh thế hệ mới (Generative AI Structural Design):

  • Giai đoạn 2024–2026: Phát triển mô hình GNN/Transformer để dự đoán trực tiếp ứng xử phi tuyến hình học và vật liệu của kết cấu khung - giàn không gian hỗn hợp chịu tải trọng động đất.
  • Giai đoạn 2027–2030: Tích hợp tối ưu hóa đa mục tiêu kết hợp phân tích đánh giá vòng đời sản phẩm (Life Cycle Assessment - LCA), tối ưu hóa cấu trúc vật liệu in 3D kim loại (Additive Manufacturing).
  • Giai đoạn 2031–2034: Hoàn thiện nền tảng điện toán đám mây cho phép tối ưu hóa kết cấu thời gian thực (Real-time Structural Optimization) tích hợp liền mạch trong mô hình thông tin công trình (BIM).

Kết luận

Luận án tiến sĩ của NCS Nguyễn Trần Hiếu đã giải quyết trọn vẹn và xuất sắc mục tiêu đề ra với 5 đóng góp học thuật và thực tiễn cốt lõi:

  1. Phát triển thành công chương trình pyTruss: Bộ công cụ phân tích kết cấu giàn phẳng và không gian bằng phương pháp độ cứng trực tiếp trên ngôn ngữ Python với tốc độ xử lý cao, độ chính xác tuyệt đối, đóng vai trò hạt nhân tính toán cho các thuật toán tối ưu.
  2. Thiết lập quy trình chuẩn hóa xây dựng mô hình học máy đánh giá an toàn kết cấu: Chứng minh mô hình học máy tập hợp AdaBoost kết hợp kỹ thuật lấy mẫu siêu khối lập phương La-tinh (LHS) đạt độ chính xác phân loại an toàn vượt trội ($AUC > 0.94$).
  3. Đề xuất thuật toán tối ưu đột phá CaDE: Tích hợp mô hình phân loại học máy vào giải thuật Tiến hóa Vi phân, tạo nên bước tiến vượt bậc khi cắt giảm từ 42% đến 68% số lần phân tích phần tử hữu hạn trên các hệ kết cấu giàn từ đơn giản đến phức tạp mà vẫn bảo toàn độ chính xác của nghiệm tối ưu toàn cục.
  4. Xây dựng quy trình thiết kế tối ưu ứng dụng cho kết cấu thực tế: Triển khai thành công trên giàn mái phẳng nhịp 24m và giàn không gian 3 lớp $30\text{m} \times 30\text{m}$ theo tiêu chuẩn AISC-ASD và TCVN 5575:2012, giúp tiết giảm tới 28.4% khối lượng thép so với thiết kế truyền thống.
  5. Cung cấp hệ thống khuyến nghị thiết kế chuyên sâu: Đưa ra các chỉ dẫn cụ thể về tỷ lệ kích thước hình học ($H/L$, góc nghiêng thanh bụng) giúp kỹ sư kết cấu định hình phương án thiết kế kinh tế và an toàn ngay từ giai đoạn ý tưởng sơ bộ.

Công trình tạo nên một bước chuyển biến quan trọng trong phương pháp luận ứng dụng Trí tuệ nhân tạo vào Cơ học xây dựng, mở ra các nhánh nghiên cứu mới về tối ưu hóa kết cấu thông minh, đóng góp thiết thực vào công cuộc hiện đại hóa và phát triển bền vững của ngành công nghiệp xây dựng Việt Nam và quốc tế.