Tổng quan nghiên cứu

Trong bối cảnh phát triển nhanh chóng của hạ tầng đô thị và gia tăng dân số, nhu cầu xây dựng các công trình dân cư, trung tâm thương mại và nhà cao tầng ngày càng tăng cao. Bê tông cốt thép là vật liệu chủ đạo trong các công trình này, do đó việc đánh giá chất lượng bê tông trở nên cấp thiết. Theo tiêu chuẩn hiện hành, số lượng mẫu bê tông cần thí nghiệm tỷ lệ thuận với khối lượng bê tông sử dụng, dẫn đến chi phí thí nghiệm và lượng bê tông thải ra môi trường tăng cao, ảnh hưởng tiêu cực đến mỹ quan và không gian đô thị.

Mục tiêu nghiên cứu của luận văn là ứng dụng mạng nơ-ron nhân tạo (ANN) để dự đoán ứng xử của bê tông trong thí nghiệm nén một trục, từ đó giảm thiểu số lượng mẫu thí nghiệm thực tế mà vẫn đảm bảo độ chính xác trong đánh giá. Nghiên cứu sử dụng bộ dữ liệu gồm 55 mẫu nén thực nghiệm bê tông thường có cường độ chịu nén từ 15 đến 50 MPa, tập trung tại Việt Nam trong giai đoạn gần đây.

Ý nghĩa của nghiên cứu thể hiện qua việc giảm chi phí thí nghiệm, giảm lượng bê tông thải ra môi trường, đồng thời cung cấp cơ sở dữ liệu khoa học phục vụ cho các nghiên cứu mô phỏng và thực nghiệm tiếp theo. Việc áp dụng trí tuệ nhân tạo trong lĩnh vực xây dựng cũng góp phần nâng cao hiệu quả quản lý chất lượng vật liệu và thúc đẩy chuyển đổi số trong ngành xây dựng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các mô hình ứng xử bê tông đàn hồi – dẻo phổ biến như mô hình Hognestad, CEB – FIP, Wee & Mansur, và Almusallam & Alsayed. Các mô hình này mô phỏng quan hệ ứng suất – biến dạng của bê tông trong thí nghiệm nén một trục, phản ánh tính phi tuyến, dẻo và dòn của vật liệu.

Mạng nơ-ron nhân tạo (ANN) được sử dụng để xấp xỉ hàm ứng xử của bê tông dựa trên dữ liệu thực nghiệm. Cấu trúc mạng gồm lớp đầu vào nhận các thông số cấp phối bê tông, lớp ẩn với hàm truyền tan-sigmoid, và lớp đầu ra dự đoán cường độ chịu nén hoặc đường cong ứng suất – biến dạng. Quá trình huấn luyện mạng sử dụng thuật toán lan truyền ngược (Backpropagation) với giải thuật Levenberg–Marquardt nhằm tối ưu trọng số mạng, đảm bảo sai số dự đoán thấp và độ tin cậy cao (hệ số hồi quy R gần 1).

Giải thuật tiến hóa di truyền (GA) được áp dụng để tối ưu hóa hàm ứng xử LIT, tìm kiếm hệ số tối ưu sao cho đường cong dự đoán bám sát đường cong thực nghiệm nhất. GA mô phỏng quá trình tiến hóa tự nhiên qua các bước mã hóa, khởi tạo quần thể, lai ghép, đột biến và chọn lọc, nhằm cực tiểu hóa tổng sai số giữa mô hình và thực nghiệm.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ 55 mẫu bê tông nén thực nghiệm, thu thập và chuẩn hóa để làm đầu vào cho mạng ANN. Phương pháp chọn mẫu đảm bảo đại diện cho các cấp phối bê tông thường trong phạm vi nghiên cứu.

Phân tích dữ liệu thực hiện trên phần mềm Matlab, sử dụng toolbox mạng nơ-ron nhân tạo để xây dựng và huấn luyện mô hình ANN. Quá trình huấn luyện chia bộ dữ liệu thành tập huấn luyện và tập kiểm tra nhằm đánh giá hiệu quả mô hình.

Sau khi huấn luyện, kết quả dự đoán cường độ chịu nén được sử dụng làm đầu vào cho hàm mục tiêu LIT. Giải thuật GA được triển khai để tìm hệ số tối ưu cho hàm LIT, với các tham số như kích thước quần thể, xác suất lai ghép và đột biến được điều chỉnh phù hợp. Timeline nghiên cứu kéo dài trong khoảng 6 tháng, bao gồm thu thập dữ liệu, xây dựng mô hình, huấn luyện và tối ưu hóa.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Dự đoán cường độ chịu nén bằng ANN: Mô hình ANN dự đoán cường độ chịu nén của bê tông với sai số trung bình dưới 5%, hệ số hồi quy R đạt khoảng 0.95, cho thấy độ chính xác cao so với giá trị thực nghiệm.

  2. Dự đoán đường cong ứng suất – biến dạng: Mạng ANN kết hợp với hàm mục tiêu LIT và giải thuật GA cho ra đường cong ứng suất – biến dạng dự đoán sát với đường cong thực nghiệm của 3 tổ mẫu M12, M21, M36, với sai số thấp hơn 3% ở vùng đỉnh và vùng hóa mềm.

  3. Tối ưu hóa hàm ứng xử LIT bằng GA: Quá trình tối ưu hóa giảm tổng sai số giữa mô hình và thực nghiệm xuống dưới 2%, cải thiện đáng kể so với các mô hình giải tích truyền thống như Hognestad hay CEB – FIP.

  4. So sánh mô hình: Mô hình đề xuất có độ tin cậy cao hơn so với các mô hình giải tích truyền thống, đặc biệt trong việc mô phỏng vùng phi tuyến và hóa mềm của bê tông.

Thảo luận kết quả

Nguyên nhân kết quả dự đoán chính xác là do mạng ANN có khả năng học và xấp xỉ các quan hệ phi tuyến phức tạp giữa các thành phần cấp phối và ứng suất – biến dạng bê tông. Việc kết hợp giải thuật GA giúp tối ưu hóa các tham số mô hình, giảm thiểu sai số tổng thể.

So với các nghiên cứu trước đây, kết quả này khẳng định hiệu quả của việc ứng dụng trí tuệ nhân tạo trong dự đoán ứng xử vật liệu xây dựng, đồng thời mở rộng phạm vi ứng dụng cho bê tông thường với cường độ từ 15 đến 50 MPa.

Dữ liệu có thể được trình bày qua biểu đồ so sánh đường cong ứng suất – biến dạng thực nghiệm và dự đoán, bảng số liệu sai số và hệ số hồi quy, giúp minh họa rõ ràng sự phù hợp của mô hình. Kết quả này có ý nghĩa quan trọng trong việc giảm thiểu thí nghiệm thực tế, tiết kiệm chi phí và bảo vệ môi trường.

Đề xuất và khuyến nghị

  1. Áp dụng mô hình ANN-GA trong kiểm soát chất lượng bê tông: Các đơn vị thi công và kiểm định nên sử dụng mô hình dự đoán để giảm số lượng mẫu thí nghiệm, tiết kiệm chi phí và thời gian, áp dụng trong vòng 1-2 năm tới.

  2. Phát triển phần mềm hỗ trợ dự đoán ứng xử bê tông: Xây dựng công cụ phần mềm tích hợp mô hình ANN và GA để hỗ trợ kỹ sư trong thiết kế và đánh giá vật liệu, triển khai trong các công ty tư vấn xây dựng.

  3. Mở rộng nghiên cứu cho bê tông cường độ cao và bê tông tái chế: Tiếp tục thu thập dữ liệu và huấn luyện mô hình cho các loại bê tông đặc biệt nhằm nâng cao tính ứng dụng, thực hiện trong giai đoạn 2-3 năm tới.

  4. Đào tạo và nâng cao nhận thức về AI trong xây dựng: Tổ chức các khóa đào tạo, hội thảo cho kỹ sư và nhà nghiên cứu về ứng dụng mạng nơ-ron và giải thuật tiến hóa trong xây dựng, nhằm thúc đẩy chuyển đổi số trong ngành.

Đối tượng nên tham khảo luận văn

  1. Kỹ sư thiết kế kết cấu: Sử dụng mô hình dự đoán để đánh giá nhanh chất lượng bê tông, giảm thiểu thí nghiệm thực tế, nâng cao hiệu quả thiết kế.

  2. Chuyên gia kiểm định vật liệu xây dựng: Áp dụng mô hình để kiểm soát chất lượng bê tông tại công trường, giảm chi phí và thời gian kiểm tra.

  3. Nhà nghiên cứu và sinh viên ngành xây dựng: Tham khảo phương pháp ứng dụng trí tuệ nhân tạo trong mô phỏng và dự đoán ứng xử vật liệu, làm cơ sở cho các nghiên cứu tiếp theo.

  4. Doanh nghiệp tư vấn và thi công xây dựng: Ứng dụng mô hình để tối ưu hóa quy trình kiểm tra và quản lý chất lượng vật liệu, nâng cao năng lực cạnh tranh.

Câu hỏi thường gặp

  1. Mạng nơ-ron nhân tạo (ANN) là gì và tại sao được sử dụng trong nghiên cứu này?
    ANN là mô hình tính toán mô phỏng cách thức hoạt động của hệ thần kinh sinh học, có khả năng học và xấp xỉ các quan hệ phi tuyến phức tạp. Trong nghiên cứu, ANN giúp dự đoán chính xác cường độ chịu nén và đường cong ứng suất – biến dạng của bê tông dựa trên dữ liệu thực nghiệm.

  2. Giải thuật tiến hóa di truyền (GA) đóng vai trò gì trong nghiên cứu?
    GA được sử dụng để tối ưu hóa các hệ số trong hàm ứng xử LIT, giúp mô hình dự đoán bám sát đường cong thực nghiệm hơn, giảm sai số tổng thể và nâng cao độ tin cậy của mô hình.

  3. Bộ dữ liệu mẫu thí nghiệm gồm những gì và có đủ đại diện không?
    Bộ dữ liệu gồm 55 mẫu bê tông nén một trục với cường độ từ 15 đến 50 MPa, được thu thập tại Việt Nam. Số lượng và phạm vi mẫu đảm bảo tính đại diện cho bê tông thường trong nghiên cứu.

  4. Mô hình đề xuất có thể áp dụng cho bê tông cường độ cao hay bê tông tái chế không?
    Hiện tại mô hình tập trung vào bê tông thường. Tuy nhiên, phương pháp có thể mở rộng cho bê tông cường độ cao và bê tông tái chế bằng cách thu thập thêm dữ liệu và huấn luyện lại mạng ANN.

  5. Lợi ích thực tiễn của nghiên cứu đối với ngành xây dựng là gì?
    Nghiên cứu giúp giảm chi phí thí nghiệm, tiết kiệm thời gian, giảm lượng bê tông thải ra môi trường, đồng thời cung cấp công cụ dự đoán chính xác giúp nâng cao chất lượng và hiệu quả quản lý vật liệu xây dựng.

Kết luận

  • Nghiên cứu thành công trong việc ứng dụng mạng nơ-ron nhân tạo kết hợp giải thuật tiến hóa di truyền để dự đoán ứng xử nén của bê tông thường với độ chính xác cao.
  • Mô hình đề xuất vượt trội hơn các mô hình giải tích truyền thống về khả năng mô phỏng đường cong ứng suất – biến dạng, đặc biệt ở vùng phi tuyến và hóa mềm.
  • Bộ dữ liệu 55 mẫu thí nghiệm được xây dựng và sử dụng hiệu quả làm cơ sở cho mô hình dự đoán và các nghiên cứu tiếp theo.
  • Giải thuật GA giúp tối ưu hóa hàm ứng xử LIT, giảm sai số tổng thể xuống dưới 2%, đảm bảo độ tin cậy cao cho mô hình.
  • Đề xuất triển khai ứng dụng mô hình trong kiểm soát chất lượng bê tông tại công trường, phát triển phần mềm hỗ trợ và mở rộng nghiên cứu cho các loại bê tông đặc biệt trong tương lai.

Hành động tiếp theo: Các đơn vị xây dựng và nghiên cứu nên phối hợp triển khai ứng dụng mô hình trong thực tế, đồng thời tiếp tục thu thập dữ liệu để nâng cao độ chính xác và phạm vi áp dụng của mô hình.