Nghiên cứu ứng dụng mạng nơ ron nhân tạo để dự đoán ứng xử của bê tông trong thí nghiệm nén một trục

Nghiên cứu ứng dụng mạng nơ ron nhân tạo trong dự đoán ứng xử bê tông khi thí nghiệm nén một trục, mang lại giải pháp hiệu quả cho ngành xây dựng.

• Tác giả: Lê Ích Trọng
• Người hướng dẫn: TS. Trần Văn Tiếng
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Xây Dựng
• Đề tài: Nghiên Cứu Ứng Dụng Mạng Nơ Ron Nhân Tạo Dự Đoán Ứng Xử Bê Tông
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LÝ LỊCH KHOA HỌC
• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT
• ABSTRACT
• MỤC LỤC
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Tính cấp thiết và điểm mới từ luận văn
• 1.2. Tổng quan chung về tình hình nghiên cứu trong và ngoài nước
• 1.2.1. Tình hình nghiên cứu trong nước
• 1.2.1.1. Tổng quan về nghiên cứu ứng xử của bê tông trong nước
• 1.2.1.2. Ứng xử bê tông trong thực nghiệm
• 1.2.1.3. Ứng xử bê tông trong mô phỏng
• 1.2.2. Tổng quan về nghiên cứu trí tuệ nhân tạo (AI) trong nước
• 1.2.2.1. Tổng quan về nghiên cứu trí tuệ nhân tạo (AI)
• 1.2.2.2. Tổng quan về nghiên cứu trí tuệ nhân tạo (AI) trong lĩnh vực xây dựng
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Các mô hình ứng xử của bê tông
• 2.1.1. Mô hình ứng xử của bê tông đàn hồi
• 2.1.2. Mô hình ứng xử theo lý thuyết cơ học rạn nứt bê tông (CFM)
• 2.1.3. Mô hình ứng xử theo lý thuyết đàn hồi – dẻo
• 2.1.4. Mô hình ứng xử theo lý thuyết đàn hồi – dòn
• 2.1.5. Mô hình ứng xử theo lý thuyết đàn hồi – dẻo – dòn
• 2.1.6. Các mô hình ứng xử khác
• 2.1.7. Lựa chọn mô hình ứng xử
• 2.1.8. Lý thuyết các mô hình ứng xử đàn hồi – dẻo
• 2.1.9. Vùng ứng xử bê tông cường độ thường
• 2.1.10. Mô hình ứng xử theo Hognestad
• 2.1.11. Mô hình ứng xử theo CEB – FIP
• 2.1.12. Mô hình ứng xử theo Wee & Mansur
• 2.1.13. Mô hình ứng xử theo Almusallam & Alsayed
• 2.1.14. Mạng nơ – ron nhân tạo (ANN)
• 2.1.15. Cấu trúc mạng nơ – ron nhân tạo
• 2.1.16. Phân loại mạng nơ – ron nhân tạo
• 2.1.17. Quá trình huấn luyện mạng
• 2.1.18. Giải thuật tiến hóa di truyền (GA)
• 2.1.19. Các quá trình trong giải thuật di truyền (GA)
• 2.1.20. Tham số toán học trong giải thuật di truyền (GA)
• 2.1.21. Lý thuyết tính toán tối ưu
• 2.1.22. Nguyên tắc chung của bài toán tối ưu
• 2.1.23. Các bước thành lập bài toán tối ưu
• 3. CHƯƠNG 3: XÂY DỰNG HÀM MỤC TIÊU
• 3.1. Tính toán giải tích các mô hình ứng xử
• 3.2. Đề xuất mô hình ứng xử
• 3.3. Mô hình ứng xử đề xuất LIT
• 3.4. Mô hình ứng xử tối ưu LIT & GA
• 4. CHƯƠNG 4: DỰ ĐOÁN CƯỜNG ĐỘ CHỊU NÉN TỪ THÀNH PHẦN CẤP PHỐI
• 4.1. Bài toán thuận
• 4.2. Bài toán nghịch
• 5. CHƯƠNG 5: DỰ ĐOÁN ĐƯỜNG CONG ỨNG XỬ
• 5.1. Dự đoán đường cong ứng xử tổ mẫu M12, M21, M36
• 5.2. Kiểm chứng kết quả dự đoán
• 5.2.1. Thí nghiệm nén mẫu ghi nhận
• 5.2.2. Dự đoán cường độ chịu nén từ cấp phối mẫu
• 5.2.3. Dự đoán đường cong ứng xử từ tổ mẫu
• 5.2.4. Đánh giá kết quả dự đoán
• 6. CHƯƠNG 6: KẾT LUẬN VÀ KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC TÍNH TOÁN
• Phụ lục 1. Code Matlab bài toán xấp xỉ _Mạng nơ – ron ANN
• Phụ lục 2. Code Matlab tìm kiếm hệ số tối ưu_Giải thuật di truyền GA
• Phụ lục 3. Kết quả tính toán các mô hình ứng xử ứng với tổ mẫu DC01 và DC02
• Phụ lục 4. Kết quả tính toán các mô hình ứng xử ứng với mẫu M12, M21 và M36
• Phụ lục 5. Kết quả thí nghiệm thực nghiệm cho quan hệ ứng suất và biến dạng của tổ mẫu DC01, DC02 và TR03
• Phụ lục 6. Kết quả tính toán ứng suất và biến dạng của LIT & GA tương ứng với 3 tổ mẫu DC01, DC02 và TR03

Tóm tắt

I. Tổng quan về nghiên cứu ứng dụng mạng nơ ron nhân tạo

Nghiên cứu ứng dụng mạng nơ ron nhân tạo (ANN) trong dự đoán ứng xử của bê tông đang trở thành một xu hướng quan trọng trong ngành xây dựng. Với sự phát triển của công nghệ, việc áp dụng ANN giúp tối ưu hóa quy trình thiết kế và giảm thiểu chi phí thí nghiệm. Các nghiên cứu hiện tại cho thấy rằng ANN có khả năng dự đoán chính xác cường độ chịu nén của bê tông từ các thành phần cấp phối khác nhau.

1.1. Tình hình nghiên cứu trong nước về bê tông

Nhiều nghiên cứu trong nước đã chỉ ra rằng ứng xử của bê tông phụ thuộc vào các yếu tố như modun đàn hồi và cường độ chịu nén. Các mô hình như Hognestad và CEB-FIP đã được áp dụng để mô phỏng ứng xử của bê tông trong các điều kiện khác nhau.

1.2. Tình hình nghiên cứu quốc tế về mạng nơ ron

Trên thế giới, nhiều nghiên cứu đã chứng minh hiệu quả của mạng nơ ron nhân tạo trong việc dự đoán ứng xử của bê tông. Các mô hình này không chỉ giúp giảm thiểu chi phí mà còn nâng cao độ chính xác trong dự đoán.

II. Vấn đề và thách thức trong dự đoán ứng xử bê tông

Mặc dù có nhiều tiến bộ trong việc ứng dụng mạng nơ ron nhân tạo, vẫn tồn tại nhiều thách thức trong việc dự đoán ứng xử của bê tông. Các mô hình hiện tại chưa hoàn toàn bám sát với thực nghiệm, dẫn đến sai số trong dự đoán. Việc thu thập dữ liệu và xây dựng bộ dữ liệu chất lượng cao là rất cần thiết để cải thiện độ chính xác của mô hình.

2.1. Sai số trong mô hình dự đoán

Sai số trong các mô hình dự đoán thường xuất phát từ việc thiếu dữ liệu hoặc dữ liệu không chính xác. Điều này ảnh hưởng đến khả năng tổng quát của mô hình ANN trong việc dự đoán ứng xử bê tông.

2.2. Khó khăn trong việc thu thập dữ liệu

Việc thu thập dữ liệu thực nghiệm cho các mẫu bê tông là một thách thức lớn. Số lượng mẫu cần thiết để đảm bảo tính chính xác của mô hình thường rất lớn, dẫn đến chi phí cao và thời gian thực hiện kéo dài.

III. Phương pháp nghiên cứu ứng dụng mạng nơ ron nhân tạo

Phương pháp nghiên cứu sử dụng mạng nơ ron nhân tạo để dự đoán cường độ chịu nén của bê tông bao gồm việc xây dựng mô hình ANN từ bộ dữ liệu thực nghiệm. Các tham số đầu vào được xác định từ các thành phần cấp phối khác nhau, và mô hình được huấn luyện để tối ưu hóa độ chính xác của dự đoán.

3.1. Xây dựng mô hình ANN

Mô hình ANN được xây dựng dựa trên các tham số đầu vào như thành phần cấp phối và điều kiện thí nghiệm. Quá trình huấn luyện mô hình sử dụng thuật toán tối ưu hóa để cải thiện độ chính xác.

3.2. Ứng dụng giải thuật di truyền

Giải thuật di truyền (GA) được áp dụng để tìm kiếm các hệ số tối ưu cho mô hình ANN. Điều này giúp cải thiện khả năng dự đoán và giảm thiểu sai số trong kết quả.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn

Kết quả nghiên cứu cho thấy mô hình ANN có khả năng dự đoán cường độ chịu nén của bê tông với độ chính xác cao. Các kết quả dự đoán được so sánh với dữ liệu thực nghiệm và cho thấy sự tương đồng tốt. Điều này mở ra hướng đi mới cho việc ứng dụng AI trong ngành xây dựng.

4.1. So sánh kết quả dự đoán với thực nghiệm

Kết quả dự đoán từ mô hình ANN được so sánh với các mẫu thí nghiệm thực tế. Sự tương đồng giữa hai kết quả cho thấy tính khả thi của mô hình trong ứng dụng thực tiễn.

4.2. Ứng dụng trong thiết kế kết cấu

Mô hình ANN có thể được áp dụng trong thiết kế kết cấu bê tông, giúp giảm thiểu chi phí và thời gian thí nghiệm. Điều này mang lại lợi ích lớn cho các dự án xây dựng quy mô lớn.

V. Kết luận và triển vọng tương lai của nghiên cứu

Nghiên cứu ứng dụng mạng nơ ron nhân tạo trong dự đoán ứng xử bê tông đã mở ra nhiều cơ hội mới cho ngành xây dựng. Tương lai của nghiên cứu này hứa hẹn sẽ mang lại nhiều cải tiến trong quy trình thiết kế và thi công. Việc tiếp tục phát triển và hoàn thiện mô hình sẽ giúp nâng cao độ chính xác và khả năng ứng dụng của ANN trong thực tiễn.

5.1. Hướng phát triển tiếp theo

Các nghiên cứu tiếp theo nên tập trung vào việc cải thiện độ chính xác của mô hình và mở rộng ứng dụng của ANN trong các lĩnh vực khác của xây dựng.

5.2. Tác động đến ngành xây dựng

Việc áp dụng AI và ANN trong ngành xây dựng không chỉ giúp tối ưu hóa quy trình mà còn góp phần bảo vệ môi trường thông qua việc giảm thiểu lượng bê tông thải ra.

Nội dung chính

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.

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.

Trích đoạn nội dung tài liệu

Chương 1 TỔNG QUAN 1. Tính cấp thiết và điểm mới từ luận văn Hiện nay, với sự phát triển của hạ tầng đô thị và sự phát triển dân số, các khu dân cư, trung tâm thương mại, các chung cư cao tầng cũng như nhà ở riêng lẽ đang được xây dựng hàng loạt. Vật liệu xây dựng chủ yếu cho các công trình là bê tông cốt thép. Để đánh giá chất lượng bê tông sử dụng, mỗi xe cung cấp bê tông đều phải được lấy mẫu thực nghiệm, số lượng mẫu thực nghiệm phụ thuộc vào khối lượng bê tông sử dụng cho công trình theo tiêu chuẩn hiện hành [1].

Do đó, lượng mẫu bê tông cần phải được thí nghiệm rất nhiều, dẫn đến chi phí và lượng bê tông thải ra môi trường cũng rất lớn. Ảnh hưởng đến mỹ quan và không gian thành phố. Với thời đại số 4.0, trí tuệ nhân tạo AI như được biết đến với một công cụ mạnh mẽ nhằm giải quyết các bài toán với khối lượng lớn, tính nhanh chóng, chính xác và dự đoán cao. Trên cơ sở đó, luận văn tập trung “Nghiên cứu ứng dụng mạng nơ – ron nhân tạo để dự đoán ứng xử của bê tông trong thí nghiệm nén 1 trục”.

Dựa trên bộ dữ liệu được xây dựng có thể áp dụng để dự đoán ứng xử của bê tông thông qua các thông số đầu vào, nhằm giảm thiểu số lượng mẫu thí nghiệm thực tế nhưng vẫn biết được nhiều hơn về các thông số ứng xử của vật liệu. Bên cạnh đó, bộ cơ sở dữ liệu được xây dựng sẽ là nguồn tham khảo khoa học cho các nghiên cứu mô phỏng cũng như thực nghiệm khác, về ứng xử của bê tông trong các nghiên cứu về sau. Tổng quan chung về tình hình nghiên cứu trong và ngoài nước 1. Tình hình nghiên cứu trong nước 1.

Tổng quan về nghiên cứu ứng xử của bê tông trong nước ▪ Ứng xử bê tông trong thực nghiệm Dưới tác dụng của tải trọng, kết cấu bê tông cốt thép có ứng xử phi tuyến. Để mô tả ứng xử của bê tông, thông thường các giá trị được thể hiện thông qua quan hệ giữa độ lớn của ứng suất – biến dạng hoặc lực – chuyển vị, những quan hệ này được xác định thông qua những thí nghiệm thực nghiệm thích hợp. 1 Ứng xử của bê tông phụ thuộc vào các thông số như: modun đàn hồi, cường độ chịu nén, cường độ chịu kéo, năng lượng phá hủy, biến dạng phá hoại, độ cứng kháng cắt, liên kết giữa bê tông và cốt thép và kích thước của hạt cốt liệu lớn nhất trong các thành phần mẫu. Ứng với mỗi thành phần cốt liệu, hình dạng mẫu thí nghiệm, dụng cụ thí nghiệm, điều kiện khí hậu ở mỗi khu vực…vật liệu bê tông sẽ có những ứng xử khác nhau.

Ứng xử của bê tông trong nghiên cứu thực nghiệm đã được nhiều tác giả để cập với nhiều mô hình dưới các điều kiện thí nghiệm khác nhau. Nổi bật là mô hình ứng xử của Mazars [2], đã thực hiện thí nghiệm nén mẫu bê tông và cho thấy được ứng xử của bê tông qua nhiều giai đoạn khác nhau. Năm 2006, tác giả Trần Thế Truyền [3] với nghiên cứu và thực nghiệm xác định các tham số của mô hình phá hủy dòn của bê tông với khả năng ứng dụng và phân tích cơ chế phá hủy của các bộ phân kết cấu công trình giao thông. Nghiên cứu đã chứng minh khả năng ứng dụng tính hiệu quả của mô hình dòn (Mazars), không cục bộ trong việc mô phỏng tương đối chính xác quá trình phá hủy của các kết cấu bê tông và bê tông cốt thép nói chung cũng như bộ phận kết cấu giao thông nói riêng.

Tác giả Nguyễn Ninh Thụy và cộng sự [4] với nghiên cứu thực nghiệm tính chất của bê tông trong điều kiện nhiệt độ cao. Nghiên cứu được thực hiện các tính chất cơ lý của bê tông, như hình dạng, khối lượng, thể tích…khi chịu ảnh hưởng của nhiệt độ cao trong các thời gian khác nhau. Nghiên cứu được thực hiện với hai loại bê tông có cường độ trung bình và cường độ cao nhằm đem lại sự so sánh. Kết luận, bê tông có cường độ cao thì các tính chất cơ lý suy giảm nhanh hơn trong các điều kiện nhiệt độ cao.

▪ Ứng xử bê tông trong mô phỏng Có nhiều nghiên cứu về mô phỏng ứng xử bê tông với các điều kiện cốt liệu, tải trọng và phần mềm khác nhau. Năm 2017, tác giả Nguyễn Chí Thanh [5] với nghiên cứu về gia cường kết cấu bê tông cốt thép bằng tấm composite, áp dụng kết quả nghiên cứu từ công trình thực tế được lấy mẫu và mô phỏng bằng phần mềm Atena. Đề tài có đề cập đến mối quan 2 hệ ứng suất và biến dạng của bê tông và cốt thép khi vật liệu được gia cường và chịu ảnh hưởng từ một số yếu tố của môi trường. Năm 2019, tác giả Lê Anh Thắng và cộng sự [6] với phân tích phi tuyến của cấu kiện dầm bê tông cốt thép chịu uốn, kết hợp mô phỏng bằng phần mềm Abaqus.

Kết quả nghiên cứu cho thấy có thể sử dụng mô hình hóa và xác định các tham số của mô hình RCB để mô phỏng cho SRCB và thu được độ chính xác cao. Năm 2020, tác giả Trần Văn Tiếng và cộng sự [7], nghiên cứu về ứng xử của bê tông bằng phương pháp phần tử rời rạc kết hợp với mẫu thử hình trụ nén thực nghiệm. Các mẫu được thực hiện bằng thí nghiệm nén 1 trục theo quy chuẩn ASTM C469 [8]. Kết quả thu nhận cho thấy được sự tương đồng về biểu đồ quan hệ ứng suất và biến dạng trên từng cấp tải, từng thành phần cốt liệu giữa hai cách tiếp cận.

Tổng quan về nghiên cứu trí tuệ nhân tạo (AI) trong nước Trí tuệ nhân tạo (AI) là trí thông minh của máy tính do con người tạo ra. Từ các máy tính đầu tiên được tạo ra, các nhà khoa học máy tính đã hướng đến việc phát triển hệ thống máy tính sao cho có khả năng thông minh như loài người bằng việc nghiên cứu cách bộ não người sản sinh ra trí thông minh, để rồi bắt chước các nguyên lý đó (Weak AI). Ngày nay, một số nguyên lý được phát triển hoàn toàn khác với cách sản sinh ra trí thông minh của loài người mà vẫn làm ra các hệ thống thông minh như hoặc hơn trí tuệ loài người (Strong AI). Một số lĩnh vực về AI: Lập luận, suy diễn tự động, biểu diễn tri thức, lập kế hoạch, học máy, xử lý ngôn ngữ, hệ chuyên gia, robotics… [9].

Có 4 quan điểm về AI: suy nghĩ như người, hành động như người, suy nghĩ có lý trí, hành động có lý trí [10]. ▪ Tổng quan về nghiên cứu trí tuệ nhân tạo (AI) trong lĩnh vực xây dựng Trong lĩnh vực xây dựng, các bài toán về quy hoạch, xử lý số liệu, mô phỏng, nhân dạng, dự đoán…và đặc biệt là tối ưu hóa đang ngày được các chuyên gia quan tâm với sự hỗ trợ của trí tuệ nhân tạo AI. Bài toán tối ưu hóa đang ngày được ứng dụng sâu hơn trong thực tiễn. Ngoài các phương pháp thường dùng để giải các bài toán tối ưu như: phương pháp tìm kiếm trực tiếp, phương pháp đồ thị, phương pháp đơn hình cải tiến từ phương pháp đồ thị, phương pháp Gradient, phương pháp nhân 3 tử Lagrange…Thì các thuật toán tối ưu bằng AI như giải thuật di truyền Genetic Algorithm – GA, tiến hóa vi phân Differenttial Evolution – DE, mạng nơ – ron nhân tạo – ANN…đang ngày được áp dụng để tìm kiếm giá trị mục tiêu, nhằm tối ưu hóa đối tượng nhắm đến.

Trong lĩnh vực trí tuệ nhân tạo, việc áp dụng giải thuật tiến hóa để phân tích, chọn lọc tiến tới tìm được phương án tối ưu cho kết cấu là hướng đi mới và đang được đẩy mạnh áp dụng trong nhiều năm gần đây [11]. Giải thuật tiến hóa (Evolutionary Computations – EC) bao gồm: thuật toán di truyền (Genetic Algorithm – GA), thuật toán tiến hóa vi phân (Differential Evolution – DE), quy hoạch tiến hóa (Evolutionary Programming – EP) và chiến lược tiến hóa (Evolution Strategies – ES) dựa trên nền tảng tiến hóa tự nhiên đó cũng là các phương pháp tự nhiên nhằm giải quyết bài toán tối ưu và tìm kiếm. Mục tiêu cơ bản của Evolutionary Programming – EC là cơ cấu tính toán nhằm tạo ra sự tiến hóa của quần thể gồm nhiều cá thể với mục đích quần thể sau “tốt hơn” quần thể trước. Các toán tử sử dụng trong EC bao gồm: lai ghép (crossver), đột biến (mutation) và chọn lọc (selection).

Các toán tử này kết hợp với nhau trong một mô hình tiến hóa và được điều khiển bởi một số tham số như kích cỡ quần thể, xác suất lai ghép, xác xuất đột biến…Trong các hình thức của EC thì GA là thuật toán di truyền được sử dụng phổ biến trong các bài toán tối ưu với khối lượng biến thiết kế lớn. Năm 2011, tác giả Vũ Anh Tuấn và Hàn Ngọc Đức [12] đã nghiên cứu thiết kế tối ưu dầm liên hợp thép – bê tông cốt thép. Tác giả trình bày quá trình tự động hóa thiết kế tối ưu dầm liên hợp thép bê tông sử dụng tiết diện chữ I tổ hợp theo tiêu chuẩn thiết kế Eurocode 4. Hàm mục tiêu là tối thiểu hóa trọng lượng khung dầm thép.

Tác giả lấy một ví dụ minh họa từ tài liệu tham khảo đã được sử dụng để kiểm chứng và chứng minh khả năng của phương pháp trong việc tối ưu hóa thiết kế dầm liên hợp. Kết quả là giải pháp thiết kế tối ưu đề cập trong nghiên cứu này cho trọng lượng thép kết cấu nhỏ hơn so với ví dụ tham khảo. Xét đến các tiêu chí về thời gian, chất lượng và tính hiệu quả, phương pháp thiết kế tối ưu sử dụng thuật toán tiến hóa vi phân hoàn toàn có thể thay thế phương pháp thiết kế truyền thống trong bài toán thiết kế thực tế. 4 Năm 2015, tác giả Nguyễn Mạnh Thảo và cộng sự [13] đã ứng dụng mạng nơ – ron nhân tạo để dự đoán tốc độ ăn mòn thép CT3 trong khí quyển.

Đây là bài toán dự báo được sử dụng mạng nơ – ron 3 lớp, xử lý từ 29 bộ dữ liệu đầu vào từ các trạm đo để dự báo nên tốc độ ăn mòn thép ở một số khu vực khí hậu nhiệt đới tại Việt Nam. Kết quả cho thấy được độ tin cậy cao khi so sánh với phương pháp giải tích thông thường theo mô hình hồi quy tuyến tính. Năm 2016, tác giả Hoàng Nhật Đức và cộng sự [14] với nghiên cứu dự đoán cường độ chịu nén của bê tông cường độ cao bằng mô hình Gaussian và phương pháp hồi quy véc – tơ.