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 lớn và lượng bê tông thải ra môi trường tăng cao, ảnh hưởng tiêu cực đến mỹ quan và không gian đô thị.

Luận văn tập trung nghiên cứu ứng dụng mạng nơ-ron nhân tạo (ANN) để dự đoán ứng xử của bê tông trong thí nghiệm nén một trục, nhằm giảm thiểu số lượng mẫu thí nghiệm thực tế mà vẫn đảm bảo độ chính xác trong dự đoán các thông số ứng xử của vật liệu. Bộ dữ liệu nghiên cứu gồm 55 mẫu nén thực nghiệm với cường độ chịu nén từ 15 đến 50 MPa, được thu thập tại một số địa phương trong nước. Mục tiêu cụ thể là xây dựng mô hình dự đoán cường độ chịu nén và đường cong ứng suất – biến dạng của bê tông, đồng thời tối ưu hóa hàm ứng xử bằng giải thuật tiến hóa di truyền (GA) để nâng cao độ tin cậy của mô hình.

Nghiên cứu có ý nghĩa quan trọng trong 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 trong lĩnh vực kỹ thuật xây dựng. Kết quả dự đoán được đánh giá thông qua so sánh với 3 tổ mẫu thí nghiệm, cho thấy sai số thấp và độ tin cậy cao, góp phần nâng cao hiệu quả quản lý chất lượng vật liệu xây dựng trong thời đại công nghiệp 4.0.

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 Hognestad, CEB – FIP, Wee & Mansur, Almusallam & Alsayed để mô phỏng quan hệ ứng suất – biến dạng của bê tông trong thí nghiệm nén một trục. Các mô hình này được lựa chọn dựa trên khả năng mô phỏng chính xác đường cong ứng suất – biến dạng với sai số thấp, phù hợp với bê tông có cường độ từ 15 đến 50 MPa.

Mạng nơ-ron nhân tạo (ANN) được sử dụng để xấp xỉ hàm ứng xử của bê tông dựa trên bộ dữ liệu thực nghiệm. Mạng ANN gồm các lớp đầu vào, lớp ẩn và lớp đầu ra, sử dụng hàm truyền phi tuyến tan-sigmoid (tansig) cho lớp ẩn và hàm tuyến tính (purelin) cho lớp đầu ra. Quá trình huấn luyện mạng sử dụng thuật toán lan truyền ngược (Backpropagation) với giải thuật Levenberg–Marquardt (TRAINLM) nhằm tối ưu trọng số mạng, đảm bảo sai số giữa giá trị dự đoán và thực nghiệm nhỏ nhất.

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 tổng sai số giữa đường cong ứng suất – biến dạng dự đoán và thực nghiệm là nhỏ nhất. GA mô phỏng quá trình tiến hóa tự nhiên qua các bước: mã hóa dữ liệu, khởi tạo quần thể, đánh giá hàm thích nghi, lai ghép, đột biến và chọn lọc. Phương pháp này giúp tìm ra mô hình ứng xử tối ưu với độ tin cậy cao.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ 55 mẫu bê tông nén thực nghiệm, thu thập theo tiêu chuẩn ASTM C469 và TCVN 5574 – 2018, với các thành phần cấp phối và cường độ chịu nén được ghi nhận chi tiết. Phương pháp chọn mẫu đảm bảo tính đại diện cho bê tông thường và truyền thống trong phạm vi nghiên cứu.

Phân tích dữ liệu sử dụng phần mềm Matlab với 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, đảm bảo mô hình không bị quá khớp (overfitting). Độ chính xác được đánh giá qua hệ số hồi quy R, với giá trị R gần 1 thể hiện mô hình dự đoán tốt.

Giải thuật GA được cài đặt trong Matlab để tối ưu hàm mục tiêu là tổng sai số giữa đường cong dự đoán và thực nghiệm. Quá trình tối ưu diễn ra qua nhiều thế hệ lai tạo, đột biến và chọn lọc nhằm tìm ra hệ số tối ưu α cho hàm ứng xử LIT. Timeline nghiên cứu kéo dài trong khoảng 6 tháng, bao gồm thu thập dữ liệu, xây dựng mô hình, huấn luyện, tối ưu và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Dự đoán cường độ chịu nén bê tông bằng ANN: Mô hình ANN dự đoán cường độ chịu nén 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. Ví dụ, mẫu M12 có cường độ thực nghiệm 32 MPa, dự đoán ANN là 31.5 MPa.

  2. Dự đoán thành phần cấp phối: Mạng ANN cũng được áp dụng để dự đoán các thành phần cấp phối như xi măng, nước, cốt liệu thô và mịn với sai số dưới 7%, giúp kiểm soát chất lượng vật liệu đầu vào.

  3. Tối ưu hàm ứng xử LIT bằng GA: Giải thuật GA tìm được hệ số tối ưu α giúp hàm ứng xử LIT mô phỏng đường cong ứng suất – biến dạng sát với thực nghiệm, sai số tổng thể giảm xuống dưới 3%. Quá trình hội tụ của GA thể hiện qua biểu đồ giảm dần hàm thích nghi qua các thế hệ lai tạo.

  4. So sánh mô hình với các tổ mẫu thực nghiệm: Đối chiếu kết quả dự đoán với 3 tổ mẫu M12, M21, M36 cho thấy đường cong ứng suất – biến dạng sau tối ưu bám sát đường cong thực nghiệm với sai số biến dạng lớn nhất dưới 4%, ứng suất sai số dưới 3%.

Thảo luận kết quả

Nguyên nhân mô hình ANN đạt độ chính xác cao là do khả năng xấp xỉ phi tuyến và học từ dữ liệu thực nghiệm đa dạng, giúp mô hình thích nghi tốt với các biến đổi trong thành phần cấp phối và điều kiện thí nghiệm. Việc kết hợp giải thuật GA tối ưu hàm ứng xử LIT giúp giảm sai số tổng thể, nâng cao độ tin cậy của mô hình so với các mô hình giải tích truyền thống như Hognestad hay CEB – FIP.

So sánh với các nghiên cứu trong nước và quốc tế, kết quả luận văn tương đồng hoặc vượt trội về độ chính xác dự đoán cường độ và đường cong ứng suất – biến dạng. Việc sử dụng ANN và GA trong nghiên cứu bê tông là xu hướng hiện đại, phù hợp với yêu cầu giảm chi phí thí nghiệm và bảo vệ môi trường.

Dữ liệu có thể được trình bày qua biểu đồ hội tụ của GA, biểu đồ so sánh đường cong ứng suất – biến dạng thực nghiệm và dự đoán, bảng so sánh sai số cường độ chịu nén giữa các phương pháp. Các biểu đồ này minh họa rõ ràng sự cải tiến và hiệu quả của mô hình đề xuất.

Đề xuất và khuyến nghị

  1. Áp dụng mô hình ANN-GA trong quản lý 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 thực tế, tiết kiệm chi phí và thời gian, đồng thời giảm lượng bê tông thải ra môi trường. Thời gian áp dụng có thể bắt đầu ngay trong các dự án xây dựng hiện tại.

  2. Phát triển bộ cơ sở dữ liệu ứng xử bê tông mở rộng: Khuyến nghị xây dựng và cập nhật thường xuyên bộ dữ liệu mẫu nén bê tông đa dạng về thành phần cấp phối và điều kiện môi trường, làm cơ sở cho các nghiên cứu mô phỏng và dự đoán tiếp theo. Chủ thể thực hiện là các viện nghiên cứu và trường đại học.

  3. Tích hợp mô hình vào phần mềm thiết kế kết cấu: Các phần mềm tính toán kết cấu bê tông nên tích hợp mô hình ANN-GA để hỗ trợ kỹ sư trong việc dự đoán ứng xử vật liệu chính xác hơn, nâng cao hiệu quả thiết kế và kiểm soát chất lượng. Thời gian triển khai trong vòng 1-2 năm.

  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 kỹ sư, cán bộ quản lý nhằm nâng cao nhận thức và kỹ năng sử dụng công nghệ mới. Chủ thể thực hiện là các trường đại học và trung tâm đào tạo chuyên ngành.

Đối tượng nên tham khảo luận văn

  1. Kỹ sư thiết kế kết cấu: Giúp hiểu rõ hơn về ứng xử vật liệu bê tông, áp dụng mô hình dự đoán để tối ưu thiết kế, giảm thiểu rủi ro và chi phí thí nghiệm.

  2. Chuyên gia kiểm định chất lượng vật liệu xây dựng: Sử dụng mô hình để đánh giá nhanh và chính xác chất lượng bê tông, giảm thiểu số lượng mẫu thí nghiệm thực tế.

  3. Nhà nghiên cứu và sinh viên ngành kỹ thuật xây dựng: Cung cấp cơ sở lý thuyết và phương pháp ứng dụng AI trong nghiên cứu vật liệu xây dựng, làm nền tảng cho các đề tài nghiên cứu tiếp theo.

  4. Các đơn vị thi công và quản lý dự án xây dựng: Hỗ trợ trong việc kiểm soát chất lượng vật liệu, giảm chi phí và thời gian thi công thông qua dự đoán ứng xử bê tông chính xác.

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 xấp xỉ các hàm phi tuyến phức tạp. Trong nghiên cứu, ANN giúp dự đoán cường độ chịu nén và đường cong ứng suất – biến dạng của bê tông dựa trên dữ liệu thực nghiệm, giảm thiểu số lượng mẫu thí nghiệm cần thiết.

  2. Giải thuật tiến hóa di truyền (GA) đóng vai trò gì trong nghiên cứu?
    GA được sử dụng để tối ưu hóa hàm ứng xử LIT, tìm kiếm hệ số tối ưu sao cho đường cong dự đoán sát với thực nghiệm nhất. GA mô phỏng quá trình tiến hóa tự nhiên, giúp giải quyết bài toán tối ưu phức tạp hiệu quả hơn các phương pháp truyền thống.

  3. Bộ dữ liệu mẫu thí nghiệm gồm những thông số nào?
    Bộ dữ liệu gồm 55 mẫu bê tông nén một trục với các thông số như thành phần cấp phối (xi măng, nước, cốt liệu thô, cốt liệu mịn), cường độ chịu nén thực nghiệm, biến dạng tương ứng. Dữ liệu được thu thập theo tiêu chuẩn ASTM C469 và TCVN 5574 – 2018.

  4. Mô hình dự đoán có thể áp dụng cho loại bê tông nào?
    Mô hình được xây dựng và kiểm nghiệm trên bê tông thường và truyền thống có cường độ chịu nén từ 15 đến 50 MPa. Việc áp dụng cho bê tông cường độ cao hoặc bê tông có phụ gia đặc biệt cần được nghiên cứu bổ sung.

  5. Làm thế nào để đánh giá độ chính xác của mô hình dự đoán?
    Độ chính xác được đánh giá qua hệ số hồi quy R giữa giá trị dự đoán và thực nghiệm, sai số trung bình và sai số tối đa của cường độ chịu nén và biến dạng. Trong nghiên cứu, R đạt khoảng 0.95 và sai số dưới 5%, thể hiện mô hình có độ tin cậy cao.

Kết luận

  • Luận văn đã xây dựng thành công mô hình dự đoán ứng xử bê tông trong thí nghiệm nén một trục bằng mạng nơ-ron nhân tạo kết hợp giải thuật tiến hóa di truyền, với sai số dự đoán thấp và độ tin cậy cao.
  • Bộ dữ liệu 55 mẫu thực nghiệm được sử dụng làm cơ sở huấn luyện và kiểm tra mô hình, đảm bảo tính đại diện và chính xác.
  • Mô hình ứng xử LIT được tối ưu hóa bằng GA giúp đường cong ứng suất – biến dạng dự đoán sát với thực nghiệm, giảm thiểu chi phí thí nghiệm và lượng bê tông thải ra môi trường.
  • Kết quả nghiên cứu có thể ứng dụng trong quản lý chất lượng vật liệu xây dựng, thiết kế kết cấu và nghiên cứu khoa học tiếp theo.
  • Đề xuất triển khai áp dụng mô hình trong thực tế, phát triển bộ dữ liệu mở rộng và đào tạo chuyên môn để nâng cao hiệu quả ứng dụng trí tuệ nhân tạo trong ngành xây dựng.

Hành động tiếp theo: Các đơn vị nghiên cứu và thi công nên phối hợp triển khai thử nghiệm mô hình trong các dự án thực tế, đồng thời mở rộng nghiên cứu ứng dụng cho các loại bê tông đặc biệt và điều kiện môi trường khác nhau.