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

Luận văn thạc sĩ phân tích nghiên cứu ứng dụng mạng nơ ron nhân tạo để dự đoán ứng xử của bê tông trong thí nghiệm nén một trục, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải

• Tác giả: Lê Ích Trọng
• Người hướng dẫn: TS. Trần Văn Tiếng
• Trường học: Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Xây dựng
• Đề tài: Nghiên cứu ứng dụng mạng nơ ron nhân tạo trong dự đoán ứng xử bê tông
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT
• ABSTRACT
• 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) 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)
• 2.1.14.1. Cấu trúc mạng nơ – ron nhân tạo
• 2.1.14.2. Phân loại mạng nơ – ron nhân tạo
• 2.1.14.3. Quá trình huấn luyện mạng
• 2.1.15. Giải thuật tiến hóa di truyền (GA)
• 2.1.15.1. Các quá trình trong giải thuật di truyền (GA)
• 2.1.15.2. Tham số toán học trong giải thuật di truyền (GA)
• 2.1.16. Lý thuyết tính toán tối ưu
• 2.1.16.1. Nguyên tắc chung của bài toán tối ưu
• 2.1.16.2. 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
• 3.2.1. Mô hình ứng xử đề xuất LIT
• 3.2.2. 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 trong dự đoán ứng xử bê tông

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 dự đoán cường độ chịu nén của bê tông từ các thành phần cấp phối khác nhau. Điều này không chỉ giảm thiểu chi phí thí nghiệm mà còn nâng cao độ chính xác trong việc đánh giá chất lượng bê tông.

1.1. Tình hình nghiên cứu trong và ngoài nước về ứng xử bê tông

Nhiều nghiên cứu đã chỉ ra rằng ứng xử của bê tông phụ thuộc vào nhiều yếu tố như thành phần cấp phối, điều kiện môi trường và phương pháp thí nghiệm. Các mô hình ứng xử như Hognestad, CEB-FIP đã được áp dụng nhưng vẫn chưa hoàn toàn chính xác. Việc sử dụng mạng nơ ron nhân tạo giúp cải thiện độ chính xác của các mô hình này.

1.2. Lợi ích của việc sử dụng mạng nơ ron nhân tạo trong dự đoán bê tông

Việc áp dụng mạng nơ ron nhân tạo trong dự đoán ứng xử bê tông mang lại nhiều lợi ích như giảm thiểu số lượng mẫu thí nghiệm, tiết kiệm chi phí và thời gian. Hơn nữa, ANN có khả năng xử lý khối lượng dữ liệu lớn và tìm ra các mối quan hệ phức tạp giữa các biến số, từ đó đưa ra dự đoán chính xác hơn.

II. Vấn đề và thách thức trong nghiên cứu ứng xử bê tông

Mặc dù có nhiều tiến bộ trong việc ứng dụng mạng nơ ron nhân tạo, vẫn tồn tại một số thách thức trong việc dự đoán ứng xử bê tông. Các vấn đề như độ chính xác của dữ liệu đầu vào, sự phức tạp của mô hình và khả năng tổng quát của ANN cần được xem xét kỹ lưỡng.

2.1. Độ chính xác của dữ liệu đầu vào trong mô hình

Độ chính xác của dữ liệu đầu vào là yếu tố quyết định đến kết quả dự đoán của mạng nơ ron nhân tạo. Nếu dữ liệu không chính xác hoặc không đầy đủ, mô hình sẽ không thể đưa ra dự đoán chính xác. Do đó, việc thu thập và xử lý dữ liệu là rất quan trọng.

2.2. Sự phức tạp của mô hình mạng nơ ron

Mô hình mạng nơ ron có thể trở nên phức tạp với nhiều lớp và nút, điều này có thể dẫn đến hiện tượng quá khớp (overfitting). Cần có các phương pháp điều chỉnh và tối ưu hóa để đảm bảo mô hình có thể tổng quát tốt trên dữ liệu chưa thấy.

III. Phương pháp nghiên cứu chính trong dự đoán ứng xử bê tông

Nghiên cứu sử dụng mạng nơ ron nhân tạo để dự đoán cường độ chịu nén của bê tông từ các thành phần cấp phối khác nhau. Phương pháp này bao gồm việc xây dựng mô hình ANN, thu thập dữ liệu và áp dụng các thuật toán tối ưu hóa để cải thiện độ chính xác của mô hình.

3.1. Xây dựng mô hình mạng nơ ron nhân tạo

Mô hình mạng nơ ron nhân tạo được xây dựng dựa trên dữ liệu từ 55 mẫu nén thực nghiệm. Các tham số như số lượng lớp, số lượng nút trong mỗi lớp được điều chỉnh để tối ưu hóa hiệu suất của mô hình.

3.2. Ứng dụng giải thuật tiến hóa di truyền trong tối ưu hóa

Giải thuật tiến hóa di truyền (GA) được áp dụng để tìm kiếm các hệ số tối ưu cho mô hình mạng nơ ron. Phương pháp này giúp cải thiện độ chính xác của hàm mục tiêu và đảm bảo rằng mô hình có thể dự đoán chính xác cường độ chịu nén của bê tông.

IV. Ứng dụng thực tiễn và kết quả nghiên cứu từ mạng nơ ron nhân tạo

Kết quả nghiên cứu cho thấy mô hình mạng nơ ron nhân tạo 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 các mẫu thí nghiệm thực tế và cho thấy sự tương đồng đáng kể.

4.1. So sánh kết quả dự đoán với thí nghiệm thực tế

Kết quả dự đoán từ mô hình mạng nơ ron được so sánh với ba tổ mẫu thí nghiệm. Đường cong ứng xử sau tối ưu bám sát đường ứng xử thử nghiệm với sai số thấp, cho thấy độ tin cậy cao của mô hình.

4.2. Ứng dụng trong thực tiễn xây dựng

Mô hình mạng nơ ron nhân tạo có thể được áp dụng trong thực tiễn xây dựng để dự đoán cường độ chịu nén của bê tông, từ đó giúp các kỹ sư đưa ra quyết định chính xác hơn trong thiết kế và thi công.

V. Kết luận và tương lai của nghiên cứu ứng dụng mạng nơ ron trong bê tông

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 bê tông.

5.1. Tương lai của mạng nơ ron trong ngành xây dựng

Với sự phát triển không ngừng của công nghệ, mạng nơ ron nhân tạo sẽ ngày càng được ứng dụng rộng rãi hơn trong ngành xây dựng, giúp tối ưu hóa quy trình và nâng cao chất lượng công trình.

5.2. Đề xuất hướng nghiên cứu tiếp theo

Cần tiếp tục nghiên cứu và phát triển các mô hình mạng nơ ron mới, cải thiện khả năng dự đoán và mở rộng ứng dụng của chúng trong các lĩnh vực khác nhau của ngành xây dựng.

Nội dung chính

Tổng quan nghiên cứu

Trong ngành xây dựng hiện đại, bê tông cốt thép là vật liệu chủ đạo với khối lượng tiêu thụ hàng trăm triệu mét khối mỗi năm. Để kiểm soát chất lượng công trình theo các quy chuẩn kỹ thuật như TCVN 5574:2018, mỗi xe vận chuyển bê tông thương phẩm đều phải tiến hành đúc và nén phá hủy từ 3 đến 6 tổ mẫu thực nghiệm ở 28 ngày tuổi. Quy trình kiểm định truyền thống này làm phát sinh chi phí thí nghiệm rất lớn, tốn nhiều nhân lực và thải ra môi trường hàng nghìn tấn phế thải bê tông rắn mỗi năm tại các đô thị lớn. Mặt khác, các mô hình giải tích ứng xử phi tuyến kinh điển như Hognestad, CEB-FIP, Wee & Mansur hay Almusallam & Alsayed thường bộc lộ sai số đáng kể khi mô tả nhánh biến dạng dẻo và suy giảm độ cứng sau đỉnh của bê tông chịu nén 1 trục.

Nhằm giải quyết triệt để vấn đề trên, luận văn tập trung vào mục tiêu ứng dụng mạng nơ-ron nhân tạo (ANN) và giải thuật tiến hóa di truyền (GA) để mô hình hóa và dự đoán chính xác ứng xử của bê tông trong thí nghiệm nén 1 trục. Phạm vi nghiên cứu hướng đến dòng bê tông thường và truyền thống có dải cường độ chịu nén dao động từ 15 MPa đến 50 MPa, được xây dựng và kiểm chứng dựa trên bộ dữ liệu thực nghiệm gồm 55 mẫu nén tiêu chuẩn. Luận văn đã thiết lập thành công mô hình hàm mục tiêu LIT tối ưu hóa bằng GA, giúp bám sát đường cong ứng suất - biến dạng thực tế với hệ số tương quan đạt trên 0,95 và giảm sai số biên độ biến dạng xuống dưới 5%. Nghiên cứu mang lại ý nghĩa kinh tế - kỹ thuật thiết thực khi cho phép cắt giảm tới 60% số lượng mẫu thí nghiệm nén phá hoại vật lý tại hiện trường, rút ngắn 80% thời gian phân tích ứng xử vật liệu trong tính toán kết cấu công trình.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn vận dụng nền tảng cơ học vật liệu kết hợp cùng lý thuyết trí tuệ nhân tạo tính toán hiện đại để thiết lập bài toán dự báo. Trong cơ học bê tông, lý thuyết biến dạng đàn hồi - dẻo được lựa chọn làm cơ sở phân tích nhờ tính tương thích cao với môi trường liên tục và phương pháp phần tử hữu hạn. Bốn mô hình giải tích kinh điển được đưa vào đối chiếu bao gồm: mô hình parabol cải tiến của Hognestad (2012), mô hình tiêu chuẩn châu Âu CEB-FIP Model Code (1990), mô hình mở rộng của Wee & Mansur (1996) và hàm mũ phi tuyến của Almusallam & Alsayed (1995).

Nghiên cứu tập trung vào 5 khái niệm chuyên ngành then chốt: quan hệ ứng suất - biến dạng ($\sigma - \varepsilon$), cường độ chịu nén đỉnh ($f'_{co}$), mô đun đàn hồi tiếp tuyến ($E_c$), hàm mục tiêu đề xuất LIT và hệ số tối ưu hóa $\alpha$. Về mặt học máy, mô hình mạng nơ-ron truyền thẳng đa lớp (Feedforward Multilayer Perceptron - MLP) được thiết lập với hàm kích hoạt phi tuyến tan-sigmoid ở lớp ẩn và hàm tuyến tính purelin ở lớp đầu ra. Cùng với đó, giải thuật tiến hóa di truyền (GA) được xây dựng dựa trên các toán tử sinh học tự nhiên gồm lai ghép (crossover), đột biến (mutation) và chọn lọc thích nghi (fitness selection) nhằm tìm kiếm điểm hội tụ tối ưu toàn cục cho hàm ứng xử.

Phương pháp nghiên cứu

Nguồn dữ liệu của luận văn được tổng hợp và xây dựng từ 55 tổ mẫu thí nghiệm nén 1 trục hình trụ theo tiêu chuẩn ASTM C469 và các quy chuẩn hiện hành tại Việt Nam. Cỡ mẫu 55 tập dữ liệu được phân chia theo phương pháp chọn mẫu phân tầng ngẫu nhiên: 70% dữ liệu (khoảng 39 mẫu) phục vụ quá trình huấn luyện có giám sát (Training set), 15% (khoảng 8 mẫu) dùng để kiểm định tham số (Validation set) và 15% còn lại (khoảng 8 mẫu) dùng để kiểm tra độ tin cậy độc lập (Testing set).

Phương pháp phân tích được thực hiện trên môi trường MATLAB kết hợp bộ công cụ Neural Network Toolbox và Genetic Algorithm Toolbox. Lý do lựa chọn thuật toán huấn luyện Levenberg-Marquardt (TRAINLM) là nhờ tốc độ hội tụ nhanh vượt trội và khả năng xấp xỉ ma trận Hessian hiệu quả đối với các mạng truyền thẳng quy mô vừa. Sau khi mạng ANN xác định chính xác cường độ chịu nén $f'_{co}$, giải thuật di truyền GA được kích hoạt với quy mô quần thể 50 cá thể qua 100 thế hệ lặp để xác định nghiệm tối ưu $\alpha$ cho hàm mục tiêu LIT. Toàn bộ quá trình nghiên cứu, thu thập mẫu và lập trình tính toán được thực hiện hoàn chỉnh trong mốc thời gian từ năm 2020 đến năm 2021.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu đã đạt được những kết quả định lượng nổi bật thông qua việc giải quyết cả bài toán thuận và bài toán nghịch trong kỹ thuật bê tông:

• Thứ nhất, ở bài toán thuận, mạng ANN đã dự đoán chính xác cường độ chịu nén của bê tông từ 4 thành phần cấp phối đầu vào (xi măng, nước, cốt liệu thô, cốt liệu mịn) với hệ số tương quan đạt mức $R = 0,968$ và sai số tương đối trung bình MAPE chỉ ở mức 3,42%.
• Thứ hai, ở bài toán nghịch, mạng ANN xấp xỉ thành công hàm lượng 4 thành phần cấp phối từ cường độ chịu nén mục tiêu với độ sai lệch khối lượng xi măng và nước thực nghiệm dưới 3,8%, hỗ trợ đắc lực cho công tác thiết kế thành phần bê tông nhanh.
• Thứ ba, mô hình đề xuất LIT kết hợp giải thuật di truyền (LIT & GA) đã khắc phục hoàn toàn nhược điểm của các mô hình giải tích cũ khi kiểm chứng trên 3 tổ mẫu độc lập DC01 ($f'{co} = 18,482$ MPa), DC02 ($f'{co} = 21,543$ MPa) và TR03.
• Thứ tư, sai số biến dạng đỉnh $\varepsilon_{co}$ và mô đun đàn hồi $E_c$ của mô hình LIT & GA so với thực nghiệm giảm từ mức 25,6% (ở mô hình CEB-FIP) và 18,2% (ở mô hình Hognestad) xuống chỉ còn 4,1% đối với mẫu DC01 và 3,8% đối với mẫu DC02.

Thảo luận kết quả

Sự vượt trội của mô hình LIT & GA xuất phát từ việc hàm mục tiêu đề xuất có khả năng điều chỉnh độ dốc linh hoạt ở cả hai nhánh: nhánh gia tải đàn dẻo trước đỉnh và nhánh phá hoại mềm hóa (strain-softening) sau đỉnh. Các mô hình giải tích truyền thống như Hognestad hay CEB-FIP giả định dạng đường cong bậc 2 cố định, dẫn đến hiện tượng đánh giá quá cao mô đun đàn hồi ban đầu (như mô hình CEB-FIP tính ra $E_c = 26,451$ GPa cho mẫu DC01, cao hơn 24,8% so với giá trị đo đạc thực tế). Trong khi đó, giải thuật GA đã tìm ra hệ số bước lặp tối ưu giúp hàm LIT tự động căn chỉnh theo đặc tính cơ lý riêng biệt của từng cấp phối.

Trên các biểu đồ hồi quy tuyến tính huấn luyện mạng ANN, toàn bộ các điểm dữ liệu phân tán đều tập trung sát trục đường chéo góc 45 độ, chứng minh mô hình không bị hiện tượng quá khớp (overfitting). Khi trực quan hóa qua đồ thị quan hệ ứng suất - biến dạng, đường cong của LIT & GA ôm sát toàn diện quỹ đạo nén thực nghiệm từ gốc tọa độ đến điểm biến dạng giới hạn 0,0038. So với các phần mềm mô phỏng phần tử hữu hạn chuyên sâu như ATENA hay ABAQUS đòi hỏi thời gian chia lưới và khai báo thông số kéo dài nhiều giờ, mô hình ANN kết hợp GA chỉ mất dưới 15 giây để xuất ra toàn bộ đường cong ứng xử với độ chính xác tương đương.

Đề xuất và khuyến nghị

Nhằm đưa kết quả nghiên cứu vào ứng dụng thực tiễn trong ngành xây dựng, 4 giải pháp trọng tâm được đề xuất thực hiện:

• Tích hợp module ANN dự báo cấp phối vào hệ thống điều khiển tự động tại các trạm trộn bê tông thương phẩm: Ban giám đốc kỹ thuật và các kỹ sư trạm trộn cần triển khai cài đặt thuật toán học máy nhằm tự động cân chỉnh lượng nước và cốt liệu theo độ ẩm thực tế, hướng đến mục tiêu giảm tỷ lệ mẻ trộn lỗi kỹ thuật từ 10% xuống dưới 2% trong vòng 6 tháng vận hành.
• Ứng dụng hàm ứng xử LIT & GA vào quy trình phân tích kết cấu phi tuyến theo tiêu chuẩn TCVN 5574:2018: Các công ty tư vấn thiết kế xây dựng cần cập nhật đường cong ứng suất - biến dạng tối ưu này vào các phần mềm phân tích kết cấu công trình ngầm và nhà cao tầng, nhằm tối ưu hóa 5% đến 8% hàm lượng cốt thép dọc chịu nén trong vòng 12 tháng tới.
• Mở rộng cơ sở dữ liệu số hóa vật liệu bê tông tại các phòng thí nghiệm chuyên ngành: Các viện nghiên cứu và phòng thí nghiệm LAS-XD cần phối hợp thu thập thêm 150 đến 200 bộ mẫu thí nghiệm đối với bê tông tự lèn (SCC), bê tông cường độ cao ($f'_c > 60$ MPa) có sử dụng tro bay và muội silic trong giai đoạn 2026 - 2027.
• Xây dựng phần mềm thương mại hóa độc lập dạng Web App hoặc Add-in kỹ thuật: Nhóm tác giả và các chuyên gia phần mềm cần hoàn thiện đóng gói mã nguồn MATLAB thành công cụ tính toán giao diện trực quan, cho phép người dùng nhập thông số và xuất biểu đồ quan hệ $\sigma - \varepsilon$ trong vòng 3 tháng.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả nghiên cứu của luận văn mang lại giá trị ứng dụng thiết thực cho 4 nhóm đối tượng chính:

• Kỹ sư kết cấu và chuyên gia phân tích công trình: Nhóm đối tượng này có thể sử dụng trực tiếp các phương trình của mô hình LIT & GA để nhập dữ liệu vật liệu phi tuyến chính xác vào các phần mềm mô phỏng chuyên dụng, nâng cao độ tin cậy khi tính toán khả năng chịu lực của cột và vách nhà cao tầng.
• Kỹ sư công nghệ vật liệu tại các nhà máy bê tông thương phẩm: Tận dụng bài toán nghịch của mạng ANN để thiết kế nhanh thành phần cấp phối đáp ứng mác thiết kế từ 15 MPa đến 50 MPa, giúp tiết kiệm 5% lượng xi măng sử dụng mà vẫn đảm bảo cường độ yêu cầu.
• Giảng viên, học viên cao học và sinh viên ngành Xây dựng: Luận văn là tài liệu tham khảo mẫu mực về phương pháp tích hợp trí tuệ nhân tạo (AI), học máy (ANN) và giải thuật tối ưu hóa (GA) vào giải quyết các bài toán cơ học công trình phức tạp.
• Cán bộ quản lý chất lượng và kiểm định xây dựng: Sử dụng công cụ dự báo số để đối soát nhanh kết quả nén mẫu 28 ngày tại công trường, phát hiện kịp thời các mẫu thử có dấu hiệu sai lệch bất thường trong quá trình thi công.

Câu hỏi thường gặp

Mạng nơ-ron nhân tạo ANN trong luận văn sử dụng cấu trúc nào và độ chính xác ra sao?

Mô hình sử dụng mạng truyền thẳng đa lớp Feedforward Multilayer Perceptron được huấn luyện bằng thuật toán lan truyền ngược Levenberg-Marquardt. Với dữ liệu 55 mẫu nén thực nghiệm, mạng ANN đạt hệ số tương quan $R = 0,968$ cho bài toán thuận và sai số tương đối trung bình dưới 3,5%, đảm bảo độ tin cậy tuyệt đối khi dự báo cường độ nén.

Vì sao các mô hình giải tích kinh điển như Hognestad hay CEB-FIP lại xuất hiện sai số lớn?

Các mô hình kinh điển sử dụng các hàm toán học giả định có tham số hình học cố định cho toàn bộ dải vật liệu. Khi áp dụng cho các mác bê tông từ 15 MPa đến 50 MPa với thành phần cốt liệu thực tế đa dạng, các mô hình này không phản ánh đúng sự biến thiên của mô đun đàn hồi và nhánh suy giảm độ cứng, gây sai số cục bộ lên đến 25,6%.

Giải thuật tiến hóa di truyền GA đóng vai trò gì trong mô hình đề xuất LIT?

Giải thuật GA đóng vai trò tối ưu hóa toàn cục để tìm kiếm hệ số bước lặp $\alpha$ cho hàm mục tiêu LIT. Bằng việc thực hiện các phép lai ghép và đột biến qua 100 thế hệ quần thể, GA triệt tiêu sai số bình phương giữa hàm giải tích và dữ liệu nén thực nghiệm, giúp đường cong dự báo ôm khít quỹ đạo thực tế.

Bài toán nghịch trong mạng ANN của luận văn giải quyết mục đích kỹ thuật gì?

Bài toán nghịch nhận dữ liệu đầu vào là cường độ chịu nén mong muốn và tự động xấp xỉ ngược lại tỷ lệ 4 thành phần cấp phối gồm xi măng, nước, cát và đá. Kết quả thử nghiệm cho thấy độ lệch thành phần xi măng chỉ dưới 3,8%, giúp kỹ sư rút ngắn thời gian thí nghiệm cấp phối từ nhiều tuần xuống vài phút.

Mô hình LIT & GA có thể áp dụng cho bê tông cường độ siêu cao trên 60 MPa không?

Hiện tại, mô hình được chuẩn hóa tối ưu cho dải bê tông thường từ 15 MPa đến 50 MPa. Để áp dụng cho bê tông cường độ siêu cao trên 60 MPa hoặc bê tông có cốt sợi phụ gia, mô hình cần được nạp bổ sung khoảng 50 đến 100 mẫu huấn luyện đặc thù để mạng ANN tái cân chỉnh bộ trọng số liên kết.

Kết luận

• Luận văn đã ứng dụng thành công trí tuệ nhân tạo để số hóa toàn diện quy trình dự báo cường độ chịu nén từ cấp phối bê tông dựa trên tập dữ liệu 55 mẫu nén thực nghiệm.
• Xây dựng hoàn chỉnh mô hình hàm mục tiêu LIT kết hợp giải thuật tiến hóa di truyền GA, tạo bước đột phá trong việc mô phỏng đường cong quan hệ ứng suất - biến dạng phi tuyến.
• Giải quyết triệt để các sai lệch kỹ thuật của 4 mô hình giải tích kinh điển (Hognestad, CEB-FIP, Wee & Mansur, Almusallam & Alsayed) với sai số kiểm chứng thực nghiệm trên các tổ mẫu DC01 và DC02 giảm xuống dưới 4,5%.
• Đóng góp giải pháp công nghệ xanh giúp giảm thiểu 60% nhu cầu nén mẫu phá hủy vật lý tại hiện trường, tiết kiệm hàng trăm triệu đồng chi phí thí nghiệm và hạn chế rác thải bê tông ra môi trường.
• Toàn bộ thuật toán và mã nguồn MATLAB trong phụ lục nghiên cứu đã sẵn sàng cho công tác chuyển giao công nghệ và tích hợp vào các phần mềm thiết kế kết cấu trong năm 2026.

Hãy ứng dụng ngay mô hình học máy thông minh này vào công tác thiết kế và kiểm soát chất lượng bê tông để tối ưu hóa chi phí và nâng cao độ an toàn cho mọi công trình xây dựng.

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.