Tổng quan nghiên cứu

Vật liệu phân lớp chức năng (Functionally Graded Material - FGM) được nghiên cứu phát triển từ năm 1984 và đã trở thành giải pháp then chốt cho các kết cấu kỹ thuật hiện đại. Khác với vật liệu composite nhiều lớp truyền thống thường bị tập trung ứng suất và bong tách bề mặt tiếp xúc, FGM sở hữu cơ tính biến đổi trơn tru, liên tục trong không gian nhờ kết hợp tối ưu giữa độ bền dẻo của kim loại và khả năng chịu nhiệt của gốm. Tuy nhiên, việc tính toán đáp ứng động lực học của tấm phân lớp chức năng hai chiều (BFGP) có chiều dày thay đổi liên tục theo hàm mũ đặt ra thách thức rất lớn về chi phí và thời gian mô phỏng khi sử dụng các phương pháp phần tử hữu hạn truyền thống.

Luận văn thạc sĩ chuyên ngành Kỹ thuật Xây dựng mã số 8580201 thực hiện tại Trường Đại học Bách khoa, Đại học Quốc gia Thành phố Hồ Chí Minh trong giai đoạn từ tháng 9 năm 2023 đến tháng 1 năm 2024 nhằm giải quyết bài toán cốt lõi này. Mục tiêu nghiên cứu là xây dựng mô hình phân tích động lực học kết cấu tấm BFGP có chiều dày thay đổi bằng phương pháp đẳng hình học (Isogeometric Analysis - IGA), đồng thời tích hợp các thuật toán học máy và học sâu (Machine Learning - ML, Deep Learning - DL) viết bằng ngôn ngữ Python để giải quyết trọn vẹn cả bài toán thuận lẫn bài toán ngược trong chẩn đoán sức khỏe kết cấu (Structural Health Monitoring - SHM). Nghiên cứu mở ra hướng tiếp cận đột phá, giúp cắt giảm hơn 80% khối lượng tính toán phức tạp, duy trì hệ số xác định chính xác cao trên 0.98, đồng thời cho phép nhận dạng tham số kết cấu ngay cả khi dữ liệu đo đạc thực tế bị ảnh hưởng bởi 5% đến 10% độ nhiễu tín hiệu.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng đồng bộ hai lý thuyết cơ học nền tảng kết hợp công nghệ mô hình hóa hình học hiện đại. Đầu tiên là Lý thuyết biến dạng cắt tổng quát (Generalized Shear Deformation Theory - GSDT) sử dụng hàm phân bố bậc ba của Reddy để mô tả chính xác trường chuyển vị và phân bố ứng suất cắt qua chiều dày mà không cần hệ số hiệu chỉnh lực cắt phức tạp. Thứ hai là Nguyên lý biến phân Hamilton kết hợp thuật toán tích phân thời gian Newmark gia tốc trung bình để thiết lập hệ phương trình chuyển động động lực học của kết cấu tấm.

Tổ hợp vật liệu được khảo sát gồm thành phần gốm Silicon nitride và kim loại thép không gỉ SUS304. Cơ tính hiệu dụng của tấm được xác định thông qua hai mô hình phân phối thể tích: mô hình phân bố bất đối xứng và mô hình phân bố đối xứng qua hai trục mặt phẳng, được đồng nhất hóa bằng quy tắc hỗn hợp vật liệu (Rule of mixture) và mô hình vi cơ học Mori-Tanaka. Quá trình rời rạc hóa kết cấu sử dụng phương pháp đẳng hình học (IGA) dựa trên hàm cơ sở NURBS hai chiều và kỹ thuật làm mịn k-refinement, cho phép mô hình hóa trơn tru sự biến thiên đồng thời của cả chiều dày và hàm lượng vật liệu với độ liên tục bậc cao.

Phương pháp nghiên cứu

Nguồn dữ liệu huấn luyện được tạo lập từ chương trình mô phỏng IGA-Newmark tự phát triển với 16 kịch bản động lực học toàn diện. Cỡ mẫu dữ liệu bao gồm hàng nghìn điểm phản ứng chuyển vị theo miền thời gian khảo sát từ 0 đến 50 micro-giây, bao quát các dạng tấm vuông và tấm tròn dưới nhiều điều kiện biên khác nhau như bốn cạnh tựa đơn (SSSS), bốn cạnh ngàm cứng (CCCC) và ngàm - tự do (CSFS). Phương pháp chọn mẫu phân tầng có hệ thống được triển khai trên toàn bộ không gian tham số biến thiên vật liệu theo các phương x, y và tham số chiều dày trong khoảng từ 0 đến 5.

Phương pháp phân tích dựa trên ba thuật toán học máy tiên tiến: Extreme Gradient Boosting (XGBoost), Rừng ngẫu nhiên (Random Forest - RF) và Mạng nơ-ron sâu (Deep Neural Network - DNN) tích hợp kỹ thuật kiểm định chéo K-Fold với 5 phân vùng dữ liệu để ngăn ngừa hiện tượng quá khớp (overfitting). Việc lựa chọn IGA kết hợp ML/DL xuất phát từ ưu thế loại bỏ sai số chuyển đổi hình học giữa môi trường thiết kế CAD và phân tích kết cấu, đồng thời thay thế việc giải phương trình vi phân phi tuyến lặp đi lặp lại bằng mô hình thế xấp xỉ tức thời, giải quyết thành công bài toán ngược phi tuyến tính trong SHM mà phương pháp phần tử hữu hạn truyền thống không thể thực thi trực tiếp.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Phát hiện thứ nhất chứng minh tính hội tụ và độ chính xác vượt trội của mô hình học máy trong bài toán thuận. Khi dự đoán chuyển vị động lực học theo thời gian của tấm vuông và tấm tròn BFGP, cả ba mô hình XGBoost, Random Forest và DNN đều đạt hệ số tương quan R2 vượt ngưỡng 0.992. Thời gian suy luận kết quả dao động động lực học được rút ngắn hơn 95%, từ khoảng 120 giây trên một mô hình IGA tiêu chuẩn xuống dưới 0.05 giây cho mỗi cấu hình dự báo trên nền tảng Python.

Phát hiện thứ hai chỉ ra mức độ ảnh hưởng sâu sắc của điều kiện biên và quy luật biến đổi chiều dày. Dưới cùng biên độ tải trọng động, tấm ngàm bốn cạnh (CCCC) có độ cứng uốn cao nhất, biên độ chuyển vị tại tâm giảm khoảng 45% so với liên kết tựa đơn (SSSS) và giảm hơn 60% so với liên kết một đầu ngàm một đầu tự do (CSFS). Bên cạnh đó, mô hình phân bố vật liệu đối xứng theo phương pháp Mori-Tanaka giúp giảm ứng suất cục bộ và giảm độ võng động cực đại từ 15% đến 22% so với mô hình phân bố bất đối xứng.

Phát hiện thứ ba thể hiện năng lực giải quyết bài toán ngược trong chẩn đoán sức khỏe kết cấu. Dù dữ liệu phản ứng đo đạc chịu tác động của độ nhiễu ngẫu nhiên từ 5% đến 10%, mô hình Random Forest và DNN vẫn khôi phục chính xác các hệ số tỷ lệ vật liệu nx, ny và tham số chiều dày nt với sai số phần trăm tuyệt đối trung bình (MAPE) duy trì dưới 4.8%.

BẢNG SO SÁNH HIỆU NĂNG DỰ ĐOÁN CHUYỂN VỊ TẠI TÂM TẤM VUÔNG
-------------------------------------------------------------------------
Mô hình thuật toán      Hệ số xác định (R²)   Sai số toàn phương trung bình (MSE)
-------------------------------------------------------------------------
XGBoost                 0.9945                1.24 x 10⁻⁸
Random Forest (RF)      0.9932                1.58 x 10⁻⁸
Deep Neural Net (DNN)   0.9968                0.87 x 10⁻⁸
-------------------------------------------------------------------------

Thảo luận kết quả

Các kết quả phản ứng động lực học của luận văn khi so sánh đối chiếu với các công bố chuẩn tắc của giáo sư Reddy trên dải bước thời gian từ 2 micro-giây đến 20 micro-giây cho thấy độ sai lệch tương đối chỉ dưới 0.8%, khẳng định tính chuẩn xác của công thức IGA-GSDT đã thiết lập. Cơ chế nâng cao độ cứng kết cấu được giải thích do sự chuyển tiếp vật chất trơn tru từ pha kim loại dẻo sang pha gốm cứng với mô đun đàn hồi cao, giúp triệt tiêu hiện tượng nứt gãy tế vi giữa các lớp vật liệu.

Dữ liệu mô phỏng trong nghiên cứu được minh họa trực quan qua 16 bộ đồ thị phản ứng chuyển vị theo lịch sử thời gian và các biểu đồ tán xạ phân tán sai số. Các biểu đồ này chứng minh rằng việc sử dụng hàm cơ sở NURBS kết hợp kỹ thuật làm mịn k-refinement bảo toàn tính liên tục bậc cao C1 và C2 trên toàn miền hình học, loại bỏ hoàn toàn hiện tượng khóa cắt (shear locking) thường gặp trong phần tử tấm mỏng và tấm dày vừa.

BIỂU ĐỒ MINH HỌA XU HƯỚNG PHẢN ỨNG CHUYỂN VỊ ĐỘNG CỰC ĐẠI
Biên độ chuyển vị (mm)
      CCCC  SSSS      CSFS

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu toàn diện, bốn đề xuất cụ thể được đưa ra nhằm thúc đẩy ứng dụng công nghệ vào thực tiễn kỹ thuật:

  • Thứ nhất, chuẩn hóa và đóng gói thư viện tính toán IGA-AI mã nguồn mở trên nền tảng Python, hướng tới mục tiêu rút ngắn 70% thời gian tính toán thiết kế cho các kỹ sư kết cấu trong vòng 12 tháng tới do các nhóm nghiên cứu tại các trường đại học kỹ thuật chủ trì thực hiện.
  • Thứ hai, tích hợp các mô hình học sâu DNN và Random Forest vào các hệ thống quan trắc sức khỏe công trình (SHM) thông minh ngoài hiện trường, nhắm đến mục tiêu chẩn đoán hư hại kết cấu thời gian thực với độ chính xác đạt trên 95% và độ trễ xử lý dưới 1 giây trong lộ trình 6 đến 9 tháng bởi các doanh nghiệp công nghệ xây dựng.
  • Thứ ba, mở rộng khung giải thuật sang khảo sát dao động phi tuyến hình học lớn và tương tác đa trường nhiệt - cơ, với mục tiêu nâng cao khả năng chịu nhiệt của kết cấu tấm trong dải nhiệt độ từ 300 Kelvin đến 1200 Kelvin với sai số phân tích dưới 3% trong giai đoạn 18 tháng do các chuyên gia cơ học tính toán đảm trách.
  • Thứ tư, triển khai quy trình tối ưu hóa siêu tham số tự động (AutoML) cho mạng nơ-ron sâu, hướng đến mục tiêu giảm thiểu 50% chi phí tài nguyên máy tính khi huấn luyện các tập dữ liệu lớn vượt trên 10000 mẫu trong thời hạn 3 đến 6 tháng bởi các kỹ sư phát triển phần mềm mô phỏng.

Đối tượng nên tham khảo luận văn

Nội dung và phương pháp luận của công trình mang lại giá trị ứng dụng cao cho 4 nhóm đối tượng trọng tâm:

  • Nhóm nghiên cứu học thuật và giảng viên chuyên ngành Kỹ thuật Xây dựng, Cơ học tính toán và Kỹ thuật Vật liệu: Cung cấp tài liệu tham khảo chuyên sâu về việc thiết lập công thức IGA, ứng dụng hàm cơ sở NURBS và lý thuyết biến dạng cắt bậc cao GSDT cho các bài toán phân tích động lực học kết cấu phức tạp.
  • Kỹ sư thiết kế kết cấu công trình cao cấp, hàng không vũ trụ và công nghiệp đóng tàu: Cung cấp phương pháp tính toán tối ưu hóa trọng lượng, nâng cao khả năng chịu va đập và chịu nhiệt độ cao cho các chi tiết vỏ tàu, tấm chịu tải và kết cấu bảo vệ nhiệt với hiệu suất tăng cường hơn 65%.
  • Các đơn vị quản lý, vận hành và kiểm định an toàn cơ sở hạ tầng giao thông, công trình biển: Tiếp cận thuật toán giải bài toán ngược để chẩn đoán hư hỏng, xác định vị trí khuyết tật và đánh giá độ suy giảm cơ tính kết cấu từ dữ liệu đo rung động với độ tin cậy vượt 95%.
  • Kỹ sư phát triển phần mềm mô phỏng (CAE) và nhà khoa học dữ liệu ứng dụng AI trong kỹ thuật vật lý: Khai thác mô hình học máy đại diện (surrogate model) để tích hợp vào các nền tảng thiết kế kỹ thuật số, xử lý hàng vạn kịch bản tính toán với độ trễ phản hồi tức thì dưới 0.1 giây.

Câu hỏi thường gặp

Vật liệu phân lớp chức năng FGM có ưu điểm gì vượt trội so với vật liệu composite nhiều lớp truyền thống?

Vật liệu FGM loại bỏ hoàn toàn bề mặt phân chia rời rạc giữa các lớp nhờ cơ tính biến đổi liên tục, giúp triệt tiêu hiện tượng tập trung ứng suất tiếp xúc và ngăn ngừa rạn nứt hay bong tách lớp. Sự kết hợp giữa gốm và kim loại giúp kết cấu vừa chịu được môi trường nhiệt độ cao trên 1000 độ C, vừa giảm khoảng 30% tổng trọng lượng bản thân so với kết cấu thép đặc thông thường.

Tại sao phương pháp đẳng hình học IGA lại vượt trội hơn phương pháp phần tử hữu hạn FEA cổ điển?

Phương pháp IGA sử dụng trực tiếp các hàm cơ sở NURBS từ mô hình thiết kế CAD để làm hàm xấp xỉ phân tích, loại bỏ hoàn toàn sai số hình học do quá trình chia lưới đa giác trong FEA. Ngoài ra, kỹ thuật làm mịn k-refinement trong IGA cho phép nâng cao bậc đa thức và đảm bảo độ liên tục C1, C2 trơn tru, giúp bài toán dao động đạt độ chính xác cao hơn 15% mà không làm bùng nổ số lượng bậc tự do.

Vai trò của các thuật toán học máy XGBoost, Random Forest và DNN trong luận văn là gì?

Các thuật toán học máy đóng vai trò là mô hình xấp xỉ thông minh thay thế việc giải hệ phương trình vi phân lớn lặp lại nhiều lần. Sau khi huấn luyện trên tập dữ liệu chuẩn từ IGA, các mô hình này dự báo chuyển vị động lực học tức thời với hệ số xác định R2 đạt trên 0.99, rút ngắn thời gian phân tích từ vài phút xuống dưới 0.05 giây cho mỗi trường hợp.

Bài toán ngược trong chẩn đoán sức khỏe kết cấu SHM được xử lý ra sao khi có nhiễu đo đạc?

Mô hình học máy tiếp nhận dữ liệu chuỗi thời gian chuyển vị dao động của kết cấu và thực hiện suy luận ngược để tìm lại các tham số phân bố vật liệu ban đầu cùng độ dày tấm. Ngay cả khi dữ liệu đo thực tế bị nhiễu tín hiệu từ 5% đến 10%, thuật toán DNN và Random Forest vẫn tái tạo thông số chính xác với sai số tương đối thấp dưới 4.8%.

Quy tắc hỗn hợp và phương pháp Mori-Tanaka khác nhau như thế nào khi áp dụng cho tấm FGM?

Quy tắc hỗn hợp (Rule of mixture) là mô hình tuyến tính đơn giản tính toán cơ tính tương đương dựa trên tỷ lệ thể tích trực tiếp của hai pha vật liệu trong khoảng từ 0 đến 1. Trong khi đó, phương pháp Mori-Tanaka là mô hình vi cơ học phức tạp có xét đến tương tác trường ứng suất giữa các hạt cốt gốm phân tán trong nền kim loại, mang lại kết quả chính xác hơn khoảng 8% đối với các tấm FGM có nồng độ phân bố pha biến thiên mạnh.

Kết luận

  • Luận văn đã xây dựng thành công khung phân tích động lực học cho tấm phân lớp chức năng hai chiều BFGP có chiều dày biến đổi liên tục bằng phương pháp đẳng hình học IGA kết hợp lý thuyết biến dạng cắt tổng quát GSDT và thuật toán Newmark.
  • Tích hợp thành công ba mô hình học máy tiên tiến gồm XGBoost, Random Forest và Mạng nơ-ron sâu DNN để dự đoán phản ứng chuyển vị động học với độ chính xác cao vượt 99% và tốc độ xử lý nhanh hơn 95% so với phương pháp số thuần túy.
  • Giải quyết xuất sắc bài toán ngược trong chẩn đoán sức khỏe kết cấu SHM, xác định chính xác các tham số phân bố vật liệu và hình học với sai số tuyệt đối dưới 4.8% trong điều kiện có nhiễu đo đạc từ 5% đến 10%.
  • Đóng góp giải pháp khoa học mang tính đột phá, mở ra lộ trình 12 đến 24 tháng để ứng dụng AI vào việc kiểm định, quan trắc và tối ưu hóa kết cấu composite biến tính trong kỹ thuật xây dựng và công nghiệp hiện đại.
  • Hãy tham khảo và liên hệ tác giả để tiếp nhận chuyển giao mô hình mã nguồn IGA-AI phục vụ nghiên cứu học thuật cũng như ứng dụng vào các dự án thiết kế kết cấu công trình tiên tiến ngay hôm nay.