CHƯƠNG 1. GIỚI THIỆU Chương này nhằm giới thiệu sơ lược về các vấn đề trong đề tài và lĩnh vực nghiên cứu. Ngoài ra, mục tiêu, nội dung, đối tượng và tính cần thiết của nghiên cứu cũng được trình bày cụ thể. TỔNG QUAN Chương này trình bày tổng quan các nghiên cứu có liên quan đến đề tài thực hiện.
Qua đó, nhận xét và tổng kết hướng đi còn thiếu để củng cố định hướng nghiên cứu trong luận văn. CƠ SỞ LÝ THUYẾT Chương này trình bày cơ sở lý thuyết về phương pháp tối ưu hóa hệ giằng. Trong đó, lý thuyết phương pháp phân tích nâng cao và các thuật toán tối ưu hóa sẽ được trình bày một cách chi tiết. CÁC BÀI TOÁN KHẢO SÁT Trong chương này, một số ví dụ sẽ được khảo sát cho nhiều hệ giằng khác nhau để chứng minh độ tin cậy và hiệu quả của phương pháp được đề xuất ở Chương 3.
KẾT LUẬN VÀ KIẾN NGHỊ Từ các kết quả thu được, chương này rút ra một số kết luận quan trọng về điểm mạnh và điểm yếu của phương pháp kèm với các kiến nghị cho những nghiên cứu tiếp theo. TỔNG QUAN CHƯƠNG 2. Tình hình nghiên cứu nước ngoài Trong chương này, một số nghiên cứu nước ngoài nổi bật được tham khảo như: R. Sedaghati và cộng sự (2002) [1] đã tối ưu kết cấu với các ràng buộc về tần số bằng phương pháp lực phần tử hữu hạn.
Ba cấu trúc bao gồm kiểu dàn và kiểu khung được nghiên cứu để minh họa và kết quả được so sánh. Việc tối ưu hóa dựa trên phương pháp lực dẫn đến trọng lượng thiết kế nhẹ hơn. Vì thế có thể đánh giá rằng phương pháp được đề xuất là hiệu quả để phân tích và tối ưu hóa cả kết cấu dạng dàn và dạng dầm. Thuật toán GA (Genetic Algorithm) lần đầu tiên được giới thiệu bởi John H.
Tuy nhiên bên cạnh đó vẫn còn những hạn chế. Dựa trên những hạn chế của thuật toán GA, Lingyun và cộng sự (2005) [3] đã tối ưu hóa hình dạng và kích thước hệ dàn với các ràng buộc về tần số dựa trên thuật toán GA. Để nâng cao khả năng tìm kiếm cục bộ của GA, một thuật toán được đề xuất có tên là NHGA (Niche Hybrid Genetic Algorithm). Kết quả cho thấy NHGA khắc phục hiệu quả tình trạng hội tụ sớm và cải thiện khả năng khai thác yếu kém của GA.
Một trong những vấn đề tối ưu hóa dàn với các ràng buộc về tần số là có chi phí tính toán cao. Vì vậy Wenjie Zuo và cộng sự (2014) [4] sử dụng OC (Optimality Criterion) kết hợp với thuật toán GA để tối ưu hóa hệ dàn nhằm giảm thiểu chi phí tính toán. Kết quả cho thấy rằng phương pháp kết hợp OC-GA cung cấp khả năng mạnh mẽ trong việc tìm kiếm giải pháp tối ưu và giảm chi phí tính toán so với GA cơ bản. Letícia Fleck Fadel Miguela và Leandro Fleck Fadel Miguel (2012) [5] sử dụng 2 thuật toán HS (Harmony Search) và FA (Firefly Algorithm) để tối ưu hóa hình dạng và kích thước của kết cấu dàn với các ràng buộc về tần số.
Sau khi so sánh các kết quả, nhận thấy rằng HS và FA đã cải thiện được một số tính năng của các thuật toán khác, chẳng hạn như PSO (Particle Swarm Algorithm) để đạt được kết quả tốt hơn. Nhận thấy thuật toán HS vẫn còn có thể cải tiến để đạt được hiệu quả tốt hơn. Cùng 5 CHƯƠNG 2. Degertekin (2012) [6] Tối ưu hóa cấu trúc hệ dàn bằng các thuật toán HS (Harmony search) cải tiến, cụ thể trong nghiên cứu này 2 thuật toán EHS (Efficient Harmony Search algorithm) và SAHS (Self Adaptive Harmony Search algorithm) được tác giả đề xuất đã chứng minh được tính mạnh mẽ của nó.
Herbert Martins Gomes (2011) [7] tối ưu hóa dàn với các ràng buộc về tần số bằng thuật toán PSO (Particle Swarm Algorithm). Kết quả cho thấy thuật toán thực hiện tương tự như các phương pháp khác và thậm chí tốt hơn trong một số trường hợp. Hiện tượng hội tụ sớm là điểm yếu của thuật toán PSO. Để mạng lại nghiệm tốt hơn Kaveh và A.
Zolghadr (2014) [8] sử dụng thuật toán PSO cải tiến, có tên là DPSO (Democratic Particle Swarm Optimization) để tối ưu hóa kích thước và bố trí hệ dàn với các ràng buộc về tần số. Kết quả cho thấy DPSO nhận được nghiệm tốt hơn và có chi phí tính toán thấp hơn so với PSO tiêu chuẩn.Kaveh và Majid Ilchi Ghazaan (2015) [9] cũng đã cải tiến thuật toán PSO. Hai thuật toán được đề xuất là ALC-PSO (Particle Swarm Optimization with an Aging Leader and Challengers) và HALC-PSO (Harmony search-based mechanism in ALC-PSO) áp dụng vào tối ưu hóa dàn với các ràng buộc về tần số. Trong cả 4 ví dụ minh họa thuật toán HALC- PSO đều cho kết quả tốt hơn so với PSO và ALC-PSO cụ thể là tốc độ hội tụ tốt hơn, chi phí tính toán tốt hơn và cho nghiệm ổn định hơn.
Thuật toán DE (Differential Evolution) được phát triển đầu tiên bởi Rainer Storn Và Kenneth Price (1997) [10]. Thuật toán này đã được áp dụng rộng rãi cho nhiều lĩnh vực do tính hiệu quả và mạnh mẽ của nó. Bên cạnh đó một số biến thể của nó được giới thiệu để cải thiện một số nhược điểm liên quan đến tốc độ tính toán, và khả năng cho nghiệm của nó như [11-16]. Bên cạnh đó một kết hợp của DE được công bố bởi Siamak Talatahari và cộng sự (2015) [17] Trong đó sử dụng ES (Eagle Strategy) với DE để thiết kế tối ưu các kết cấu khung thép.
Sự kết hợp này được ký hiệu là ES-DE, với mục tiêu giảm thiểu trọng lượng của khung thép. Trong đó tốc độ hội tựu tăng cường đáng kể nhờ chiến lược tối ưu hóa kết hợp. Và kết quả thu được cho thấy rằng thuật toán hiện tại tốt hơn so với thuật toán DE tiêu chuẩn. TỔNG QUAN Doddy Prayogo và cộng sự (2022) [18] sử dụng thuật toán Metaheuristic để tối ưu hóa bố cục, cấu trúc liên kết và kích thước của thiết kế khung thép.
Trong nghiên cứu này so sánh hiệu suất của 3 thuật toán PSO, SOS (Symbiotic Organisms Search) và DE. Ba trường hợp nghiên cứu được sử dụng để tìm trọng lượng kết cấu nhẹ nhất mà không vi phạm ràng buộc. Kết quả nghiên cứu cho thấy rằng thuật toán SOS có hiệu suất tốt hơn so với 2 thuật toán còn lại. Đối với hầu hết các công trình được làm bằng vật liệu thép, hệ giằng đóng một vai trò cực kỳ quan trọng trong việc chống lại các tải trọng ngang và giữ ổn định tổng thể cho hệ kết cấu.
Các đặc điểm của một giằng bao gồm vị trí, tiết diện và hình dáng của hệ giằng (X-, K và V-, v. Vì vậy, việc thiết kế và bố trí hệ giằng sao cho tối ưu nhất luôn được quan tâm hàng đầu. Tuy vậy, hầu hết các kỹ sư thiết kế kết cấu chỉ bố trí và thiết kế hệ giằng theo chỉ dẫn của các tiêu chuẩn liên quan và theo kinh nghiệm. Do đó, chúng chưa đóng góp vào việc tạo ra các ứng xử tốt nhất cho hệ kết cấu.
Để giải quyết vấn đề này, tối ưu hóa là một công cụ lựa chọn cực kì hiệu quả. Tuy vậy, việc lựa chọn một thuật toán hiệu quả để tìm ra các nghiệm chất lượng tốt với chi phí tính toán phù hợp cũng là một khía cạnh cần xem xét. Về khía cạnh này, Gholizadeh và Poorhoseini (2016) [19] đã sử dụng thuật toán IDE (improved dolphin echolocation) để tối ưu vị trí và tiết diện hệ giằng X của khung thép phẳng chịu động đất. Gholizadeh và Ebadijalal (2018) [20] cũng đã tối ưu hệ giằng X với thuật toán CMO (center of mass optimization).
Trong cả hai nghiên cứu trên, các ứng xử phi tuyến hình học và vật liệu được mô phỏng bằng phần mềm OpenSees (2011) [21]. Trong đó, trường chuyển vị của phần tử được xấp xỉ bởi hàm nội suy Hermit bậc 3. Do đó, mỗi cấu kiện cần phải được mô phỏng bởi nhiều phần tử để đạt được chính xác tốt. Và điều này làm cho chi phí tính toán của quá trình phân tích trở nên tốn kém hơn, đặc biệt cho các kết cấu lớn.
Để giải quyết vấn đề trên, phương pháp phân tích nâng cao [22, 23] đã được đề xuất và đã được chấp thuận áp dụng trong tiêu chuẩn Mỹ. Trong phương pháp này, hàm ổn định thu được từ nghiệm chính xác của bài toán dầm-cột chịu lực dọc và mô men uốn hai đầu được dùng để mô tả chính xác trường chuyển vị của phần tử thay vì 7 CHƯƠNG 2. TỔNG QUAN dùng hàm nội suy Hermit như phương pháp phần tử truyền thống. Kết quả là, mỗi cấu kiện chỉ cần dùng một phần tử trong phân tích phần tử hữu hạn.
Các ứng xử về phi tuyến hình học bao gồm P- và P- đều được xét đến. Sự hình thành khớp dẻo ở hai đầu phần tử cũng được kể đến dễ dàng thông qua mặt dẻo Orbison [24]. Ngoài ra, phương pháp này không cần kiểm tra khả năng chịu lực của từng cấu kiện riêng lẽ được cho bởi các phương trình theo các tiêu chuẩn sau quá trình phân tích nội lực. Mà bước này đã được tích hợp sẵn vào trong quá trình phân tích.
Vì vậy, phương pháp có thể đánh giá được chính xác hơn ứng xử tổng thể của hệ kết cấu. Một số thuật toán nổi bật được công bố gần đây như: AHEFA [25, 26], SHADE (Success-History based Adaptive DE) [27], L-SHADE (Success-History based Adaptive DE with Linear population size reduction) [28], và HDS (Hybrid Differential evolution and Symbiotic organisms search) [29] sẽ được đề cập trong luận văn này nhằm so sánh tính hiệu quả của chúng. Từ đó, có sự lựa công cụ tối ưu hiệu quả cho các kỹ sư thiết kế, đặc biệt cho các kết cấu lớn trong thực tiễn. Tình hình nghiên cứu tại Việt Nam Tại Việt Nam, nhiều nghiên cứu có liên quan được xuất bản và đăng trên các tạp chí, hội nghị khoa học trong nước như sau: Pham Hoang Anh (2016) [30] tối ưu hóa kích thước dàn bằng cách sử dụng thuật toán DE nâng cao với đột biến dựa trên sự đối lập và so sánh phần tử lân cận.
Kết hợp này cho ra đời phương pháp ODE-NNC (Opposition-based DE with Nearest Neighbor Comparison) Trong nghiên cứu này đột biến dựa trên đối lập làm sai lệch hướng tìm kiếm trong khi so sánh phần tử lân cận bỏ qua các giải pháp có khả năng tồi tệ hơn mà không cần đánh giá. Các kết quả số cho thấy ODE-NNC vượt trội hơn các thuật toán hiện đại khác nhau. Pham Hoang Anh và Tran Thuy Duong (2019) [31] sử dụng thuật toán DE sửa đổi để tối ưu hóa trọng lượng dầm được phân loại theo chức năng khi có các ràng buộc về tần số.
