I. Tối ưu hóa sức chịu tải cọc và các phương pháp hiện có
Phần này tập trung phân tích các phương pháp hiện có trong tối ưu hóa sức chịu tải cọc. Nhiều nghiên cứu quốc tế đã ứng dụng giải thuật gen (genetic algorithm) và mạng nơ ron (neural network) trong tối ưu hóa kết cấu, bao gồm cả tối ưu hóa công trình. Ví dụ, Mamoun et al. (2011) đã sử dụng giải thuật gen để tối ưu hóa chi phí dầm bê tông. Massoudi (Kavel et al. 2012) áp dụng lý thuyết đàn kiến trong tối ưu hóa kết cấu sàn. Tuy nhiên, việc áp dụng các giải thuật tối ưu hóa này vào phân tích sức chịu tải cọc từ dữ liệu thí nghiệm hiện trường còn hạn chế. Các nghiên cứu trong nước cũng đã đề cập đến giải thuật tiến hóa vi phân cho tối ưu hóa kết cấu thép (Vũ Anh Tuấn et al., 2007, 2011) và tối ưu hóa cọc bê tông (Bùi Đức Năng et al., 2012), nhưng chủ yếu tập trung vào tối ưu hóa hình dáng, tiết diện và chi phí, chưa đề cập đến tối ưu hóa sức chịu tải dựa trên dữ liệu thí nghiệm thực tế. Mục tiêu chính của đề tài là khắc phục những hạn chế này bằng cách kết hợp giải thuật gen di truyền và mạng nơ ron nhân tạo (artificial neural network) để tối ưu hóa dự đoán sức chịu tải cọc từ dữ liệu thí nghiệm nén tĩnh hiện trường. Phương pháp phán tích sức chịu tải cọc truyền thống như phương pháp SNIP, Davisson, Chin-Kondner và Decourt sẽ được so sánh với phương pháp tối ưu hóa được đề xuất.
1.1 Phân tích sức chịu tải cọc dựa trên thí nghiệm nén tĩnh
Đề tài sử dụng dữ liệu từ thí nghiệm nén tĩnh cọc để phân tích sức chịu tải cọc. Thí nghiệm nén tĩnh được thực hiện theo tiêu chuẩn TCVN 9393-2012 hoặc các tiêu chuẩn khác. Dữ liệu thu thập bao gồm tải trọng và biến dạng của cọc. Các phương pháp phân tích sức chịu tải cọc truyền thống như phương pháp SNIP, Davisson, Chin-Kondner và Decourt được áp dụng để tính toán sức chịu tải cực hạn của cọc. Phương pháp Chin-Kondner được chọn làm cơ sở để xây dựng mô hình tối ưu hóa do tính linh hoạt và khả năng ngoại suy. Kết quả thí nghiệm nén tĩnh cung cấp cơ sở dữ liệu quan trọng để huấn luyện mạng nơ ron và đánh giá hiệu quả của giải thuật tối ưu hóa. Phân tích yểu tố ảnh hưởng đến sức chịu tải cọc cũng được thực hiện, bao gồm các yếu tố địa chất, vật liệu và thi công. Đây là giai đoạn quan trọng giúp đảm bảo độ tin cậy và chính xác của quá trình tối ưu hóa. Việc kiểm tra sức chịu tải cọc dựa trên các kết quả này là then chốt để đánh giá hiệu quả của công trình. An toàn công trình phụ thuộc vào tính chính xác của bước này. Thiết kế cọc nền phải dựa trên kết quả phân tích chính xác.
1.2 Ứng dụng Giải thuật gen di truyền và Mạng nơ ron nhân tạo
Đề tài ứng dụng giải thuật gen di truyền (Genetic Algorithm, GA) và mạng nơ ron nhân tạo (Artificial Neural Network, ANN) để tối ưu hóa quá trình phân tích sức chịu tải cọc. Giải thuật GA được sử dụng để tìm kiếm các tham số tối ưu trong mô hình Chin-Kondner. Quá trình này bao gồm các bước: khởi tạo quần thể, xác định hàm thích nghi, lai ghép, đột biến và chọn lọc. Hàm thích nghi được thiết kế để tối thiểu hóa sai số giữa kết quả tính toán và kết quả thí nghiệm. Mạng nơ ron được huấn luyện dựa trên kết quả tối ưu từ giải thuật GA để dự đoán sức chịu tải cọc một cách nhanh chóng và chính xác hơn. Kết hợp GA và ANN tạo ra một phương pháp tối ưu hóa mạnh mẽ và hiệu quả. Thuật toán di truyền được lựa chọn vì tính hiệu quả trong việc tìm kiếm không gian giải pháp lớn. Mạng nơ ron nhân tạo được dùng để xây dựng mô hình dự đoán dựa trên dữ liệu huấn luyện. Việc tối ưu hóa công trình dựa trên sự kết hợp này cho thấy hiệu quả trong việc tiết kiệm thời gian và chi phí.
II. Kết quả và phân tích
Phần này trình bày kết quả tối ưu hóa sức chịu tải cọc trên các công trình thực tế. Đề tài áp dụng phương pháp đề xuất cho ba công trình: Bệnh viện Nhi Đồng, Tháp L – Opera và Everich 2. Đối với mỗi công trình, đề tài trình bày kết quả thử tĩnh cọc, kết quả tính toán theo các phương pháp truyền thống (Decourt, Chin-Kondner), kết quả tính toán theo phương pháp tối ưu Chin-Kondner-GA, và kết quả huấn luyện mạng nơ ron Chin-Kondner-GA-ANN. So sánh kết quả giữa các phương pháp cho thấy sự vượt trội của phương pháp tối ưu hóa đề xuất. Kết quả được thể hiện qua bảng biểu và đồ thị, minh họa rõ ràng sự cải thiện độ chính xác trong dự đoán sức chịu tải cọc. Sai lệch giữa các phương pháp cũng được phân tích để đánh giá hiệu quả của từng phương pháp. Mô hình sức chịu tải cọc được xây dựng dựa trên kết quả này. Độ tin cậy của mô hình được đánh giá dựa trên độ chính xác của kết quả dự đoán.
2.1 So sánh kết quả các phương pháp
So sánh kết quả giữa các phương pháp (Decourt, Chin-Kondner, Chin-Kondner-GA, Chin-Kondner-GA-ANN) cho thấy sự vượt trội của phương pháp tối ưu hóa sử dụng giải thuật gen và mạng nơ ron. Phương pháp Chin-Kondner-GA-ANN cho kết quả chính xác hơn các phương pháp truyền thống, giảm thiểu sai số dự đoán. Phân tích sai lệch cho thấy sự cải thiện đáng kể về độ chính xác. Đánh giá hiệu quả của phương pháp tối ưu hóa được dựa trên các chỉ số thống kê, như sai số trung bình, độ lệch chuẩn. Hình ảnh minh họa (biểu đồ, đồ thị) trực quan hóa sự khác biệt giữa các phương pháp. Việc đánh giá sức chịu tải cọc trở nên chính xác hơn, góp phần cải thiện an toàn công trình. Tối ưu hóa cọc khoan nhồi và các loại cọc khác cũng được xem xét trong nghiên cứu này. Cọc ép và cọc bê tông cốt thép được nghiên cứu kỹ lưỡng.
2.2 Ứng dụng thực tiễn và hạn chế
Phương pháp tối ưu hóa sức chịu tải cọc bằng giải thuật gen và mạng nơ ron có nhiều ứng dụng thực tiễn trong thiết kế và thi công móng cọc. Phương pháp này giúp cải thiện độ chính xác trong dự đoán sức chịu tải cọc, từ đó tiết kiệm chi phí vật liệu và thời gian thi công. Phương pháp này đặc biệt hữu ích trong trường hợp dữ liệu thí nghiệm hiện trường hạn chế. Tuy nhiên, phương pháp này cũng có một số hạn chế. Việc xây dựng mô hình sức chịu tải cọc phụ thuộc vào chất lượng dữ liệu thí nghiệm. Độ phức tạp của thuật toán cũng đòi hỏi kiến thức chuyên môn và công cụ tính toán mạnh mẽ. Phương pháp phần tử hữu hạn (FEM) có thể được xem xét để cải thiện mô hình. Tối ưu hóa công trình cần cân nhắc cả yếu tố kỹ thuật và kinh tế. Tính toán sức chịu tải cọc chính xác góp phần vào an toàn công trình.
