Luận án tiến sĩ về tối ưu kết cấu giàn thép sử dụng thuật toán tiến hóa và công nghệ học máy

• Tác giả: Nguyễn Trần Hiếu
• Người hướng dẫn: PGS.TS Vũ Anh Tuấn
• Trường học: Trường Đại Học Xây Dựng Hà Nội
• Chuyên ngành: Kỹ Thuật Xây Dựng
• Đề tài: Tối Ưu Kết Cấu Giàn Thép Sử Dụng Thuật Toán Tiến Hóa Kết Hợp Công Nghệ Học Máy
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

• LỜI CAM ĐOAN
• 1. MỞ ĐẦU
• 1.1. Lý do chọn đề tài
• 1.2. Mục đích và mục tiêu nghiên cứu
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.5. Cơ sở khoa học của đề tài
• 1.6. Đóng góp mới của luận án
• 1.7. Ý nghĩa khoa học và thực tiễn
• 1.8. Những vấn đề còn tồn tại
• 1.9. Cấu trúc và nội dung luận án
• 2. TỔNG QUAN VỀ ỨNG DỤNG CÔNG NGHỆ HỌC MÁY TRONG THIẾT KẾ TỐI ƯU KẾT CẤU
• 2.1. Tổng quan về thiết kế tối ưu kết cấu
• 2.1.1. Giới thiệu chung về bài toán thiết kế tối ưu kết cấu
• 2.1.2. Lịch sử phát triển kỹ thuật tối ưu kết cấu
• 2.1.3. Phân loại bài toán thiết kế tối ưu kết cấu
• 2.1.4. Phân loại thuật toán tối ưu
• 2.1.5. So sánh hiệu năng các thuật toán meta-heuristic khi tối ưu kết cấu
• 2.2. Tổng quan về ứng dụng Trí tuệ Nhân tạo trong kết cấu công trình
• 2.2.1. Giới thiệu chung
• 2.2.2. Một số lĩnh vực nghiên cứu của Trí tuệ nhân tạo
• 2.2.3. Ứng dụng Trí tuệ Nhân tạo trong lĩnh vực kết cấu công trình
• 2.3. Tình hình nghiên cứu về ứng dụng công nghệ học máy trong thiết kế tối ưu kết cấu trên thế giới
• 2.3.1. Phương pháp khảo sát
• 2.3.2. Thu thập dữ liệu
• 2.3.3. Phân tích dữ liệu
• 2.3.4. Các phương pháp sử dụng mô hình Học máy trong quá trình tối ưu
• 2.4. Tình hình nghiên cứu về ứng dụng công nghệ học máy trong thiết kế tối ưu kết cấu tại Việt Nam
• 2.4.1. Nghiên cứu về tối ưu kết cấu tại Việt Nam
• 2.4.2. Nghiên cứu về ứng dụng học máy vào tối ưu kết cấu tại Việt Nam
• 2.5. Hướng nghiên cứu của Luận án
• 2.6. Giới hạn bài toán tối ưu nghiên cứu trong Luận án
• 3. XÂY DỰNG QUY TRÌNH ĐÁNH GIÁ AN TOÀN CHO KẾT CẤU GIÀN BẰNG MÔ HÌNH HỌC MÁY
• 3.1. Phát triển chương trình phân tích kết cấu giàn pyTruss theo phương pháp độ cứng trực tiếp
• 3.1.1. Phương pháp độ cứng trực tiếp cho kết cấu giàn phẳng
• 3.1.2. Phương pháp độ cứng trực tiếp cho kết cấu giàn không gian
• 3.1.3. Sơ đồ khối của chương trình pyTruss
• 3.1.4. Đánh giá độ chính xác của chương trình pyTruss
• 3.2. Công nghệ Học máy
• 3.2.1. Giới thiệu chung
• 3.2.2. Phân nhóm Học máy dựa trên phương thức học
• 3.2.3. Một số mô hình phân loại phổ biến
• 3.3. Quy trình đánh giá an toàn cho kết cấu giàn bằng mô hình Học máy
• 3.3.1. Quy trình xây dựng mô hình Học máy đánh giá an toàn cho kết cấu giàn
• 3.3.2. Kỹ thuật lấy mẫu Siêu khối lập phương La-tinh
• 3.3.3. So sánh hiệu năng của các mô hình phân loại trong bài toán đánh giá an toàn cho kết cấu giàn
• 3.4. Mô tả các bài toán kết cấu sử dụng trong nghiên cứu
• 3.4.1. Khởi tạo dữ liệu
• 3.4.2. Khảo sát ảnh hưởng của các siêu tham số tới chất lượng mô hình
• 3.4.3. Ảnh hưởng của số lượng mẫu dữ liệu huấn luyện
• 3.4.4. Ảnh hưởng của số lượng bộ phân loại yếu
• 4. ĐỀ XUẤT PHƯƠNG PHÁP GIẢM SỐ LẦN PHÂN TÍCH KẾT CẤU TRONG QUÁ TRÌNH TỐI ƯU BẰNG MÔ HÌNH HỌC MÁY
• 4.1. Tối ưu tiết diện giàn bằng thuật toán DE
• 4.1.1. Bài toán xác định tiết diện tối ưu nhằm cực tiểu hóa trọng lượng giàn
• 4.1.2. Thuật toán DE
• 4.1.3. Kỹ thuật xử lý điều kiện ràng buộc
• 4.1.4. Ví dụ áp dụng thuật toán DE tối ưu tiết diện giàn
• 4.2. Phương pháp CaDE
• 4.2.1. Ý tưởng chính
• 4.2.2. Ví dụ minh họa
• 4.2.3. Đánh giá hiệu quả của phương pháp đề xuất CaDE
• 4.3. Mô tả các bài toán tối ưu kết cấu giàn
• 4.3.1. Khảo sát ảnh hưởng của các tham số
• 4.3.2. Các thiết lập trong thử nghiệm
• 4.3.3. So sánh phương pháp CaDE và thuật toán gốc DE
• 4.3.4. So sánh phương pháp CaDE với các thuật toán meta-heuristic khác
• 5. TỐI ƯU TRỌNG LƯỢNG KẾT CẤU GIÀN MÁI
• 5.1. Giới thiệu chung
• 5.2. Thiết kế kết cấu giàn mái bằng thép
• 5.2.1. Cấu tạo kết cấu giàn mái
• 5.2.2. Một số vấn đề về thiết kế giàn thép theo tiêu chuẩn Việt Nam
• 5.2.3. Đề xuất quy trình thiết kế tối ưu giàn mái thép
• 5.3. Tối ưu trọng lượng giàn mái thép dạng phẳng
• 5.3.1. Tối ưu giàn phẳng nhịp 24 m
• 5.3.2. Khảo sát tham số
• 5.3.3. Một số khuyến nghị khi thiết kế kết cấu giàn phẳng
• 5.4. Tối ưu trọng lượng giàn lưới không gian ba lớp
• 5.4.1. Tối ưu kết cấu giàn lưới không gian kích thước 30×30m
• 5.4.2. Khảo sát tham số
• 5.4.3. Một số khuyến nghị khi thiết kế kết cấu giàn lưới không gian
• KẾT LUẬN
• K.1. Những đóng góp mới về khoa học của luận án
• K.2. Các kết luận chính
• K.3. Kiến nghị và hướng nghiên cứu tiếp theo
• DANH MỤC CÔNG TRÌNH KHOA HỌC CỦA TÁC GIẢ
• TÀI LIỆU THAM KHẢO
• T.1. Tài liệu Tiếng Việt
• T.2. Tài liệu Tiếng Anh

I. Giới thiệu về tối ưu kết cấu giàn thép

Trong bối cảnh xây dựng hiện đại, việc tối ưu hóa kết cấu giàn thép trở thành một yêu cầu cấp thiết nhằm giảm thiểu chi phí và nâng cao hiệu quả sử dụng vật liệu. Tối ưu hóa kết cấu không chỉ giúp tiết kiệm chi phí mà còn đảm bảo an toàn cho công trình. Bài viết này sẽ trình bày các phương pháp tối ưu hóa kết cấu giàn thép sử dụng thuật toán tiến hóa và học máy. Những công nghệ này cho phép xây dựng các mô hình tối ưu hóa hiệu quả, từ đó đưa ra các giải pháp thiết kế tối ưu nhất cho kết cấu giàn thép. Đặc biệt, việc áp dụng công nghệ machine learning trong quá trình tối ưu hóa giúp cải thiện độ chính xác và hiệu suất của các mô hình thiết kế.

1.1. Tầm quan trọng của giàn thép trong xây dựng

Giàn thép là một trong những loại kết cấu phổ biến trong xây dựng, đặc biệt là trong các công trình lớn như cầu, nhà xưởng, và các công trình công nghiệp. Cấu trúc thép có nhiều ưu điểm như trọng lượng nhẹ, khả năng chịu lực tốt và thời gian thi công nhanh chóng. Tuy nhiên, để đạt được hiệu quả tối đa trong thiết kế, việc áp dụng các phương pháp tối ưu hóa là rất cần thiết. Việc tối ưu hóa không chỉ giúp giảm thiểu khối lượng vật liệu mà còn đảm bảo tính ổn định và an toàn cho công trình. Do đó, việc nghiên cứu và phát triển các phương pháp tối ưu hóa cho giàn thép là một lĩnh vực nghiên cứu quan trọng trong ngành kỹ thuật xây dựng.

II. Phương pháp tối ưu hóa kết cấu giàn thép

Trong nghiên cứu này, các phương pháp tối ưu hóa kết cấu giàn thép sẽ được thảo luận, bao gồm thuật toán tiến hóa và các kỹ thuật học máy. Thuật toán tiến hóa là một trong những phương pháp tối ưu hóa hiệu quả, cho phép tìm kiếm các giải pháp tối ưu trong không gian thiết kế phức tạp. Phương pháp này dựa trên nguyên lý chọn lọc tự nhiên, nơi các cá thể tốt nhất được chọn để sinh sản và phát triển qua các thế hệ. Bên cạnh đó, học máy cũng đóng vai trò quan trọng trong việc phân tích và dự đoán hiệu suất của các thiết kế kết cấu. Việc kết hợp giữa hai phương pháp này sẽ tạo ra một quy trình tối ưu hóa mạnh mẽ, giúp cải thiện đáng kể hiệu suất của cấu trúc thép.

2.1. Ứng dụng thuật toán tiến hóa trong tối ưu hóa

Thuật toán tiến hóa (EA) đã được áp dụng rộng rãi trong việc tối ưu hóa thiết kế kết cấu. Phương pháp này cho phép tối ưu hóa nhiều biến đồng thời, giúp tìm ra giải pháp tối ưu cho bài toán thiết kế giàn thép. Các nghiên cứu trước đây đã chỉ ra rằng EA có khả năng tìm kiếm giải pháp tối ưu trong không gian thiết kế phức tạp, nơi mà các phương pháp truyền thống thường gặp khó khăn. Bằng cách sử dụng các kỹ thuật như lai ghép, đột biến và chọn lọc, EA có thể cải thiện độ chính xác và hiệu quả của các thiết kế giàn thép. Kết quả cho thấy rằng việc áp dụng EA trong tối ưu hóa kết cấu giàn thép không chỉ giúp giảm khối lượng vật liệu mà còn tiết kiệm chi phí xây dựng.

III. Tích hợp công nghệ học máy trong tối ưu hóa kết cấu

Công nghệ học máy đã trở thành một công cụ mạnh mẽ trong lĩnh vực tối ưu hóa kết cấu. Việc áp dụng các mô hình học máy giúp phân tích và dự đoán hiệu suất của các thiết kế giàn thép một cách chính xác hơn. Các mô hình như mạng nơ-ron, cây quyết định và rừng ngẫu nhiên có thể được sử dụng để xây dựng các mô hình dự đoán hiệu suất kết cấu. Những mô hình này không chỉ giúp giảm thiểu thời gian tính toán mà còn nâng cao độ chính xác trong việc đánh giá an toàn cho kết cấu. Hơn nữa, việc kết hợp giữa học máy và thuật toán tiến hóa tạo ra một quy trình tối ưu hóa mạnh mẽ, giúp đạt được các giải pháp thiết kế tối ưu cho giàn thép.

3.1. Quy trình xây dựng mô hình học máy

Quy trình xây dựng mô hình học máy bao gồm các bước như thu thập dữ liệu, tiền xử lý dữ liệu và huấn luyện mô hình. Dữ liệu thu thập được từ các thiết kế giàn thép trước đó sẽ được sử dụng để huấn luyện mô hình. Sau khi huấn luyện, mô hình sẽ được kiểm tra và đánh giá độ chính xác thông qua các phương pháp như kiểm chứng chéo. Kết quả cho thấy rằng mô hình học máy có khả năng dự đoán hiệu suất của kết cấu giàn thép với độ chính xác cao. Điều này cho phép các kỹ sư có thể đưa ra các quyết định thiết kế chính xác hơn, từ đó tối ưu hóa quy trình thiết kế và nâng cao hiệu quả sử dụng vật liệu.

IV. Kết luận và hướng nghiên cứu tiếp theo

Nghiên cứu về tối ưu hóa kết cấu giàn thép bằng thuật toán tiến hóa và học máy đã chỉ ra những tiềm năng to lớn trong việc cải thiện hiệu suất và giảm chi phí xây dựng. Các phương pháp này không chỉ giúp tối ưu hóa thiết kế mà còn nâng cao độ an toàn cho công trình. Tuy nhiên, vẫn còn nhiều thách thức trong việc áp dụng các công nghệ này trong thực tiễn. Hướng nghiên cứu tiếp theo sẽ tập trung vào việc phát triển các mô hình tối ưu hóa tích hợp, kết hợp giữa các phương pháp truyền thống và hiện đại để đạt được hiệu quả tối ưu nhất. Việc nghiên cứu và phát triển các công nghệ mới trong lĩnh vực này sẽ góp phần nâng cao chất lượng và hiệu quả trong ngành xây dựng.

4.1. Đề xuất hướng nghiên cứu tiếp theo

Các hướng nghiên cứu tiếp theo có thể bao gồm việc mở rộng ứng dụng của học máy trong các lĩnh vực khác nhau của thiết kế kết cấu, cũng như phát triển các thuật toán tối ưu hóa mới. Việc kết hợp giữa các công nghệ mới như trí tuệ nhân tạo và các phương pháp tối ưu hóa hiện có sẽ mở ra nhiều cơ hội mới trong việc nâng cao hiệu quả thiết kế. Hơn nữa, việc nghiên cứu sâu hơn về các yếu tố ảnh hưởng đến hiệu suất của giàn thép sẽ giúp cải thiện chất lượng và an toàn cho các công trình xây dựng trong tương lai.