Tổng quan về luận án

Bối cảnh khoa học của đề tài bắt nguồn từ sự giao thoa giữa cơ học kết cấu công trình và cuộc Cách mạng Công nghiệp lần thứ tư (CMCN 4.0). Trong kỹ thuật xây dựng dân dụng và công nghiệp, kết cấu giàn thép là giải pháp ưu việt để vượt nhịp lớn nhờ tỷ số chịu lực trên trọng lượng bản thân cao. Tuy nhiên, chi phí sản xuất thép gia công lớn đòi hỏi các giải pháp thiết kế tối ưu hóa hình học và tiết diện để giảm thiểu khối lượng vật liệu. Mặc dù các thuật toán meta-heuristic như Giải thuật Di truyền (GA), Tối ưu Bầy đàn (PSO) và Tiến hóa Vi phân (DE) đã chứng minh khả năng tìm kiếm cực trị toàn cục mà không phụ thuộc vào gradient đạo hàm, chúng lại gặp rào cản tính toán nghiêm trọng: thời gian tối ưu bị kéo dài do phải thực hiện hàng ngàn đến hàng vạn lần phân tích cơ học kết cấu bằng phương pháp phần tử hữu hạn (PTHH). Như trích dẫn thực tế trong nghiên cứu tối ưu cầu vòm thép 259 phần tử của Hasançebi (2014) [89], "mặc dù thời gian một lần phân tích PTHH chỉ kéo dài 60s nhưng tổng thời gian tối ưu đã lên đến 133 giờ do phải thực hiện hơn 8000 lần phân tích".

Khoảng trống nghiên cứu (research gap) then chốt được xác định là: Hầu hết các nghiên cứu xấp xỉ trước đây (như Papadrakakis et al., 1997 [113]; Ghasemi et al., 2019 [131]) tiếp cận theo hướng mô hình hồi quy (regression surrogate) để dự đoán chính xác giá trị ứng suất và độ võng. Cách tiếp cận này đòi hỏi lượng mẫu huấn luyện cực lớn, dễ tích lũy sai số phi tuyến ở miền biên ràng buộc, dẫn tới hội tụ lệch nghiệm hoặc vi phạm điều kiện chịu lực tiêu chuẩn. Luận án đặt ra các câu hỏi nghiên cứu và giả thuyết khoa học cốt lõi:

  1. Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để thay thế phép phân tích kết cấu chính xác tốn kém bằng một bộ lọc phân loại học máy (classification surrogate) nhị phân nhằm sàng lọc nhanh các phương án vi phạm ràng buộc mà không làm suy giảm chất lượng nghiệm tối ưu?
  2. Câu hỏi nghiên cứu 2 (RQ2): Mô hình học máy nào tối ưu nhất về độ chính xác và khả năng tổng quát hóa với dữ liệu mất cân bằng trong bài toán an toàn kết cấu?
  3. Giả thuyết khoa học 1 (H1): Việc tích hợp bộ phân loại AdaBoost vào thuật toán Tiến hóa Vi phân (DE) thông qua phương pháp CaDE (Classification-assisted Differential Evolution) sẽ cắt giảm trên 70% số lần gọi hàm phân tích kết cấu PTHH so với thuật toán DE truyền thống.
  4. Giả thuyết khoa học 2 (H2): Không gian thiết kế rời rạc theo danh mục thép định hình thực tế (TCVN 5575:2012, AISC-ASD) hoàn toàn có thể được bao phủ hiệu quả thông qua kỹ thuật lấy mẫu siêu khối lập phương La-tinh (Latin Hypercube Sampling - LHS) kết hợp phân tích độ cứng trực tiếp.

Khung lý thuyết của luận án tích hợp Lý thuyết Tối ưu hóa Kết cấu Hiện đại (Modern Structural Optimization Theory - Schmit, 1960), Lý thuyết Tính toán Tiến hóa (Evolutionary Computation Theory - Storn & Price, 1997) và Lý thuyết Học máy Thống kê (Statistical Machine Learning Theory - Freund & Schapire, 1997). Phạm vi nghiên cứu bao quát từ các bài toán chuẩn quốc tế (giàn phẳng 10 thanh, giàn không gian 25 thanh, giàn 72 thanh, 200 thanh, tháp thép truyền tải điện 160 thanh và 244 thanh) đến kết cấu công trình thực tế quy mô lớn gồm giàn mái phẳng nhịp 24 m và giàn lưới không gian 3 lớp 30×30 m. Đóng góp đột phá được định lượng rõ ràng: giảm 70% đến 85% số lần phân tích kết cấu, rút ngắn thời gian tính toán từ hàng chục giờ xuống vài phút, đồng thời tiết kiệm 15% đến 22% trọng lượng thép tiêu hao so với các phương án thiết kế truyền thống.

Literature Review và Positioning

Lịch sử phát triển của tối ưu kết cấu khởi nguồn từ các nguyên lý giải tích cổ điển của Maxwell (1870) [94] và Mitchell (1904) [96], vốn dựa trên giả thiết cấu kiện đạt trạng thái tối ưu khi ứng suất đồng thời chạm ngưỡng tới hạn. Bước ngoặt đột phá diễn ra vào năm 1960 khi Schmit [124] công bố công trình kết hợp giải tích PTHH với kỹ thuật quy hoạch toán học trên bài toán giàn 3 thanh, chứng minh luận điểm kinh điển: "trọng lượng giàn đạt tối ưu mặc dù một thanh giàn chưa đạt tới ứng suất tới hạn". Khám phá này đã bác bỏ giả thuyết ứng suất đồng thời truyền thống và khai sinh kỷ nguyên tối ưu hóa kết cấu số.

Giai đoạn thập niên 1970–1980 chứng kiến sự cạnh tranh giữa hai trường phái:

  • Trường phái Tối ưu hóa theo tiêu chí (Optimality Criteria - OC): Tiêu biểu là Venkayya (1969) [147], hiệu quả vượt trội với số lượng biến thiết kế lớn nhưng bị tê liệt khi xử lý đồng thời nhiều ràng buộc phi tuyến phức tạp (độ võng, độ mảnh, mất ổn định tổng thể).
  • Trường phái Quy hoạch Toán học Gradient: Dựa trên xấp xỉ chuỗi Taylor như Quy hoạch Tuyến tính Tuần tự (SLP) và Quy hoạch Toàn phương Tuần tự (SQP). Nhược điểm chí tử của trường phái này là phụ thuộc điểm xuất phát, dễ mắc kẹt tại cực tiểu cục bộ và bất khả thi khi không gian biến thiết kế là gián đoạn (discrete sizing variables từ danh mục thép hình thương mại).

Từ năm 1986, khi Goldberg và Samtani [55] ứng dụng Giải thuật Di truyền (GA) cho giàn 10 thanh, làn sóng meta-heuristic bùng nổ mạnh mẽ với ES (Rechenberg, 1973), PSO (Kennedy & Eberhart, 1995), DE (Storn & Price, 1997) và ACO (Dorigo, 1996). Mặc dù giải quyết triệt để bài toán biến rời rạc và thoát bẫy cục bộ, meta-heuristic lại tiêu tốn tài nguyên khổng lồ. Tổng hợp phân tích trắc lượng khoa học từ 183 công bố Scopus giai đoạn 1986–2022 trong luận án chỉ ra hai luồng tranh luận quốc tế chính về giải pháp tích hợp AI/ML:

  1. Luồng tiếp cận mô hình đại diện hồi quy (Regression Metamodels): Papadrakakis et al. (1997, 2002) [113, 114] và Ghasemi et al. (2019) [131] sử dụng Mạng Nơ-ron Nhân tạo (ANN), Radial Basis Function (RBF) và Hệ suy luận mờ thích ứng (ANFIS) để dự đoán giá trị ứng xử cơ học thực tế ($y_{pred} \approx y_{true}$). Hạn chế lớn là sai số hồi quy tại các điểm biên vi phạm ($E = \text{MSE}$) thường làm thuật toán hội tụ vào nghiệm không khả thi về mặt an toàn kết cấu.
  2. Luồng tiếp cận biến đổi không gian tìm kiếm: Georgioudakis và Plevris (2020) [52] đánh giá các biến thể DE tự thích ứng (JADE, CoDE, SADE) nhưng nhận thấy việc cải tiến cơ chế đột biến đơn thuần không thể vượt qua giới hạn vật lý về số lần giải phương trình đại số ma trận độ cứng $[K]{U} = {P}$.

Luận án định vị tiên phong bằng cách chuyển dịch bài toán hồi quy phức tạp thành bài toán phân loại nhị phân (Binary Classification): thay vì tốn công dự đoán chính xác giá trị số của ứng suất $\sigma_i$ hay chuyển vị $\Delta_j$, mô hình chỉ cần dự báo xác suất một cá thể thiết kế là "An toàn" hay "Không an toàn" ($y \in {+1, -1}$). So sánh trực tiếp với hai nghiên cứu quốc tế điển hình:

  • So với mô hình hồi quy đa lớp của Mai Tiến Hậu, Joowon Kang, và Jaehong Lee (2021) [92] trên giàn phi tuyến đòi hỏi mạng Deep Learning phức tạp và tập dữ liệu huấn luyện khổng lồ, phương pháp của luận án tinh gọn hơn khi sử dụng cây quyết định tăng cường AdaBoost kết hợp bộ lấy mẫu LHS.
  • So với nghiên cứu của Sonmez (2018) [129] trên giàn không gian 648 thanh sử dụng thuật toán bầy đàn thuần túy tiêu tốn hàng vạn chu kỳ FEA, phương pháp CaDE trong luận án cắt giảm tới 80% số chu kỳ phân tích mà vẫn đạt được nghiệm trọng lượng tương đương hoặc nhẹ hơn.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo bước chuyển biến nhận thức (paradigm shift) đối với Lý thuyết Tối ưu hóa Kết cấu:

  1. Mở rộng Lý thuyết Tiến hóa Vi phân (Differential Evolution Theory): Mở rộng cơ chế chọn lọc tự nhiên của Storn & Price (1997) bằng cách tích hợp bộ lọc máy học giám sát trong không gian $D$-chiều. Thay vì thực hiện thao tác đột biến (mutation) và lai ghép (crossover) mù quáng rồi phân tích cơ học toàn bộ quần thể thử nghiệm $u_i(t)$, thuật toán áp dụng nguyên lý "Sàng lọc tiền khả thi" (Pre-feasibility Filtering).
  2. Chuyển dịch từ Cơ chế Phạt Hồi quy sang Không gian Phân loại Biên động: Xây dựng mô hình lý thuyết kết nối mức độ vi phạm ràng buộc $cv(X)$ với ranh giới phân tách siêu phẳng của thuật toán máy học tăng cường.
  3. Hình thành các mệnh đề lý thuyết (Theoretical Propositions):
    • Mệnh đề 1 (P1): Tồn tại một ánh xạ phi tuyến liên tục từ không gian diện tích tiết diện $A \in \mathbb{R}^n$ sang không gian nhãn an toàn $Y \in {-1, +1}$ sao cho xác suất phân loại sai $P(error)$ tiệm cận 0 khi số lượng bộ phân loại yếu $T \ge 100$ trong thuật toán Boosting.
    • Mệnh đề 2 (P2): Trong quá trình tiến hóa vi phân, mật độ cá thể vi phạm ràng buộc phân bố tập trung ở các thế hệ đầu ($t < n_iter1$). Việc huấn luyện mô hình học máy bằng dữ liệu tích lũy từ giai đoạn I cho phép bộ lọc dự báo chính xác các cá thể không khả thi ở giai đoạn II với diện tích dưới đường cong $\text{ROC-AUC} > 0.96$.

Khung phân tích độc đáo

Khung phân tích của luận án là sự hợp nhất của ba nền tảng:

  • Phương pháp Độ cứng Trực tiếp (Direct Stiffness Method): Xây dựng ma trận độ cứng phần tử $[k_e]$ trong hệ tọa độ địa phương và ma trận chuyển trục $[T]$ để hình thành ma trận độ cứng tổng thể $[K]_{m \times m}$, giải vector chuyển vị nút ${U} = [K]^{-1}{P}$ và vector nội lực ${N} = [k_e][T]{u_e}$.
  • Lý thuyết Học máy Tập hợp (Ensemble Machine Learning Theory): Tích hợp thuật toán AdaBoost (Adaptive Boosting) sử dụng các gốc cây quyết định (Decision Stumps) làm bộ phân loại yếu $h_t(x)$, liên kết thành bộ phân loại mạnh $H(x) = \text{sign}\left(\sum_{t=1}^T \alpha_t h_t(x)\right)$.
  • Lý thuyết Tối ưu hóa Tiến hóa Vi phân Đa biến: Áp dụng chiến lược đột biến vector $v_i(t) = x_{r1}(t) + F \cdot (x_{r2}(t) - x_{r3}(t))$ kết hợp lai ghép nhị phân với xác suất $Cr$.

Điều kiện biên lý thuyết (boundary conditions) được xác lập rõ ràng: Hệ kết cấu làm việc trong miền đàn hồi tuyến tính theo định luật Hooke; liên kết tại các nút giàn là khớp lý tưởng không truyền mô-men uốn; biến thiết kế diện tích thanh $A_i$ bị chặn dưới bởi $A_{min}$ và chặn trên bởi $A_{max}$ từ danh mục quy cách thép hình tiêu chuẩn; ứng suất trong từng thanh phải thỏa mãn điều kiện bền kéo $[\sigma]_t$, bền nén và ổn định tổng thể $[\sigma]_c = \varphi f$, độ võng nút lớn nhất không vượt quá giới hạn chuyển vị cho phép $[u]_j = L/400 \div L/500$, và độ mảnh thanh $\lambda_i = \mu L_i / r_i \le [\lambda]$.

+-------------------------------------------------------------------------------+
|                       KHUNG PHÂN TÍCH TỔNG THỂ CỦA LUẬN ÁN                    |
+-------------------------------------------------------------------------------+
| [1. Cơ học Kết cấu]      [2. Lấy mẫu Không gian]     [3. Học máy Tập hợp]    |
|   - pyTruss 2D/3D            - Latin Hypercube (LHS)     - AdaBoost Ensemble  |
|   - Ma trận [K]{U}={P}       - Phân phối chuẩn đa chiều  - Phân loại nhị phân |
+-------------------------------------------------------------------------------+
                                       |
                                       v
+-------------------------------------------------------------------------------+
| [4. Thuật toán Tối ưu CaDE (Classification-assisted Differential Evolution)]   |
|   - Giai đoạn I: Chạy DE gốc, tích lũy mẫu (X, y) qua giải tích PTHH          |
|   - Huấn luyện: Khởi tạo bộ phân loại mạnh H(X) với siêu tham số tối ưu       |
|   - Giai đoạn II: Lọc cá thể thử nghiệm bằng H(X) -> Bỏ qua tính toán nếu hỏng|
+-------------------------------------------------------------------------------+
                                       |
                                       v
+-------------------------------------------------------------------------------+
| [5. Ứng dụng Thực tiễn & Tiêu chuẩn Thiết kế (TCVN 5575:2012, AISC-ASD)]     |
|   - Giàn phẳng nhịp 24m | Giàn không gian 3 lớp 30x30m | Tháp thép 244 thanh  |
+-------------------------------------------------------------------------------+

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được thiết kế theo trường phái Thực chứng luận (Positivism) và Chủ nghĩa Hiện thực Phê phán (Critical Realism), kết hợp chặt chẽ giữa suy diễn toán học thuần túy và mô phỏng thực nghiệm số quy mô lớn. Luận án áp dụng thiết kế đa tầng (Multi-level Design):

  • Tầng 1 (Cốt lõi tính toán kết cấu): Tự phát triển hoàn chỉnh bộ công cụ mã nguồn mở pyTruss bằng ngôn ngữ Python (bao gồm hai mô-đun độc lập pyTruss2D và pyTruss3D), triệt tiêu sự phụ thuộc vào các phần mềm thương mại hộp đen như SAP2000 hay ANSYS, cho phép can thiệp sâu vào cấu trúc dữ liệu vòng lặp tối ưu.
  • Tầng 2 (Kỹ thuật dữ liệu và Học máy): Thiết lập giao thức trích xuất và biến đổi đặc trưng từ cấu hình tiết diện thanh giàn, áp dụng kỹ thuật lấy mẫu siêu khối lập phương La-tinh (Latin Hypercube Sampling - LHS) để khảo sát toàn diện miền siêu không gian $n$-chiều với phân phối chuẩn và đều.
  • Tầng 3 (Thuật toán tích hợp CaDE): Thiết kế cấu trúc hai pha tiến hóa: Pha 1 ($t \le n_iter1$) vận hành DE cổ điển để thu thập $N$ mẫu dữ liệu cơ học chính xác; Pha 2 ($t > n_iter1$) kích hoạt mô hình phân loại để kiểm soát dòng gen đột biến.

Quy trình nghiên cứu rigorous

Quy trình thu thập dữ liệu và huấn luyện mô hình tuân thủ tiêu chuẩn khoa học nghiêm ngặt:

  1. Thu thập dữ liệu trắc lượng khoa học: Sử dụng phần mềm Publish or Perish kết nối cơ sở dữ liệu Scopus, lọc 249 bài báo từ 1986–2022 qua tổ hợp toán tử logic Boolean (optimization OR "optimal design") AND (structure OR truss OR frame) AND ("machine learning" OR "neural network" OR SVM). Sau khi thẩm định peer-review abstracts, 183 công bố chuẩn mực được đưa vào phân tích mạng lưới bằng phần mềm VOSviewer v1.16.
  2. Kiểm chứng độ tin cậy phần mềm tự phát triển (Software Cross-Validation): Chương trình pyTruss được đối soát độc lập với phần mềm thương mại tiêu chuẩn quốc tế SAP2000 v20 và phương pháp giải tích tách nút cổ điển. Kết quả kiểm chứng trên hệ giàn phẳng 11 thanh và giàn không gian 15 thanh cho thấy sai số chuyển vị nút và ứng suất nội lực đạt mức $\Delta < 10^{-6}%$, khẳng định độ tin cậy tuyệt đối.
  3. Giao thức Triangulation & Cross-Validation: Độ chính xác của các mô hình học máy phân loại được kiểm định chéo $k$-folds ($k=5$ và $k=10$). Đánh giá đa chiều qua ma trận nhầm lẫn (Confusion Matrix): tỷ lệ dương tính thật (TP), âm tính thật (TN), dương tính giả (FP), âm tính giả (FN), hệ số F1-score và đường cong đặc trưng hoạt động của bộ thu nhận (Receiver Operating Characteristic - ROC) cùng diện tích dưới đường cong (AUC).

Data và phân tích

Nghiên cứu tiến hành thử nghiệm so sánh hiệu năng của 3 thuật toán học máy phổ biến: Cây Quyết định (Decision Tree - DT), Máy Hỗ trợ Véc-tơ (Support Vector Machine - SVM với kernel RBF), và Tăng cường Thích ứng (AdaBoost).

Mô hình ML Siêu tham số tối ưu (Hyperparameters) Độ chính xác Giàn 10 thanh Độ chính xác Giàn 25 thanh Độ chính xác Giàn 47 thanh
Decision Tree (DT) Max depth = 10, Min samples split = 4 91.20% 88.50% 85.30%
SVM (Kernel RBF) $C = 100$, $\gamma = 0.01$ 94.60% 92.10% 89.70%
AdaBoost $T = 150$ weak classifiers, Learning rate $\eta = 1.0$ 98.40% 96.80% 95.20%

Kết quả phân tích ROC-AUC khẳng định AdaBoost vượt trội hoàn toàn với chỉ số AUC đạt từ 0.982 đến 0.994 trên cả 3 hệ kết cấu mẫu. Phân tích độ nhạy siêu tham số chỉ ra: khi số lượng bộ phân loại yếu $T$ tăng từ 10 lên 100, sai số phân loại giảm mạnh từ 12.5% xuống dưới 2.5%; vượt qua ngưỡng $T = 150$, độ chính xác bão hòa và giữ ổn định tuyệt đối, không xuất hiện hiện tượng quá khớp (overfitting).

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Sự vượt trội mang tính bước ngoặt của phương pháp CaDE: Trong tất cả các bài toán chuẩn từ quy mô nhỏ (10 thanh) đến siêu lớn (tháp thép 160 thanh, 244 thanh), CaDE giảm số lần phân tích kết cấu PTHH trung bình từ 72.4% đến 84.6% so với thuật toán gốc DE. Cụ thể ở bài toán tháp thép 160 thanh: DE truyền thống đòi hỏi 25,000 lần phân tích PTHH để hội tụ về trọng lượng $W = 1319.42\text{ daN}$, trong khi CaDE chỉ cần 4,120 lần phân tích PTHH (giảm 83.52% khối lượng tính toán) và đạt trọng lượng tối ưu hơn là $W = 1318.15\text{ daN}$.
  2. Hiện tượng "Đột biến có định hướng ngầm" (Implicit Guided Mutation): Phát hiện phản trực giác (counter-intuitive) là CaDE không chỉ giảm thời gian chạy mà còn tìm được nghiệm tốt hơn DE gốc ở các bài toán nhiều biến thiết kế. Lý do cơ học: Bộ lọc AdaBoost đã sớm loại bỏ các cá thể kém chất lượng ngay từ không gian trung gian, ngăn chặn dòng gen "xấu" xâm nhập vào quần thể $pop(t)$, giúp quần thể tập trung mật độ tìm kiếm xung quanh ranh giới tối ưu toàn cục.
  3. Định luật phân bố trọng lượng giàn mái thép: Khảo sát tham số hình học trên giàn phẳng hình thang nhịp 24 m chứng minh tỷ lệ chiều cao đầu giàn trên khẩu độ $h_1/L = 1/16 \div 1/18$ cùng góc nghiêng thanh xiêng $45^\circ \div 55^\circ$ đem lại hiệu quả phân bố nội lực tối ưu nhất, với trọng lượng thép bình quân chỉ đạt $18.42\text{ kg/m}^2$.
  4. Cơ chế làm việc của giàn không gian 3 lớp 30×30 m: Việc phân bổ số nhóm tiết diện thanh hợp lý ($N_{groups} = 4 \div 6$) kết hợp bố trí gối tựa chu vi chuỗi điểm giúp giảm ứng suất cục bộ tại các nút góc tới 34.2%, triệt tiêu hiện tượng lãng phí tiết diện do hiệu ứng tập trung ứng suất.

Implications đa chiều

  • Đóng góp lý thuyết: Cung cấp một phương pháp luận chuẩn mực về tích hợp Trí tuệ Nhân tạo vào Cơ học Tính toán (Computational Mechanics), mở rộng biên giới của lý thuyết tối ưu hóa rời rạc không sử dụng gradient.
  • Đổi mới phương pháp luận: Quy trình 4 bước (Lấy mẫu LHS $\rightarrow$ Giải tích pyTruss $\rightarrow$ Huấn luyện AdaBoost $\rightarrow$ Tích hợp CaDE) có khả năng chuyển giao nguyên vẹn sang các bài toán kết cấu phức tạp khác như khung thép nhiều tầng, cầu dây văng, dầm cầu trục chịu tải trọng động lực học.
  • Ứng dụng thực tiễn kỹ thuật: Cho phép các kỹ sư kết cấu tại các công ty tư vấn thiết kế rút ngắn thời gian lên phương án kết cấu từ vài ngày xuống còn vài phút, trực tiếp tối ưu hóa hàng trăm phương án kết cấu để lựa chọn giải pháp có giá thành gia công và lắp dựng thấp nhất.
  • Khuyến nghị chính sách và tiêu chuẩn: Đề xuất bổ sung các chỉ dẫn kỹ thuật về thiết kế tối ưu hóa số vào Tiêu chuẩn Thiết kế Kết cấu Thép Việt Nam (TCVN 5575), hướng tới công trình xanh và giảm phát thải khí nhà kính ($CO_2$) thông qua việc tiết giảm khối lượng tiêu thụ phôi thép trong ngành công nghiệp xây dựng.

Limitations và Future Research

Mặc dù đạt được những kết quả đột phá, luận án thẳng thắn thừa nhận các giới hạn học thuật:

  1. Giới hạn loại hình biến thiết kế: Nghiên cứu tập trung chuyên sâu vào bài toán tối ưu tiết diện (sizing optimization) từ danh mục thép hình rời rạc. Chưa tích hợp đồng thời tối ưu hóa hình dạng hình học (shape optimization) và tối ưu hóa cấu trúc/liên kết thanh (topology optimization) trong cùng một chu trình lặp duy nhất.
  2. Giới hạn ứng xử vật liệu: Mô hình kết cấu pyTruss giả định vật liệu thép làm việc trong miền đàn hồi tuyến tính biến dạng bé. Chưa xét tới phi tuyến vật liệu (chảy dẻo dẻo-nhớt, suy giảm độ bền do mỏi) và phi tuyến hình học (hiệu ứng P-Delta, mất ổn định cục bộ bản thành/bản cánh).
  3. Giới hạn loại tải trọng: Các trường hợp tải trọng khảo sát chủ yếu là tĩnh tải, hoạt tải sử dụng và tải trọng gió quy ước dạng tĩnh theo TCVN 2737; chưa mở rộng sang tải trọng động đất theo phổ phản ứng dao động phi tuyến hoặc tải trọng nổ công trình.

Chương trình nghiên cứu 5–10 năm tiếp theo (Future Research Agenda):

  • Mở rộng 1: Phát triển thuật toán tối ưu hóa đa mục tiêu (Multi-objective CaDE) cân bằng đồng thời ba hàm mục tiêu: Cực tiểu trọng lượng, cực tiểu chi phí nhân công chế tạo liên kết nút, và cực tiểu lượng phát thải $CO_2$ tương đương trong vòng đời công trình (LCA).
  • Mở rộng 2: Tích hợp mạng nơ-ron đồ thị (Graph Neural Networks - GNN) để mô hình hóa trực tiếp topo mạng lưới nút giàn không gian phức tạp bất đối xứng.
  • Mở rộng 3: Mở rộng mô-đun phân tích sang kết cấu liên hợp thép - bê tông cốt thép và kết cấu tấm vỏ mỏng chịu uốn.

Tác động và ảnh hưởng

  • Tác động học thuật: Các công bố khoa học trích xuất từ luận án trên các tạp chí thuộc danh mục ISI/Scopus uy tín (như Structural and Multidisciplinary Optimization, Advances in Engineering Software) khẳng định vị thế tiên phong của nghiên cứu. Công trình mở ra hướng nghiên cứu liên ngành giữa Trí tuệ Nhân tạo ứng dụng và Cơ học Công trình tại Việt Nam.
  • Chuyển đổi công nghiệp xây dựng: Giúp các tổng thầu xây lắp kết cấu thép (như Zamil Steel, ATAD, DaiDung Metallic Manufacture) tiết kiệm từ 15% đến 20% lượng thép hình nguyên liệu cho các dự án nhà xưởng công nghiệp khẩu độ lớn và sân bay quốc tế, tương đương tiết kiệm hàng tỷ đồng cho mỗi dự án quy mô lớn.
  • Tác động xã hội và môi trường: Tiết giảm hàng ngàn tấn quặng sắt và than cốc trong quá trình luyện kim, giảm thiểu trực tiếp lượng phát thải khí nhà kính tương ứng ($1.8\text{ tấn } CO_2\text{ / tấn thép sản xuất}$), đóng góp thiết thực vào cam kết Net Zero carbon của Việt Nam tại COP26.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giảng viên ngành Xây dựng: Tiếp cận bộ mã nguồn mở pyTruss và thuật toán CaDE được viết tường minh bằng Python để phục vụ giảng dạy, nghiên cứu chuyên sâu về Cơ học Tính toán và AI trong kỹ thuật công trình.
  • Kỹ sư kết cấu và Quản lý kỹ thuật R&D: Sở hữu cẩm nang thông số định lượng (tỷ lệ $h/L$, sơ đồ bố trí thanh, số lượng phân nhóm tiết diện) để đưa ra quyết định thiết kế tối ưu ngay từ giai đoạn lập dự án tiền khả thi.
  • Chủ đầu tư và Nhà phát triển Bất động sản Công nghiệp: Giảm giá thành xây dựng kết cấu bao che nhịp lớn, tối ưu hóa tổng mức đầu tư (CAPEX) và nâng cao hiệu quả tài chính của dự án.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đóng góp độc đáo nhất là việc chứng minh và thiết lập thành công mô hình lý thuyết "Sàng lọc tiền khả thi bằng phân loại nhị phân" (Pre-feasibility Binary Classification) thay thế cho mô hình hồi quy truyền thống. Luận án mở rộng Lý thuyết Tiến hóa Vi phân (Storn & Price, 1997) bằng cách chứng minh rằng: chỉ cần một bộ phân loại mạnh AdaBoost với độ chính xác phân loại $AUC > 0.98$ là đủ để định hướng quần thể tiến hóa hội tụ chính xác về nghiệm tối ưu toàn cục mà không cần xấp xỉ liên tục hàm ứng suất phức tạp.

2. Điểm mới về phương pháp luận so với các nghiên cứu tiền nhiệm? So sánh với nghiên cứu của Papadrakakis et al. (1997) [113] và Mai Tiến Hậu et al. (2021) [92] sử dụng ANN hồi quy phức tạp đòi hỏi hàng vạn mẫu huấn luyện đắt đỏ, phương pháp luận CaDE của luận án tự động thu thập dữ liệu tự thân (self-generated data) ngay trong Pha 1 của thuật toán DE cổ điển. Bằng cách kết hợp bộ tạo mẫu siêu khối lập phương La-tinh (LHS) với thuật toán AdaBoost, phương pháp không yêu cầu tập dữ liệu tiền xử lý bên ngoài, loại bỏ hoàn toàn độ trễ tích lũy sai số biên.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất? Phát hiện bất ngờ nhất là thuật toán CaDE đạt nghiệm trọng lượng thép nhẹ hơn DE gốc trong các bài toán quy mô lớn (ví dụ tháp thép 160 thanh đạt $1318.15\text{ daN}$ so với $1319.42\text{ daN}$). Về mặt lý thuyết xác suất, một thuật toán có xấp xỉ thường chỉ tiệm cận hoặc kém hơn thuật toán chính xác; tuy nhiên trong trường hợp này, bộ phân loại máy học đóng vai trò như một bộ lọc nhiễu gen, ngăn chặn sự suy thoái của quần thể vào các nhánh tìm kiếm vô ích, giúp tăng cường khả năng khai thác (exploitation) xung quanh vùng biên tối ưu.

4. Giao thức tái lập nghiên cứu (Replication Protocol) có được cung cấp đầy đủ không? Luận án cung cấp toàn bộ mã nguồn thực thi đầy đủ và chi tiết tại phần Phụ lục, bao gồm mã nguồn chương trình phân tích ma trận pyTruss2D, pyTruss3D, mã thực thi thuật toán tiến hóa DE, và phương pháp tích hợp CaDE viết bằng ngôn ngữ Python. Tọa độ nút hình học, ma trận phần tử liên kết, các trường hợp tổ hợp tải trọng và bảng tra danh mục tiết diện thép hình tiêu chuẩn đều được liệt kê chi tiết trong các bảng số liệu.

5. Lộ trình nghiên cứu 10 năm tới được phác thảo như thế nào? Lộ trình hướng tới: (i) Tích hợp học sâu hình học (Geometric Deep Learning) và mô hình ngôn ngữ lớn (LLM) để tự động hóa khâu đọc bản vẽ kiến trúc sang mô hình tối ưu kết cấu; (ii) Mở rộng CaDE cho bài toán tối ưu hóa kết cấu chịu tác động của biến đổi khí hậu (gió bão siêu cấp và động đất cực hạn); (iii) Phát triển nền tảng phần mềm SaaS tối ưu hóa đám mây phục vụ trực tiếp cộng đồng kỹ sư kết cấu toàn cầu.

Kết luận

Luận án tiến sĩ của NCS. Nguyễn Trần Hiếu đã giải quyết trọn vẹn và xuất sắc bài toán thiết kế tối ưu hóa kết cấu giàn thép thông qua các thành tựu khoa học cốt lõi:

  1. Phát triển thành công bộ công cụ phân tích kết cấu mã nguồn mở pyTruss (2D/3D) dựa trên phương pháp độ cứng trực tiếp, đạt độ chính xác và tin cậy cơ học tuyệt đối.
  2. Thiết lập quy trình chuẩn mực ứng dụng mô hình học máy phân loại nhị phân (AdaBoost, SVM, DT) kết hợp lấy mẫu Latin Hypercube Sampling (LHS) để đánh giá an toàn kết cấu giàn thép với chỉ số $AUC > 0.98$.
  3. Đề xuất phương pháp tối ưu đột phá CaDE (Classification-assisted Differential Evolution), giúp cắt giảm từ 70% đến 85% số lần phân tích kết cấu PTHH, rút ngắn thời gian tính toán từ hàng chục giờ xuống vài phút mà vẫn đảm bảo độ tin cậy tuyệt đối của nghiệm tối ưu.
  4. Xây dựng quy trình thiết kế tối ưu hóa toàn diện cho giàn mái phẳng nhịp 24 m và giàn lưới không gian 3 lớp 30×30 m theo tiêu chuẩn Việt Nam TCVN 5575:2012 và tiêu chuẩn quốc tế AISC-ASD.
  5. Đóng góp hệ thống khuyến nghị thực nghiệm định lượng sâu sắc về tỷ lệ hình học ($h/L$), góc nghiêng thanh bụng và phân nhóm tiết diện, tạo cẩm nang tham khảo giá trị cao cho kỹ sư thiết kế kết cấu.
  6. Mở ra một nhánh nghiên cứu tiên phong tại Việt Nam về tích hợp Trí tuệ Nhân tạo và Công nghệ Học máy vào Cơ học Công trình, xác lập nền tảng khoa học vững chắc cho các công trình xây dựng bền vững, tiết kiệm tài nguyên và thân thiện với môi trường trong kỷ nguyên số.