Tổng quan về luận án

Trong bối cảnh công nghiệp hóa, đô thị hóa và áp lực cạnh tranh gia tăng trong ngành xây dựng, chi phí vật liệu kết cấu luôn chiếm tỷ trọng chi phối trong tổng mức đầu tư công trình. Việc ứng dụng các kỹ thuật tối ưu hóa nhằm giảm thiểu trọng lượng kết cấu thép không chỉ mang lại hiệu quả kinh tế trực tiếp mà còn đóng góp thiết thực vào mục tiêu phát triển bền vững thông qua việc giảm phát thải khí nhà kính và tiết kiệm tài nguyên khoáng sản. Luận án tiến sĩ kỹ thuật với đề tài "Tối ưu kết cấu giàn thép sử dụng thuật toán tiến hóa kết hợp công nghệ học máy" (Chuyên ngành: Kỹ thuật Xây dựng, Mã số: 9580201) do nghiên cứu sinh Nguyễn Trần Hiếu thực hiện dưới sự hướng dẫn khoa học của PGS.TS. Vũ Anh Tuấn tại Trường Đại học Xây dựng Hà Nội (2023), đặt nền móng cho cách tiếp cận lai ghép tiên tiến giữa thuật toán tối ưu tiến hóa và trí tuệ nhân tạo.

Vấn đề cốt lõi (research gap) mà luận án giải quyết xuất phát từ điểm nghẽn tính toán cố hữu của các thuật toán meta-heuristic truyền thống: "việc đánh giá mỗi phương án yêu cầu phải thực hiện phân tích bằng phương pháp phần tử hữu hạn để xác định ứng xử của hệ kết cấu, căn cứ vào đó kiểm tra các điều kiện ràng buộc. Có thể nói, bước phân tích phần tử hữu hạn là công đoạn tốn thời gian nhất trong quá trình tối ưu". Điển hình như trong các công trình khẩu độ lớn, việc phải thực hiện hàng chục nghìn lượt phân tích phần tử hữu hạn (FEA/PTHH) khiến thời gian tối ưu hóa kéo dài hàng trăm giờ, tạo rào cản lớn khi áp dụng vào thực tế kỹ thuật.

Luận án xây dựng các câu hỏi nghiên cứu và giả thuyết khoa học cụ thể:

  1. Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để xây dựng một công cụ phân tích kết cấu giàn tự động, chính xác cao và tối ưu hóa thời gian tính toán nhằm phục vụ trực tiếp cho thuật toán tiến hóa?
  2. Câu hỏi nghiên cứu 2 (RQ2): Mô hình học máy nào (Machine Learning - ML) có khả năng phân loại trạng thái an toàn kết cấu giàn chính xác nhất dựa trên tập dữ liệu lấy mẫu hữu hạn?
  3. Câu hỏi nghiên cứu 3 (RQ3): Cơ chế kết hợp nào giữa thuật toán Tiến hóa Vi phân (Differential Evolution - DE) và mô hình phân loại học máy có thể giảm tối đa số lần phân tích kết cấu mà vẫn đảm bảo độ hội tụ về nghiệm tối ưu toàn cục?
  4. Giả thuyết nghiên cứu 1 (H1): Việc sử dụng mô hình học máy phân loại (Classification) để sàng lọc trước các cá thể không thỏa mãn điều kiện ràng buộc sẽ cắt giảm ít nhất 30% đến 50% số lần gọi hàm phân tích phần tử hữu hạn mà không làm suy giảm chất lượng nghiệm tối ưu.
  5. Giả thuyết nghiên cứu 2 (H2): Quy trình tối ưu hóa lai ghép khi tích hợp vào thiết kế giàn không gian và giàn phẳng thực tế sẽ giúp giảm từ 10% đến 25% trọng lượng thép so với phương án thiết kế quy chuẩn truyền thống.

Khung lý thuyết của đề tài được định vị vững chắc dựa trên sự giao thoa của ba trụ cột: Lý thuyết cơ học kết cấu đàn hồi tuyến tính (Phương pháp độ cứng trực tiếp - Direct Stiffness Method), Lý thuyết tối ưu hóa toán học meta-heuristic (Thuật toán Tiến hóa Vi phân - DE theo chuẩn Storn & Price), và Lý thuyết học máy giám sát (Supervised Machine Learning: AdaBoost, Support Vector Machine, Decision Tree). Về mặt phạm vi, luận án khảo sát thực nghiệm số trên 10 mô hình kết cấu giàn chuẩn quốc tế (từ 3 thanh, 10 thanh, 25 thanh, 47 thanh, 72 thanh, 160 thanh, 200 thanh đến 244 thanh) và 2 mô hình quy mô kỹ thuật thực tế (giàn phẳng nhịp 24m và giàn lưới không gian 3 lớp $30\times 30\text{ m}$).

Literature Review và Positioning

Lịch sử phát triển của kỹ thuật tối ưu hóa kết cấu trải dài từ các công trình giải tích kinh điển của Maxwell (1870) và Michell (1904) đến bước ngoặt của Schmit (1960) khi kết hợp quy hoạch toán học với phân tích phần tử hữu hạn. Trong giai đoạn 1960–1980, các phương pháp dựa trên gradient như Phương pháp hướng dốc nhất (Cauchy, 1847), Phương pháp Newton, Quy hoạch tuyến tính tuần tự (SLP - Moses, 1964), Phương pháp tối ưu theo tiêu chí (Venkayya, 1969) và Quy hoạch toàn phương tuần tự (SQP) chiếm vị trí thống trị. Tuy nhiên, các kỹ thuật gradient bộc lộ hai nhược điểm chí tử: phụ thuộc nặng nề vào điểm khởi tạo dẫn đến bẫy cực trị địa phương, và đòi hỏi tính toán đạo hàm giải tích – điều bất khả thi khi bài toán sử dụng biến thiết kế rời rạc (tiết diện thép quy chuẩn định hình).

Từ năm 1986, làn sóng giải thuật ngẫu nhiên meta-heuristic bùng nổ mạnh mẽ với công trình tiên phong của Goldberg và Samtani (1986) ứng dụng Giải thuật Di truyền (GA - Holland, 1975) cho bài toán giàn 10 thanh. Tiếp sau đó, hàng loạt thuật toán lấy cảm hứng từ tự nhiên được đề xuất: Chiến lược Tiến hóa (ES - Rechenberg, 1973), Tiến hóa Vi phân (DE - Storn & Price, 1997), Tối ưu Bầy đàn (PSO - Kennedy & Eberhart, 1995), Tối ưu Đàn kiến (ACO - Dorigo, 1996), Tìm kiếm Điều hòa (HS - Geem, 2001), Bầy ong (ABC - Karaboga, 2005) và Va chạm vật thể (CBO - Kaveh & Mahdavi, 2014).

                        TIẾN TRÌNH LÝ THUYẾT TỐI ƯU HÓA KẾT CẤU
  1870-1904        1960-1980                 1986-2010                  2010-Nay
  Maxwell,         Schmit, Venkayya,        GA, PSO, DE, ACO,          Papadrakakis, Tai Thai,
  Michell          SLP, SQP                 ABC, HS, CBO               Nguyễn Trần Hiếu (CaDE)

Mặc dù giải quyết triệt để bài toán biến rời rạc và tránh bẫy cực trị, các thuật toán meta-heuristic đối mặt với bài toán chi phí tính toán khổng lồ. Minh chứng thực nghiệm từ nghiên cứu của Kaveh và cộng sự cho thấy: "trong nghiên cứu tối ưu cầu vòm thép với 259 phần tử, 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".

Để giải quyết vấn đề này, các nghiên cứu quốc tế đã mở ra hướng tiếp cận sử dụng mô hình học máy thay thế (Surrogate Models). Tuy nhiên, trường phái nghiên cứu quốc tế xuất hiện hai quan điểm đối nghịch:

  1. Trường phái thay thế trực tiếp (Direct Surrogate Regression): Papadrakakis et al. (1997, 2002), Ghasemi et al. (2019) và Mai Tiến Hậu et al. (2021) sử dụng mạng nơ-ron (NN, RBF, ANFIS) để dự đoán trực tiếp giá trị ứng suất/chuyển vị. Luận án đã chỉ ra hạn chế của trường phái này: "mô hình học máy dù có độ chính xác rất cao vẫn luôn tồn tại sai số. Chính vì thế, kết quả tối ưu sử dụng phương pháp thay thế trực tiếp thường có sai khác nhỏ so với kết quả tối ưu sử dụng phân tích PTHH", dễ dẫn đến nghiệm không an toàn hoặc vi phạm biên tiêu chuẩn thiết kế.
  2. Trường phái tiếp cận phân loại sàng lọc (Classification Pre-screening): Thay vì dự đoán xấp xỉ giá trị liên tục bằng hồi quy, mô hình học máy chỉ đóng vai trò phân loại nhị phân (An toàn / Không an toàn). Luận án định vị chính xác vào khoảng trống này khi đề xuất phương pháp CaDE (Classification-assisted Differential Evolution), kết hợp phân loại AdaBoost để lọc bỏ nghiệm không khả thi, nhưng vẫn duy trì phân tích phần tử hữu hạn chính xác đối với các nghiệm tiềm năng.

So sánh với các nghiên cứu đối chuẩn quốc tế:

  • So với khảo sát của Hasançebi & Kazemzadeh Azad (2014) trên 9 thuật toán meta-heuristic cho giàn vòm 354 thanh, CaDE thể hiện khả năng vượt trội về tỷ lệ cắt giảm đánh giá hàm mục tiêu.
  • So với nghiên cứu của Georgioudakis & Plevris (2020) so sánh các biến thể DE (JADE, CoDE, SADE) trên các hệ giàn chuẩn, CaDE bảo toàn tính ổn định nghiệm của DE gốc nhưng đạt tốc độ hội tụ cao hơn đáng kể nhờ bộ lọc phân loại.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra bước tiến quan trọng trong lĩnh vực cơ học tính toán và tối ưu hóa kết cấu thông qua các đóng góp lý thuyết nền tảng:

  1. Mở rộng lý thuyết Tiến hóa Vi phân có giám sát (Supervised Meta-heuristics): Bổ sung vào cấu trúc toán học của DE cơ chế điều kiện tiên nghiệm (a priori filter), chuyển đổi cấu trúc tìm kiếm từ thăm dò ngẫu nhiên thuần túy sang tìm kiếm có định hướng tri thức dựa trên không gian phân loại học máy.
  2. Thiết lập mô hình ranh giới quyết định an toàn kết cấu (Structural Safety Boundary Formulation): Chứng minh toán học rằng không gian ràng buộc phi tuyến của bài toán kết cấu (ứng suất $\sigma_i \le [\sigma]_i$, chuyển vị $\Delta_j \le [\Delta]_j$, độ mảnh $\lambda_i \le [\lambda]_i$) có thể được ánh xạ hiệu quả thành bài toán phân loại mẫu nhị phân nhiều chiều với độ chính xác ROC-AUC tiệm cận tuyệt đối.
  3. Chuyển đổi hệ hình tối ưu hóa (Paradigm Shift): Chuyển dịch từ mô hình "Tối ưu hóa hộp đen phân tích toàn phần" (Full-evaluation Black-box) sang mô hình "Tối ưu hóa phân tầng thích ứng" (Two-stage Adaptive Optimization), giải quyết triệt để mâu thuẫn giữa tốc độ tính toán và tính chính xác tuyệt đối của lời giải kỹ thuật.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp chặt chẽ 3 lý thuyết chuyên sâu: (1) Phương pháp độ cứng trực tiếp trong phân tích kết cấu ma trận, (2) Giải thuật học máy tăng cường thích ứng AdaBoost (Adaptive Boosting) với bộ phân loại yếu là Cây quyết định (Decision Stump), và (3) Toán tử đột biến, lai ghép nhị phân và chọn lọc tự nhiên của DE.

                           KHUNG PHÂN TÍCH VÀ KIẾN TRÚC PHƯƠNG PHÁP CaDE

Điều kiện biên và phạm vi ứng dụng (Boundary Conditions):

  • Áp dụng cho hệ kết cấu làm việc trong giai đoạn đàn hồi tuyến tính tuyến tính hình học và vật liệu.
  • Các biến thiết kế tiết diện thuộc tập hợp rời rạc theo danh mục thép định hình công nghiệp tiêu chuẩn (AISC, TCVN).
  • Ràng buộc kết cấu tuân thủ nghiêm ngặt trạng thái giới hạn 1 (khả năng chịu lực, ứng suất kéo/nén danh nghĩa theo ASD hoặc TCVN 5575:2012, mất ổn định tổng thể/cục bộ) và trạng thái giới hạn 2 (độ võng, chuyển vị nút, độ mảnh giới hạn).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan thực chứng khoa học (Positivism) và chủ nghĩa hiện thực phản biện (Critical Realism), kết hợp chặt chẽ giữa phát triển lý thuyết cơ học tính toán và thực nghiệm mô phỏng số diện rộng. Thiết kế nghiên cứu đa tầng bao gồm:

  • Tầng 1 (Engine Level): Lập trình chương trình phân tích kết cấu giàn pyTruss (pyTruss2D và pyTruss3D) bằng ngôn ngữ Python, giải quyết hệ phương trình độ cứng tổng thể $[K]{U} = {P}$.
  • Tầng 2 (ML Level): Thiết kế quy trình tự động sinh dữ liệu, tiền xử lý, huấn luyện và tối ưu hóa siêu tham số cho các mô hình học máy phân loại.
  • Tầng 3 (Optimization Level): Xây dựng và tinh chỉnh giải thuật CaDE, kiểm chứng đối chuẩn với các thuật toán tối ưu toàn cầu.
  • Tầng 4 (Application Level): Ứng dụng thiết kế tối ưu hệ kết cấu mái thực tế, khảo sát ảnh hưởng tham số hình học kết cấu.

Quy trình nghiên cứu rigorous

Quy trình tạo lập dữ liệu và kiểm định mô hình được chuẩn hóa với độ tin cậy cơ học cao:

  1. Chiến lược lấy mẫu: Sử dụng kỹ thuật Lấy mẫu Siêu khối lập phương La-tinh (Latin Hypercube Sampling - LHS) nhằm phân bổ mẫu đồng đều tuyệt đối trong không gian thiết kế đa chiều, vượt trội hoàn toàn so với lấy mẫu ngẫu nhiên Monte Carlo (MCS).
  2. Công cụ thu thập dữ liệu: pyTruss tự động tính toán ứng suất $\sigma_i$, lực dọc $N_i$, chuyển vị nút $\Delta_j$, và kiểm tra điều kiện độ mảnh $\lambda_i$. Mẫu được gán nhãn nhị phân $y \in {0, 1}$: $$y = \begin{cases} 1 & \text{nếu thỏa mãn tất cả ràng buộc (An toàn)} \ 0 & \text{nếu vi phạm ít nhất 1 ràng buộc (Không an toàn)} \end{cases}$$
  3. Triệt tiêu sai số và kiểm chứng chéo: Thực hiện kiểm chứng chéo $k$-folds ($k=5$ và $k=10$) trên tập dữ liệu huấn luyện, ngăn ngừa hiện tượng quá khớp (overfitting). Đánh giá độ tin cậy thông qua các chỉ số: Precision, Recall, F1-score, ma trận nhầm lẫn (Confusion Matrix) và Diện tích dưới đường cong đặc trưng hoạt động của bộ thu nhận (ROC-AUC).
  4. Kiểm chuẩn phần mềm (Software Validation): Độ chính xác của pyTruss được đối chiếu tuyệt đối với phần mềm thương mại tiêu chuẩn quốc tế SAP2000 v20 và phương pháp giải tích tách nút cổ điển trên các kết cấu giàn phẳng 11 thanh và giàn không gian 15 thanh (sai số chuyển vị và nội lực $< 0.001%$).
                      SO SÁNH ĐỘ CHÍNH XÁC PHÂN TÍCH KẾT CẤU

Data và phân tích

Nghiên cứu tiến hành khảo sát thực nghiệm số trên 3 nhóm mô hình học máy: Cây quyết định (Decision Tree - DT), Máy hỗ trợ véc-tơ (SVM với hàm nhân RBF), và Tăng cường thích ứng (AdaBoost).

  • Bộ dữ liệu thử nghiệm: Khởi tạo tập dữ liệu quy mô $N = 1000$ đến $N = 5000$ mẫu thông qua LHS cho các hệ giàn: giàn phẳng 10 thanh, giàn không gian 25 thanh, giàn phẳng 47 thanh.
  • Kết quả khảo sát siêu tham số:
    • Mô hình AdaBoost với $T = 50 \div 100$ bộ phân loại yếu dạng Cây quyết định nông (Decision Stump) đạt hiệu năng tổng thể vượt trội nhất.
    • Điểm ROC-AUC của AdaBoost trên giàn 10 thanh đạt $0.985$, giàn 25 thanh đạt $0.962$, và giàn 47 thanh đạt $0.941$, cao hơn đáng kể so với SVM ($0.912$) và Cây quyết định đơn lẻ ($0.884$).
  • Thiết lập tham số thuật toán tiến hóa: Trong thuật toán DE và CaDE, số lượng cá thể quần thể thiết lập $NP = 20 \div 50$, hệ số điều chỉnh đột biến $F = 0.5 \div 0.8$, tỷ lệ lai ghép chéo $Cr = 0.8 \div 0.9$, số vòng đời tối đa $\text{max_iter} = 100 \div 500$.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Khả năng cắt giảm khối lượng tính toán vượt trội: Trên toàn bộ các bài toán chuẩn mực quốc tế, phương pháp CaDE giúp giảm từ 32.4% đến 58.7% số lần gọi hàm phân tích kết cấu phần tử hữu hạn so với thuật toán DE gốc, trong khi trọng lượng tối ưu tìm được hoàn toàn tương đương (sai số trọng lượng tối ưu $< 0.05%$).
  2. Hiệu năng bứt phá trên các hệ giàn không gian quy mô lớn:
    • Với bài toán tháp truyền tải điện 160 thanh (biến thiết kế phân thành 38 nhóm tiết diện rời rạc), CaDE tiết kiệm 51.2% số lần phân tích kết cấu, rút ngắn thời gian hội tụ hơn một nửa.
    • Với tháp thép 244 thanh và giàn 200 thanh, CaDE thể hiện khả năng vượt qua các cực trị địa phương phức tạp mà các thuật toán GA thuần hoặc PSO thường xuyên bị mắc kẹt.
  3. Phát hiện nghịch trực giác về mật độ mẫu huấn luyện: Số lượng mẫu huấn luyện mô hình học máy ban đầu không cần quá lớn. Khi kích thước tập mẫu tăng từ $N = 1000$ lên $N = 5000$, độ chính xác phân loại chỉ tăng $1.8%$, nhưng chi phí tính toán ban đầu tăng gấp 5 lần. Do đó, quy mô mẫu tối ưu cho giai đoạn 1 được xác định nằm trong khoảng $N = 30D \div 50D$ ($D$ là số biến thiết kế).
  4. Tối ưu hóa hình học giàn mái phẳng nhịp 24m: Tỷ lệ chiều cao đầu giàn trên nhịp tối ưu ($h_1/L$) nằm trong khoảng $1/10 \div 1/12$, và sơ đồ thanh giàn xiên góc nghiêng $40^\circ - 50^\circ$ mang lại hiệu quả chịu lực cao nhất, giúp giảm 18.6% tổng trọng lượng kết cấu so với thiết kế định hình thông thường.
  5. Quy luật phân bố trọng lượng giàn lưới không gian 3 lớp $30\times 30\text{ m}$: Trọng lượng lớp lưới cánh trên chiếm khoảng $38%$, lớp cánh dưới chiếm $35%$, và hệ thanh bụng chiếm $27%$ tổng khối lượng; tỷ lệ chiều cao giàn trên nhịp hợp lý nhất dao động từ $1/14$ đến $1/16$.
           HIỆU QUẢ CẮT GIẢM SỐ LẦN PHÂN TÍCH KẾT CẤU (FEA) CỦA CaDE SO VỚI DE GỐC

Implications đa chiều

  • Về mặt lý thuyết học thuật: Chứng minh tính khả thi và ưu việt của giải pháp lai ghép giữa giải thuật tối ưu meta-heuristic và mô hình học máy phân loại nhị phân trong không gian cấu hình rời rạc phức tạp.
  • Về mặt phương pháp luận: Cung cấp bộ công cụ nguồn mở viết trên nền tảng Python bao gồm bộ giải pyTruss tích hợp thuật toán CaDE, có thể dễ dàng chuyển giao, mở rộng cho các bài toán tối ưu kết cấu khung thép, cầu dầm thép và kết cấu liên hợp.
  • Về mặt thực tiễn sản xuất: Giúp các tổng thầu xây dựng và tư vấn thiết kế rút ngắn quy trình thiết kế từ hàng tuần xuống vài giờ tính toán tự động, đồng thời tiết giảm trực tiếp $10 - 20%$ chi phí mua sắm phôi thép kết cấu.
  • Về mặt chính sách và tiêu chuẩn: Cung cấp căn cứ khoa học định lượng hỗ trợ các cơ quan quản lý (Bộ Xây dựng) trong việc bổ sung hướng dẫn kỹ thuật thiết kế tối ưu hóa dựa trên máy tính vào hệ thống Tiêu chuẩn Xây dựng Việt Nam (TCVN 5575).

Limitations và Future Research

Mặc dù đạt được nhiều kết quả có giá trị học thuật và thực tiễn cao, luận án thẳng thắn thừa nhận các giới hạn nghiên cứu:

  1. Phạm vi dạng bài toán tối ưu: Luận án mới chỉ tập trung chuyên sâu vào bài toán tối ưu hóa kích thước tiết diện (Sizing Optimization). Hai bài toán tối ưu hóa hình học (Shape Optimization) và tối ưu hóa cấu trúc/mạng topo (Topology Optimization) chưa được tích hợp đồng thời trong cùng một vòng lặp tự động.
  2. Mô hình hóa cơ học: Giả thiết bài toán giới hạn trong phân tích kết cấu đàn hồi tuyến tính tĩnh học, chưa xét tới các hiệu ứng phi tuyến vật liệu (chảy dẻo cục bộ), phi tuyến hình học bậc hai ($P-\Delta$), cũng như các tải trọng động phức tạp như động đất miền thời gian hoặc gió bão xung kích.
  3. Dạng hình học kết cấu: Đối tượng khảo sát chủ yếu là hệ thanh giàn khớp hai đầu; các dạng kết cấu siêu tĩnh bậc cao như khung không gian nhiều tầng, sàn liên hợp, vỏ mỏng hay kết cấu bê tông cốt thép chưa được xem xét.

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

  • Phát triển thuật toán CaDE đa mục tiêu (Multi-objective CaDE), tối ưu hóa đồng thời trọng lượng kết cấu, chi phí gia công chế tạo liên kết nút và lượng khí thải carbon tương đương ($CO_2e$).
  • Ứng dụng mô hình Học sâu hình học (Geometric Deep Learning / Graph Neural Networks - GNN) để biểu diễn kết cấu công trình dưới dạng đồ thị nút-thanh, cho phép mô hình học máy tổng quát hóa trên mọi cấu hình hình học bất kỳ mà không cần huấn luyện lại từ đầu.
  • Tích hợp công nghệ thiết kế tham số (Parametric Design) trên môi trường Building Information Modeling (BIM) thông qua API của Revit/Dynamo và Rhino/Grasshopper.

Tác động và ảnh hưởng

  • Ảnh hưởng học thuật: Luận án đóng góp 05 công trình khoa học chất lượng cao, bao gồm các bài báo trên các tạp chí chuyên ngành uy tín và kỷ yếu hội nghị quốc tế có phản biện. Phương pháp CaDE dự kiến tạo ra chỉ số trích dẫn cao trong cộng đồng nghiên cứu cơ học tính toán (Computational Mechanics) và tối ưu hóa đa ngành kết cấu (Structural and Multidisciplinary Optimization).
  • Chuyển đổi ngành công nghiệp xây dựng: Đổi mới quy trình thiết kế truyền thống vốn mang nặng tính trực giác "thử - sai" thành quy trình số hóa tự động tối ưu hoàn toàn, tạo lợi thế cạnh tranh sống còn cho các doanh nghiệp xây dựng thép công nghiệp, nhà xưởng khẩu độ lớn và tháp viễn thông 5G.
  • Lợi ích xã hội và môi trường: Ứng dụng quy mô rộng rãi phương pháp đề xuất ước tính có thể giảm hàng nghìn tấn thép tiêu thụ mỗi năm, trực tiếp đóng góp vào cam kết của Việt Nam đạt mức phát thải ròng bằng 0 (Net Zero) vào năm 2050 tại Hội nghị COP26.

Đối tượng hưởng lợi

                                  ĐỐI TƯỢNG HƯỞNG LỢI

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì?

Luận án đã mở rộng lý thuyết Tiến hóa Vi phân thông qua việc đề xuất cơ chế phân loại giám sát tiền khả thi (Classification Pre-screening), biến thuật toán DE thuần túy thành giải thuật CaDE có nhận thức không gian ràng buộc. Cơ chế này chứng minh rằng việc kết hợp bộ phân loại AdaBoost vào quần thể tiến hóa có thể sàng lọc chính xác các cấu hình vi phạm mà không làm mất đi tính đa dạng di truyền của quần thể.

2. Điểm cải tiến phương pháp luận so với ít nhất 2 nghiên cứu quốc tế trước đó?

  • So với Papadrakakis et al. (1997, 2002) vốn sử dụng mạng nơ-ron hồi quy thay thế hoàn toàn FEA (dễ tích lũy sai số và cho nghiệm vượt biên cho phép), CaDE sử dụng học máy dưới dạng bộ lọc nhị phân phân loại và bảo lưu bước phân tích FEA chính xác cho các nghiệm tiềm năng, loại bỏ hoàn toàn nguy cơ sai số tích lũy.
  • So với Georgioudakis & Plevris (2020) khảo sát các biến thể DE cổ điển (SADE, JADE, CoDE) vẫn phải đánh giá 100% các cá thể bằng FEA, CaDE cắt giảm trực tiếp hơn $50%$ số lần gọi solver cơ học, thiết lập kỷ lục mới về tốc độ tối ưu trên các bài toán giàn không gian 72 đến 244 thanh.

3. Phát hiện bất ngờ nhất có số liệu thực nghiệm chứng minh là gì?

Phát hiện bất ngờ nhất là việc gia tăng kích thước mẫu dữ liệu huấn luyện học máy trong giai đoạn 1 từ $N=1000$ lên $N=5000$ mẫu không giúp cải thiện đáng kể chất lượng nghiệm tối ưu cuối cùng (sai số tối ưu $<0.05%$), nhưng lại làm tăng chi phí tính toán ban đầu lên $500%$. Điều này khẳng định chỉ cần một lượng mẫu tối thiểu ($30D \div 50D$) tạo bởi phép lấy mẫu LHS là đủ để mô hình AdaBoost thiết lập ranh giới quyết định hiệu quả.

4. Luận án có cung cấp giao thức tái lập nghiên cứu (Replication Protocol) không?

Có. Tác giả đính kèm toàn bộ mã nguồn thực thi bằng Python ở phần phụ lục luận án, bao gồm:

  • Module pyTruss2D và pyTruss3D (phân tích phần tử hữu hạn ma trận độ cứng trực tiếp).
  • Module mã nguồn thuật toán tối ưu DE và CaDE.
  • Bộ tham số chi tiết, danh mục bảng tra tiết diện thép góc, thép hộp, thép ống tiêu chuẩn, tọa độ nút và ma trận liên kết của các bài toán 10 thanh, 25 thanh, 160 thanh, 244 thanh, giàn phẳng 24m và giàn không gian $30\times 30\text{ m}$.

5. Khung lộ trình nghiên cứu 10 năm tới được phác thảo như thế nào?

Lộ trình 10 năm tập trung phát triển: (1) Nâng cấp CaDE giải quyết bài toán tối ưu đồng thời Tiết diện - Hình dáng - Cấu trúc mạng (Sizing-Shape-Topology Optimization); (2) Ứng dụng Mạng nơ-ron đồ thị (Graph Neural Networks) kết hợp Học tăng cường sâu (Deep Reinforcement Learning) trong mô phỏng kết cấu phi tuyến chịu động đất; (3) Thương mại hóa plugin tối ưu hóa tích hợp trên nền tảng BIM/Revit.

Kết luận

  1. Phát triển thành công bộ công cụ pyTruss: Xây dựng module phân tích kết cấu giàn phẳng và không gian 3D bằng Python đạt độ chính xác tương đương các phần mềm thương mại hàng đầu (SAP2000), đóng vai trò nền tảng tính toán tin cậy cho quá trình tối ưu.
  2. Đề xuất quy trình đánh giá an toàn kết cấu bằng Học máy: Xác lập phương pháp kết hợp lấy mẫu Siêu khối lập phương La-tinh (LHS) và mô hình phân loại AdaBoost, đạt độ chính xác phân biệt trạng thái an toàn kết cấu với ROC-AUC trên $0.94 - 0.98$.
  3. Sáng tạo giải thuật tối ưu đột phá CaDE: Đề xuất thành công phương pháp Tiến hóa Vi phân có sự trợ giúp của mô hình phân loại (CaDE), giúp cắt giảm từ $32.4%$ đến $58.7%$ số lần phân tích phần tử hữu hạn trên các kết cấu giàn từ 10 đến 244 thanh.
  4. Xây dựng quy trình thiết kế tối ưu kết cấu giàn mái thực tế: Thiết lập hệ thống hướng dẫn kỹ thuật chi tiết cho giàn phẳng khẩu độ 24m và giàn lưới không gian 3 lớp $30\times 30\text{ m}$, mang lại hiệu quả giảm trọng lượng từ $10%$ đến gần $20%$.
  5. Mở ra 3 hướng nghiên cứu mới: Khởi xướng các nhánh nghiên cứu chuyên sâu về Tối ưu hóa đa mục tiêu kết hợp AI, Ứng dụng Graph Neural Network trong cơ học kết cấu, và Số hóa tự động quy trình thiết kế kết cấu thép thích ứng với biến đổi khí hậu.
  6. Giá trị di sản bền vững: Công trình khẳng định vị thế tiên phong của nghiên cứu xây dựng Việt Nam trong việc làm chủ và ứng dụng thành công các công nghệ trụ cột của cuộc Cách mạng Công nghiệp 4.0 vào thực tiễn kỹ thuật công trình.