Tổng quan luận án

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" (Tên tiếng Anh: Optimization of steel truss structures using evolutionary algorithm and machine learning) được thực hiện bởi nghiên cứu sinh Nguyễn Trần Hiếu, thuộc ngành Kỹ thuật xây dựng (Mã số: 9580201) tại Trường Đại học Xây dựng Hà Nội, dưới sự hướng dẫn khoa học của PGS.TS Vũ Anh Tuấn và hoàn thành vào năm 2023.

Tính cấp thiết và khoảng trống nghiên cứu

Trong lĩnh vực xây dựng công trình, chi phí dành cho vật liệu thép chiếm tỷ trọng lớn trong tổng dự toán công trình. Do đó, việc tìm kiếm giải pháp tối thiểu hóa khối lượng vật liệu thông qua thiết kế tối ưu đóng vai trò quan trọng nhằm giảm giá thành xây dựng và tiết kiệm tài nguyên khoáng sản. Trong các kỹ thuật tối ưu hóa kết cấu hiện đại, nhóm thuật toán ngẫu nhiên meta-heuristic (như Giải thuật Di truyền - GA, Chiến lược Tiến hóa - ES, Tiến hóa Vi phân - DE, Tối ưu Bầy đàn - PSO) được ứng dụng rộng rãi nhờ khả năng tìm kiếm nghiệm toàn cục mà không đòi hỏi thông tin đạo hàm.

Tuy nhiên, rào cản lớn nhất của các thuật toán meta-heuristic là yêu cầu số lượng đánh giá phương án rất lớn. Mỗi phương án thiết kế đều phải trải qua bước phân tích kết cấu bằng phương pháp phần tử hữu hạn (PTHH) để kiểm tra các điều kiện an toàn chịu lực và độ võng. Quá trình này tiêu tốn nhiều thời gian và tài nguyên tính toán. Mặc dù các nghiên cứu trước đây đã thử nghiệm thay thế trực tiếp phép phân tích PTHH bằng mô hình học máy hồi quy, giải pháp này thường dẫn tới sai số tích lũy liên tục và làm sai lệch nghiệm tối ưu. Khoảng trống nghiên cứu đặt ra là cần một cơ chế kết hợp giữa mô hình học máy và thuật toán tối ưu tiến hóa sao cho vừa giảm bớt số lần phân tích PTHH, vừa duy trì độ tin cậy của kết quả tối ưu.

Mục tiêu nghiên cứu

Luận án xác định 04 mục tiêu cụ thể:

  1. Mục tiêu 1: Nghiên cứu tìm hiểu về các thuật toán tiến hóa, từ đó lựa chọn thuật toán phù hợp cho bài toán thiết kế tối ưu kết cấu.
  2. Mục tiêu 2: Nghiên cứu các mô hình Học máy, đánh giá, lựa chọn mô hình Học máy phù hợp để thay thế cho việc phân tích phần tử hữu hạn trong quá trình thiết kế tối ưu kết cấu.
  3. Mục tiêu 3: Đề xuất một phương pháp kết hợp giữa thuật toán tối ưu và mô hình Học máy lựa chọn ở Mục tiêu số 1 và số 2, đánh giá hiệu năng của phương pháp đề xuất.
  4. Mục tiêu 4: Xây dựng một quy trình thiết kế cho kết cấu giàn thép dựa trên phương pháp đã đề xuất và áp dụng vào các kết cấu có quy mô tương đương công trình thực tế.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Thuật toán tối ưu hóa tiến hóa và các mô hình học máy ứng dụng trong bài toán thiết kế kết cấu.
  • Phạm vi nghiên cứu: Luận án tập trung vào bài toán tối ưu hóa tiết diện (sizing optimization) cho kết cấu giàn thép, ứng dụng thực nghiệm trên hai dạng kết cấu giàn mái điển hình: hệ giàn phẳng hình thang nhịp 24 m và hệ giàn lưới không gian ba lớp kích thước 30×30 m, tuân thủ các điều kiện biên và tiêu chuẩn thiết kế hiện hành (TCVN và AISC-ASD).

Tổng quan tài liệu và vị trí của luận án

Luận án thực hiện điểm luận có hệ thống về lịch sử phát triển của kỹ thuật tối ưu hóa kết cấu và tình hình ứng dụng Trí tuệ Nhân tạo (AI) / Học máy (ML) trong kỹ thuật công trình.

Các hướng nghiên cứu trước đây

  • Giai đoạn nền tảng và phương pháp giải tích/gradient: Maxwell (1870) và Mitchell (1904) đặt nền móng lý thuyết tối ưu hóa ứng suất. Năm 1960, Schmit công bố công trình kết hợp phân tích PTHH và quy hoạch toán học cho giàn 3 thanh, chứng minh rằng không nhất thiết mọi thanh giàn đều phải đạt tới ứng suất tới hạn khi kết cấu đạt trọng lượng tối ưu. Phương pháp tối ưu theo tiêu chí của Venkayya (1971) và kỹ thuật xấp xỉ của Schmit và cộng sự (1974) tiếp tục mở rộng quy mô giải quyết các ràng buộc.
  • Ứng dụng thuật toán meta-heuristic: Goldberg và Samtani (1986) ứng dụng thành công Giải thuật Di truyền (GA) của Holland (1975) cho bài toán giàn 10 thanh. Tiếp sau đó, hàng loạt thuật toán được phát triển và so sánh hiệu năng trên kết cấu giàn: Hasançebi và Kazemzadeh Azad (2014) so sánh 9 thuật toán (SA, ES, PSO, ACO, HS, GA, TS, BB-BC, BI) trên giàn vòm 354 thanh; Charalampakis (2016, 2018) so sánh GA, PSO, ABC, DE, SA trên các giàn 10, 17, 18, 25, 200 thanh và chỉ ra hiệu năng của DE; Sonmez (2018) khảo sát 8 thuật toán trên giàn 10 thanh, tháp 582 thanh và giàn không gian 648 thanh; Georgioudakis và Plevris (2020) so sánh các biến thể của DE (CoDE, JADE, JDE, SADE) trên các bài toán chuẩn.
  • Trắc lượng khoa học về AI và ML trong xây dựng: Adeli (1986, 2001) khảo sát hệ chuyên gia và mạng nơ-ron; Abudayyeh và cộng sự (2004) tổng kết 354 bài báo trên tạp chí ASCE JCCE (1987–2003); Salehi và Burgueno (2018) phân tích 282 bài báo (2009–2017); Darko và cộng sự (2020) phân tích 40.000 bài báo từ Scopus; Thái Hữu Tài (2021) tổng kết 485 công bố Scopus từ 1989 đến nay về ứng dụng ML trong kết cấu.
  • Các phương pháp tích hợp học máy vào tối ưu kết cấu: Papadrakakis và cộng sự (1997, 1998) kết hợp mạng nơ-ron (NN) với ES; nghiên cứu của Ghasemi, Dizangian và Taheri (2019) dùng mạng RBF kết hợp ABC cho tháp thép; Ghasemi, Dizangian và Hosseini (2020) áp dụng hệ suy luận mờ thích ứng ANFIS; Mai Tiến Hậu, Joowon Kang và Jaehong Lee (2021) sử dụng mạng NN nhiều lớp ẩn thay thế phân tích phi tuyến.

Khoảng trống luận án lựa chọn giải quyết

Phần lớn các công bố trên thế giới sử dụng mô hình học máy theo hướng hồi quy (regression) nhằm thay thế trực tiếp bước phân tích PTHH để dự báo giá trị ứng suất hoặc chuyển vị. Hạn chế của hướng tiếp cận này là sai số tích lũy của mô hình hồi quy dẫn đến việc vi phạm ràng buộc kỹ thuật hoặc tìm ra nghiệm không chuẩn xác. Luận án lựa chọn hướng tiếp cận mới: sử dụng mô hình học máy phân loại (classification) đóng vai trò như một bộ lọc sàng lọc sơ bộ, loại bỏ các phương án không an toàn trước khi thực hiện phân tích giải tích, bảo đảm tính hội tụ chính xác của thuật toán tiến hóa vi phân.

Cơ sở lý thuyết và phương pháp nghiên cứu

Lý thuyết và khung phân tích

Bài toán thiết kế tối ưu tiết diện kết cấu giàn thép được phát biểu dưới dạng bài toán quy hoạch toán học với biến thiết kế rời rạc:

$$\min f(X) = W(X) = \sum_{i=1}^{n} \rho_i \cdot A_i \cdot L_i$$

Thỏa mãn các điều kiện ràng buộc kỹ thuật:

  • Ràng buộc ứng suất kéo/nén: $\sigma_i(X) \le [\sigma]_i$ với mọi phần tử $i = 1, \dots, n$
  • Ràng buộc chuyển vị nút: $\Delta_j(X) \le [\Delta]_j$ với mọi nút $j = 1, \dots, m$
  • Ràng buộc độ mảnh giới hạn của thanh: $\lambda_i = \frac{\mu_i L_i}{r_i} \le [\lambda]_i$
  • Ràng buộc biến thiết kế: $A_i \in S = {A^{(1)}, A^{(2)}, \dots, A^{(d)}}$

Trong đó: $X$ là véc-tơ biến thiết kế chứa diện tích tiết diện của các nhóm thanh; $W$ là tổng trọng lượng kết cấu; $\rho_i, A_i, L_i, r_i$ lần lượt là khối lượng riêng, diện tích tiết diện, chiều dài và bán kính quán tính của thanh thứ $i$; $S$ là danh mục các tiết diện thép định hình có sẵn.

Nhóm phương pháp Mô hình / Kỹ thuật cụ thể Mục đích sử dụng trong luận án
Phân tích kết cấu Phương pháp độ cứng trực tiếp (Direct Stiffness Method) Xây dựng chương trình pyTruss (gồm pyTruss2D và pyTruss3D) để tính toán ứng suất và chuyển vị kết cấu giàn
Thuật toán tối ưu Thuật toán Tiến hóa Vi phân (Differential Evolution - DE) Tìm kiếm tổ hợp tiết diện tối ưu thông qua các toán tử đột biến, lai ghép và chọn lọc
Mô hình học máy Cây quyết định (DT), SVM, Mạng nơ-ron (NN), Tăng cường thích ứng (AdaBoost) Dự đoán phân loại nhị phân trạng thái của kết cấu (An toàn / Không an toàn)
Lấy mẫu & Đánh giá Lấy mẫu Siêu khối lập phương La-tinh (LHS), K-fold cross-validation Khởi tạo dữ liệu mẫu phân bố không gian và tối ưu hóa siêu tham số mô hình học máy

Nguồn tư liệu và dữ liệu nghiên cứu

  • Dữ liệu tổng quan trắc lượng: 183 công bố khoa học quốc tế được trích xuất từ cơ sở dữ liệu Scopus thông qua công cụ Publish or Perish và phân tích mạng lưới bằng phần mềm VOSviewer (phiên bản 1.16).
  • Dữ liệu kiểm chuẩn thuật toán: Sử dụng hệ thống các bài toán kết cấu chuẩn quốc tế bao gồm: giàn 3 thanh, giàn phẳng 10 thanh, giàn không gian 25 thanh, giàn phẳng 47 thanh, giàn không gian 72 thanh, tháp thép 160 thanh, giàn phẳng 200 thanh, tháp thép 244 thanh.
  • Dữ liệu thực nghiệm công trình: Thông số vật liệu thép, tải trọng tĩnh tải, hoạt tải mái và áp lực gió tuân thủ hệ thống Tiêu chuẩn Xây dựng Việt Nam (TCVN 5575:2012, TCVN 2737:1995) và bộ danh mục thép góc, thép hộp, thép ống tiêu chuẩn.

Nội dung chính theo từng chương

Chương 1: Tổng quan về ứng dụng công nghệ học máy trong thiết kế tối ưu kết cấu

Chương 1 hệ thống hóa cơ sở lý luận về thiết kế tối ưu kết cấu và các thuật toán meta-heuristic phổ biến. Luận án phân tích kết quả trắc lượng khoa học từ 183 bài báo giai đoạn 1986–2022 trên Scopus, chỉ ra sự gia tăng công bố từ năm 2000 và đạt đỉnh vào năm 2021 với 31 bài báo. Các tạp chí có số lượng bài viết nhiều nhất gồm Structural and Multidisciplinary Optimization (7 bài), Computer Methods in Applied Mechanics and Engineering (6 bài), Computers & Structures (5 bài). Các nhóm tác giả nổi bật được định danh gồm Papadrakakis, Tsompanakis, Lagaros (5 công bố, 680 trích dẫn) và Gholizadeh, Salajegheh (5 công bố, 146 trích dẫn). Qua phân tích các mô hình, thuật toán DE được đánh giá là thuật toán có hiệu năng cao và độ ổn định tốt trong tối ưu hóa kết cấu thanh, từ đó được lựa chọn làm thuật toán nền tảng của nghiên cứu.

Chương 2: Xây dựng quy trình đánh giá an toàn cho kết cấu giàn bằng mô hình học máy

Chương 2 trình bày việc xây dựng chương trình phân tích kết cấu pyTruss viết bằng ngôn ngữ Python theo phương pháp độ cứng trực tiếp. Độ chính xác của pyTruss được đối soát với phần mềm thương mại SAP2000 trên các bài toán giàn phẳng 11 thanh và giàn không gian 15 thanh, cho kết quả nội lực và chuyển vị trùng khớp hoàn toàn.

Quy trình đánh giá an toàn kết cấu bằng mô hình học máy được thiết lập gồm 4 bước: (1) Lấy mẫu không gian biến thiết kế bằng kỹ thuật LHS; (2) Phân tích kết cấu bằng pyTruss để xác định ứng xử và gán nhãn nhị phân ($y=1$ nếu an toàn, $y=0$ nếu vi phạm bất kỳ điều kiện ràng buộc nào); (3) Huấn luyện và tinh chỉnh siêu tham số các mô hình phân loại (Decision Tree, SVM, Neural Network, AdaBoost) qua kiểm chứng chéo $k$-folds; (4) Đánh giá mô hình thông qua đường cong đặc trưng hoạt động của bộ thu nhận (ROC) và diện tích dưới đường cong (AUC). Kết quả thử nghiệm trên giàn 10 thanh, 25 thanh và 47 thanh chứng minh mô hình AdaBoost sử dụng các bộ phân loại yếu dạng gốc cây quyết định (decision stumps) đạt độ chính xác và chỉ số AUC vượt trội, ổn định trước hiện tượng mất cân bằng dữ liệu.

Kết cấu kiểm chuẩn Số lượng thanh Số biến thiết kế Mô hình ML tối ưu Tiêu chí đánh giá chất lượng
Giàn phẳng 10 thanh 10 biến AdaBoost ($T=100$) AUC $\approx 0.98$, Accuracy $> 96%$
Giàn không gian 25 thanh 8 nhóm biến AdaBoost ($T=150$) AUC $\approx 0.97$, Accuracy $> 95%$
Giàn phẳng 47 thanh 27 nhóm biến AdaBoost ($T=200$) AUC $\approx 0.96$, Accuracy $> 94%$

Chương 3: Đề xuất phương pháp giảm số lần phân tích kết cấu trong quá trình tối ưu bằng mô hình học máy

Chương 3 đề xuất phương pháp tối ưu hóa mới có tên gọi CaDE (Classification-assisted Differential Evolution). Cơ chế của phương pháp CaDE chia thành hai giai đoạn vận hành:

  1. Giai đoạn I ($n_iter_1$ thế hệ đầu): Thực hiện thuật toán DE truyền thống, đánh giá cá thể trực tiếp bằng chương trình PTHH pyTruss. Toàn bộ dữ liệu về véc-tơ biến thiết kế và kết quả đánh giá an toàn được lưu trữ vào tập dữ liệu huấn luyện.
  2. Giai đoạn chuyển tiếp: Huấn luyện mô hình phân loại AdaBoost dựa trên cơ sở dữ liệu đã tích lũy từ Giai đoạn I.
  3. Giai đoạn II (các thế hệ còn lại): Khi sinh ra cá thể thử nghiệm $u_i(t)$, mô hình AdaBoost đóng vai trò sàng lọc sơ bộ. Nếu mô hình dự đoán cá thể "Không an toàn" ($y=0$), cá thể đó bị loại bỏ ngay lập tức và gán hàm phạt mà không cần phân tích PTHH. Nếu mô hình dự đoán cá thể "An toàn" ($y=1$), cá thể mới được đưa vào phân tích PTHH bằng pyTruss để tính giá trị hàm thích nghi chính xác.
Thuật toán / Bài toán Giàn 10 thanh (Lần PTHH) Giàn 25 thanh (Lần PTHH) Giàn 72 thanh (Lần PTHH) Tháp 160 thanh (Lần PTHH) Tháp 244 thanh (Lần PTHH)
DE truyền thống 15.000 12.000 20.000 25.000 30.000
Phương pháp CaDE 7.820 6.450 10.210 12.890 14.620
Tỷ lệ giảm số lần PTHH 47,87% 46,25% 48,95% 48,44% 51,27%

Kết quả thử nghiệm thực nghiệm chứng minh CaDE giảm từ 45% đến hơn 51% số lần gọi hàm phân tích PTHH so với DE gốc, trong khi vẫn hội tụ về trọng lượng kết cấu tương đương hoặc tốt hơn các biến thể DE khác (CoDE, JADE, SADE) và các thuật toán meta-heuristic khác (PSO, ABC, GA).

Chương 4: Tối ưu trọng lượng kết cấu giàn mái

Chương 4 thiết lập quy trình thiết kế tối ưu giàn mái thép ứng dụng CaDE và triển khai trên hai bài toán thực tế quy mô lớn:

  • Giàn phẳng hình thang nhịp 24 m: Sử dụng tiết diện thép hộp chữ nhật/vuông, chịu tải trọng bản thân, tĩnh tải tôn mái và hoạt tải gió theo TCVN 2737:1995. Khảo sát tham số hình học cho thấy:
    • Tỷ lệ chiều cao đầu giàn trên nhịp $h_1/L$ tối ưu nằm trong khoảng $1/24 \le h_1/L \le 1/16$.
    • Tỷ lệ chiều cao giữa giàn trên nhịp $h/L$ hợp lý nhất về mặt kinh tế đạt từ $1/10$ đến $1/8$.
    • Sơ đồ thanh bụng dạng tam giác có thanh đứng mang lại hiệu quả chịu lực và tiết kiệm trọng lượng cao hơn sơ đồ chữ N.
  • Giàn lưới không gian ba lớp 30×30 m: Sử dụng thép ống tròn liên kết nút cầu rỗng. Khảo sát các sơ đồ bố trí hệ thanh, điều kiện gối tựa và chiều cao giàn cho thấy:
    • Hệ thanh lưới chéo kết hợp thanh đứng (sơ đồ BN3) cho hiệu quả phân phối nội lực đồng đều nhất.
    • Tỷ lệ chiều cao giàn không gian $h/L$ tối ưu nằm trong phạm vi $1/20 \le h/L \le 1/15$.
    • Việc phân nhóm thanh hợp lý (từ 4 đến 8 nhóm) giúp cân bằng giữa khả năng giảm trọng lượng và tính khả thi trong gia công chế tạo.

Kết quả và những đóng góp mới

Đóng góp mới về mặt khoa học và lý luận

  1. Xây dựng chương trình pyTruss mã nguồn mở: Phát triển công cụ phân tích kết cấu giàn 2D và 3D bằng Python dựa trên phương pháp độ cứng trực tiếp, có khả năng tích hợp linh hoạt trong các thuật toán tối ưu hóa mà không phụ thuộc vào phần mềm thương mại bên ngoài.
  2. Thiết lập quy trình đánh giá an toàn bằng mô hình phân loại: Đề xuất phương pháp tích hợp kỹ thuật lấy mẫu LHS và thuật toán AdaBoost nhằm phân loại trạng thái an toàn của kết cấu thanh với độ chính xác cao.
  3. Đề xuất phương pháp tối ưu hóa CaDE: Đóng góp giải pháp tối ưu hóa kết hợp giữa DE và học máy phân loại, loại bỏ các phép tính PTHH không cần thiết đối với các phương án vi phạm ràng buộc, giảm khoảng 50% thời gian và khối lượng tính toán.

Đóng góp mới về mặt thực tiễn và ứng dụng

  1. Quy trình thiết kế tối ưu giàn mái thép: Cung cấp khung quy trình thiết kế tự động hóa cho kỹ sư kết cấu, tuân thủ chặt chẽ các điều kiện bền, độ võng và độ mảnh theo tiêu chuẩn xây dựng.
  2. Bộ khuyến nghị thiết kế giàn thép: Đưa ra các chỉ dẫn định lượng cụ thể về việc lựa chọn tỷ lệ chiều cao/nhịp, hình thức bố trí hệ thanh bụng và cách phân nhóm tiết diện cho giàn phẳng 24 m và giàn không gian ba lớp 30×30 m.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của luận án

  • Luận án chỉ giới hạn phạm vi nghiên cứu ở bài toán tối ưu hóa tiết diện (sizing optimization); chưa giải quyết đồng thời bài toán tối ưu hóa hình dạng nút (shape optimization) và tối ưu hóa cấu trúc/cơ chế liên kết (topology optimization).
  • Đối tượng nghiên cứu mới chỉ tập trung vào kết cấu dạng giàn thép (thanh chịu lực dọc trục), chưa mở rộng sang các dạng kết cấu chịu uốn, xoắn phức tạp như kết cấu khung nhiều tầng, kết cấu vỏ mỏng hoặc kết cấu bê tông cốt thép.

Hướng nghiên cứu tiếp theo

  • Mở rộng phương pháp CaDE cho bài toán tối ưu hóa đa mục tiêu (kết hợp đồng thời mục tiêu cực tiểu hóa trọng lượng và cực tiểu hóa độ võng hoặc chi phí sản xuất).
  • Nghiên cứu tích hợp mô hình phân loại học máy vào các bài toán tối ưu hóa hình dạng và hình học kết cấu giàn không gian tự do.
  • Mở rộng ứng dụng phương pháp cho kết cấu khung thép nhiều tầng chịu tác động của tải trọng động lực học (gió động, động đất).

Giá trị tham khảo

Luận án mang lại giá trị ứng dụng và tham khảo thiết thực cho các nhóm đối tượng:

  • Nghiên cứu sinh và học viên cao học: Tham khảo phương pháp luận kết hợp giữa các thuật toán meta-heuristic và mô hình học máy; kỹ thuật tiền xử lý dữ liệu kết cấu bằng LHS; cách đánh giá mô hình phân loại qua đường cong ROC/AUC.
  • Kỹ sư thiết kế kết cấu công trình: Ứng dụng trực tiếp quy trình tối ưu hóa giàn mái thép và sử dụng các khuyến nghị định lượng trong Chương 4 về tỷ lệ hình học $h/L$, sơ đồ thanh bụng để đưa ra phương án thiết kế sơ bộ hiệu quả.
  • Các nhà phát triển phần mềm kỹ thuật: Tham khảo mã nguồn chương trình phân tích pyTruss2D, pyTruss3D và thuật toán tối ưu CaDE được viết bằng Python (cung cấp trong phần phụ lục luận án) để phát triển các mô-đun tự động hóa thiết kế kết cấu.

Câu hỏi thường gặp

1. Cơ chế cốt lõi của phương pháp CaDE giúp giảm số lần phân tích PTHH là gì?

Phương pháp CaDE chia quá trình tối ưu thành hai giai đoạn. Trong Giai đoạn I, thuật toán DE chạy bình thường và thu thập dữ liệu về các phương án kết cấu đã được phân tích. Dữ liệu này được dùng để huấn luyện mô hình phân loại AdaBoost. Trong Giai đoạn II, trước khi thực hiện bước phân tích PTHH cho một cá thể mới, mô hình AdaBoost sẽ dự đoán xem cá thể đó có an toàn hay không. Nếu mô hình dự đoán phương án bị vi phạm ràng buộc (không an toàn), phương án đó bị loại bỏ ngay và gán hàm phạt mà không cần kích hoạt chương trình phân tích PTHH, nhờ đó tiết kiệm được khoảng 50% số lần phân tích kết cấu.

2. Tại sao luận án lựa chọn mô hình AdaBoost thay vì các mô hình học máy khác?

Qua khảo sát thực nghiệm so sánh giữa Cây quyết định (DT), Máy hỗ trợ véc-tơ (SVM), Mạng nơ-ron (NN) và AdaBoost trên các bài toán giàn 10 thanh, 25 thanh và 47 thanh, AdaBoost cho thấy khả năng phân loại vượt trội với diện tích dưới đường cong ROC (chỉ số AUC) cao nhất. Đồng thời, cấu trúc tập hợp các bộ phân loại yếu (decision stumps) của AdaBoost giúp mô hình đạt độ ổn định cao, tốc độ dự báo nhanh và ít bị ảnh hưởng bởi hiện tượng mất cân bằng dữ liệu giữa các mẫu an toàn và không an toàn trong không gian tìm kiếm.

3. Chương trình pyTruss được kiểm chứng độ chính xác như thế nào?

Chương trình pyTruss (gồm 2 mô-đun pyTruss2D và pyTruss3D) được tác giả lập trình bằng ngôn ngữ Python dựa trên phương pháp độ cứng trực tiếp. Độ tin cậy của chương trình được kiểm chứng thông qua việc so sánh đối soát trực tiếp kết quả chuyển vị nút và ứng suất thanh với phần mềm thương mại SAP2000 trên hai bài toán kiểm chuẩn: giàn phẳng 11 thanh và giàn không gian 15 thanh. Kết quả phân tích giữa pyTruss và SAP2000 hoàn toàn trùng khớp.

4. Tỷ lệ kích thước hình học nào được khuyến nghị cho giàn phẳng nhịp 24 m?

Từ kết quả khảo sát tham số trên giàn phẳng hình thang nhịp 24 m bằng thép hộp, luận án khuyến nghị:

  • Tỷ lệ chiều cao giữa giàn trên nhịp $h/L$ nên chọn trong khoảng từ $1/10$ đến $1/8$.
  • Tỷ lệ chiều cao đầu giàn trên nhịp $h_1/L$ nên nằm trong khoảng $1/24 \le h_1/L \le 1/16$.
  • Bố trí hệ thanh bụng theo sơ đồ tam giác có thanh đứng mang lại hiệu quả chịu lực và tiết kiệm vật liệu tốt nhất.

Kết luận

Luận án của nghiên cứu sinh Nguyễn Trần Hiếu đã giải quyết bài toán giảm thiểu thời gian tính toán trong thiết kế tối ưu kết cấu giàn thép thông qua việc đề xuất phương pháp CaDE kết hợp thuật toán Tiến hóa Vi phân với mô hình học máy phân loại AdaBoost. Chương trình tính toán pyTruss và quy trình đánh giá an toàn được xây dựng bảo đảm độ chính xác, giúp cắt giảm khoảng 50% số lần phân tích phần tử hữu hạn so với thuật toán gốc. Các kết quả khảo sát thực nghiệm trên hệ giàn phẳng nhịp 24 m và hệ giàn không gian ba lớp 30×30 m cung cấp cơ sở khoa học và các khuyến nghị kỹ thuật phục vụ công tác thiết kế kết cấu thép trong thực tế.