Tổng quan nghiên cứu

Kết cấu bê tông cốt sợi (Fiber Reinforced Concrete – FRC) là vật liệu được ứng dụng rộng rãi trong xây dựng dân dụng, công nghiệp và quốc phòng nhờ khả năng chịu kéo và phân tán năng lượng vượt trội khi chịu tải trọng cực hạn như va đập và nổ. Theo các nghiên cứu thực nghiệm, bê tông cốt sợi giúp giảm thiểu sự phá hoại cục bộ và tăng khả năng chịu cắt so với bê tông cốt thép thông thường. Tuy nhiên, việc dự đoán mức độ phá hoại của tấm bê tông cốt sợi chịu tải va đập, đặc biệt là tác động của đầu đạn với vận tốc cao, vẫn là thách thức lớn do tính phi tuyến và phức tạp của vật liệu.

Mục tiêu nghiên cứu là phát triển mô hình trí tuệ nhân tạo nhằm dự đoán chính xác mức độ phá hoại của tấm bê tông cốt sợi chịu tải va đập, dựa trên bộ dữ liệu thí nghiệm gồm 176 mẫu với 15 đặc trưng đầu vào. Phạm vi nghiên cứu tập trung vào các trạng thái phá hoại phổ biến gồm xuyên thủng (Perforation), bị vỡ (Scabbing), thâm nhập (Penetration) và không bị phá hoại (No damage). Nghiên cứu được thực hiện trong bối cảnh ứng dụng trí tuệ nhân tạo trong kỹ thuật xây dựng tại Việt Nam, với ý nghĩa nâng cao hiệu quả thiết kế và thẩm định kết cấu chịu tải trọng động.

Việc áp dụng mô hình học máy giúp giảm thiểu chi phí và thời gian so với phương pháp thực nghiệm truyền thống và mô phỏng số phức tạp, đồng thời cung cấp công cụ dự đoán nhanh, chính xác cho kỹ sư thiết kế. Kết quả nghiên cứu góp phần mở rộng ứng dụng trí tuệ nhân tạo trong lĩnh vực kỹ thuật xây dựng, đặc biệt trong phân tích kết cấu chịu tải trọng va đập.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai nền tảng lý thuyết chính:

  1. Kỹ thuật kết cấu bê tông cốt sợi chịu tải va đập: Các trạng thái phá hoại cục bộ của tấm bê tông cốt sợi dưới tác động va đập được phân loại gồm thâm nhập, nứt hình nón, bong tách, nứt hướng tâm, bị vỡ, xuyên thủng và phá hoại tổng thể. Các đặc tính cơ học của bê tông cốt sợi như khả năng phân tán vết nứt, tăng cường độ dẻo và hấp thụ năng lượng được xem xét để đánh giá mức độ phá hoại.

  2. Thuật toán học máy và tối ưu hóa siêu tham số: Thuật toán Support Vector Machine (SVM) được sử dụng làm mô hình phân loại chính để dự đoán trạng thái phá hoại. Phương pháp tối ưu hóa Bayesian (Bayesian Optimization - BO) được áp dụng để tìm siêu tham số tối ưu cho SVM, bao gồm tham số chính quy C, loại kernel và tham số γ. Kỹ thuật lấy thêm mẫu BorderlineSMOTE được sử dụng để cân bằng bộ dữ liệu mất cân bằng giữa các lớp phá hoại.

Các khái niệm chính bao gồm:

  • Support Vector Machine (SVM): Thuật toán phân loại dựa trên tìm siêu mặt phẳng tối ưu phân tách các lớp dữ liệu.
  • Bayesian Optimization (BO): Phương pháp tối ưu hóa hiệu quả siêu tham số dựa trên mô hình xác suất Gaussian Process.
  • BorderlineSMOTE: Kỹ thuật tạo thêm mẫu dữ liệu cho lớp thiểu số gần biên giới phân lớp nhằm cải thiện độ chính xác mô hình.
  • Đường cong ROC và AUC: Tiêu chí đánh giá hiệu suất phân loại đa lớp của mô hình.
  • Điểm số F1 (F1-score): Đánh giá cân bằng giữa độ chính xác và độ hồi tưởng của mô hình.

Phương pháp nghiên cứu

Nguồn dữ liệu sử dụng là bộ dữ liệu thí nghiệm gồm 176 mẫu tấm bê tông cốt sợi chịu tải va đập đầu đạn, thu thập từ các công trình nghiên cứu quốc tế. Bộ dữ liệu bao gồm 15 đặc trưng đầu vào như kích thước tấm, cường độ bê tông, hàm lượng cốt thép và cốt sợi, đặc tính đầu đạn (loại, đường kính, trọng lượng, vận tốc). Các thông số dạng số được chuẩn hóa về khoảng [0,1], thông số phân loại được mã hóa dạng one-hot.

Phương pháp phân tích gồm các bước:

  • Tiền xử lý dữ liệu và chuẩn hóa.
  • Chia bộ dữ liệu thành 5 phần theo quy trình xác nhận chéo k-fold (k=5), trong đó 4 phần dùng để huấn luyện, 1 phần dùng để kiểm tra.
  • Áp dụng kỹ thuật BorderlineSMOTE để cân bằng dữ liệu lớp thiểu số trong tập huấn luyện.
  • Xây dựng mô hình SVM với siêu tham số được tối ưu bằng Bayesian Optimization.
  • So sánh hiệu quả mô hình BO-SVM với các mô hình chuẩn gồm SVM cơ bản (có và không có lấy thêm mẫu), mạng thần kinh đa lớp (MLP) và cây quyết định (DT).
  • Đánh giá mô hình dựa trên các chỉ số AUC, điểm F1, độ chính xác phân lớp và đường cong ROC.

Quá trình nghiên cứu được thực hiện trong khoảng thời gian năm 2021-2022 tại Trường Đại học Hồng Đức, Thanh Hóa, sử dụng ngôn ngữ lập trình Python và các thư viện học máy tiêu chuẩn.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả mô hình BO-SVM vượt trội: Mô hình BO-SVM đạt giá trị AUC trung bình 80,2%, cao hơn so với SVM cơ bản có lấy thêm mẫu (78,7%), SVM không lấy thêm mẫu (77,2%), mạng MLP (77,1%) và cây quyết định DT (77,9%). Điều này chứng tỏ khả năng phân loại chính xác các trạng thái phá hoại của tấm bê tông cốt sợi.

  2. Điểm số F1 cao nhất của BO-SVM: Điểm F1 trung bình của BO-SVM là 0,632, vượt trội so với SVM cơ bản lấy thêm mẫu (0,584), SVM không lấy thêm mẫu (0,598), MLP (0,499) và DT (0,534). Mô hình BO-SVM thể hiện sự cân bằng tốt giữa độ chính xác và độ hồi tưởng.

  3. Độ chính xác phân lớp đồng đều: Mô hình BO-SVM đạt độ chính xác trung bình 66,5% trên ba lớp phá hoại, trong đó lớp Scabbing có độ chính xác cao nhất 72,4% dù số lượng mẫu nhỏ nhất (33 mẫu). Các mô hình khác có độ chính xác trung bình thấp hơn, ví dụ MLP chỉ đạt 55,8%.

  4. Kỹ thuật lấy thêm mẫu BorderlineSMOTE cải thiện hiệu quả: Việc áp dụng BorderlineSMOTE giúp cân bằng dữ liệu mất cân bằng, giảm sai lệch dự đoán nghiêng về lớp đa số, đặc biệt nâng cao độ chính xác cho các lớp thiểu số như Penetration và Scabbing.

Thảo luận kết quả

Kết quả cho thấy mô hình BO-SVM với siêu tham số tối ưu bằng Bayesian Optimization có khả năng dự đoán mức độ phá hoại của tấm bê tông cốt sợi chịu tải va đập tốt hơn các mô hình truyền thống và mạng thần kinh đa lớp. Việc sử dụng kỹ thuật lấy thêm mẫu BorderlineSMOTE giúp khắc phục vấn đề mất cân bằng dữ liệu, vốn là thách thức lớn trong phân loại đa lớp.

So sánh với các nghiên cứu trước đây, mô hình BO-SVM không chỉ nâng cao độ chính xác mà còn giảm thiểu hiện tượng overfitting nhờ tối ưu hóa siêu tham số và quy trình xác nhận chéo k-fold. Các biểu đồ đường cong ROC minh họa rõ sự vượt trội của BO-SVM khi bao phủ gần như toàn bộ các mô hình khác, thể hiện khả năng phân biệt các lớp phá hoại hiệu quả.

Ý nghĩa thực tiễn của nghiên cứu là cung cấp công cụ dự đoán nhanh, chính xác cho kỹ sư xây dựng trong thiết kế và thẩm định kết cấu bê tông cốt sợi chịu tải va đập, giúp giảm chi phí thử nghiệm thực tế và mô phỏng phức tạp. Dữ liệu và mô hình có thể được trình bày qua bảng so sánh AUC, điểm F1 và biểu đồ ROC để minh họa hiệu quả từng mô hình.

Đề xuất và khuyến nghị

  1. Triển khai mô hình BO-SVM trong phần mềm thiết kế kết cấu: Tích hợp mô hình vào các công cụ thiết kế kết cấu để dự đoán mức độ phá hoại nhanh chóng, nâng cao độ chính xác thiết kế chịu tải va đập. Thời gian thực hiện trong 1-2 năm, chủ thể là các viện nghiên cứu và doanh nghiệp phần mềm xây dựng.

  2. Mở rộng bộ dữ liệu thí nghiệm và cập nhật mô hình định kỳ: Thu thập thêm dữ liệu thực nghiệm với đa dạng loại vật liệu, kích thước tấm và điều kiện va đập để tăng tính tổng quát của mô hình. Thời gian 3-5 năm, do các trung tâm nghiên cứu và trường đại học thực hiện.

  3. Phát triển mô hình học sâu (Deep Learning) kết hợp với BO-SVM: Nghiên cứu áp dụng mạng nơ-ron sâu để khai thác đặc trưng phi tuyến phức tạp, kết hợp tối ưu hóa siêu tham số để nâng cao hiệu quả dự đoán. Thời gian 2-3 năm, do nhóm nghiên cứu chuyên sâu về AI và kỹ thuật xây dựng đảm nhận.

  4. Đào tạo và nâng cao năng lực cho kỹ sư xây dựng về AI: Tổ chức các khóa đào tạo, hội thảo về ứng dụng trí tuệ nhân tạo trong phân tích kết cấu để tăng cường khả năng áp dụng mô hình trong thực tế. Chủ thể là các trường đại học, viện đào tạo kỹ thuật, thời gian liên tục.

  5. Xây dựng tiêu chuẩn và hướng dẫn áp dụng mô hình AI trong thiết kế kết cấu: Phối hợp với cơ quan quản lý xây dựng để ban hành các quy định, tiêu chuẩn kỹ thuật về sử dụng mô hình trí tuệ nhân tạo trong thiết kế và thẩm định kết cấu chịu tải va đập. Thời gian 2-4 năm, do Bộ Xây dựng và các tổ chức chuyên môn thực hiện.

Đối tượng nên tham khảo luận văn

  1. Kỹ sư thiết kế kết cấu xây dựng: Nắm bắt công nghệ mới trong dự đoán mức độ phá hoại tấm bê tông cốt sợi, áp dụng mô hình AI để tối ưu thiết kế, giảm thiểu rủi ro và chi phí thử nghiệm.

  2. Nhà nghiên cứu và giảng viên ngành kỹ thuật xây dựng: Tham khảo phương pháp xây dựng bộ dữ liệu, phát triển mô hình học máy và tối ưu hóa siêu tham số, phục vụ nghiên cứu chuyên sâu và giảng dạy.

  3. Doanh nghiệp phần mềm xây dựng và công nghệ AI: Khai thác mô hình BO-SVM để phát triển các giải pháp phần mềm hỗ trợ thiết kế kết cấu chịu tải va đập, mở rộng ứng dụng trí tuệ nhân tạo trong xây dựng.

  4. Cơ quan quản lý và ban hành tiêu chuẩn xây dựng: Sử dụng kết quả nghiên cứu làm cơ sở khoa học để xây dựng tiêu chuẩn, quy định về thiết kế kết cấu bê tông cốt sợi chịu tải va đập, nâng cao chất lượng công trình.

Câu hỏi thường gặp

  1. Mô hình BO-SVM là gì và tại sao được chọn?
    BO-SVM là mô hình Support Vector Machine được tối ưu siêu tham số bằng Bayesian Optimization. Mô hình này được chọn vì khả năng phân loại chính xác, tránh overfitting và tối ưu hiệu suất dự đoán trên bộ dữ liệu phức tạp.

  2. Tại sao cần kỹ thuật lấy thêm mẫu BorderlineSMOTE?
    Bộ dữ liệu mất cân bằng giữa các lớp phá hoại có thể làm mô hình thiên lệch về lớp đa số. BorderlineSMOTE tạo thêm mẫu cho lớp thiểu số gần biên giới phân lớp, giúp cân bằng dữ liệu và cải thiện độ chính xác dự đoán.

  3. Bộ dữ liệu thí nghiệm gồm những thông số nào?
    Bộ dữ liệu gồm 176 mẫu với 15 đặc trưng đầu vào như kích thước tấm, cường độ bê tông, hàm lượng cốt thép và cốt sợi, loại và đặc tính đầu đạn (đường kính, trọng lượng, vận tốc), điều kiện biên.

  4. Mô hình BO-SVM có thể áp dụng trong thực tế như thế nào?
    Mô hình có thể tích hợp vào phần mềm thiết kế kết cấu để dự đoán mức độ phá hoại nhanh chóng, hỗ trợ kỹ sư trong việc đánh giá và tối ưu thiết kế kết cấu chịu tải va đập.

  5. Nghiên cứu có giới hạn gì và hướng phát triển tiếp theo?
    Giới hạn là bộ dữ liệu hiện tại chưa bao phủ hết các loại vật liệu và điều kiện va đập thực tế. Hướng phát triển là mở rộng dữ liệu, áp dụng học sâu kết hợp tối ưu hóa và xây dựng tiêu chuẩn áp dụng mô hình AI trong xây dựng.

Kết luận

  • Nghiên cứu đã xây dựng thành công mô hình BO-SVM dự đoán mức độ phá hoại tấm bê tông cốt sợi chịu tải va đập với hiệu suất vượt trội (AUC 80,2%, điểm F1 0,632).
  • Kỹ thuật lấy thêm mẫu BorderlineSMOTE giúp cân bằng dữ liệu mất cân bằng, nâng cao độ chính xác dự đoán cho các lớp thiểu số.
  • Mô hình BO-SVM cho kết quả đồng đều và chính xác trên các trạng thái phá hoại phổ biến: xuyên thủng, bị vỡ, thâm nhập.
  • Kết quả nghiên cứu có ý nghĩa thực tiễn lớn trong thiết kế và thẩm định kết cấu chịu tải va đập, giảm chi phí thử nghiệm và mô phỏng phức tạp.
  • Đề xuất triển khai mô hình trong phần mềm thiết kế, mở rộng dữ liệu, phát triển học sâu và đào tạo kỹ sư để ứng dụng rộng rãi trong ngành xây dựng.

Hành động tiếp theo là phối hợp với các đơn vị nghiên cứu và doanh nghiệp để phát triển phần mềm ứng dụng, đồng thời mở rộng bộ dữ liệu thực nghiệm nhằm nâng cao tính tổng quát và độ chính xác của mô hình. Các kỹ sư và nhà quản lý xây dựng được khuyến khích tiếp cận và áp dụng kết quả nghiên cứu để nâng cao hiệu quả thiết kế kết cấu chịu tải va đập.