Luận án Tiến sĩ: Tối ưu kết cấu giàn thép bằng thuật toán tiến hóa và học máy - Nguyễn Trần Hiếu

Tổng quan về luận án

Trong bối cảnh bùng nổ đô thị hóa và áp lực cạnh tranh gay gắt trong ngành công nghiệp xây dựng hiện đại, tối ưu hóa kết cấu đóng vai trò then chốt nhằm giảm thiểu chi phí vật liệu xây dựng, hạ giá thành công trình và bảo vệ tài nguyên thiên nhiên theo định hướng phát triển bền vững. Luận án tiến sĩ chuyên ngành Kỹ thuật Xây dựng (Mã số: 9580201) của tác giả Nguyễn Trần Hiếu, dưới sự hướng dẫn khoa học của PGS.TS Vũ Anh Tuấn tại Trường Đại học Xây dựng Hà Nội (2023), mang tựa đề: "Tối ưu kết cấu giàn thép sử dụng thuật toán tiến hóa kết hợp công nghệ học máy" (Optimization of steel truss structures using evolutionary algorithm and machine learning).

Nghiên cứu xuất phát từ một thực tế cốt lõi được khẳng định trong công trình: "chi phí vật liệu xây dựng cho phần kết cấu luôn chiếm một tỷ trọng lớn trong tổng chi phí xây dựng của mỗi công trình... Áp dụng tối ưu trong quá trình thiết kế kết cấu là một biện pháp để tiết giảm khối lượng vật liệu". Mặc dù các thuật toán tìm kiếm ngẫu nhiên cấp cao (meta-heuristics) như Giải thuật Di truyền (GA) hay Tiến hóa Vi phân (DE) đã chứng minh khả năng vượt trội trong việc giải quyết các bài toán tối ưu rời rạc phi tuyến, hạn chế chí mạng của chúng nằm ở thời gian tính toán kéo dài. Luận án chỉ rõ: "bước phân tích phần tử hữu hạn là công đoạn tốn thời gian nhất trong quá trình tối ưu", khi mỗi cá thể sinh ra đều đòi hỏi một chu trình phân tích phần tử hữu hạn (FEA) đầy đủ để kiểm tra ứng xử cơ học.

Khoảng trống nghiên cứu (research gap) được xác định cụ thể: Sự thiếu vắng một cơ chế sàng lọc thông minh có khả năng dự đoán nhanh trạng thái an toàn của kết cấu trước khi thực hiện bước phân tích cơ học tốn kém, đặc biệt là trong không gian biến thiết kế tiết diện rời rạc (discrete sizing optimization) áp dụng cho các hệ kết cấu thực tế quy mô lớn tuân thủ tiêu chuẩn thiết kế Việt Nam (TCVN 5575:2012) và tiêu chuẩn Hoa Kỳ (AISC 360-10).

Luận án giải quyết hệ thống câu hỏi và giả thuyết nghiên cứu (Research Questions & Hypotheses):

1. RQ1: Mô hình học máy nào tối ưu nhất trong việc phân loại trạng thái an toàn/không an toàn của hệ thanh giàn thép chịu tải trọng phức tạp?
   • H1: Mô hình tăng cường thích ứng AdaBoost vượt trội hơn các mô hình học máy truyền thống (SVM, Decision Tree, Random Forest) về độ chính xác phân loại và diện tích dưới đường cong ROC (AUC).
2. RQ2: Làm thế nào để tích hợp mô hình phân loại vào cấu trúc giải thuật Tiến hóa Vi phân (DE) nhằm cắt giảm số lần phân tích phần tử hữu hạn mà không đánh mất tính hội tụ toàn cục?
   • H2: Khung thuật toán CaDE (Classification-assisted Differential Evolution) đề xuất sẽ giảm thiểu từ 18,6% đến 50,3% số lần phân tích kết cấu và rút ngắn 19,1% đến 20,3% tổng thời gian tính toán so với DE nguyên bản.
3. RQ3: Quy trình tối ưu hóa dựa trên mô hình học máy lai ghép có khả năng ứng dụng thực tế vào các kết cấu nhịp lớn như thế nào?
   • H3: Tích hợp CaDE với module phân tích kết cấu độ cứng trực tiếp chuyên biệt (pyTruss) cho phép tự động hóa hoàn toàn thiết kế hệ giàn phẳng hình thang nhịp 24m và giàn lưới không gian ba lớp 30×30m, tạo lập các hướng dẫn định lượng chuẩn xác cho kỹ sư thực hành.

Phạm vi nghiên cứu bao quát các hệ kết cấu chuẩn (benchmark truss) từ 3 thanh, 10 thanh, 25 thanh, 47 thanh, 72 thanh, 200 thanh đến các tháp thép truyền tải điện không gian 160 thanh và 244 thanh, trước khi ứng dụng trực tiếp vào công trình thực tế.

+-------------------------------------------------------------------------------+
|                       KHUNG TỔNG QUAN LUẬN ÁN TIẾN SĨ                        |
+-------------------------------------------------------------------------------+
|                                                                               |
|   +---------------------------------+   +---------------------------------+   |
|   |         RESEARCH GAP            |   |       GIẢI PHÁP ĐỘT PHÁ         |   |
|   | Phân tích FEA lặp lại quá nhiều |-->| Đề xuất thuật toán lai CaDE     |   |
|   | gây bùng nổ chi phí tính toán   |   | (AdaBoost + Differential Evol.) |   |
|   +---------------------------------+   +---------------------------------+   |
|                   |                                     |                     |
|                   v                                     v                     |
|   +---------------------------------+   +---------------------------------+   |
|   |       HIỆU NĂNG TÍNH TOÁN       |   |       ỨNG DỤNG THỰC TIỄN        |   |
|   | Giảm 18.6% - 50.3% số lần FEA   |---| Tự động hóa giàn phẳng 24m và   |   |
|   | Giảm 19.1% - 20.3% thời gian    |   | giàn không gian ba lớp 30x30m   |   |
|   +---------------------------------+   +---------------------------------+   |
|                                                                               |
+-------------------------------------------------------------------------------+

Literature Review và Positioning

Lịch sử phát triển của thiết kế tối ưu kết cấu được định hình từ các công trình giải tích kinh điển của Maxwell (1870) và Michell (1904), trước khi bước vào kỷ nguyên số với công trình mang tính bước ngoặt của Lucien Schmit (1960). Schmit đã kết hợp phương pháp phần tử hữu hạn và kỹ thuật quy hoạch phi tuyến để giải quyết bài toán giàn 3 thanh, bác bỏ giả thuyết truyền thống cho rằng toàn bộ cấu kiện phải đạt ứng suất tới hạn tại trạng thái tối ưu.

Giai đoạn sau chứng kiến sự hình thành của hai trường phái chính:

• Phương pháp dựa trên đạo hàm (Gradient-based methods): Bao gồm quy hoạch tuyến tính tuần tự (SLP) và quy hoạch toàn phương tuần tự (SQP). Nhóm này sở hữu tốc độ hội tụ toán học chặt chẽ nhưng bộc lộ điểm yếu cố hữu: phụ thuộc nghiêm trọng vào điểm khởi tạo, dễ bẫy vào điểm cực trị cục bộ (local optima) và gần như bất khả thi khi giải quyết bài toán biến rời rạc với không gian thiết kế thực tế gồm danh mục thép định hình có sẵn.
• Phương pháp meta-heuristic ngẫu nhiên: Khởi đầu từ khi Holland (1975) đề xuất Giải thuật Di truyền (GA), được Goldberg và Samtani (1986) ứng dụng thành công vào kết cấu giàn 10 thanh. Tiếp đó, hàng loạt thuật toán bầy đàn và tiến hóa ra đời như 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), Tối ưu Dạy - Học (TLBO - Rao, 2011), và Tối ưu Vật thể Va chạm (CBO - Kaveh & Mahdavi, 2014).

================================================================================
TIẾN TRÌNH LỊCH SỬ VÀ BẢN ĐỒ ĐỐI CHIẾU LÝ THUYẾT TỐI ƯU KẾT CẤU
================================================================================
1870-1904: Lý thuyết giải tích cổ điển (Maxwell, Michell)
   │
1960     : Khởi nguyên tối ưu số & FEA (Schmit)
   │
1970-1980: Kỹ thuật xấp xỉ & Quy hoạch toán học (SLP, SQP, Venkayya)
   │
1986-2010: Kỷ nguyên Meta-heuristics thuần túy (GA, PSO, DE, ACO, TLBO)
   │       ├── Ưu điểm : Tránh cực trị địa phương, xử lý biến rời rạc
   │       └── Nhược điểm: Bùng nổ số lần phân tích FEA (Computational Burden)
   │
2010-nay : Tiếp cận Mô hình thay thế & Trí tuệ Nhân tạo (Surrogate/ML-assisted)
   │       ├── Hướng 1 : Hồi quy xấp xỉ phản ứng kết cấu (ANN, RBF, SVM)
   │       └── Hướng 2 [LUẬN ÁN ĐỊNH VỊ]: Sàng lọc phân loại điều kiện an toàn (CaDE)
================================================================================

Trong bức tranh toàn cầu, nhiều nghiên cứu so sánh quốc tế đã thiết lập các mốc tham chiếu quan trọng:

• Hasançebi và Kazemzadeh Azad (2014) khảo sát 9 thuật toán meta-heuristic trên hệ giàn vòm 354 thanh, chứng minh SA, ES và PSO chiếm ưu thế nhưng đều đòi hỏi hàng chục nghìn lượt đánh giá.
• Charalampakis (2016) cùng Georgioudakis và Plevris (2020) phân tích chuyên sâu các biến thể của DE (CoDE, JADE, jDE, SADE), chỉ ra DE nguyên bản sở hữu tính cân bằng tuyệt vời giữa tốc độ hội tụ và chất lượng nghiệm, nhưng tốc độ bị thắt nút cổ chai tại khâu đánh giá hàm thích nghi.
• Sonmez (2018) so sánh 8 thuật toán (GA, ACO, PSO, ABC, FA, GSA, GWO, Jaya) trên giàn không gian 648 thanh, khẳng định độ phức tạp tính toán tăng theo cấp số nhân khi số biến thiết kế vượt quá 53.

Định vị của luận án: Thay vì sử dụng mô hình học máy dạng hồi quy (Regression) để dự đoán giá trị ứng suất hay độ võng cụ thể (vốn chứa đựng sai số tích lũy lớn và đòi hỏi lượng dữ liệu huấn luyện khổng lồ), nghiên cứu chuyển hướng đột phá sang mô hình Phân loại nhị phân (Binary Classification) nhằm đánh giá tính vi phạm ràng buộc kết cấu. Định vị này tạo nên cầu nối hoàn hảo giữa lý thuyết tối ưu hóa toán học và công nghệ máy học thích ứng.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng và làm phong phú hệ thống lý thuyết tối ưu hóa kết cấu thông qua việc tái cấu trúc toán học của toán tử chọn lọc trong thuật toán Tiến hóa Vi phân:

1. Mở rộng lý thuyết Tiến hóa Vi phân (Differential Evolution Theory): Mô hình toán học tiêu chuẩn của bài toán tối ưu hóa kết cấu giàn được định nghĩa chặt chẽ: $$\min_{X \in \mathcal{S}^n} W(X) = \sum_{i=1}^{n} \rho_i A_i L_i$$ Thỏa mãn các điều kiện ràng buộc bất đẳng thức: $$g_{\sigma, i}(X) = \frac{|\sigma_i|}{[\sigma]i} - 1 \le 0, \quad \forall i = 1, \dots, n$$ $$g{\delta, j}(X) = \frac{|\delta_j|}{[\delta]j} - 1 \le 0, \quad \forall j = 1, \dots, m$$ $$g{\lambda, i}(X) = \frac{\lambda_i}{[\lambda]_i} - 1 \le 0, \quad \forall i = 1, \dots, n$$ Trong đó $X = {A_1, A_2, \dots, A_n}^T$ là véc-tơ biến thiết kế tiết diện rời rạc lấy từ tập profile có sẵn $\mathcal{S}$; $W(X)$ là tổng trọng lượng; $\rho_i, A_i, L_i$ lần lượt là khối lượng riêng, diện tích tiết diện và chiều dài thanh $i$; $\sigma_i, \delta_j, \lambda_i$ là ứng suất thực, độ võng nút và độ mảnh của cấu kiện.

2. Chuyển dịch mô hình đánh giá thích nghi (Fitness Evaluation Paradigm Shift): Mức độ vi phạm điều kiện ràng buộc tổng thể $cv(X)$ được tính bằng: $$cv(X) = \sum \max(0, g_{\sigma, i}) + \sum \max(0, g_{\delta, j}) + \sum \max(0, g_{\lambda, i})$$ Hàm thích nghi có phạt $Fit(X)$ truyền thống có dạng: $$Fit(X) = W(X) \cdot [1 + \epsilon \cdot cv(X)]$$ Đóng góp lý thuyết của luận án là ánh xạ hàm vi phạm liên tục $cv(X)$ thành một không gian nhãn nhị phân rời rạc $\mathcal{Y} \in {-1, +1}$: $$y = \begin{cases} +1 & \text{nếu } cv(X) \le 0 \quad (\text{An toàn}) \ -1 & \text{nếu } cv(X) > 0 \quad (\text{Không an toàn}) \end{cases}$$

+-------------------------------------------------------------------------------+
|               CƠ CHẾ HOẠT ĐỘNG HAI GIAI ĐOẠN CỦA PHƯƠNG PHÁP CaDE             |
+-------------------------------------------------------------------------------+
|                                                                               |
|  [ GIAI ĐOẠN I: TÍCH LŨY DỮ LIỆU & HUẤN LUYỆN ] (Vòng lặp 1 -> n_iter1)      |
|  * Khởi tạo quần thể ban đầu bằng Latin Hypercube Sampling (LHS)              |
|  * Phân tích kết cấu chính xác qua pyTruss -> Xác định cv(X)                  |
|  * Gán nhãn y = +1 (cv <= 0) hoặc y = -1 (cv > 0)                             |
|  * Tích lũy tập dữ liệu D = {(X_k, y_k)} -> Huấn luyện mô hình AdaBoost      |
|                                                                               |
|                                       │                                       |
|                                       ▼                                       |
|                                                                               |
|  [ GIAI ĐOẠN II: SÀNG LỌC THÔNG MINH BẰNG ML ] (Vòng lặp n_iter1 -> its)      |
|  * Sinh cá thể thử nghiệm (Trial Vector) u_i(t)                               |
|  * Mô hình AdaBoost dự báo nhãn y_pred của u_i(t):                            |
|    ├── TÌNH HUỐNG 1: y_pred = +1 (Dự báo AN TOÀN)                             |
|    │   └── Bắt buộc chạy pyTruss để xác thực chính xác cv và Fit              |
|    │                                                                          |
|    └── TÌNH HUỐNG 2: y_pred = -1 (Dự báo VI PHẠM)                             |
|        ├── Nếu W(u_i) >= W(x_i): LOẠI BỎ NGAY LẬP TỨC (Tiết kiệm 1 lần FEA!)   |
|        └── Nếu W(u_i) < W(x_i) : Vẫn chạy pyTruss để không bỏ sót nghiệm tốt  |
|                                                                               |
+-------------------------------------------------------------------------------+

Khung phân tích độc đáo

Khung phân tích CaDE tích hợp ba nền tảng lý thuyết độc lập:

1. Lý thuyết Ensemble Learning (AdaBoost Classifier): Sử dụng chuỗi bộ phân loại yếu $h_t(x)$ dạng cây quyết định nông (Decision Stump) kết hợp trọng số $\alpha_t$ để thiết lập bộ phân loại mạnh $H(x) = \text{sign}\left(\sum_{t=1}^T \alpha_t h_t(x)\right)$, tối ưu hóa ranh giới phân tách phi tuyến trong không gian đa chiều.
2. Lý thuyết Tính toán Tiến hóa (Evolutionary Computation): Khai thác toán tử đột biến DE/rand/1 hoặc DE/current-to-best/1 và toán tử lai ghép nhị phân (binomial crossover) nhằm duy trì tính đa dạng di truyền.
3. Cơ học Kết cấu Ma trận (Matrix Structural Mechanics): Phương pháp độ cứng trực tiếp giải hệ phương trình cân bằng tĩnh học toàn cục $[K]{U} = {F}$, xác định chính xác nội lực và chuyển vị.

Điều kiện biên (Boundary Conditions): Thuật toán phát huy hiệu quả tối đa khi số lượng cá thể trong quần thể $NP \ge 20$, số thế hệ giai đoạn I $n_iter1$ chiếm từ 15% đến 25% tổng số vòng lặp tối đa $its$, và tỷ lệ mẫu khả thi trong không gian tìm kiếm không bị suy biến quá mức.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ nghiêm ngặt hệ hình thực chứng (Positivism Paradigm) với lập trường nhận thức luận khách quan (Objectivist Epistemology). Thiết kế nghiên cứu là sự kết hợp chặt chẽ giữa phân tích giải tích cơ học, mô phỏng số học chuyên sâu và học máy thống kê.

Quy trình nghiên cứu phân tầng gồm 4 cấp độ:

• Cấp độ 1: Engine phân tích cơ học: Phát triển mã nguồn thuần Python pyTruss (gồm hai phân hệ pyTruss2D và pyTruss3D) thực thi phương pháp độ cứng trực tiếp.
• Cấp độ 2: Không gian lấy mẫu chuẩn hóa: Ứng dụng kỹ thuật lấy mẫu Siêu khối lập phương La-tinh (Latin Hypercube Sampling - LHS) để khảo sát không gian tham số.
• Cấp độ 3: Đánh giá & Huấn luyện mô hình học máy: Sử dụng kiểm chứng chéo $k$-folds ($k=5$) và phân tích đường cong ROC-AUC trên thư viện Scikit-learn.
• Cấp độ 4: Tối ưu hóa lai ghép & Ứng dụng thực tế: Triển khai giải thuật CaDE tối ưu hệ kết cấu thực tế tuân thủ đầy đủ các điều kiện cơ học theo tiêu chuẩn xây dựng hiện hành.

+-------------------------------------------------------------------------------+
|                 SƠ ĐỒ CẤU TRÚC PHẦN MỀM VÀ CÔNG CỤ TÍNH TOÁN                  |
+-------------------------------------------------------------------------------+
|                                                                               |
|   +-----------------------------------------------------------------------+   |
|   |                  TẦNG THUẬT TOÁN TỐI ƯU & HỌC MÁY                     |   |
|   |   - Thư viện: Python 3.x, NumPy, Pandas, Scikit-learn, pyDOE          |   |
|   |   - Thuật toán lõi: CaDE (Classifier-assisted Differential Evolution) |   |
|   |   - Bộ phân loại: AdaBoostClassifier (n_estimators=50, max_depth=1)   |   |
|   +-----------------------------------------------------------------------+   |
|                                       │                                       |
|                                       ▼                                       |
|   +-----------------------------------------------------------------------+   |
|   |               TẦNG PHÂN TÍCH KẾT CẤU MA TRẬN CHUYÊN DỤNG              |   |
|   |   - Module pyTruss (NCS phát triển):                                  |   |
|   |     + pyTruss2D: Phần tử giàn phẳng 4 bậc tự do                       |   |
|   |     + pyTruss3D: Phần tử giàn không gian 6 bậc tự do                  |   |
|   |   - Kiểm chứng chéo độc lập: SAP2000 v20 & Phương pháp giải tích      |   |
|   +-----------------------------------------------------------------------+   |
|                                       │                                       |
|                                       ▼                                       |
|   +-----------------------------------------------------------------------+   |
|   |                   TẦNG KIỂM TRA RÀNG BUỘC KỸ THUẬT                    |   |
|   |   - Tiêu chuẩn Việt Nam: TCVN 5575:2012 (Thép), TCVN 2737:1995 (Tải)  |   |
|   |   - Tiêu chuẩn Quốc tế : AISC 360-10, ASD Specification               |   |
|   +-----------------------------------------------------------------------+   |
|                                                                               |
+-------------------------------------------------------------------------------+

Quy trình nghiên cứu rigorous

Độ tin cậy và tính giá trị của công trình được bảo đảm thông qua các bước thực nghiệm nghiêm ngặt:

• Kiểm chứng phần mềm pyTruss: Kết quả tính toán của pyTruss được đối soát độc lập với phần mềm thương mại hàng đầu SAP2000 và phương pháp tách nút giải tích trên bài toán giàn phẳng 11 thanh và giàn không gian 15 thanh. Sai số tương đối giữa pyTruss và SAP2000 được ghi nhận bằng 0,0000% đối với cả chuyển vị nút và ứng suất thanh.
• Kỹ thuật thu thập và tiền xử lý dữ liệu: Trong quá trình huấn luyện học máy, kỹ thuật LHS được triển khai nhằm đảm bảo các điểm mẫu phân bố đồng đều trong toàn bộ không gian đa chiều của các biến tiết diện.
• Tránh hiện tượng rò rỉ dữ liệu (Data Leakage): Thiết lập pipeline xử lý tách biệt hoàn toàn giữa tập dữ liệu huấn luyện (Training Set) và tập dữ liệu kiểm tra (Testing Set).

Data và phân tích

Luận án tiến hành so sánh toàn diện 5 mô hình học máy: AdaBoost, Support Vector Machine (SVM với hàm nhân RBF), Cây quyết định (Decision Tree - DT), Rừng ngẫu nhiên (Random Forest - RF) và Mạng nơ-ron nhân tạo (Multilayer Perceptron - MLP).

Độ chính xác vượt trội của AdaBoost đạt được là nhờ cơ chế cập nhật trọng số mẫu $w_{t,i}$ tập trung vào các mẫu nằm sát biên giới hạn an toàn (boundary samples), giúp bộ phân loại xác định chuẩn xác các cấu hình kết cấu nguy hiểm tiềm tàng.

================================================================================
MA TRẬN HIỆU NĂNG TỐI ƯU HÓA: SO SÁNH THUẬT TOÁN GỐC DE VÀ PHƯƠNG PHÁP CaDE
================================================================================
Kết cấu khảo sát        Số biến   Trọng lượng tối ưu (kg)     Mức giảm FEA  Mức giảm CPU Time
                         thiết kế     DE           CaDE            (%)             (%)
────────────────────────────────────────────────────────────────────────────────
Giàn phẳng 10 thanh         10       2438,2       2438,2          18,6%           19,1%
Giàn không gian 25 thanh     8        220,1        220,1          24,5%           20,2%
Giàn không gian 72 thanh    16        176,8        176,8          31,2%           19,8%
Giàn phẳng 200 thanh        29       11526,4      11526,4         42,7%           20,1%
Tháp thép 160 thanh         38       1384,1       1384,1          48,9%           20,3%
Tháp thép 244 thanh         32       2819,6       2819,6          50,3%           20,0%
================================================================================

Phát hiện đột phá và implications

Những phát hiện then chốt

1. Khả năng tăng tốc tính toán vượt trội nhưng bảo toàn tính chính xác: Phương pháp CaDE đạt được nghiệm tối ưu trọng lượng hoàn toàn tương đồng với thuật toán gốc DE (sai số 0,00%), nhưng giúp cắt giảm từ 18,6% đến 50,3% tổng số lần phân tích kết cấu FEA và rút ngắn thời gian tính toán CPU từ 19,1% đến 20,3%. Đặc biệt, kết cấu có quy mô càng lớn và số lượng biến thiết kế càng nhiều (như bài toán tháp 244 thanh với 32 nhóm biến) thì tỷ lệ cắt giảm FEA càng chạm ngưỡng cực đại (50,3%).

2. Quy luật phân bố mẫu và hiện tượng thắt nút không gian nghiệm: Khảo sát dữ liệu chỉ ra rằng trong các bài toán kỹ thuật thực tế với biến rời rạc, tỷ lệ mẫu vi phạm điều kiện ràng buộc ($y = -1$) thường chiếm từ 70% đến 85% quần thể ban đầu. Cơ chế của CaDE cho phép loại bỏ ngay các cá thể vừa vi phạm ràng buộc vừa có trọng lượng không cải thiện ($W(u_i) \ge W(x_i)$) mà không cần phân tích phần tử hữu hạn, giải phóng đáng kể năng lực tính toán của hệ thống.

3. Tương quan hình học tối ưu cho kết cấu giàn mái thực tế:

   • Đối với giàn phẳng hình thang nhịp 24m: Hệ thanh bụng dạng tam giác kết hợp tỷ lệ chiều cao đầu giàn trên nhịp $h_1/L \approx 1/15 - 1/20$ mang lại hiệu quả sử dụng vật liệu cao nhất, giúp giảm trung bình 12% - 15% trọng lượng so với phương án giàn cánh song song thông thường.
   • Đối với giàn lưới không gian ba lớp 30×30m: Cấu trúc tinh thể lưới bố trí theo hai phương trực giao kết hợp chiều cao giàn $h \approx L/15 \approx 0,7 \times$ (khoảng cách nút) đem lại độ cứng tổng thể tối ưu. Việc phân chia trên 6 nhóm thanh giúp tận dụng tối đa khả năng chịu lực của vật liệu theo từng vùng ứng suất, giảm hơn 18% tổng khối lượng thép so với việc chia ít nhóm.

+-------------------------------------------------------------------------------+
|            TỔNG HỢP KHUYẾN NGHỊ THIẾT KẾ GIÀN MÁI THÉP TỐI ƯU                 |
+-------------------------------------------------------------------------------+
|                                                                               |
|   +-----------------------------------------------------------------------+   |
|   |                     KẾT CẤU GIÀN PHẲNG NHỊP 24M                      |   |
|   |  - Hình dạng hợp lý: Giàn hình thang, mái dốc nhẹ                     |   |
|   |  - Hệ thanh bụng   : Dạng tam giác (tiết kiệm thép nhất)              |   |
|   |  - Chiều cao đầu   : h1 = (1/15 đến 1/20) x L                         |   |
|   |  - Loại tiết diện  : Thép hộp vuông/chữ nhật cán nóng                |   |
|   +-----------------------------------------------------------------------+   |
|                                                                               |
|   +-----------------------------------------------------------------------+   |
|   |               KẾT CẤU GIÀN LƯỚI KHÔNG GIAN BA LỚP 30x30M              |   |
|   |  - Cấu trúc tinh thể: Trực giao hai phương                             |   |
|   |  - Chiều cao giàn  : h = L/15 = 2.0m (tương đương 0.7 khoảng cách nút)|   |
|   |  - Bố trí gối tựa  : Phân bố đều chu vi hoặc gối dạng phân nhánh (cây)|   |
|   |  - Phân nhóm thanh : Tối thiểu từ 6 nhóm thanh trở lên                |   |
|   |  - Loại tiết diện  : Thép ống tròn (tối ưu hóa độ mảnh mọi phương)   |   |
|   +-----------------------------------------------------------------------+   |
|                                                                               |
+-------------------------------------------------------------------------------+

Implications đa chiều

• Về mặt lý thuyết học thuật: Luận án thiết lập một trường phái tiếp cận mới: kết hợp mô hình phân loại học máy (Classification Surrogate) với các giải thuật meta-heuristic, mở đường cho việc nghiên cứu các giải thuật tối ưu hóa tiến hóa tăng tốc thế hệ mới trong cơ học tính toán.
• Về mặt phương pháp luận: Module mã nguồn mở pyTruss chứng minh tính khả thi của việc xây dựng các công cụ tính toán cơ học gọn nhẹ, dễ dàng nhúng trực tiếp vào các vòng lặp tối ưu phức tạp thay vì phải giao tiếp qua API cồng kềnh của các phần mềm thương mại.
• Về mặt thực tiễn kỹ thuật: Cung cấp cho các kỹ sư tư vấn thiết kế và nhà thầu xây dựng một quy trình 4 bước khép kín để tự động hóa thiết kế kết cấu thép, chuyển dịch từ phương pháp "thử và sai" cảm tính sang phương pháp tối ưu hóa tường minh.
• Về mặt chính sách và môi trường: Giảm thiểu từ 15% đến 25% khối lượng thép tiêu thụ trên mỗi công trình nhịp lớn, góp phần trực tiếp giảm phát thải khí nhà kính ($CO_2$) trong ngành sản xuất luyện kim, đáp ứng cam kết Net Zero và các tiêu chuẩn công trình xanh.

Limitations và Future Research

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

1. Giới hạn dạng biến thiết kế: Nghiên cứu mới chỉ tập trung sâu vào bài toán tối ưu hóa kích thước tiết diện rời rạc (sizing optimization), chưa kết hợp đồng thời với bài toán tối ưu hóa hình học vị trí nút (shape optimization) và tối ưu hóa cấu trúc liên kết thanh (topology optimization).
2. Giới hạn loại hình kết cấu: Đối tượng khảo sát thuần túy là kết cấu thanh giàn chịu lực dọc trục (truss elements), chưa mở rộng sang các hệ chịu uốn - xoắn phức tạp như kết cấu khung nhiều tầng (rigid frames), kết cấu tấm vỏ (plates & shells) hoặc kết cấu liên hợp thép - bê tông cốt thép.
3. Giả thiết phi tuyến: Phân tích cơ học vẫn dựa trên ứng xử đàn hồi tuyến tính hình học và vật liệu, chưa xét đến các hiệu ứng phi tuyến hình học bậc hai ($P-\Delta$, $P-\delta$) và phi tuyến vật liệu dẻo dưới tác động của tải trọng động lực học hoặc động đất.

Chương trình nghiên cứu tiếp theo (Future Research Agenda):

• Mở rộng thuật toán CaDE sang các thuật toán tối ưu hóa tiên tiến không tham số như Jaya, Rao-1, Rao-2, Rao-3.
• Xây dựng mô hình học máy dạng hồi quy sâu (Deep Regression) có tính kế thừa tri thức: dự đoán trực tiếp phương án tiết diện tối ưu từ tập dữ liệu tải trọng và hình học ban đầu mà không cần chạy lại toàn bộ tiến trình tối ưu từ đầu (đã thử nghiệm sơ bộ đạt $R^2 > 0,98$).
• Tích hợp kiểm tra tự động liên kết nút giàn (joint connections) theo mô hình 3D BIM.

Tác động và ảnh hưởng

• Tác động học thuật (Academic Impact): Các kết quả cốt lõi của luận án đã được công bố trên 10 công trình khoa học uy tín, bao gồm các bài báo trên các tạp chí quốc tế thuộc danh mục ISI/Scopus (Q1/Q2) như Computer Modeling in Engineering & Sciences, Frattura ed Integrità Strutturale, Journal of Soft Computing in Civil Engineering, cùng hệ thống các tạp chí chuyên ngành hàng đầu trong nước.
• Tác động ngành công nghiệp (Industry Transformation): Chuyển đổi số công tác thiết kế kết cấu tại các công ty tư vấn, doanh nghiệp kết cấu thép tiền chế, giảm thời gian thiết kế từ nhiều tuần xuống vài giờ tính toán tự động.
• Lợi ích xã hội và môi trường: Tiết kiệm hàng nghìn tấn thép nguyên liệu mỗi năm, giảm chi phí đầu tư xây dựng các công trình công cộng vượt nhịp lớn như nhà thi đấu thể thao, nhà ga sân bay, nhà xưởng công nghiệp nặng.

Đối tượng hưởng lợi

• Nghiên cứu sinh & Nhà khoa học: Tiếp cận khung phương pháp luận lai ghép giữa Trí tuệ Nhân tạo và Cơ học Xây dựng, khai thác mã nguồn thực thi pyTruss và CaDE làm nền tảng phát triển các thuật toán nâng cao.
• Kỹ sư Kết cấu Thực hành: Sở hữu bộ cẩm nang khuyến nghị định lượng chính xác về tỷ lệ kích thước hình học, cách phân chia nhóm thanh và sơ đồ gối tựa tối ưu cho các hệ giàn thực tế.
• Chủ đầu tư & Tổng thầu EPC: Giảm giá thành xây dựng kết cấu từ 10% đến 20%, tăng tốc độ hoàn thiện hồ sơ thiết kế kỹ thuật, nâng cao năng lực cạnh tranh đấu thầu.
• Cơ quan Quản lý & Quy chuẩn: Cung cấp cơ sở khoa học thực nghiệm để hoàn thiện các hướng dẫn thiết kế công trình xanh và quy chuẩn thiết kế kết cấu tiết kiệm năng lượng.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đóng góp độc đáo nhất là việc tái định nghĩa bài toán lọc nghiệm trong thuật toán Tiến hóa Vi phân thông qua việc tích hợp bộ phân loại nhị phân thích ứng AdaBoost (AdaBoost Binary Classifier). Thay vì ước lượng xấp xỉ hàm mục tiêu liên tục, luận án chuyển hóa bài toán kiểm tra ràng buộc cơ học thành bài toán phân loại trạng thái an toàn, thiết lập cơ chế loại bỏ sớm (early rejection) các cá thể không khả thi mà không cần phân tích phần tử hữu hạn.

2. Điểm cải tiến phương pháp luận so với các nghiên cứu tiền nhiệm? So với các nghiên cứu của Charalampakis (2016) hay Georgioudakis và Plevris (2020) vốn chỉ khảo sát các biến thể DE thuần túy, phương pháp CaDE của luận án tạo ra bước nhảy vọt về hiệu năng: giảm tới 50,3% số lần giải hệ phương trình độ cứng toàn cục $[K]{U} = {F}$, đồng thời khắc phục triệt để nhược điểm sai số tích lũy của các mô hình mạng nơ-ron hồi quy (Surrogate Regression) từng được nghiên cứu trước đây.

3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì? Phát hiện bất ngờ nhất là trong bài toán tối ưu hóa tháp truyền tải điện 244 thanh với 32 nhóm biến, việc cắt giảm hơn một nửa (50,3%) số lần phân tích cơ học hoàn toàn không làm suy giảm chất lượng nghiệm tối ưu. Nghiệm trọng lượng tìm được bởi CaDE đạt 2819,6 kg, chính xác tuyệt đối so với thuật toán gốc DE nhưng tiết kiệm hơn 20% tổng thời gian vận hành CPU.

4. Luận án có cung cấp quy trình nhân bản (Replication Protocol) không? Có. Luận án cung cấp đầy đủ mã nguồn thực thi chi tiết trong phần phụ lục bằng ngôn ngữ Python: module phân tích kết cấu pyTruss2D, pyTruss3D, mã thực thi thuật toán chuẩn DE và thuật toán đề xuất CaDE tích hợp với thư viện Scikit-learn và pyDOE, đi kèm toàn bộ danh mục thông số tiết diện thực tế.

5. Tầm nhìn nghiên cứu 10 năm tiếp theo được định hình như thế nào? Đó là xây dựng hệ thống "Thiết kế kết cấu tự trị dựa trên dữ liệu lớn" (Data-driven Autonomous Structural Design), nơi các mô hình học sâu kết hợp mạng đồ thị (Graph Neural Networks - GNN) có khả năng học từ hàng triệu thiết kế trong quá khứ để tự động sinh ra giải pháp kết cấu không gian tối ưu tức thì cho bất kỳ mặt bằng kiến trúc phức tạp nào.

Kết luận

1. Luận án đã giải quyết thành công điểm nghẽn tính toán lớn nhất trong thiết kế tối ưu kết cấu thép thông qua việc đề xuất phương pháp lai ghép đột phá CaDE (Classifier-assisted Differential Evolution).
2. Chương trình phân tích kết cấu ma trận chuyên dụng pyTruss được phát triển thành công bằng Python, đạt độ chính xác 100% khi so sánh với phần mềm tiêu chuẩn công nghiệp SAP2000.
3. Mô hình AdaBoost được chứng minh là công cụ phân loại tối ưu nhất cho bài toán an toàn kết cấu giàn, đạt độ chính xác từ 95,4% đến 98,2% và ROC-AUC tiệm cận tuyệt đối (0,985 - 0,996).
4. Phương pháp CaDE giúp giảm 18,6% - 50,3% số lần phân tích kết cấu và rút ngắn 19,1% - 20,3% thời gian tính toán thực tế, duy trì độ hội tụ chính xác tương đương giải thuật gốc.
5. Quy trình thiết kế tối ưu 4 bước đã được kiểm chứng thực tế trên hệ giàn phẳng hình thang 24m và giàn lưới không gian ba lớp 30×30m, đúc kết hệ thống khuyến nghị tham số chuẩn mực cho kỹ sư xây dựng.
6. Nghiên cứu mở ra hướng đi tiên phong trong việc tích hợp Trí tuệ Nhân tạo vào Cơ học Công trình, tạo nền tảng chuyển dịch số toàn diện cho ngành công nghiệp xây dựng hiện đại.