Luận án: Phương pháp học máy cho thiết kế tàu mẫu nhỏ - Dương Vân Bay

Tổng quan về luận án

Luận án tiến sĩ "Nghiên cứu phương pháp thiết kế hình dáng vỏ tàu sử dụng học máy với kích thước mẫu nhỏ" của Dương Vân Phi, dưới sự hướng dẫn của Phó Giáo sư Tôn Giang Long tại Đại học Khoa học và Công nghệ Hoa Trung, đại diện cho một bước đột phá đáng kể trong lĩnh vực kỹ thuật hàng hải. Nghiên cứu này được tiến hành trong bối cảnh các vấn đề năng lượng ngày càng gay gắt và sự ra đời của các chính sách tiết kiệm năng lượng, giảm phát thải, thúc đẩy mạnh mẽ sự phát triển của công nghệ tàu xanh và đổi mới thiết kế vỏ tàu. Mặc dù các phương pháp thiết kế truyền thống dựa trên tàu mẹ hoặc dữ liệu dòng tàu đã phát triển nhờ công nghệ máy tính, hiệu quả thiết kế vẫn bị hạn chế bởi tốc độ và độ chính xác của dự báo hiệu suất tàu. Các quy trình thiết kế hiện tại thường tuần tự, tốn thời gian, và phụ thuộc nhiều vào kinh nghiệm của nhà thiết kế, dẫn đến thiếu sự đổi mới.

Research Gap SPECIFIC với citations từ literature: Nghiên cứu này giải quyết một khoảng trống đáng kể trong tài liệu học thuật hiện có về ứng dụng học máy trong thiết kế vỏ tàu, đặc biệt là dưới điều kiện kích thước mẫu dữ liệu nhỏ (small sample size). Các nghiên cứu trước đây về dự báo lực cản của tàu bằng học máy chủ yếu dựa trên dữ liệu từ các dòng tàu lớn, bỏ qua các tình huống thực tế khi "thiếu dữ liệu hoạt động thực tế của tàu" ("缺少基于实际运营船舶数据的研究"). Như luận án đã nêu rõ, "khi số lượng mẫu tàu khả dụng ít, thiếu nghiên cứu về độ tin cậy của mô hình học máy và độ chính xác dự báo trong điều kiện mẫu nhỏ" ("当可供使用的船舶样本数量较少时，缺乏对小样本数据下机器学习模型预报可靠性的研究"). Hơn nữa, có sự thiếu hụt trong việc "xây dựng các mô hình dự báo lực cản chính xác thông qua cấu trúc mô hình học máy" và "thiếu nghiên cứu hướng dẫn về xây dựng mô hình dự báo lực cản" ("对如何通过机器学习模型结构构建精确的阻力预报模型的研究不足，缺乏对阻力预报模型构建的指导性研究"). Cuối cùng, luận án chỉ ra rằng "tư duy thiết kế vỏ tàu vẫn chưa thay đổi, vẫn tuân theo quy trình thiết kế truyền thống" ("船型设计思路没有改变，仍遵循传统的设计流程"), một quy trình "độc lập với các thông số vỏ tàu và dữ liệu hiệu suất tàu hiện có, chưa tận dụng tối đa dữ liệu tàu" ("独立于已有船型参数和船舶性能的数据，没有实现对船舶数据的充分利用").

Research questions và hypotheses: Luận án tập trung vào các câu hỏi nghiên cứu chính:

1. Làm thế nào để xây dựng các mô hình học máy đáng tin cậy và chính xác để dự báo lực cản của tàu trong điều kiện kích thước mẫu nhỏ?
2. Phương pháp biểu diễn hình dáng vỏ tàu nào (tham số vỏ tàu hay điểm hình dáng) là tối ưu cho việc dự báo lực cản bằng học máy với mẫu nhỏ?
3. Làm thế nào để đổi mới quy trình thiết kế vỏ tàu bằng cách tích hợp các kỹ thuật học máy tiên tiến, đặc biệt là mạng nơ-ron tạo sinh, để giảm sự phụ thuộc vào tài nguyên tính toán và rút ngắn chu trình thiết kế?
4. Có thể tối ưu hóa thiết kế đường hình mũi tàu bằng cách kết hợp học máy và mô phỏng CFD để đạt được hiệu suất lực cản tốt nhất không?

Các giả thuyết nghiên cứu chính bao gồm: H1: Một phương pháp đánh giá mô hình học máy cải tiến dưới mẫu nhỏ có thể nâng cao đáng kể độ tin cậy và độ chính xác dự báo. H2: Việc sử dụng tham số vỏ tàu phi thứ nguyên làm đầu vào cho mô hình dự báo lực cản mẫu nhỏ sẽ mang lại kết quả dự báo tốt hơn. H3: Các mô hình học máy tổng hợp (ensemble learning) và học chuyển giao (transfer learning) có thể giải quyết hiệu quả vấn đề mẫu nhỏ trong dự báo lực cản của tàu, cho phép dự báo chính xác ngay cả với dữ liệu tàu không cùng loại. H4: Phương pháp thiết kế vỏ tàu mới dựa trên mạng nơ-ron tạo sinh có thể phá vỡ quy trình thiết kế truyền thống, tạo ra các tham số vỏ tàu đáp ứng điều kiện lực cản nhất định một cách nhanh chóng và chính xác. H5: Tối ưu hóa đường hình mũi tàu bằng cách tích hợp mạng nơ-ron học tổng hợp và chiến lược tiến hóa có thể đạt được hiệu suất lực cản giảm đáng kể.

Theoretical framework với tên theories cụ thể: Nghiên cứu này được xây dựng trên một nền tảng lý thuyết vững chắc, tích hợp nhiều lĩnh vực. Trọng tâm là Lý thuyết học máy (Machine Learning Theory), đặc biệt là các thuật toán như Mạng nơ-ron lan truyền ngược (Back Propagation Neural Network - BPNN), Mạng nơ-ron hàm cơ sở xuyên tâm (Radial Basis Function Neural Network - RBFNN), Máy vectơ hỗ trợ (Support Vector Machine - SVM), Rừng ngẫu nhiên (Random Forest - RF), và Cây tăng cường gradient cực trị (Extreme Gradient Boosting - XGBoost). Đối với vấn đề mẫu nhỏ, luận án dựa trên Lý thuyết học tổng hợp (Ensemble Learning), đặc biệt là kỹ thuật Stacking, và Lý thuyết học chuyển giao (Transfer Learning) để tận dụng kiến thức từ các miền dữ liệu khác nhau. Một đóng góp lý thuyết quan trọng là việc áp dụng Lý thuyết mạng nơ-ron tạo sinh (Generative Neural Networks), cụ thể là Bộ tự mã hóa biến phân có điều kiện (Conditional Variational Autoencoder - CVAE), để tạo ra các thiết kế vỏ tàu mới. Trong lĩnh vực thủy động lực học, nghiên cứu sử dụng Phương pháp phân loại lực cản Froude làm cơ sở phân tích lực cản, phân tách tổng lực cản thành lực cản ma sát và lực cản còn lại. Lực cản ma sát được tính toán dựa trên công thức ITTC-1957, một tiêu chuẩn quốc tế cho dự báo hiệu suất tàu. Các kỹ thuật tối ưu như Chiến lược tiến hóa (Evolution Strategies) và Tìm kiếm lưới (Grid Search) được sử dụng để điều chỉnh siêu tham số và tối ưu hóa thiết kế.

Đóng góp đột phá với quantified impact: Luận án mang lại nhiều đóng góp đột phá:

1. Phương pháp đánh giá mô hình học máy mẫu nhỏ tiên tiến: Đề xuất một phương pháp đánh giá mô hình học máy cải tiến dựa trên kỹ thuật K-fold cross-validation, bao gồm cơ chế bỏ phiếu để loại bỏ các mô hình được đào tạo không chính xác. "Việc sử dụng phương pháp K-fold cross-validation cải tiến có thể nâng cao độ chính xác dự báo của mô hình dưới mẫu nhỏ, phản ánh hiệu suất mô hình chân thực hơn và cải thiện độ tin cậy trong đánh giá mô hình" (Trích dẫn: "使用改进的 K 折交叉验证方法可以提高小样本下模型的预报精度，反映了更加真实的模型表现，提高了模型评估的可靠性。").
2. Ứng dụng học chuyển giao cho dự báo lực cản đa loại tàu: Giải quyết thành công vấn đề thiếu dữ liệu mẫu bằng cách sử dụng học chuyển giao để xây dựng các mô hình dự báo lực cản dựa trên dữ liệu tàu loại khác hoặc công thức kinh nghiệm hiện có, cho phép "dự báo lực cản chính xác" (Trích dẫn: "实现了船舶阻力准确预报.").
3. Phương pháp tối ưu hóa đường hình mũi tàu định lượng: Phát triển một phương pháp tối ưu hóa đường hình mũi tàu dựa trên mạng nơ-ron học tổng hợp và chiến lược tiến hóa, đạt được "giảm tổng lực cản của tàu đã tối ưu là 2.924%" (Trích dẫn: "优化后的船舶总阻力降低了 2.924%.").
4. Phương pháp thiết kế vỏ tàu tạo sinh đột phá: Đề xuất một phương pháp thiết kế vỏ tàu mới dựa trên mạng nơ-ron tạo sinh (CVAE), phá vỡ tư duy thiết kế truyền thống. Phương pháp này "giảm sự phụ thuộc vào tài nguyên tính toán và rút ngắn chu kỳ thiết kế, nâng cao hiệu quả thiết kế" (Trích dẫn: "降低了船型设计对计算资源的依赖，缩短了设计周期，提高了设计效率."). Nó có khả năng tạo ra các tham số vỏ tàu dưới điều kiện lực cản cho trước, thay vì chỉ dự báo hoặc tối ưu hóa.

Scope (sample size, timeframe) và significance: Phạm vi nghiên cứu bao gồm 407 bộ dữ liệu thử nghiệm mô hình và mô phỏng CFD từ bảy tàu (sáu tàu container: 1100-TEU, 4250-TEU, 4700-TEU, 9000-TEU, 13500-TEU, KCS và một tàu chở hàng rời 47500-dwt). Các dữ liệu này được thu thập từ thử nghiệm tại bể kéo tàu của Đại học Khoa học và Công nghệ Hoa Trung và dữ liệu công khai từ hội nghị thủy động lực học (KCS). Nghiên cứu kéo dài cho đến tháng 5 năm 2022 (ngày bảo vệ luận án). Nghiên cứu này có ý nghĩa to lớn đối với ngành đóng tàu và hàng hải. Nó không chỉ cung cấp các phương pháp chính xác và hiệu quả hơn để dự báo lực cản của tàu và tối ưu hóa đường hình, mà còn mở ra một con đường mới cho thiết kế vỏ tàu bằng cách chuyển từ quy trình lặp đi lặp lại sang quy trình tạo sinh dựa trên dữ liệu. Điều này có thể đẩy nhanh đáng kể chu kỳ thiết kế, giảm chi phí tính toán và thúc đẩy sự phát triển của các thiết kế tàu xanh, tiết kiệm năng lượng.

Literature Review và Positioning

Phần tổng quan tài liệu của luận án cung cấp một cái nhìn sâu sắc về các phương pháp dự báo lực cản và thiết kế vỏ tàu hiện có, bao gồm các phương pháp truyền thống và ứng dụng học máy đang nổi lên. Điều này giúp định vị rõ ràng những đóng góp độc đáo của nghiên cứu.

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Nghiên cứu tóm tắt ba phương pháp dự báo lực cản chính:

1. Phương pháp thử nghiệm mô hình tàu (Ship Model Experiment Method): Được William Froude đề xuất ban đầu, đây là phương pháp đáng tin cậy và chính xác cao, thường được sử dụng để xác minh cuối cùng thiết kế [10]. Tuy nhiên, nó "tốn thời gian và chi phí cao" (Trích dẫn: "船模试验法耗时长、成本高"). Các nghiên cứu về phân tích độ không đảm bảo của phương pháp này đã được thực hiện bởi Nikolov và cộng sự [12], Trương Lập và cộng sự [13], cũng như Liu và cộng sự [14].
2. Phương pháp ước tính tham số (Parameter Estimation Method): Phát triển từ dữ liệu thử nghiệm mô hình và dữ liệu tàu thực, bao gồm các biểu đồ dòng tiêu chuẩn (Taylor Series, BSRA Series [15], Series 60 [16], SSPA Series [17]) và các công thức ước tính dựa trên hồi quy (ví dụ: công thức của Holtrop & Mennen [23,24], Guldhammer & Harvald [25], Hollenbach [26]). Phương pháp này "nhanh chóng, nhưng độ chính xác dự báo khó kiểm soát" (Trích dẫn: "参数估算法速度快，但预报精度难以控制"). Các nghiên cứu của Liu Quế Kiệt và cộng sự [37] đã chỉ ra sai số đáng kể (10%-40%) khi so sánh với thử nghiệm mô hình, và Wang Nam và cộng sự [38] cũng báo cáo sai số 10%-30% với phương pháp Holtrop & Mennen cho các loại tàu khác nhau.
3. Phương pháp mô phỏng số CFD (CFD Numerical Simulation Method): Phương pháp này đã được ứng dụng rộng rãi nhờ sự phát triển của công nghệ máy tính. Các nghiên cứu của Guo và cộng sự [60], Sun và cộng sự [61], Farkas và cộng sự [62], Terziev và cộng sự [63], Niklas và cộng sự [64], Song và cộng sự [65] đã chứng minh hiệu quả của CFD. Hino [66] thậm chí còn cho rằng CFD đã trở thành một giải pháp thay thế khả thi cho thử nghiệm mô hình. Tuy nhiên, CFD yêu cầu "tài nguyên máy tính cao và tốn nhiều thời gian" (Trích dẫn: "CFD 数值仿真技术对计算机资源要求较高."). Wu Thành Thắng và cộng sự [68], Wang và cộng sự [69], Islam và cộng sự [70] đã phân tích các yếu tố không chắc chắn trong mô phỏng CFD.

Ứng dụng học máy trong dự báo lực cản: Luận án cũng tổng hợp các nghiên cứu về ứng dụng học máy như một phương tiện dự báo thay thế. Các tác giả như Bành Nham và cộng sự [74], Tào Vi Ngọ và cộng sự [75], Mason và cộng sự [76] đã sử dụng Mạng nơ-ron lan truyền ngược (BPNN). Cepowski và cộng sự [77,94] đã áp dụng Mạng nơ-ron nhân tạo (ANN) cho nhiều vấn đề liên quan. Xiao Chấn Nghiệp và cộng sự [84] cùng Feng Bách Uy và cộng sự [86] đã nghiên cứu Máy vectơ hỗ trợ (SVM). Các phương pháp tiên tiến hơn như Mạng nơ-ron học sâu (Deep Learning Neural Network) đã được Yu và cộng sự [89], Tang Giai Mẫn [91] và Ao và cộng sự [130] áp dụng. Các nghiên cứu về học tổng hợp (Ensemble Learning) như phương pháp Stacking đã được Phó Vạn Khiêm và cộng sự [92] khám phá.

Contradictions/debates với ít nhất 2 opposing views: Tài liệu chỉ ra mâu thuẫn chính giữa "tốc độ" và "độ chính xác" trong dự báo lực cản.

• Tốc độ cao nhưng độ chính xác thấp: Phương pháp ước tính tham số (Parameter Estimation Method) cung cấp kết quả nhanh chóng, nhưng "độ chính xác dự báo không cao" (Trích dẫn: "其预报结果受数据样本的影响较大，且预报精度不高."). Các nghiên cứu của Liu Quế Kiệt và cộng sự [37] và Wang Nam và cộng sự [38] đã chỉ ra sai số lên đến 10-40% so với dữ liệu thực nghiệm. Điều này mâu thuẫn với yêu cầu về độ chính xác cao trong thiết kế tàu.
• Độ chính xác cao nhưng tốn kém/chậm: Ngược lại, thử nghiệm mô hình tàu và mô phỏng CFD cung cấp độ chính xác cao, nhưng "tốn thời gian, chi phí cao" (thử nghiệm mô hình) hoặc "yêu cầu tài nguyên máy tính cao và tốn thời gian" (CFD) (Trích dẫn: "船模试验法耗时长、成本高", "CFD 数值仿真法对计算机资源要求较高，耗时较长"). Sự mâu thuẫn này tạo ra một thách thức lớn trong việc tìm kiếm một phương pháp cân bằng giữa tốc độ và độ chính xác, đặc biệt trong các giai đoạn thiết kế sớm. Một cuộc tranh luận khác là liệu các mô hình học máy cơ bản (như BPNN) có đủ để giải quyết các vấn đề phức tạp trong thiết kế vỏ tàu hay cần các phương pháp tiên tiến hơn (như học sâu, học tổng hợp, học chuyển giao). Luận án chỉ ra rằng "trong ứng dụng mô hình học máy, nghiên cứu ứng dụng các mô hình học máy cơ bản, đặc biệt là BPNN và RBFNN, rõ ràng nhiều hơn so với các thuật toán học sâu, học tổng hợp" ("有关基础机器学习模型，特别是 BPNN，RBFNN 的应用研究明显多于深度学习、集成学习等算法."). Điều này cho thấy một sự chênh lệch trong việc khám phá toàn bộ tiềm năng của học máy tiên tiến.

Positioning trong literature với specific gap identified: Luận án định vị mình bằng cách trực tiếp giải quyết ba khoảng trống được xác định trước đó:

1. Vấn đề kích thước mẫu nhỏ: Thay vì chỉ dựa vào dữ liệu dòng tàu lớn, nghiên cứu tập trung vào việc phát triển "các phương pháp đánh giá mô hình học máy dưới mẫu nhỏ" (Trích dẫn: "提出了小样本下机器学习模型评估方法") và áp dụng "học chuyển giao" để dự báo lực cản với "dữ liệu tàu loại khác" (Trích dẫn: "采用迁移学习构建了基于不同类型船舶阻力预报模型").
2. Thiếu hướng dẫn xây dựng mô hình học máy: Luận án cung cấp "hướng dẫn quan trọng cho việc ứng dụng học máy trong lĩnh vực tàu" (Trích dẫn: "为机器学习在船舶领域的应用提供重要的指导") thông qua việc phân tích chuyên sâu về các yếu tố ảnh hưởng, phương pháp biểu diễn vỏ tàu và chiến lược xây dựng mô hình (chương 2, 3, 4).
3. Tư duy thiết kế vỏ tàu truyền thống: Nghiên cứu phá vỡ tư duy này bằng cách đề xuất một "phương pháp thiết kế vỏ tàu mới dựa trên mạng nơ-ron tạo sinh" (Trích dẫn: "提出了基于生成式神经网络的船型设计新方法"), chuyển từ tối ưu hóa lặp lại sang tạo sinh trực tiếp các tham số vỏ tàu.

How this advances field với concrete contributions: Nghiên cứu này thúc đẩy lĩnh vực thiết kế vỏ tàu bằng cách:

• Cải thiện độ tin cậy và chính xác dự báo lực cản trong điều kiện dữ liệu hạn chế: Đây là một rào cản lớn đối với việc áp dụng ML trong ngành, nơi dữ liệu thử nghiệm rất tốn kém.
• Mở rộng khả năng của học máy để xử lý các loại tàu đa dạng: Học chuyển giao cho phép mô hình học từ dữ liệu sẵn có để áp dụng cho các tàu mới, không cần thu thập lại toàn bộ dữ liệu.
• Giới thiệu một phương pháp thiết kế vỏ tàu hoàn toàn mới: Mạng nơ-ron tạo sinh có tiềm năng cách mạng hóa giai đoạn thiết kế ban đầu, cho phép khám phá không gian thiết kế nhanh hơn và ít tốn kém hơn.
• Cung cấp một khung phân tích toàn diện: Từ cách biểu diễn dữ liệu đến đánh giá mô hình và tối ưu hóa siêu tham số, nghiên cứu này đưa ra một lộ trình chi tiết cho các ứng dụng ML trong thiết kế hàng hải.

So sánh với ÍT NHẤT 2 international studies:

1. So sánh với Holtrop & Mennen [23,24]: Phương pháp Holtrop & Mennen là một trong những công thức ước tính lực cản được sử dụng rộng rãi nhất trên thế giới. Tuy nhiên, luận án chỉ ra rằng "với sự phát triển đổi mới trong thiết kế vỏ tàu, đặc biệt là sự xuất hiện của các tàu mũi bulb có hệ số khối lớn, các tham số vỏ tàu hiện có đã vượt quá phạm vi áp dụng của phương pháp ước tính tham số" (Trích dẫn: "现有船舶的船型参数已经超出了参数估算法的适用范围 [39,40]"). Các nghiên cứu của Wang Nam và cộng sự [38] đã chỉ ra sai số đáng kể (10-30%) cho các loại tàu khác nhau. Nghiên cứu hiện tại vượt trội hơn bằng cách sử dụng các mô hình học máy tự học từ dữ liệu thực tế và có khả năng thích ứng cao hơn với các hình dạng vỏ tàu mới và phức tạp, đặc biệt thông qua việc sử dụng tham số vỏ tàu phi thứ nguyên và các mô hình học máy tiên tiến.
2. So sánh với Simulation-Based Design (SBD) [110,111] và các nghiên cứu của Koushan [112], Feng Bách Uy và cộng sự [113]: SBD là một phương pháp thiết kế và tối ưu hóa vỏ tàu phổ biến, kết hợp mô phỏng thủy động lực học, biểu diễn bề mặt tàu và thuật toán tối ưu. Các nghiên cứu này vẫn theo tư duy tối ưu hóa lặp lại. Luận án này, đặc biệt với việc giới thiệu phương pháp thiết kế vỏ tàu dựa trên mạng nơ-ron tạo sinh, đã phá vỡ hoàn toàn "quy trình thiết kế truyền thống" (Trích dẫn: "突破了传统的船型设计思路"). Thay vì lặp lại để tìm kiếm giải pháp tối ưu trong một không gian thiết kế được xác định trước, phương pháp tạo sinh trực tiếp tạo ra các giải pháp thiết kế mới dựa trên các điều kiện mong muốn, mở ra khả năng khám phá các hình dáng vỏ tàu hoàn toàn mới và tiềm năng chưa được khai thác.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tiến sĩ này đóng góp đáng kể vào các lý thuyết hiện có trong học máy và kỹ thuật hàng hải, đồng thời thách thức một số giả định truyền thống.

• Extend/challenge WHICH specific theories (name theorists):

  • Thách thức lý thuyết về dữ liệu lớn trong Học máy (Big Data Paradigm in Machine Learning): Mặc dù học máy thường phát huy hiệu quả tốt nhất với lượng dữ liệu lớn, luận án thách thức quan niệm này bằng cách tập trung vào "vấn đề kích thước mẫu nhỏ" (Trích dẫn: "小样本下机器学习模型预报可靠性差"). Nó mở rộng ứng dụng của học máy vào các lĩnh vực có dữ liệu hạn chế, như thiết kế vỏ tàu, nơi việc thu thập dữ liệu thử nghiệm mô hình rất tốn kém và mất thời gian. Điều này mở ra một hướng nghiên cứu quan trọng về "Small Data Machine Learning" hoặc "Few-Shot Learning" trong bối cảnh kỹ thuật, điều mà nhiều nghiên cứu học máy chưa tập trung sâu.
  • Mở rộng Lý thuyết học tổng hợp (Ensemble Learning Theory): Luận án đã mở rộng ứng dụng của học tổng hợp (đặc biệt là Stacking) trong việc cải thiện độ chính xác dự báo lực cản cho tàu, đặc biệt khi dữ liệu mẫu ít. Nó chứng minh rằng kết hợp nhiều mô hình cơ sở có thể vượt trội hơn các mô hình đơn lẻ trong việc xử lý sự phức tạp và nhiễu của dữ liệu kỹ thuật hàng hải.
  • Mở rộng Lý thuyết học chuyển giao (Transfer Learning Theory): Nghiên cứu này mở rộng ứng dụng của học chuyển giao bằng cách chứng minh khả năng chuyển đổi kiến thức giữa các loại tàu khác nhau hoặc từ các công thức kinh nghiệm hiện có để dự báo lực cản. Điều này đặc biệt có giá trị khi "thiếu dữ liệu mẫu cho dự báo lực cản tàu" (Trích dẫn: "针对船舶阻力预报数据样本少的问题"), cho phép khai thác hiệu quả các tập dữ liệu đa dạng.
  • Thách thức mô hình thiết kế tối ưu hóa lặp lại (Iterative Optimization Design Paradigm): Bằng cách giới thiệu Mạng nơ-ron tạo sinh có điều kiện (Conditional Variational Autoencoder - CVAE), luận án thách thức mô hình thiết kế dựa trên tối ưu hóa đã được ứng dụng rộng rãi trong các nghiên cứu trước đây (ví dụ: Simulation-Based Design của Koushan [112], Feng Bách Uy và cộng sự [113]). Thay vì lặp lại các phép tính mô phỏng để tìm kiếm giải pháp tối ưu, CVAE cho phép trực tiếp tạo ra các tham số vỏ tàu dựa trên các điều kiện lực cản mong muốn. Đây là một sự thay đổi từ "phân tích dự báo" sang "thiết kế tạo sinh", có khả năng "phá vỡ tư duy thiết kế vỏ tàu truyền thống" (Trích dẫn: "突破了传统的船型设计思路").

• Conceptual framework với components và relationships: Khung phân tích của luận án xoay quanh mối quan hệ giữa Hình dáng vỏ tàu (Hull Form), Lực cản của tàu (Ship Resistance), và Học máy (Machine Learning), với trọng tâm là giải quyết vấn đề mẫu nhỏ. Các thành phần chính bao gồm:

  • Đầu vào: Tham số hình dáng vỏ tàu (ví dụ: Lwl, B, T, Cb, Cp, Cwp) hoặc điểm hình dáng vỏ tàu (offset values), số Froude (Fn).
  • Bộ xử lý/Mô hình: Các mô hình học máy (BPNN, RBFNN, SVM, RF, XGBoost), mô hình học tổng hợp (Ensemble Learning), mô hình học chuyển giao (Transfer Learning), và đặc biệt là mô hình mạng nơ-ron tạo sinh (CVAE).
  • Đầu ra: Dự báo lực cản còn lại (Rr) hoặc tổng lực cản (Rt), tham số hình dáng vỏ tàu được tối ưu hóa, hoặc tham số vỏ tàu được tạo sinh. Mối quan hệ chính là việc xây dựng các ánh xạ phi tuyến tính từ đầu vào đến đầu ra thông qua các mô hình học máy, đồng thời đảm bảo độ tin cậy và chính xác dưới điều kiện mẫu nhỏ bằng cách tối ưu hóa phương pháp đánh giá và sử dụng các chiến lược học máy tiên tiến.

• Theoretical model với propositions/hypotheses numbered: Mô hình lý thuyết được đề xuất có thể được biểu diễn như sau: Proposition 1: Độ tin cậy và độ chính xác của các mô hình học máy trong dự báo lực cản của tàu dưới kích thước mẫu nhỏ có thể được cải thiện đáng kể thông qua một phương pháp đánh giá mô hình cải tiến dựa trên K-fold cross-validation và cơ chế bỏ phiếu loại bỏ mô hình không chính xác. Proposition 2: Việc sử dụng tham số vỏ tàu phi thứ nguyên làm đầu vào cho các mô hình học máy sẽ cải thiện độ chính xác dự báo lực cản so với tham số có thứ nguyên. Proposition 3: Học tổng hợp (ví dụ: Stacking) và học chuyển giao có khả năng khắc phục giới hạn của mẫu nhỏ bằng cách tận dụng dữ liệu từ các loại tàu tương tự hoặc khác nhau, mang lại dự báo lực cản chính xác hơn so với các mô hình học máy cơ bản đơn lẻ. Proposition 4: Mô hình mạng nơ-ron tạo sinh (CVAE) có thể trực tiếp tạo ra các tham số vỏ tàu đáp ứng các điều kiện lực cản mong muốn, từ đó cách mạng hóa quy trình thiết kế ban đầu bằng cách giảm sự phụ thuộc vào các quy trình tối ưu hóa lặp lại. Proposition 5: Tối ưu hóa đường hình mũi tàu bằng cách kết hợp kỹ thuật biến dạng bề mặt RBF, mô phỏng CFD, mạng nơ-ron học tổng hợp và chiến lược tiến hóa có thể dẫn đến việc giảm lực cản định lượng được.

• Paradigm shift với EVIDENCE từ findings: Luận án đề xuất một sự thay đổi mô hình (paradigm shift) từ thiết kế dựa trên tối ưu hóa lặp lại (iterative optimization-based design) sang thiết kế tạo sinh dựa trên dữ liệu (data-driven generative design) cho giai đoạn thiết kế vỏ tàu ban đầu. Bằng chứng: Luận án trình bày "một phương pháp thiết kế vỏ tàu mới dựa trên mạng nơ-ron tạo sinh" (Trích dẫn: "本文第六部分提出了基于生成式神经网络的船型设计新方法."). Phương pháp này "phá vỡ tư duy thiết kế vỏ tàu truyền thống" và "giảm sự phụ thuộc của thiết kế vỏ tàu vào tài nguyên tính toán" (Trích dẫn: "突破了传统的船型设计思路，降低了船型设计对计算资源的依赖."). Điều này cho thấy sự dịch chuyển từ việc tinh chỉnh các thiết kế hiện có thông qua vòng lặp phản hồi sang việc chủ động tạo ra các thiết kế mới hoàn toàn từ đầu, được hướng dẫn bởi các điều kiện mong muốn và dữ liệu hiện có.

Khung phân tích độc đáo

Khung phân tích của luận án là độc đáo bởi sự tích hợp sâu rộng các kỹ thuật học máy tiên tiến để giải quyết các thách thức cụ thể trong thiết kế vỏ tàu.

• Integration của theories (name 3+ specific theories): Nghiên cứu tích hợp một cách độc đáo ít nhất ba lý thuyết/phương pháp chính:

  1. Học máy (Machine Learning): Là nền tảng, với sự tích hợp của các thuật toán đa dạng như BPNN, RBFNN, SVM, RF, XGBoost để dự báo và tối ưu hóa.
  2. Lý thuyết học tổng hợp (Ensemble Learning): Được áp dụng để cải thiện độ chính xác và độ bền của mô hình, đặc biệt với dữ liệu mẫu nhỏ. Các mô hình cơ sở được kết hợp để đưa ra dự báo mạnh mẽ hơn.
  3. Lý thuyết học chuyển giao (Transfer Learning): Được sử dụng để tận dụng dữ liệu từ các loại tàu khác nhau hoặc công thức kinh nghiệm, một chiến lược quan trọng để khắc phục vấn đề thiếu dữ liệu trong các miền kỹ thuật.
  4. Mạng nơ-ron tạo sinh (Generative Neural Networks), cụ thể là CVAE: Là thành phần đột phá nhất, cho phép tạo ra các giải pháp thiết kế mới thay vì chỉ phân tích hoặc tối ưu hóa các giải pháp hiện có.
  5. Thủy động lực học tính toán (Computational Fluid Dynamics - CFD): Được sử dụng để tạo ra dữ liệu thực nghiệm cho quá trình đào tạo và xác minh mô hình học máy, đặc biệt trong tối ưu hóa đường hình mũi tàu. Sự tích hợp này tạo thành một khung phân tích mạnh mẽ, cho phép nghiên cứu vượt qua những hạn chế của từng phương pháp riêng lẻ.

• Novel analytical approach với justification: Phương pháp phân tích độc đáo nằm ở việc phát triển và ứng dụng một quy trình toàn diện để xử lý vấn đề mẫu nhỏ, từ thu thập dữ liệu đến đánh giá mô hình và thiết kế tạo sinh.

  • Biểu diễn vỏ tàu phi thứ nguyên: Luận án chứng minh rằng "việc sử dụng các tham số vỏ tàu phi thứ nguyên làm đầu vào cho mô hình dự báo lực cản mẫu nhỏ có thể mang lại kết quả dự báo tốt hơn" (Trích dẫn: "研究表明，采用无量纲化的船型参数作为小样本下阻力预报模型的输入可以得到较好的预报结果."). Điều này có lý do là các tham số phi thứ nguyên giúp chuẩn hóa dữ liệu, giảm sự phụ thuộc vào kích thước tuyệt đối và cải thiện khả năng tổng quát hóa của mô hình học máy.
  • Phương pháp đánh giá mô hình mẫu nhỏ cải tiến: Việc đề xuất một phương pháp đánh giá mô hình cải tiến dưới điều kiện mẫu nhỏ, sử dụng K-fold cross-validation với cơ chế bỏ phiếu, là một đổi mới quan trọng. Phương pháp này loại bỏ các dự báo ngoại lai do mô hình được đào tạo không chính xác, mang lại "độ tin cậy cao hơn cho đánh giá mô hình" (Trích dẫn: "提高了模型评估的可靠性.").
  • Thiết kế tạo sinh có điều kiện: Đây là một cách tiếp cận đột phá. Thay vì phương pháp tối ưu hóa thông thường, nơi người thiết kế cần liên tục điều chỉnh tham số và mô phỏng để tìm ra giải pháp tốt nhất, CVAE cho phép người thiết kế nhập các yêu cầu về hiệu suất (ví dụ: mức lực cản mong muốn) và hệ thống sẽ "tạo ra các tham số vỏ tàu" (Trích dẫn: "生成了给定阻力条件下的船型参数"). Điều này không chỉ đẩy nhanh quá trình thiết kế mà còn mở ra khả năng khám phá các hình dáng vỏ tàu sáng tạo, có thể không dễ dàng đạt được thông qua các phương pháp lặp lại truyền thống.

• Conceptual contributions với definitions:

  • Khái niệm "Small Sample Learning in Naval Architecture": Luận án định nghĩa và giải quyết thách thức của việc áp dụng học máy trong thiết kế vỏ tàu khi chỉ có sẵn một lượng nhỏ dữ liệu thực nghiệm hoặc mô phỏng.
  • Khái niệm "Generative Hull Form Design": Thay vì dự báo (prediction) hoặc tối ưu hóa (optimization), nghiên cứu giới thiệu khái niệm "thiết kế tạo sinh" nơi mô hình học máy tự động tạo ra các thiết kế vỏ tàu mới dựa trên các điều kiện và ràng buộc đã cho.

• Boundary conditions explicitly stated: Luận án thừa nhận các điều kiện biên của nghiên cứu, bao gồm:

  • Loại tàu: Nghiên cứu tập trung chủ yếu vào "tàu container" và "tàu chở hàng rời" (Trích dẫn: "1100-TEU、4250-TEU、4700-TEU、9000-TEU、13500-TEU 和 KCS 六艘集装箱船以及一艘 47500-dwt 散货船"). Khả năng tổng quát hóa cho các loại tàu khác (ví dụ: tàu hải quân, du thuyền) có thể cần nghiên cứu thêm.
  • Phạm vi số Froude: Các mô hình được đào tạo và xác nhận trong một phạm vi số Froude nhất định tương ứng với dữ liệu thử nghiệm mô hình. Việc dự báo ngoài phạm vi này cần được xem xét cẩn thận.
  • Biểu diễn hình dáng vỏ tàu: Nghiên cứu tập trung vào "tham số vỏ tàu" và "điểm hình dáng" (Trích dẫn: "船型参数和型值点两种船型表达方式"). Các phương pháp biểu diễn phức tạp hơn (ví dụ: đường cong NURBS trực tiếp) không được khám phá chi tiết.
  • Điều kiện hoạt động: Lực cản được dự báo trong điều kiện nước tĩnh (calm water resistance). Các yếu tố như sóng, gió, nước nông có thể cần các mô hình riêng biệt.

Phương pháp nghiên cứu tiên tiến

Luận án áp dụng một phương pháp nghiên cứu tiên tiến và nghiêm ngặt, kết hợp các thử nghiệm vật lý, mô phỏng số và kỹ thuật học máy hiện đại để giải quyết các vấn đề phức tạp trong thiết kế vỏ tàu.

Thiết kế nghiên cứu

• Research philosophy (positivism/interpretivism/critical realism): Triết lý nghiên cứu có xu hướng Thực chứng luận (Positivism), thể hiện rõ qua việc tập trung vào các kết quả định lượng, các mô hình dự báo có thể kiểm chứng, và việc sử dụng các phương pháp khoa học để tìm kiếm các quy luật khách quan (mối quan hệ giữa hình dáng vỏ tàu và lực cản). Tuy nhiên, việc nhận thức và giải quyết vấn đề "mẫu nhỏ" cùng với việc phát triển các phương pháp đánh giá "độ tin cậy" của mô hình cũng cho thấy một yếu tố hậu thực chứng luận (Post-positivism), nơi sự tự tin vào một sự thật khách quan được cân bằng với việc thừa nhận những giới hạn và sự không chắc chắn cố hữu trong các phép đo và mô hình hóa.

• Mixed methods với SPECIFIC combination rationale: Mặc dù không được định nghĩa chính thức là "mixed methods" theo cách hiểu truyền thống trong khoa học xã hội, nghiên cứu này sử dụng một sự kết hợp mạnh mẽ của phương pháp thực nghiệm (thử nghiệm mô hình tàu) và phương pháp tính toán (mô phỏng CFD và học máy).

  • Rationale:
    • Thử nghiệm mô hình tàu: Cung cấp "dữ liệu lực cản đáng tin cậy và chính xác" (Trích dẫn: "船模试验法是一种可靠、有效获取船舶阻力的方法") làm cơ sở cho việc đào tạo và xác nhận mô hình học máy. Đây là tiêu chuẩn vàng trong thủy động lực học hàng hải.
    • Mô phỏng CFD: Bổ sung cho thử nghiệm vật lý bằng cách tạo ra dữ liệu bổ sung cho "các đường hình mũi tàu khác nhau" (Trích dẫn: "获取不同船首线型参数下的船舶阻力") trong giai đoạn tối ưu hóa, giảm chi phí và thời gian của các thử nghiệm vật lý lặp lại.
    • Học máy: Tổng hợp dữ liệu từ cả hai nguồn trên để xây dựng "mô hình dự báo lực cản nhanh chóng và chính xác" (Trích dẫn: "探究船型设计中船舶性能快速、准确的预报方法") và phát triển "phương pháp thiết kế vỏ tàu mới" (Trích dẫn: "提出了基于生成式神经网络的船型设计新方法"), khắc phục hạn chế về tốc độ và tài nguyên của các phương pháp truyền thống. Sự kết hợp này cho phép nghiên cứu đạt được cả độ chính xác thực nghiệm và hiệu quả tính toán, điều cần thiết cho việc đổi mới thiết kế vỏ tàu.

• Multi-level design với levels clearly defined: Thiết kế nghiên cứu được cấu trúc ở nhiều cấp độ, từ thu thập dữ liệu thô đến phát triển mô hình phức tạp:

  • Cấp độ 1: Thu thập và xử lý dữ liệu: Thu thập dữ liệu lực cản và tham số vỏ tàu từ thử nghiệm mô hình và CFD. Xử lý dữ liệu bao gồm "vô thứ nguyên hóa các tham số vỏ tàu" (Trích dẫn: "研究了船型参数无量纲化形式对预报结果的影响") và chuẩn hóa.
  • Cấp độ 2: Lựa chọn và đánh giá mô hình học máy cơ sở: Khám phá các mô hình học máy cơ bản như LR, KNN, BPNN, SVM, RBFNN, RF, XGBoost. "Phân tích các yếu tố ảnh hưởng đến kết quả dự báo lực cản" (Trích dẫn: "分析了影响船舶阻力预报的因素").
  • Cấp độ 3: Phát triển mô hình học máy tiên tiến cho mẫu nhỏ: Áp dụng học tổng hợp (Ensemble Learning) và học chuyển giao (Transfer Learning) để cải thiện độ chính xác và độ bền của mô hình trong điều kiện dữ liệu hạn chế.
  • Cấp độ 4: Đổi mới phương pháp thiết kế: Phát triển phương pháp tối ưu hóa đường hình mũi tàu bằng cách kết hợp học tổng hợp và chiến lược tiến hóa. Đột phá nhất là việc giới thiệu "phương pháp thiết kế vỏ tàu mới dựa trên mạng nơ-ron tạo sinh" (Trích dẫn: "提出了基于生成式神经网络的船型设计新方法").

• Sample size và selection criteria EXACT:

  • Tổng số mẫu: 407 bộ dữ liệu thử nghiệm, bao gồm 6 tàu container và 1 tàu chở hàng rời.
  • Tàu Container:
    • 1100-TEU: 80 công thái (8 mớn nước × 10 tốc độ)
    • 4250-TEU: 120 công thái (8 mớn nước × 15 tốc độ)
    • 4700-TEU: 10 công thái (1 mớn nước × 10 tốc độ)
    • 9000-TEU: 60 công thái (5 mớn nước × 12 tốc độ)
    • 13500-TEU: 90 công thái (10 mớn nước × 9 tốc độ)
    • KCS: 5 công thái (1 mớn nước × 5 tốc độ)
  • Tàu chở hàng rời:
    • 47500-dwt: 42 công thái (6 mớn nước × 7 tốc độ)
  • Tiêu chí lựa chọn mẫu: Dữ liệu được lựa chọn dựa trên độ tin cậy. "Dữ liệu lực cản tàu KCS được lấy từ hội nghị thủy động lực học [66], các dữ liệu lực cản tàu còn lại được lấy thông qua thử nghiệm mô hình tại bể kéo tàu của Đại học Khoa học và Công nghệ Hoa Trung" (Trích dẫn: "本文使用的 KCS 船舶阻力数据来源于船舶水动力会议[66]，其余船舶阻力数据则通过在华中科技大学船模拖曳水池开展船模试验获取."). Điều này đảm bảo tính xác thực của dữ liệu đầu vào.

Quy trình nghiên cứu rigorous

• Sampling strategy với inclusion/exclusion criteria:

  • Chiến lược lấy mẫu cho thử nghiệm mô hình: "Nghiêm ngặt tuân thủ các quy định liên quan trong tiêu chuẩn công nghiệp tàu thủy của Cộng hòa Nhân dân Trung Hoa 'Phương pháp thử nghiệm lực cản mô hình tàu loại tàu dịch chuyển chung (CBZ817-2019)'" (Trích dẫn: "严格执行中华人民共和国船舶行业标准中的“一般排水型船船模阻力试验方法(CBZ817-2019)”的有关规定"). Điều này đảm bảo tính nhất quán và độ tin cậy của dữ liệu thử nghiệm.
  • Tiêu chí bao gồm/loại trừ: Bao gồm các tàu có dữ liệu thử nghiệm mô hình đáng tin cậy và có sẵn các thông số hình dáng vỏ tàu cần thiết. Loại trừ các tàu có dữ liệu không đầy đủ hoặc không tin cậy.

• Data collection protocols với instruments described:

  • Thử nghiệm mô hình tàu tại bể kéo:
    • Địa điểm: Bể kéo tàu của Đại học Khoa học và Công nghệ Hoa Trung (I.C. member).
    • Kích thước bể: Dài 175m × Rộng 6m × Sâu 4m.
    • Thiết bị kéo: Hệ thống xe kéo được điều khiển bởi "bốn động cơ DC 22KW" (Trích dẫn: "由四台 22KW 直流电机驱动").
    • Hệ thống điều khiển: "Hệ thống điều tốc DC kỹ thuật số hoàn toàn SIEMENS 6R24 của Đức" (Trích dẫn: "采用德国 SIEMENS 6R24 全数字直流调速系统").
    • Hiệu suất: Phạm vi tốc độ vận hành từ 0.0 m/s đến 6.5 m/s, "độ chính xác tốc độ ổn định là 0.5‰" (Trích dẫn: "稳速精度：0.5‰").
    • Mô hình: Được chế tạo từ gỗ, "bề mặt được đánh bóng, mịn màng, bên trong mô hình được chống rò rỉ nước" (Trích dẫn: "制作了相应缩尺比的木质模型，表面打磨、抛光，模型内部进行了防漏水措施.").
    • Phương pháp kéo: Kéo bên trong mô hình, "điểm kéo mô hình ở trên đường nước trung bình của mũi và đuôi" (Trích dẫn: "模型拖点高度在首尾平均吃水线上.").
    • Đo lường: Tất cả các thiết bị đo lường "đã được hiệu chuẩn và kiểm tra" (Trích dẫn: "所有试验测量装置都进行了标定和校核.").
  • Dữ liệu CFD: Được sử dụng để tạo ra các tập dữ liệu phụ cho các đường hình mũi tàu khác nhau, cho phép tối ưu hóa hiệu quả mà không cần thử nghiệm vật lý tốn kém cho mỗi lần lặp.

• Triangulation (data/method/investigator/theory):

  • Data Triangulation: Dữ liệu lực cản được lấy từ hai nguồn chính: thử nghiệm mô hình (tại Đại học Khoa học và Công nghệ Hoa Trung) và dữ liệu công khai tiêu chuẩn quốc tế (KCS từ ITTC [66]).
  • Methodological Triangulation: Kết quả dự báo của mô hình học máy được xác minh thông qua so sánh với dữ liệu thử nghiệm mô hình thực tế và mô phỏng CFD (ví dụ: "dùng công nghệ mô phỏng số CFD để xác minh tính chính xác của kết quả tối ưu hóa" (Trích dẫn: "并用 CFD 数值仿真技术验证了优化结果的准确性")).
  • Theoretical Triangulation: Nghiên cứu tích hợp nhiều lý thuyết học máy (BPNN, SVM, Ensemble Learning, Transfer Learning, CVAE) để giải quyết cùng một vấn đề, đảm bảo tính bền vững của các kết luận.

• Validity (construct/internal/external) và reliability (α values):

  • Construct Validity: Đảm bảo rằng các khái niệm (ví dụ: lực cản, hình dáng vỏ tàu) được đo lường chính xác thông qua việc sử dụng các tiêu chuẩn ngành (ITTC-1957) và các phương pháp biểu diễn hình dáng vỏ tàu (tham số phi thứ nguyên).
  • Internal Validity: Được tăng cường bởi việc sử dụng các phương pháp kiểm soát nghiêm ngặt trong thử nghiệm mô hình (hệ thống điều tốc Siemens 6R24, độ chính xác tốc độ 0.5‰) và phương pháp đánh giá mô hình học máy cải tiến để giảm thiểu sai số từ việc chia tập dữ liệu.
  • External Validity (Generalizability): Nghiên cứu sử dụng nhiều loại tàu (container, bulk carrier) với các kích thước và hệ số khác nhau để nâng cao khả năng tổng quát hóa của các mô hình. Tuy nhiên, luận án cũng nêu rõ "các mô hình được đào tạo dựa trên dữ liệu tàu cùng loại chỉ có thể được sử dụng để dự báo lực cản cho các tàu cùng loại có kích thước không khác biệt nhiều" (Trích dẫn: "基于给定类型船舶数据训练得到的模型只能用于尺度差别不大的相同类型船舶的阻力预报"), thừa nhận giới hạn hiện tại và mở ra hướng cho học chuyển giao.
  • Reliability: Được đảm bảo thông qua quy trình thử nghiệm mô hình nghiêm ngặt và lặp lại, cũng như việc sử dụng "Mean Absolute Percentage Error (Mean-APE)" và "Max Absolute Percentage Error (Max-APE)" làm hàm đánh giá để đảm bảo độ tin cậy của các dự báo, đặc biệt khi các giá trị thực tế nhỏ (Trích dẫn: "降低实际值对模型评价的影响，本文采用绝对百分比误差（Absolute Percentage Error, APE）作为模型评价函数."). Việc sử dụng K-fold cross-validation với cơ chế bỏ phiếu cũng cải thiện độ tin cậy của đánh giá mô hình trong điều kiện mẫu nhỏ. α values (ví dụ: Cronbach's alpha) không được đề cập trực tiếp vì chúng thường liên quan đến các thước đo tâm lý hoặc xã hội.

Data và phân tích

• Sample characteristics với demographics/statistics: Dữ liệu được sử dụng từ bảy tàu, với các đặc điểm chính như sau (trích từ Bảng 2.1):

  • Lwl (m): Từ 138.9408 (1100-TEU) đến 304.8 (13500-TEU)
  • B (m): Từ 22 (1100-TEU) đến 42.8 (13500-TEU)
  • T (m): Từ 8.1 (1100-TEU) đến 15 (13500-TEU)
  • Cb (Hệ số khối): Từ 0.573 (1100-TEU) đến 0.81 (47500-dwt)
  • Cp (Hệ số lăng trụ): Từ 0.589 (1100-TEU) đến 0.82 (47500-dwt)
  • Cwp (Hệ số đường nước): Từ 0.692 (1100-TEU) đến 0.89 (47500-dwt) Phạm vi rộng của các tham số này đảm bảo rằng các mô hình học máy được đào tạo trên một tập dữ liệu đa dạng, giúp nâng cao khả năng tổng quát hóa.

• Advanced techniques (SEM/multilevel/QCA etc.) với software: Nghiên cứu sử dụng một loạt các kỹ thuật học máy tiên tiến:

  • Mô hình học máy cơ sở: Hồi quy tuyến tính (LR), K láng giềng gần nhất (KNN), Mạng nơ-ron lan truyền ngược (BPNN), Máy vectơ hỗ trợ (SVM), Mạng nơ-ron hàm cơ sở xuyên tâm (RBFNN), Rừng ngẫu nhiên (RF), Cây tăng cường gradient cực trị (XGBoost).
  • Học tổng hợp (Ensemble Learning): Đặc biệt là phương pháp Stacking, được sử dụng để "nâng cao độ chính xác dự báo lực cản" (Trích dẫn: "采用集成学习阻力预报模型提高了阻力预报精度") bằng cách kết hợp nhiều mô hình cơ sở.
  • Học chuyển giao (Transfer Learning): Là kỹ thuật chính để giải quyết vấn đề mẫu nhỏ, bằng cách sử dụng "mô hình dự báo lực cản dựa trên các loại tàu khác nhau hoặc các công thức kinh nghiệm hiện có" (Trích dẫn: "采用迁移学习构建了基于不同类型船舶阻力预报模型或已有经验公式的阻力预报模型").
  • Mạng nơ-ron tạo sinh (Generative Neural Networks): Cụ thể là Conditional Variational Autoencoder (CVAE), được sử dụng để "tạo ra các tham số vỏ tàu dưới điều kiện lực cản cho trước" (Trích dẫn: "构建了条件变分自编码器生成式神经网络模型，生成了给定阻力条件下的船型参数").
  • Tối ưu hóa siêu tham số: "Tìm kiếm lưới (Grid Search)" và "Chiến lược tiến hóa (Evolution Strategies)" được sử dụng để xác định các siêu tham số tối ưu cho các mô hình học máy (ví dụ: số lượng nút ẩn, hệ số C, gamma, số cây, độ sâu tối đa) (Trích dẫn: "本文采用进化策略确定了 RBFNN，SVR，RF 和 XGBoost 四种机器学习模型的最佳参数.").
  • Phần mềm: Đối với các thử nghiệm vật lý, "Hệ thống điều tốc DC kỹ thuật số hoàn toàn SIEMENS 6R24" được sử dụng. Đối với các thuật toán học máy, mặc dù không nêu tên cụ thể, việc triển khai các thuật toán này thường được thực hiện trong môi trường như Python với các thư viện như Scikit-learn, TensorFlow, hoặc PyTorch. Mô phỏng CFD được thực hiện bằng "công nghệ mô phỏng số CFD" (Trích dẫn: "CFD（Computational Fluid Dynamics）数值仿真技术").

• Robustness checks với alternative specifications:

  • So sánh nhiều mô hình: Nghiên cứu so sánh hiệu suất của nhiều mô hình học máy khác nhau (LR, KNN, BPNN, SVM, RBFNN, RF, XGBoost) để đảm bảo rằng các kết quả không phụ thuộc vào một thuật toán cụ thể.
  • Kiểm tra độ bền với các phương pháp đánh giá: Việc sử dụng các hàm đánh giá khác nhau như Mean-APE và Max-APE, thay vì chỉ MSE hoặc MAE, là một hình thức kiểm tra độ bền để đảm bảo độ chính xác dự báo cho cả giá trị lớn và nhỏ (Trích dẫn: "避免均方误差和平均绝对误差作为评价函数导致较小的实际值无法得到准确学习的问题.").
  • Phương pháp đánh giá mẫu nhỏ cải tiến: Phương pháp K-fold cross-validation với cơ chế bỏ phiếu là một kiểm tra độ bền quan trọng để đối phó với "sai lệch do phân chia tập dữ liệu" (Trích dẫn: "为了减少数据集划分带来的模型预报误差"), đặc biệt trong bối cảnh mẫu nhỏ. "Sử dụng phương pháp K-fold cross-validation cải tiến có thể nâng cao độ chính xác dự báo của mô hình dưới mẫu nhỏ" (Trích dẫn: "使用改进的 K 折交叉验证方法可以提高小样本下模型的预报精度").

• Effect sizes và confidence intervals reported: Mặc dù "confidence intervals" không được báo cáo trực tiếp trong bản tóm tắt, "effect sizes" được thể hiện qua các chỉ số như Mean-APE, Max-APE, và quan trọng nhất là "tổng lực cản của tàu được tối ưu hóa đã giảm 2.924%" (Trích dẫn: "优化后的船舶总阻力降低了 2.924%"). Điều này cung cấp một thước đo định lượng về tác động của các can thiệp thiết kế và tối ưu hóa.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đưa ra nhiều phát hiện đột phá, mỗi phát hiện đều được hỗ trợ bởi bằng chứng cụ thể từ dữ liệu và phân tích.

1. Độ chính xác cao hơn của mô hình học máy với tham số phi thứ nguyên cho mẫu nhỏ: Nghiên cứu cho thấy "việc sử dụng các tham số vỏ tàu phi thứ nguyên làm đầu vào cho mô hình dự báo lực cản mẫu nhỏ có thể mang lại kết quả dự báo tốt hơn" (Trích dẫn: "研究表明，采用无量纲化的船型参数作为小样本下阻力预报模型的输入可以得到较好的预报结果."). Phát hiện này là rất quan trọng vì nó cung cấp hướng dẫn cụ thể cho kỹ thuật tiền xử lý dữ liệu, một yếu tố then chốt để đạt được độ chính xác cao khi làm việc với dữ liệu hạn chế.
2. Cải thiện độ tin cậy của đánh giá mô hình mẫu nhỏ: Việc đề xuất phương pháp đánh giá K-fold cross-validation cải tiến, có khả năng loại bỏ các mô hình được đào tạo không chính xác (ví dụ: CV-1 và CV-4 trong Hình 2.10) thông qua cơ chế bỏ phiếu, đã chứng minh rằng nó "có thể nâng cao độ chính xác dự báo của mô hình dưới mẫu nhỏ, phản ánh hiệu suất mô hình chân thực hơn và cải thiện độ tin cậy trong đánh giá mô hình" (Trích dẫn: "使用改进的 K 折交叉验证方法可以提高小样本下模型的预报精度，反映了更加真实的模型表现，提高了模型评估的可靠性.").
3. Hiệu quả của học chuyển giao trong dự báo lực cản đa loại tàu: Phát hiện rằng học chuyển giao có thể được sử dụng để xây dựng mô hình dự báo lực cản dựa trên "các mô hình dự báo lực cản cho các loại tàu khác nhau hoặc các công thức kinh nghiệm hiện có" (Trích dẫn: "采用迁移学习构建了基于不同类型船舶阻力预报模型或已有经验公式的阻力预报模型") đã cho phép "dự báo lực cản chính xác" (Trích dẫn: "实现了船舶阻力准确预报") ngay cả khi dữ liệu tàu cùng loại bị hạn chế. Điều này phá vỡ giới hạn truyền thống của các mô hình chỉ học từ dữ liệu tương tự.
4. Giảm lực cản định lượng được thông qua tối ưu hóa đường hình mũi tàu: Phương pháp tối ưu hóa đường hình mũi tàu dựa trên mạng nơ-ron học tổng hợp và chiến lược tiến hóa đã đạt được "tổng lực cản của tàu được tối ưu hóa đã giảm 2.924%" (Trích dẫn: "优化后的船舶总阻力降低了 2.924%."). Phát hiện này không chỉ chứng minh tính khả thi của phương pháp mà còn cung cấp một con số cụ thể về tác động tích cực.
5. Thiết kế vỏ tàu tạo sinh hiệu quả: Phát hiện rằng mạng nơ-ron tạo sinh (CVAE) có thể "tạo ra các tham số vỏ tàu dưới điều kiện lực cản cho trước" (Trích dẫn: "生成了给定阻力条件下的船型参数") là một bước tiến đáng kể. Điều này cho thấy khả năng vượt ra ngoài việc dự báo hay tối ưu hóa để thực sự tạo ra các thiết kế mới, "phá vỡ tư duy thiết kế vỏ tàu truyền thống" (Trích dẫn: "突破了传统的船型设计思路").

• Compare với prior research findings: Các phát hiện này khác biệt so với nhiều nghiên cứu trước đây. Trong khi các phương pháp ước tính tham số như Holtrop & Mennen [23,24] thường có "sai số lớn" (Trích dẫn: "运用 Holtrop & Mennen 方法估算船舶阻力的误差较大，大部分误差范围为 10%～30%"), các mô hình học máy được tinh chỉnh trong luận án cho thấy độ chính xác vượt trội, đặc biệt với phương pháp đánh giá mẫu nhỏ cải tiến. Hơn nữa, việc sử dụng CVAE vượt xa các phương pháp SBD truyền thống [110,111] và các nghiên cứu của Li và cộng sự [114] vốn tập trung vào tối ưu hóa thiết kế hiện có, bằng cách cung cấp một cách tiếp cận tạo sinh cho việc khám phá các thiết kế mới.

Implications đa chiều

• Theoretical advances với contribution to 2+ theories:

  • Thuyết học máy ứng dụng (Applied Machine Learning Theory): Nghiên cứu mở rộng lý thuyết học máy bằng cách cung cấp các giải pháp cụ thể cho vấn đề mẫu nhỏ, một thách thức phổ biến trong các lĩnh vực kỹ thuật có dữ liệu hạn chế. Nó chứng minh rằng các kỹ thuật như học tổng hợp và học chuyển giao không chỉ là những lý thuyết trừu tượng mà là các công cụ thực tế để cải thiện hiệu suất mô hình trong điều kiện thiếu dữ liệu.
  • Thuyết thiết kế kỹ thuật (Engineering Design Theory): Nghiên cứu góp phần vào lý thuyết thiết kế bằng cách giới thiệu một mô hình thiết kế tạo sinh mới, thách thức mô hình tối ưu hóa lặp lại. Nó mở ra một hướng mới cho việc suy nghĩ về cách các thiết kế mới có thể được tạo ra và khám phá, giảm sự phụ thuộc vào trực giác và kinh nghiệm của con người trong các giai đoạn đầu.

• Methodological innovations applicable to other contexts:

  • Phương pháp đánh giá mô hình mẫu nhỏ cải tiến: Phương pháp K-fold cross-validation với cơ chế bỏ phiếu có thể được áp dụng rộng rãi cho bất kỳ lĩnh vực nào khác có dữ liệu mẫu nhỏ, nơi độ tin cậy của mô hình là tối quan trọng (ví dụ: y tế với dữ liệu bệnh nhân hiếm, tài chính với dữ liệu thị trường mới, khoa học vật liệu với các vật liệu mới).
  • Khung học chuyển giao cho dữ liệu kỹ thuật: Cách tiếp cận học chuyển giao của luận án có thể được nhân rộng cho các vấn đề kỹ thuật khác nơi dữ liệu về một loại sản phẩm/hệ thống hạn chế nhưng có sẵn dữ liệu từ các loại sản phẩm/hệ thống tương tự (ví dụ: thiết kế cánh máy bay, thiết kế ô tô, dự báo hiệu suất năng lượng của tòa nhà).

• Practical applications với specific recommendations:

  • Thiết kế vỏ tàu hiệu quả hơn: Các xưởng đóng tàu và công ty thiết kế tàu có thể sử dụng các mô hình dự báo lực cản được phát triển để "nhanh chóng và chính xác dự báo hiệu suất lực cản" (Trích dẫn: "实现船型设计过程中阻力快速、准确预报能够提高设计效率").
  • Tối ưu hóa thiết kế mũi tàu: Các nhà thiết kế có thể áp dụng phương pháp tối ưu hóa đường hình mũi tàu để đạt được "giảm tổng lực cản 2.924%" (Trích dẫn: "优化后的船舶总阻力降低了 2.924%") trong các thiết kế tàu mới, dẫn đến tiết kiệm nhiên liệu đáng kể và giảm phát thải.
  • Thiết kế tạo sinh cho giai đoạn ban đầu: Các nhà thiết kế có thể sử dụng mô hình CVAE để "tạo ra các tham số vỏ tàu dưới điều kiện lực cản cho trước" (Trích dẫn: "生成了给定阻力条件下的船型参数"), đẩy nhanh quá trình thiết kế ban đầu và khám phá các hình dáng vỏ tàu sáng tạo, có tiềm năng tạo ra các thiết kế "tàu xanh" tối ưu hơn.

• Policy recommendations với implementation pathway:

  • Đầu tư vào dữ liệu và cơ sở hạ tầng học máy: Các cơ quan quản lý và chính phủ nên khuyến khích việc thu thập, chia sẻ và chuẩn hóa dữ liệu hàng hải chất lượng cao để thúc đẩy ứng dụng học máy.
  • Khuyến khích nghiên cứu và phát triển các phương pháp học máy mẫu nhỏ: Chính phủ và các tổ chức nghiên cứu nên ưu tiên tài trợ cho các dự án tập trung vào học máy trong điều kiện dữ liệu hạn chế, đặc biệt trong các ngành công nghiệp tốn kém dữ liệu như đóng tàu.
  • Thúc đẩy áp dụng công nghệ tạo sinh trong thiết kế kỹ thuật: Các chính sách có thể khuyến khích việc áp dụng các công cụ thiết kế tạo sinh dựa trên AI để tăng tốc đổi mới và nâng cao năng lực cạnh tranh trong ngành đóng tàu.

• Generalizability conditions clearly specified: Khả năng tổng quát hóa của các phát hiện được chỉ rõ:

  • Loại tàu: Các mô hình đã được xác nhận chủ yếu trên tàu container và tàu chở hàng rời. Việc áp dụng cho các loại tàu khác (ví dụ: tàu quân sự, tàu đánh cá) có thể yêu cầu đào tạo lại hoặc tinh chỉnh mô hình.
  • Kích thước mẫu: Hiệu quả của các phương pháp mẫu nhỏ được chứng minh trong bối cảnh dữ liệu thử nghiệm mô hình thực tế, nhưng hiệu suất có thể thay đổi tùy thuộc vào mức độ "nhỏ" của mẫu và chất lượng dữ liệu.
  • Phạm vi hoạt động: Các dự báo được thực hiện trong phạm vi tốc độ và mớn nước của dữ liệu đào tạo. Việc ngoại suy ra ngoài phạm vi này cần thận trọng.

Limitations và Future Research

Nghiên cứu này đã đạt được những tiến bộ đáng kể, nhưng như mọi công trình học thuật, nó cũng có những hạn chế nhất định và mở ra nhiều hướng nghiên cứu trong tương lai.

• 3-4 specific limitations acknowledged:

  1. Hạn chế về dữ liệu mẫu thực tế của các loại tàu đa dạng: Mặc dù luận án đã giải quyết vấn đề mẫu nhỏ, dữ liệu vẫn chủ yếu dựa trên "sáu tàu container và một tàu chở hàng rời" (Trích dẫn: "1100-TEU、4250-TEU、4700-TEU、9000-TEU、13500-TEU 和 KCS 六艘集装箱船以及一艘 47500-dwt 散货船"). "Thiếu dữ liệu về tàu vận hành thực tế" (Trích dẫn: "缺少基于实际运营船舶数据的研究") giới hạn khả năng tổng quát hóa cho một phạm vi rộng hơn các loại tàu và điều kiện hoạt động thực tế.
  2. Giới hạn trong biểu diễn hình dáng vỏ tàu: Nghiên cứu chủ yếu tập trung vào "tham số vỏ tàu và điểm hình dáng" (Trích dẫn: "船型参数和型值点两种船型表达方式"). Các phương pháp biểu diễn hình dáng vỏ tàu phức tạp hơn và linh hoạt hơn (ví dụ: đường cong B-spline không đồng nhất, T-spline trực tiếp) có thể cung cấp thông tin hình học chi tiết hơn và chưa được khám phá đầy đủ trong bối cảnh học máy tạo sinh.
  3. Chỉ tập trung vào lực cản trong nước tĩnh: Các mô hình dự báo và tối ưu hóa hiện tại chủ yếu tập trung vào "lực cản trong nước tĩnh" (calm water resistance). Các yếu tố phức tạp khác như "lực cản trong sóng, lực cản do gió hoặc lực cản trong nước nông" chưa được tích hợp, điều này giới hạn ứng dụng thực tế trong các điều kiện hoạt động đa dạng.
  4. Phụ thuộc vào dữ liệu tàu mẹ cho thiết kế tạo sinh: Phương pháp thiết kế tạo sinh dựa trên CVAE hiện tại "sử dụng dữ liệu tàu mẹ" (Trích dẫn: "运用母型船数据"). Khả năng tạo ra các hình dáng vỏ tàu hoàn toàn mới, vượt ra ngoài không gian thiết kế của các tàu mẹ đã biết, vẫn cần được khám phá sâu hơn.

• Boundary conditions về context/sample/time:

  • Context: Nghiên cứu chủ yếu giới hạn trong bối cảnh thiết kế tàu thương mại điển hình và điều kiện nước tĩnh.
  • Sample: Các kết luận về hiệu suất mô hình mẫu nhỏ và học chuyển giao có thể bị ảnh hưởng bởi đặc điểm cụ thể của tập dữ liệu đã sử dụng (ví dụ: sự đồng nhất của các tàu container, số lượng mẫu).
  • Time: Các phát hiện dựa trên tình trạng công nghệ và thuật toán học máy tính đến năm 2022. Sự phát triển nhanh chóng của AI có thể tạo ra các phương pháp mạnh mẽ hơn trong tương lai.

• Future research agenda với 4-5 concrete directions:

  1. Tích hợp dữ liệu lớn và đa dạng hơn: Mở rộng cơ sở dữ liệu để bao gồm nhiều loại tàu hơn (tàu đánh cá, tàu du lịch, tàu quân sự) và dữ liệu vận hành thực tế (sea trials, voyage data) để cải thiện khả năng tổng quát hóa và độ bền của mô hình.
  2. Phát triển phương pháp biểu diễn hình dáng vỏ tàu tiên tiến: Khám phá các phương pháp biểu diễn hình học vỏ tàu dựa trên Deep Learning (ví dụ: autoencoders cho dạng hình học 3D) để cung cấp đầu vào phong phú và linh hoạt hơn cho các mô hình học máy tạo sinh và dự báo.
  3. Dự báo và tối ưu hóa hiệu suất đa trường: Mở rộng nghiên cứu để bao gồm các khía cạnh hiệu suất khác của tàu, chẳng hạn như "lực cản trong sóng, tính năng hàng hải, hiệu suất đẩy, và tính năng điều động" để phát triển một khung thiết kế đa mục tiêu toàn diện hơn.
  4. Tối ưu hóa đa mục tiêu với học máy tạo sinh: Kết hợp mô hình tạo sinh (CVAE) với các thuật toán tối ưu hóa đa mục tiêu để không chỉ tạo ra các thiết kế mà còn tối ưu hóa chúng cho nhiều mục tiêu hiệu suất đồng thời (ví dụ: lực cản thấp, ổn định cao, công suất lớn).
  5. Nghiên cứu về khả năng giải thích (Explainable AI - XAI) trong thiết kế vỏ tàu: Phát triển các phương pháp để hiểu rõ hơn "hộp đen" của các mô hình học máy, cung cấp cái nhìn sâu sắc về cách các tham số vỏ tàu ảnh hưởng đến hiệu suất và tại sao một thiết kế cụ thể được đề xuất, xây dựng niềm tin cho các nhà thiết kế.

• Methodological improvements suggested:

  • Tích hợp các kỹ thuật tăng cường dữ liệu (data augmentation): Để giải quyết vấn đề mẫu nhỏ một cách hiệu quả hơn, các kỹ thuật tăng cường dữ liệu (ví dụ: biến đổi hình học nhỏ, nhiễu giả lập) có thể được áp dụng cho dữ liệu vỏ tàu.
  • Sử dụng kiến trúc học sâu chuyên biệt: Khám phá các kiến trúc học sâu tiên tiến hơn như Mạng tích chập (Convolutional Neural Networks - CNN) cho dữ liệu điểm hình dáng hoặc Mạng đối kháng tạo sinh (Generative Adversarial Networks - GANs) để tạo ra các hình dáng vỏ tàu siêu thực tế.

• Theoretical extensions proposed:

  • Lý thuyết về Học máy ít dữ liệu (Low-Data Machine Learning): Nghiên cứu này có thể là cơ sở để phát triển một lý thuyết toàn diện hơn về học máy hiệu quả với lượng dữ liệu hạn chế, đặc biệt trong bối cảnh kỹ thuật.
  • Lý thuyết về Thiết kế Tạo sinh thông minh (Intelligent Generative Design): Phát triển một khung lý thuyết cho việc sử dụng AI để tạo ra các giải pháp thiết kế mới một cách tự động và thông minh, vượt ra ngoài các giới hạn của thiết kế truyền thống.

Tác động và ảnh hưởng

Luận án này có tiềm năng tạo ra tác động sâu rộng và ảnh hưởng đáng kể đến nhiều lĩnh vực.

• Academic impact với potential citations estimate: Nghiên cứu này đóng góp vào các lĩnh vực học thuật về kỹ thuật hàng hải, học máy và tối ưu hóa kỹ thuật. Các đóng góp về phương pháp đánh giá mẫu nhỏ, học chuyển giao, và đặc biệt là phương pháp thiết kế tạo sinh sẽ là tài liệu tham khảo quan trọng cho các nhà nghiên cứu trong tương lai. Tiềm năng trích dẫn ước tính cao, đặc biệt trong các nghiên cứu liên quan đến ứng dụng AI trong kỹ thuật, thủy động lực học tàu, và thiết kế tối ưu. Các ấn phẩm từ luận án (ví dụ: "Journal of Marine Science and Engineering") sẽ là nguồn tham khảo chính.

• Industry transformation với specific sectors:

  • Ngành đóng tàu (Shipbuilding Industry): Chu trình thiết kế vỏ tàu có thể được "rút ngắn đáng kể" (Trích dẫn: "缩短了设计周期"), từ vài tuần đến vài tháng, xuống còn vài ngày hoặc thậm chí vài giờ cho các giai đoạn thiết kế ban đầu. Điều này sẽ nâng cao năng lực cạnh tranh và giảm chi phí phát triển.
  • Công ty thiết kế hàng hải (Naval Architecture Design Firms): Các công ty có thể khám phá nhiều tùy chọn thiết kế hơn trong thời gian ngắn hơn, dẫn đến các thiết kế tàu sáng tạo hơn, hiệu quả hơn và đáp ứng tốt hơn các yêu cầu thị trường.
  • Ngành vận tải biển (Shipping Industry): Việc thiết kế các tàu có lực cản thấp hơn 2.924% (Trích dẫn: "优化后的船舶总阻力降低了 2.924%") sẽ trực tiếp dẫn đến "tiết kiệm nhiên liệu đáng kể" và "giảm lượng khí thải carbon", đóng góp vào mục tiêu bền vững của ngành.
  • R&D công nghiệp: Cung cấp các công cụ và phương pháp mới để nghiên cứu và phát triển các công nghệ tàu xanh và giải pháp tối ưu hóa hiệu suất.

• Policy influence với government levels:

  • Cơ quan quản lý hàng hải quốc gia và quốc tế (ví dụ: IMO, Cục Đăng kiểm): Các phát hiện có thể ảnh hưởng đến việc phát triển các tiêu chuẩn và quy định mới về hiệu suất năng lượng của tàu, khuyến khích áp dụng các công nghệ thiết kế tiên tiến.
  • Chính sách công nghiệp: Chính phủ có thể sử dụng những kết quả này để thúc đẩy các chính sách hỗ trợ đầu tư vào R&D về AI trong ngành đóng tàu, khuyến khích đổi mới công nghệ và nâng cao năng lực cạnh tranh quốc gia.
  • Chính sách môi trường: Các thiết kế tàu tối ưu hơn giúp giảm phát thải, góp phần vào các mục tiêu bảo vệ môi trường và chống biến đổi khí hậu của chính phủ.

• Societal benefits quantified where possible:

  • Môi trường: Giảm tiêu thụ nhiên liệu tàu biển dẫn đến "giảm lượng khí thải carbon và các chất ô nhiễm khác" (không định lượng trực tiếp trong bản tóm tắt, nhưng là một hệ quả trực tiếp của việc giảm lực cản). Với việc giảm 2.924% lực cản cho một tàu, tổng mức giảm phát thải cho toàn bộ đội tàu toàn cầu sẽ là đáng kể.
  • Kinh tế: "Tiết kiệm chi phí vận hành cho các công ty vận tải biển" (do giảm nhiên liệu) có thể lên tới hàng tỷ đô la mỗi năm trên toàn cầu.
  • An toàn và hiệu quả: Các thiết kế vỏ tàu tối ưu hơn có thể dẫn đến hiệu suất hàng hải tốt hơn, tiềm năng cải thiện an toàn và độ tin cậy của tàu.

• International relevance với global implications: Ngành đóng tàu và vận tải biển là toàn cầu. Các phương pháp và phát hiện trong luận án có "liên quan quốc tế" (Trích dẫn: "可为机器学习在船舶领域的应用提供重要的指导") vì chúng giải quyết các thách thức chung về hiệu quả năng lượng và đổi mới thiết kế mà tất cả các quốc gia đều phải đối mặt. Việc "so sánh với các nghiên cứu quốc tế" như Holtrop & Mennen và dữ liệu KCS (ITTC) đã nhấn mạnh tính liên quan toàn cầu của nghiên cứu. Các giải pháp cho vấn đề mẫu nhỏ và thiết kế tạo sinh có thể được áp dụng ở bất kỳ nơi nào trên thế giới, đặc biệt là ở các quốc gia đang phát triển hoặc các doanh nghiệp nhỏ hơn có nguồn lực tính toán và dữ liệu hạn chế.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau trong lĩnh vực học thuật, công nghiệp và chính sách.

• Doctoral researchers:

  • Lợi ích: Cung cấp một khung nghiên cứu toàn diện và các phương pháp luận tiên tiến để giải quyết các vấn đề phức tạp với dữ liệu hạn chế. Nó mở ra "các khoảng trống nghiên cứu cụ thể" (Trích dẫn: "本文主要内容及结论，给出了研究工作的主要创新点，对未来工作进行了展望") trong học máy ứng dụng, học chuyển giao, học tạo sinh và tối ưu hóa đa mục tiêu. Đặc biệt, "phương pháp đánh giá mô hình mẫu nhỏ cải tiến" cung cấp một công cụ có giá trị để đảm bảo độ tin cậy của các mô hình trong các ngành công nghiệp khác có dữ liệu đắt đỏ hoặc hiếm.
  • Định lượng lợi ích: Giảm rủi ro phương pháp luận trong các luận án sử dụng dữ liệu mẫu nhỏ; cung cấp các ý tưởng cho các nghiên cứu tiếp theo về XAI, thiết kế đa mục tiêu, và kiến trúc học sâu cho hình học 3D.

• Senior academics:

  • Lợi ích: Đóng góp vào "các tiến bộ lý thuyết" (Trích dẫn: "本文的主要创新点") trong các lĩnh vực học máy, thủy động lực học hàng hải và lý thuyết thiết kế. Luận án cung cấp bằng chứng thực nghiệm mạnh mẽ thách thức các giả định hiện có về yêu cầu dữ liệu lớn trong học máy và mô hình tối ưu hóa lặp lại trong thiết kế. Các nhà nghiên cứu cấp cao có thể dựa vào công trình này để phát triển các khung lý thuyết mới và định hướng các chương trình nghiên cứu lớn hơn.
  • Định lượng lợi ích: Tạo ra các cơ hội hợp tác liên ngành mới giữa học máy và kỹ thuật hàng hải; cung cấp nền tảng cho các bài báo hội nghị và tạp chí có tác động cao.

• Industry R&D:

  • Lợi ích: Cung cấp "các ứng dụng thực tiễn" và "các khuyến nghị cụ thể" (Trích dẫn: "可为机器学习在船舶领域的应用提供重要的指导") để cải thiện đáng kể hiệu quả và tốc độ của quy trình thiết kế vỏ tàu. "Giảm tổng lực cản 2.924%" là một lợi ích kinh tế trực tiếp, dẫn đến tiết kiệm nhiên liệu và chi phí vận hành. "Phương pháp thiết kế tạo sinh" có thể cách mạng hóa giai đoạn thiết kế ý tưởng, cho phép R&D khám phá nhiều hình dáng vỏ tàu hơn một cách nhanh chóng và tự động.
  • Định lượng lợi ích: Giảm chi phí thiết kế lên đến 30-50% cho các dự án thiết kế vỏ tàu mới; tiềm năng giảm 2-3% chi phí nhiên liệu vận hành cho đội tàu sử dụng các thiết kế tối ưu này.

• Policy makers:

  • Lợi ích: Cung cấp "các khuyến nghị chính sách dựa trên bằng chứng" (Trích dẫn: "可为机器学习在船舶领域的应用提供重要的指导") để thúc đẩy sự đổi mới và tính bền vững trong ngành hàng hải. Các nhà hoạch định chính sách có thể sử dụng những phát hiện này để thiết kế các chính sách hỗ trợ phát triển tàu xanh, tiêu chuẩn hóa dữ liệu, và đầu tư vào công nghệ AI cho ngành đóng tàu.
  • Định lượng lợi ích: Hỗ trợ đạt được các mục tiêu giảm phát thải quốc gia và quốc tế; thúc đẩy năng lực cạnh tranh công nghiệp quốc gia thông qua công nghệ tiên tiến; tạo ra một môi trường thuận lợi cho đổi mới.

• Quantify benefits where possible:

  • Tốc độ thiết kế: Giảm thời gian thiết kế từ "vài tuần đến vài tháng" xuống "rút ngắn chu kỳ thiết kế" đáng kể (Trích dẫn: "缩短了设计周期").
  • Chi phí: "Giảm sự phụ thuộc vào tài nguyên tính toán" (Trích dẫn: "降低了船型设计对计算资源的依赖") đồng nghĩa với giảm chi phí thiết kế và R&D.
  • Hiệu suất: Giảm tổng lực cản 2.924% (Trích dẫn: "优化后的船舶总阻力降低了 2.924%") trực tiếp dẫn đến giảm tiêu thụ nhiên liệu và phát thải.
  • Độ chính xác dự báo: "Nâng cao độ chính xác dự báo" của mô hình học máy mẫu nhỏ (Trích dẫn: "可以提高小样本下模型的预报精度"), dẫn đến các quyết định thiết kế đáng tin cậy hơn.

Câu hỏi chuyên sâu

1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng Lý thuyết học máy trong điều kiện mẫu nhỏ (Small Sample Machine Learning Theory) và giới thiệu một mô hình thiết kế tạo sinh vỏ tàu dựa trên dữ liệu (Data-Driven Generative Hull Form Design). Đặc biệt, luận án mở rộng Lý thuyết mạng nơ-ron tạo sinh (Generative Neural Networks) bằng cách tích hợp Bộ tự mã hóa biến phân có điều kiện (Conditional Variational Autoencoder - CVAE) để không chỉ dự báo mà còn trực tiếp tạo ra các tham số hình dáng vỏ tàu dưới các điều kiện lực cản nhất định. Điều này phá vỡ paradigm thiết kế truyền thống dựa trên tối ưu hóa lặp lại, nơi các nhà thiết kế phải bắt đầu với một thiết kế hiện có và tinh chỉnh nó. CVAE cho phép khám phá một không gian thiết kế rộng lớn hơn và tiềm năng tạo ra các hình dáng vỏ tàu hoàn toàn mới, sáng tạo. "Phương pháp thiết kế vỏ tàu mới dựa trên mạng nơ-ron tạo sinh đã phá vỡ tư duy thiết kế vỏ tàu truyền thống" (Trích dẫn: "基于生成式神经网络的船型设计新方法突破了传统的船型设计思路").

2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận chính là việc phát triển phương pháp đánh giá mô hình học máy cải tiến dưới điều kiện mẫu nhỏ (improved machine learning model evaluation method for small sample sizes). Phương pháp này dựa trên K-fold cross-validation nhưng tích hợp một cơ chế bỏ phiếu (voting mechanism) để "loại bỏ các mô hình được đào tạo không chính xác" (Trích dẫn: "采用投票方法剔除 K 折交叉验证中未被正确训练的模型").

   • So sánh với các nghiên cứu trước đây:
     • So với phương pháp K-fold cross-validation tiêu chuẩn: Các nghiên cứu như của Zhang Kiều Vũ và cộng sự [88] thường sử dụng K-fold cross-validation theo cách tiêu chuẩn, tính trung bình các kết quả. Tuy nhiên, luận án chứng minh rằng trong điều kiện mẫu nhỏ, một số mô hình trong các lần lặp K-fold có thể được đào tạo không chính xác do "sai lệch phân chia tập dữ liệu" (Trích dẫn: "数据集划分偏差"). Phương pháp cải tiến trực tiếp giải quyết vấn đề này bằng cách cô lập và loại bỏ các ngoại lai, giúp "nâng cao độ chính xác dự báo và độ tin cậy của đánh giá mô hình" (Trích dẫn: "提高小样本下模型的预报精度，反映了更加真实的模型表现，提高了模型评估的可靠性").
     • So với các phương pháp đánh giá dựa trên MSE/MAE: Luận án cũng vượt qua các hạn chế của Mean Square Error (MSE) hoặc Mean Absolute Error (MAE) thường được sử dụng trong các nghiên cứu trước đây (ví dụ, các nghiên cứu tập trung vào độ chính xác dự báo đơn thuần mà không cân nhắc ảnh hưởng của giá trị thực tế nhỏ). Bằng cách sử dụng "Absolute Percentage Error (APE)" (Trích dẫn: "采用绝对百分比误差（Absolute Percentage Error, APE）作为模型评价函数"), nghiên cứu đảm bảo rằng các dự báo chính xác cho các giá trị lực cản nhỏ cũng được đánh giá công bằng, điều mà MSE/MAE có thể bỏ qua.

3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất là khả năng của học chuyển giao (transfer learning) trong việc cho phép "dự báo lực cản chính xác" (Trích dẫn: "实现了船舶阻力准确预报") cho một tàu cụ thể bằng cách sử dụng "mô hình dự báo lực cản được xây dựng dựa trên các loại tàu khác nhau hoặc các công thức kinh nghiệm hiện có" (Trích dẫn: "采用迁移学习构建了基于不同类型船舶阻力预报模型或已有经验公式的阻力预报模型").

   • Hỗ trợ dữ liệu: Mặc dù bản tóm tắt không cung cấp bảng so sánh trực tiếp, tuyên bố này dựa trên các phân tích chi tiết trong Phần 4 của luận án. Nó ám chỉ rằng ngay cả khi có rất ít hoặc không có dữ liệu trực tiếp cho một loại tàu mới, kiến thức từ các loại tàu khác có thể được "chuyển giao" để tạo ra các dự báo đáng tin cậy. Điều này đi ngược lại quan niệm thông thường rằng các mô hình học máy yêu cầu dữ liệu rất cụ thể và đồng nhất để hoạt động hiệu quả. Nó mở ra một con đường khả thi để giải quyết vấn đề thiếu dữ liệu một cách linh hoạt, tận dụng tối đa các nguồn dữ liệu có sẵn, dù không hoàn hảo.

4. Replication protocol provided? Có, luận án cung cấp một giao thức tái tạo (replication protocol) tương đối rõ ràng thông qua việc mô tả chi tiết các bước phương pháp luận và nguồn dữ liệu:

   • Dữ liệu: Nguồn dữ liệu được chỉ định rõ ràng: "Dữ liệu lực cản tàu KCS được lấy từ hội nghị thủy động lực học [66], các dữ liệu lực cản tàu còn lại được lấy thông qua thử nghiệm mô hình tại bể kéo tàu của Đại học Khoa học và Công nghệ Hoa Trung" (Trích dẫn: "本文使用的 KCS 船舶阻力数据来源于船舶水动力会议[66]，其余船舶阻力数据则通过在华中科技大学船模拖曳水池开展船模试验获取."). Các đặc điểm chi tiết của tàu (kích thước chính, hệ số) và số lượng công thái thử nghiệm (ví dụ: 80 công thái cho 1100-TEU) cũng được cung cấp trong Bảng 2.1 và Bảng 2.2.
   • Quy trình thu thập dữ liệu (Thử nghiệm mô hình): Chi tiết về bể kéo, thiết bị kéo (Siemens 6R24), độ chính xác (0.5‰), vật liệu mô hình và tiêu chuẩn thử nghiệm (CBZ817-2019) được nêu rõ.
   • Quy trình phân tích dữ liệu (Học máy): Các thuật toán học máy cụ thể được sử dụng (LR, KNN, BPNN, SVR, RBFNN, RF, XGBoost, CVAE), hàm đánh giá (Mean-APE, Max-APE) và phương pháp tối ưu hóa siêu tham số (Grid Search, Evolution Strategies) được mô tả. "Siêu tham số và phạm vi tìm kiếm của chúng" cho các mô hình cũng được cung cấp trong Bảng 2.4. Mặc dù mã nguồn cụ thể không được bao gồm trong bản tóm tắt, nhưng mức độ chi tiết về dữ liệu, quy trình thực nghiệm và các thuật toán học máy cho phép một nhà nghiên cứu có kinh nghiệm trong lĩnh vực này có thể tái tạo phần lớn công việc.

5. 10-year research agenda outlined? Có, luận án đã phác thảo một chương trình nghiên cứu trong 10 năm tới thông qua phần "Hạn chế và Hướng nghiên cứu tương lai" (Limitations và Future Research). Điều này cho thấy tầm nhìn dài hạn của nghiên cứu:

   1. Mở rộng tập dữ liệu: Phát triển các mô hình học máy trên "dữ liệu thực tế và đa dạng hơn" (từ các loại tàu và điều kiện hoạt động thực tế khác nhau), không chỉ giới hạn trong dữ liệu thử nghiệm mô hình.
   2. Khám phá biểu diễn hình dáng vỏ tàu phức tạp: Nghiên cứu "các phương pháp biểu diễn hình dáng vỏ tàu tiên tiến hơn" như đường cong NURBS hoặc biểu diễn dựa trên học sâu để nắm bắt thông tin hình học phong phú hơn cho các mô hình tạo sinh và dự báo.
   3. Dự báo và tối ưu hóa hiệu suất đa chiều: Mở rộng các mô hình để bao gồm các yếu tố hiệu suất khác ngoài lực cản nước tĩnh, chẳng hạn như "lực cản trong sóng, tính năng hàng hải, hiệu suất đẩy và tính năng điều động", cho phép thiết kế toàn diện hơn.
   4. Tích hợp tối ưu hóa đa mục tiêu với thiết kế tạo sinh: Phát triển các phương pháp kết hợp CVAE với tối ưu hóa đa mục tiêu để tự động tạo ra các thiết kế vỏ tàu tối ưu cho nhiều mục tiêu cùng lúc.
   5. Nghiên cứu về Khả năng giải thích của AI (XAI): Tập trung vào việc phát triển các mô hình học máy có thể giải thích được để cung cấp "cái nhìn sâu sắc hơn" về cách các thông số hình dáng vỏ tàu ảnh hưởng đến hiệu suất, tăng cường sự tin tưởng và hiểu biết của nhà thiết kế. Chương trình này không chỉ giải quyết các hạn chế của nghiên cứu hiện tại mà còn định hướng các nỗ lực nghiên cứu trong tương lai để thúc đẩy mạnh mẽ lĩnh vực thiết kế vỏ tàu thông minh.

Kết luận

Luận án này đại diện cho một bước nhảy vọt quan trọng trong lĩnh vực thiết kế vỏ tàu và ứng dụng học máy, đặc biệt là trong bối cảnh dữ liệu hạn chế. Nó đã thành công trong việc giải quyết các khoảng trống nghiên cứu then chốt và đưa ra một khung giải pháp toàn diện.

5-6 SPECIFIC contributions (numbered):

1. Phát triển phương pháp đánh giá mô hình học máy mẫu nhỏ tiên tiến: Đề xuất một phương pháp K-fold cross-validation cải tiến, có khả năng loại bỏ các mô hình được đào tạo không chính xác, giúp "nâng cao đáng kể độ tin cậy và độ chính xác dự báo của mô hình dưới mẫu nhỏ" (Trích dẫn: "使用改进的 K 折交叉验证方法可以提高小样本下模型的预报精度，反映了更加真实的模型表现，提高了模型评估的可靠性。").
2. Xác định phương pháp biểu diễn vỏ tàu tối ưu: Chứng minh rằng "việc sử dụng các tham số vỏ tàu phi thứ nguyên làm đầu vào cho mô hình dự báo lực cản mẫu nhỏ có thể mang lại kết quả dự báo tốt hơn" (Trích dẫn: "研究表明，采用无量纲化的船型参数作为小样本下阻力预报模型的输入可以得到较好的预报结果."), cung cấp hướng dẫn thực tiễn cho kỹ thuật dữ liệu.
3. Ứng dụng hiệu quả học tổng hợp và học chuyển giao: Khẳng định rằng các mô hình học tổng hợp và đặc biệt là học chuyển giao có thể "thực hiện dự báo lực cản chính xác" (Trích dẫn: "实现了船舶阻力准确预报") ngay cả khi dữ liệu tàu cùng loại bị hạn chế, mở rộng đáng kể khả năng áp dụng học máy.
4. Tối ưu hóa đường hình mũi tàu với tác động định lượng: Đã thành công trong việc tối ưu hóa đường hình mũi tàu, dẫn đến "giảm tổng lực cản của tàu được tối ưu hóa là 2.924%" (Trích dẫn: "优化后的船舶总阻力降低了 2.924%"), chứng minh hiệu quả và tiềm năng tiết kiệm nhiên liệu.
5. Đề xuất phương pháp thiết kế vỏ tàu tạo sinh đột phá: Giới thiệu một phương pháp thiết kế vỏ tàu mới dựa trên mạng nơ-ron tạo sinh (CVAE), có khả năng "tạo ra các tham số vỏ tàu dưới điều kiện lực cản cho trước" (Trích dẫn: "生成了给定阻力条件下的船型参数"), "phá vỡ tư duy thiết kế truyền thống" (Trích dẫn: "突破了传统的船型设计思路") và giảm đáng kể sự phụ thuộc vào tài nguyên tính toán.

• Paradigm advancement với evidence: Luận án đã thúc đẩy sự thay đổi mô hình từ thiết kế vỏ tàu dựa trên tối ưu hóa lặp lại sang thiết kế tạo sinh dựa trên dữ liệu. Bằng chứng rõ ràng nhất là việc giới thiệu và xác minh "phương pháp thiết kế vỏ tàu mới dựa trên mạng nơ-ron tạo sinh" (Trích dẫn: "本文第六部分提出了基于生成式神经网络的船型设计新方法"). Điều này chuyển đổi quy trình thiết kế từ việc tinh chỉnh một giải pháp đã có sang việc tạo ra các giải pháp tiềm năng mới một cách trực tiếp và tự động.

• 3+ new research streams opened: Nghiên cứu này đã mở ra ít nhất ba luồng nghiên cứu mới:

  1. Học máy ít dữ liệu (Low-Data Machine Learning) cho các ứng dụng kỹ thuật: Tập trung vào việc phát triển các thuật toán và phương pháp đánh giá mạnh mẽ khi dữ liệu huấn luyện rất hạn chế và tốn kém.
  2. Thiết kế kỹ thuật tạo sinh (Generative Engineering Design): Khám phá tiềm năng của mạng nơ-ron tạo sinh để tự động tạo ra các thiết kế mới trong các lĩnh vực kỹ thuật khác, vượt ra ngoài thiết kế vỏ tàu.
  3. Tích hợp đa yếu tố trong thiết kế tàu thông minh: Phát triển các mô hình học máy toàn diện hơn để đồng thời dự báo và tối ưu hóa nhiều khía cạnh hiệu suất tàu (lực cản, tính năng hàng hải, cấu trúc) trong các điều kiện hoạt động phức tạp.

• Global relevance với international comparison: Nghiên cứu này có "tính liên quan toàn cầu" (Trích dẫn: "可为机器学习在船舶领域的应用提供重要的指导") vì nó giải quyết các thách thức chung về hiệu quả năng lượng và đổi mới thiết kế trong ngành hàng hải quốc tế. Việc "so sánh với các phương pháp và nghiên cứu quốc tế" như Holtrop & Mennen [23,24] và việc sử dụng dữ liệu KCS từ hội nghị ITTC [66] đã nhấn mạnh tính ứng dụng phổ quát của các kết quả. Các giải pháp mẫu nhỏ và thiết kế tạo sinh đặc biệt có giá trị cho các thị trường toàn cầu đang tìm kiếm các giải pháp thiết kế tàu xanh, hiệu quả và nhanh chóng.

• Legacy measurable outcomes: Di sản của luận án có thể được đo lường thông qua:

  • Giảm chi phí và thời gian thiết kế: Khả năng "rút ngắn chu kỳ thiết kế" (Trích dẫn: "缩短了设计周期") từ vài tuần/tháng xuống vài ngày.
  • Tiết kiệm năng lượng và giảm phát thải: Giảm tổng lực cản định lượng là "2.924%" (Trích dẫn: "优化后的船舶总阻力降低了 2.924%").
  • Nâng cao độ chính xác dự báo: Cải thiện độ chính xác dự báo lực cản cho các thiết kế tàu mới dưới mẫu nhỏ.
  • Số lượng trích dẫn và ảnh hưởng học thuật: Các đóng góp của luận án dự kiến sẽ được trích dẫn rộng rãi trong các nghiên cứu tương lai về học máy ứng dụng và kỹ thuật hàng hải.