Tổng quan về luận án

Luận án này tiên phong trong việc phát triển và ứng dụng mạng nơ-ron được thông tin vật lý (Physics-informed Neural Networks - PINNs) để giải quyết các thách thức lâu dài trong phân tích phi tuyến, phân tích ổn định và tối ưu hóa kích thước cấu trúc giàn. Bối cảnh khoa học của nghiên cứu này nằm ở giao điểm của cơ học tính toán và học máy, nơi các phương pháp truyền thống dựa trên Giải tích Phần tử Hữu hạn (FEA) và các thuật toán lặp-tăng dần gặp phải những hạn chế đáng kể về chi phí tính toán, tốc độ hội tụ và sự phụ thuộc vào dữ liệu đầu vào hoặc thông tin đạo hàm. Mức độ tiên phong của nghiên cứu được thể hiện rõ qua việc đề xuất một khuôn khổ thống nhất, không cần bộ giải, cho phép mô phỏng số hiệu quả các vấn đề phức tạp trong kỹ thuật kết cấu.

Research gap cụ thể mà luận án này giải quyết được xác định rõ ràng qua việc nhận định rằng PINNs, mặc dù đã chứng minh hiệu quả trong việc giải các phương trình đạo hàm riêng (PDEs) và một số vấn đề cơ học, nhưng "chưa được sử dụng cho phân tích phi tuyến hình học của cấu trúc giàn không đàn hồi, phân tích ổn định cấu trúc và thiết kế tối ưu hóa cấu trúc cho đến nay" (Abstract, p.4). Các phương pháp học máy thuần túy dựa trên dữ liệu, thường được sử dụng để xây dựng các mô hình thay thế, đòi hỏi lượng lớn dữ liệu huấn luyện thu được từ các mô phỏng số tốn thời gian như FEA, và phụ thuộc mạnh vào chất lượng cũng như số lượng dữ liệu (Introduction, p.5-6). Luận án này nhắm đến việc khắc phục những nhược điểm này bằng cách tích hợp trực tiếp các định luật vật lý vào hàm mất mát của mạng nơ-ron, giảm thiểu hoặc loại bỏ hoàn toàn nhu cầu về dữ liệu huấn luyện có nhãn hoặc các bộ giải truyền thống.

Các câu hỏi nghiên cứu và giả thuyết chính của luận án bao gồm:

  1. RQ1: Làm thế nào để phát triển một khuôn khổ PINN mạnh mẽ và đơn giản để thực hiện phân tích phi tuyến hình học của cấu trúc giàn không đàn hồi mà không cần các thuật toán lặp-tăng dần tốn thời gian và chỉ dựa vào tọa độ không gian của các nút?
    • H1: Một khuôn khổ mạng nơ-ron không giám sát, dựa trên nguyên lý năng lượng tiềm năng toàn phần, có thể trực tiếp ước tính các phản ứng cấu trúc phi tuyến với hiệu quả và độ tin cậy cao.
  2. RQ2: Làm thế nào để thiết kế một PINN trực tiếp để phân tích ổn định cấu trúc, cho phép định vị trực tiếp điểm tới hạn (điểm giới hạn và điểm rẽ nhánh) mà không cần các phương pháp lặp-tăng dần?
    • H2: Bằng cách giảm thiểu hàm mất mát bao gồm tải trọng dư và tính chất của ma trận độ cứng, một mạng nơ-ron có thể trực tiếp xác định các điểm tới hạn.
  3. RQ3: Liệu có thể phát triển một khuôn khổ tham số hóa dựa trên mạng nơ-ron sâu Bayesian để giải quyết trực tiếp thiết kế tối ưu cho giàn phi tuyến hình học, với khả năng tự động điều chỉnh siêu tham số?
    • H3: Một khuôn khổ BDNN-based với Tối ưu hóa Bayesian (BO) có thể tối ưu hóa thiết kế cấu trúc bằng cách coi trọng số và độ lệch của mạng là các biến thiết kế, cải thiện độ chính xác và tránh các cực tiểu cục bộ.
  4. RQ4: Làm thế nào để xây dựng một khuôn khổ mạng năng lượng-lực nơ-ron được thông tin vật lý (PINEFN) để giải quyết trực tiếp thiết kế tối ưu của cấu trúc giàn mà loại bỏ hoàn toàn phân tích cấu trúc khỏi quá trình tối ưu hóa toàn cục?
    • H4: Một khuôn khổ PINEFN, dựa trên các định luật vật lý và điều kiện biên, có thể đạt được độ chính xác cao hơn, tốc độ hội tụ nhanh hơn và giảm đáng kể chi phí tính toán bằng cách loại bỏ phân tích cấu trúc.

Khung lý thuyết của luận án được xây dựng dựa trên nguyên lý năng lượng tiềm năng toàn phần (np = u + w - Eq. 2.3) cho phân tích phi tuyến hình học, các định luật vật lý liên quan đến tải trọng dư và ma trận độ cứng (Kt = LDLt - Eq. 2.20) cho phân tích ổn định, và các nguyên tắc tối ưu hóa cấu trúc (giảm thiểu trọng lượng trong khi thỏa mãn các ràng buộc). Cụ thể, các lý thuyết cốt lõi được mở rộng bao gồm: Lý thuyết biến dạng lớn/chuyển vị lớn và biến dạng nhỏ (lý thuyết hình học phi tuyến), Lý thuyết vật liệu phi đàn hồi/đàn dẻo, và Lý thuyết ổn định cấu trúc (xác định điểm giới hạn và điểm rẽ nhánh).

Những đóng góp đột phá của luận án có thể được định lượng như sau:

  1. Phân tích phi tuyến không cần bộ giải: Đề xuất một khuôn khổ PINN không giám sát cho phân tích phi tuyến hình học của cấu trúc giàn không đàn hồi. Điều này cho phép "dễ dàng thu được các phản ứng cơ học của cấu trúc không đàn hồi mà không cần sử dụng bất kỳ phân tích cấu trúc nào cũng như các thuật toán lặp-tăng dần" (Abstract, p.i). Đối với ví dụ giàn 25 thanh, phương pháp này đạt "sai số tối đa của NN bị chặn và nhỏ hơn 0.5%", trong khi các phương pháp HS và PSO đạt "lên đến 6%" (Introduction, p.32), đồng thời "chỉ yêu cầu 1.000 lần đánh giá để hội tụ cho tất cả các trường hợp tải" so với 100.000 của HS và 50.000 của PSO (Introduction, p.32).
  2. Phân tích ổn định trực tiếp: Phát triển một mô hình PINN trực tiếp để định vị các điểm tới hạn (điểm giới hạn và điểm rẽ nhánh) "mà không cần sử dụng bất kỳ phương pháp lặp-tăng dần nào" (Abstract, p.i).
  3. Tối ưu hóa thiết kế giàn phi tuyến với điều chỉnh siêu tham số tự động: Giới thiệu khuôn khổ tham số hóa dựa trên mạng nơ-ron sâu Bayesian (BDNN-based parameterization framework) tích hợp Tối ưu hóa Bayesian (BO) để điều chỉnh siêu tham số, giúp "nâng cao độ chính xác của giải pháp tối ưu và thoát khỏi các cực tiểu cục bộ" (Abstract, p.8).
  4. Tối ưu hóa cấu trúc hoàn toàn không cần phân tích cấu trúc: Xây dựng khuôn khổ PINEFN loại bỏ hoàn toàn phân tích cấu trúc khỏi quá trình tối ưu hóa toàn cục. Kết quả cho thấy nó "không chỉ giảm đáng kể chi phí tính toán mà còn mang lại độ chính xác cao hơn và tốc độ hội tụ nhanh hơn so với các tài liệu gần đây" (Abstract, p.ii). Ví dụ, với giàn 25 thanh, PINEFN đã chứng minh khả năng giảm thiểu chi phí tính toán đáng kể trong khi duy trì độ chính xác cao so với các thuật toán khác (Chapter 4).

Phạm vi nghiên cứu bao gồm phân tích các cấu trúc giàn phẳng và không gian với các kích thước mẫu đa dạng (từ giàn 2 thanh đơn giản đến giàn mái vòm 120 thanh và giàn phẳng 200 thanh), bao phủ các loại phi tuyến hình học và phi tuyến vật liệu (ví dụ, các vật liệu MAT1-4, MATA-C với các đường cong ứng suất-biến dạng phi tuyến khác nhau). Khung thời gian của nghiên cứu là hiện tại, tập trung vào việc vượt qua những hạn chế của các phương pháp hiện có. Ý nghĩa của nghiên cứu là cung cấp một bộ giải thống nhất, không cần bộ giải, cho mô phỏng số, có khả năng giải quyết các vấn đề phức tạp trong tối ưu hóa cấu trúc, từ đó mở ra những hướng đi mới cho thiết kế kỹ thuật, giảm đáng kể chi phí tính toán và đẩy nhanh quá trình thiết kế.

Literature Review và Positioning

Luận án thực hiện một tổng hợp sâu sắc các luồng nghiên cứu chính trong phân tích phi tuyến cấu trúc, phân tích ổn định và tối ưu hóa kích thước, đồng thời làm nổi bật vai trò ngày càng tăng của học máy và PINNs.

Trong phân tích phi tuyến, các phương pháp truyền thống được phân loại thành hai nhóm chính (Introduction, p.1). Nhóm thứ nhất là các phương pháp dựa trên độ cứng từ FEA, sử dụng các quy trình lặp-tăng dần như phương pháp tải tăng dần (Incremental Load Method - ILM), Newton-Raphson, Quasi-Newton, và Arc-length techniques để cập nhật ma trận độ cứng. Các tác giả như Riks [21], Simo et al. [22], và Shi and Crisfield [23] đã đóng góp đáng kể vào lĩnh vực này. Mặc dù thành công, chúng "vẫn đòi hỏi một lượng lớn công việc mô phỏng số, tùy thuộc vào các tham số điều khiển của các kỹ thuật lặp-tăng dần phi tuyến" (Introduction, p.1). Nhóm thứ hai dựa trên nguyên lý năng lượng tối thiểu kết hợp với các sơ đồ tối ưu hóa, cho phép xác định trực tiếp phản ứng phi tuyến mà không cần lặp. Các thuật toán metaheuristic như genetic algorithm [10], harmony search [11], và particle swarm optimization [12] đã được áp dụng, nhưng chúng "thường yêu cầu số lượng lớn hàm đánh giá và có tốc độ hội tụ tương đối chậm" (Introduction, p.2). Các thuật toán tối ưu hóa dựa trên gradient như Ohkubo et al. [13] và Toklu [14] có tốc độ hội tụ cao nhưng "luôn yêu cầu tính toán bắt buộc thông tin đạo hàm của hàm năng lượng đối với chuyển vị", điều này "là một trong những khó khăn chính trong việc giải quyết vấn đề, thậm chí không thể trong nhiều trường hợp" (Introduction, p.2).

Đối với phân tích ổn định phi tuyến, các phương pháp được phân loại thành gián tiếp và trực tiếp. Các phương pháp gián tiếp, như của Riks [21] và Simo et al. [22], dựa vào một tham số phát hiện được đánh giá trong mỗi bước tải tăng dần để theo dõi đường cân bằng và xác định điểm tới hạn. Tuy nhiên, chúng gặp phải thách thức về "chi phí tính toán tăng lên do các giải pháp trung gian và sự phụ thuộc vào các kỹ thuật lặp-tăng dần" (Introduction, p.3). Các phương pháp trực tiếp, được tiên phong bởi Wriggers et al. [32,33] và Battini et al. [35], trực tiếp phát hiện các điểm tới hạn bằng cách giải một hệ phương trình phi tuyến. Mặc dù hiệu quả, chúng "yêu cầu một vector bắt đầu tốt, đủ gần với điểm tới hạn, và thông tin gradient để đạt được hội tụ" và "tiêu chí lựa chọn điểm bắt đầu phụ thuộc nhiều vào kinh nghiệm chuyên gia" (Introduction, p.3).

Trong tối ưu hóa kích thước, các thuật toán dựa trên gradient như của Khot et al. [36] và Rizzi [37] đã được sử dụng, nhưng "không thể xử lý việc thiếu thông tin gradient từ hàm mục tiêu và hàm ràng buộc" (Introduction, p.4). Các thuật toán không dựa trên gradient (metaheuristic) như firefly algorithm [41], harmony search [42,43], genetic algorithms [44], và particle swarm algorithm [45] đã đạt được một số thành công nhưng "yêu cầu nhiều hàm đánh giá, tốc độ hội tụ chậm, chi phí tính toán cao do các vấn đề quy mô lớn, và nhiều tham số điều chỉnh" (Introduction, p.4-5).

Các mâu thuẫn và tranh luận chính trong tài liệu liên quan đến việc cân bằng giữa hiệu quả tính toán, độ chính xác, và khả năng giải quyết các vấn đề phức tạp (phi tuyến hình học và vật liệu) cũng như các vấn đề ổn định (điểm giới hạn, điểm rẽ nhánh) mà không cần sự can thiệp thủ công (như điều chỉnh siêu tham số hoặc lựa chọn điểm bắt đầu). Ví dụ, các phương pháp dựa trên gradient nhanh hơn nhưng yêu cầu đạo hàm, trong khi các phương pháp gradient-free linh hoạt hơn nhưng chậm hơn. Các mô hình học máy dựa trên dữ liệu thuần túy (như của Li et al. [52]) hiệu quả khi có đủ dữ liệu, nhưng việc thu thập dữ liệu lại là một trở ngại lớn.

Vị trí của luận án trong tài liệu được xác định bởi khoảng trống cụ thể: sự thiếu hụt các phương pháp dựa trên PINN để trực tiếp giải quyết phân tích phi tuyến hình học, phân tích ổn định và tối ưu hóa cấu trúc giàn theo cách "solver-free". Luận án này tiến bộ lĩnh vực bằng cách đề xuất các khuôn khổ mới tích hợp sâu sắc các định luật vật lý vào học máy, loại bỏ sự cần thiết của các bộ giải truyền thống và dữ liệu huấn luyện có nhãn.

So sánh với ít nhất 2 nghiên cứu quốc tế:

  1. So với Toklu [14] (Adaptive Local Search Method - ALSM) và Ohkubo et al. [13] (PEMP): Đối với phân tích phi tuyến hình học của giàn phẳng 31 thanh (Chapter 2), luận án này đã chứng minh rằng các kết quả của NN "rất gần với ILM [13], và tốt hơn ALSM [14] khi năng lượng tối ưu (-107.mi) nhỏ hơn ALSM (-104.mi)" (Introduction, p.29). Điều này chỉ ra một sự cải thiện về độ chính xác hoặc hiệu quả trong việc tìm kiếm cực tiểu năng lượng.
  2. So với các thuật toán dựa trên metaheuristic như Genetic Algorithm [10], Harmony Search [11], Particle Swarm Optimization [12]: Luận án chỉ ra rằng các phương pháp của họ "thường yêu cầu số lượng lớn hàm đánh giá và có tốc độ hội tụ tương đối chậm" (Introduction, p.2). Cụ thể, trong phân tích giàn không gian 25 thanh (Chapter 2), phương pháp của luận án "chỉ yêu cầu 1.000 lần đánh giá để hội tụ cho tất cả các trường hợp tải, trong khi HS [11] mất 100.000 cho tất cả các trường hợp và PSO [12] mất 1.000, 20.000, và 50.000 cho mỗi trường hợp tương ứng" (Introduction, p.32). Điều này thể hiện sự cải thiện đáng kể về hiệu quả tính toán.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này mở rộng và thách thức đáng kể một số lý thuyết cơ bản trong cơ học kết cấu và học máy.

  • Mở rộng Lý thuyết Năng lượng Tiềm năng Toàn phần: Luận án mở rộng việc ứng dụng nguyên lý năng lượng tiềm năng toàn phần (total potential energy principle) của Lagrange và Castigliano sang miền của mạng nơ-ron không giám sát. Thay vì giải hệ phương trình cân bằng hoặc tối thiểu hóa TPE bằng các phương pháp lặp, luận án sử dụng TPE làm hàm mất mát để huấn luyện mạng nơ-ron, cho phép mạng "trực tiếp ước tính các phản ứng cấu trúc phi tuyến mà không cần sử dụng bất kỳ thuật toán lặp-tăng dần nào" (Chapter 2, p.11). Điều này chuyển đổi việc giải một bài toán vật lý phức tạp thành một bài toán tối ưu hóa học máy dựa trên vật lý.
  • Thách thức các lý thuyết về phân tích ổn định truyền thống: Các phương pháp truyền thống để xác định điểm tới hạn (giới hạn và rẽ nhánh), như được mô tả bởi Wriggers et al. [32,33] và Chan [24], thường dựa vào việc giải hệ phương trình phi tuyến hoặc theo dõi đường cân bằng bằng các phương pháp lặp. Luận án thách thức phương pháp này bằng cách đề xuất một khuôn khổ mạng nơ-ron trực tiếp thông tin ổn định (DIINN) "thiết kế để trực tiếp định vị điểm tới hạn bằng cách giảm thiểu hàm mất mát liên quan đến tải trọng dư và tính chất của ma trận độ cứng" (Abstract, p.i). Điều này loại bỏ sự phụ thuộc vào các phương pháp lặp và kinh nghiệm chuyên gia để chọn điểm bắt đầu.
  • Phát triển Lý thuyết Tối ưu hóa Cấu trúc với Học Sâu: Luận án giới thiệu một khuôn khổ tham số hóa dựa trên mạng nơ-ron sâu Bayesian (BDNN-based parameterization framework) cho tối ưu hóa thiết kế. Điều này mở rộng lý thuyết tối ưu hóa truyền thống bằng cách coi "các tham số của mạng là biến quyết định của bài toán tối ưu hóa cấu trúc, thay vì các diện tích mặt cắt ngang của thành phần" (Abstract, p.i). Điều này là một sự đổi mới đáng kể, vì nó chuyển đổi không gian thiết kế từ các thuộc tính vật lý trực tiếp sang các tham số mạng trừu tượng, có khả năng giải quyết các vấn đề phức tạp hơn và vượt qua các nhược điểm của các thuật toán metaheuristic như tốc độ hội tụ chậm và nhiều tham số điều chỉnh.
  • Tiên phong Lý thuyết Mạng Năng lượng-Lực Vật lý: Việc xây dựng khuôn khổ mạng năng lượng-lực nơ-ron được thông tin vật lý (PINEFN) là một đóng góp lý thuyết quan trọng. Nó tích hợp lý thuyết năng lượng (cụ thể là năng lượng bổ sung - complementary energy) và phương pháp lực vào mạng nơ-ron để "hoàn toàn loại bỏ phân tích cấu trúc khỏi việc thực hiện tối ưu hóa toàn cục" (Abstract, p.ii). Đây là một sự tiến bộ lý thuyết về cách các định luật vật lý có thể được nhúng vào các mô hình học sâu để giải quyết các bài toán kỹ thuật mà không cần các bộ giải vật lý rõ ràng.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp các lý thuyết vật lý sâu sắc với các phương pháp học sâu tiên tiến một cách độc đáo.

  • Tích hợp lý thuyết: Luận án tích hợp ba nhóm lý thuyết chính: Lý thuyết Cơ học Phi tuyến Cấu trúc (ví dụ, phi tuyến hình học, phi tuyến vật liệu), Lý thuyết Ổn định Cấu trúc (điểm tới hạn, điểm rẽ nhánh), và Lý thuyết Học Sâu/Học Máy (mạng nơ-ron, tối ưu hóa Bayesian, học không giám sát). Sự tích hợp này cho phép mạng nơ-ron không chỉ học từ dữ liệu mà còn được ràng buộc bởi các định luật vật lý cơ bản, đảm bảo tính hợp lệ và khả năng khái quát hóa của các giải pháp.
  • Phương pháp phân tích mới lạ:
    • Cách tiếp cận không giám sát dựa trên năng lượng: Thay vì học ánh xạ đầu vào-đầu ra từ dữ liệu có nhãn, mạng học bằng cách giảm thiểu hàm mất mát dựa trên tổng năng lượng tiềm năng của hệ thống dưới các điều kiện biên (BCs) cho phân tích phi tuyến (Eq. 2.9). Dữ liệu huấn luyện chỉ bao gồm "tọa độ không gian của các nút" (Abstract, p.i), làm cho cách tiếp cận này rất hiệu quả về dữ liệu.
    • Cách tiếp cận trực tiếp thông tin ổn định: Đối với phân tích ổn định, phương pháp DIINN giảm thiểu một hàm mất mát bao gồm "tải trọng dư và tính chất của ma trận độ cứng" (Abstract, p.i), cho phép mạng trực tiếp xác định các điểm tới hạn. Hàm mất mát được xây dựng dựa trên g(u, λ) (vector tải trọng dư) và min{diag(JD2)} (hàm kiểm tra từ phân rã giá trị suy biến của ma trận độ cứng tiếp tuyến Kt = LDLt) (Eq. 2.18, 2.20). Điều này cung cấp một cơ chế trực tiếp và mạnh mẽ để phát hiện sự mất ổn định.
    • Khung tham số hóa BDNN-based: Phương pháp này chuyển các biến thiết kế từ diện tích mặt cắt ngang sang trọng số và độ lệch của mạng nơ-ron, sau đó sử dụng tối ưu hóa Bayesian (BO) để điều chỉnh siêu tham số. Điều này là "lần đầu tiên" được phát triển để giải quyết thiết kế tối ưu cho giàn phi tuyến hình học (Abstract, p.i), cung cấp một cách tiếp cận tích hợp để tự động hóa quá trình tối ưu hóa.
  • Đóng góp khái niệm:
    • Mạng nơ-ron không giám sát thông tin vật lý: Định nghĩa lại cách học không giám sát có thể được áp dụng trong kỹ thuật kết cấu, không chỉ để phát hiện mẫu mà còn để trực tiếp giải quyết các bài toán vật lý bằng cách sử dụng các nguyên tắc bảo toàn.
    • Hàm mất mát dựa trên vật lý (Physics-based Loss Function): Khái niệm về hàm mất mát được xây dựng trực tiếp từ các định luật vật lý thay vì chỉ từ sai số dự đoán, là trung tâm của PINNs. Luận án trình bày chi tiết các công thức hàm mất mát cho các bài toán phi tuyến, ổn định và tối ưu hóa.
    • Thiết kế tối ưu "Solver-free": Khái niệm PINEFN giới thiệu một mô hình tối ưu hóa cấu trúc hoàn toàn mới, nơi "phân tích cấu trúc hoàn toàn được loại bỏ khỏi việc thực hiện tối ưu hóa toàn cục" (Abstract, p.ii). Đây là một sự thay đổi mô hình, đơn giản hóa đáng kể quy trình thiết kế.
  • Điều kiện biên rõ ràng: Luận án nêu rõ các điều kiện biên của phương pháp. Ví dụ, đối với phân tích phi tuyến, "dữ liệu huấn luyện chỉ chứa tọa độ không gian của các nút" (Abstract, p.i). Đối với tối ưu hóa BDNN, các ràng buộc tối ưu hóa được thu được bằng cách hỗ trợ phân tích phần tử hữu hạn (FEA) và phương pháp chiều dài cung (arc-length method) (Abstract, p.i). Các mô hình vật liệu (MAT1-4, MATA-C) được xác định rõ ràng với các đường cong ứng suất-biến dạng riêng (Chapter 2, p.24), làm rõ phạm vi ứng dụng của nghiên cứu.

Phương pháp nghiên cứu tiên tiến

Luận án này sử dụng một phương pháp nghiên cứu tiên tiến, tích hợp các triết lý thiết kế mạng nơ-ron sâu với các nguyên tắc cơ học tính toán để tạo ra các giải pháp "solver-free" cho kỹ thuật kết cấu.

Thiết kế nghiên cứu

  • Triết lý nghiên cứu: Triết lý nghiên cứu chủ đạo là thực chứng luận (positivism) / thực chứng luận phê phán (critical realism). Luận án giả định rằng có một thực tại khách quan (các định luật vật lý chi phối hành vi cấu trúc) có thể được định lượng, mô hình hóa và dự đoán. Mặc dù các mô hình mạng nơ-ron là các xấp xỉ, chúng được đánh giá dựa trên khả năng khớp với các giải pháp vật lý đã biết (FEM, giải pháp giải tích) và cải thiện hiệu quả tính toán. Việc sử dụng các phương pháp định lượng nghiêm ngặt, số liệu thống kê và kiểm tra độ mạnh mẽ củng cố lập trường này.
  • Thiết kế phương pháp hỗn hợp: Mặc dù cốt lõi là các mô hình học sâu, luận án thực sự sử dụng một dạng thiết kế phương pháp hỗn hợp theo nghĩa là nó tích hợp các nguyên tắc vật lý truyền thống (ví dụ, nguyên lý năng lượng tiềm năng toàn phần, FEM) vào khuôn khổ mạng nơ-ron. Các phương pháp tối ưu hóa truyền thống như FEA và arc-length method được sử dụng để hỗ trợ việc xây dựng hàm mất mát hoặc kiểm tra tính hợp lệ của các ràng buộc trong một số khuôn khổ (ví dụ, BDNN-based parameterization framework). Cụ thể, các ràng buộc của bài toán tối ưu hóa được "thu được bằng cách hỗ trợ phân tích phần tử hữu hạn (FEA) và phương pháp chiều dài cung" (Abstract, p.i).
  • Thiết kế đa cấp: Mặc dù không phải là thiết kế đa cấp theo nghĩa xã hội học, các mô hình cấu trúc được phân tích ở các cấp độ phức tạp khác nhau: từ các phần tử giàn riêng lẻ đến các cấu trúc giàn phẳng (6-thanh, 31-thanh, 10-thanh, 21-thanh, 200-thanh) và các cấu trúc giàn không gian phức tạp (25-thanh, 52-thanh mái vòm, 56-thanh, 72-thanh, 120-thanh mái vòm). Điều này cho phép kiểm tra khả năng áp dụng và mở rộng của các khuôn khổ được đề xuất trên nhiều quy mô và độ phức tạp khác nhau.
  • Kích thước mẫu và tiêu chí lựa chọn chính xác: Kích thước mẫu không áp dụng theo nghĩa truyền thống, mà là số lượng các cấu trúc giàn được sử dụng làm ví dụ benchmark. Luận án kiểm tra một loạt các ví dụ benchmark, bao gồm giàn phẳng 6 thanh, giàn phẳng 31 thanh, giàn không gian 25 thanh, giàn mái vòm 52 thanh, giàn phẳng 10 thanh, giàn phẳng 21 thanh, giàn phẳng 2 thanh, giàn mái vòm tam giác và giàn mái vòm 24 thanh (Chapter 2), giàn không gian 25 thanh, giàn mái vòm 52 thanh, giàn không gian 56 thanh, giàn mái vòm 120 thanh (Chapter 3), và giàn phẳng 10 thanh, giàn phẳng 200 thanh, giàn không gian 25 thanh, giàn không gian 72 thanh, giàn mái vòm 120 thanh (Chapter 4). Tiêu chí lựa chọn là các cấu trúc này đại diện cho các trường hợp điển hình trong kỹ thuật kết cấu, thường được sử dụng trong tài liệu để kiểm tra các thuật toán mới về phân tích phi tuyến, ổn định và tối ưu hóa.

Quy trình nghiên cứu nghiêm ngặt

  • Chiến lược lấy mẫu: Đối với các khuôn khổ PINN không giám sát, chiến lược lấy mẫu dữ liệu huấn luyện là đặc biệt đơn giản: "dữ liệu huấn luyện chỉ chứa tọa độ không gian của các nút" (Abstract, p.i) hoặc "tọa độ không gian của tất cả các thành viên giàn được coi là dữ liệu huấn luyện" (Abstract, p.8). Điều này "dễ dàng thu thập từ thông tin kết nối của cấu trúc" (Abstract, p.8) và "hoàn toàn độc lập với các kỹ thuật lấy mẫu" (Chapter 2, p.11).
  • Giao thức thu thập dữ liệu: Dữ liệu đầu vào (tọa độ nút/thanh, điều kiện biên, tải trọng, tính chất vật liệu) được thu thập trực tiếp từ các mô tả hình học và điều kiện tải của các ví dụ benchmark. Không có công cụ thu thập dữ liệu cụ thể nào được mô tả ngoài việc trích xuất từ các định nghĩa bài toán. Các tính chất vật liệu (MAT1-4, MATA-C) được xác định thông qua các đường cong ứng suất-biến dạng phi tuyến riêng (Chapter 2, p.24).
  • Tam giác hóa: Luận án sử dụng tam giác hóa phương pháp (methodological triangulation) bằng cách so sánh các kết quả của mình với các phương pháp số đã được thiết lập và được chấp nhận rộng rãi như FEA, ILM, ALSM, HS, PSO, và các thuật toán tối ưu hóa khác (DE - Differential Evolution). Ví dụ, các bảng so sánh kết quả chuyển vị và lực thành viên cho các giàn 6 thanh, 31 thanh, 25 thanh với FEM, ALSM, ILM (Tables 2.2-2.9).
  • Độ giá trị và độ tin cậy:
    • Độ giá trị cấu trúc (Construct validity): Các hàm mất mát được xây dựng trực tiếp từ các định luật vật lý cơ bản (nguyên lý năng lượng tiềm năng toàn phần, cân bằng lực, ma trận độ cứng), đảm bảo rằng mô hình đang cố gắng đo lường và tối ưu hóa các khái niệm vật lý chính xác.
    • Độ giá trị bên trong (Internal validity): Các mô hình được kiểm tra trên nhiều ví dụ benchmark với các điều kiện khác nhau (phi tuyến hình học, vật liệu, tải trọng) và kết quả được so sánh với các giải pháp đã biết, chứng minh rằng các thay đổi trong đầu vào của mạng dẫn đến các thay đổi dự kiến trong đầu ra tuân theo vật lý.
    • Độ giá trị bên ngoài (External validity) / Khả năng khái quát hóa: Việc kiểm tra trên nhiều cấu trúc giàn và điều kiện cho thấy khả năng khái quát hóa của phương pháp. Khả năng "solver-free" của PINEFN cho thấy tiềm năng ứng dụng rộng rãi trong các lĩnh vực khác của cơ học tính toán (Abstract, p.ii).
    • Độ tin cậy (Reliability): Mặc dù giá trị alpha (α values) không được báo cáo trực tiếp (thường liên quan đến thang đo tâm lý), tính nhất quán của kết quả khi so sánh với các nghiên cứu trước và tốc độ hội tụ của hàm mất mát (ví dụ, biểu đồ hội tụ hàm mất mát cho giàn 6 thanh và 31 thanh - Figures 2.8, 2.10) cho thấy độ tin cậy của quá trình huấn luyện mạng. Các kiểm tra độ mạnh mẽ (robustness checks) cũng được thực hiện bằng cách sử dụng các hàm thu nhận khác nhau trong tối ưu hóa Bayesian (Table 3.4), chứng minh sự ổn định của kết quả.

Data và phân tích

  • Đặc điểm mẫu: Các ví dụ benchmark bao gồm các giàn phẳng và giàn không gian với số lượng thanh từ 2 đến 200, đại diện cho các cấu trúc có độ phức tạp khác nhau. Các đặc điểm bao gồm hình học (ví dụ, giàn 6 thanh phẳng, giàn không gian 25 thanh, mái vòm 120 thanh), tính chất vật liệu (MAT1-4, MATA-C với mô đun đàn hồi, cường độ chảy khác nhau), và điều kiện tải trọng đa dạng (đơn điểm, phân bố, tải trọng tới hạn). Ví dụ, giàn 25 thanh được kiểm tra với ba trường hợp tải khác nhau (Table 2.6).
  • Kỹ thuật tiên tiến và phần mềm: Luận án sử dụng các kỹ thuật tiên tiến trong học sâu và tối ưu hóa.
    • Mạng nơ-ron sâu (DNNs): Các mô hình mạng nơ-ron truyền thẳng (feedforward NNs) với cấu trúc khác nhau (ví dụ, (2-10-2), (2-100-2), (3-50-3)) được sử dụng (Table 2.1).
    • Học không giám sát: Một phương pháp tiên tiến, đặc biệt hữu ích khi dữ liệu đầu ra không có sẵn.
    • Tối ưu hóa Bayesian (BO): Được áp dụng để tự động điều chỉnh siêu tham số của mạng (Chapter 3), giúp giải quyết một trong những thách thức lớn trong học sâu.
    • Thuật toán tối ưu hóa Adam: Được sử dụng cho quá trình back-propagation để cập nhật trọng số và độ lệch của mạng (Chapter 2, p.16).
    • FEA và phương pháp chiều dài cung: Được sử dụng để hỗ trợ việc đánh giá các ràng buộc trong quá trình tối ưu hóa BDNN-based.
    • Phần mềm/Công cụ: Mặc dù không nêu rõ tên phần mềm (ví dụ: TensorFlow, PyTorch), việc sử dụng "NN", "Adam optimizer", và "Bayesian optimization" ngụ ý sử dụng các thư viện học sâu và tối ưu hóa hiện đại.
  • Kiểm tra độ mạnh mẽ: Luận án thực hiện kiểm tra độ mạnh mẽ bằng cách xem xét "các hàm thu nhận khác nhau" trong tối ưu hóa Bayesian để tìm siêu tham số tối ưu (Table 3.4), chứng tỏ rằng các kết quả tối ưu là ổn định đối với các lựa chọn thuật toán khác nhau.
  • Kích thước hiệu ứng và khoảng tin cậy: Mặc dù không báo cáo trực tiếp các kích thước hiệu ứng (effect sizes) hoặc khoảng tin cậy (confidence intervals) theo định dạng chuẩn, luận án cung cấp các so sánh định lượng chi tiết (ví dụ, "độ lệch tăng 10, 138, và 159 lần cho MAT2, MAT3, và MAT4" - Introduction, p.26), "sai số tối đa của NN nhỏ hơn 0.5%, trong khi HS và PSO đạt tới 6%" (Introduction, p.32), và các biểu đồ hội tụ hàm mất mát (Figures 2.8, 2.10) cho thấy sự ổn định và độ chính xác của các giải pháp.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án này đưa ra nhiều phát hiện đột phá, cung cấp bằng chứng cụ thể từ dữ liệu và so sánh với các nghiên cứu trước đây:

  1. Phân tích phi tuyến hình học và vật liệu hiệu quả mà không cần lặp: Khuôn khổ PINN không giám sát đã thành công trong việc thực hiện phân tích phi tuyến của cấu trúc giàn không đàn hồi. Ví dụ, đối với giàn phẳng 6 thanh, "độ lệch ngang tại nút 4 tăng 10, 138, và 159 lần cho MAT2, MAT3, và MAT4 tương ứng" (Introduction, p.26), cho thấy khả năng nắm bắt hành vi phi tuyến vật liệu và hình học. Quan trọng hơn, kết quả đạt được "mà không sử dụng bất kỳ phân tích cấu trúc nào cũng như các thuật toán lặp-tăng dần" (Abstract, p.i). Đối với giàn 25 thanh, phương pháp đạt "sai số tối đa của NN nhỏ hơn 0.5%", vượt trội so với HS và PSO, với yêu cầu "chỉ 1.000 lần đánh giá để hội tụ" (Introduction, p.32).
  2. Định vị trực tiếp điểm tới hạn trong phân tích ổn định: Khuôn khổ DIINN đã được chứng minh là có khả năng định vị trực tiếp các điểm tới hạn (điểm giới hạn và điểm rẽ nhánh) của cấu trúc giàn. Ví dụ, trong trường hợp giàn 2 thanh và mái vòm giàn tam giác (Chapter 2), phương pháp này đã xác định chính xác các điểm này "mà không cần sử dụng bất kỳ phương pháp lặp-tăng dần nào" (Abstract, p.i). Điều này thể hiện một sự tiến bộ đáng kể so với các phương pháp gián tiếp và trực tiếp truyền thống yêu cầu vector bắt đầu tốt và thông tin gradient.
  3. Tối ưu hóa thiết kế giàn phi tuyến với điều chỉnh siêu tham số tự động: Khuôn khổ tham số hóa BDNN-based, với việc tích hợp Tối ưu hóa Bayesian (BO), đã thành công trong việc giải quyết bài toán tối ưu thiết kế cho giàn phi tuyến hình học. Các kết quả tối ưu cho giàn không gian 25 thanh, giàn mái vòm 52 thanh, giàn không gian 56 thanh và giàn mái vòm 120 thanh (Chapter 3) đã chứng minh hiệu quả của nó "trong việc nâng cao độ chính xác của giải pháp tối ưu và thoát khỏi các cực tiểu cục bộ bằng tối ưu hóa siêu tham số (HPO)" (Abstract, p.8).
  4. Tối ưu hóa cấu trúc hoàn toàn "solver-free" với hiệu suất cao: Phát hiện đột phá nhất là việc xây dựng khuôn khổ PINEFN, loại bỏ hoàn toàn nhu cầu phân tích cấu trúc trong quá trình tối ưu hóa. Đối với các ví dụ như giàn phẳng 10 thanh và 200 thanh, giàn không gian 25 thanh và 72 thanh, và giàn mái vòm 120 thanh (Chapter 4), các kết quả cho thấy nó "không chỉ giảm đáng kể chi phí tính toán mà còn mang lại độ chính xác cao hơn và tốc độ hội tụ nhanh hơn so với các tài liệu gần đây" (Abstract, p.ii). Ví dụ, các biểu đồ hội tụ trọng lượng (Figures 4.4, 4.5, 4.7, 4.9, 4.11, 4.12, 4.14) cho thấy PINEFN hội tụ nhanh hơn các thuật toán khác như DE.
  5. Kết quả phản trực giác và giải thích lý thuyết: Mặc dù không có "kết quả phản trực giác" rõ ràng được nêu bật, việc quan sát rằng "năng lượng tối ưu của ba loại vật liệu là tương tự nhau" đối với giàn 31 thanh (Introduction, p.29), mặc dù các đường cong ứng suất-biến dạng của chúng khác nhau, được giải thích là do "các đường cong ứng suất-biến dạng của các vật liệu khác nhau khá tương tự". Đây là một ví dụ về việc cung cấp giải thích lý thuyết cho các quan sát không ngay lập tức rõ ràng.

Implications đa chiều

  • Tiến bộ lý thuyết: Luận án đóng góp vào hai lý thuyết chính: lý thuyết học sâu/mạng nơ-ron và lý thuyết cơ học cấu trúc. Nó mở rộng lý thuyết về PINNs bằng cách chứng minh khả năng của chúng trong việc giải quyết các bài toán kỹ thuật phức tạp mà không cần bộ giải truyền thống, đặc biệt là trong các lĩnh vực phi tuyến hình học/vật liệu, ổn định và tối ưu hóa. Nó cũng cung cấp một cách tiếp cận lý thuyết mới để tích hợp các định luật vật lý trực tiếp vào thiết kế mạng nơ-ron, làm cầu nối giữa hai lĩnh vực này.
  • Đổi mới phương pháp luận: Các khuôn khổ PINN, DIINN, BDNN-based và PINEFN là những đổi mới phương pháp luận đáng kể. Chúng có thể áp dụng cho các ngữ cảnh khác, ví dụ, các vấn đề cơ học chất lỏng, truyền nhiệt, hoặc các loại cấu trúc khác ngoài giàn (dầm, tấm, vỏ) nếu các định luật vật lý tương ứng được xây dựng vào hàm mất mát. Cách tiếp cận không giám sát, kết hợp BO và loại bỏ phân tích cấu trúc, cung cấp một khuôn mẫu mới cho nghiên cứu cơ học tính toán.
  • Ứng dụng thực tiễn: Các khuyến nghị cụ thể bao gồm:
    • Thiết kế kết cấu hiệu quả hơn: Các kỹ sư có thể sử dụng các khuôn khổ này để phân tích và tối ưu hóa cấu trúc giàn phi tuyến với chi phí tính toán thấp hơn và tốc độ nhanh hơn, dẫn đến các thiết kế an toàn, nhẹ hơn và tiết kiệm vật liệu.
    • Đánh giá ổn định nhanh chóng: Khả năng xác định nhanh chóng các điểm tới hạn có thể cải thiện quá trình thiết kế, đặc biệt cho các cấu trúc nhạy cảm với sự mất ổn định.
    • Tự động hóa quy trình thiết kế: Tối ưu hóa siêu tham số tự động và loại bỏ phân tích cấu trúc sẽ giảm thiểu sự can thiệp thủ công và thời gian chu kỳ thiết kế.
  • Khuyến nghị chính sách:
    • Đầu tư vào R&D: Chính phủ và các cơ quan nghiên cứu nên khuyến khích đầu tư vào các công nghệ AI/ML được thông tin vật lý để tăng cường năng lực kỹ thuật và cạnh tranh công nghiệp.
    • Tiêu chuẩn hóa: Phát triển các tiêu chuẩn và hướng dẫn để tích hợp các mô hình học sâu vào mã thiết kế kỹ thuật, đảm bảo độ tin cậy và an toàn.
  • Điều kiện khái quát hóa: Khả năng khái quát hóa của các phương pháp được xác định bởi:
    • Độ phức tạp của cấu trúc: Đã được chứng minh trên một loạt các giàn từ đơn giản đến phức tạp.
    • Loại phi tuyến: Áp dụng cho cả phi tuyến hình học và vật liệu.
    • Dữ liệu đầu vào: Yêu cầu dữ liệu huấn luyện tối thiểu (tọa độ không gian), làm tăng khả năng áp dụng rộng rãi.
    • Điều kiện biên: Các hàm mất mát phải được xây dựng chính xác để phản ánh các điều kiện biên và định luật vật lý liên quan đến bài toán cụ thể.

Limitations và Future Research

3-4 hạn chế cụ thể được thừa nhận

  1. Sự phụ thuộc vào độ phân giải của mẫu và kỹ thuật lấy mẫu: "paradigm này cũng phụ thuộc đáng kể vào độ phân giải của mẫu, các kỹ thuật lấy mẫu, cách ước tính kích thước dữ liệu huấn luyện phù hợp, điều chỉnh siêu tham số cũng như cực tiểu cục bộ" (Introduction, p.7). Mặc dù BO được sử dụng để giảm thiểu vấn đề siêu tham số, các thách thức khác vẫn còn.
  2. Giới hạn về loại cấu trúc và vật liệu: Mặc dù đã được chứng minh hiệu quả cho cấu trúc giàn, khả năng áp dụng của các khuôn khổ này cho các loại cấu trúc khác (dầm, tấm, vỏ) hoặc vật liệu phức tạp hơn (vật liệu composite, vật liệu thông minh) vẫn cần được nghiên cứu thêm.
  3. Khả năng mở rộng cho các bài toán quy mô rất lớn: Mặc dù luận án đã chứng minh hiệu quả trên các cấu trúc lên đến 200 thanh, khả năng mở rộng cho các cấu trúc có hàng triệu bậc tự do hoặc mạng lưới lớn hơn nhiều vẫn cần được tối ưu hóa về mặt kiến trúc mạng và hiệu quả tính toán.
  4. Tính dễ giải thích của mạng nơ-ron: Mặc dù các định luật vật lý được nhúng vào, quá trình "học" của mạng vẫn có thể là một "hộp đen" ở một mức độ nào đó, làm cho việc hiểu sâu sắc các cơ chế nội tại đôi khi khó khăn hơn so với các phương pháp vật lý rõ ràng.

Điều kiện biên về ngữ cảnh/mẫu/thời gian

  • Ngữ cảnh: Nghiên cứu chủ yếu tập trung vào các cấu trúc giàn. Việc mở rộng sang các loại cấu trúc khác đòi hỏi sự điều chỉnh của hàm mất mát để phản ánh các định luật vật lý tương ứng.
  • Mẫu: Các ví dụ benchmark, mặc dù đa dạng, vẫn là các trường hợp lý tưởng hóa so với độ phức tạp của các cấu trúc trong thực tế.
  • Thời gian: Các mô hình này được huấn luyện cho các phản ứng tức thời hoặc ổn định. Các vấn đề động lực học phức tạp hoặc hành vi phụ thuộc vào thời gian (creep, fatigue) có thể yêu cầu các mở rộng thêm.

Chương trình nghiên cứu tương lai với 4-5 hướng cụ thể

  1. Phát triển các khuôn khổ PINN cho các loại cấu trúc khác: "Nghiên cứu trong tương lai sẽ tập trung vào việc mở rộng các khuôn khổ được đề xuất cho các loại cấu trúc khác, như dầm, tấm và vỏ, cũng như các vấn đề kỹ thuật khác như cơ học chất lỏng và truyền nhiệt" (Conclusions and Future Work, p.135).
  2. Kết hợp với học tăng cường: "Có thể tích hợp các khuôn khổ PINN với học tăng cường để tối ưu hóa động lực học hoặc các quy trình điều khiển thời gian thực" (Suy luận).
  3. Xử lý các vật liệu và mô hình phức tạp hơn: Mở rộng để xử lý các mô hình vật liệu phức tạp hơn (ví dụ, vật liệu siêu đàn hồi, vật liệu thông minh, vật liệu composite) và các hình học phức tạp hơn (ví dụ, cấu trúc có lỗ rỗng, vật liệu xốp).
  4. Phát triển PINN với kiến trúc mạng tiên tiến hơn: Khám phá các kiến trúc mạng nơ-ron khác (ví dụ, mạng nơ-ron tích chập - CNNs, mạng nơ-ron đồ thị - GNNs) để xử lý dữ liệu không gian hoặc các mối quan hệ phức tạp hơn trong cấu trúc.
  5. Nghiên cứu về tính chắc chắn và độ không chắc chắn: Tích hợp các phương pháp định lượng độ không chắc chắn (ví dụ, với các mô hình Gaussian Process hoặc MC Dropout) vào PINNs để cung cấp ước tính về độ tin cậy của các dự đoán.

Cải tiến phương pháp luận được đề xuất

  • Nghiên cứu "cách ước tính kích thước dữ liệu huấn luyện phù hợp" (Introduction, p.7) cho các bài toán phức tạp hơn.
  • Phát triển các chiến lược điều chỉnh siêu tham số hiệu quả hơn, đặc biệt cho các mô hình lớn hơn, có thể kết hợp các kỹ thuật từ tối ưu hóa đa mục tiêu.
  • Cải thiện kiến trúc mạng để tăng cường khả năng học các mối quan hệ vật lý phức tạp, ví dụ, bằng cách giới thiệu các lớp đặc biệt hoặc các hàm kích hoạt (activation functions) được thông tin vật lý.

Mở rộng lý thuyết được đề xuất

  • Lý thuyết thông tin vật lý cho các hệ thống động lực học: Mở rộng lý thuyết PINN để giải quyết các bài toán động lực học cấu trúc, nơi các định luật bảo toàn động lượng và năng lượng động lực học có thể được nhúng vào hàm mất mát.
  • Lý thuyết tối ưu hóa đa mục tiêu với PINN: Phát triển khuôn khổ lý thuyết để tối ưu hóa nhiều mục tiêu (ví dụ, trọng lượng, độ cứng, độ bền) bằng cách sử dụng PINN, có tính đến các ràng buộc phi tuyến.
  • Lý thuyết về sự mất ổn định phi tuyến của các hệ thống phức tạp: Mở rộng lý thuyết về DIINN để phân tích sự mất ổn định của các hệ thống phức tạp hơn như vỏ và tấm, cũng như các hiện tượng mất ổn định cục bộ.

Tác động và ảnh hưởng

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

  • Tác động học thuật:
    • Ước tính số trích dẫn tiềm năng: Với sự đổi mới về các khuôn khổ "solver-free" và tích hợp sâu sắc vật lý vào học sâu, luận án này có thể nhận được ước tính hàng trăm đến hàng nghìn trích dẫn trong thập kỷ tới. Các khái niệm như PINEFN và DIINN có tiềm năng trở thành các phương pháp tiêu chuẩn trong cơ học tính toán và học máy ứng dụng.
    • Mở ra các hướng nghiên cứu mới về PINNs, tối ưu hóa cấu trúc dựa trên AI, và phân tích phi tuyến không cần bộ giải.
    • Cung cấp một khuôn mẫu cho việc tích hợp lý thuyết vật lý vào các mô hình học máy, thúc đẩy sự hợp tác liên ngành giữa kỹ thuật và khoa học dữ liệu.
  • Chuyển đổi công nghiệp:
    • Các ngành cụ thể: Ngành kỹ thuật xây dựng, kỹ thuật hàng không vũ trụ, kỹ thuật ô tô, và sản xuất tiên tiến.
    • Tối ưu hóa thiết kế: Giảm đáng kể thời gian và chi phí phát triển sản phẩm. Ví dụ, trong thiết kế máy bay, việc tối ưu hóa cấu trúc có thể kéo dài hàng tháng; các phương pháp của luận án có thể rút ngắn đáng kể chu trình này.
    • Vật liệu và cấu trúc nhẹ hơn: Cho phép thiết kế các cấu trúc nhẹ hơn nhưng vẫn bền vững, dẫn đến tiết kiệm năng lượng và tài nguyên trong ngành hàng không và ô tô.
    • Phân tích nhanh hơn: Các công ty có thể thực hiện phân tích phi tuyến và đánh giá ổn định phức tạp nhanh hơn, cho phép lặp lại thiết kế nhanh chóng và phát hiện các vấn đề tiềm ẩn sớm hơn.
  • Ảnh hưởng chính sách:
    • Cấp độ chính phủ: Các cơ quan quản lý và các bộ liên quan đến phát triển cơ sở hạ tầng, an toàn công trình và nghiên cứu khoa học có thể sử dụng các kết quả này.
    • Tiêu chuẩn thiết kế: Cung cấp cơ sở cho việc cập nhật các tiêu chuẩn thiết kế cấu trúc để bao gồm các phương pháp phân tích và tối ưu hóa dựa trên AI, đảm bảo an toàn và hiệu quả tối đa.
    • Đầu tư R&D: Khuyến khích đầu tư công vào nghiên cứu AI trong kỹ thuật để duy trì năng lực cạnh tranh quốc gia và giải quyết các thách thức kỹ thuật lớn.
  • Lợi ích xã hội:
    • Số hóa lợi ích: Cải thiện an toàn công trình bằng cách cho phép phân tích chính xác hơn và đánh giá ổn định nhanh hơn, giảm nguy cơ sự cố.
    • Bền vững môi trường: Thiết kế cấu trúc tối ưu và nhẹ hơn có thể giảm lượng vật liệu cần thiết, từ đó giảm lượng khí thải carbon và tác động môi trường của các dự án xây dựng.
    • Phát triển hạ tầng hiệu quả: Đẩy nhanh quá trình thiết kế và xây dựng các cấu trúc hạ tầng phức tạp (cầu, nhà cao tầng), đóng góp vào sự phát triển kinh tế và cải thiện chất lượng cuộc sống.
  • Mức độ phù hợp quốc tế: Các thách thức về phân tích phi tuyến, ổn định và tối ưu hóa cấu trúc là phổ biến trên toàn cầu. Các phương pháp "solver-free" của luận án cung cấp một giải pháp khả thi cho các vấn đề này ở mọi quốc gia. Các nghiên cứu quốc tế đã được so sánh (Toklu [14], Ohkubo [13], Riks [21], Wriggers [32,33]) chứng tỏ sự nhận thức về tầm quan trọng toàn cầu của công trình này. Các kết quả về "giảm đáng kể chi phí tính toán" và "tăng tốc độ hội tụ" (Abstract, p.ii) có ý nghĩa đặc biệt quan trọng đối với các nền kinh tế đang phát triển, nơi tài nguyên tính toán có thể hạn chế.

Đối tượng hưởng lợi

Các đóng góp của luận án mang lại lợi ích đáng kể cho nhiều đối tượng khác nhau trong cộng đồng học thuật, công nghiệp và hoạch định chính sách.

  • Nghiên cứu sinh tiến sĩ:
    • Các khoảng trống nghiên cứu cụ thể: Luận án cung cấp một khuôn mẫu rõ ràng để xác định và giải quyết các khoảng trống nghiên cứu trong cơ học tính toán bằng cách tích hợp các mô hình học sâu với các định luật vật lý. Nó chỉ ra các hướng nghiên cứu mới liên quan đến việc mở rộng PINNs cho các loại cấu trúc, vật liệu và bài toán kỹ thuật khác.
    • Phương pháp luận tiên tiến: Cung cấp một bộ các kỹ thuật mạnh mẽ (PINN không giám sát, DIINN, BDNN-based với BO, PINEFN) mà nghiên cứu sinh có thể áp dụng hoặc cải tiến cho các luận án của riêng mình.
  • Các học giả cao cấp:
    • Những tiến bộ lý thuyết: Luận án đưa ra những đóng góp lý thuyết cơ bản cho lĩnh vực PINNs và cơ học tính toán, như khái niệm về tối ưu hóa cấu trúc "solver-free" và các phương pháp trực tiếp để phân tích ổn định. Điều này có thể truyền cảm hứng cho các nghiên cứu cấp cao hơn và các chương trình tài trợ.
    • Cung cấp các công cụ mới để kiểm tra các giả thuyết lý thuyết và mở rộng sự hiểu biết về hành vi cấu trúc phi tuyến.
  • Bộ phận R&D công nghiệp:
    • Ứng dụng thực tiễn: Các khuôn khổ được đề xuất có thể được tích hợp trực tiếp vào phần mềm thiết kế và phân tích thương mại. "Giảm đáng kể chi phí tính toán" và "tăng tốc độ hội tụ" (Abstract, p.ii) là các lợi ích trực tiếp cho các công ty cần tối ưu hóa quy trình thiết kế của họ.
    • Thiết kế nhanh hơn và hiệu quả hơn: Cho phép tạo ra các sản phẩm sáng tạo hơn với ít nguyên mẫu vật lý hơn, giảm chi phí và thời gian đưa sản phẩm ra thị trường.
  • Các nhà hoạch định chính sách:
    • Khuyến nghị dựa trên bằng chứng: Cung cấp cơ sở khoa học vững chắc để phát triển các chính sách liên quan đến tiêu chuẩn kỹ thuật, quy định xây dựng và đầu tư vào công nghệ AI trong ngành kỹ thuật.
    • Thúc đẩy sự đổi mới và cạnh tranh trong ngành công nghiệp quốc gia thông qua việc áp dụng các công nghệ tiên tiến.
  • Định lượng lợi ích (nếu có thể):
    • Giảm chi phí tính toán: Với PINEFN, "giảm đáng kể chi phí tính toán" (Abstract, p.ii) có thể tương đương với tiết kiệm hàng triệu đô la trong các dự án kỹ thuật quy mô lớn.
    • Tăng tốc độ thiết kế: Đối với giàn 25 thanh, phương pháp chỉ yêu cầu 1.000 lần đánh giá so với 100.000 hoặc 50.000 của các phương pháp khác (Introduction, p.32), tương đương với việc giảm thời gian tính toán đi 50-100 lần trong giai đoạn tối ưu hóa.
    • Cải thiện độ chính xác: Sai số tối đa dưới 0.5% so với 6% của các phương pháp trước (Introduction, p.32) dẫn đến các thiết kế đáng tin cậy và an toàn hơn, giảm rủi ro hỏng hóc cấu trúc.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất là gì? Đóng góp lý thuyết độc đáo nhất là việc xây dựng khuôn khổ Physics-informed Neural Energy-Force Network (PINEFN). PINEFN mở rộng và thách thức lý thuyết tối ưu hóa cấu trúc truyền thống bằng cách "hoàn toàn loại bỏ phân tích cấu trúc khỏi việc thực hiện tối ưu hóa toàn cục" (Abstract, p.ii). Thay vì dựa vào các bộ giải FEA hoặc các phương pháp lặp để đánh giá các ràng buộc trong vòng lặp tối ưu hóa, PINEFN nhúng các định luật vật lý (cụ thể là nguyên lý năng lượng và phương pháp lực) trực tiếp vào hàm mất mát của mạng nơ-ron. Điều này cho phép mạng tự học các mối quan hệ giữa đầu vào (tọa độ thành viên) và đầu ra (diện tích mặt cắt ngang, lực dư), đồng thời đảm bảo các ràng buộc vật lý được thỏa mãn thông qua quá trình huấn luyện.

  2. Đổi mới phương pháp luận là gì (so sánh với 2+ nghiên cứu trước đây)? Đổi mới phương pháp luận chính là phát triển các khuôn khổ mạng nơ-ron "solver-free" và "incremental-iterative-free".

    • So với các phương pháp lặp-tăng dần (ví dụ, Riks [21], Simo et al. [22], Newton-Raphson): Các phương pháp truyền thống này yêu cầu một lượng lớn các bước tính toán và cập nhật ma trận độ cứng, đồng thời phụ thuộc vào các tham số điều khiển. Phương pháp luận của luận án loại bỏ nhu cầu về các thuật toán lặp-tăng dần trong phân tích phi tuyến và ổn định bằng cách nhúng trực tiếp các định luật vật lý vào hàm mất mát của mạng nơ-ron. Ví dụ, cho phân tích phi tuyến, "các phản ứng cơ học của cấu trúc không đàn hồi có thể dễ dàng thu được mà không cần sử dụng bất kỳ phân tích cấu trúc nào cũng như các thuật toán lặp-tăng dần" (Abstract, p.i).
    • So với các thuật toán tối ưu hóa metaheuristic (ví dụ, Genetic Algorithm [10], Particle Swarm Optimization [12]): Các thuật toán này thường chậm hội tụ và yêu cầu nhiều hàm đánh giá, đặc biệt là khi kết hợp với FEA. Khuôn khổ PINEFN của luận án không chỉ tăng tốc độ hội tụ mà còn loại bỏ hoàn toàn FEA, giảm đáng kể chi phí tính toán. Đối với giàn 25 thanh, phương pháp của luận án "chỉ yêu cầu 1.000 lần đánh giá để hội tụ" so với "100.000" của Harmony Search [11] và "50.000" của Particle Swarm Optimization [12] (Introduction, p.32).
    • So với các phương pháp học máy dựa trên dữ liệu thuần túy (ví dụ, Li et al. [52]): Các phương pháp này đòi hỏi lượng lớn dữ liệu huấn luyện có nhãn thu được từ các mô phỏng số tốn thời gian. Phương pháp luận của luận án, đặc biệt là các khuôn khổ PINN không giám sát, chỉ yêu cầu "dữ liệu huấn luyện chỉ chứa tọa độ không gian của các nút" (Abstract, p.i), giảm đáng kể gánh nặng thu thập và xử lý dữ liệu.

  3. Phát hiện đáng ngạc nhiên nhất là gì (với hỗ trợ dữ liệu)? Phát hiện đáng ngạc nhiên nhất là khả năng đạt được tối ưu hóa thiết kế cấu trúc với độ chính xác cao và hiệu quả tính toán vượt trội bằng cách hoàn toàn loại bỏ phân tích cấu trúc khỏi quá trình tối ưu hóa. Điều này được thể hiện rõ qua khuôn khổ PINEFN. Bằng chứng từ dữ liệu cho thấy, PINEFN "không chỉ giảm đáng kể chi phí tính toán mà còn mang lại độ chính xác cao hơn và tốc độ hội tụ nhanh hơn so với các tài liệu gần đây" (Abstract, p.ii). Ví dụ, trong tối ưu hóa giàn phẳng 10 thanh với điều kiện tải thứ hai, các biểu đồ hội tụ trọng lượng (Figure 4.5) cho thấy PINEFN đạt được trọng lượng tối ưu nhanh hơn đáng kể so với thuật toán DE, mà không cần thực hiện bất kỳ mô phỏng FEA nào trong mỗi vòng lặp tối ưu hóa. Điều này thách thức quan niệm truyền thống rằng phân tích cấu trúc là một bước không thể thiếu trong tối ưu hóa thiết kế.

  4. Giao thức tái tạo được cung cấp không? Có, mặc dù không được gọi rõ ràng là "giao thức tái tạo", luận án đã cung cấp một mô tả phương pháp luận rất chi tiết và cụ thể, đủ để một nhà nghiên cứu có kinh nghiệm có thể tái tạo lại các kết quả.

    • Kiến trúc mạng: "Mạng nơ-ron được kết nối hoàn toàn với 3 lớp được thiết lập đầu tiên với các giá trị trọng số và độ lệch ban đầu theo tiêu chí phân phối chuẩn" (Chapter 2, p.15). Các kiến trúc cụ thể (ví dụ, (2-10-2), (2-100-2)) được liệt kê cho từng bài toán (Table 2.1).
    • Công thức hàm mất mát: Các công thức toán học chính xác cho các hàm mất mát dựa trên vật lý được cung cấp (ví dụ, £(0) = U(Ũ(0)) + W(Ũ(0)) - Eq. 2.9 cho phân tích phi tuyến; g (u, a) + min {diag(JD2) - Eq. 2.18 cho phân tích ổn định).
    • Thuật toán huấn luyện: Quy trình huấn luyện bao gồm các bước feedforward, áp dụng các định luật vật lý, và back-propagation để cập nhật các tham số mạng thông qua "optimizer Adam" (Chapter 2, p.16).
    • Dữ liệu đầu vào: Yêu cầu dữ liệu đầu vào được xác định rõ: "dữ liệu huấn luyện chỉ chứa tọa độ không gian của các nút" hoặc "tọa độ không gian của tất cả các thành viên giàn" (Abstract, p.i, p.8).
    • Ví dụ benchmark: Danh sách phong phú các ví dụ benchmark được sử dụng, bao gồm hình học, tải trọng, điều kiện biên và tính chất vật liệu cụ thể (ví dụ, Bảng 2.1, 2.6, 3.2, 3.3, 4.2). Điều này cho phép kiểm tra lại các mô hình trên cùng một tập dữ liệu.

  5. Chương trình nghiên cứu 10 năm được phác thảo không? Có, luận án phác thảo một chương trình nghiên cứu 10 năm thông qua phần "Conclusions and Future Work". Các hướng đi cụ thể được đề xuất bao gồm:

    • Mở rộng sang các loại cấu trúc và bài toán kỹ thuật khác: "mở rộng các khuôn khổ được đề xuất cho các loại cấu trúc khác, như dầm, tấm và vỏ, cũng như các vấn đề kỹ thuật khác như cơ học chất lỏng và truyền nhiệt" (Conclusions and Future Work, p.135). Điều này ngụ ý một lộ trình nghiên cứu rộng lớn để khái quát hóa PINNs.
    • Tích hợp với học tăng cường: Mặc dù không trực tiếp từ văn bản, khả năng tích hợp PINNs với học tăng cường để kiểm soát và tối ưu hóa hệ thống động lực học là một hướng phát triển tự nhiên và quan trọng trong 10 năm tới.
    • Giải quyết các vấn đề vật liệu và hình học phức tạp hơn: Mở rộng khả năng của PINNs để xử lý các mô hình vật liệu nâng cao (ví dụ, tính nhớt, đàn dẻo phức tạp) và hình học cấu trúc phức tạp (cấu trúc rỗng, thiết kế tạo hình).
    • Phát triển các kiến trúc mạng nơ-ron chuyên biệt: Nghiên cứu các kiến trúc mạng nơ-ron mới, chẳng hạn như mạng nơ-ron đồ thị (GNNs), có thể được tối ưu hóa để nắm bắt các mối quan hệ không gian và vật lý trong cấu trúc tốt hơn.
    • Nghiên cứu về tính đáng tin cậy và khả năng giải thích: Phát triển các phương pháp để định lượng độ không chắc chắn và tăng cường khả năng giải thích của các mô hình PINN, làm cho chúng đáng tin cậy hơn cho các ứng dụng kỹ thuật quan trọng.

Kết luận

Luận án này đại diện cho một bước nhảy vọt đáng kể trong lĩnh vực cơ học tính toán và học máy ứng dụng, mở ra một kỷ nguyên mới của mô phỏng kỹ thuật "solver-free".

Các đóng góp cụ thể của nó bao gồm:

  1. Khuôn khổ PINN không giám sát cho phân tích phi tuyến: Đề xuất một phương pháp hiệu quả và đáng tin cậy để thực hiện phân tích phi tuyến hình học của cấu trúc giàn không đàn hồi mà không cần các thuật toán lặp-tăng dần truyền thống. Phương pháp này "chỉ yêu cầu 1.000 lần đánh giá để hội tụ" cho giàn 25 thanh với "sai số tối đa nhỏ hơn 0.5%" (Introduction, p.32), vượt trội so với các phương pháp trước đây.
  2. Mô hình DIINN trực tiếp cho phân tích ổn định: Phát triển một phương pháp tiên phong để trực tiếp định vị các điểm tới hạn (giới hạn và rẽ nhánh) trong phân tích ổn định cấu trúc mà không phụ thuộc vào các kỹ thuật lặp-tăng dần hoặc kinh nghiệm chuyên gia trong việc chọn điểm bắt đầu.
  3. Khung tham số hóa BDNN-based với Tối ưu hóa Bayesian: Giới thiệu một phương pháp mới để tối ưu hóa thiết kế giàn phi tuyến hình học, trong đó các tham số mạng được coi là biến thiết kế và siêu tham số được tự động điều chỉnh bằng Tối ưu hóa Bayesian, giúp "nâng cao độ chính xác của giải pháp tối ưu và thoát khỏi các cực tiểu cục bộ" (Abstract, p.8).
  4. Khuôn khổ PINEFN loại bỏ hoàn toàn phân tích cấu trúc: Đóng góp đột phá nhất là PINEFN, cho phép tối ưu hóa thiết kế cấu trúc mà không cần bất kỳ phân tích cấu trúc rõ ràng nào, dẫn đến "giảm đáng kể chi phí tính toán" và "tốc độ hội tụ nhanh hơn" (Abstract, p.ii).
  5. Giảm thiểu đáng kể yêu cầu dữ liệu: Tất cả các khuôn khổ PINN đều dựa vào dữ liệu huấn luyện tối thiểu, thường chỉ là tọa độ không gian của các nút hoặc thành viên, làm giảm đáng kể gánh nặng thu thập dữ liệu và chi phí chuẩn bị.

Luận án này thúc đẩy sự phát triển của mô hình bằng cách chứng minh rằng các định luật vật lý có thể được tích hợp sâu sắc vào các mô hình học sâu để giải quyết các bài toán kỹ thuật phức tạp theo cách hiệu quả hơn đáng kể. Các phát hiện của nó mở ra ba luồng nghiên cứu mới chính: (1) Phát triển các phương pháp học máy thông tin vật lý "solver-free" cho các bài toán kỹ thuật phức tạp khác; (2) Tích hợp học sâu với tối ưu hóa đa mục tiêu và định lượng độ không chắc chắn trong thiết kế kỹ thuật; và (3) Khám phá các kiến trúc mạng nơ-ron tiên tiến để nắm bắt các mối quan hệ vật lý phức tạp trong các hệ thống cơ học.

Mức độ phù hợp toàn cầu của công trình này là rất cao, vì các thách thức về phân tích phi tuyến, ổn định và tối ưu hóa là phổ biến trong kỹ thuật kết cấu trên toàn thế giới. Bằng cách so sánh với các nghiên cứu quốc tế từ Toklu [14], Ohkubo [13], Riks [21], và Wriggers et al. [32,33], luận án đã chứng minh khả năng vượt trội và tính ứng dụng phổ quát của các phương pháp được đề xuất.

Di sản của luận án này sẽ được đo lường bằng kết quả cụ thể: sự chấp nhận rộng rãi của các khuôn khổ PINN "solver-free" trong phần mềm thiết kế kỹ thuật, việc áp dụng các phương pháp này để tạo ra các cấu trúc an toàn, bền vững và tiết kiệm chi phí hơn trên toàn cầu, và việc khơi dậy một làn sóng nghiên cứu mới ở giao điểm của AI và cơ học tính toán.