Tổng quan về luận án

Trong kỷ nguyên công nghiệp 4.0 và chuyển dịch công nghệ hàng không - vũ trụ, cơ kỹ thuật hiện đại đòi hỏi các giải pháp tối ưu hóa kết cấu phi tuyến vừa đáp ứng tính năng cơ lý vượt trội, vừa giảm thiểu trọng lượng và đảm bảo an toàn vận hành. Luận án tiến sĩ với đề tài "Development of Meta-heuristic Optimization Methods for Mechanics Problems" (Phát triển các phương pháp tối ưu hóa meta-heuristic cho các bài toán cơ học) do Nghiên cứu sinh Lâm Phát Thuận thực hiện tại Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh, dưới sự hướng dẫn khoa học của PGS. TS. Nguyễn Hoài Sơn và PGS. TS. Lê Anh Thắng, đã giải quyết trực diện những điểm nghẽn then chốt trong lĩnh vực cơ học tính toán và tối ưu hóa kết cấu công trình.

Luận án xuất phát từ tiên đề học thuật cốt lõi: "almost all design problems in engineering can be considered as optimization problems and thus require optimization techniques to solve" (hầu hết các bài toán thiết kế kỹ thuật đều có thể quy về bài toán tối ưu và đòi hỏi các kỹ thuật tối ưu hóa tương ứng). Tuy nhiên, một khoảng trống nghiên cứu (research gap) mang tính căn bản trong tài liệu khoa học đương đại là: các thuật toán meta-heuristic kinh điển như Differential Evolution (DE) của Storn & Price (1997) hay Jaya của Rao (2016), dù sở hữu năng lực tìm kiếm toàn cục (global search) mạnh mẽ, lại chịu tổn thất tính toán vô cùng lớn khi phải đánh giá hàm mục tiêu thông qua các phân tích phần tử hữu hạn (FEA) lặp lại nhiều lần. Hơn nữa, "optimal designs are often effected by uncertainties which can be occurred from various sources, such as manufacturing processes, material properties and operating environments" (các thiết kế tối ưu thường bị tác động bởi các yếu tố bất định phát sinh từ quy trình chế tạo, đặc tính vật liệu và môi trường vận hành), dẫn đến nguy cơ phá hủy kết cấu nếu chỉ áp dụng các mô hình tối ưu hóa tất định truyền thống.

Để giải quyết triệt để các hạn chế trên, luận án thiết lập hệ thống câu hỏi nghiên cứu và giả thuyết khoa học:

  • Research Question 1 (RQ1): Làm thế nào để cải thiện cơ chế chọn lọc cá thể nhằm đẩy nhanh tốc độ hội tụ của thuật toán DE và Jaya mà không rơi vào bẫy cực trị địa phương (local extrema)?
  • Research Question 2 (RQ2): Mô hình mạng nơ-ron nhân tạo (ANN) có thể tích hợp vào thuật toán meta-heuristic như thế nào để thay thế các phân tích phản ứng kết cấu tốn kém, từ đó giảm chi phí thời gian tính toán?
  • Research Question 3 (RQ3): Làm thế nào để tích hợp hiệu quả phương pháp vòng lặp đơn xác định (Single-Loop Deterministic Method - SLDM) với thuật toán meta-heuristic nhằm giải quyết bài toán Tối ưu hóa thiết kế dựa trên độ tin cậy (RBDO) cho kết cấu composite nhiều lớp?
  • Hypothesis 1 (H1): Việc cải tiến kỹ thuật chọn lọc tinh hoa (Elitist Selection) và Roulette-Wheel sẽ tăng tốc độ hội tụ và độ chính xác của DE và Jaya trên các bài toán dàn thanh và dầm composite.
  • Hypothesis 2 (H2): Mô hình lai ABDE (ANN-Based Differential Evolution) sử dụng mạng Multi-Layer Perceptron (MLP) với thuật toán huấn luyện Levenberg-Marquardt sẽ giảm thời gian tính toán tối ưu hóa góc xoay sợi và bề dày tấm composite tăng cứng xuống hàng chục lần so với phân tích FEA thuần túy.
  • Hypothesis 3 (H3): Khung giải thuật tích hợp SLDM-iJaya sẽ chuyển đổi hiệu quả các ràng buộc xác suất phức tạp sang ràng buộc tất định xấp xỉ (ADO), cho phép tối ưu hóa trọng lượng dầm Timoshenko composite thỏa mãn chính xác chỉ số độ tin cậy mục tiêu ($\beta$).

Phạm vi nghiên cứu bao quát các hệ kết cấu cơ học chuẩn và tiên tiến: hệ dàn không gian phẳng và không gian 3 chiều (10-bar planar truss, 72-bar space truss, 120-bar arch space truss, 200-bar scaffold truss), kết cấu dầm composite Timoshenko nhiều lớp chịu tải ngang với 4 điều kiện biên cơ bản (Pinned-Pinned, Fixed-Fixed, Fixed-Pinned, Cantilever/Fixed-Free), và kết cấu tấm composite gia cường sườn chịu uốn phức tạp.

Literature Review và Positioning

Nghiên cứu tối ưu hóa kết cấu trong cơ học kỹ thuật phát triển qua hai trường phái chính: các phương pháp dựa trên gradient (gradient-based methods) và các phương pháp tiến hóa/meta-heuristic dựa trên quần thể (population-based meta-heuristics).

Trường phái Gradient-based, tiêu biểu với Sequential Linear Programming - SLP (Zoutendijk, 1960), Sequential Quadratic Programming - SQP (Boggs & Tolle, 1995), và các phương pháp Gradient liên hợp (Conjugate Gradient Method), sở hữu ưu thế vượt trội về tốc độ hội tụ cục bộ cực nhanh. Tuy nhiên, như luận án đã chỉ ra, phương pháp này đòi hỏi thông tin đạo hàm chính xác của hàm mục tiêu và hàm ràng buộc, giới hạn nghiêm ngặt trong không gian biến thiết kế liên tục, và đặc biệt là cực kỳ nhạy cảm với điểm khởi tạo ban đầu (initial design point), dễ dàng rơi vào bẫy nghiệm cực trị địa phương khi xử lý bài toán phi tuyến phức tạp của vật liệu composite nhiều lớp.

Trường phái Meta-heuristic, mở đầu với Genetic Algorithms - GA (Holland, 1975), Particle Swarm Optimization - PSO (Kennedy & Eberhart, 1995), Differential Evolution - DE (Storn & Price, 1997), Harmony Search - HS (Geem et al., 2001), Firefly Algorithm - FA (Yang, 2008), và Jaya Algorithm (Rao, 2016), đã khắc phục hoàn toàn sự phụ thuộc vào đạo hàm và điểm khởi đầu. DE nổi tiếng với tính ổn định và khả năng xử lý biến rời rạc, đã được Wang et al. (2004), Wu & Tseng (2010), Ho-Huu et al. (2016) áp dụng tối ưu hóa hệ dàn. Jaya của Rao (2016) được đánh giá cao nhờ cấu trúc không cần tham số điều khiển đặc thù (algorithm-specific parameter-less), vượt trội hơn GA, PSO, ABC trên nhiều hàm kiểm chuẩn (benchmark test functions).

Tuy nhiên, cuộc tranh luận học thuật sâu sắc nảy sinh từ điểm nghẽn hiệu năng: "one of the disadvantages of DE and Jaya is that the computational time obtaining optimal solutions is much slower than the gradient-based optimization methods" (một trong những nhược điểm của DE và Jaya là thời gian tính toán để thu được nghiệm tối ưu chậm hơn nhiều so với các phương pháp dựa trên độ dốc). Trong phân tích kết cấu composite, mỗi cá thể trong quần thể đòi hỏi một lần giải hệ phương trình phần tử hữu hạn $K \cdot u = F$. Với kích thước quần thể $NP = 50$ qua 500 thế hệ, số lần gọi bộ giải FEA lên đến 25.000 lần, tạo nên sự bùng nổ chi phí tính toán.

Về tối ưu hóa độ tin cậy (RBDO), các chiến lược truyền thống được phân chia thành:

  1. Nested Double-loop Methods: Đánh giá độ tin cậy lồng trong từng bước lặp tối ưu hóa, đạt độ chính xác cao nhưng chi phí tính toán khổng lồ (Aoues & Chateauneuf, 2010).
  2. Decoupled Methods: Tách biệt phân tích độ tin cậy và tối ưu hóa thành hai chu trình tuần tự (Du & Chen, 2004).
  3. Single-loop Methods: Chuyển đổi bài toán RBDO thành bài toán tối ưu hóa xác định xấp xỉ (Approximate Deterministic Optimization - ADO) thông qua tìm kiếm điểm Most Probable Point (MPP), tiêu biểu là Single-Loop Deterministic Method (SLDM) do Li et al. (2018) đề xuất.

Luận án định vị nghiên cứu tại giao điểm đột phá: Lai ghép Meta-heuristic cải tiến với Mạng nơ-ron nhân tạo (ANN surrogate modeling) để triệt tiêu chi phí tính toán FEA, đồng thời kết hợp thuật toán iJaya với SLDM để kiến tạo công cụ giải RBDO đơn vòng lặp cho kết cấu composite.

So sánh với các nghiên cứu quốc tế tiêu biểu:

  • So với nghiên cứu của Liu (2013, 2014) về tối ưu hóa dầm composite dựa trên nghiệm giải tích và gradient, nghiên cứu của Lâm Phát Thuận mở rộng sang tối ưu hóa toàn cục phi gradient có xét đến độ tin cậy ngẫu nhiên.
  • So với nghiên cứu của Le-Anh et al. (2015) sử dụng DE cải tiến và phần tử tấm tam giác làm trơn CS-DSG3, luận án tiến thêm một bước căn bản khi nhúng ANN để loại bỏ việc tính toán trực tiếp ma trận độ cứng tấm tăng cứng trong suốt chu trình tiến hóa.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án tạo ra bước tiến lý thuyết đáng kể thông qua việc hoàn thiện và mở rộng 4 mô hình giải thuật tính toán trong cơ học kết cấu:

  1. Mở rộng lý thuyết Tiến hóa vi phân (Differential Evolution Theory): Tác giả xây dựng thuật toán Roulette-Wheel-Elitist Differential Evolution (iDE). Thuật toán tích hợp cơ chế chọn lọc bánh xe Roulette kết hợp bảo tồn cá thể tinh hoa vào toán tử đột biến và lai ghép của Storn & Price (1997), thiết lập sự cân bằng tối ưu giữa năng lực khám phá toàn cục (diversification/exploration) và khai thác cục bộ (intensification/exploitation).

  2. Nâng cấp thuật toán Jaya (Jaya Algorithm Enhancement): Thuật toán Jaya nguyên bản của Rao (2016) cập nhật biến theo quy tắc: $$x_{j,k,i}' = x_{j,k,i} + r_{1,j,i} \cdot (x_{j,best,i} - |x_{j,k,i}|) - r_{2,j,i} \cdot (x_{j,worst,i} - |x_{j,k,i}|)$$ Luận án tái cấu trúc pha chọn lọc của Jaya bằng kỹ thuật Elitist Selection Technique, hình thành thuật toán iJaya, ngăn chặn sự suy giảm đa dạng sinh học của quần thể và tăng tốc độ hội tụ về nghiệm tối ưu toàn cục.

  3. Mô hình hóa giải tích dầm composite Timoshenko: Ứng dụng lý thuyết biến dạng trượt bậc nhất (First-Order Shear Deformation Theory - FSDT) để thiết lập trường chuyển vị chính xác: $$u(x) = u_0(x) - z \cdot \theta(x)$$ $$w(x) = w_0(x)$$ Tích hợp trực tiếp 7 hằng số tích phân bất định ($C_1$ đến $C_7$) tương ứng với 4 dạng điều kiện biên vào hàm mục tiêu tối ưu hóa ứng suất và chuyển vị.

  4. Khung lý thuyết Tối ưu hóa dựa trên độ tin cậy ngẫu nhiên (RBDO Framework): Mở rộng bài toán tối ưu hóa hình học xác định sang không gian ngẫu nhiên chứa vector tham số bất định $p \sim N(\mu_p, \sigma_p^2)$, mô hình hóa chỉ số độ tin cậy thông qua khoảng cách $\beta$ từ gốc tọa độ chuẩn hóa đến mặt giới hạn trạng thái (Limit State Function).

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp đa tầng 4 trụ cột khoa học:

  • Trụ cột 1 - Mô hình cơ học giải tích & phần tử hữu hạn: Sử dụng phương pháp giải tích chính xác (Exact Analytical Formulation) cho dầm Timoshenko và kỹ thuật Cell-Smoothed Discrete Shear Gap (CS-DSG3) với phần tử tam giác 3 nút cho tấm composite gia cường sườn. Ma trận độ cứng tổng thể được thiết lập qua nguyên lý chồng hình năng lượng biến dạng: $$U = U_P + \sum_{i=1}^{N_{st}} U_{st,i}$$
  • Trụ cột 2 - Mô hình siêu đại diện (Surrogate Metamodel): Thiết kế mạng Multi-Layer Perceptron (MLP) với thuật toán huấn luyện Levenberg-Marquardt, ánh xạ phi tuyến từ vector biến thiết kế $x = [\theta_1, \theta_2, ..., \theta_N, t_1, t_2, ..., t_N]^T$ đến các phản ứng kết cấu (độ võng cực đại $w_{max}$, ứng suất chính $\sigma_{max}$, tần số dao động riêng $\omega$).
  • Trụ cột 3 - Thuật toán tiến hóa tối ưu lai ABDE: Kết nối mạng MLP vào lõi tính toán của iDE. Mỗi khi cá thể mới được sinh ra, hàm mục tiêu được dự báo tức thời qua mạng nơ-ron đã huấn luyện mà không cần gọi bộ giải FEA.
  • Trụ cột 4 - Hợp nhất SLDM và iJaya (SLDM-iJaya): Chuyển đổi bài toán tối ưu hóa xác suất: $$\min f(d), \quad \text{thỏa mãn } P(g_j(d, X) \le 0) \ge \Phi(\beta_j^{target})$$ thành bài toán tối ưu hóa xác định xấp xỉ (ADO), sử dụng iJaya để tìm kiếm nghiệm thiết kế tối ưu với số lượng vòng lặp tối thiểu.

Điều kiện biên của khung phân tích: Giả định vật liệu đàn hồi tuyến tính trực giao (orthotropic linear elasticity), liên kết hoàn hảo giữa các lớp composite và giữa sườn tăng cứng với tấm (không xét hiện tượng tách lớp delamination ở pha tối ưu hóa sơ bộ), và phân phối chuẩn của các biến ngẫu nhiên đầu vào.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ chặt chẽ triết lý nghiên cứu thực chứng (Positivism) và định lượng tính toán (Computational Mechanics). Thiết kế nghiên cứu đa cấp (Multi-level computational design) được triển khai qua 3 cấp độ:

  • Cấp độ vi mô / lớp (Lamina level): Xác định ma trận độ cứng quy đổi $Q_{ij}$, ma trận chuyển trục tọa độ $T$, góc xoay sợi $\theta \in [-90^\circ, 90^\circ]$, và bề dày từng lớp $t_k$.
  • Cấp độ kết cấu (Structural level): Thiết lập ma trận độ cứng màng ($A_{ij}$), ma trận tương tác uốn-kéo ($B_{ij}$), ma trận độ cứng uốn ($D_{ij}$), và độ cứng trượt ($A_{55}$).
  • Cấp độ thuật toán (Algorithmic level): Thiết lập chu trình tối ưu hóa đa biến, đánh giá hàm phạt (penalty functions) đối với các ràng buộc ứng suất bền (Tsai-Wu, Maximum Stress Criteria) và độ võng giới hạn ($w \le w_{allow}$).

Quy trình nghiên cứu rigorous

Quy trình thực nghiệm số được chuẩn hóa với các giao thức kiểm soát sai số nghiêm ngặt:

  • Giao thức lấy mẫu dữ liệu huấn luyện ANN: Sử dụng kỹ thuật lấy mẫu phân bố đều trong không gian thiết kế khả thi. Bộ dữ liệu gồm hàng nghìn mẫu được phân chia theo tỷ lệ chuẩn: 70% tập huấn luyện (Training set), 15% tập kiểm định (Validation set), và 15% tập kiểm tra độc lập (Testing set).
  • Kiểm soát hiện tượng Overfitting & Overtraining: Thuật toán huấn luyện Levenberg-Marquardt tích hợp kỹ thuật Early Stopping dựa trên sai số trung bình bình phương (Mean Squared Error - MSE) của tập validation. Quá trình dừng lại khi sai số validation không còn suy giảm sau một số bước lặp định trước (check error validation metric).
  • Đảm bảo tính tương thích chuyển vị (Displacement Compatibility): Tại mặt tiếp xúc giữa tấm và dầm tăng cứng: $$u = u_r(r) - z \cdot \theta_r(r); \quad v = z \cdot \theta_s(r); \quad w = u_z(r)$$
  • Kiểm chuẩn độ tin cậy tam giác hóa (Triangulation): Kết quả phân tích tĩnh và tối ưu hóa của iDE, iJaya, ABDE và SLDM-iJaya được đối chiếu chéo (cross-verification) giữa: (1) Nghiệm giải tích chính xác của Liu (2013), (2) Nghiệm phần tử hữu hạn tiêu chuẩn, và (3) Dữ liệu công bố quốc tế của các thuật toán GA, PSO, CS, FA, DE gốc và Jaya gốc.

Data và phân tích

Dữ liệu đầu vào của các bài toán cơ học bao gồm:

  • Đặc tính cơ lý lớp composite (Graphite/Epoxy): Mô-đun đàn hồi dọc sợi $E_1 = 138\text{ GPa}$ ($22 \times 10^6\text{ lb/in}^2$), mô-đun đàn hồi ngang sợi $E_2 = 8.96\text{ GPa}$, mô-đun trượt $G_{12} = 7.1\text{ GPa}$, hệ số Poisson $\nu_{12} = 0.3$, mật độ khối lượng $\rho = 0.056\text{ lb/in}^3$.
  • Hệ kết cấu dàn kiểm chuẩn quốc tế:
    • Dàn phẳng 10 thanh (10-bar planar truss)
    • Dàn phẳng 200 thanh (200-bar truss)
    • Dàn không gian 72 thanh (72-bar space truss)
    • Dàn vòm không gian 120 thanh (120-bar arch space truss)
  • Công cụ phần mềm và phân tích: Toàn bộ thuật toán iDE, iJaya, ABDE, SLDM-iJaya và các chương trình FEA (CS-DSG3) được lập trình tự động hóa hoàn toàn trên nền tảng MATLAB. Phân tích độ nhạy (sensitivity analysis) và ước lượng độ tin cậy (reliability index $\beta$) được kiểm tra với các mức tin cậy $\beta = 2.0, 3.0, 3.719, 4.0$.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Hiệu năng vượt bậc của iDE trên các hệ dàn không gian chuẩn: Trên bài toán dàn không gian 72 thanh và 120 thanh, thuật toán iDE đạt được giá trị trọng lượng kết cấu nhỏ hơn và độ lệch chuẩn qua các lần chạy độc lập thấp hơn đáng kể so với DE nguyên bản, GA và PSO. Cơ chế chọn lọc Roulette-Wheel-Elitist giúp iDE thoát khỏi các điểm cực trị địa phương vốn làm sai lệch kết quả của các phương pháp tối ưu hóa cổ điển.

  2. Sự đột phá về tốc độ tính toán của thuật toán ABDE trên tấm composite gia cường: Khi tối ưu hóa đồng thời góc xoay sợi ($\theta_i$) và bề dày ($t_i$) của tấm composite có sườn gia cường, mô hình ABDE đạt được độ chính xác tương đương 99.8% so với phân tích FEA thuần túy, trong khi thời gian tính toán giảm xuống từ hàng giờ đồng hồ xuống chỉ còn vài phút. Kết quả kiểm tra sai số lấy mẫu và overfitting chứng minh mạng nơ-ron MLP xấp xỉ hoàn hảo trường chuyển vị uốn và ứng suất phức tạp.

  3. Tính ưu việt của iJaya trong thiết kế tối ưu dầm composite Timoshenko: So sánh đường cong hội tụ (convergence curves) trên dầm Timoshenko chịu 4 điều kiện biên (PP, FF, FP, CL), iJaya thể hiện tốc độ suy giảm hàm mục tiêu trọng lượng vượt trội hoàn toàn so với Jaya nguyên bản của Rao (2016) và DE của Storn & Price (1997). Đối với dầm có biến thiết kế liên tục (bề rộng $b$, chiều cao $h$) và biến thiết kế rời rạc (bề dày từng lớp $t_i$), iJaya luôn tìm ra cấu hình vật liệu tối ưu thỏa mãn tuyệt đối các ràng buộc ứng suất pháp $\sigma_{xx}$, ứng suất tiếp $\tau_{xz}$ và độ võng $w(x)$.

  4. Hiệu quả chuyển đổi xác định của SLDM-iJaya trong bài toán RBDO: Trong bài toán thiết kế tối ưu dầm composite Timoshenko có xét đến tính bất định của tải trọng $q_0$ và mô-đun đàn hồi $E$, thuật toán SLDM-iJaya đã hội tụ chính xác về cấu hình thiết kế đạt chỉ số độ tin cậy mong muốn ($\beta_{target}$). Số lần tính toán hàm trạng thái giới hạn giảm hơn 80% so với phương pháp vòng lặp kép truyền thống (nested double-loop RBDO).

Implications đa chiều

  • Đóng góp học thuật lý thuyết: Xác lập cơ sở khoa học vững chắc cho việc lai ghép các mô hình học máy (Machine Learning surrogate models) vào giải thuật tiến hóa meta-heuristic trong cơ học vật rắn biến dạng, chứng minh rằng mạng nơ-ron nhân tạo hoàn toàn có thể thay thế mô phỏng số học tốn kém mà không làm mất tính tổng quát của nghiệm tối ưu.
  • Đổi mới phương pháp luận: Khung tích hợp SLDM-iJaya mở ra phương pháp luận chuẩn mực để giải quyết các bài toán tối ưu hóa cơ học ngẫu nhiên (Stochastic structural optimization), có thể chuyển giao trực tiếp cho các bài toán tối ưu hóa đa trường vật lý (Multiphysics optimization) như tương tác nhiệt - cơ - điện từ.
  • Ứng dụng thực tiễn trong công nghiệp:
    • Công nghiệp hàng không: Cung cấp công cụ thiết kế tối ưu bề dày và hướng sợi cho thân và cánh máy bay composite (như Boeing 787 với 50% khối lượng là composite, hay Airbus A350 XWB), giúp giảm trọng lượng máy bay, tiết kiệm hàng triệu lít nhiên liệu mỗi năm.
    • Công nghiệp ô tô và vận tải: Ứng dụng thiết kế bồn trộn bê tông composite trên xe tải (giảm 2000 lbs so với bồn thép tiêu chuẩn) và nhíp lá composite (composite leaf springs, giảm hơn 70% trọng lượng so với thép).
    • Năng lượng tái tạo: Tối ưu hóa kết cấu cánh tua-bin gió siêu dài (GE Energy wind turbine blades), nâng cao độ bền mỏi và khả năng chống rung động dưới tải trọng gió ngẫu nhiên.
  • Khuyến nghị chính sách và tiêu chuẩn thiết kế: Cung cấp cơ sở dữ liệu và phương pháp luận để các cơ quan quản lý ban hành tiêu chuẩn thiết kế kết cấu composite hiện đại dựa trên chỉ số độ tin cậy (Reliability-based design codes) thay cho hệ số an toàn tất định (deterministic safety factors) truyền thống vốn gây lãng phí vật liệu.

Limitations và Future Research

Mặc dù đạt được những đóng góp xuất sắc, luận án thẳng thắn thừa nhận các giới hạn nghiên cứu:

  1. Mô hình hình học và điều kiện tải trọng: Các kết cấu khảo sát (dầm, tấm tăng cứng, khung dàn) chủ yếu chịu tải trọng tĩnh phân bố đều hoặc tải trọng tập trung; chưa xét đến tải trọng động phi tuyến, tải trọng va đập tốc độ cao hoặc môi trường nhiệt độ - độ ẩm khắc nghiệt (hygrothermal environment).
  2. Giả định phân phối thống kê: Trong phân tích RBDO, các biến ngẫu nhiên được giả định tuân theo phân phối chuẩn (Gaussian distribution). Trong thực tế sản xuất composite, các khuyết tật vật liệu (voids, resin-rich areas) có thể dẫn đến phân phối phi chuẩn phức tạp.
  3. Kiến trúc mạng nơ-ron đơn giản: Nghiên cứu sử dụng mạng MLP với một lớp ẩn. Đối với các bài toán kết cấu vỏ không gian 3 chiều phức hợp có hàng trăm biến thiết kế, kiến trúc mạng nông có thể gặp hạn chế về năng lực biểu diễn dữ liệu.

Chương trình nghiên cứu tương lai (Future Research Agenda):

  1. Phát triển các mô hình Deep Learning tiên tiến (như Physics-Informed Neural Networks - PINNs hoặc Convolutional Neural Networks - CNNs) kết hợp với meta-heuristic để giải quyết bài toán tối ưu hóa kết cấu 3D quy mô cực lớn.
  2. Mở rộng bài toán tối ưu hóa đa mục tiêu (Multi-Objective Optimization) đồng thời: tối thiểu hóa trọng lượng, tối đa hóa tần số dao động tự do, và tối thiểu hóa chi phí chế tạo.
  3. Ứng dụng khung giải thuật SLDM-iJaya cho các loại vật liệu tiên tiến mới như vật liệu biến đổi cơ tính (Functionally Graded Materials - FGM), nanocomposites gia cường graphene/carbon nanotubes.
  4. Tích hợp mô hình dự báo phá hủy tách lớp liên tầng (interlaminar delamination) và cơ học phá hủy phi tuyến vào chu trình tối ưu hóa độ tin cậy kết cấu.

Tác động và ảnh hưởng

Nghiên cứu mang lại giá trị tác động sâu rộng trên nhiều bình diện:

  • Tác động học thuật (Academic Impact): Tạo lập nguồn tài liệu tham khảo chất lượng cao cho cộng đồng nghiên cứu cơ học tính toán tại Việt Nam và quốc tế; các bài báo công bố từ luận án trên các tạp chí thuộc danh mục ISI/Scopus (Q1/Q2) tạo tiền đề trích dẫn học thuật lâu dài.
  • Chuyển đổi công nghiệp (Industry Transformation): Định hình lại quy trình R&D kết cấu tại các doanh nghiệp chế tạo composite, giúp rút ngắn thời gian từ giai đoạn thiết kế ý tưởng đến sản phẩm hoàn thiện từ vài tháng xuống vài tuần, giảm chi phí thử nghiệm phá hủy mẫu vật lý.
  • Lợi ích kinh tế và môi trường: Tối ưu hóa vật liệu composite giúp giảm tiêu thụ nguyên liệu đầu vào, giảm phát thải khí nhà kính trong ngành giao thông vận tải nhờ kết cấu nhẹ, đóng góp trực tiếp vào mục tiêu phát triển bền vững (Net Zero 2050).
  • Vị thế quốc tế: Khẳng định năng lực nghiên cứu độc lập và làm chủ các công nghệ tính toán tối ưu hóa cơ học tiên tiến của các nhà khoa học Việt Nam trên bản đồ học thuật thế giới.

Đối tượng hưởng lợi

  1. Nghiên cứu sinh và Giới học giả trẻ: Tiếp cận một khuôn khổ phương pháp luận mẫu mực về tối ưu hóa meta-heuristic, cách thức lai ghép AI/ANN với cơ học tính toán, và quy trình thực hiện luận án tiến sĩ kỹ thuật chuẩn mực.
  2. Giáo sư và Các nhóm nghiên cứu chuyên sâu (Research Groups): Sử dụng các mô hình iDE, iJaya, ABDE, SLDM-iJaya làm nền tảng (baseline methods) để phát triển các biến thể giải thuật thế hệ mới.
  3. Kỹ sư R&D trong các ngành Công nghiệp Tiên phong: Các kỹ sư thiết kế kết cấu hàng không vũ trụ, công nghệ ô tô điện, đóng tàu và công trình biển có được bộ công cụ tính toán chính xác để tối ưu hóa góc xoay sợi, kích thước sườn tăng cứng và bề dày composite.
  4. Nhà hoạch định chính sách và Quản lý kỹ thuật: Nắm bắt được các bằng chứng khoa học thực nghiệm để xây dựng các bộ quy chuẩn kỹ thuật quốc gia về thiết kế kết cấu composite dựa trên độ tin cậy (RBDO standards).

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc thiết lập thành công mô hình giải thuật lai ABDE (Artificial Neural Network-Based Differential Evolution) và mô hình SLDM-iJaya. Luận án đã mở rộng trực tiếp lý thuyết Tiến hóa vi phân (Differential Evolution) của Storn & Price (1997) và thuật toán Jaya của Rao (2016) thông qua cơ chế chọn lọc cá thể tinh hoa (Elitist Selection Technique), đồng thời hợp nhất lý thuyết xấp xỉ mạng nơ-ron của McCulloch & Pitts (1943) và phương pháp vòng lặp đơn xác định của Li et al. (2018) vào cơ học dầm - tấm composite nhiều lớp.

2. Điểm đổi mới phương pháp luận khi so sánh với ít nhất 2 nghiên cứu quốc tế tiền nhiệm?

So với nghiên cứu của Liu (2013, 2014) vốn chỉ sử dụng phương pháp gradient trên nghiệm giải tích xác định, luận án đã đổi mới phương pháp luận khi giải quyết bài toán không gian tìm kiếm phi liên tục chứa yếu tố bất định (RBDO). So với công trình của Le-Anh et al. (2015) về tối ưu hóa tấm gấp composite bằng iDE kết hợp CS-DSG3 đòi hỏi gọi bộ giải phần tử hữu hạn liên tục, phương pháp luận của luận án đột phá ở chỗ dùng mạng MLP huấn luyện bằng thuật toán Levenberg-Marquardt để "học" phản ứng kết cấu, triệt tiêu hoàn toàn sự phụ thuộc vào bộ giải FEA lặp lại trong chu trình tối ưu.

3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm số là gì?

Phát hiện bất ngờ và có giá trị nhất là: Mạng nơ-ron nhân tạo MLP chỉ với một lớp ẩn nhưng được huấn luyện đúng cách bằng thuật toán Levenberg-Marquardt kết hợp kiểm soát overfitting chặt chẽ có thể dự báo trường chuyển vị uốn và ứng suất của tấm composite gia cường sườn với sai số xấp xỉ dưới 0.2%, giúp thuật toán ABDE tìm ra nghiệm tối ưu toàn cục giống hệt phương pháp FEA truyền thống nhưng với tốc độ nhanh hơn hàng chục lần.

4. Luận án có cung cấp quy trình tái lập (Replication Protocol) rõ ràng không?

Có. Luận án cung cấp đầy đủ các phương trình giải tích chính xác, hệ số ma trận vật liệu ($A_{ij}, B_{ij}, D_{ij}, A_{55}$), tọa độ các nút phần tử CS-DSG3, tham số thuật toán meta-heuristic ($NP, CR, F$), kiến trúc mạng ANN (số nơ-ron, hàm kích hoạt Tanh/Sigmoid), và các điều kiện biên giải tích ($C_1 - C_7$), cho phép các nhà nghiên cứu độc lập lập trình và tái lập 100% kết quả thực nghiệm số trên MATLAB hoặc bất kỳ ngôn ngữ lập trình khoa học nào.

5. Chương trình nghị sự nghiên cứu 10 năm được phác thảo như thế nào?

Luận án định hình lộ trình nghiên cứu 10 năm tập trung vào: (1) Tích hợp Deep Learning và Physics-Informed Neural Networks (PINNs) cho kết cấu cơ học phức tạp 3D; (2) Phát triển các bộ giải tối ưu hóa đa mục tiêu thời gian thực (Real-time multi-objective optimization); (3) Mở rộng RBDO cho vật liệu FGM, vật liệu tự phục hồi (Self-healing composites) và cấu trúc nano; (4) Chuẩn hóa phần mềm thương mại phục vụ chuyển giao công nghệ cho công nghiệp hàng không và năng lượng tái tạo.

Kết luận

  1. Luận án đã phát triển thành công thuật toán tiến hóa vi phân cải tiến iDE với cơ chế Roulette-Wheel-Elitist Selection, nâng cao vượt bậc năng lực tìm kiếm toàn cục trên các bài toán dàn không gian phức tạp.
  2. Xây dựng và kiểm chứng thành công thuật toán iJaya tích hợp kỹ thuật chọn lọc tinh hoa, khắc phục triệt để nhược điểm hội tụ chậm của thuật toán Jaya nguyên bản trên bài toán dầm Timoshenko composite.
  3. Đề xuất mô hình lai đột phá ABDE, ứng dụng mạng nơ-ron nhân tạo MLP huấn luyện bằng Levenberg-Marquardt làm mô hình siêu đại diện, giải quyết triệt để bài toán bùng nổ chi phí tính toán khi tối ưu hóa tấm composite gia cường sườn.
  4. Thiết lập công cụ tính toán toàn diện SLDM-iJaya, kết hợp hoàn hảo giữa phương pháp vòng lặp đơn xác định và meta-heuristic cải tiến, giải quyết trọn vẹn bài toán Tối ưu hóa thiết kế dựa trên độ tin cậy (RBDO) cho kết cấu composite dưới tác động của các biến ngẫu nhiên.
  5. Chứng minh tính chính xác, hiệu quả và độ tin cậy của các giải pháp đề xuất thông qua hàng loạt bài toán kiểm chuẩn cơ học quốc tế, mở ra hướng ứng dụng thực tiễn to lớn trong ngành hàng không, vũ trụ, ô tô và công trình biển.
  6. Luận án đã thúc đẩy bước tiến quan trọng về mặt mô hình (paradigm shift) từ tối ưu hóa kết cấu tất định truyền thống sang tối ưu hóa thông minh dựa trên học máy và độ tin cậy, để lại di sản học thuật thực chất với tiềm năng ứng dụng công nghiệp lâu dài.