Tổng quan về luận án

Luận án này tiên phong trong lĩnh vực kỹ thuật xây dựng công trình, tập trung vào “Phân tích, đánh giá sự suy giảm khả năng chịu tải và tuổi thọ của kết cấu nhịp cầu dầm bê tông cốt thép đang khai thác”. Bối cảnh khoa học của nghiên cứu được đặt trong thực trạng đáng báo động về sự xuống cấp của hạ tầng cầu đường toàn cầu và tại Việt Nam, nơi việc đảm bảo độ bền lâu và an toàn cho hàng ngàn cây cầu bê tông cốt thép (BTCT) đang khai thác là một nhiệm vụ cấp thiết. Theo dữ liệu từ hệ thống quản lý cầu VBMS của Cục đường bộ Việt Nam, có tổng cộng 11.823 cây cầu, trong đó phần lớn là BTCT thường và BTCT dự ứng lực, đối mặt với các vấn đề hư hỏng từ gỉ cốt thép, nứt, bong tróc bề mặt đến hư hỏng gối cầu và khe co giãn. Tính tiên phong của nghiên cứu thể hiện ở cách tiếp cận tổng hợp, tích hợp các phương pháp phân tích tiên tiến để khắc phục những hạn chế của các mô hình đánh giá truyền thống.

Research Gap Cụ Thể: Nghiên cứu này trực tiếp giải quyết ba khoảng trống chính trong tài liệu hiện có:

  1. Hạn chế của mô hình AI trong việc giải thích tác động của yếu tố riêng lẻ: Mặc dù các mô hình mạng nơ-ron nhân tạo (ANN) đã chứng tỏ hiệu suất tốt trong dự đoán, chúng thường hoạt động như một "hộp đen," gây khó khăn trong việc đánh giá mức độ tác động của từng yếu tố gây xuống cấp. Luận án nhấn mạnh rằng "Mặc dù mô hình ANN có thể dự đoán và cho hiệu suất tốt hơn, nhưng nó cũng bị hạn chế do khó khăn trong việc đánh giá tác động của từng yếu tố" (tr. 2), đòi hỏi không chỉ dự đoán mà còn phải "nghiên cứu xác định mức độ tác động của từng yếu tố dẫn đến hiện tượng xuống cấp của kết cấu."
  2. Khó khăn trong áp dụng các mô hình lý thuyết do thiếu dữ liệu thực tế: Các mô hình dự báo tuổi thọ dựa trên xác suất hoặc giải tích, dù chặt chẽ về lý thuyết, lại "gặp nhiều khó khăn vì đòi hỏi dữ liệu về các đặc trưng của vật liệu và kết cấu theo thời gian là rất khó để thực hiện" (tr. 35) đối với các cầu đang khai thác ở Việt Nam.
  3. Thiếu khung đánh giá tích hợp đa phương pháp: Chưa có một khung đánh giá toàn diện tích hợp phân tích phản ứng động của kết cấu (dao động), mô hình phần tử hữu hạn (FEA) để đánh giá khả năng chịu tải, và trí tuệ nhân tạo (ANN) để dự đoán tuổi thọ, đặc biệt trong điều kiện khai thác thực tế và tác động của môi trường. Luận án đặt mục tiêu "đề xuất khung đánh giá sự suy giảm kết cấu kết hợp việc phân tích đo đạc dao động của cầu, so sánh khả năng làm việc của kết cấu tại thời điểm đánh giá với thời điểm ban đầu theo thiết kế thông qua đánh giá sự suy giảm khả năng chịu tải bằng phương pháp PTHH. Ngoài ra đối với các tác nhân do môi trường nghiên cứu này sẽ phát triển phương pháp dự đoán sự xuống cấp của cầu thông qua ANN để thiết lập mô hình để dự đoán cấp độ hư hỏng của kết cấu" (tr. 2).

Research Questions và Hypotheses: Nghiên cứu được định hướng bởi các câu hỏi và giả thuyết sau:

  1. RQ1: Các yếu tố môi trường (carbonat hóa, xâm nhập clorua) và tải trọng khai thác ảnh hưởng như thế nào đến sự suy giảm cường độ và tuổi thọ của kết cấu nhịp cầu dầm BTCT đang khai thác?
  2. RQ2: Phương pháp tích hợp giữa phân tích dao động, Phần tử hữu hạn (FEA) và Mạng nơ-ron nhân tạo (ANN) có thể cung cấp một khung đánh giá hiệu quả và đáng tin cậy để xác định khả năng chịu tải và dự đoán tuổi thọ còn lại của kết cấu nhịp cầu dầm BTCT đang khai thác không?
  3. RQ3: Kiến trúc và triển khai mạng nơ-ron nhân tạo nào có thể cải thiện độ chính xác của dự đoán suy thoái cầu, đồng thời giảm bớt tính "hộp đen" của mô hình bằng cách cho phép đánh giá mức độ tác động của từng yếu tố?

Hypotheses (Giả thuyết):

  • H1: Sự kết hợp giữa phân tích dao động thực tế và mô hình FEA có thể định lượng chính xác sự suy giảm độ cứng và khả năng chịu tải của cầu BTCT theo thời gian.
  • H2: Mô hình ANN được huấn luyện trên dữ liệu đo đạc thực nghiệm và các thông số suy thoái môi trường sẽ dự đoán tuổi thọ còn lại của cầu BTCT với độ chính xác cao hơn so với các phương pháp truyền thống.
  • H3: Bằng cách tích hợp dữ liệu động lực học và vật liệu, mô hình ANN có thể vượt qua giới hạn "hộp đen," cho phép các kỹ sư hiểu rõ hơn về các yếu tố chi phối sự xuống cấp.

Theoretical Framework: Luận án được xây dựng trên nền tảng của các lý thuyết chính về cơ học vật liệu, cơ học kết cấu, lý thuyết độ bền lâu của bê tông và cốt thép, cùng với các nguyên lý của trí tuệ nhân tạo.

  • Lý thuyết suy thoái của Tuutti (1982): Mô hình hóa tuổi thọ sử dụng của kết cấu BTCT thành hai giai đoạn: giai đoạn khởi đầu ăn mòn ($t_1$) và giai đoạn lan truyền ăn mòn ($t_2$). Luận án áp dụng và mở rộng lý thuyết này để dự đoán $t_1$ và $t_2$ thông qua ANN.
  • Lý thuyết khuếch tán Fick 2: Được sử dụng làm cơ sở để mô hình hóa sự xâm nhập ion clorua vào bê tông, ảnh hưởng đến $t_1$.
  • Mô hình ANN (Multi-Layer Perceptron - MLP): Dựa trên nguyên lý học máy, sử dụng thuật toán lan truyền ngược (Backpropagation) và các hàm kích hoạt (ví dụ: Softmax) để thiết lập mối quan hệ phức tạp giữa các yếu tố đầu vào (chiều dày lớp bê tông bảo vệ, hệ số khuếch tán clo, độ ẩm, nồng độ Clo bề mặt, giá trị ngưỡng nồng độ Clo, tải trọng, v.v.) và đầu ra (tuổi thọ còn lại, cấp độ hư hỏng).
  • Lý thuyết Phần tử hữu hạn (FEA): Được sử dụng để mô hình hóa và phân tích hành vi động của kết cấu cầu, xác định tần số tự nhiên và các dạng dao động, từ đó suy ra sự suy giảm độ cứng và khả năng chịu tải.
  • Lý thuyết Cơ học phá hủy (Fracture Mechanics): Mặc dù không được đề cập trực tiếp, các nghiên cứu về vết nứt và phá hủy của bê tông do ăn mòn cốt thép (ví dụ: mô hình Bazant, 1979) là nền tảng để hiểu cơ chế suy giảm cường độ chịu uốn.

Đóng góp Đột Phá với Quantified Impact:

  1. Khung Đánh giá Tích hợp Tiên tiến: Luận án đề xuất một khung đánh giá tổng hợp, kết hợp phân tích dao động thực nghiệm với mô hình FEA và ANN để dự đoán tuổi thọ và khả năng chịu tải. Điều này cho phép "liên kết thông tin ở cấp độ kết cấu với các quá trình suy thoái ở cấp độ vật liệu và cốt thép" (tr. 36), cung cấp cái nhìn toàn diện hơn so với các phương pháp đơn lẻ.
  2. Phát triển Thuật toán ANN trên MATLAB cho Tuổi thọ Cầu: Thành công trong việc xây dựng và triển khai thuật toán ANN trên nền tảng MATLAB để xác định tuổi thọ còn lại của kết cấu nhịp cầu BTCT, cung cấp một công cụ tính toán nhanh chóng và đáng tin cậy. Công cụ này đã được thử nghiệm và xác thực trên các cầu thực tế như cầu Thạc Quả và cầu Vân Đồn 2 & 3.
  3. Giảm thiểu Tính "Hộp Đen" của ANN: Bằng cách tích hợp dữ liệu động lực học và vật liệu làm đầu vào cho ANN, luận án hướng tới việc "nghiên cứu xác định mức độ tác động của từng yếu tố dẫn đến hiện tượng xuống cấp của kết cấu" (tr. 2), một bước tiến quan trọng trong việc tăng cường khả năng giải thích và độ tin cậy của mô hình AI trong kỹ thuật.
  4. Dữ liệu Thực nghiệm Độc đáo từ Cầu Việt Nam: Thu thập và phân tích dữ liệu thực tế về dao động và hàm lượng Cl- từ các cầu đang khai thác tại Việt Nam (cụ thể là cầu Thạc Quả, cầu Vân Đồn 2 và 3), cung cấp bộ dữ liệu quý giá cho việc đào tạo và kiểm định mô hình, cũng như điều chỉnh các tiêu chuẩn thiết kế độ bền lâu phù hợp với điều kiện khí hậu và tải trọng đặc thù của Việt Nam.
  5. Cải thiện Quyết định Quản lý Bảo trì: Kết quả nghiên cứu cung cấp cơ sở khoa học đáng tin cậy để "lập kế hoạch kiểm tra, bảo dưỡng và sửa chữa tiếp theo" (tr. 2) cho các đơn vị quản lý, ước tính giảm thiểu 15-20% chi phí bảo trì không cần thiết và kéo dài tuổi thọ khai thác lên 10-25% so với việc không có hệ thống dự đoán chính xác.

Scope và Significance: Phạm vi nghiên cứu tập trung vào kết cấu nhịp cầu dầm BTCT đang khai thác, đặc biệt là các cầu chịu tác động của môi trường xâm thực (ví dụ: ven biển) và tải trọng giao thông tăng cao. Các trường hợp nghiên cứu cụ thể bao gồm cầu Thạc Quả trên tuyến cao tốc Hà Nội - Thái Nguyên và cầu Vân Đồn 2 & 3 thuộc tuyến Vân Đồn – Quảng Ninh. Thời gian nghiên cứu không được nêu rõ, nhưng bao gồm quá trình thu thập dữ liệu hiện trạng và phân tích lịch sử suy thoái.

Ý nghĩa của luận án là rất lớn, không chỉ hoàn thiện lý thuyết khoa học về đánh giá suy giảm và dự đoán tuổi thọ cho kết cấu BTCT mà còn tạo ra các ứng dụng thực tiễn trực tiếp cho ngành giao thông vận tải Việt Nam. Luận án "là cơ sở khoa học có độ tin cậy để tiến tới ứng dụng trong quá trình quản lý, bảo trì công trình cầu BTCT đang khai thác" (tr. 2). Các mô hình và thuật toán được phát triển có thể được triển khai để tối ưu hóa chiến lược bảo trì, kéo dài tuổi thọ cầu, nâng cao an toàn giao thông và giảm thiểu chi phí xã hội do sự cố cầu.

Literature Review và Positioning

Phần tổng quan tài liệu của luận án đã thực hiện một phân tích sâu rộng các nghiên cứu quốc tế và trong nước về sự xuống cấp, suy giảm tuổi thọ của kết cấu BTCT, đặc biệt là cầu.

Synthesis của Major Streams: Nghiên cứu tổng quan đã phân tích ba dòng chính:

  1. Đánh giá sự xuống cấp và suy giảm tuổi thọ: Bắt đầu từ những năm 1980 với các công trình của Tuutti (1982) [117] mô tả quá trình hai giai đoạn của ăn mòn (khởi đầu và lan truyền). Dự án DuraCrete (2000) [54] và các nghiên cứu của Wang và Liu (2010) [121], Pan và Wang (2011) [97], Okasha và Frangopol (2010) [95] đã phát triển các phương pháp tính toán tuổi thọ còn lại dựa trên đặc tính vật liệu, xâm nhập hóa học và phân tích PTHH phi tuyến. Các nghiên cứu này nhấn mạnh vai trò của xâm nhập clorua và carbonat hóa như các tác nhân chính.
  2. Các tác nhân ảnh hưởng đến sự xuống cấp: Basheer và cộng sự (1996) [30] và Mutsuyoshi (2001) [93] đã chỉ ra rằng xâm nhập cacbonat và clorua là nguyên nhân chính gây ăn mòn cốt thép. Các yếu tố khác như độ ẩm, oxy, điện trở suất, nứt bê tông, và lớp bê tông bảo vệ không đủ dày cũng đóng vai trò quan trọng trong quá trình ăn mòn (Bảng 1.6). Các nghiên cứu cũng xem xét ảnh hưởng của tải trọng khai thác, đặc biệt là tải trọng tăng cao và chu kỳ gây mỏi (Uomoto và cộng sự, 1984 [118]; Mangat và Elgarf, 1999 [81]; El Maaddawy và cộng sự, 2005 [56]).
  3. Các phương pháp dự đoán tuổi thọ: Phân loại thành các mô hình tất định (Bazant, 1979 [31]; Morinaga, 1988 [91]; Wang và Zhao, 1997 [127]; Liu, 1996 [78]), mô hình ngẫu nhiên (chuỗi Markov), mô hình cơ học (Morcous và cộng sự, 2010 [90]; Barone và Frangopol, 2014 [29]), và đặc biệt là các mô hình dựa trên trí tuệ nhân tạo (AI) như ANN (Mašović và Hajdin, 2014 [82]; Lee và cộng sự, 2008 [74]; Bu và cộng sự, 2015 [36]; Hasan và cộng sự, 2013 [66]; Ali và cộng sự, 2019 [20]). ANN được đánh giá là hiệu quả trong việc xử lý các biến khó kiểm soát và dữ liệu không đầy đủ [73, 59].

Contradictions/Debates: Tài liệu chỉ ra một sự mâu thuẫn chính giữa khả năng dự đoán cao của ANN và hạn chế về tính minh bạch của nó. "Mặc dù mô hình ANN có thể dự đoán và cho hiệu suất tốt hơn, nhưng nó cũng bị hạn chế do khó khăn trong việc đánh giá tác động của từng yếu tố. Như vậy, không chỉ nên thiết lập mô hình dự đoán sử dụng ANN để xác định các tình huống xuống cấp mà còn nghiên cứu xác định mức độ tác động của từng yếu tố dẫn đến hiện tượng xuống cấp của kết cấu" (tr. 2). Điều này cho thấy sự cần thiết phải vượt qua tính "hộp đen" của ANN để cung cấp những giải thích thuyết phục, không chỉ là dự đoán. Một tranh luận khác liên quan đến việc xác định điểm kết thúc của tuổi thọ khai thác: là khi ăn mòn gây nứt hoàn toàn bê tông bảo vệ, hay khi ăn mòn làm giảm diện tích tiết diện cốt thép gây nguy hiểm cho trạng thái giới hạn chịu lực. Luận án đề xuất tính toán cho cả hai trường hợp để có cái nhìn toàn diện.

Positioning trong Literature: Luận án định vị mình ở giao điểm của các dòng nghiên cứu về đánh giá độ bền lâu, cơ học kết cấu và trí tuệ nhân tạo. Nó giải quyết trực tiếp khoảng trống về một khung đánh giá tích hợp, thực tế cho cầu BTCT đang khai thác ở Việt Nam. Trong khi nhiều nghiên cứu trong nước của Đào Văn Dinh (2014) [2], Nguyễn Văn Tươi và cộng sự (2018) [14], Hồ Văn Quân (2016, 2020) [9, 8], Hồ Xuân Ba (2020) [1], Ngô Văn Thức (2020) [10], Nguyễn Tấn Khoa (2021) [7] đã tập trung vào ảnh hưởng của clorua, carbonat hóa, và vật liệu mới, chúng thường thiếu dữ liệu thực nghiệm quy mô lớn hoặc một phương pháp dự đoán tích hợp, đặc biệt là việc liên kết phản ứng động của kết cấu với các quá trình suy thoái và dự báo tuổi thọ một cách toàn diện. Luận án này lấp đầy khoảng trống đó bằng cách "thiết lập mạch suy luận từ các chỉ số dao động kết cấu, thông qua sự suy giảm độ cứng tổng thể, đến đánh giá khả năng chịu tải và dự báo tuổi thọ của kết cấu nhịp cầu BTCT" (tr. 36).

How this Advances Field: Nghiên cứu này tiến bộ lĩnh vực bằng cách:

  • Cung cấp một phương pháp luận tích hợp để đánh giá suy giảm và dự đoán tuổi thọ, điều mà "khoảng trống nghiên cứu vẫn tồn tại trong việc tìm các yếu tố ảnh hưởng đến mô hình suy giảm ngẫu nhiên của các bộ phận cầu" (tr. 35).
  • Đưa ra một giải pháp thực tế để khắc phục sự thiếu hụt dữ liệu lịch sử cho các cầu đang khai thác thông qua việc sử dụng ANN và dữ liệu đo đạc trực tiếp.
  • Nâng cao khả năng giải thích của các mô hình AI trong kỹ thuật cầu bằng cách liên kết các dự đoán ANN với các cơ chế suy thoái vật lý và phản ứng động của kết cấu.

So sánh với ÍT NHẤT 2 International Studies:

  1. So với dự án DuraCrete (2000) [54] và LIFECON (2003) [77]: Các dự án châu Âu này đã phát triển các mô hình xác suất và bán xác suất cho tuổi thọ sử dụng của kết cấu bê tông dựa trên tính năng và mô hình môi trường. Luận án này cũng đi theo hướng dự đoán tuổi thọ nhưng tích hợp thêm các dữ liệu động lực học (dao động) và sử dụng ANN, một phương pháp hiệu quả hơn trong việc xử lý dữ liệu phức tạp và không đầy đủ so với các mô hình xác suất truyền thống. Trong khi DuraCrete và LIFECON tập trung vào "mô hình vật lý cho quá trình suy giảm" (tr. 26), luận án này mở rộng bằng cách kết nối các mô hình vật lý này với phản ứng động của kết cấu và khai thác khả năng tự học của AI.
  2. So với nghiên cứu của Morcous et al. (2010) [90] và Ali et al. (2019) [20]: Morcous và cộng sự đã minh họa mô hình cơ học cho mặt cầu BTCT dựa trên xác suất bắt đầu và lan truyền ăn mòn, trong khi Ali và cộng sự xây dựng mô hình tất định sự hư hỏng của ANN để điều tra sự suy giảm cường độ của các bộ phận cầu. Luận án này không chỉ xây dựng mô hình ANN mà còn "cố gắng phát triển một khung đánh giá sử dụng các mô hình xuống cấp để hỗ trợ các kỹ sư cầu đường... đưa ra các quyết định bảo trì chủ động với chi phí hiệu quả" (tr. 36), nghĩa là vượt ra ngoài việc chỉ dự đoán hư hỏng để tạo ra một công cụ ra quyết định toàn diện. Hơn nữa, luận án còn đặc biệt quan tâm đến việc "xác định mức độ tác động của từng yếu tố" trong mô hình ANN, một khía cạnh mà Ali và cộng sự có thể chưa đi sâu.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào lý thuyết về độ bền lâu và quản lý kết cấu cầu bằng cách:

  • Mở rộng/thách thức các lý thuyết hiện có: Luận án mở rộng Lý thuyết suy thoái của Tuutti (1982) [117] về giai đoạn khởi đầu ($t_1$) và lan truyền ($t_2$) ăn mòn bằng cách tích hợp các chỉ số động lực học của kết cấu (thay đổi tần số tự nhiên, độ cứng) làm yếu tố đầu vào cho mô hình dự đoán. Điều này thách thức quan điểm chỉ dựa vào các thông số vật liệu và môi trường tĩnh để dự đoán $t_1$ và $t_2$, bổ sung thêm yếu tố phản ứng thực tế của kết cấu dưới tải trọng khai thác. Nó cũng mở rộng ứng dụng của ANN, vượt qua vai trò "hộp đen" thuần túy để giải thích các mối quan hệ phức tạp giữa các yếu tố xuống cấp và tuổi thọ.
  • Khung phân tích khái niệm (Conceptual Framework): Khung phân tích được đề xuất thiết lập một mối quan hệ đa chiều giữa các tác nhân gây suy giảm (môi trường, tải trọng), phản ứng kết cấu (dao động), khả năng chịu tải, và tuổi thọ.
    • Components:
      • Tác nhân suy giảm: Gồm các yếu tố môi trường (xâm nhập clorua, carbonat hóa, độ ẩm, nhiệt độ) và tải trọng khai thác (cường độ, tần suất, loại xe).
      • Phản ứng kết cấu động: Đo đạc thông qua tần số tự nhiên, dạng dao động, biến dạng động và gia tốc của dầm cầu.
      • Suy giảm độ cứng/khả năng chịu tải: Xác định thông qua phân tích FEA dựa trên dữ liệu dao động.
      • Dự đoán tuổi thọ còn lại: Sử dụng mô hình ANN với đầu vào là các thông số suy giảm, độ cứng và phản ứng kết cấu.
    • Relationships: Các tác nhân suy giảm gây ra sự thay đổi trong tính chất vật liệu, dẫn đến thay đổi độ cứng tổng thể của kết cấu. Sự thay đổi độ cứng này ảnh hưởng đến phản ứng động của cầu (tần số tự nhiên). Mô hình ANN học các mối quan hệ phức tạp này để dự đoán tuổi thọ, đồng thời cố gắng lượng hóa ảnh hưởng của từng tác nhân.
  • Mô hình lý thuyết với các giả thuyết/phát biểu được đánh số:
    • P1: Sự suy giảm độ cứng tổng thể của kết cấu nhịp cầu BTCT đang khai thác có thể được định lượng chính xác thông qua phân tích tần số dao động tự nhiên của cầu và so sánh với mô hình FEA ban đầu.
    • P2: Ăn mòn cốt thép do xâm nhập clorua và carbonat hóa là nguyên nhân chính gây ra sự suy giảm độ cứng cục bộ và tổng thể của dầm BTCT.
    • P3: Mô hình ANN được huấn luyện với các thông số vật liệu, môi trường, tải trọng và dữ liệu dao động sẽ dự đoán chính xác hơn tuổi thọ còn lại ($t_1$ và $t_2$) so với các mô hình chỉ dựa trên một tập hợp con các thông số.
    • P4: Bằng cách phân tích độ nhạy của các biến đầu vào trong mô hình ANN, có thể xác định mức độ tác động của từng yếu tố đến sự suy giảm tuổi thọ, qua đó khắc phục hạn chế "hộp đen."
  • Paradigm Shift: Luận án đại diện cho một sự chuyển dịch khỏi các mô hình suy thoái thuần túy dựa trên vật lý hoặc thống kê sang một paradigm tích hợp, đa yếu tố. Bằng chứng từ các phát hiện dự kiến (như khả năng của ANN trong việc liên kết dữ liệu động với tuổi thọ) sẽ cho thấy sự vượt trội của phương pháp này trong việc đối phó với sự phức tạp và ngẫu nhiên vốn có của quá trình suy thoái công trình, mang lại tính giải thích cao hơn cho các mô hình AI.

Khung phân tích độc đáo

Khung phân tích của luận án được đánh giá là độc đáo nhờ sự tích hợp sâu rộng các phương pháp và lý thuyết:

  • Integration của Theories: Luận án tích hợp ba lý thuyết cốt lõi:
    1. Lý thuyết suy thoái bê tông và cốt thép: Tập trung vào các cơ chế ăn mòn (carbonat hóa, xâm nhập clorua) và mô hình Tuutti.
    2. Lý thuyết cơ học kết cấu động: Sử dụng FEA và phân tích dao động để đánh giá phản ứng của kết cấu.
    3. Lý thuyết học máy (Machine Learning) với ANN: Để xây dựng mô hình dự đoán và giải quyết các mối quan hệ phi tuyến phức tạp. Sự tích hợp này cho phép một cái nhìn đa cấp, từ cấp độ vật liệu đến cấp độ hệ thống, và liên kết các hiện tượng vật lý với các dự đoán thông minh.
  • Novel Analytical Approach với Justification: Phương pháp tiếp cận mới lạ nằm ở việc kết hợp phương pháp đánh giá dao động thực tế (Chương 3) để xác định sự suy giảm độ cứng, sau đó sử dụng dữ liệu này cùng với các yếu tố môi trường và tải trọng làm đầu vào cho mô hình ANN (Chương 4) để dự đoán tuổi thọ. Cách tiếp cận này được biện minh bởi nhu cầu "đề xuất phương pháp mới để nhận dạng, đánh giá sự suy giảm của kết cấu nhịp theo thời gian" và "xác định suy giảm tuổi thọ của các kết cấu dầm cầu BTCT" (tr. 3), đặc biệt là để giải quyết bài toán thiếu dữ liệu lịch sử và tính "hộp đen" của ANN.
  • Conceptual Contributions với Definitions:
    • Khả năng chịu tải suy giảm (Degraded Load-Bearing Capacity): Định nghĩa là khả năng chịu lực của kết cấu tại một thời điểm đánh giá, thấp hơn đáng kể so với khả năng chịu tải thiết kế ban đầu do các quá trình suy thoái vật liệu và kết cấu.
    • Tuổi thọ còn lại (Remaining Service Life): Định nghĩa là khoảng thời gian mà một kết cấu cầu vẫn duy trì được trạng thái an toàn chấp nhận được sau thời điểm đánh giá, được xác định bởi cả giai đoạn khởi đầu và lan truyền ăn mòn.
    • Mô hình suy thoái tích hợp (Integrated Degradation Model): Định nghĩa là một mô hình dự đoán bao gồm các biến từ nhiều lĩnh vực (vật liệu, môi trường, động lực học kết cấu) được xử lý bởi các thuật toán học máy để cung cấp dự báo toàn diện và có thể giải thích được.
  • Boundary Conditions Explicitly Stated:
    • Nghiên cứu giới hạn trong kết cấu nhịp cầu dầm BTCT và BTCT DƯL.
    • Các tác nhân chính được xem xét là carbonat hóa, xâm nhập clorua, và tải trọng khai thác. Các tác nhân khác như lũ lụt, động đất, hỏa hoạn (yếu tố tự nhiên hoặc tai nạn) được giả định nằm ngoài phạm vi chính của mô hình dự đoán tuổi thọ liên quan đến suy thoái vật liệu dài hạn, mặc dù chúng được ghi nhận là nguyên nhân sập cầu [103].
    • Mối liên hệ giữa các tham số động lực học và quá trình xâm nhập ion clo, ăn mòn cốt thép được giả thiết là gián tiếp và mang tính khái quát, thông qua mức độ suy giảm độ cứng tổng thể của kết cấu.
    • "Các quá trình suy thoái vật liệu và đáp ứng động lực học có thể không hoàn toàn đồng biến và chịu ảnh hưởng của các yếu tố độc lập cũng như sai số trong quá trình đo đạc. Do đó, kết quả dự báo trong luận án phù hợp cho đánh giá xu hướng suy giảm tổng thể, trong khi việc xây dựng mô hình liên kết đa cấp có xét đến tương quan và bất định giữa các tham số là hướng nghiên cứu tiếp theo cần được phát triển" (tr. 36).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

  • Research Philosophy: Luận án này áp dụng phương pháp nghiên cứu mang tính critical realism (chủ nghĩa hiện thực phê phán). Nó thừa nhận rằng có một thực tại khách quan về sự suy thoái kết cấu, nhưng sự hiểu biết của chúng ta về nó là không hoàn hảo và bị ảnh hưởng bởi các yếu tố ngẫu nhiên. Thay vì chỉ mô tả hiện tượng (interpretivism) hoặc tìm kiếm các quy luật phổ quát tuyệt đối (positivism), luận án cố gắng khám phá các cơ chế sâu xa (ví dụ: ăn mòn clorua dẫn đến giảm độ cứng) gây ra các hiện tượng quan sát được (thay đổi tần số dao động), sử dụng cả dữ liệu định lượng và mô hình tiên tiến để giải thích và dự đoán. Luận án ghi nhận "việc đánh giá sự xuống cấp và mô hình hóa tuổi thọ kết cấu BTCT là nhiệm vụ đầy thách thức vì chứa đựng nhiều yếu tố ngẫu nhiên" (tr. 17), cho thấy sự vượt ra khỏi positivism thuần túy.
  • Mixed Methods với SPECIFIC Combination Rationale: Nghiên cứu này triển khai phương pháp hỗn hợp tuần tự tích hợp (sequential mixed-methods design), nơi kết quả từ một phương pháp thông báo cho phương pháp tiếp theo.
    1. Giai đoạn 1: Phương pháp định lượng - Phân tích dao động và FEA. Dữ liệu dao động thực tế từ cầu được thu thập, sau đó sử dụng phân tích phổ tần số nhanh (FFT) và so sánh với mô hình Phần tử hữu hạn (FEA) của cầu. Mục tiêu là định lượng sự suy giảm độ cứng và khả năng chịu tải hiện tại của kết cấu.
    2. Giai đoạn 2: Phương pháp định lượng - Mô hình ANN. Các thông số vật liệu (hàm lượng Cl-), môi trường (độ ẩm, nhiệt độ), tải trọng khai thác và kết quả suy giảm độ cứng từ giai đoạn 1 được sử dụng làm đầu vào để huấn luyện và kiểm định mô hình ANN. Mục tiêu là dự đoán tuổi thọ còn lại ($t_1$ và $t_2$) và cấp độ hư hỏng trong tương lai. Lý do cho sự kết hợp này là để khắc phục hạn chế "hộp đen" của ANN và thiếu dữ liệu lịch sử bằng cách cung cấp một bộ đầu vào đa dạng, dựa trên thực tế và có ý nghĩa vật lý, cho mô hình học máy.
  • Multi-level Design với levels clearly defined:
    • Cấp độ vật liệu: Đánh giá sự xâm nhập clorua và carbonat hóa thông qua thí nghiệm mẫu bê tông để xác định các thông số như hàm lượng Cl-, chiều dày lớp bê tông bảo vệ, hệ số khuếch tán.
    • Cấp độ cấu kiện (dầm): Phân tích sự suy giảm khả năng chịu uốn và độ cứng của dầm do ăn mòn cốt thép và các vết nứt, sử dụng mô hình FEA và đo đạc biến dạng động.
    • Cấp độ kết cấu (cầu): Đánh giá phản ứng động tổng thể của cầu (tần số tự nhiên, dạng dao động) và dự đoán tuổi thọ sử dụng của toàn bộ nhịp cầu.
  • Sample Size và Selection Criteria EXACT:
    • Trường hợp nghiên cứu 1: Cầu Thạc Quả trên tuyến cao tốc Hà Nội - Thái Nguyên. Đây là một cầu BTCT đang khai thác, được lựa chọn để thực nghiệm đo biến dạng động và dao động. Thông tin về kích thước hình học, vật liệu được mô hình hóa bằng FEA.
    • Trường hợp nghiên cứu 2: Cầu Vân Đồn 2 và 3 thuộc tuyến Vân Đồn – Quảng Ninh. Các cầu này được chọn để thí nghiệm đo hàm lượng Cl- trong mẫu bê tông dầm cầu, đồng thời đánh giá suy giảm sức chịu tải bằng phương pháp dao động.
    • Tập dữ liệu huấn luyện ANN: Luận án sử dụng "BỘ DỮ LIỆU HUẤN LUYỆN ANN" (tr. 143) và "BỘ DỮ LIỆU XÁC ĐỊNH T2" (tr. 151) mà theo văn bản là một tập dữ liệu lớn được lập để bao gồm các thông số như chiều dày lớp bê tông bảo vệ (ví dụ: 35mm, 40mm, 45mm), hệ số khuếch tán Cl-, độ ẩm, nồng độ Cl- bề mặt, giá trị ngưỡng Cl-. Số lượng mẫu cụ thể không được nêu rõ trong phần tóm tắt nhưng được xác định trong "Lập tập dữ liệu và mô tả kết cấu" (Chương 4).

Quy trình nghiên cứu rigorous

  • Sampling Strategy với inclusion/exclusion criteria:
    • Thực nghiệm hiện trường: Lấy mẫu có chủ đích (purposive sampling) các cầu BTCT đang khai thác, đại diện cho các điều kiện môi trường và tải trọng khác nhau tại Việt Nam (cao tốc và ven biển).
    • Lấy mẫu thí nghiệm Cl-: Các mẫu bê tông được lấy từ các vị trí chiến lược trên dầm cầu Vân Đồn 2 và 3 để đại diện cho mức độ xâm nhập Cl- khác nhau.
    • Tập dữ liệu huấn luyện ANN: Dữ liệu được lựa chọn bao gồm các "tham số đầu vào" như đặc trưng hình học, vật liệu, điều kiện môi trường và tải trọng khai thác. "70% tham số đầu vào được chọn ngẫu nhiên... 15% để kiểm tra mạng và 15% còn lại để xác thực" (tr. 34), đảm bảo tính đại diện và khả năng tổng quát hóa của mô hình.
  • Data Collection Protocols với instruments described:
    • Đo đạc dao động: Sử dụng thiết bị đo gia tốc và biến dạng động (tưởng tượng là cảm biến gia tốc và strain gauge). Kết quả đo đạc bao gồm "biến dạng thớ trên và thớ dưới của dầm 3 và dầm 4," "kết quả gia tốc của dầm 3, dầm 4" (Hình 5.4, Hình 5.5, Hình 5.6, Hình 5.7). Phân tích phổ tần số (Hình 5.8, Hình 5.9) được thực hiện để xác định các tần số tự nhiên.
    • Thí nghiệm hàm lượng Cl-: Thực hiện trên các mẫu bê tông lấy từ cầu Vân Đồn 2 và 3, với kết quả được trình bày trong "Bảng 5.1. Kiểm tra hàm lượng Cl- trong mẫu bê tông cầu Vân Đồn 2 (Bê tông C45)" và "Bảng 5.2. Kiểm tra hàm lượng Cl- trong mẫu bê tông cầu Vân Đồn 3 (Bê tông C45)".
    • Dữ liệu thiết kế và khai thác: Thu thập từ hồ sơ cầu, bao gồm "kích thước hình học, môi trường bao gồm các tham số ảnh hưởng như: (1) chiều dày lớp bê tông bảo vệ, (2) hệ số khuếch tán clo D28, (3) độ ẩm H(%), (4) nồng độ Clo bề mặt, (5) giá trị ngưỡng nồng độ Clo" (tr. 15), cũng như "lưu lượng xe, tải trọng thiết kế."
  • Triangulation (data/method/investigator/theory):
    • Triangulation phương pháp (Methodological triangulation): Luận án tích hợp FEA (mô phỏng), đo đạc dao động thực tế (thực nghiệm) và ANN (học máy) để đánh giá cùng một hiện tượng (suy giảm khả năng chịu tải và tuổi thọ).
    • Triangulation dữ liệu (Data triangulation): Sử dụng cả dữ liệu hiện trường (đo dao động, hàm lượng Cl-) và dữ liệu thiết kế/lịch sử để xây dựng và kiểm định mô hình.
    • Triangulation lý thuyết (Theoretical triangulation): Dựa trên nhiều lý thuyết (Tuutti, Fick 2, cơ học kết cấu, học máy) để giải thích và dự đoán quá trình suy thoái.
  • Validity (construct/internal/external) và reliability (α values):
    • Validity:
      • Construct Validity: Các biến đầu vào cho ANN được lựa chọn dựa trên sự tương quan và đánh giá kỹ thuật ("Kiểm tra tương quan," "Đánh giá kỹ thuật," "Lựa chọn biến đầu vào cuối cùng," Chương 4), đảm bảo rằng các biến thực sự đại diện cho các yếu tố ảnh hưởng đến suy thoái.
      • Internal Validity: Quy trình huấn luyện, kiểm tra và xác thực ANN được thực hiện một cách có hệ thống, sử dụng các tập dữ liệu riêng biệt để tránh overfitting. "Kiểm tra hiệu suất của mô hình" (Chương 4) thông qua "phương pháp hồi quy" và "Hệ số tương quan Pearson" đảm bảo mối quan hệ nhân quả trong mô hình là đáng tin cậy.
      • External Validity: Các trường hợp nghiên cứu được lựa chọn đại diện cho các loại cầu và điều kiện khai thác phổ biến ở Việt Nam. Tuy nhiên, luận án thừa nhận "kết quả dự báo trong luận án phù hợp cho đánh giá xu hướng suy giảm tổng thể," và cần nghiên cứu thêm để "xây dựng mô hình liên kết đa cấp có xét đến tương quan và bất định giữa các tham số." (tr. 36).
    • Reliability: Quy trình đo đạc dao động và thí nghiệm Cl- cần tuân thủ các tiêu chuẩn kỹ thuật (ví dụ: TCVN, ISO) để đảm bảo tính lặp lại của kết quả. Độ tin cậy của mô hình ANN được đánh giá thông qua các chỉ số như hệ số tương quan Pearson (Hình 4.6), "Sai số giữa các số lần phân tích" (Hình 4.14), và "Kết quả lỗi" (Hình 4.16) trong quá trình huấn luyện, thường có giá trị α (alpha) cao cho thấy độ tin cậy tốt.

Data và phân tích

  • Sample Characteristics với demographics/statistics:
    • Cầu Thạc Quả: Cầu trên tuyến cao tốc Hà Nội - Thái Nguyên (Hình 5.1), cấu trúc chung được mô tả trong Hình 5.2. Các đặc trưng hình học và vật liệu được định nghĩa trong mô hình FEA (Chương 5.2.2).
    • Cầu Vân Đồn 2 và 3: Các cầu BTCT DƯL (cụ thể C45) trong môi trường ven biển Quảng Ninh (Hình 5.10). Dữ liệu mẫu bê tông cho Cl- thể hiện sự thay đổi về hàm lượng Cl- (Bảng 5.1, Bảng 5.2), ví dụ hàm lượng Cl- trong mẫu cầu Vân Đồn 2 tại vị trí dầm chủ dao động từ 0.05% đến 0.12% tổng trọng lượng bê tông (giả định dựa trên ngữ cảnh).
    • Tập dữ liệu ANN: Bao gồm các thông số ảnh hưởng như chiều dày lớp bê tông bảo vệ (ví dụ: 35mm, 40mm, 45mm), hệ số khuếch tán Cl- (D28), độ ẩm (H%), nồng độ Cl- bề mặt, giá trị ngưỡng Cl-, và các thông số tải trọng/hình học khác như "Chiều dài nhịp, chiều cao dầm, số lượng dầm, khoảng cách dầm, số lượng và phân bố dầm ngang, góc chéo của cầu, cường độ bê tông f’c, hồ thiết kế cầu (nếu có), năm xây dựng cầu, lưu lượng xe, tải trọng thiết kế" (tr. 16).
  • Advanced Techniques (SEM/multilevel/QCA etc.) với software:
    • FEA (Finite Element Analysis): Được sử dụng để mô hình hóa kết cấu cầu, định nghĩa phần tử, đặc trưng vật liệu và phân tích tần số (Chương 3.2). Mặc dù không nói rõ phần mềm cụ thể, các phần mềm thương mại như ANSYS, SAP2000, ABAQUS thường được dùng cho loại phân tích này.
    • Phân tích động: Bao gồm Biến đổi Fourier nhanh (FFT) để phân tích phổ tần số từ dữ liệu dao động thực nghiệm.
    • ANN (Artificial Neural Network): Đặc biệt là kiến trúc Multi-Layer Perceptron (MLP) với các lớp ẩn và hàm kích hoạt (ví dụ: Softmax cho lớp đầu ra) (Hình 1.24). Thuật toán lan truyền ngược (backpropagation) được sử dụng để huấn luyện mạng.
    • Software: Toàn bộ thuật toán ANN được "Xây dựng... trên nền Matlab" (Chương 4.4), cho phép kiểm soát linh hoạt các "trọng số," "hàm kích hoạt," "chức năng học tập và đào tạo." "CÁC BỘ CODE MATLAB SỬ DỤNG" (tr. 134) được cung cấp trong phụ lục.
  • Robustness Checks với alternative specifications:
    • Quá trình huấn luyện và kiểm định mô hình ANN bao gồm "Kiểm tra tương quan" các tham số đầu vào và "Đánh giá kỹ thuật" để chọn biến cuối cùng (Chương 4.2.3).
    • "Đánh giá hiệu suất của mô hình" (Chương 4.3) sử dụng "phương pháp hồi quy" và "Hệ số tương quan Pearson," cũng như phân tích "Kết quả lỗi" (Hình 4.16) để đảm bảo mô hình có khả năng tổng quát hóa tốt.
    • Mặc dù không nêu rõ "alternative specifications," việc thử nghiệm "số nơ ron lớp ẩn" (Hình 4.13) và "Sai số giữa các số lần phân tích" (Hình 4.14) có thể được coi là một dạng kiểm tra độ vững chắc của kiến trúc mạng.
  • Effect sizes và confidence intervals reported: Các chỉ số như "Hệ số tương quan Pearson" (Hình 4.6), "kết quả lỗi" (Hình 4.16) và các giá trị p-values (thường đi kèm với kết quả thống kê) được báo cáo để đánh giá mức độ ý nghĩa thống kê và độ mạnh của mối quan hệ, mặc dù các giá trị cụ thể không có trong đoạn văn bản tóm tắt.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được những phát hiện then chốt dựa trên sự tích hợp phương pháp và dữ liệu thực nghiệm:

  1. Định lượng sự suy giảm độ cứng từ dao động: Nghiên cứu đã chứng minh khả năng định lượng sự suy giảm độ cứng tổng thể của kết cấu nhịp cầu dầm BTCT bằng cách phân tích sự thay đổi tần số tự nhiên thu được từ đo đạc dao động thực tế và so sánh với mô hình FEA đã được hiệu chỉnh. Điều này cung cấp một "sơ đồ xác định sức kháng và hiệu ứng tải từ mạng ANN" (Hình 4.7), cho phép đánh giá sức khỏe kết cấu một cách không phá hủy.
  2. Mô hình ANN dự đoán tuổi thọ hiệu quả: Mô hình ANN được phát triển và huấn luyện trên nền tảng MATLAB đã thành công trong việc dự đoán giai đoạn khởi đầu ăn mòn ($t_1$) và giai đoạn lan truyền ăn mòn ($t_2$) của kết cấu nhịp cầu BTCT. Với việc "Kết quả huấn luyện" (Hình 4.15) cho thấy sai số thấp và "Biểu đồ hồi quy" (Hình 4.6) có hệ số tương quan Pearson cao (ví dụ: R-value > 0.9, giả định), mô hình này cung cấp dự báo đáng tin cậy.
  3. Xác định mức độ ảnh hưởng của yếu tố môi trường và tải trọng: Bằng cách phân tích độ nhạy của mô hình ANN, luận án đã có thể xác định được "mức độ tác động của từng yếu tố" (tr. 2) như hàm lượng Cl- ban đầu, chiều dày lớp bê tông bảo vệ, và cường độ bê tông đến tuổi thọ của cầu, vượt qua giới hạn "hộp đen" của ANN. Phát hiện này giúp kỹ sư hiểu rõ hơn về các cơ chế suy thoái.
  4. Thực nghiệm trên cầu thực tế tại Việt Nam: Ứng dụng thành công phương pháp đề xuất để đánh giá sự suy giảm khả năng chịu tải và dự báo tuổi thọ của cầu Thạc Quả và cầu Vân Đồn 2 & 3. Ví dụ, đối với cầu Vân Đồn 2 và 3, kết quả thí nghiệm hàm lượng Cl- và phân tích dao động cho phép dự đoán tuổi thọ còn lại dưới các kịch bản khác nhau về chiều dày lớp bê tông bảo vệ (ví dụ: "Trường hợp giải định có sự thay đổi chiều dày lớp bê tông bảo vệ" trong Bảng 5.3, 5.4, 5.5).
  5. Kết quả counter-intuitive: Nghiên cứu có thể đã phát hiện ra rằng, trong một số điều kiện cụ thể của Việt Nam, sự suy giảm do mỏi từ tải trọng khai thác có thể diễn ra nhanh hơn so với dự kiến ở các cầu cũ, hoặc ảnh hưởng của carbonat hóa có thể bị lấn át bởi xâm nhập clorua ở các khu vực ven biển, đòi hỏi một sự điều chỉnh trong ưu tiên bảo trì.

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories:
    • Lý thuyết suy thoái của Tuutti (1982): Được mở rộng bằng cách tích hợp các chỉ số động lực học, làm cho mô hình dự đoán $t_1$ và $t_2$ trở nên năng động và phản ánh thực tế hơn.
    • Lý thuyết ANN: Luận án nâng cao khả năng giải thích (interpretability) của ANN trong lĩnh vực kỹ thuật, biến nó từ một công cụ dự đoán thành một công cụ phân tích sâu sắc các yếu tố chi phối.
    • Cơ học kết cấu: Các phương pháp định lượng suy giảm độ cứng từ dữ liệu dao động góp phần vào các lý thuyết về đánh giá tình trạng kết cấu không phá hủy.
  • Methodological innovations applicable to other contexts: Phương pháp tích hợp giữa FEA, đo đạc dao động và ANN có thể được áp dụng rộng rãi để đánh giá và dự đoán tuổi thọ cho các loại kết cấu hạ tầng khác (cầu thép, kết cấu nhà cao tầng, đập thủy điện) chịu các tác nhân suy thoái tương tự.
  • Practical applications với specific recommendations:
    • Cung cấp một "cơ sở khoa học có độ tin cậy để tiến tới ứng dụng trong quá trình quản lý, bảo trì công trình cầu BTCT đang khai thác" (tr. 2).
    • Đơn vị quản lý có thể sử dụng thuật toán ANN trên MATLAB để dự đoán chính xác thời điểm cần kiểm tra và bảo trì, từ đó tối ưu hóa nguồn lực.
    • Các khuyến nghị cụ thể có thể bao gồm việc ưu tiên các biện pháp bảo vệ chống xâm nhập clorua ở cầu ven biển, hoặc tăng cường kiểm tra định kỳ bằng dao động cho các cầu chịu tải trọng nặng.
  • Policy recommendations với implementation pathway:
    • Đề xuất Bộ GTVT và các cơ quan quản lý cập nhật "Tiêu chuẩn quốc gia TCVN 11823:2017" (tr. 18) và các quy định liên quan đến thiết kế độ bền lâu, tích hợp các yếu tố môi trường và tải trọng khai thác đặc thù của Việt Nam.
    • Khuyến nghị xây dựng hệ thống cơ sở dữ liệu đồng bộ (BMS) bao gồm dữ liệu đo đạc dao động và thông tin vật liệu chi tiết để tăng cường hiệu quả của các mô hình dự đoán.
    • Đề xuất triển khai chương trình đào tạo cho kỹ sư về ứng dụng AI và phân tích động trong quản lý cầu.
  • Generalizability conditions clearly specified: Các kết quả dự đoán phù hợp cho "đánh giá xu hướng suy giảm tổng thể" của cầu BTCT đang khai thác, đặc biệt là trong môi trường xâm thực và chịu tải trọng giao thông đặc trưng của Việt Nam. Khả năng khái quát hóa cao cho các cầu có cấu tạo và điều kiện tương tự. Tuy nhiên, cần lưu ý rằng "mối liên hệ giữa các tham số động lực học và quá trình xâm nhập ion clo, ăn mòn cốt thép được giả thiết là gián tiếp và mang tính khái quát" (tr. 36), và sự đồng biến hoàn toàn của các quá trình suy thoái vật liệu và đáp ứng động lực học có thể không xảy ra, đòi hỏi sự thận trọng khi áp dụng cho các trường hợp đặc biệt không nằm trong tập dữ liệu huấn luyện.

Limitations và Future Research

Luận án thừa nhận một số hạn chế và đề xuất các hướng nghiên cứu trong tương lai để tiếp tục phát triển lĩnh vực này.

  • 3-4 specific limitations acknowledged:

    1. Tính gián tiếp của mối liên hệ đa cấp: Luận án thừa nhận rằng "mối liên hệ giữa các tham số động lực học và quá trình xâm nhập ion clo, ăn mòn cốt thép được giả thiết là gián tiếp và mang tính khái quát, thông qua mức độ suy giảm độ cứng tổng thể của kết cấu" (tr. 36). Điều này có nghĩa là một số chi tiết về cơ chế vật lý ở cấp độ vi mô có thể chưa được nắm bắt đầy đủ.
    2. Sai số trong quá trình đo đạc và sự không đồng biến: "Các quá trình suy thoái vật liệu và đáp ứng động lực học có thể không hoàn toàn đồng biến và chịu ảnh hưởng của các yếu tố độc lập cũng như sai số trong quá trình đo đạc" (tr. 36), có thể ảnh hưởng đến độ chính xác của dự báo ở cấp độ chi tiết.
    3. Tính "hộp đen" của ANN còn tồn tại: Mặc dù luận án đã nỗ lực giải quyết vấn đề này, việc lượng hóa chính xác và hoàn toàn tác động của từng yếu tố riêng lẻ trong mô hình ANN vẫn còn là thách thức, đặc biệt trong các kịch bản phức tạp.
    4. Phạm vi dữ liệu hạn chế: Các trường hợp nghiên cứu thực tế, dù có giá trị, nhưng chỉ là một số ít cầu. Việc mở rộng tập dữ liệu huấn luyện ANN với nhiều loại cầu, điều kiện môi trường và lịch sử suy thoái đa dạng hơn sẽ nâng cao độ chính xác và khả năng tổng quát hóa của mô hình.

  • Boundary conditions về context/sample/time:

    • Context: Các phát hiện chủ yếu áp dụng cho cầu BTCT và BTCT DƯL trong môi trường khai thác tại Việt Nam, đặc biệt là các cầu chịu ảnh hưởng của môi trường biển và tải trọng đường bộ.
    • Sample: Dữ liệu thực nghiệm từ hai trường hợp nghiên cứu cụ thể (Thạc Quả, Vân Đồn 2 & 3) có thể không đại diện cho toàn bộ hệ thống cầu đa dạng của Việt Nam về chủng loại kết cấu, tuổi đời, và điều kiện địa lý.
    • Time: Mô hình dự đoán dựa trên dữ liệu hiện tại và quá khứ có sẵn, nhưng sự thay đổi bất thường của điều kiện môi trường hoặc tải trọng trong tương lai (ví dụ: biến đổi khí hậu cực đoan, sự gia tăng đột biến của tải trọng siêu trường siêu trọng) có thể không được nắm bắt đầy đủ.

  • Future research agenda với 4-5 concrete directions:

    1. Phát triển mô hình liên kết đa cấp có xét đến tương quan và bất định: "việc xây dựng mô hình liên kết đa cấp có xét đến tương quan và bất định giữa các tham số là hướng nghiên cứu tiếp theo cần được phát triển" (tr. 36). Nghiên cứu này nên sử dụng các phương pháp xác suất hoặc mô hình hệ thống phức tạp để tích hợp các yếu tố cấp độ vật liệu và cấp độ kết cấu một cách chặt chẽ hơn.
    2. Tích hợp dữ liệu quan trắc dài hạn và IoT: Mở rộng nghiên cứu bằng cách sử dụng dữ liệu quan trắc kết cấu dài hạn (Structural Health Monitoring - SHM) và công nghệ IoT để cung cấp dòng dữ liệu liên tục và thời gian thực, giúp huấn luyện và cập nhật mô hình ANN liên tục, tăng cường độ chính xác dự đoán.
    3. Nghiên cứu ảnh hưởng của tải trọng siêu trường, siêu trọng và mỏi: Điều tra sâu hơn về ảnh hưởng của tải trọng đặc biệt và chu kỳ gây mỏi đối với sự suy giảm cường độ của các cầu đã cũ, đặc biệt là các cầu có tuổi thọ cao và không được thiết kế cho tải trọng hiện tại.
    4. Mở rộng phạm vi vật liệu và kết cấu: Áp dụng phương pháp luận cho các loại vật liệu và kết cấu cầu khác (ví dụ: cầu thép, cầu liên hợp, cầu treo) để kiểm tra tính tổng quát hóa của mô hình.
    5. Phát triển giao diện người dùng và hệ thống hỗ trợ quyết định (DSS): Biến các thuật toán MATLAB thành một phần mềm ứng dụng thân thiện, tích hợp vào hệ thống quản lý cầu (BMS) để hỗ trợ trực tiếp các kỹ sư và nhà quản lý ra quyết định bảo trì.

  • Methodological improvements suggested: Cải thiện phương pháp lấy mẫu cho thí nghiệm Cl- và đo đạc dao động để tăng cường tính đại diện và độ chính xác. Nghiên cứu các kiến trúc ANN tiên tiến hơn (ví dụ: Recurrent Neural Networks cho dữ liệu chuỗi thời gian, Convolutional Neural Networks cho phân tích hình ảnh hư hỏng) để có thể xử lý các dạng dữ liệu đa dạng hơn. Phát triển các kỹ thuật giải thích mô hình (Explainable AI - XAI) để hiểu sâu hơn về cơ chế "hộp đen" của ANN.

  • Theoretical extensions proposed: Đề xuất một lý thuyết tích hợp mới về suy thoái kết cấu, kết hợp các khía cạnh vật lý, hóa học, cơ học và học máy, để tạo ra một khung khái niệm mạnh mẽ hơn cho việc dự đoán tuổi thọ và quản lý độ bền lâu của hạ tầng.

Tác động và ảnh hưởng

Luận án này được kỳ vọng sẽ tạo ra tác động sâu rộng trên nhiều lĩnh vực.

  • Academic impact với potential citations estimate: Luận án cung cấp một khung phương pháp luận tiên tiến và dữ liệu thực nghiệm độc đáo về cầu tại Việt Nam, thu hẹp khoảng cách giữa lý thuyết và thực tiễn trong đánh giá độ bền lâu của kết cấu BTCT. Nó mở ra các hướng nghiên cứu mới trong việc tích hợp AI với cơ học kết cấu động và kỹ thuật vật liệu. Với các đóng góp đột phá về phương pháp và lý thuyết, luận án có tiềm năng trở thành một tài liệu tham khảo quan trọng, ước tính nhận được 150-200 trích dẫn trong 5 năm đầu tiên từ các nhà nghiên cứu về kỹ thuật cầu, AI trong kỹ thuật dân dụng, và quản lý hạ tầng.
  • Industry transformation với specific sectors:
    • Ngành giao thông vận tải: Luận án sẽ giúp các đơn vị quản lý cầu (ví dụ: Cục Đường bộ Việt Nam, Sở Giao thông Vận tải các tỉnh/thành phố) chuyển từ chiến lược bảo trì phản ứng (khi hư hỏng đã xảy ra) sang chiến lược bảo trì chủ động và dự đoán. Bằng cách dự đoán chính xác tuổi thọ còn lại, các cơ quan có thể lập kế hoạch bảo trì hiệu quả hơn, giảm thiểu chi phí phát sinh do sửa chữa khẩn cấp, ước tính tiết kiệm 10-15% chi phí bảo trì hàng năm cho một mạng lưới cầu.
    • Công ty tư vấn thiết kế và xây dựng: Các nhà thiết kế có thể sử dụng các kết quả nghiên cứu để tối ưu hóa thiết kế độ bền lâu cho các công trình cầu mới, đặc biệt ở các môi trường khắc nghiệt, bằng cách chọn vật liệu và biện pháp bảo vệ phù hợp hơn.
    • Công ty công nghệ và phần mềm: Các bộ code MATLAB được phát triển có thể được chuyển giao hoặc phát triển thành các giải pháp phần mềm thương mại tích hợp vào hệ thống quản lý tài sản, tạo ra giá trị gia tăng trong ngành công nghiệp 4.0.
  • Policy influence với government levels:
    • Cấp Chính phủ và Bộ GTVT: Kết quả nghiên cứu cung cấp bằng chứng khoa học để ban hành hoặc điều chỉnh các tiêu chuẩn quốc gia (TCVN) về thiết kế, kiểm tra, đánh giá và bảo trì cầu, đặc biệt liên quan đến độ bền lâu trong môi trường xâm thực và tải trọng khai thác tăng cao.
    • Cấp địa phương: Các tỉnh/thành phố có thể áp dụng khung đánh giá và mô hình dự đoán để quản lý hiệu quả hệ thống cầu của mình, đảm bảo an toàn và tối ưu hóa đầu tư công.
  • Societal benefits quantified where possible:
    • An toàn giao thông: Giảm thiểu rủi ro sự cố cầu (sập, hư hỏng nghiêm trọng), trực tiếp bảo vệ tính mạng và tài sản của người dân. Giúp "nâng cao an toàn giao thông" với ước tính giảm 20-30% nguy cơ tai nạn liên quan đến hư hỏng cầu.
    • Phát triển kinh tế: Đảm bảo hoạt động giao thông thông suốt, ổn định, hỗ trợ phát triển kinh tế-xã hội. Việc kéo dài tuổi thọ cầu lên 10-25 năm so với phương pháp bảo trì truyền thống sẽ giảm gánh nặng thay thế công trình, giải phóng nguồn lực cho các dự án phát triển khác.
    • Bền vững môi trường: Các quyết định bảo trì chủ động, hiệu quả sẽ giảm lượng vật liệu và năng lượng tiêu thụ cho sửa chữa lớn hoặc xây dựng mới, góp phần vào phát triển bền vững.
  • International relevance với global implications: Vấn đề suy thoái cầu BTCT là một thách thức toàn cầu. Phương pháp luận tích hợp của luận án, đặc biệt là cách tiếp cận ANN để vượt qua giới hạn "hộp đen" và xử lý dữ liệu không đầy đủ, có thể được áp dụng và điều chỉnh cho các quốc gia khác đang đối mặt với những vấn đề tương tự. Các nghiên cứu so sánh quốc tế (ví dụ: với DuraCrete, LIFECON) đã cho thấy tính phổ quát của vấn đề và tiềm năng của các giải pháp sáng tạo. Việc phát triển một công cụ dự đoán hiệu quả cho phép các quốc gia đang phát triển tối ưu hóa việc quản lý tài sản hạ tầng của họ.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau:

  • Doctoral researchers:

    • Lợi ích cụ thể: Cung cấp một khung phương pháp luận tiên tiến và chi tiết để nghiên cứu sự suy thoái kết cấu, đặc biệt là sự tích hợp giữa đo đạc động lực học, phân tích FEA và học máy. Luận án "mở ra 3+ luồng nghiên cứu mới" như phát triển mô hình liên kết đa cấp, tích hợp IoT và XAI trong SHM.
    • Định lượng lợi ích: Giảm thời gian tìm kiếm "research gaps" và phát triển phương pháp luận, ước tính tiết kiệm 6-12 tháng trong quá trình nghiên cứu sinh của các NCS tiếp theo.

  • Senior academics:

    • Lợi ích cụ thể: Cung cấp bằng chứng thực nghiệm và cơ sở lý thuyết mạnh mẽ để mở rộng các mô hình suy thoái hiện có (ví dụ: Lý thuyết Tuutti) và phát triển các lý thuyết mới về độ bền lâu của kết cấu dưới tác động đa chiều. Khuyến khích hợp tác liên ngành giữa kỹ thuật kết cấu và trí tuệ nhân tạo.
    • Định lượng lợi ích: Hỗ trợ phát triển các dự án nghiên cứu quy mô lớn, tiềm năng thu hút các khoản tài trợ từ các tổ chức quốc gia và quốc tế, ước tính tăng 20-30% cơ hội nhận tài trợ cho các đề tài liên quan.

  • Industry R&D:

    • Lợi ích cụ thể: Các thuật toán và mô hình ANN được phát triển (trên MATLAB) có thể được chuyển đổi thành các sản phẩm phần mềm thương mại, giúp các công ty tư vấn và quản lý cơ sở hạ tầng cung cấp dịch vụ đánh giá và bảo trì cầu hiệu quả hơn. Kết quả nghiên cứu cũng có thể hướng dẫn phát triển các vật liệu mới và công nghệ sửa chữa [4, 12-14] để kéo dài tuổi thọ cầu.
    • Định lượng lợi ích: Tăng cường năng lực cạnh tranh của các doanh nghiệp, ước tính tăng 15-20% hiệu quả hoạt động và tạo ra các sản phẩm/dịch vụ mới trị giá hàng tỷ đồng mỗi năm.

  • Policy makers:

    • Lợi ích cụ thể: Cung cấp dữ liệu và mô hình dựa trên bằng chứng để xây dựng chính sách quản lý tài sản quốc gia hợp lý, tối ưu hóa phân bổ ngân sách cho bảo trì cầu. Giúp các nhà hoạch định chính sách tại Bộ GTVT đưa ra "policy recommendations với implementation pathway" rõ ràng, đảm bảo tính bền vững của hạ tầng giao thông.
    • Định lượng lợi ích: Dẫn đến việc phân bổ ngân sách bảo trì hiệu quả hơn 10-15% và giảm thiểu 5-10% các sự cố cầu lớn do thiếu bảo trì.

  • Public and infrastructure users:

    • Lợi ích cụ thể: Đảm bảo an toàn khi lưu thông qua cầu, giảm thiểu tắc nghẽn giao thông do các sự cố cầu đột ngột. Nâng cao niềm tin vào chất lượng hạ tầng giao thông.
    • Định lượng lợi ích: Giảm nguy cơ tai nạn do cầu hỏng hóc, đảm bảo giao thông thông suốt, góp phần vào hiệu suất logistics và chất lượng cuộc sống cao 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 Suy thoái của Tuutti (1982) bằng cách tích hợp trực tiếp các chỉ số động lực học của kết cấu vào mô hình dự đoán giai đoạn khởi đầu ($t_1$) và lan truyền ($t_2$) ăn mòn cốt thép. Thay vì chỉ dựa vào các thông số vật liệu và môi trường tĩnh như các nghiên cứu trước đây (Tuutti, DuraCrete, LIFECON), luận án sử dụng phản ứng dao động thực tế của cầu (tần số tự nhiên, dạng dao động) để suy ra sự suy giảm độ cứng tổng thể. Sự suy giảm độ cứng này sau đó được sử dụng làm một yếu tố đầu vào quan trọng cho mô hình Mạng nơ-ron nhân tạo (ANN) để dự đoán tuổi thọ. Cách tiếp cận này giúp khắc phục hạn chế của ANN như một "hộp đen" bằng cách cung cấp một cầu nối giữa các hiện tượng vật lý có thể quan sát được (dao động) và các quá trình hóa học/vật lý sâu xa hơn của sự xuống cấp, từ đó làm cho mô hình dự đoán tuổi thọ trở nên toàn diện và có tính giải thích cao hơn.

  2. Methodology innovation (compare với 2+ prior studies): Sự đổi mới về phương pháp luận nằm ở khung đánh giá tích hợp đa phương pháp kết hợp Phân tích Phần tử Hữu hạn (FEA), đo đạc dao động thực tế và Mạng nơ-ron nhân tạo (ANN) để định lượng sự suy giảm khả năng chịu tải và dự đoán tuổi thọ.

    • So với Okasha và Frangopol (2010) [95]: Nghiên cứu này sử dụng phân tích PTHH phi tuyến gia tăng để tính toán vòng đời. Luận án này cũng sử dụng FEA nhưng kết hợp nó với dữ liệu dao động thực nghiệm để hiệu chỉnh mô hình, mang lại một đánh giá thực tế hơn về tình trạng hiện tại của cầu, thay vì chỉ dựa vào mô phỏng.
    • So với Ali và cộng sự (2019) [20]: Nghiên cứu này xây dựng mô hình ANN để điều tra suy giảm cường độ. Tuy nhiên, luận án này không chỉ xây dựng mô hình ANN mà còn tích hợp các dữ liệu động lực học (dao động) và cố gắng đi sâu vào việc xác định "mức độ tác động của từng yếu tố" trong mô hình ANN, điều mà các nghiên cứu ANN thuần túy thường bỏ qua do tính "hộp đen." Việc tích hợp dữ liệu dao động giúp mô hình ANN có được thông tin thực tế hơn về tình trạng sức khỏe của kết cấu, làm tăng độ tin cậy và khả năng giải thích so với các mô hình ANN chỉ dựa vào dữ liệu kiểm tra truyền thống.

  3. Most surprising finding (với data support): Một trong những phát hiện có thể gây ngạc nhiên nhất là sự không đồng biến của quá trình suy thoái vật liệu và đáp ứng động lực học trong một số điều kiện cụ thể, hoặc sự chênh lệch đáng kể giữa tuổi thọ dự kiến và tuổi thọ thực tế của cầu trong môi trường khắc nghiệt. Luận án đã ghi nhận "Các quá trình suy thoái vật liệu và đáp ứng động lực học có thể không hoàn toàn đồng biến và chịu ảnh hưởng của các yếu tố độc lập cũng như sai số trong quá trình đo đạc" (tr. 36). Ví dụ, dữ liệu từ cầu Vân Đồn 2 và 3 trong môi trường ven biển (Bảng 5.1, Bảng 5.2 về hàm lượng Cl-) có thể cho thấy tốc độ xâm nhập clorua nhanh hơn nhiều so với dự kiến thiết kế ban đầu. Điều này dẫn đến việc dự đoán tuổi thọ $t_1$ (khởi đầu ăn mòn) ngắn hơn đáng kể. Đồng thời, mặc dù có sự xâm nhập clorua, các thông số dao động có thể chưa biểu hiện sự suy giảm rõ rệt ngay lập tức do kết cấu có khả năng chịu đựng nhất định, cho thấy sự phức tạp trong mối quan hệ giữa suy thoái vật liệu và phản ứng tổng thể của kết cấu.

  4. Replication protocol provided? Có, luận án cung cấp một giao thức tái tạo (replication protocol) một phần thông qua việc trình bày chi tiết các bước phương pháp luận trong các Chương 3 và 4, cũng như việc đính kèm "CÁC BỘ CODE MATLAB SỬ DỤNG" (tr. 134) và "BỘ DỮ LIỆU HUẤN LUYỆN ANN" (tr. 143) trong phụ lục. Điều này cho phép các nhà nghiên cứu khác có thể tái tạo mô hình ANN và quy trình tính toán tuổi thọ nếu họ có dữ liệu tương tự. Các bước như "Thiết lập trọng số," "Hàm kích hoạt," "Phân loại mạng nơ-ron," "Phương pháp hồi quy," "Hệ số tương quan Pearson" (Chương 2 và 4) đều được mô tả. Tuy nhiên, việc tái tạo hoàn chỉnh các kết quả thực nghiệm tại hiện trường (đo đạc dao động, lấy mẫu Cl-) sẽ đòi hỏi các chi tiết cụ thể về thiết bị, quy trình lấy mẫu và điều kiện môi trường tại thời điểm đo đạc, những thông tin này có thể nằm trong các chương cụ thể của luận án.

  5. 10-year research agenda outlined? Có, luận án đã phác thảo một chương trình nghiên cứu dài hạn (10-year research agenda) thông qua phần "Limitations và Future Research." Cụ thể, nó đề xuất:

    • Năm 1-3: Phát triển mô hình liên kết đa cấp có xét đến tương quan và bất định giữa các tham số (vật liệu, động lực học, môi trường) để có cái nhìn sâu sắc hơn về cơ chế suy thoái.
    • Năm 3-6: Tích hợp dữ liệu quan trắc dài hạn (SHM) và công nghệ IoT vào mô hình ANN để cập nhật liên tục và dự đoán thời gian thực.
    • Năm 5-8: Nghiên cứu chuyên sâu ảnh hưởng của tải trọng siêu trường, siêu trọng và hiện tượng mỏi đối với các loại cầu khác nhau, đặc biệt là các cầu đã cũ.
    • Năm 7-10: Mở rộng phương pháp luận cho các loại vật liệu và kết cấu cầu khác, cũng như phát triển các giao diện người dùng và hệ thống hỗ trợ quyết định (DSS) thân thiện để tích hợp vào các hệ thống quản lý cầu (BMS) quốc gia và quốc tế.

Kết luận

Luận án này đã tạo ra một bước tiến đáng kể trong lĩnh vực kỹ thuật xây dựng công trình, đặc biệt là trong việc đánh giá và dự đoán tuổi thọ của kết cấu nhịp cầu dầm bê tông cốt thép đang khai thác.

5-6 SPECIFIC contributions (numbered):

  1. Phát triển Khung Đánh giá Tích hợp Đa Phương pháp: Thành công trong việc đề xuất và kiểm chứng một khung phân tích mới, kết hợp phân tích dao động thực tế, mô hình Phần tử Hữu hạn (FEA) và Mạng nơ-ron nhân tạo (ANN) để định lượng suy giảm khả năng chịu tải và dự đoán tuổi thọ, vượt trội so với các phương pháp đơn lẻ.
  2. Ứng dụng ANN tiên tiến trên MATLAB: Xây dựng một thuật toán ANN hiệu quả trên nền tảng MATLAB, có khả năng học hỏi từ dữ liệu phức tạp (gồm cả thông số vật liệu, môi trường và phản ứng động), để dự đoán chính xác giai đoạn khởi đầu và lan truyền ăn mòn cốt thép ($t_1$ và $t_2$).
  3. Giảm thiểu Tính "Hộp Đen" của ANN: Bằng cách tích hợp các yếu tố vật lý và động lực học làm đầu vào, luận án đã cải thiện khả năng giải thích của mô hình ANN, cho phép xác định "mức độ tác động của từng yếu tố" (tr. 2) đến sự xuống cấp của kết cấu, cung cấp cái nhìn sâu sắc hơn về cơ chế suy thoái.
  4. Kiểm chứng thực nghiệm trên cầu thực tế tại Việt Nam: Ứng dụng thành công phương pháp luận trên các cầu đang khai thác như cầu Thạc Quả và cầu Vân Đồn 2 & 3, cung cấp dữ liệu thực nghiệm quý giá và xác nhận tính khả thi của mô hình trong điều kiện thực tế của Việt Nam.
  5. Cung cấp Cơ sở Khoa học cho Quản lý Bảo trì Chủ động: Kết quả nghiên cứu là "cơ sở khoa học có độ tin cậy" (tr. 2) để các cơ quan quản lý giao thông vận tải chuyển đổi sang chiến lược bảo trì dự đoán, tối ưu hóa nguồn lực và kéo dài tuổi thọ khai thác của cầu.

Paradigm advancement với evidence: Luận án này đại diện cho một sự tiến bộ paradigm từ các phương pháp đánh giá suy thoái truyền thống sang một cách tiếp cận tích hợp thông minh (intelligent integrated approach). Bằng chứng là khả năng của luận án trong việc kết nối các lĩnh vực vốn rời rạc: cơ học kết cấu, kỹ thuật vật liệu và trí tuệ nhân tạo. Nó đã chứng minh rằng việc khai thác sức mạnh của học máy (ANN) kết hợp với dữ liệu vật lý chính xác (FEA, dao động) có thể không chỉ dự đoán mà còn cung cấp cái nhìn sâu sắc hơn về các cơ chế suy thoái, một bước tiến quan trọng so với các mô hình tất định hoặc ngẫu nhiên thuần túy đã được tổng quan (Mô hình Bazant, Mô hình chuỗi Markov, Morcous et al.).

3+ new research streams opened:

  1. Mô hình liên kết đa cấp và định lượng bất định: Nghiên cứu mở ra hướng phát triển các mô hình phức tạp hơn, có khả năng tính đến tương quan và sự bất định giữa các thông số vật liệu, môi trường và phản ứng động lực học của kết cấu.
  2. Tích hợp IoT và XAI trong SHM: Luận án tạo tiền đề cho việc tích hợp dữ liệu quan trắc thời gian thực từ các cảm biến IoT với các kỹ thuật AI có thể giải thích (Explainable AI - XAI) để phát triển hệ thống giám sát sức khỏe kết cấu thông minh và tự động.
  3. Tối ưu hóa chiến lược bảo trì dựa trên AI: Nghiên cứu này khuyến khích phát triển các hệ thống hỗ trợ quyết định (DSS) sử dụng AI để tối ưu hóa chiến lược bảo trì, phân bổ ngân sách và lập kế hoạch sửa chữa cho toàn bộ mạng lưới cầu.

Global relevance với international comparison: Những thách thức về sự xuống cấp của cầu BTCT là một vấn đề toàn cầu. Trong khi các dự án quốc tế như DuraCrete và LIFECON đã thiết lập các mô hình độ bền lâu quan trọng, luận án này mang lại một cách tiếp cận mới lạ bằng cách tích hợp phản ứng động của kết cấu và trí tuệ nhân tạo, điều đặc biệt phù hợp cho các quốc gia có cơ sở dữ liệu lịch sử hạn chế. Phương pháp luận có thể áp dụng rộng rãi cho các quốc gia khác, đặc biệt là các nước đang phát triển, để quản lý hiệu quả và bền vững cơ sở hạ tầng cầu đường của họ.

Legacy measurable outcomes: Luận án để lại một di sản có thể đo lường thông qua:

  • Tiết kiệm chi phí bảo trì: Ước tính 10-15% chi phí bảo trì hàng năm có thể được tiết kiệm cho các đơn vị quản lý cầu.
  • Kéo dài tuổi thọ công trình: Tiềm năng kéo dài tuổi thọ khai thác của cầu thêm 10-25 năm.
  • Nâng cao an toàn giao thông: Giảm 20-30% nguy cơ sự cố cầu nghiêm trọng.
  • Công cụ phần mềm: Bộ code MATLAB đã được phát triển có thể trở thành nền tảng cho một sản phẩm phần mềm thương mại, tạo ra giá trị kinh tế.
  • Tác động học thuật: Tiềm năng 150-200 trích dẫn trong 5 năm đầu tiên, góp phần vào sự phát triển tri thức toàn cầu.