Tổng quan về luận án

Nghiên cứu tối ưu hóa kết cấu khung thép đóng vai trò then chốt trong kỹ thuật xây dựng và cơ học công trình hiện đại nhằm giảm thiểu chi phí vật liệu và nâng cao độ an toàn chịu lực. Luận án tiến sĩ kỹ thuật chuyên ngành Cơ học vật rắn (Mã số: 9440107) của NCS. Nguyễn Thị Thanh Thúy với đề tài "Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy" (Đại học Thủy lợi, 2023; Người hướng dẫn: GS. Nguyễn Tiến Chương, PGS. Trương Việt Hùng) đại diện cho một bước tiến tiên phong trong việc giải quyết nghịch lý tính toán giữa độ chính xác phi tuyến thực tế và chi phí tài nguyên mô phỏng số.

Khoảng trống nghiên cứu (research gap) trọng tâm xuất phát từ việc các phương pháp thiết kế truyền thống theo tiêu chuẩn như Ứng suất cho phép (ASD - AISC 1989), Thiết kế dẻo (PD) và Hệ số tải trọng & sức kháng (LRFD - AISC 1999) chỉ dựa trên phân tích đàn hồi tuyến tính và cô lập từng cấu kiện qua hệ số chiều dài tính toán $K$ phức tạp, không phản ánh được sự phân phối lại nội lực và trạng thái giới hạn phá hủy tổng thể. Ngược lại, phương pháp Phân tích trực tiếp (Direct Analysis Method) có xét phi tuyến bậc hai (Nonlinear inelastic analysis) tuy mô phỏng chính xác ứng xử thực nhưng lại tiêu tốn khối lượng thời gian khổng lồ khi kết hợp với các thuật toán tối ưu meta-heuristic đòi hỏi hàng nghìn lần lặp phân tích kết cấu.

Luận án thiết lập 3 câu hỏi nghiên cứu và giả thuyết khoa học chính:

  1. RQ1: Làm thế nào để cải tiến thuật toán meta-heuristic nhằm tăng khả năng thoát bẫy cực trị cục bộ và giảm số lần đánh giá hàm phân tích kết cấu trong không gian biến rời rạc? $\rightarrow$ H1: Cơ chế tự thích ứng tham số lai ghép và đột biến trong thuật toán tiến hóa vi phân (DE) sẽ cải thiện đáng kể tốc độ hội tụ và độ ổn định tìm kiếm toàn cục.
  2. RQ2: Kỹ thuật học máy nào tối ưu nhất trong việc xây dựng siêu mô hình (meta-model) dự báo chính xác ứng xử phi tuyến (Hệ số tải trọng giới hạn ULF và chuyển vị) của khung thép? $\rightarrow$ H2: Mô hình dựa trên cây tăng cường độ dốc (LightGBM) với cơ chế lấy mẫu GOSS và gom nhóm đặc trưng EFB sẽ vượt trội hơn mạng nơ-ron (ANN), Support Vector Machine (SVM) và Random Forest (RF) về cả độ chính xác (MSE nhỏ nhất) lẫn tốc độ huấn luyện.
  3. RQ3: Làm thế nào để tích hợp siêu mô hình học máy vào thuật toán meta-heuristic mà không làm sai lệch kết quả tối ưu do sai số dự báo tại biên ràng buộc? $\rightarrow$ H3: Khung tích hợp AEpDE-LightGBM với cơ chế kiểm tra sàng lọc hai cấp sẽ giảm hơn 70% số lần gọi phân tích trực tiếp chính xác mà vẫn đảm bảo 100% độ tin cậy ràng buộc kỹ thuật.

Khung lý thuyết của nghiên cứu tích hợp Lý thuyết ổn định dầm-cột phi tuyến (Chen & Lui, 1987; Liew et al., 1993), Mô hình khớp dẻo tinh chỉnh (Refined Plastic Hinge Method), Lý thuyết tối ưu hóa tiến hóa vi phân và Lý thuyết học máy giám sát (Ensemble Gradient Boosting). Phạm vi nghiên cứu bao quát các hệ khung thép phẳng và không gian (khung phẳng 3 nhịp 10 tầng, 5 nhịp 14 tầng và khung không gian 20 tầng) với tập biến thiết kế rời rạc từ danh mục tiết diện chữ I cánh rộng chuẩn AISC-LRFD (W-shapes).

Literature Review và Positioning

Lịch sử phát triển của phân tích và tối ưu hóa kết cấu thép trải qua nhiều giai đoạn chuyển biến quan trọng. Trong phân tích phi tuyến hình học, các công trình của Pi và Trahair (1994), Izzuddin và Smith (1996), Chan và Zhou (1994) tập trung phát triển phương pháp phần tử hữu hạn (FEM) với hàm nội suy bậc cao (như phần tử PEP bậc 5). Dù đạt độ chính xác cao, FEM đòi hỏi chia lưới phần tử dày đặc, gây bùng nổ thời gian tính toán. Để giải quyết hạn chế này, hướng tiếp cận phần tử dầm - cột (beam-column element) sử dụng các hàm ổn định (Stability Functions) được tiên phong bởi Livesley & Chandler (1956), Renton (1962), Oran (1973) và hoàn thiện bởi Chen & Lui (1987), Goto & Chen (1987), Liew et al. (1993). Phương pháp này cho phép mô phỏng chính xác hiệu ứng bậc hai $P-\Delta$ và $P-\delta$ chỉ với 1 đến 2 phần tử trên mỗi cấu kiện.

Trong phân tích phi tuyến vật liệu, mô hình vùng dẻo (Plastic Zone) mô tả chính xác sự chảy dẻo nhưng cực kỳ phức tạp. Kim et al. (2001), Thai và Kim (2011) đã phát triển mô hình khớp dẻo tinh chỉnh (Refined Plastic Hinge) kết hợp mô đun tiếp tuyến CRC (Column Research Council, 1976) để mô phỏng sự suy giảm độ cứng dần dọc trục và tại các đầu phần tử do ứng suất dư và biến dạng dẻo.

Về mặt tối ưu hóa, từ các phương pháp dựa trên độ dốc truyền thống (Schmit, 1960; Venkayya, 1973) dễ rơi vào cực trị cục bộ với bài toán rời rạc, các thuật toán meta-heuristic đã vươn lên chiếm ưu thế: Giải thuật di truyền GA (Goldberg & Samtani, 1986), Tối ưu bầy đàn PSO (Eberhart & Kennedy, 1995), Tìm kiếm hài hòa HS (Geem et al., 2001), Tối ưu va chạm vật thể ECBO (Kaveh & Ghazaan, 2014) và Tiến hóa vi phân DE (Storn & Price, 1997; Truong & Kim, 2017).

Trường phái đối lập xuất hiện giữa việc: (1) Sử dụng phân tích trực tiếp nguyên bản kết hợp meta-heuristic (Madah & Amir, 2014; Missoum et al., 2010; Truong & Kim, 2017) đảm bảo độ tin cậy kết cấu cao nhưng thời gian giải phóng tài nguyên CPU quá lớn, khó áp dụng cho khung siêu cao tầng; và (2) Sử dụng siêu mô hình học máy (Kriging, ANN, SVM) để xấp xỉ toàn bộ phân tích kết cấu (Suprayitno & Yu, 2018; Gomes & Beck, 2013; Gholizadeh & Mohammadi, 2014; Pham et al., 2020) tuy đạt tốc độ tính toán tức thời nhưng thường gặp rủi ro vi phạm ràng buộc tại biên tối ưu do sai số xấp xỉ của mô hình học máy (ML).

Nghiên cứu của NCS. Nguyễn Thị Thanh Thúy định vị chính xác vào khoảng trống này bằng cách đề xuất giải pháp lai: Khung tối ưu AEpDE kết hợp siêu mô hình LightGBM đóng vai trò màng lọc dự báo nhanh các ràng buộc vi phạm trước khi chuyển giao các phương án tiềm năng cho bộ giải phân tích trực tiếp PAAP kiểm chứng nghiệm thu, giải quyết triệt để sự đánh đổi giữa thời gian tính toán và độ chính xác vật lý.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng và hoàn thiện ba lý thuyết cốt lõi:

  1. Mở rộng Lý thuyết Phân tích Trực tiếp bậc hai (Direct Analysis Theory): Tích hợp hiệu quả các hàm ổn định $S_1, S_2$ có xét đến hiệu ứng biến dạng cắt, mô đun tiếp tuyến CRC ($E_t$) và suy giảm độ cứng khớp dẻo vào việc giải phương trình phi tuyến bằng phương pháp kiểm soát chuyển vị tổng quát (General Displacement Control - GDC; Yang & Shieh, 1990). Điều này cho phép bắt trọn tải trọng tới hạn mất ổn định tổng thể và cục bộ mà không cần phụ thuộc vào hệ số $K$ kinh nghiệm của AISC.
  2. Phát triển Lý thuyết Tiến hóa Vi phân Tự thích ứng (AEpDE): Cải tiến thuật toán EpDE (Truong & Kim, 2017) bằng cách thiết lập cơ chế tự điều chỉnh tham số lai ghép $CR$ và hệ số đột biến $F$ theo độ biến thiên chất lượng quần thể qua từng thế hệ, loại bỏ hoàn toàn việc hiệu chỉnh thủ công tham số vốn phụ thuộc chủ quan vào người lập trình.
  3. Chuyển dịch Mô hình Đánh giá Kết cấu (Structural Evaluation Paradigm Shift): Chuyển dịch từ mô hình mô phỏng đơn lẻ liên tục (Pure Physics-based Evaluation) sang mô hình tính toán cộng sinh giữa Trí tuệ Nhân tạo và Cơ học tính toán (AI-Physics Symbiosis).

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp đồng bộ: Lý thuyết Phần tử Dầm - Cột Phi tuyến, Cơ chế Học tăng cường độ dốc LightGBM và Thuật toán Tối ưu Meta-heuristic AEpDE.

[Không gian thiết kế rời rạc (AISC W-shapes)] 
                     │
                     ▼
  [Khởi tạo / Tiến hóa quần thể AEpDE]
                     │
                     ▼
  [Mô hình dự báo LightGBM (GOSS + EFB)] ──(Loại bỏ phương án vi phạm nặng)
                     │ (Phương án tiềm năng / Cận biên)
                     ▼
  [Bộ giải Phân tích Trực tiếp Phi tuyến PAAP (GDC)] ──(Tính chính xác ULF & Drift)
                     │
                     ▼
  [Hàm phạt thích ứng & Cập nhật nghiệm tối ưu]

Điều kiện biên và phạm vi áp dụng (Boundary conditions): Áp dụng cho kết cấu khung thép nhà dân dụng và công nghiệp chịu tải trọng tĩnh trọng trường và tải trọng gió tương đương, liên kết nút dầm-cột là liên kết cứng, tiết diện cấu kiện là thép hình chữ I cán nóng cánh rộng thỏa mãn điều kiện không mất ổn định cục bộ sớm theo tiêu chuẩn AISC-LRFD.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được xây dựng trên nền tảng triết học thực chứng (Positivism) kết hợp mô hình hóa tính toán định lượng nghiêm ngặt. Hệ thống phương pháp luận bao gồm 3 cấp độ:

  • Cấp độ 1 (Mô phỏng vật lý phi tuyến): Phát triển chương trình phân tích trực tiếp bậc hai PAAP bằng Fortran/MATLAB, tính toán chính xác quan hệ phi tuyến lực - chuyển vị, ma trận độ cứng tiếp tuyến phần tử $[K_t]$ và hệ số tải trọng giới hạn (Ultimate Load Factor - ULF).
  • Cấp độ 2 (Xây dựng dữ liệu & Siêu mô hình ML): Tạo lập tập cơ sở dữ liệu mẫu lớn thông qua phân tích phi tuyến ngẫu nhiên có kiểm soát, huấn luyện và đối chuẩn 5 thuật toán học máy (Linear Regression, Decision Tree, Random Forest, CatBoost, LightGBM) trên nền tảng Python.
  • Cấp độ 3 (Tối ưu hóa tổng hợp): Đồng bộ hóa mô hình dự báo LightGBM vào thuật toán AEpDE để tiến hành tìm kiếm cấu hình tiết diện tối ưu trên các bài toán chuẩn quốc tế.

Quy trình nghiên cứu rigorous

Quy trình tạo tập dữ liệu học máy được kiểm soát chặt chẽ qua 4 bước:

  1. Không gian mẫu: Rút ngẫu nhiên đồng đều các tiết diện dầm và cột từ tập dữ liệu W-shapes của AISC-LRFD (bao gồm 267 tiết diện tiêu chuẩn).
  2. Phân tích phi tuyến tự động: Sử dụng chương trình PAAP với phương pháp GDC để chạy phân tích trực tiếp cho từng mẫu cấu hình kết cấu dưới tổ hợp tải trọng thiết kế ($1.2D + 1.6L$ và $1.2D + 0.5L + 1.3W$).
  3. Trích xuất đặc trưng (Feature Engineering): Vector đầu vào $X = [A_1, I_{z1}, I_{y1}, \dots, A_m, I_{zm}, I_{ym}]$ biểu diễn diện tích và mô men quán tính của $m$ nhóm phần tử. Đầu ra nhãn $Y = [ULF, \Delta_{top}/H, d_{max}/h]$ tương ứng là hệ số tải trọng giới hạn, chuyển vị đỉnh tương đối và góc xoay tầng cực đại.
  4. Khử nhiễu và Chuẩn hóa: Loại bỏ các điểm kỳ dị số do thuật toán GDC không hội tụ ở các cấu hình phi thực tế; chuẩn hóa dữ liệu đầu vào về thang đo $[0, 1]$.

Mức độ hợp lệ (construct & internal validity) được xác minh bằng cách đối chuẩn kết quả phân tích phi tuyến của PAAP với các nghiên cứu kinh điển đã công bố của Liew et al. (1993), Kim et al. (2001) và phần mềm thương mại ABAQUS/SAP2000.

Data và phân tích

Tập dữ liệu cho mỗi bài toán khung thép bao gồm từ 3.000 đến 10.000 mẫu cấu hình kết cấu được phân tích phi tuyến hoàn chỉnh. Dữ liệu được chia theo tỷ lệ 80% cho tập huấn luyện (Training Set) và 20% cho tập kiểm thử độc lập (Testing Set) kết hợp kỹ thuật 5-Fold Cross Validation.

Các chỉ số thống kê định lượng đánh giá mô hình:

  • Sai số bình phương trung bình: $MSE = \frac{1}{N}\sum_{i=1}^{N}(y_i - \hat{y}_i)^2$
  • Sai số tuyệt đối trung bình: $MAE = \frac{1}{N}\sum_{i=1}^{N}|y_i - \hat{y}_i|$
  • Hệ số xác định: $R^2 = 1 - \frac{\sum (y_i - \hat{y}_i)^2}{\sum (y_i - \bar{y})^2}$

Trong bài toán khung không gian 20 tầng, mô hình LightGBM đạt độ chính xác vượt bậc với $R^2 > 0.985$, $MSE < 0.0021$ đối với dự báo ULF, vượt trội hoàn toàn so với mạng FNN ($MSE \approx 0.0087$) và Random Forest ($MSE \approx 0.0045$), đồng thời thời gian huấn luyện chỉ bằng 1/6 so với XGBoost và CatBoost nhờ thuật toán GOSS và EFB.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Khả năng dự báo vượt trội của LightGBM trong bài toán phi tuyến kết cấu: Trích xuất từ dữ liệu thực nghiệm cho thấy LightGBM đạt tốc độ suy luận dưới $0.001$ giây/mẫu, nhanh hơn 3.000 lần so với việc chạy một phân tích trực tiếp hoàn chỉnh bằng phần tử dầm - cột trong PAAP ($1.5 - 4.2$ giây/phân tích đối với khung 3 nhịp 10 tầng và $15 - 35$ giây đối với khung không gian 20 tầng).
  2. Tối ưu hóa tài nguyên tính toán (Computational Effort Reduction): Thuật toán AEpDE đơn lẻ giúp giảm $25 - 35%$ số lần phân tích kết cấu so với DE nguyên bản và PSO. Khi tích hợp mô hình AEpDE-LightGBM, tổng số lần gọi phân tích trực tiếp chính xác giảm mạnh từ $68.4%$ đến $76.2%$ trên các bài toán khung 3 nhịp 10 tầng và 5 nhịp 14 tầng.
  3. Hiệu quả tiết kiệm khối lượng kết cấu:
    • Khung phẳng 3 nhịp 10 tầng: Khối lượng thép tối ưu tốt nhất tìm được bởi AEpDE-LightGBM đạt mức giảm $5.8%$ so với phương pháp thiết kế truyền thống LRFD và nhẹ hơn $1.4 - 2.1%$ so với các thuật toán meta-heuristic khác (như ECBO, HS) có cùng điều kiện biên.
    • Khung phẳng 5 nhịp 14 tầng: Thuật toán đạt lời giải tối ưu với khối lượng kết cấu tối thiểu thỏa mãn hoàn toàn điều kiện độ bền ($ULF \ge 1.0$) và điều kiện sử dụng (độ dạt tầng $\Delta/h \le 1/400$), không ghi nhận hiện tượng vi phạm biên do sai số ML.
  4. Hiện tượng phi tuyến cục bộ không ảnh hưởng đến tính toàn cục: Dữ liệu cho thấy ở các tầng dưới của khung cao tầng, sự hình thành khớp dẻo cục bộ sớm ở một số dầm biên không làm sụp đổ công trình mà dẫn đến sự phân phối lại nội lực sang các cột lân cận—một hiện tượng mà phân tích đàn hồi LRFD hoàn toàn bỏ qua dẫn đến việc chọn thừa tiết diện dầm.

Implications đa chiều

  • Về mặt học thuật: Cung cấp phương pháp luận chuẩn hóa để xây dựng siêu mô hình học máy cho các bài toán cơ học phi tuyến phức tạp; mở ra hướng tiếp cận mới trong việc xử lý ràng buộc tối ưu hóa phi tuyến có độ nhạy cao.
  • Về mặt kỹ thuật thực hành: Cho phép các kỹ sư kết cấu tại các công ty tư vấn thiết kế thực hiện tối ưu hóa trực tiếp các công trình khung thép thực tế với hàng trăm biến thiết kế chỉ trong vài giờ làm việc của máy trạm thay vì mất nhiều tuần phân tích lặp.
  • Chính sách và Tiêu chuẩn hóa: Cung cấp cơ sở khoa học để các cơ quan quản lý xây dựng (như Bộ Xây dựng) xem xét bổ sung phương pháp Phân tích trực tiếp kết hợp công cụ số hóa vào tiêu chuẩn quốc gia TCVN 5575 trong tương lai, thay thế dần các hệ số an toàn tĩnh mang tính bảo thủ.

Limitations và Future Research

Nghiên cứu ghi nhận một số giới hạn khoa học cần được minh định:

  1. Giới hạn mô hình hóa liên kết nút: Luận án giả định liên kết dầm-cột là nút cứng tuyệt đối (Fully Restrained), chưa xét đến ứng xử bán cứng (Semi-rigid connections) và tính phi tuyến cục bộ của liên kết bu lông/hàn.
  2. Bản chất tải trọng tĩnh tương đương: Nghiên cứu mới khảo sát tải trọng trọng trường và tải trọng gió tĩnh quy đổi, chưa tích hợp phân tích động phi tuyến theo lịch sử thời gian (Nonlinear Time-History Analysis) đối với tải trọng động đất.
  3. Phụ thuộc vào miền dữ liệu huấn luyện: Mô hình LightGBM là mô hình dữ liệu (data-driven), do đó độ chính xác bị suy giảm nếu không gian tìm kiếm mở rộng ra ngoài phạm vi miền biên của tập dữ liệu huấn luyện ban đầu.

Chương trình nghiên cứu tương lai (Future Agenda):

  • Phát triển siêu mô hình học máy Deep Learning (Graph Neural Networks - GNN) có khả năng nhận dạng cấu trúc liên kết hình học tùy ý mà không cần tái huấn luyện từ đầu.
  • Mở rộng thuật toán AEpDE cho bài toán tối ưu đa mục tiêu (Multi-objective optimization): tối thiểu hóa đồng thời khối lượng thép, lượng phát thải carbon vòng đời ($CO_2$ footprint) và chỉ số thiệt hại địa chấn.
  • Tích hợp mô hình liên kết nửa cứng phi tuyến và phân tích độ tin cậy kết cấu phụ thuộc thời gian (Time-dependent structural reliability).

Tác động và ảnh hưởng

Luận án tạo ra tác động học thuật sâu sắc với tiềm năng trích dẫn cao trong các tạp chí ISI/Scopus hàng đầu chuyên ngành kết cấu và tính toán mềm như Engineering Structures, Journal of Constructional Steel Research, Computers & Structures, Applied Soft Computing.

Về mặt chuyển giao công nghiệp, thuật toán lai AEpDE-LightGBM có thể đóng gói thành các plugin/module tích hợp trực tiếp vào các phần mềm kết cấu thương mại hoặc nền tảng BIM (Building Information Modeling). Ước tính trong ngành xây dựng công nghiệp thép, việc tối ưu hóa giảm từ $5 - 8%$ khối lượng kết cấu trên quy mô toàn dự án sẽ mang lại lợi ích hàng tỷ đồng chi phí vật liệu cho mỗi công trình nhà xưởng hay cao ốc quy mô lớn, đồng thời đóng góp thiết thực vào mục tiêu giảm phát thải khí nhà kính trong sản xuất thép công nghiệp.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học trẻ: Tiếp cận được mã nguồn thuật toán tối ưu AEpDE, quy trình xây dựng tập dữ liệu cơ học phi tuyến và phương pháp luận kết hợp ML - Cơ học công trình.
  • Các Giáo sư & Chuyên gia Học thuật: Nền tảng mở rộng để phát triển các lý thuyết phân tích kết cấu bậc cao và tối ưu hóa hệ thống phức tạp dưới tác động đa thảm họa.
  • Kỹ sư Kết cấu & Doanh nghiệp Thiết kế (R&D): Sở hữu giải pháp công nghệ rút ngắn chu kỳ thiết kế, nâng cao năng lực cạnh tranh đấu thầu nhờ các giải pháp kết cấu thép siêu tiết kiệm và an toàn tuyệt đối.
  • Cơ quan Quản lý & Ban hành Tiêu chuẩn: Căn cứ dữ liệu số hóa xác thực để hiện đại hóa hệ thống quy chuẩn kỹ thuật xây dựng quốc gia.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì?

Trả lời: Đóng góp lý thuyết độc đáo nhất là việc thiết lập thành công cơ chế thích ứng động của tham số tiến hóa trong thuật toán AEpDE kết hợp khung phân tích trực tiếp dầm-cột phi tuyến, mở rộng lý thuyết tiến hóa vi phân cổ điển (Storn & Price, 1997) và EpDE (Truong & Kim, 2017) cho lớp bài toán cơ học kết cấu có không gian biến rời rạc và mặt biên ràng buộc phi tuyến cao.

2. Đột phá phương pháp luận so với các nghiên cứu quốc tế tương đương?

Trả lời: So với nghiên cứu của Suprayitno & Yu (2018) dùng mô hình Kriging cho khung phẳng và Gomes & Beck (2013) dùng MLP/RBF kết hợp PSO, phương pháp luận của luận án vượt trội ở 2 điểm: (1) Ứng dụng kỹ thuật LightGBM với cơ chế GOSS & EFB giúp tăng tốc độ xử lý dữ liệu kết cấu lớn lên gấp nhiều lần; và (2) Thiết lập bộ lọc sàng lọc 2 cấp ngăn ngừa triệt để sai số xấp xỉ ML làm sai lệch nghiệm tối ưu thực tế.

3. Phát hiện bất ngờ nhất thu được từ dữ liệu số là gì?

Trả lời: Tốc độ hội tụ của thuật toán tối ưu hóa không tỷ lệ thuận tuyến tính với kích thước quần thể mẫu học máy; một tập dữ liệu ML kích thước trung bình (khoảng 3.000 - 5.000 mẫu) được phân bố thông minh bằng lấy mẫu phân tầng quanh miền tải trọng tới hạn $ULF \approx 1.0$ mang lại độ chính xác tối ưu tương đương với tập dữ liệu 20.000 mẫu ngẫu nhiên, giúp tiết kiệm hơn $60%$ chi phí tạo dữ liệu ban đầu.

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

Trả lời: Hoàn toàn đầy đủ. Luận án cung cấp chi tiết toàn bộ công thức toán học ma trận độ cứng phần tử dầm-cột, hàm ổn định $S_1, S_2$, thuật toán GDC, mã nguồn giả (pseudocode) của AEpDE, các bảng siêu tham số của mô hình học máy (learning rate, max depth, num leaves) và bảng danh mục 267 tiết diện W chuẩn AISC.

5. Lộ trình nghiên cứu 10 năm tiếp theo được định hình ra sao?

Trả lời: Lộ trình tập trung vào 3 giai đoạn: (1) Mở rộng mô hình dự báo cho kết cấu khung không gian phức hợp chịu tải trọng động đất ngẫu nhiên (2024-2026); (2) Phát triển nền tảng Generative Design kết hợp Physics-Informed Neural Networks (PINN) trong thiết kế kết cấu thép tự động (2027-2030); (3) Xây dựng hệ thống bản sao số (Digital Twin) giám sát và tối ưu hóa kết cấu thép theo thời gian thực trong toàn bộ vòng đời công trình (2031-2034).

Kết luận

  1. Luận án đã giải quyết trọn vẹn bài toán tối ưu hóa tiết diện khung thép phi tuyến bậc hai bằng việc kết hợp nhuần nhuyễn Phân tích trực tiếp, Thuật toán tiến hóa vi phân tự thích ứng AEpDE và Kỹ thuật học máy LightGBM.
  2. Phát triển thành công thuật toán AEpDE với khả năng tự thích ứng tham số, gia tăng tốc độ hội tụ và giảm thiểu từ $25 - 35%$ số lần lặp phân tích kết cấu so với các thuật toán meta-heuristic truyền thống.
  3. Chứng minh tính ưu việt của mô hình LightGBM trong việc xấp xỉ các phản ứng phi tuyến kết cấu (ULF, chuyển vị) với hệ số tương quan $R^2 > 0.985$ và thời gian xử lý micro-giây.
  4. Xây dựng thành công khung chương trình tích hợp AEpDE-LightGBM, cắt giảm từ $68.4% - 76.2%$ tổng thời gian tính toán của bài toán tối ưu phi tuyến khung thép mà vẫn đảm bảo độ chính xác vật lý $100%$.
  5. Đạt mức tiết kiệm khối lượng thép từ $5 - 8%$ so với quy trình thiết kế chuẩn LRFD hiện hành trên các bài toán kiểm chứng quy mô từ 10 đến 20 tầng.
  6. Mở ra 3 nhánh nghiên cứu mới: Ứng dụng PINN trong cơ học phi tuyến thực nghiệm, tối ưu hóa kết cấu đa mục tiêu thích ứng biến đổi khí hậu, và số hóa tiêu chuẩn thiết kế kết cấu công trình thế hệ mới.