Tổng quan về luận án

Nghiên cứu này tiên phong trong việc nâng cao hiệu quả thiết kế thiết bị bay (TBB) thông qua việc ứng dụng các phương pháp nhận dạng tiên tiến đối với các đạo hàm hệ số khí động (ĐHHSKĐ) kênh độ cao. Trong bối cảnh khoa học hiện đại, việc thiết kế và chế tạo TBB là một thách thức lớn, đòi hỏi sự hội tụ của nhiều ngành khoa học kỹ thuật như kỹ thuật điều khiển và tự động hóa, công nghệ vật liệu, điện tử và xử lý tín hiệu [1], [14], [65]. Đặc biệt, sự phát triển của các phương tiện bay không người lái (UAV) và máy bay cánh bằng hiệu suất cao đã thúc đẩy nhu cầu về các mô hình khí động học chính xác và quy trình nhận dạng tham số hiệu quả. Luận án này đặt mình vào vị trí tiên phong bằng cách giải quyết những hạn chế cố hữu của các phương pháp truyền thống trong việc xử lý tính phi tuyến và không dừng của dữ liệu khí động học từ các chuyến bay thực tế.

Research gap cụ thể mà luận án này giải quyết là sự thiếu vắng các công bố trong nước về việc ứng dụng mạng nơron đột biến (SNN) để nhận dạng ĐHHSKĐ của TBB. Đồng thời, nghiên cứu cũng lấp đầy khoảng trống về việc sử dụng các tập dữ liệu bay ghi nhận được từ các thử nghiệm trên mô hình ống thổi khí động hoặc từ các chuyến bay thực tế của máy bay cánh bằng có người lái tại Việt Nam. Như đã nêu trong phần "Đặt vấn đề nghiên cứu", "Vấn đề nghiên cứu mô hình SNN áp dụng vào mục đích nhận dạng ĐHHSKĐ của TBB chưa có những công bố trong nước". Hơn nữa, "Ở trong nước, vấn đề sử dụng các tập dữ liệu bay ghi nhận được từ các thử nghiệm trên mô hình ống thối khí động hoặc từ các chuyến bay thử nghiệm phục vụ cho mục đích nhận dạng các ĐHHSKĐ còn rất hạn chế, đối với một lớp máy bay cánh bằng có người lái thực tế là chưa có." Những hạn chế này thường dẫn đến sự phụ thuộc vào các phương pháp tính toán lý thuyết hoặc thử nghiệm mô hình ống khí động, vốn có thể thiếu độ chính xác và tính đại diện của môi trường bay thực tế.

Nghiên cứu này được định hướng bởi các câu hỏi nghiên cứu và giả thuyết sau:

  1. Làm thế nào để xây dựng các mô hình động học kênh độ cao hiệu quả cho một lớp máy bay cánh bằng, phục vụ cho việc nhận dạng ĐHHSKĐ của TBB?
  2. Làm thế nào để phát triển một thuật toán nhận dạng ĐHHSKĐ sử dụng cấu trúc mạng nơron hàm cơ sở xuyên tâm (RBF) kết hợp thuật toán Gauss – Newton (GN)?
  3. Làm thế nào để nghiên cứu và ứng dụng mạng nơron đột biến (SNN) với thuật toán lan truyền ngược sai số đột biến chuẩn hóa (NSEBP) và mô hình nơron SRM0 để luyện SNN, sau đó kết hợp với GN để nhận dạng ĐHHSKĐ kênh độ cao?
  4. Các phương pháp nhận dạng dựa trên mạng nơron (RBF-GN, SNN-GN) có cung cấp độ chính xác và độ tin cậy cao hơn đáng kể so với các phương pháp truyền thống (LR, OEM) khi sử dụng dữ liệu bay thực tế cho một lớp máy bay cánh bằng có độ cơ động cao không?

Giả thuyết chính của luận án là việc tích hợp các mô hình mạng nơron thế hệ mới (đặc biệt là SNN) với các thuật toán tối ưu mạnh mẽ (như Gauss-Newton) sẽ cho phép nhận dạng các ĐHHSKĐ kênh độ cao của máy bay với độ chính xác và hiệu quả cao hơn đáng kể so với các phương pháp truyền thống, đặc biệt khi đối mặt với tính phi tuyến và nhiễu trong dữ liệu bay thực tế.

Khung lý thuyết của luận án được xây dựng dựa trên sự kết hợp của lý thuyết động học bay (Flight Dynamics), lý thuyết điều khiển và nhận dạng hệ thống (Control and System Identification Theory), và lý thuyết mạng nơron nhân tạo (Artificial Neural Network Theory). Cụ thể, nghiên cứu sử dụng các nguyên lý cơ bản của động lực học Newton để mô tả chuyển động của TBB dưới dạng mô hình 6 bậc tự do, sau đó tuyến tính hóa cho kênh độ cao. Các lý thuyết nhận dạng tham số như Maximum Likelihood (ML) và Least Squares (LS) tạo nền tảng cho các phương pháp truyền thống (LR, OEM). Đối với các đóng góp đột phá, luận án mở rộng ứng dụng của lý thuyết mạng nơron thế hệ thứ hai (RBF) và thế hệ thứ ba (SNN) vào bài toán nhận dạng hệ thống động học phi tuyến, đặc biệt là SNN với các mô hình nơron như SRM0 và thuật toán luyện mạng NSEBP.

Luận án đưa ra đóng góp đột phá bằng cách ứng dụng mạng nơron đột biến (SNN) kết hợp thuật toán Gauss-Newton để nhận dạng ĐHHSKĐ, một lĩnh vực chưa được công bố rộng rãi trong nước, đặc biệt với dữ liệu bay thực tế của máy bay cánh bằng có người lái. Đóng góp này được định lượng thông qua việc "nâng cao độ chính xác và rút ngắn thời gian trong toàn bộ quá trình thiết kế một lớp TBB" như đã được nêu trong "Ý nghĩa thực tiễn". Mặc dù không có con số cụ thể về phần trăm cải thiện, luận án đặt mục tiêu đạt được sự phù hợp cao hơn giữa mô hình và dữ liệu thực tế so với các phương pháp truyền thống.

Phạm vi nghiên cứu tập trung vào một lớp máy bay cánh bằng có người lái, cơ cấu điều khiển dạng khí động. Dữ liệu được sử dụng bao gồm "12 tập dữ liệu từ các chuyến bay thực tế có độ cơ động khác nhau" của máy bay Su-D, với chu kỳ lấy mẫu T = 0.02s. Nghiên cứu này có ý nghĩa quan trọng trong việc "cung cấp cơ sở lý thuyết và thực nghiệm cho việc đánh giá các ĐHHSKĐ trong giai đoạn thiết kế TBB, nâng cao độ chính xác và rút ngắn thời gian", qua đó hỗ trợ công tác nghiên cứu, thiết kế, chế tạo TBB tại Việt Nam.

Literature Review và Positioning

Phần tổng quan tài liệu của luận án đã thực hiện một synthesis chuyên sâu về các luồng nghiên cứu chính liên quan đến nhận dạng các đặc tính khí động của thiết bị bay. Ba luồng chính được tổng hợp bao gồm: mô hình động học chuyển động của TBB, các phương pháp nhận dạng ĐHHSKĐ, và nguồn dữ liệu phục vụ nhận dạng.

Trong lĩnh vực mô hình động học, các nghiên cứu của Klein và Morelli (2006) và Jategaonkar (2006) [32], [47] đã đặt nền móng cho việc mô tả chuyển động của TBB như một vật rắn 6 bậc tự do, sử dụng các định luật Newton. Tuy nhiên, tính phức tạp của bài toán nhận dạng ĐHHSKĐ trong không gian 3 chiều đã dẫn đến việc tuyến tính hóa và phân tách chuyển động thành các kênh độc lập (kênh độ cao và kênh hướng), như đã được Morelli và Klein (2016) [14] thảo luận, dù vẫn biểu diễn dưới dạng mô hình phi tuyến. Etkin và Reid (1996) [64] cùng Jategaonkar (2006) [47] đã đi sâu vào cơ sở khí động học, phân tích quá trình hình thành lực và mô men khí động, và xây dựng các mô hình phụ thuộc của các hệ số khí động vào cấu hình và chế độ bay.

Đối với việc ứng dụng Mạng nơron nhân tạo (ANN) trong mô hình động học, các tác giả như Huang et al. (2009) [38], Moghaddasi et al. (2010) [43], và Wang và Jin (2009) [57] đã chứng minh khả năng xấp xỉ tốt các mô hình động học phi tuyến phức tạp của máy bay. Cụ thể, Huang et al. (2009) [38] đã sử dụng mạng nơron nhiều lớp truyền thẳng (MLP) để xấp xỉ hóa mô hình trạng thái phi tuyến và đánh giá ĐHHSKĐ trên dữ liệu bay của máy bay vận tải nhỏ, cho thấy kết quả kém hơn OEM do sai số trong tính toán đạo hàm. Trong khi đó, El-Sallam và El-Sallam (2012) [27] đã sử dụng mạng RBF để xấp xỉ đạo hàm bậc nhất trong ma trận độ nhạy, tối ưu hóa trọng số bằng EKF và so sánh với MLP, cho thấy độ chính xác tương đương.

Trong lĩnh vực mạng nơron đột biến (SNN), các công trình của Maass (1997) [46] và Gerstner và Kistler (2002) [16] đã trình bày chi tiết về các dạng mô hình SNN và mô hình đột biến, cùng thuật toán luyện mạng. Maass (1997) [46] đã xây dựng SNN để nhận dạng mô hình động học phi tuyến của một đối tượng điều khiển, cho thấy kết quả khá tốt. Luận án này tiếp nối và mở rộng nghiên cứu này bằng cách áp dụng SNN vào bài toán cụ thể là nhận dạng ĐHHSKĐ của TBB.

Về phương pháp nhận dạng ĐHHSKĐ, các công trình của Jategaonkar (2006) [32], Klein và Morelli (2006) [32] đã tổng quan các phương pháp truyền thống như hồi quy tuyến tính (LR) và tiêu chuẩn tựa thực cực đại (ML) với các phương pháp như phương pháp sai số đầu ra (OEM). Jategaonkar (2006) [32] và Klein và Morelli (2006) [32] đều nhấn mạnh tầm quan trọng của các phương pháp này trong việc xác định các tham số khí động từ dữ liệu bay thử nghiệm. Nghiên cứu của Eftekhari et al. (2009) [29] đã so sánh mô hình khí động tuyến tính và phi tuyến, chỉ ra rằng mô hình phi tuyến cho kết quả nhận dạng chính xác hơn.

Luận án này tự định vị trong literature bằng cách giải quyết một research gap cụ thể: việc thiếu hụt các ứng dụng SNN để nhận dạng ĐHHSKĐ của TBB từ dữ liệu bay thực tế tại Việt Nam. So với các nghiên cứu quốc tế như Huang et al. (2009) [38] sử dụng MLP hoặc El-Sallam và El-Sallam (2012) [27] sử dụng RBF, luận án này tiến thêm một bước bằng cách khai thác tiềm năng của SNN – một thế hệ mạng nơron gần với cách xử lý thông tin của não bộ con người, mang lại khả năng xử lý các mô hình phi tuyến động học phức tạp của TBB hiệu quả hơn. Luận án không chỉ dừng lại ở việc so sánh với các phương pháp truyền thống như LR và OEM (thường được sử dụng trong các nghiên cứu như Jategaonkar (2006) [32]) mà còn đưa ra một phương pháp tiếp cận mới tích hợp SNN với thuật toán tối ưu Gauss-Newton. Điều này giúp luận án đóng góp vào việc thúc đẩy lĩnh vực nhận dạng hệ thống bay bằng cách giới thiệu và kiểm chứng một phương pháp tiên tiến hơn, có khả năng xử lý tốt hơn các thách thức của dữ liệu bay thực tế, đặc biệt là ở môi trường nghiên cứu trong nước còn hạn chế về dữ liệu và công nghệ.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này đóng góp đáng kể vào lý thuyết nhận dạng hệ thống và điều khiển học thông qua việc mở rộng và thách thức các lý thuyết hiện có. Cụ thể, nghiên cứu mở rộng ứng dụng của lý thuyết mạng nơron thế hệ thứ ba, mạng nơron đột biến (SNN), vào lĩnh vực nhận dạng tham số khí động của thiết bị bay, một lĩnh vực mà các mạng nơron truyền thống (như Perceptron nhiều lớp - MLP hay hàm cơ sở xuyên tâm - RBF) đã được ứng dụng nhưng vẫn còn hạn chế trong việc xử lý các dynamics phi tuyến cực kỳ phức tạp và dữ liệu có nhiễu cao. Mặc dù các nghiên cứu như của Maass (1997) [46] đã chứng minh khả năng của SNN trong việc nhận dạng mô hình động học phi tuyến tổng quát, luận án này cụ thể hóa và điều chỉnh SNN để giải quyết bài toán ĐHHSKĐ kênh độ cao của máy bay cánh bằng, một vấn đề có ý nghĩa thực tiễn và tính toán phức tạp.

Khung phân tích khái niệm được xây dựng dựa trên sự kết hợp của ba thành phần chính: mô hình động học phi tuyến của máy bay, mô hình hệ số khí động tuyến tính hóa kênh độ cao, và các mô hình mạng nơron nhân tạo (RBF và SNN). Các thành phần này được liên kết theo một quy trình nhận dạng gồm bốn giai đoạn: xây dựng mô hình động học, thu thập và xử lý dữ liệu bay, ước lượng tham số khí động, và xác nhận mô hình. Mỗi giai đoạn đều có các mối quan hệ tương tác chặt chẽ. Ví dụ, mô hình động học phi tuyến xác định cấu trúc tổng thể của hệ thống, trong khi mô hình HSKĐ tuyến tính hóa cung cấp các tham số cần nhận dạng. Các mạng nơron sau đó được sử dụng để xấp xỉ các mối quan hệ phi tuyến hoặc để trực tiếp ước lượng các ĐHHSKĐ.

Mô hình lý thuyết được đề xuất trong luận án bao gồm các propositions/hypotheses được đánh số như sau:

  1. Proposition 1: Mô hình động học phi tuyến của máy bay trong kênh độ cao có thể được xấp xỉ hiệu quả bằng mạng nơron nhân tạo (RBF và SNN) để nhận dạng các ĐHHSKĐ.
  2. Proposition 2: Việc tích hợp mạng nơron đột biến (SNN) với thuật toán Gauss-Newton sẽ cung cấp một phương pháp nhận dạng ĐHHSKĐ với độ chính xác và khả năng tổng quát hóa vượt trội so với các phương pháp truyền thống (LR, OEM) khi sử dụng dữ liệu bay thực tế.
  3. Proposition 3: Mô hình nơron SRM0 kết hợp với thuật toán NSEBP là một cơ sở hiệu quả để luyện mạng SNN trong việc mô hình hóa động học kênh độ cao của máy bay, đặc biệt với dữ liệu bay thực tế có tính chất phi tuyến và không dừng.

Luận án này không chỉ mở rộng các lý thuyết hiện có mà còn có tiềm năng tạo ra một paradigm shift trong cách tiếp cận nhận dạng tham số khí động. Thay vì chỉ dựa vào các phương pháp tuyến tính hóa truyền thống hoặc các mạng nơron thế hệ trước với những hạn chế về khả năng học các dynamics phức tạp và xử lý dữ liệu thời gian thực, việc ứng dụng SNN có thể dẫn đến sự chuyển đổi sang các mô hình tự học và tự điều chỉnh hiệu quả hơn. Bằng chứng cho điều này sẽ được tìm thấy trong các phát hiện của luận án, nơi độ chính xác và tính mạnh mẽ của SNN-GN sẽ được chứng minh so với LR và OEM.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp một cách độc đáo ba lý thuyết chính: lý thuyết động học bay cổ điển, lý thuyết nhận dạng hệ thống dựa trên tiêu chuẩn tựa thực cực đại (Maximum Likelihood), và lý thuyết mạng nơron nhân tạo thế hệ mới (RBF và SNN). Sự kết hợp này mang lại một cách tiếp cận novel analytical approach.

  1. Động học bay cổ điển: Luận án bắt đầu với các mô hình động học phi tuyến đầy đủ cho máy bay cánh bằng, sau đó tuyến tính hóa cho kênh độ cao. Điều này đảm bảo tính vững chắc về mặt vật lý của mô hình, tránh việc "hộp đen" hóa hoàn toàn mà một số ứng dụng mạng nơron có thể mắc phải. Các phương trình động lực học véc tơ cơ bản được sử dụng: "F  mV  ω  mV  FG ( )  FP  FA( V,ω,u,θ )" và mô men "M  I     I  ".
  2. Nhận dạng hệ thống dựa trên ML: Phương pháp sai số đầu ra (OEM) dựa trên tiêu chuẩn ML được sử dụng làm cơ sở để đánh giá các thuật toán truyền thống và làm tiêu chuẩn so sánh. OEM giả định mô hình động học không có nhiễu quá trình đối với các trạng thái chuyển động, cho phép tập trung vào việc tối thiểu hóa sai số đầu ra. Điều này cung cấp một baseline vững chắc và có ý nghĩa thống kê cho việc đánh giá các phương pháp mạng nơron.
  3. Mạng nơron thế hệ mới (RBF & SNN): Đây là đóng góp cốt lõi của khung phân tích. RBF được sử dụng để xấp xỉ mô hình động học phi tuyến, khai thác khả năng xấp xỉ hàm phổ quát của nó. Tuy nhiên, đóng góp độc đáo hơn là việc ứng dụng SNN, đặc biệt với "mô hình nơron SRM0" và "thuật toán lan truyền ngược sai số đột biến chuẩn hóa (NSEBP)" để huấn luyện. SNN với khả năng xử lý thông tin dựa trên thời gian (spike timing) và dynamics phức tạp của nơron sinh học, có tiềm năng xử lý các tương tác phi tuyến và không dừng trong dữ liệu khí động học tốt hơn.

Sự tích hợp này tạo ra một phương pháp tiếp cận mới trong nhận dạng ĐHHSKĐ. Thay vì chỉ sử dụng các mạng nơron để học các ánh xạ tĩnh hoặc phi tuyến cục bộ, luận án sử dụng SNN để học dynamics thời gian của hệ thống, điều này đặc biệt quan trọng cho dữ liệu động học bay. Sự kết hợp giữa SNN và thuật toán Gauss-Newton cũng là một yếu tố độc đáo, tận dụng ưu điểm của GN trong việc hội tụ nhanh và SNN trong việc mô hình hóa phi tuyến.

Các đóng góp khái niệm (conceptual contributions) bao gồm định nghĩa lại "mô hình động học dùng cho nhận dạng các đạo hàm hệ số khí động của thiết bị bay khi ứng dụng mạng nơron nhân tạo" và "mô hình động học thiết bị bay dùng cho mạng nơron nhân tạo". Luận án cũng định nghĩa rõ ràng các "đạo hàm hệ số khí động ổn định" và "đạo hàm hệ số khí động điều khiển" theo cách phù hợp với việc nhận dạng bằng ANN.

Boundary conditions (điều kiện biên) được nêu rõ, bao gồm việc nhận dạng tập trung vào "một lớp TBB dạng máy bay cánh bằng, cơ cấu điều khiển dạng khí động" và chỉ giới hạn trong "kênh độ cao". Ngoài ra, các dữ liệu bay được sử dụng "từ các chuyến bay thực tế của máy bay Su-D" với các đặc điểm cụ thể về các tham số chuyển động và chu kỳ lấy mẫu T=0.02s. Việc tuyến tính hóa mô hình khí động kênh độ cao cũng là một điều kiện biên quan trọng, với giả định về "tham số bay ổn định và chuyển động của dòng không khí bao quanh máy bay là dòng chảy dãn".

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án này tuân theo triết lý nghiên cứu thực nghiệm chặt chẽ, được xếp vào Post-positivism và Scientific Realism. Nghiên cứu dựa trên việc xây dựng các mô hình toán học và thuật toán, sau đó kiểm chứng thông qua dữ liệu thực nghiệm và mô phỏng trên phần mềm. Mục tiêu là xác định các ĐHHSKĐ một cách khách quan và chính xác, so sánh các phương pháp để tìm ra giải pháp tối ưu. Điều này thể hiện qua việc "đánh giá và mô phỏng kiểm chứng chất lượng các thuật toán nhận dạng các đạo hàm hệ số khí động từ các tập dữ liệu bay thực tế của máy bay. Nhận xét, so sánh các kết quả giữa các phương pháp nhận dạng khác nhau để minh chứng cho thuật toán đề xuất."

Thiết kế nghiên cứu sử dụng phương pháp hỗn hợp (mixed methods) với sự kết hợp giữa mô hình hóa lý thuyết (lý thuyết động học bay, lý thuyết mạng nơron) và kiểm chứng thực nghiệm (mô phỏng trên Matlab-Simulink với dữ liệu bay thực). Cụ thể, nghiên cứu xây dựng các mô hình động học và thuật toán nhận dạng (phần lý thuyết), sau đó áp dụng chúng vào dữ liệu bay thực tế và đánh giá hiệu quả thông qua mô phỏng (phần thực nghiệm).

Nghiên cứu áp dụng một thiết kế đa cấp (multi-level design) gián tiếp. Mức độ đầu tiên là mô hình hóa các ĐHHSKĐ ở cấp độ vi mô (tức là các tham số cụ thể ảnh hưởng đến lực và mô men khí động). Mức độ thứ hai là mô hình hóa động học kênh độ cao ở cấp độ vĩ mô (tức là toàn bộ chuyển động của máy bay). Việc nhận dạng các ĐHHSKĐ được thực hiện thông qua mô hình động học tổng thể, cho phép các ĐHHSKĐ được ước lượng từ các quan sát chuyển động tổng thể.

Kích thước mẫu (sample size) là "12 tập dữ liệu từ các chuyến bay thực tế có độ cơ động khác nhau" của máy bay Su-D. Tiêu chí lựa chọn mẫu là các chuyến bay thực tế "có độ cơ động khác nhau", đảm bảo tính đại diện cho nhiều chế độ bay khác nhau trong kênh độ cao. Các tham số được ghi nhận bao gồm góc tấn công ($\alpha$), góc gật ($\theta$), tốc độ góc gật ($\omega_y$), tốc độ máy bay (V), góc lệch cánh lái độ cao ($\delta_e$), gia tốc chuyển động theo trục đứng ($a_z$), và gia tốc chuyển động theo trục dọc ($a_x$). Chu kỳ lấy mẫu tín hiệu là $T = 0.02$ s.

Quy trình nghiên cứu rigorous

Chiến lược lấy mẫu (sampling strategy) được áp dụng là lấy mẫu có mục đích (purposive sampling), chọn các tập dữ liệu bay từ máy bay Su-D với các chế độ bay "có độ cơ động khác nhau". Tiêu chí bao gồm các tham số chuyển động kênh độ cao và điều khiển như góc tấn công, góc gật, tốc độ góc gật, tốc độ máy bay, góc lệch cánh lái độ cao, gia tốc chuyển động theo trục đứng và trục dọc.

Quy trình thu thập dữ liệu được thực hiện thông qua "hệ thống tự ghi các tham số trong từng chuyến bay" của máy bay Su-D. Các thiết bị đo đạc cụ thể không được nêu rõ trong đoạn văn bản cung cấp, nhưng ngụ ý rằng đây là các thiết bị tiêu chuẩn trên máy bay thử nghiệm. Dữ liệu thu được sau đó được xử lý sơ bộ bằng "thuật toán trung bình trượt" để giảm nhiễu, một bước quan trọng để nâng cao chất lượng dữ liệu đầu vào cho các thuật toán nhận dạng.

Triangulation được áp dụng theo nhiều hình thức:

  • Triangulation dữ liệu: Sử dụng nhiều tập dữ liệu khác nhau (12 tập dữ liệu bay) để huấn luyện và kiểm định.
  • Triangulation phương pháp: So sánh các phương pháp nhận dạng khác nhau (LR, OEM, RBF-GN, SNN-GN) để xác nhận tính nhất quán của các kết quả.
  • Triangulation lý thuyết: Kết hợp các lý thuyết động học bay, lý thuyết nhận dạng hệ thống, và lý thuyết mạng nơron để phát triển các mô hình và thuật toán.

Tính hợp lệ (Validity) và độ tin cậy (Reliability):

  • Construct Validity: Đảm bảo rằng các ĐHHSKĐ được đo lường thông qua các mô hình động học và hệ số khí động được xây dựng dựa trên lý thuyết vật lý vững chắc. "Các HSKĐ trong kênh độ cao của MB ( CL , CD , my ) được xác định thông qua các tham số ( ax , az ,  y ) theo công thức (1.12)".
  • Internal Validity: Được tăng cường thông qua việc kiểm soát các yếu tố gây nhiễu bằng thuật toán trung bình trượt và sử dụng các phương pháp nhận dạng robust như OEM và Gauss-Newton.
  • External Validity (Generalizability): Được đánh giá thông qua quá trình xác nhận chéo ("xác nhận mô hình đã được nhận dạng là bước cuối trong quy trình nhận dạng. Để kiểm tra khả năng tổng quát hóa cần một tập dữ liệu kiểm tra riêng mà không sử dụng trong nhận dạng."). Mặc dù dữ liệu từ một loại máy bay cụ thể (Su-D), các nguyên lý và thuật toán được phát triển có thể áp dụng cho "một lớp máy bay cánh bằng".
  • Reliability: Luận án ngụ ý độ tin cậy được đảm bảo thông qua việc sử dụng các tiêu chuẩn đánh giá chất lượng nhận dạng như "giá trị trung bình bình phương của sai số giữa hai tập dữ liệu" (RMSE), mặc dù các giá trị $\alpha$ (Cronbach's alpha) không được đề cập trực tiếp vì tính chất kỹ thuật của nghiên cứu.

Data và phân tích

Đặc điểm mẫu dữ liệu bay là các thông số chuyển động trong kênh độ cao của máy bay Su-D, bao gồm các biến trạng thái ($\alpha$, $\theta$, $\omega_y$, V) và biến điều khiển ($\delta_e$), cùng với các gia tốc ($a_x$, $a_z$). Các tham số này được ghi nhận với tần suất 50 Hz ($T = 0.02$ s). Dữ liệu này được làm sạch bằng thuật toán trung bình trượt trước khi đưa vào phân tích.

Các kỹ thuật phân tích tiên tiến được sử dụng bao gồm:

  • Hồi quy tuyến tính (LR): Để nhận dạng các ĐHHSKĐ theo phương pháp truyền thống.
  • Phương pháp sai số đầu ra (OEM): Dựa trên tiêu chuẩn Maximum Likelihood, đặc biệt hiệu quả khi mô hình động học được giả định không có nhiễu quá trình.
  • Mạng nơron hàm cơ sở xuyên tâm (RBF) kết hợp thuật toán Gauss – Newton (GN): RBF được sử dụng để xấp xỉ mô hình động học kênh độ cao, trong đó GN tối ưu hóa các trọng số của mạng để nhận dạng ĐHHSKĐ.
  • Mạng nơron đột biến (SNN) kết hợp thuật toán Gauss – Newton (GN) và thuật toán lan truyền ngược sai số đột biến chuẩn hóa (NSEBP): SNN sử dụng "mô hình nơron SRM0" để luyện mạng, sau đó tích hợp với GN để nhận dạng ĐHHSKĐ.

Phần mềm được sử dụng để mô phỏng và đánh giá là Matlab - Simulink. Các kiểm tra độ mạnh mẽ (robustness checks) được thực hiện bằng cách so sánh các kết quả giữa các phương pháp nhận dạng khác nhau trên cùng một tập dữ liệu và sử dụng các tập dữ liệu kiểm tra riêng biệt (xác nhận chéo). Kết quả sẽ báo cáo các thông số như sai lệch chuẩn (standard deviation) để đánh giá độ chính xác của các ĐHHSKĐ nhận dạng được, cũng như sự phù hợp giữa đầu ra mô hình và dữ liệu thực tế. Mặc dù p-values và confidence intervals không được đề cập trực tiếp trong bản tóm tắt, chúng là các chỉ số thống kê tiêu chuẩn để đánh giá ý nghĩa của kết quả trong bối cảnh ML và LR.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án này dự kiến sẽ mang lại những phát hiện then chốt, đặc biệt trong việc so sánh hiệu quả của các phương pháp nhận dạng ĐHHSKĐ kênh độ cao. Dựa trên mục tiêu và giả thuyết, các phát hiện quan trọng có thể bao gồm:

  1. Hiệu suất vượt trội của SNN-GN: Phát hiện chính sẽ là thuật toán SNN-GN, tích hợp mạng nơron đột biến với thuật toán Gauss-Newton, cho thấy độ chính xác nhận dạng ĐHHSKĐ cao hơn đáng kể so với cả các phương pháp truyền thống như LR và OEM, và thậm chí RBF-GN. Cụ thể, SNN-GN được kỳ vọng sẽ giảm thiểu "giá trị trung bình bình phương của sai số" giữa đầu ra mô hình và dữ liệu bay thực tế. Bằng chứng sẽ đến từ các bảng kết quả mô phỏng (ví dụ: Bảng 4.14, Bảng 4.15 trong phần Mục lục, dù chưa được cung cấp chi tiết, cho thấy "Kết quả nhận dạng các ĐHHSKĐ theo phương pháp SNN-GN" và "Sai lệch chuẩn kết quả nhận dạng theo phương pháp SNN-GN"). Điều này sẽ chứng minh khả năng vượt trội của SNN trong việc học các mối quan hệ phi tuyến và dynamics phức tạp từ dữ liệu có nhiễu.
  2. Khả năng thích ứng của RBF-GN: Phương pháp RBF-GN cũng sẽ cho thấy hiệu suất tốt hơn LR và OEM, chứng minh rằng mạng nơron thế hệ thứ hai cũng có khả năng xử lý phi tuyến tốt hơn các mô hình tuyến tính. Tuy nhiên, hiệu suất của nó sẽ được so sánh với SNN-GN để làm nổi bật ưu thế của thế hệ mạng nơron đột biến. Bằng chứng sẽ dựa trên "Sự phù hợp giữa dữ liệu và mô hình khi nhận dạng theo phương pháp RBF - GN" (Hình 4.8).
  3. Sai số đáng kể của phương pháp truyền thống: Các phương pháp LR và OEM sẽ được chứng minh là có những hạn chế cố hữu khi đối mặt với tính phi tuyến và không dừng của dữ liệu bay thực tế, dẫn đến độ chính xác thấp hơn và sai lệch chuẩn lớn hơn trong các ĐHHSKĐ nhận dạng được. Các bảng như "Bảng 4.2. Sai lệch chuẩn đối với kết quả nhận dạng theo phương pháp LR" và "Bảng 4.5. Sai lệch chuẩn đối với kết quả nhận dạng tham số theo OEM" sẽ cung cấp bằng chứng cho điều này. Điều này cũng phù hợp với nhận định trong literature review rằng các kết quả nhận dạng theo MLP có thể kém hơn OEM do sai số trong tính toán đạo hàm [38].
  4. Các kết quả counter-intuitive (nếu có): Có thể xuất hiện một số ĐHHSKĐ mà các phương pháp mạng nơron cho kết quả khác biệt đáng kể so với các phương pháp truyền thống. Điều này có thể được giải thích bằng khả năng của mạng nơron trong việc nắm bắt các tương tác phi tuyến mà các mô hình tuyến tính bỏ qua. Ví dụ, sự phụ thuộc của các hệ số vào các biến trạng thái và điều khiển có thể phức tạp hơn dạng tuyến tính đã giả định.

Implications đa chiều

Những phát hiện trên mang lại nhiều ý nghĩa quan trọng:

  • Theoretical advances: Luận án đóng góp vào lý thuyết mạng nơron nhân tạo bằng cách chứng minh hiệu quả của SNN (đặc biệt là SRM0 với NSEBP và GN) trong việc nhận dạng các hệ thống động học phức tạp và phi tuyến như máy bay. Điều này mở rộng phạm vi ứng dụng của SNN ngoài các lĩnh vực xử lý tín hiệu sinh học hoặc nhận dạng mẫu sang lĩnh vực kỹ thuật điều khiển và tự động hóa. Nó cũng đóng góp vào lý thuyết nhận dạng hệ thống bằng cách cung cấp một phương pháp mạnh mẽ hơn cho các mô hình phi tuyến, vốn thường là thách thức cho các phương pháp truyền thống.
  • Methodological innovations: Phương pháp tích hợp SNN-GN có thể được áp dụng không chỉ cho việc nhận dạng ĐHHSKĐ kênh độ cao mà còn cho các bài toán nhận dạng hệ thống động học phi tuyến khác trong nhiều ngữ cảnh kỹ thuật, như robot học, hệ thống điều khiển công nghiệp, hoặc các phương tiện tự hành. Phương pháp luyện mạng SNN bằng NSEBP và tích hợp với GN là một đóng góp đáng chú ý.
  • Practical applications: Các ĐHHSKĐ được nhận dạng với độ chính xác cao hơn sẽ "nâng cao độ chính xác và rút ngắn thời gian trong toàn bộ quá trình thiết kế một lớp TBB" như đã nêu trong "Ý nghĩa thực tiễn". Điều này có thể dẫn đến việc thiết kế các TBB hiệu quả hơn về khí động học, ổn định hơn và có khả năng điều khiển tốt hơn. Cụ thể, nó cung cấp các tham số chính xác cho việc xây dựng các bộ điều khiển tự động hóa cho máy bay hoặc các hệ thống giả lập huấn luyện phi công. Luận án cũng hỗ trợ "công tác nghiên cứu, thiết kế, chế tạo TBB, trong việc xây dựng các mô hình mô phỏng phục vụ huấn luyện, đào tạo đội ngũ người lái, hỗ trợ việc cải tiến, nâng cấp một số loại TBB trong trang bị."
  • Policy recommendations: Việc có được các phương pháp nhận dạng ĐHHSKĐ chính xác và hiệu quả từ dữ liệu bay thực tế có thể dẫn đến các khuyến nghị chính sách về tiêu chuẩn thử nghiệm bay, quy trình thiết kế TBB, và các yêu cầu về công nghệ trong ngành hàng không quốc phòng. Chẳng hạn, khuyến nghị về việc đầu tư vào công nghệ SNN và các phương pháp xử lý dữ liệu bay tiên tiến hơn để tăng cường năng lực tự chủ trong thiết kế và chế tạo TBB.
  • Generalizability conditions: Mặc dù luận án tập trung vào "một lớp máy bay cánh bằng" và dữ liệu từ "máy bay Su-D", các nguyên lý cơ bản của SNN trong việc học dynamics phi tuyến là phổ quát. Do đó, phương pháp này có thể được tổng quát hóa để áp dụng cho các loại TBB khác (ví dụ: UAV, tên lửa, trực thăng) và các kênh điều khiển khác (kênh hướng, kênh liệng), miễn là có đủ dữ liệu bay chất lượng cao và mô hình động học phù hợp. Các điều kiện biên bao gồm tính chất phi tuyến, không dừng của hệ thống, và khả năng thu thập dữ liệu đủ phong phú.

Limitations và Future Research

Luận án này, mặc dù đạt được những tiến bộ đáng kể, vẫn có những hạn chế cụ thể cần được thừa nhận một cách thẳng thắn:

  1. Giới hạn về dữ liệu bay: Dữ liệu được sử dụng đến từ "12 tập dữ liệu từ các chuyến bay thực tế" của một loại máy bay cụ thể (Su-D). Mặc dù dữ liệu thực tế mang lại giá trị cao, số lượng tập dữ liệu có thể chưa đủ để bao quát toàn bộ dải điều kiện bay và cấu hình máy bay khác nhau. Điều này có thể ảnh hưởng đến khả năng tổng quát hóa của mô hình đối với các loại máy bay khác hoặc các chế độ bay cực đoan.
  2. Giới hạn phạm vi kênh độ cao: Nghiên cứu chỉ tập trung vào "nhận dạng một số ĐHHSKĐ quan trọng trong kênh độ cao". Mặc dù kênh độ cao là quan trọng, các kênh điều khiển khác (liệng, hướng) có tương tác khí động phức tạp, và luận án chưa xử lý các hiệu ứng tương tác đa kênh. Việc giả định "chuyển động của máy bay trong kênh độ cao và kênh hướng độc lập nhau" là một sự đơn giản hóa.
  3. Giới hạn về mô hình HSKĐ tuyến tính: Dù mô hình động học phi tuyến được xấp xỉ bằng mạng nơron, mô hình đối với "hệ số khí động kênh độ cao của máy bay, trong luận án sẽ sử dụng mô hình dạng tuyến tính dừng" (phương trình 1.10). Giả định này có thể bỏ qua một số phi tuyến tính cấp cao trong bản chất của HSKĐ, vốn có thể được nắm bắt tốt hơn bởi các mô hình khí động phi tuyến hoàn chỉnh.
  4. Tính toán và tài nguyên: Việc huấn luyện SNN, đặc biệt với thuật toán như NSEBP và tích hợp GN, có thể đòi hỏi tài nguyên tính toán đáng kể và thời gian huấn luyện dài, đặc biệt khi quy mô mạng lớn và dữ liệu phức tạp. Điều này có thể là một rào cản cho việc triển khai trong các ứng dụng thời gian thực hoặc trên các nền tảng nhúng với tài nguyên hạn chế.

Dựa trên những hạn chế này, một chương trình nghiên cứu tương lai với 4-5 định hướng cụ thể được đề xuất:

  1. Mở rộng sang các kênh điều khiển khác và tương tác đa kênh: Nghiên cứu trong tương lai nên mở rộng việc ứng dụng SNN để nhận dạng ĐHHSKĐ trong kênh hướng và kênh liệng, cũng như xem xét các mô hình động học tích hợp để nắm bắt các hiệu ứng tương tác khí động giữa các kênh.
  2. Ứng dụng SNN cho mô hình khí động phi tuyến hoàn chỉnh: Thay vì chỉ nhận dạng ĐHHSKĐ từ mô hình HSKĐ tuyến tính hóa, nghiên cứu tiếp theo có thể khám phá khả năng của SNN trong việc xấp xỉ trực tiếp các mô hình HSKĐ phi tuyến hoàn chỉnh (như mô hình ở phương trình 1.5 hoặc 1.6), cho phép nắm bắt toàn diện hơn dynamics khí động.
  3. Thử nghiệm với tập dữ liệu đa dạng và lớn hơn: Để tăng cường khả năng tổng quát hóa, cần thu thập và thử nghiệm các thuật toán trên tập dữ liệu bay từ nhiều loại TBB khác nhau, với đa dạng các chế độ bay (ví dụ: tốc độ cận âm, siêu âm, độ cao lớn, cơ động cực đoan) và điều kiện môi trường.
  4. Tối ưu hóa thuật toán huấn luyện và kiến trúc SNN: Nghiên cứu sâu hơn về các thuật toán huấn luyện SNN (ví dụ: kết hợp với tối ưu hóa tiến hóa, học tăng cường) và khám phá các kiến trúc SNN tiên tiến hơn (như deep SNNs, SNNs với các mô hình nơron phức tạp hơn SRM0) để cải thiện hiệu suất, tốc độ huấn luyện và khả năng giải thích của mô hình.
  5. Phát triển công cụ phần mềm và kiểm chứng thời gian thực: Phát triển các công cụ phần mềm chuyên dụng (có thể mở rộng từ Matlab-Simulink) để tự động hóa quy trình nhận dạng và kiểm chứng khả năng triển khai các thuật toán SNN trên các nền tảng phần cứng thời gian thực cho ứng dụng bay.

Tác động và ảnh hưởng

Luận án này có tiềm năng tạo ra những tác động và ảnh hưởng sâu rộng trên nhiều cấp độ:

  • Academic impact (Tác động học thuật): Nghiên cứu này mở ra một lĩnh vực mới trong ứng dụng mạng nơron đột biến (SNN) vào nhận dạng hệ thống động học phức tạp, đặc biệt là trong kỹ thuật hàng không. Các phát hiện về hiệu suất vượt trội của SNN-GN so với các phương pháp truyền thống sẽ khuyến khích các nhà nghiên cứu khác khám phá SNN trong các bài toán nhận dạng và điều khiển. Luận án dự kiến sẽ có tiềm năng trích dẫn cao trong các tài liệu khoa học về nhận dạng hệ thống, kỹ thuật điều khiển, và trí tuệ nhân tạo. Nó sẽ là tài liệu tham khảo quan trọng cho các luận án tiến sĩ và thạc sĩ trong tương lai tại Việt Nam và khu vực, đặc biệt là trong bối cảnh các công bố về SNN tại Việt Nam còn hạn chế.
  • Industry transformation (Chuyển đổi công nghiệp): Các phương pháp nhận dạng ĐHHSKĐ chính xác hơn sẽ "nâng cao độ chính xác và rút ngắn thời gian trong toàn bộ quá trình thiết kế một lớp TBB" (Ý nghĩa thực tiễn). Điều này có thể dẫn đến sự chuyển đổi trong ngành công nghiệp hàng không, đặc biệt trong các quy trình thiết kế và thử nghiệm máy bay. Cụ thể, nó có thể cải thiện hiệu quả của các công ty thiết kế máy bay, các đơn vị sản xuất linh kiện, và các trung tâm bảo dưỡng sửa chữa. Khả năng xác định nhanh chóng và chính xác các tham số khí động có thể giúp giảm chi phí thử nghiệm thực tế và đẩy nhanh chu kỳ phát triển sản phẩm.
  • Policy influence (Ảnh hưởng chính sách): Kết quả của luận án cung cấp cơ sở khoa học để xây dựng các tiêu chuẩn kỹ thuật mới và quy trình đánh giá ĐHHSKĐ trong giai đoạn thiết kế TBB cho các cơ quan quản lý hàng không và quốc phòng. Chính phủ có thể sử dụng các kết quả này để định hướng các chính sách đầu tư vào công nghệ cao, đặc biệt là trí tuệ nhân tạo và kỹ thuật tự động hóa, nhằm tăng cường năng lực tự chủ trong lĩnh vực thiết kế và chế tạo thiết bị bay trong nước.
  • Societal benefits (Lợi ích xã hội): Mặc dù không trực tiếp định lượng, việc nâng cao hiệu quả và độ an toàn của thiết bị bay có những lợi ích xã hội gián tiếp nhưng đáng kể. Các máy bay được thiết kế tốt hơn có thể dẫn đến hoạt động bay an toàn hơn, tiết kiệm nhiên liệu hơn, và giảm tác động môi trường. Đặc biệt trong lĩnh vực quốc phòng, việc có khả năng thiết kế và chế tạo TBB hiện đại và hiệu quả sẽ đóng góp vào việc bảo vệ an ninh quốc gia.
  • International relevance (Tính quốc tế): Nghiên cứu này giải quyết một vấn đề chung trong kỹ thuật hàng không và nhận dạng hệ thống, có tính liên quan toàn cầu. Việc so sánh với các nghiên cứu quốc tế (như các công trình sử dụng MLP của Huang et al. (2009) [38] hay RBF của El-Sallam và El-Sallam (2012) [27]) làm nổi bật tính cạnh tranh và đóng góp của phương pháp đề xuất. SNN là một lĩnh vực nghiên cứu đang phát triển mạnh mẽ trên thế giới, và việc ứng dụng nó vào bài toán này sẽ làm tăng tính toàn cầu của nghiên án.

Đối tượng hưởng lợi

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

  • Doctoral researchers (Nghiên cứu sinh tiến sĩ): Luận án cung cấp một khung lý thuyết và phương pháp luận chi tiết cho các nghiên cứu sinh đang tìm kiếm các research gaps trong lĩnh vực nhận dạng hệ thống, kỹ thuật điều khiển, và ứng dụng trí tuệ nhân tạo trong hàng không. Cụ thể, nó mở ra các hướng nghiên cứu về tối ưu hóa SNN, ứng dụng các mô hình nơron đột biến tiên tiến hơn, và mở rộng phạm vi nhận dạng sang các loại thiết bị bay khác hoặc các kênh điều khiển phức tạp hơn.
  • Senior academics (Các nhà khoa học cấp cao): Các nhà khoa học cấp cao trong lĩnh vực kỹ thuật hàng không, điều khiển học và trí tuệ nhân tạo sẽ được hưởng lợi từ các theoretical advances mà luận án mang lại. Việc ứng dụng SNN để giải quyết một vấn đề kỹ thuật phức tạp cung cấp một trường hợp điển hình cho việc phát triển lý thuyết SNN và các thuật toán học máy liên quan. Họ có thể sử dụng các phương pháp và kết quả này để định hình các dự án nghiên cứu lớn hơn, thu hút tài trợ và đào tạo thế hệ nghiên cứu tiếp theo.
  • Industry R&D (Bộ phận R&D công nghiệp): Các kỹ sư và nhà nghiên cứu trong bộ phận R&D của các công ty thiết kế và chế tạo TBB sẽ được hưởng lợi trực tiếp từ các practical applications. Các thuật toán nhận dạng ĐHHSKĐ được cải thiện sẽ cho phép họ đánh giá các thiết kế mới với độ chính xác cao hơn, rút ngắn chu trình phát triển sản phẩm, và tối ưu hóa hiệu suất bay. Cụ thể, "nâng cao độ chính xác và rút ngắn thời gian trong toàn bộ quá trình thiết kế một lớp TBB" (Ý nghĩa thực tiễn) sẽ trực tiếp hỗ trợ các nhóm R&D trong việc đưa ra các quyết định thiết kế sáng suốt hơn.
  • Policy makers (Các nhà hoạch định chính sách): Các nhà hoạch định chính sách trong lĩnh vực quốc phòng, hàng không dân dụng, và khoa học công nghệ sẽ có thêm cơ sở dữ liệu và phương pháp luận để đưa ra các quyết định về tiêu chuẩn kỹ thuật, quy trình thử nghiệm, và định hướng đầu tư công nghệ. Việc hiểu rõ hơn về cách các ĐHHSKĐ được nhận dạng có thể giúp họ thiết lập các quy định an toàn và hiệu suất cho TBB.

Lợi ích có thể được định lượng gián tiếp: đối với R&D, việc rút ngắn thời gian thiết kế có thể tương đương với tiết kiệm hàng triệu đô la trong chi phí phát triển dự án quy mô lớn. Đối với các nhà khoa học, việc mở ra các dòng nghiên cứu mới có thể dẫn đến hàng chục công bố khoa học trong tương lai, tăng cường uy tín học thuật.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Luận án mở rộng lý thuyết nào và của những nhà lý thuyết nào? Đóng góp lý thuyết độc đáo nhất của luận án là việc nghiên cứu và ứng dụng mạng nơron đột biến (SNN) – một thế hệ mạng nơron mới – kết hợp với thuật toán Gauss-Newton (GN) để nhận dạng các ĐHHSKĐ của thiết bị bay. Luận án mở rộng lý thuyết mạng nơron nhân tạo, đặc biệt là các mô hình nơron sinh học như Spike Response Model (SRM0) của Gerstner và Kistler (2002) [16] và các thuật toán huấn luyện mạng đột biến như Normalized Spiking Error Back Propagation (NSEBP) của Maass (1997) [46]. Thay vì chỉ sử dụng SNN cho các bài toán phân loại hoặc xử lý tín hiệu đơn giản, luận án đã điều chỉnh và tối ưu hóa SNN để giải quyết bài toán nhận dạng hệ thống động học phi tuyến, thời gian thực, vốn là một thách thức lớn trong kỹ thuật hàng không. Điều này thể hiện sự tiến bộ trong việc khai thác tiềm năng của SNN để học các dynamics phức tạp từ dữ liệu thực nghiệm có nhiễu, vượt ra ngoài các ứng dụng truyền thống của các mạng nơron thế hệ thứ hai (như RBF) hoặc MLP.

  2. Đổi mới về phương pháp nghiên cứu là gì? So sánh với ít nhất 2 nghiên cứu trước đây. Đổi mới về phương pháp nghiên cứu của luận án nằm ở sự tích hợp của mạng nơron đột biến (SNN) với thuật toán Gauss-Newton (GN) và thuật toán luyện mạng NSEBP để nhận dạng ĐHHSKĐ từ dữ liệu bay thực tế.

    • So với Huang et al. (2009) [38]: Nghiên cứu của Huang et al. sử dụng mạng MLP để xấp xỉ mô hình trạng thái phi tuyến và đánh giá ĐHHSKĐ. Tuy nhiên, kết quả của họ cho thấy độ chính xác kém hơn phương pháp sai số đầu ra (OEM) do sai số trong quá trình tính toán đạo hàm khi luyện mạng. Luận án này sử dụng SNN, vốn có khả năng xử lý thông tin dựa trên thời gian (spike timing) và dynamics phức tạp hơn MLP, và tích hợp trực tiếp với GN để tối ưu hóa, tránh các sai số tích lũy từ phép tính đạo hàm riêng lẻ, dẫn đến độ chính xác cao hơn.
    • So với El-Sallam và El-Sallam (2012) [27]: Nghiên cứu này sử dụng mạng RBF và kết hợp với Bộ lọc Kalman mở rộng (EKF) để tối ưu hóa các trọng số. Mặc dù RBF là một cải tiến so với MLP, SNN của luận án này cung cấp một mô hình hóa mạnh mẽ hơn cho các dynamics thời gian và phi tuyến bằng cách bắt chước cách thức hoạt động của nơron sinh học. Sự kết hợp với GN cũng khác biệt so với EKF, cung cấp một phương pháp tối ưu hóa khác với các đặc tính hội tụ riêng. Sự đổi mới nằm ở việc khai thác các đặc tính riêng có của SNN (ví dụ: mô hình SRM0, NSEBP) để giải quyết bài toán nhận dạng tham số khí động, một cách tiếp cận chưa được nghiên cứu kỹ lưỡng trong các công trình quốc tế và chưa có công bố trong nước.

  3. Phát hiện đáng ngạc nhiên nhất của luận án là gì, được hỗ trợ bởi dữ liệu nào? Phát hiện đáng ngạc nhiên nhất có thể là khả năng của SNN-GN trong việc nhận dạng một số ĐHHSKĐ với độ chính xác cao hơn đáng kể so với dự kiến ban đầu, đặc biệt là trong các điều kiện bay có độ cơ động cao hoặc khi dữ liệu bị nhiễu. Điều này có thể được hỗ trợ bởi các dữ liệu trong các bảng và hình vẽ mô phỏng (ví dụ: Bảng 4.14, Bảng 4.15 về kết quả nhận dạng và sai lệch chuẩn của SNN-GN; Hình 4.10, Hình 4.11, Hình 4.12 về kết quả luyện SNN đối với góc gật và các tham số đầu ra). Các hình này sẽ minh họa sự phù hợp rất cao giữa đầu ra mô hình SNN và dữ liệu bay thực tế, ngay cả trong những khoảnh khắc mà các phương pháp truyền thống (như LR hoặc OEM) cho thấy sự sai lệch lớn. Sự ngạc nhiên đến từ việc SNN, một công nghệ tương đối mới và phức tạp trong triển khai, lại có thể vượt trội rõ rệt so với các phương pháp đã được thiết lập lâu đời trong một ứng dụng kỹ thuật quan trọng.

  4. Luận án có cung cấp giao thức tái lập không? Dựa trên đoạn văn bản cung cấp, luận án không trực tiếp nêu rõ "giao thức tái lập" (replication protocol) dưới dạng một phần riêng biệt. Tuy nhiên, các chi tiết phương pháp luận được mô tả rất cụ thể, cho phép các nhà nghiên cứu khác có thể tái tạo hoặc mở rộng công việc. Cụ thể, luận án đã:

    • Mô tả chi tiết "mô hình động học chuyển động trong kênh độ cao của một lớp máy bay cánh bằng".
    • Trình bày cấu trúc và nguyên tắc hoạt động của "mạng nơron hàm cơ sở (RBF)" và "mạng nơron đột biến (SNN)".
    • Nghiên cứu "thuật toán lan truyền ngược sai số đột biến chuẩn hóa (NSEBP) sử dụng mô hình nơron SRM0 để luyện SNN".
    • Sử dụng "phần mềm Matlab - Simulink để mô phỏng và đánh giá".
    • Chỉ rõ nguồn dữ liệu là "12 tập dữ liệu từ các chuyến bay thực tế của máy bay Su-D" với các tham số và chu kỳ lấy mẫu cụ thể ($T=0.02$ s). Những chi tiết này, khi được cung cấp đầy đủ trong luận án hoàn chỉnh, sẽ tạo thành một cơ sở vững chắc cho việc tái lập nghiên cứu.

  5. Chương trình nghiên cứu trong 10 năm được phác thảo không? Luận án không phác thảo một chương trình nghiên cứu trong 10 năm một cách tường minh. Tuy nhiên, phần "Limitations và Future Research" đã đưa ra "4-5 định hướng cụ thể" cho nghiên cứu trong tương lai. Những định hướng này có thể được xem là hạt nhân của một chương trình nghiên cứu 10 năm, bao gồm:

    • Mở rộng ứng dụng SNN sang các kênh điều khiển khác và xử lý tương tác đa kênh.
    • Ứng dụng SNN cho các mô hình khí động phi tuyến hoàn chỉnh.
    • Thử nghiệm với tập dữ liệu đa dạng hơn từ nhiều loại TBB và điều kiện bay.
    • Tối ưu hóa sâu hơn về thuật toán huấn luyện và kiến trúc SNN.
    • Phát triển công cụ phần mềm và kiểm chứng thời gian thực. Những định hướng này bao gồm cả cải tiến phương pháp luận, mở rộng phạm vi ứng dụng, và giải quyết các hạn chế hiện có, tạo tiền đề cho sự phát triển bền vững trong dài hạn.

Kết luận

Luận án này đại diện cho một bước tiến quan trọng trong lĩnh vực kỹ thuật điều khiển và tự động hóa, đặc biệt là trong ứng dụng cho thiết kế thiết bị bay. Nghiên cứu đã thực hiện các đóng góp cụ thể và đáng kể:

  1. Đóng góp 1: Xây dựng và kiểm chứng các mô hình động học kênh độ cao cho một lớp máy bay cánh bằng, phục vụ hiệu quả cho bài toán nhận dạng ĐHHSKĐ. Các mô hình này bao gồm cả dạng tuyến tính hóa và đặc biệt là dạng dựa trên mạng nơron nhân tạo.
  2. Đóng góp 2: Phát triển thành công thuật toán nhận dạng ĐHHSKĐ sử dụng cấu trúc mạng nơron hàm cơ sở xuyên tâm (RBF) kết hợp với thuật toán Gauss-Newton, cho thấy hiệu quả vượt trội so với các phương pháp truyền thống.
  3. Đóng góp 3: Tiên phong trong việc nghiên cứu, xây dựng và ứng dụng mạng nơron đột biến (SNN) với mô hình nơron SRM0 và thuật toán lan truyền ngược sai số đột biến chuẩn hóa (NSEBP), sau đó tích hợp với thuật toán Gauss-Newton để nhận dạng ĐHHSKĐ kênh độ cao của máy bay. Đây là đóng góp cốt lõi và mang tính đột phá nhất trong bối cảnh nghiên cứu trong nước.
  4. Đóng góp 4: Cung cấp đánh giá định lượng và so sánh chi tiết hiệu suất của các thuật toán nhận dạng (LR, OEM, RBF-GN, SNN-GN) trên cùng một tập dữ liệu bay thực tế từ máy bay Su-D, làm nổi bật ưu thế của các phương pháp dựa trên mạng nơron thế hệ mới.
  5. Đóng góp 5: Nâng cao độ chính xác và rút ngắn thời gian trong toàn bộ quá trình thiết kế thiết bị bay thông qua việc cung cấp cơ sở lý thuyết và thực nghiệm vững chắc cho việc đánh giá ĐHHSKĐ.

Các đóng góp này có tiềm năng tạo ra một paradigm advancement trong cách ngành hàng không tiếp cận việc nhận dạng tham số khí động. Thay vì chỉ dựa vào các mô hình tuyến tính hóa hạn chế hoặc các mạng nơron truyền thống với khả năng xử lý phi tuyến kém, SNN mang lại một công cụ mạnh mẽ hơn, gần với khả năng học của não bộ con người để giải quyết các bài toán kỹ thuật phức tạp.

Nghiên cứu này đã mở ra ít nhất ba luồng nghiên cứu mới:

  1. Phát triển và tối ưu hóa SNN cho các bài toán nhận dạng và điều khiển hệ thống động học phi tuyến đa chiều trong kỹ thuật hàng không.
  2. Tích hợp dữ liệu bay thực tế chất lượng cao với các mô hình học máy tiên tiến để tạo ra các mô hình dự đoán và điều khiển robust hơn.
  3. Áp dụng các mô hình nơron sinh học và thuật toán học máy lấy cảm hứng từ sinh học vào các vấn đề kỹ thuật phức tạp, khuyến khích sự giao thoa giữa trí tuệ nhân tạo và kỹ thuật truyền thống.

Tính toàn cầu của luận án được thể hiện qua việc giải quyết một thách thức chung trong kỹ thuật hàng không. Bằng cách so sánh các phương pháp với các nghiên cứu quốc tế của Huang et al. (2009) [38] và El-Sallam và El-Sallam (2012) [27], luận án không chỉ xác nhận giá trị của mình mà còn chứng minh khả năng đóng góp vào kho tàng tri thức toàn cầu. Di sản của luận án có thể được đo lường bằng việc nâng cao năng lực thiết kế TBB trong nước, giảm sự phụ thuộc vào công nghệ nước ngoài, và khả năng ứng dụng cho các dự án phát triển TBB trong tương lai tại Việt Nam.