Tóm tắt: Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy

Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .Nghiên cứu tối ưu tiết diện khung thép sử dụng phân tích trực tiếp kết hợp kỹ thuật học máy .

BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ NÔNG NGHIỆP VÀ PTNT TRƯỜNG ĐẠI HỌC THỦY LỢI NGUYỄN THỊ THANH THÚY NGHIÊN CỨU TỐI ƯU TIẾT DIỆN KHUNG THÉP SỬ DỤNG PHÂN TÍCH TRỰC TIẾP KẾT HỢP KỸ THUẬT HỌC MÁY Ngành: Cơ học vật rắn Mã số: 9440107 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT HÀ NỘI, NĂM 2023 Cơng trình hồn thành Trường Đại học Thủy lợi Người hướng dẫn khoa học 1: GS.TS Nguyễn Tiến Chương Người hướng dẫn khoa học 2: PGS.TS Trương Việt Hùng Phản biện 1: GS.TS Nguyễn Thái Chung, Học viện kỹ thuật Quân Phản biện 2: PGS.TS Phạm Thái Hoàn, Trường Đại học Xây dựng Hà Nội Phản biện 3: PGS.TS Vũ Hoàng Hưng, Trường Đại học Thủy lợi Luận án bảo vệ trước Hội đồng chấm luận án họp vào lúc ngày tháng năm 2023 Có thể tìm hiểu luận án thư viện: - Thư viện Quốc gia - Thư viện Trường Đại học Thủy lợi MỞ ĐẦU Tính cấp thiết đề tài nghiên cứu Kết cấu khung thép sử dụng rộng rãi cho cơng trình dân dụng công nghiệp nhờ khả chịu lực tốt, đa dạng hình dáng, kích thước, thuận tiện thi cơng… Chính vậy, thiết kế kết cấu khung thép nhà khoa học quan tâm nghiên cứu sâu rộng Các phương pháp thiết kế truyền thống như: ứng suất cho phép (ASD), thiết kế dẻo (PD) hệ số sức kháng, hệ số tải trọng (LRFD), có ưu điểm thời gian tính tốn nhanh, kết tính tốn có sai số chấp nhận Tuy nhiên, nhược điểm phương pháp khơng xét tương thích phần tử làm việc chung hệ kết cấu không mô tả dạng phá hoại ổn định tồn cơng trình Một hướng thứ hai sử dụng phương pháp phân tích trực tiếp, đặc biệt có xét đến tính phi tuyến (nonlinear inelastic analysis) Tuy nhiên, phân tích phi tuyến đòi hỏi thời gian lớn nhiều so với phân tích đàn hồi tuyến tính Vấn đề đặc biệt đáng kể tốn địi hỏi số lần phân tích kết cấu lớn tốn tối ưu hay tính tốn độ tin cậy cơng trình Cùng với phát triển nhanh chóng khoa học máy tính, tối ưu kết cấu cơng trình nói chung khung thép nói riêng ngày thu hút quan tâm nghiên cứu nhà khoa học giới xuất phát từ ưu điểm cho phép giảm thiểu giá thành xây dựng, tiết kiệm vật liệu… yêu cầu thiết kế cơng trình đảm bảo Trong toán tối ưu khung thép, tổng giá thành khối lượng thép cơng trình thường lựa chọn hàm mục tiêu để tối thiểu hóa với nhiều điều kiện ràng buộc kèm theo cấu tạo, khả chịu lực sử dụng Tiết diện cấu kiện dầm cột thường chọn biến thiết kế toán tối ưu Các biến thiết kế thường biến rời rạc lựa chọn từ tập tiết diện điển hình cho trước Bên cạnh đó, tốn tối ưu hóa khung thép có tính phi tuyến độ phức tạp cao kể đến ứng xử phi tuyến hình học phi tuyến vật liệu Để giải toán này, thuật toán meta-heuristic thường sử dụng, ưu điểm chúng việc cân tìm kiếm kết tối ưu cục tối ưu tồn cục Một số thuật tốn meta-heuristic kể đến như: Giải thuật di truyền (Genetic Algorithm - GA), tiến hóa vi phân (Differential Evolution - DE), tối ưu bầy đàn (Particle Swarm Optimization - PSO) Tuy nhiên, thuật toán meta-heuristic sử dụng nhiều lần phân tích kết cấu điều dẫn đến thời gian tính tốn đáng kể sử dụng phương pháp phân tích trực tiếp Một giải pháp tiềm để giảm thiểu số lần phân tích kết cấu chương trình tối ưu sử dụng siêu mơ hình dự báo (meta-model) dựa thuật tốn học máy (Machine Learning - ML) để dự đoán ứng xử phi tuyến cơng trình Một hạn chế lớn việc sử dụng mơ hình chúng khơng thể dự đốn xác hồn tồn ứng xử cơng trình Trong đó, giải pháp tối ưu thường nhạy với điều kiện ràng buộc, đó, sai số mơ hình ảnh hưởng lớn đến kết tối ưu cuối Vì cần thiết xây dựng chương trình tối ưu hiệu để kết hợp vấn đề nghiên cứu nêu gồm phương pháp phân tích trực tiếp, thuật toán tối ưu meta-heuristic kỹ thuật học máy nhằm tìm kết tối ưu hiệu thời gian nỗ lực tính tốn hợp lý Dựa phân tích đây, vấn đề “NGHIÊN CỨU TỐI ƯU TIẾT DIỆN KHUNG THÉP SỬ DỤNG PHÂN TÍCH TRỰC TIẾP KẾT HỢP KỸ THUẬT HỌC MÁY” lựa chọn để làm nội dung nghiên cứu luận án Mục tiêu nghiên cứu Xây dựng chương trình tối ưu tiết diện kết cấu khung thép hiệu quả, có xét đến ứng xử phi tuyến, sử dụng thuật toán meta-heuristic kết hợp kỹ thuật học máy nhằm rút ngắn thời gian tối ưu Đối tượng phạm vi nghiên cứu Đối tượng: Khung thép tiết diện phần tử khung thép, thuật toán tối ưu kỹ thuật học máy Phạm vi nghiên cứu: Tối ưu tiết diện khung thép chịu tải trọng khơng đổi có nút dầm cột liên kết cứng Tiết diện tiết diện dạng chữ I cánh rộng (tiết diện W) danh mục tiết diện có sẵn tiêu chuẩn AISC- LRFD Phương pháp nghiên cứu Phương pháp phân tích tổng hợp lý thuyết; Nghiên cứu lý thuyết lập trình để thực phân tích kết cấu, thiết lập sở liệu đào tạo mơ hình Ý nghĩa khoa học thực tiễn 5.1 Ý nghĩa khoa học Luận án đề xuất xây dựng phương pháp tiếp cận tiên tiến tối ưu tiết diện kết cấu khung thép kết hợp phân tích trực tiếp, thuật tốn tối ưu tiến hóa vi phân cải tiến kỹ thuật học máy Phương pháp không đem lại hiệu vượt trội khả giảm thời gian tính tốn mà cịn nâng cao hiệu tối ưu Kết nghiên cứu luận án đóng góp vào việc mở rộng kiến thức tối ưu kết cấu cơng trình, tạo điều kiện thuận lợi cho phát triển ứng dụng giải pháp tối ưu thực tế 5.2 Ý nghĩa thực tiễn - Tối ưu hóa kết cấu khung thép đem lại hiệu mặt kinh tế; - Các kết tính tốn số luận án nguồn tham khảo hữu ích cho nghiên cứu tối ưu kết cấu khung thép; - Kết nghiên cứu luận án sử dụng để phát triển thành công cụ hỗ trợ áp dụng vào thiết kế tối ưu kết cấu khung thép Cấu trúc luận án Luận án phần mở đầu, phần kết luận kiến nghị, gồm chương sau: Chương Tổng quan vấn đề nghiên cứu; Chương Tối ưu tiết diện khung thép phân tích trực tiếp thuật tốn tiến hóa vi phân tự thích ứng; Chương Xây dựng mơ hình dự báo ứng xử khung thép sử dụng kỹ thuật học máy; Chương Tối ưu tiết diện khung thép sử dụng thuật tốn tiến hóa vi phân tự thích ứng kỹ thuật học máy LightGBM CHƯƠNG 1.1 TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU Các phương pháp phân tích kết cấu thép Các phương pháp phân tích kết cấu truyền thống dựa phân tích đàn hồi tuyến tính sử dụng thời gian dài có đóng góp quan trọng chúng chưa thể ứng xử thực tế khung thép Do phương pháp phân tích trực tiếp phát triển nhằm kể đến hiệu ứng phi tuyến làm việc tổng thể hệ kết cấu Việc kết hợp hai yếu tố phi tuyến hình học phi tuyến vật liệu phương pháp phân tích cho phép mơ tả gần xác với làm việc thực tế kết cấu thép Ngoài ra, phương pháp phần tử dầm – cột lựa chọn để sử dụng nghiên cứu luận án tính xác hiệu tính tốn 1.2 Tối ưu hóa kết cấu thép Tối ưu kết cấu thép sử dụng thuật toán meta-heuristic chứng minh cách tiếp cận tốt để giải toán tối ưu phức tạp Ưu điểm bật thuật tốn khả kết hợp hài hịa việc tìm kiếm cục tìm kiếm tồn cục để tìm nghiệm tối ưu tốt Tuy nhiên thuật tốn địi hỏi số lần đánh giá điều kiện ràng buộc lớn, dẫn đến thời gian tối ưu kéo dài đặc biệt sử dụng phân tích phi tuyến 1.3 Công nghệ học máy ứng dụng thiết kế kết cấu cơng trình Trong năm gần đây, số lượng nghiên cứu ứng dụng công nghệ học máy vào lĩnh vực kết cấu cơng trình tăng vọt Mức độ dự đốn xác mơ hình học máy ngày cải thiện mở tiềm sử dụng công nghệ học máy để thay bước phân tích kết cấu q trình tối ưu 1.4 Tình hình, định hướng nghiên cứu Trong tốn tối ưu kết cấu khung thép, việc sử dụng kết hợp phân tích trực tiếp thuật tốn meta - heuristic xu hướng chung giới Trong kết hợp này, phân tích trực tiếp đóng vai trị xét đến ứng xử phi tuyến hình học phi tuyến vật liệu nhằm phản ánh xác làm việc thực tế kết cấu thép Thuật toán meta - heuristic sử dụng để giải tốn tối ưu có độ phức tạp cao, số biến thiết kế lớn, biến không liên tục có nhiều điều kiện ràng buộc khác Việc kết hợp với kỹ thuật học máy đem lại hiệu lớn giảm thiểu thời gian tính tốn Đối với tình hình nghiên cứu nước, ứng dụng thuật toán tối ưu vào thiết kế cơng trình thu hút quan tâm lớn nhà khoa học Việt Nam năm gần Tương tự hướng nghiên cứu giới, nhà khoa học Việt Nam quan tâm đến tốn tối ưu có biến liên tục, biến rời rạc Tuy nhiên, phần lớn nghiên cứu thực hành thiết kế thường dừng lại dựa phân tích tuyến tính Hiện bước đầu có cơng bố xét đến động đất, phân tích phi tuyến…Có thể kể đến nhóm tác giả cộng công bố nhiều báo tối ưu tạp chí uy tín Nguyễn Thời Trung, Phạm Hoàng Anh, Trương Việt Hùng…Số lượng nghiên cứu nước ứng dụng mơ hình ML tối ưu kết cấu hạn chế Gần tác giả Nguyễn Trần Hiếu công bố số nghiên cứu tối ưu tiết diện kết cấu giàn thép sử dụng thuật toán meta – heuristic cải tiến DE thuật toán học máy ANN, SVM, KNN, DT, RF, AdaBoost… [135, 137] nhằm xây dựng mơ hình ML phân loại dự đốn ứng xử kết cấu giàn Tuy nhiên phân tích kết cấu dừng lại phân tích đàn hồi tuyến tính Khi tìm hiểu tổng quan vấn đề nghiên cứu nước, theo hiểu biết tác giả luận án, đến chưa có công bố nghiên cứu tối ưu tiết diện kết cấu khung thép xét đến ứng xử phi tuyến sử dụng phương pháp phân tích trực tiếp kết hợp kỹ thuật học máy Từ hướng đề tài luận án lựa chọn với mục tiêu, phạm vi phương pháp nghiên cứu trình bày phần mở đầu Các chương luận án đề xuất cải tiến thuật toán tối ưu; khảo sát, đánh giá hiệu để lựa chọn thuật toán ML xây dựng chương trình tối ưu tiết diện kết cấu khung thép hiệu CHƯƠNG TỐI ƯU TIẾT DIỆN KHUNG THÉP BẰNG PHÂN TÍCH TRỰC TIẾP VÀ THUẬT TỐN VI PHÂN TỰ THÍCH ỨNG 2.1 Mơ hình phân tích khung thép sử dụng phương pháp phần tử dầm -cột Trong mục trình bày nội dung: Các giả thiết phân tích kết cấu khung thép; Phương trình quan hệ lực – biến dạng phần tử dầm - cột kể đến: (1) Phi tuyến hình học cách đưa hàm ổn định vào ma trận độ cứng tiếp tuyến; (2) Phi tuyến vật liệu bao gồm: tượng chảy dẻo lan truyền ứng suất dư; (3) Sự suy giảm dần độ cứng khớp dẻo uốn; (4) Ảnh hưởng biến dạng cắt Ngồi cịn xét đến: Hiệu ứng ổn định cục bộ, hiệu ứng ổn định mặt phẳng Sau mối quan hệ lực - biến dạng cấu kiện lắp vào ma trận độ cứng tổng thể liên quan đến lực nút chuyển vị nút Cuối quan hệ lực nút – chuyển vị nút phần tử hệ tọa độ tổng thể ma trận độ cứng phần tử hệ (được phép xoay – sway) biểu thị sau:  f L    f n    f s    K d L   ( K n    K s )d L   K    K n    K s   [T ]T612 [ K e ]66 [T ]612 (2-27) (2-28) đó: {fn}, {fs}, {fL} {dL} vectơ lực nút chuyển vị nút hệ tọa độ tổng thể; [Kn] ma trận độ cứng phần tử hệ không xoay (non – sway); [Ks] ma trận độ cứng thay đổi phần tử bị xoay T ma trận chuyển đổi 2.2 Phương pháp giải toán phi tuyến Để giải phương trình phi tuyến, phương pháp kiểm sốt chuyển vị tổng quát (Generalize Displacement Control - GDC) [29] Yang Shieh sử dụng phù hợp với tốn phi tuyến có nhiều điểm tới hạn 2.3 Chương trình phân trực tiếp kết cấu thép PAAP Phương pháp phân tích trực tiếp kết cấu khung thép sử dụng phần tử dầm-cột lập trình chương trình phân tích kết cấu thép nâng cao PAAP (Practical Advanced Analysis Program) GS Kim Seung-Eock cộng thực [22, 142, 25, 143] Độ xác chương trình PAAP cho phân tích kết cấu thép nói chung khung thép nói riêng khẳng định với nhiều báo quốc tế tiếng đăng tải liệt kê luận án Vì vậy, xác PAAP khơng trình bày lại Tác giả tập trung sâu vào việc phát triển chương trình tối ưu mơ hình dự báo ứng xử kết cấu khung thép, sử dụng phần mềm PAAP thực nhiệm vụ phân tích trực tiếp Xây dựng toán tối ưu khung thép sử dụng phân tích trực tiếp 2.4 2.4.1 Phát biểu tốn Việc tối ưu hóa khối lượng khung thép với biến thiết kế giá trị nguyên đại diện cho vị trí tiết diện sử dụng danh mục có sẵn thực sau: Tìm: X   xi  i  1, , ng xi  1, xiUB  (2-36) ng nli i 1 j 1 Để tối thiểu hóa hàm mục tiêu: W  X    i A  xi   L j (2-37) Ràng buộc: g k  X   k  1, , nc (2-38) đó: A(xi) xi diện tích mặt cắt ngang vị trí mặt cắt sử dụng cho biến thiết kế thứ i th ; xiUB số lượng mặt cắt ngang danh mục nhóm dầm cột thứ i th ; ng nc số biến thiết kế số ràng buộc; nli số dầm cột nhóm thứ i th ; L j độ dài phần tử j nhóm thứ i th ; g k  X  ràng buộc thứ k th 2.4.2 Các điều kiện ràng buộc Điều kiện ràng buộc cấu tạo; Điều kiện ràng buộc cường độ so sánh khả chịu tải cơng trình tải trọng tác dụng; Điều kiện ràng buộc sử dụng, liên quan đến khống chế chuyển vị ứng suất cơng trình nhằm đảm bảo điều kiện sử dụng bình thường Ngồi ra, kết cấu phải đảm bảo không bị chảy dẻo chịu tải trọng toàn phần 2.4.3 Chuyển đổi tốn tối ưu khơng có điều kiện ràng buộc Sử dụng phương pháp hàm phạt với nguyên lý cộng thêm vào hàm mục tiêu khối lượng gọi giá trị phạt: Wun  X   W  X   1   1   str    ins 3   iyp   (2-48) công thức hệ số β giá trị lớn hàm ràng buộc g tương ứng 0; hệ số α hệ số phạt tương ứng với điều kiện ràng buộc cấu tạo, cường độ sử dụng Các hệ số lấy giá trị đủ lớn nhằm làm cho thiết kế vi phạm điều kiện ràng buộc có hàm mục tiêu với giá trị lớn bị loại bỏ 2.5 2.5.1 Đề xuất thuật tốn tiến hóa vi phân tự thích ứng Đột biến pbest tự thích ứng Sử dụng kỹ thuật 'DE/ pbest/1' [123] - kết hợp ưu điểm hai kỹ thuật đột biến 'DE/rand/1' 'DE/best/1' thuật tốn tiến hóa vi phân truyền thống (DE); cá thể đột biến V tạo cách sử dụng cá thể ngẫu nhiên Xpbest số p*100% cá thể tốt sau:  Vi  X pbest  F  X r1  X r2  (2-55) Sự cân khả tìm kiếm cục tồn cục kiểm soát cách thay đổi giá trị p Việc sử dụng giá trị p nhỏ cải thiện tốc độ hội tụ trình tối ưu hóa có nhiều khả bị giữ lại tối ưu cục Sự đa dạng cá thể quần thể ưu tiên giai đoạn đầu nên giá trị p lớn, giai đoạn cuối trình tối ưu cần ưu tiên hội tụ nhanh nên giá trị p thay đổi giảm theo Thuật toán EpDE Truong Kim [42] đề xuất phương trình để kiểm sốt giá trị p theo hướng phân tích giá trị p [42] phụ thuộc vào số hệ tối đa xác định trước Trong nhiều trường hợp, phụ thuộc vào giá trị định trước gây thay đổi giá trị p không phản ánh xác tốc độ hội tụ quần thể Kỹ thuật tự thích ứng tác giả đề xuất để tính giá trị p theo đa dạng quần thể sau: p  A  NP TDt   D D  j 1    TD     B1  t      TD 0       xij   NP xij    UB  UB  i 1  i   NP i 1 xi  NP   NP   x (2-57)     (2-58) Bảng 2.1 Kết tối ưu cho khung thép 3×10 Số liệu EpDE Jaya PSO AEpDE Khối lượng tốt (kg) 15 293.9 16 709.9 16 514.2 15 160.3 Khối lượng (kg) 15 529.5 17 675.7 17 141.4 15 436.4 Khối lượng trung bình (kg) 15 400.5 17 115.5 16 844.6 15 303.4 Độ lệch chuẩn (kg) Phân tích kết cấu trung bình Thời gian tính tốn trung bình (giây) 97.5 353.9 257.1 83.5 92 400 150 000 150 000 94 847 101 640 165 000 165 000 104 332 100% 162.3% 162.3% 102.6% Tỷ lệ thời gian tính tốn Trong số bốn thuật toán meta – heuristic xem xét, thuật toán tối ưu đề xuất AEpDE có hiệu suất tốt tìm thấy khối lượng tối ưu tốt nhất, trung bình 15 160.3 (kg), 15 436.4 (kg) 15 303.4 (kg) Thứ hai EpDE chút so với AEpDE Jaya PSO có hiệu việc tối ưu hóa khung thép hai thuật tốn tìm thiết kế khả thi không tốt hai thuật tốn cịn lại Các phân tích chứng minh thuật tốn đề xuất AEpDE có hiệu tối ưu tốt so với phương pháp khác xem xét 2.7 Kết luận chương - Trong chương tác giả xây dựng phương pháp tính tốn tối ưu cho khung thép sử dụng phân tích trực tiếp có xét đến tính chất phi tuyến phân tích thuật tốn tối ưu AEpDE; - AEpDE đề xuất cách sử dụng sơ đồ đột biến dựa chiến lược pbest để cân tìm kiếm cục tồn cục số lượng cá thể tốt tính tốn dựa đa dạng quần thể tại; - AEpDE cho thấy kết tối ưu tốt so với thuật toán EpDE, Jaya PSO Xét số lần phân tích kết cấu, tương ứng thời gian tính tốn EpDE AEpDE có ưu vượt trội so với Jaya PSO; - Thuật toán đề xuất AEpDE cho thấy hiệu tối ưu tốt qua ví dụ số, thời gian tính tốn tối ưu cịn lớn, cần có nghiên cứu để giảm thiểu cách kết hợp thêm kỹ thuật khác 11 CHƯƠNG XÂY DỰNG MƠ HÌNH DỰ BÁO ỨNG XỬ CỦA KHUNG THÉP SỬ DỤNG CÁC KỸ THUẬT HỌC MÁY Xây dựng mơ hình dự báo ứng xử khung thép có xét đến ứng xử phi tuyến sử dụng thuật toán học máy 3.1 3.1.1 Các bước tạo liệu học cho mơ hình học máy - Đầu vào: Các thuộc tính mặt cắt ngang dầm cột - Đầu ra: Bài toán hồi quy đầu hệ số tải trọng giới hạn ULF (ultimate load factor) kết cấu chuyển vị - Cỡ mẫu: Trong nghiên cứu tác giả khảo sát với số lượng mẫu thay đổi để tìm miền hội tụ tốt kết đầu cho toán tối ưu khung thép - Các siêu tham số mơ hình: tìm tham số phù hợp với mơ hình cụ thể thông qua phép thử dần theo kinh nghiệm, kết hợp kế thừa từ nghiên cứu có tính chất tương đồng Việc khảo sát tốn nhiều thời gian cơng sức - Xử lý phân tích liệu tạo thành liệu hoàn chỉnh: Dữ liệu cần chuẩn hóa, bỏ nhiễu, ngoại lai, tăng cường số lượng, tránh tượng khớp 3.1.2 Đề xuất quy trình tạo tập liệu sử dụng phân tích trực tiếp Bảng 3.2 Quy trình tạo liệu 01: Xác định hình dạng vật liệu khung tải trọng tác dụng 02: Xác định số lượng mẫu liệu kết cấu M số lượng mặt cắt ngang có nhóm thiết kế mặt cắt N 03: Tạo M mẫu ngẫu nhiên  X1 , X , , X M  X   x1 , x2 , , xN  , xi 04: Tính tốn hệ số tải trọng cực hạn nhóm thiết kế mặt cắt kết cấu mặt cắt chọn cho nhóm phần tử thứ ULFi tương ứng với mẫu 05: Xác định đầu vào đầu tương ứng mẫu thứ 06: Lưu liệu 12 X i sử dụng PAAP i th dựa X i ULFi i th Với quy trình tạo mẫu liệu có số lượng lớn phục vụ cho xây dựng mơ hình ML dự đoán ứng xử kết cấu Sử dụng mơ hình ML q trình tối ưu hóa kết cấu cho phép không cần phải thực lại phân tích phi tuyến tốn nhiều thời gian nỗ lực tính tốn Điều giúp giảm đáng kể thời gian thực toán tối ưu 3.1.3 Xây dựng quy trình huấn luyện siêu mơ hình học máy dự đốn ứng xử khung thép Tóm tắt bước quy trình: Bước 1: Khởi tạo tốn để tạo liệu cho mơ hình (Quy trình bảng 3.2); Bước 2: Tiền xử lý liệu phân chia tập liệu Lưu ý nghiên cứu liệu chuẩn hóa phạm vi [0,1]; Bước 3: Xây dựng mơ hình học máy tùy thuộc tốn, tiến hành khảo sát nhiều mơ hình để tìm mơ hình hiệu Lựa chọn hàm mát phù hợp; Bước 4: Biên dịch đào tạo mơ hình ML kết hợp tinh chỉnh siêu tham số; Bước 5: Triển khai mơ hình: Sau xây dựng mơ hình học máy đáng tin cậy, triển khai để sử dụng ứng dụng thực tế, cụ thể nghiên cứu hỗ trợ đánh giá điều kiện ràng buộc cho trình tối ưu tiết diện kết cấu khung thép 3.2 Ví dụ nghiên cứu Ví dụ 1: Hiệu phương pháp thể qua khảo sát mơ hình học máy cho ví dụ khung phẳng 3x10 chương Sử dụng ngôn ngữ lập trình Python thư viện phần mềm mã nguồn mở Tensorflow, Sklearn Keras Các thông tin vật liệu, nhóm tiết diện, sơ đồ kết cấu tải trọng đầu vào lấy theo ví dụ chương Năm phương pháp ML lựa chọn là: Hồi quy tuyến tính LR, học sâu DL, rừng ngẫu nhiên RF, tăng cường độ dốc nhanh LightGBM tăng cường độ dốc cực đại XGBoost sử dụng để so sánh hiệu chúng khung thép xem xét Các thuật toán ML sử dụng để xây dựng mơ hình dự đốn hệ số tải trọng giới hạn ULF khung 13 với tổ hợp tải trọng (1.2DL+1.6W+0.5LL) Các siêu tham số mô hình ML tham khảo Bảng 3.3 luận án Bảng 3.4 Hiệu suất mơ hình ML cho khung thép × 10 Mẫu Số liệu đánh giá MSE 1,000 R2 Thời gian (giây) MSE 2,000 R Thời gian (giây) MSE 5,000 R Thời gian (giây) MSE 10,000 R2 Thời gian (giây) LR DL RF LightGBM XGBoost 4.37E-01 3.29E-01 2.26E-01 1.44E-01 1.37E-01 37.03% 55.32% 69.14% 81.04% 82.37% 71 58 3.64E-01 2.76E-01 1.71E-01 1.07E-01 1.05E-01 52.41% 68.48% 77.95% 88.15% 88.56% 55 89 3.26E-01 2.43E-01 1.23E-01 7.67E-02 7.63E-02 57.40% 79.60% 85.47% 92.27% 92.57% 60 153 21 3.13E-01 1.94E-01 1.01E-01 6.39E-02 6.22E-02 59.04% 88.91% 89.03% 94.40% 94.70% 245 272 14 38 Từ kết khảo sát cho thấy khung thép x 10, LR hiệu thời gian tính tốn ngắn So với LightGBM XGBoost, DL RF độ xác thời gian tính tốn Khi số lượng mẫu huấn luyện từ 5,000 trở lên LightGBM XGBoost hai thuật toán ML cho kết độ xác cao gần tương đương (trên 92% dự đoán với 5,000 mẫu 94% với 10,000 mẫu) LightGBM cho thấy khả tính tốn nhanh vượt trội so với XGBoost Ví dụ 2: Khảo sát khung không gian 20 tầng sử dụng vật liệu thép A992 với fy= 345 MPa E=200,000 MPa Trong khung này, 200 phần tử cột chia thành 10 nhóm 260 phần tử dầm chia thành 10 nhóm Cột chọn từ tiết diện: Nhóm 1-5: W14, W16; Nhóm 6-10: W12, W14 Dầm chọn từ tiết diện: W10, W12, W14, W16 Tải trọng tác dụng bao gồm tải trọng gió 0.29 kN/m2 tác dụng theo hướng Y tải trọng lực 2.4 kN/m2 14 Năm phương pháp ML lựa chọn gồm: LR, DL, RF, XGBoost LightGBM giống với ví dụ khảo sát khung 3x10 Các siêu tham số số liệu khác xem Bảng 3.6 luận án Dựa vào kết Bảng 3.7 cho thấy: Số lượng mẫu 10,000 thuật tốn có hội tụ tốt XGBoost, LightGBM cung cấp hiệu suất tốt hồi quy ULF số lượng mẫu LR cho thấy độ xác thấp tốn thời gian LightGBM với ưu điểm vượt trội tiết kiệm thời gian tính tốn so với XGBoost giữ hiệu suất mơ hình cao Thời gian huấn luyện LightGBM tốt so với XGBoost ví dụ nghiên cứu Hình 3.5 Sơ đồ mặt khung 20 tầng tăng dần theo số mẫu nhanh khoảng đến lần Bảng 3.7 Hiệu suất thời gian chạy mơ hình ML hồi quy dự đoán ULF Dữ liệu huấn luyện 1,000 2,000 5,000 10,000 Số liệu MSE R2 Thời gian MSE R2 Thời gian MSE R2 Thời gian MSE R2 Thời gian LR 6.52E-03 38.48% 5.84E-03 52.05% 5.15E-03 55.93% 4.39E-03 63.68% DL 4.66E-03 62.57% 78 4.17E-03 69.56% 60 2.73E-03 74.21% 65 1.47E-03 84.34% 271 15 RF 1.24E-03 70.78% 65 8.33E-04 82.74% 99 5.54E-04 86.71% 168 4.32E-04 89.75% 302 LightGBM 8.27E-04 82.35% 5.10E-04 88.41% 3.26E-04 92.74% 2.06E-04 93.87% 16 XGBoost 7.92E-04 83.89% 5.01E-04 88.45% 10 3.25E-04 92.88% 26 2.01E-04 94.21% 42 3.3 Kết luận chương - Quy trình ước lượng ứng xử khung thép sử dụng phân tích trực tiếp thuật tốn học máy trình bày Trong đó, phân tích trực tiếp có xét đến ứng xử phi tuyến sử dụng để xây dựng liệu Sau sử dụng thuật toán ML để đào tạo siêu mơ hình có hiệu suất cao; - Quy trình xây dựng liệu, đào tạo mơ hình trình bày chi tiết với lưu ý chuẩn hóa liệu, số lượng mẫu đào tạo chọn siêu tham số; - Khảo sát ví dụ số cho hai loại khung phẳng x 10 tầng khung không gian 20 tầng So sánh phương pháp ML bao gồm LR, DL, RF, XGBoost, LightGBM để hồi quy khả chịu tải giới hạn khung thép Các phương pháp XGBoost, LightGBM có hiệu tốt số lượng mẫu huấn luyện Nhưng LightGBM cho thấy thời gian tính tốn nhanh có hiệu suất cao lựa chọn để sử dụng chương luận án CHƯƠNG TỐI ƯU TIẾT DIỆN KHUNG THÉP SỬ DỤNG THUẬT TỐN TIẾN HĨA VI PHÂN TỰ THÍCH ỨNG VÀ KỸ THUẬT HỌC MÁY LIGHTGBM 4.1 4.1.1 Xây dựng chương trình tối ưu kết cấu khung thép kết hợp thuật toán Meta – heuristic kỹ thuật học máy Đề xuất quy trình tối ưu hóa Khung quy trình tối ưu phương pháp đề xuất trình bày Hình 4.1 Phương pháp đề xuất bắt đầu cách sử dụng AEpDE, phân tích trực tiếp sử dụng để đánh giá ràng buộc cường độ sử dụng cho cá thể, để phát triển sở liệu ban đầu DATABASE, nhằm mục đích xây dựng mơ hình ML Khi kích thước DATABASE đạt đến giá trị Size xác định trước, kết hợp ML AEpDE áp dụng Trước tiên cá thể thử nghiệm đánh giá trước cách sử dụng mơ hình ML Để tăng độ xác mơ hình ML, mơ hình phát triển để tính tốn ràng buộc cường độ sử dụng Nếu hàm mục tiêu lớn hàm mục tiêu cá thể mục tiêu, bị loại bỏ 16 Phân tích trực tiếp tiến hành để xác định xác điều kiện ràng buộc cá thể thử nghiệm Nếu cá thể thử nghiệm tốt cá thể mục tiêu thay cá thể mục tiêu quần thể Giá trị nhỏ Size cho phép bắt đầu sử dụng mơ hình ML sớm sau tiết kiệm số lượng phân tích phi tuyến cần thiết Tuy nhiên, độ xác mơ hình ML cải thiện với giá trị Size lớn Do đó, việc giới hạn kích thước tối thiểu DATABASE đảm bảo mơ hình ML đủ xác Trong nghiên cứu này, kích thước tối thiểu DATABASE 500 dựa kinh nghiệm số nghiên cứu trước Ngoài ra, kích thước DATABASE cập nhật liên tục cá thể thử nghiệm sử dụng phân tích trực tiếp Do đó, để cải thiện độ xác mơ hình, mơ hình ML xây dựng lại số lượng mẫu DATABASE tăng thêm giá trị định trước Icre Giá trị lớn Icre giảm số lượng lần huấn luyện mơ hình ML tiết kiệm nỗ lực tính tốn Trong ví dụ nghiên cứu này, chọn Icre =50 dựa phương pháp thử sai số công bố trước tác giả Truong cs Cần lưu ý sử dụng mơ hình ML dự đốn kết đầu ln tồn lỗi Nó khiến ứng viên tốt bị loại bỏ trình tối ưu hóa Để khắc phục điều này, phương pháp đề xuất, hệ số an toàn t (t < 1) sử dụng để đánh giá ràng buộc cường độ sử dụng Giới hạn cường độ thỏa mãn hệ số tải trọng giới hạn ULF ≥ 1.0 Ở đây, kết cấu coi an tồn ULF dự đốn mơ hình ML lớn t Độ xác mơ hình ML cải thiện số lượng mẫu huấn luyện tăng lên Vì bắt đầu q trình tối ưu hóa, số lượng mẫu huấn luyện nhỏ hơn, t nên chọn đủ nhỏ để giảm thiểu dự đốn khơng xác mơ hình Trong q trình tối ưu hóa, số lượng mẫu huấn luyện tăng lên Do đó, giá trị t cần lớn để giảm số lượng phân tích kết cấu Đề xuất giá trị t từ 0.9 đến 1.0 Theo đó, giá trị t tính sau:  p j  t  j   0,9  0,1 1   A   17 (4-1) Hình 4.1 Lưu đồ chương trình đề xuất 18 4.1.2 Đề xuất thuật tốn kết hợp AEpDE - LightGBM Thuật toán AEpDE – LightGBM 01: Bắt đầu 02: Khởi tạo quần thể ban đầu 03: Đánh giá hàm mục tiêu tất cá thể 04: Lưu lại toàn cá thể tạo giá trị ULF chúng vào ma trận DATABASE 05: F=0.7 06: Do i=1,Itermax (Cho i chạy từ đến Itermax) 07: Tính tốn giá trị p 08: Tạo ma trận U[NP,D] sử dụng kỹ thuật ‘DE/pbest/1’ 09: Do j=1,NP (Cho j chạy từ đến NP) 10: 11: Nếu (If) (weight(U[j])≤Fitness(X[j])) (then) Nếu (If) (kích thước DATABASE < Size) (then) 12: Thực phân tích phi tuyến để xác định Fitness(U[j]) 13: Cập nhật ma trận DATABASE với mẫu phân tích phân tích trực tiếp 14: 15: U[j] thay cho X[j] Fitness(U[j]≤Fitness(X[j])) Ngược lại (Else) 16: Chạy lại LightGBM(t) DATABASE tăng thêm Icre cá thể 17: Tính tốn Pre_Fitness(U[j]) sử dụng LightGBM(t) 18: Nếu (If) Pre_Fitness(U[j]≤Fitness(X[j])) (then) 19: Thực phân tích trực tiếp để xác định Fitness(U[j]) 20: Cập nhật ma trận DATABASE với mẫu phân tích trực tiếp 21: U[j] thay X[j] (Fitness(U[j]≤Fitness(X[j])) 22: 23: 24: Kết thúc If (End if) Kết thúc If (End if) Kết thúc If (End if) 25: Kết thúc 26: Kết thúc 27: Kết thúc 4.2 Ví dụ nghiên cứu Ví dụ 1: Chương trình tối ưu đề xuất tiếp tục áp dụng cho khung thép phẳng 3x10 từ ví dụ chương Các số liệu không thay đổi Kết tối ưu sau: 19 Bảng 4.1 Kết tối ưu cho khung thép x 10 Số liệu EpDE Jaya PSO AEpDE LightGBMAEpDE Khối lượng tốt (kg) 15 293.9 16 709.9 16 514.2 15 160.3 15 160.3 Khối lượng (kg) 15 529.5 17 675.7 17 141.4 15 436.4 15 445.2 Khối lượng trung bình (kg) 15 400.5 17 115.5 16 844.6 15 303.4 15 276.7 Độ lệch chuẩn (kg) 97.5 353.9 257.1 83.5 106.8 92 400 150 000 150 000 94 847 17 047 Thời gian tính tốn trung bình (giây) 101 640 165 000 165 000 104 332 26 695 Tỷ lệ thời gian tính tốn 380.8% 618.1% 618.1% 390.8% 100% Số lần phân tích kết cấu trung bình Bảng 4.1 Trình bày kết tối ưu hóa thuật tốn xem xét, bao gồm EpDE, Jaya, PSO, AEpDE LightGBM-AEpDE Trong số thuật toán xem xét, thuật toán tối ưu hóa đề xuất AEpDE có hiệu suất tốt Hơn nữa, kết hợp đề xuất AEpDE - LightGBM mang lại kết mong đợi hiệu tối ưu nỗ lực tính tốn Chất lượng kết tối ưu tìm thấy AEpDE AEpDE – LightGBM tương tự Điều có nghĩa kỹ thuật sử dụng hệ số an tồn t thành cơng việc giữ ổn định độ xác AEpDE Xét nỗ lực tính tốn, AEpDE – LightGBM tốt nhiều so với thuật tốn khác Thời gian tính tốn EpDE, Jaya, PSO AEpDE 380.8%, 618.1%, 618.1% 390.8% so với LightGBM-AEpDE Ví dụ 2: Khung thép phẳng nhịp x 14 tầng (5x14) Bảng 4.5 Kết tối ưu cho khung thép x 14 AEpDE LightGBMAEpDE 59 291.5 53 599.0 53 599.0 62 121.0 55 145.0 55 145.0 62 610.3 60 832.7 54 488.1 54 269.8 789.4 1170.8 1168.9 559.1 627.8 Số lượng phân tích KC trung bình 121 950 150 000 150 000 134 400 16 227 Thời gian tính tốn trung bình (giây) 219 510 270 000 270 000 241 920 36 758 Tỷ lệ thời gian tính tốn 597.2% 734.5% 734.5% 658.2% 100% Số liệu EpDE Jaya Khối lượng tốt (kg) 54 606.0 61 490.5 Khối lượng (kg) 56 360.0 64 469.5 Khối lượng trung bình (kg) 55 450.9 Độ lệch chuẩn Std (kg) 20 PSO Bảng 4.4 Hiệu suất mơ hình ML cho khung thép x 14 Mẫu Số liệu MSE 1.000 R2 Thời gian (giây) MSE 2.000 R2 Thời gian (giây) MSE 5.000 R2 Thời gian (giây) MSE 10.000 R2 Thời gian (giây) LR DL RF LightGBM XGBoost 4.15E-01 3.16E-01 2.18E-01 1.41E-01 1.35E-01 35.18% 53.11% 66.72% 79.58% 80.89% 78 70 3.48E-01 2.66E-01 1.65E-01 1.05E-01 1.03E-01 50.05% 65.88% 75.30% 86.83% 87.14% 61 98 10 3.12E-01 2.35E-01 1.19E-01 7.58E-02 7.54E-02 54.93% 76.81% 82.82% 91.26% 91.55% 66 168 10 26 3.00E-01 1.88E-01 9.82E-02 6.33E-02 6.16E-02 56.56% 86.24% 86.45% 93.64% 93.85% 270 299 16 42 Kết thể bảng 4.4 4.5 cho thấy tương tự khung 3x10, XGBoost LightGBM hai thuật tốn xây dựng mơ hình ML cho hiệu suất cao Về mặt thời gian AEpDE – LightGBM đem lại hiệu bật tốt khung 3x10, khung 5x14 thời gian tính tốn EpDE, Jaya, PSO AEpDE 597.2%; 734.5%; 734.5% 658.2% so với AEpDE – LightGBM tức giảm từ đến lần thời gian tính tốn Hình 4.2 Hình 4.6 cho thấy trình hội tụ thuật toán Tốc độ hội tụ EpDE, AEpDE AEpDE – LightGBM gần tương tự nhau, tốt nhiều so với tốc độ Jaya PSO Từ cho thấy hiệu tối ưu thời gian tính tốn AEpDE – LightGBM Hình 4.2 Đường cong hội tụ khối Hình 4.6 Đường cong hội tụ khối lượng tốt cho khung thép x 10 lượng tốt cho khung thép x 14 21 4.3 Kết luận chương - Một khung chương trình tối ưu hóa hiệu phát triển cách kết hợp AEpDE thuật tốn học máy Các mơ hình ML để ước tính phản ứng kết cấu giảm số lần phân tích kết cấu từ giảm thời gian tính tốn; - LightGBM có hiệu suất tốt năm thuật tốn ML khảo sát cân tốt độ xác mơ hình ML nỗ lực tính tốn; - Thuật tốn AEpDE – LightGBM thực tính tốn tối ưu tiết diện mang lại kết tốt so với thuật toán EpDE, Jaya PSO cho khung thép x 10 x 14 Hơn AEpDE – LightGBM cho thấy giảm đáng kể thời gian tính tốn khoảng 70% đến 90% so với AEpDE, EpDE, Jaya PSO Do đó, coi công cụ mạnh mẽ hỗ trợ thiết kế thực tế KẾT LUẬN VÀ KIẾN NGHỊ Kết đạt luận án - Luận án tiến hành nghiên cứu tổng quan phương pháp phân tích kết cấu khung thép, tình hình nghiên cứu tối ưu kết cấu ứng dụng công nghệ học máy lĩnh vực kết cấu cơng trình Căn kết thu được, luận án tóm lược hướng tiếp cận việc sử dụng mơ hình học máy vào trình tối ưu kết cấu khung thép sử dụng phân tích trực tiếp để nắm bắt phản ứng phi tuyến kết cấu rút ngắn thời gian tính tốn; - Luận án xây dựng phương pháp hiệu để tối ưu hóa kết cấu khung thép bao gồm kết hợp phân tích trực tiếp thuật tốn AEpDE đề xuất Kết tối ưu thơng qua ví dụ nghiên cứu cho thấy thuật tốn đề xuất có hiệu tối ưu tốt so với phương pháp meta – heuristic khảo sát so với thuật toán EpDE Tuy nhiên thời gian tính tốn dù cải thiện vấn đề lớn, đặt nhu cầu cần kết hợp thêm kỹ thuật để cải thiện; - Luận án tiến hành xây dựng siêu mơ hình dựa kỹ thuật học máy thơng dụng phân tích trực tiếp Sau tiến hành khảo sát hiệu mơ hình toán dự đoán ứng xử kết cấu khung thép có xét đến ứng 22 xử phi tuyến Dự đoán ứng xử hệ kết cấu đảm bảo điều kiện ràng buộc để hỗ trợ trình tối ưu Kết cho thấy mơ hình học máy xây dựng dự đốn khả chịu tải cực hạn chuyển vị (bài toán hồi quy) kết cấu khung thép với độ xác cao; - Từ kết nội dung nêu trên, luận án xây dựng chương trình tối ưu tiết diện kết cấu khung thép hiệu quả, đặt tên AEpDE-LightGBM kết hợp ba yếu tố: (1) Thuật tốn đề xuất AEpDE; (2) Phân tích trực tiếp kết cấu khung thép sử dụng phương pháp phần tử dầm – cột; (3) Thuật toán học máy LightGBM Các kết số cho thấy phương pháp đề xuất tìm kiếm nghiệm tối ưu hiệu tốt thời gian tính tốn rút ngắn đáng kể so với trường hợp khảo sát so sánh Các đóng góp luận án - Đề xuất thuật toán tối ưu meta – heuristic, đặt tên thuật tốn tiến hóa vi phân tự thích ứng (AEpDE) cho toán tối ưu khung thép sử dụng phân tích trực tiếp; - Đưa quy trình xây dựng mơ hình ước lượng ứng xử khung thép sử dụng phân tích trực tiếp thuật tốn học máy; bao gồm: Quy trình tạo liệu phân tích trực tiếp quy trình huấn luyện mơ hình học máy theo bước; - Phát triển chương trình tối ưu AEpDE-LightGBM cách kết hợp thuật tốn AEpDE mơ hình học máy LightGBM để tối ưu hóa tiết diện kết cấu khung thép Tồn hướng phát triển 3.1 Những tồn - Phạm vi nghiên cứu luận án dừng lại cho kết cấu khung chịu tải trọng tĩnh Chưa xét đến khung chịu loại tải trọng khác; Nút khung xem nút cứng; Thuật toán AEpDE làm việc hiệu với toán tối ưu khung thép ứng xử 23 phi tuyến Tuy nhiên, chưa khảo sát hiệu kết cấu khác giàn thép, cầu… 3.2 Hướng phát triển - Nghiên cứu luận án tiếp tục áp dụng cho kết cấu khung thép chịu tải tĩnh đẩy dần, tải trọng lặp tải trọng động Ngồi ra, mơ hình kết cấu kể đến nút khung liên kết nửa cứng nghiên cứu nâng cao từ nghiên cứu này; - Tiếp tục nghiên cứu hiệu thuật toán đề xuất AEpDE tối ưu cho kết cấu khác dàn thép, cầu, tháp thép… Bên cạnh đó, tiếp tục tìm kiếm thử nghiệm thuật tốn học máy để kết hợp với AEpDE cho mơ hình ML có hiệu suất cao dự đốn ứng xử kết cấu thép Ngoài phương pháp sử dụng mơ hình học máy để tăng tốc q trình tối ưu đề xuất luận án không giới hạn áp dụng cho thuật toán DE thuật tốn cải tiến mà mở rộng cho thuật toán tối ưu meta – heuristic khác Trong năm gần đây, số thuật toán tối ưu đề xuất có hiệu tốt, đơn giản, số lượng tham số thuật tốn Jaya, Rao… Những nghiên cứu ban đầu cho thấy thuật toán hiệu áp dụng để giải toán tối ưu kết cấu Thử nghiệm áp dụng phương pháp đề xuất cho thuật toán tối ưu hướng nghiên cứu luận án Kiến nghị - Tiếp tục đầu tư nghiên cứu hồn thiện đóng góp luận án để tạo thành công cụ hỗ trợ hiệu thực hành thiết kế Phương pháp đề xuất kết hợp ba yếu tố gồm thuật toán meta – heuristic, mơ hình học máy phân tích trực tiếp sử dụng để phát triển phần mềm phân tích nâng cao tìm kiếm giải pháp tối ưu dựa hiệu suất cho kết cấu thép; - Một hướng nghiên cứu tiềm sử dụng công nghệ học máy tiên tiến để xây dựng mơ hình dự đốn phương án tối ưu cho dạng kết cấu hay gặp thực tế kết cấu khung, giàn giúp tiết kiệm nhiều thời gian tài ngun tính tốn 24 DANH MỤC CƠNG TRÌNH ĐÃ CƠNG BỐ Thi-Thanh-Thuy Nguyen, Anh-Dung Nguyen, Viet-Hung Truong, NgocThang Nguyen* “Performance comparison of five regression-based machine learning techniques for estimating load-carrying capacity of steel frame using direct analysis” XXVI International Scientific Conference “Construction the Formation of Living Environment” (FORM-2023) E3S Web of Conferences 410, 03009 (2023); https://doi.org/10.1051/e3sconf/202341003009 Nguyễn Thị Thanh Thúy, Ngô Mạnh Thiều, Nguyễn Tiến Chương, Trương Việt Hùng “So sánh hiệu suất thuật tốn hồi quy tuyến tính, học sâu rừng ngẫu nhiên cho toán dự báo chịu tải cực hạn khung thép có xét đến ứng xử phi tuyến tính phi đàn hồi” Tạp chí Xây dựng số tháng 04.2023 p 153-157 Truong-Son Cao, Thi-Thanh-Thuy Nguyen, Van-Son Nguyen, Viet-Hung Truong, Huu-Hue Nguyen* “Performance of six metaheuristic algorithms for multi-objective Optimization of Nonlinear Inelastic Steel Trusses” Buildings 2023,13: 868 SCIE Q2, Impact Fator 3.342 https://doi.org/10.3390/buildings13040868 Quoc-Anh Vu; Truong-Son Cao; Thi-Thanh-Thuy Nguyen; Huu-Hue Nguyen; Viet-Hung Truong; Manh-Hung Ha* “An efficient differential evolution-based method for optimization of nonlinear steel frame structures” Structures 2023, 51: 67-78 SCIE Q2, Impact Factor 4.01 https://www.sciencedirect.com/science/article/abs/pii/S2352012423003065?via %3Dihub Nguyễn Thị Thanh Thúy, Cao Trường Sơn, Trương Việt Hùng “Tối ưu khối lượng khung thép sử dụng phân tích trực tiếp thuật tốn tiến hóa vi phân tự thích ứng” Tạp chí Xây dựng số tháng 03.2023.p 162-167 Nguyễn Thị Thanh Thúy, Chu Tuấn Long “Ứng dụng thuật toán học máy dự đoán ứng suất cắt ứng suất kéo nút dầm cột bê tông cốt thép” Tuyển tập hội nghị khoa học thường niên năn 2022 Trường Đại học Thủy lợi