Luận văn thạc sĩ Quản lý xây dựng: Ứng dụng Bim và thuật toán tiến hóa (EA) trong tự động bố trí cốt thép không xung đột

Nghiên cứu này trình bày một cách tiếp cận để tối ưu vị trí của thanh thép bằng cách kết hợp giữa thông tin có được từ BIM và thuật toán tiến hóa.. Với khả năng xác định các giải pháp tố

GIỚI THIỆU CHUNG

Đặt vấn đề nghiên cứu

Ngành công nghiệp xây dựng từ trước đến nay được xem là ngành có vô vàn các thách thức như quản lý nguồn lực, quản lý rủi ro, quản lý trao đổi thông tin… dẫn đến lỗi thiết kế, làm lại, chậm tiến độ, vượt chi phí Theo báo cáo của McKinsey, các dự án quy mô lớn thường vượt tiến độ hơn 20% so với kế hoạch và vượt 80% chi phí dự toán ban đầu (Agarwal, Chandrasekaran, & Sridhar, 2016) Trong khi đó, năng suất của ngành xây dựng cũng thấp hơn 30% so với mức năng suất trung bình toàn cầu Nếu mức năng suất này được cải thiện bằng năng suất trung bình toàn cầu, nó sẽ đáp ứng được 50% tổng nhu cầu về cơ sở hạ tầng

Bên cạnh đó, ngành công nghiệp xây dựng cũng được xem là ngành chậm chuyển đổi, tiếp cận với những công nghệ hiện đại và ứng dụng số - một trong những lý do làm cho năng suất lao động - trong suốt ba thập kỷ qua - thấp hơn nếu so sánh với các ngành công nghiệp khác như ô tô, tài chính hay giáo dục (Chidambaram, 2020) Các dự án xây dựng đặc trưng bởi nhiều mối quan hệ, quy trình rời rạc của các bên liên quan là nguyên nhân chính dẫn đến hiệu suất kém (Hartmann, Fischer, & Haymaker, 2009) Tối đa hóa năng suất của các bên liên quan là một trong những thách thức của ngành Một dự án thành công đòi hỏi mức độ phối hợp, cộng tác và giao tiếp tốt Về cơ bản, tại những thời điểm quan trọng trong quá trình thực hiện dự án thì chất lượng giao tiếp và phối hợp tốt là cần thiết để đảm bảo thông tin phù hợp được truyền đạt đến người thích hợp ở thời gian hợp lý (Chidambaram, 2020) Để giải quyết vấn đề này, nhiều phương án tiếp cận với nhiều góc độ khác nhau được đề xuất Trong vài thập kỷ qua, nổi bật nhất trong số các phương pháp tiếp cận

GVHD: TS NGUYỄN ANH THƯ HVTH: TRỊNH HOÀNG ANH này là khái niệm Mô hình thông tin công trình (BIM) (Cao et al., 2015) BIM là sự thể hiện kỹ thuật số của quá trình xây dựng, nó là kho lưu trữ thông tin của dự án, áp dụng cách tiếp cận lấy dữ liệu làm trung tâm để liên kết các bên liên quan trong vòng đời dự án, nhằm hỗ trợ tích hợp đa ngành (Miettinen & Paavola, 2014) BIM có thể được sử dụng trong một số lĩnh vực như ước tính chi phí, phân tích bền vững, phát hiện các xung đột, lập kế hoạch xây dựng, gia công tiền chế (Guo, Li, & Skitmore, 2010; Hartmann, Gao, & Fischer, 2008)

Nhiều quốc gia ban hành hàng loạt chính sách thúc đẩy triển khai BIM Ví dụ, chính phủ Singapore yêu cầu kể từ năm 2015, tất cả các dự án có diện tích trên 5.000 m2 phải sử dụng hồ sơ điện tử BIM Chính phủ Vương quốc Anh đã thiết kế một chiến lược triển khai BIM dài hạn, bao gồm ba cấp độ, bao trùm các loại hình khác nhau và toàn bộ vòng đời của các dự án xây dựng (Khosrowshahi & Arayici, 2012) Hàn Quốc yêu cầu tất cả các dự án công lớn (trên 50 triệu USD) phải triển khai BIM từ năm 2016 (Lee & Yu, 2016) Mặc dù Hoa Kỳ không có quy định rõ ràng về việc thực hiện BIM ở cấp độ quản lý nhà nước nhưng nhiều chiến lược cấp công nghiệp đã được đề xuất để thúc đẩy việc áp dụng BIM (Cheng & Lu, 2015) Tại Việt Nam, BIM đã được đề cập trong Luật Xây Dựng số 50/2014/QH13 vào năm 2014; đề án ứng dụng BIM đã được triển khai theo Quyết định số 2500/QĐ-TTg phê duyệt năm 2016 (Quách, 2021) Năm 2021 Bộ Xây Dựng cũng đã ban hành hai quyết định số 347 và 348/QĐ-BXD về việc hướng dẫn việc áp dụng BIM cho công trình dân dụng và hạ tầng kỹ thuật đô thị

Về cấu trúc của công trình xây dựng, đây là sự kết hợp của rất nhiều thành phần khác nhau như kiến trúc, kết cấu, MEP, PCCC, hạ tầng…nên nhiệm vụ rất quan trọng của người thiết kế là phối hợp, điều phối về bố cục, kích thước của các thành phần trên để hạn chế tối đa xung đột giữa các bên Xung đột được xác định và xử lý càng sớm thì chi phí phát sinh ra sẽ càng ít Theo một thống kê, hơn 80% những thất bại trong dự án xây dựng bắt nguồn từ lỗi thiết kế (Lopez, Love, Edwards, & Davis, 2010) và 46% chi phí phát sinh xảy ra ở giai đoạn thiết kế (Love, Edwards, Smith, & Walker, 2009) Do đó việc phối hợp từ giai đoạn thiết kế và quản lý xung đột là rất quan trọng đối với thành công của một dự án

GVHD: TS NGUYỄN ANH THƯ HVTH: TRỊNH HOÀNG ANH

Thiết kế cốt thép rất quan trọng và cần thiết trong thiết kế kết cấu bê tông cốt thép (BTCT) Bên cạnh đó việc thiết kế cũng cần đảm bảo an toàn, đúng tiêu chuẩn, có thể thi công, tiết kiệm Hiện nay, việc thiết kế cốt thép được tính toán thủ công hoặc bán tự động bằng các phần mềm như CSI ETABS và Autodesk Robot Structural Analysis (RSA) Tính toán thủ công mất nhiều thời gian và đôi khi dẫn đến sai sót, thiết kế quá thừa hoặc thiết kế chưa đảm bảo Tính toán bằng phần mềm giúp quá trình thiết kế nhanh hơn nhưng vẫn cần nỗ lực của con người để bố trí cốt thép (Mangal & Cheng, 2018) Trong giai đoạn thiết kế chi tiết, bố trí cốt thép là công việc tốn nhiều thời gian và công sức lao động (Liu et al., 2021; Momeni, Relefors, Pettersson, Papadopoulos,

& Nolte, 2022) Kết quả của việc bố trí cốt thép có thể bị ảnh hưởng từ xung đột cốt thép (xung đột cứng) hoặc tắc nghẽn cốt thép (xung đột mềm) (Liu et al., 2021)

Xung đột hay tắt nghẽn cốt thép thường xảy ra tại các nút giao của các cấu kiện, nơi phải tuân thủ theo tiêu chuẩn thiết kế để đảm bảo an toàn Tại công trường, công nhân thường bố trí cốt thép theo bản vẽ thiết kế nếu không có xung đột giữa các thanh cốt thép Một khi có xung đột xảy ra, người kỹ sư và công nhân phải xác định thanh thép xung đột và điều chỉnh vị trí để tránh xung đột Cách tiếp cận này gây tốn nhiều

Hình 1.1 Hình ảnh bố trí thép (Discoveries, 2023)

GVHD: TS NGUYỄN ANH THƯ HVTH: TRỊNH HOÀNG ANH thời gian và ảnh hưởng đến chất lượng cũng như chi phí xây dựng (Liu, Xu, Ao, Feng,

& Wu, 2018; Mangal, Li, Gan, & Cheng, 2021) Sẽ không thực tế và tốn nhiều công sức để bố trí cốt thép tránh tất cả các xung đột bằng phương pháp thử-sai thủ công hoặc ngay cả được sự trợ giúp của các phần mềm hiện có Hiện nay mặc dù có một số chương trình giúp phát hiện xung đột như Autodesk Navisworks Manage, Solibri Model Checker có thể phát hiện và trực quan hóa các thành phần xung đột (Wang & Leite, 2016) nhưng chúng chủ yếu tập trung vào việc phát hiện xung đột của các cấu kiện và MEP Những phần mềm trên chưa thể tự động tránh các xung đột cốt thép hoặc đưa ra các giải pháp để bố trí lại cốt thép không có xung đột

Vấn đề tối ưu hóa trong bố trí cốt thép là một bài toán đa thức không xác định (Nondeterminitic Polynimial NP-hard) bởi vì độ phức tạp về không gian và thời gian tính toán (Mangal et al., 2021) Các thuật toán tiến hóa (Evolutionary Algorithms, EA) đã được chứng minh là có hiệu quả để giải các vấn đề NP-hard như Thuật toán di truyền (GA), Tối ưu hóa đàn kiến (ACO), Tối ưu hóa đàn hạt (PSO) Với khả năng xác định các giải pháp tối ưu trong bài toán không gian lớn, đa mục tiêu, phức tạp, các thuật toán EA được xem như một công cụ hứa hẹn để giải quyết các bài toán về bố trí quy hoạch trong các công trình xây dựng

Tóm lại, việc tiếp cận vấn đề tự động bố trí cốt thép không xung đột trong khung BTCT ngay từ giai đoạn thiết kế sẽ góp phần làm giảm vấn đề sửa chữa, làm lại tại công trường; dẫn đến việc giảm kiểm tra lại hay thậm chí là thiết kế lại Đây là một trong những nguyên nhân lớn dẫn đến chậm trễ tiến độ và tăng chi phí xây dựng Bên cạnh đó, việc ứng dụng BIM trong tự động bố trí cốt thép giúp tiết kiệm thời gian triển khai, khai thác tốt thông tin của công trình và tăng cường sự phối hợp giữa các bên liên quan trong dự án xây dựng

Với những lợi ích được đề cập phía trên, luận văn này hướng đến việc tìm kiếm một phương pháp có thể ứng dụng BIM và thuật toán tiến hóa để tự động bố trí cốt thép tránh xung đột áp dụng trong giai đoạn thiết kế

Mục tiêu nghiên cứu

Mục tiêu chính của đề tài là xây dựng giải pháp tối ưu tự động bố trí cốt thép tránh xung đột trong cấu kiện BTCT có sự kết hợp dữ liệu từ mô hình BIM và thuật toán tiến hóa Để hoàn thành mục tiêu nghiên cứu của đề tài, các module và câu hỏi liên quan dưới đây sẽ được nghiên cứu:

- Nhận biết và phân loại những xung đột; xung đột cốt thép trong giai đoạn thiết kế

- Xây dựng công thức xác định vị trí tối ưu trong bố trí cốt thép tránh xung đột và module tối ưu hóa trong bố trí cốt thép tránh xung đột

- Kiểm tra sơ đồ bố trí cốt thép tránh xung đột phù hợp với tiêu chuẩn thiết kế BTCT tại Việt Nam.

Đối tượng và phạm vi nghiên cứu

Nghiên cứu phương pháp xác định vị trí bố trí thép tối ưu tại nơi giao nhau của các cấu kiện BTCT; xác định và xây dựng các hàm mục tiêu để giải quyết vấn đề xung đột trong công tác bố trí thép hiện tại

Nghiên cứu thuật toán tiến hóa (EAs), cụ thể là thuật Di truyền tiến hóa không trội (NSGA_II) và cách áp dụng thuật toán để giải quyết vấn đề bố trí cốt thép không xung đột

Nghiên cứu kết hợp các ứng dụng trong của Mô hình thông tin công trình (BIM) và EAs để tối ưu hóa bố trí cốt thép tránh xung đột

1.4.2 Phạm vi nghiên cứu Đề tài nghiên cứu áp dụng các công trình xây dựng dân dụng, hạ tầng bằng BTCT tại Thành phố Hồ Chí Minh, đáp ứng theo tiêu chuẩn thiết kế của Việt Nam TCVN 5574:2018

Nghiên cứu tập trung vào những xung đột của cốt thép có đường kính lớn hơn 12mm tại điểm giao nhau giữa các cấu kiện BTCT trong công trình xây dựng ở giai đoạn thiết kế

Thời gian nghiên cứu: Từ tháng 12 năm 2023 đến tháng 6 năm 2024

Quan điểm nghiên cứu: Từ góc nhìn của nhà thầu thi công thép và người thiết kế chi tiết thép.

Ý nghĩa khoa học và thực tiễn của nghiên cứu

Nghiên cứu hy vọng góp phần nâng cao nhận thức trong việc kết hợp BIM và Thuật toán tiến hóa để giải quyết các bài toán tự động tối ưu hóa

Nghiên cứu đề xuất phương pháp giải quyết bài toán xung đột tự động đối với cốt thép nhằm lấp vào khoảng trống còn thiếu đối với nhóm bài toán phát hiện và giải quyết xung đột

Nghiên cứu áp dụng thuật toán NSGA_II trong tìm kiếm giải pháp tối ưu cho bố trí cốt thép Đưa ra những đánh giá về ưu và nhược điểm trong việc áp dụng các thuật toán này và hướng nghiên cứu trong tương lai

1.5.2 Ý nghĩa thực tiễn Ứng dụng mô hình giúp giảm thiểu thời gian giải quyết xung đột cốt thép từ giai đoạn thiết kế Giúp nhà thầu thi công thép tiết kiệm thời gian, nhân lực và hạn chế việc làm lại hoặc sửa chữa sai sót tại tại công trường

Nghiên cứu cũng khám phá khả năng và tính khả thi của việc sử dụng thông tin từ BIM để cải tiến các giải pháp quản lý xung đột và tối ưu hóa Bên cạnh đó, nghiên cứu giúp xây dựng cơ sở dữ liệu quan trọng cho quá trình tự động hóa trong lắp đặt cốt thép bằng robot trong tương lai

TỔNG QUAN NGHIÊN CỨU

Giới thiệu chương

Trong Chương 2, tác giả sẽ giới thiệu các khái niệm, cơ sở lý thuyết được sử dụng trong nghiên cứu này, tổng quan các nghiên cứu trước đây về nội dung và các hạn chế cũng như kết quả nghiên cứu Các nội dung này sẽ cung cấp đồng thời một cơ sở lý thuyết và các kế thừa kết quả của các nghiên cứu trước đây để thực hiện các mục tiêu của nghiên cứu.

Các khái niệm, cơ sở lý thuyết

2.2.1 Mô hình thông tin công trình – Building Information Modeling (BIM)

BIM lần đầu tiên được định nghĩa và minh họa trong một nghiên cứu của D.C Engelbart năm 1962 (Engelbart & English, 1968) Những ý tưởng cơ bản hình thành nên BIM được giới thiệu rõ hơn trong nghiên cứu của Thompson và Miner Trong đó, khi tất cả dữ liệu liên quan đến một dự án bất kỳ được kết nối và lưu trữ trong một hệ thống trực tuyến duy nhất, dự án có thể được triển khai trước trong một môi trường ảo (Thompson & Miner, 2006)

Tiêu chuẩn ISO 19650-1 (2018) (ISO, 2018) định nghĩa “BIM là việc dùng chung dạng hiển thị số hóa của công trình XD nhằm hỗ trợ cho công tác thiết kế, thi công và quản lý vận hành để hình thành nên cơ sở dữ liệu tin cậy cho việc ra quyết định” Tiêu chuẩn BIM Quốc gia Hoa Kỳ (NBIMS-US, 2007) (Committee, 2007) định nghĩa BIM như sau: “Một tập dữ liệu số hóa bao gồm các đặc trưng vật lý và công năng của một dự án được chia sẻ để hình thành nên một nền tảng đáng tin cậy cho việc ra các quyết định trong suốt vòng đời của nó; được xác định từ khi thiết kế ý tưởng đến khi phá dỡ dự án”

So với phương pháp quản lý truyền thống, những lợi ích mà BIM có thể mang lại như: giúp ra quyết định chính xác và kịp thời từ giai đoạn đầu của dự án; cải thiện chất lượng, tiến độ và tiết kiệm chi phí dựa vào mô hình 3D chi tiết đã được tạo xây dựng trước; tăng hiệu quả giao tiếp giữa các bên thông qua mô hình 3D; kiểm soát xung đột giúp giảm thiểu việc làm lại; dự báo rủi ro tiềm ẩn trên công trường và loại

GVHD: TS NGUYỄN ANH THƯ HVTH: TRỊNH HOÀNG ANH trừ các công tác thiếu an toàn; và sự thay đổi được tự động cập nhật theo thời gian thực (Mesaros, Spisakova, & Mandicak, 2020) a Ứng dụng BIM tại Việt Nam

Nhằm khuyến khích, tạo điều kiện để các bên liên quan áp dụng BIM, giúp các doanh nghiệp Việt Nam có thể cạnh tranh với các nước trong khu vực và châu Á, đề án áp dụng BIM trong hoạt động xây dựng và quản lý vận hành công trình được phê duyệt theo Quyết định số 2500/QĐ-TTg ban hành ngày 22/12/2016 kèm với nó là lộ trình triển khai đề án

Bảng 2-1 Lộ trình áp dụng BIM theo Đề án

Lộ trình Nội dung thực hiện

Giai đoạn 2017-2019 Tăng nhận thức, khuyến khích ứng dụng BIM

Xây dựng pháp lý áp dụng BIM Xây dựng hướng dẫn về áp dụng BIM

Xây dựng khung chương trình đào tạo về BIM

Giai đoạn 2018-2020 Áp dụng thí điểm với ít nhất 20 công trình trong giai đoạn TK, giai đoạn TC và QLDA Áp dụng triển khai thí điểm với ít nhất 10 công trình trong giai đoạn vận hành

Từ năm 2021 Đẩy mạnh áp dụng BIM rộng rãi Đến năm 2019, đã có 32 dự án được chọn thí điểm áp dụng BIM trong nhiều giai đoạn của dự án như thiết kế, thi công xây dựng, quản lý vận hành công trình Trong đó có các dự án lớn như Park Hill 6, cảng Cửa Lò, Vietinbank Tower, cầu Thủ Thiêm 2, khu công nghiệp Nhơn Trạch 6 tỉnh Đồng Nai, bước đầu mang lại một số kết quả đáng chú ý như: dự án Vietinbank Tower giải quyết hơn 1500 xung đột; tiến độ của dự án nhà máy Cheeky rút ngắn được 10%; dự án Park Hill 6 giảm được 8% lượng công việc cần khắc phục và 40% thời gian dành cho công tác điều chỉnh; khối

GVHD: TS NGUYỄN ANH THƯ HVTH: TRỊNH HOÀNG ANH lượng của dự án nhà để xe phi trường quốc nội Tân Sơn Nhất đạt độ chính xác khoảng 95% so với thiết kế (Quách, 2021) Đến đầu năm 2023, Thủ tướng đã ban hành Quyết định số 258/QĐ-TTg ngày 17/3/2023 phê duyệt Lộ trình áp dụng Mô hình thông tin công trình (BIM) trong hoạt động xây dựng Lộ trình áp dụng BIM bao gồm 2 giai đoạn:

Giai đoạn 1: “Từ năm 2023, áp dụng BIM bắt buộc đối với các công trình cấp

I, cấp đặc biệt của các dự án đầu tư xây dựng mới sử dụng vốn đầu tư công, vốn nhà nước ngoài đầu tư công và đầu tư theo phương thức đối tác công tư bắt đầu thực hiện các công việc chuẩn bị dự án.”

Giai đoạn 2: “Từ năm 2025, áp dụng BIM bắt buộc đối với các công trình cấp

II trở lên của các dự án đầu tư xây dựng mới sử dụng vốn đầu tư công, vốn nhà nước ngoài đầu tư công và đầu tư theo phương thức đối tác công tư bắt đầu thực hiện các công việc chuẩn bị dự án.” b Ích lợi của Mô hình thông tin công trình (BIM) cho cốt thép

Các nhà thầu thi công thép và nhà sản xuất cốt thép hiện nay vẫn còn ít khả năng tiếp cận dựa trên BIM hơn các chuyên gia khác như kỹ sư, kiến trúc sư, người nghiên cứu Mô hình cốt thép từ BIM thường được sử dụng để trực quan hóa thiết kế, thống kê, kiểm tra sự phù hợp của thiết kế Tuy nhiên, tiềm năng của BIM trong phát hiện xung đột, ước lượng, lập kế hoạch, điều phối dự án vẫn chưa được áp dụng rộng rãi Dưới đây là một số khía cạnh và lợi ích chính của BIM cho chi tiết cốt thép

- Mô hình chi tiết: BIM cho phép tạo ra các mô hình 3D chính xác của cốt thép trong các yếu tố kết cấu như dầm, cột, tường và sàn Điều này giúp hình dung rõ ràng việc bố trí cốt thép và phát hiện bất kỳ xung đột hoặc va chạm nào với các thành phần kết cấu khác

- Phát hiện va chạm: Một trong những lợi ích đáng kể của BIM là khả năng phát hiện các va chạm hoặc xung đột trong giai đoạn thiết kế Đối với cốt thép, điều này có nghĩa là xác định và giải quyết các vấn đề nơi cốt thép có thể xung đột với các yếu tố khác, chẳng hạn như hệ thống cơ điện hoặc cốt thép khác trong các khu vực chật hẹp, trước khi bắt đầu xây dựng

- Chế tạo chính xác: Các mô hình được tạo ra bởi BIM có thể được sử dụng để sản xuất các bản vẽ chế tạo chính xác và trình tự uốn thép Điều này đảm bảo cốt thép được chế tạo đúng cách và lắp đặt hoàn chỉnh khi đưa vào hiện trường, giảm thiểu lãng phí và làm lại

- Tiết kiệm thời gian và chi phí: Bằng cách cải thiện độ chính xác và giảm thiểu sai sót, BIM giúp tiết kiệm thời gian và chi phí liên quan đến việc lắp đặt cốt thép Sử dụng BIM có thể tối ưu hóa quá trình xây dựng, giảm lãng phí vật liệu và giảm thiểu trì hoãn do các sửa đổi tại chỗ

Các nghiên cứu liên quan

Trong nhiều thập kỷ vừa qua, đã có nhiều nghiên cứu về mô hình hóa, tối ưu hóa thiết kế cốt thép cho các cấu kiện BTCT Một số nghiên cứu đã áp dụng Mạng thần kinh nhân tạo (ANN) để tối ưu hóa cốt thép trong dầm BTCT bằng phương pháp gia cố đơn và kép để chi phí xây dựng là tối thiểu (Hadi, 2003; Saini, Sehgala, & Gambhirb, 2006) Nghiên cứu đưa ra giải pháp tối ưu nhưng các giải pháp chỉ cung cấp tỷ lệ cốt thép cần thiết trên kích thước cấu kiện mà không cung cấp thêm thông tin chi tiết Điều này làm hạn chế khả năng áp dụng trong thực tế xây dựng Ahmadkhanlou và Adeli (Ahmadkhanlou & Adeli, 2005) đã phát triển mô hình động học thần kinh để giảm chi phí xây dựng cho tấm sàn một chiều Mô hình đã cung cấp một thiết kế cốt thép ít chi phí hơn so với các tấm BTCT trước đây Tuy nhiên, khoảng cách giữa các thanh cốt thép bị giới hạn, dẫn đến hạn chế các giải pháp đạt được tối ưu toàn cục

GA được phát triển vào khoảng năm 1960 – 1970 bở Holland và đồng nghiệp (Booker, Goldberg, & Holland, 1989) Kể từ đó, các biến thể của GA được phát triển và nghiên cứu cho các vấn đề về tối ưu (Konak 2006), điểm nổi bật của GA là hiệu quả cao trong việc tìm kiếm các giải pháp gần tối ưu Bằng các hàm phạt, GA có thể được sử dụng để giải quyết các ràng buộc vấn đề tối ưu hóa, khi mà sử dụng thuât toán đàn kiến (ACO) trong những vấn đề này thì thường gặp phải các sai lệch (bias) (Dorigo & Blum, 2005) Hơn nữa ở giai đoạn đầu thuật toán ACO có tốc độ hội tụ tương đối chậm do đặc tính thiếu pheromone giai đoạn đầu Nếu so sánh GA với thuật toán đàn hạt (PSO) thì GA có khả năng tìm kiếm giải pháp mới trong toàn bộ miền giải pháp trong khi PSO phụ thuộc vào các giải pháp trước đó, mang tính định hướng hơn (Eberhart & Shi, 1998) Nhìn chung, PSO thường được sử dụng để giải các vấn đề liên tục Do tính ưu việt của GA so với các thuật toán tiến hóa nên nó thường được dùng để giải quyết các vấn đề về tối ưu thiết kế thép (Mangal & Cheng, 2018) Leps và Sejnoha (Lepš & Šejnoha, 2003) đã sử dụng thuật toán di truyền (GA) để tối ưu hóa cốt thép trong dầm nhằm giảm chi phí xây dựng, nhưng nghiên cứu luôn chia dầm BTCT thành ba phần để tính toán, bất kể điều kiện về tải trọng, dẫn đến kết quả bị hạn chế trong việc đạt tối ưu tổng thể Sahab và cộng sự (2005) cũng sử dụng

GA để tối ưu hóa cốt thép và giảm thiểu chi phí cho cột Mangal (2018) đã áp dụng thuật toán lai GA ba giai đoạn (hGA) để tự động tối ưu hóa cốt thép chịu nén, chịu kéo và chịu cắt Tuy nhiên nghiên cứu chỉ mới áp dụng cho dầm đơn Mangal (2021) đã cải tiến thuật toán GA kết hợp phương pháp tìm kiếm Hook-Jeeves, hai giai đoạn để nghiên cứu về thiết kế cốt thép không va chạm với chi phí vật liệu tối thiểu Trong nghiên cứu này, thuật toán lai GA-HJ giúp giải quyết bài toán đơn mục tiêu trong xác định cách bố trí cốt thép không va chạm Tuy nhiên, nghiên cứu chưa chỉ ra được cách bố trí nào là tối ưu trong các cách bố trí tốt Ở một hướng tiếp cận khác, các nghiên cứu của Liu và cộng sự (Liu et al., 2021; Liu, Liu, et al., 2020; Liu, Xu, et al., 2020) xem xét vấn đề bố trí cốt thép không va chạm như là một bài toán quy hoạch đường đi Các nghiên cứu xem xét các thanh cốt thép như là những nhân tố thông minh, các thuật toán được áp dụng sẽ điều hướng di chuyển của các nhân tố đi đến đích và tránh các xung đột trên đường đi Ưu điểm của việc tiếp cận theo phương pháp này là thời gian ra kết quả nhanh; áp dụng được nhiều thuật toán để cải thiện hiệu suất Tuy nhiên, các nghiên cứu trên chỉ áp dụng cho cốt thép dầm và đường đi của các thanh cốt thép làm giảm chiều cao làm việc của cấu kiện

Các nghiên cứu đã có nhiều nỗ lực trong việc áp dụng nhiều phương pháp khác nhau để giải quyết vấn đề tối ưu hóa thiết kế và bố trí cốt thép Một số nghiên cứu xem xét các thanh cốt thép như là những tác nhân thông minh trong việc tìm kiếm đường đi để tránh va chạm Điều đó dẫn đến hình dạng của các thanh thép phải thay đổi để đáp ứng được yêu cầu của bài toán Các nghiên cứu áp dụng mạng thần kinh nhân tạo để tối ưu hóa thiết kế cốt thép mang lại những kết quả tích cực, tuy nhiên vấn đề về vị trí của các thanh thép chưa được đề cập đến Nhóm các nghiên cứu sử dụng thuật toán di truyền để giải quyết vấn đề tối ưu hóa trong thiết kế, bố trí cốt thép đã xem việc bố trí cốt thép không xung đột như một bài toán tối ưu hóa một mục tiêu, do đó vẫn còn những tồn tại trong việc xác định phương pháp bố trí cốt thép không xung đột một cách tối ưu

Bảng 2-2 Tổng hợp các nghiên cứu trước đây về bố trí thép không va chạm

STT Nghiên cứu Mục tiêu nghiên cứu Phương pháp thực nghiệm Kết quả Mặt hạn chế/Kế thừa

M Mangal et al., Automated clash-free optimization of steel reinforcement in RC frame structures using building information modeling and two-stage genetic algorithm, 2021

Tự động bố trí cốt thép không va chạm từ giai đoạn thiết kế

Tối ưu hóa tiết diện thép bằng việc kết hợp các loại đường kính thép khác nhau Áp dụng BIM và thuật toán di truyền (GA) kết hợp Hooke&Jeeves - 2 bước (GA-HJ)

Bước 1 tối ưu hóa số thanh thép trong mỗi cấu kiện có xét đến không va chạm

Bước 2 tối ưu hóa lượng thép sử dụng bằng các kết hợp các thanh thép đường kính khác nhau

Tiêu chuẩn Anh BS8110; nghiên cứu chỉ xem xét kết cấu dầm – cột cơ bản; Chỉ xét đến tiết diện thép

M Li et al., DfMA-oriented design optimization for steel reinforcement using BIM and hybrid metaheuristic algorithms, 2021

Tối ưu hóa thiết kế và bố trí cốt thép dựa trên BIM kết hợp với định hướng Thiết kế cho sản xuất và lắp đặt (DfMA)

Khung áp dụng BIM có xét đến DfMA kết hợp với Thuật toán di truyền lai GA-

Tối ưu hóa chi phí vật liệu và lắp đặt trong chi tiết thép; module tránh va chạm của

GA giúp tiết kiệm thời gian thiết kế lại của thép

Nghiên cứu kết cấu dầm cột cơ bản; Tiếp cận DfMA Dùng GA-HJ cho bài toán đơn mục tiêu

J Liu et al., Intelligent rebar layout in RC building frames using artificial potential field, 2020 Áp dụng khả năng không va chạm của các tác nhân thông minh, tự động bố trí thép ở giai đoạn thiết kế Áp dụng phương pháp trường thế năng nhân tạo (APF) để dẫn hướng các tác nhân - các thanh cốt thép - đến đích

Giải quyết va chạm và tắt nghẽn thép trong các mối nối đơn lẻ bằng bài toán lập kế hoạch đường đi của các tác nhân

Add-in tự động tạo mô hình Giải quyết mối nối đơn

GVHD: TS NGUYỄN ANH THƯ HVTH: TRỊNH HOÀNG ANH STT Nghiên cứu Mục tiêu nghiên cứu Phương pháp thực nghiệm Kết quả Mặt hạn chế/Kế thừa

J Liu et al., Automatic and optimal rebar layout in reinforced concrete structure by decomposed optimization algorithms, 2021

Tự động bố trí thép không va chạm bằng cách phân tách thành các tác vụ con (tối ưu hóa phân rã- decomposed optimization) Áp dụng thuật toán tiến hóa (EA) vào tối ưu hóa phân rã

So sánh các thuật toán PSO,

Kiểm tra trên mối nối dầm-cột xét đến thời gian tính toán và độ dài đường dẫn Tối ưu hóa phân rã (DO) có hiệu quả và PSO có hiệu quả cao nhất

Cài đặt ban đầu không đúng dễ dẫn đến lỗi chướng ngại vật và tối ưu cục bộ

L Feng et al., Towards automated clash resolution of reinforcing steel design in reinforced concrete frames via Q-learning and building information modeling, 2020 Áp dụng hệ thống học tăng cường đa tác nhân (MARL) để sắp xếp và điều chỉnh hướng đi của cốt thép tránh chướng ngại vật

Tích hợp BIM và RL với mô hình Q-Learning Xem xét mỗi thanh thép là một tác nhân học tăng cường

Rút ngắn thời gian bố trí thép so với phương pháp thủ công đến 90% Hạn chế va chạm cốt thép tại các nút giao

Thay đổi hình dạng thanh thép Thay đổi chiều cao làm việc của dầm

M Mangal et al., Automated optimization of steel reinforcement in RC building frames using building information modeling and hybrid genetic algorithm,

2018 Áp dụng thuật toán di truyền lai ba giai đoạn (hGA) để tự động tối ưu hóa cốt thép chịu nén, chịu kéo và chịu cắt Áp dụng BIM và GA-HJ ba giai đoạn cho 3 loại thép

Kết quả tối ưu được trực quan hóa thông qua mô hình BIM-IFC

Khung đề xuất có thể tối ưu hóa cốt thép nhanh và chính xác hơn phương pháp thủ công

Nghiên cứu chỉ tối ưu dầm đơn, chia dầm thành 3 phần nên khó tối ưu toàn cục

PHƯƠNG PHÁP NGHIÊN CỨU

Giới thiệu chương

Chương 3 trình bày quy trình thực hiện nghiên cứu, lần lượt lý thuyết về phương pháp nghiên cứu, cách thức xây dựng các hàm mục tiêu của đề bài cũng như các điều kiện ràng buộc sẽ được trình bày chi tiết Bên cạnh đó các đoạn mã giả cũng được đề cập để giải thích cho quá trình tối ưu hóa việc bố trí cốt thép trong nghiên cứu.

Sơ đồ nghiên cứu

Để đạt được mục tiêu nghiên cứu, quy trình nghiên cứu gồm 5 bước được trình bày như lược đồ sau:

- Bước 1: Xác định vấn đề/ Mục tiêu nghiên cứu của đề tài

- Bước 2: Tổng quan nghiên cứu Ở bước này tập trung tìm hiểu các nghiên cứu

Hình 3.1 Sơ đồ thực hiện nghiên cứu tổng quát

GVHD: TS NGUYỄN ANH THƯ HVTH: TRỊNH HOÀNG ANH đã có ở trong nước và trên thế giới Chỉ ra được những ưu và khuyết điểm của các nghiên cứu trước đây Tìm hiểu về các cơ sở lý thuyết áp dụng trong nghiên cứu, cũng như khái niệm và ứng dụng của các thuật toán tối ưu

- Bước 3: Xây dựng mô hình tự động bố trí thép Bước này xác định những công cụ, thuật toán sẽ dùng để giải quyết vấn đề Xác định các hàm mục tiêu cũng như xây dựng các module phân tích cụ thể sẽ được đề cập ở một lược đồ riêng

- Bước 4: Kiểm tra mô hình bố trí thép với tiêu chuẩn thiết kế BTCT và đánh giá

- Bước 5: Kết luận, kiến nghị và đưa ra hướng nghiên cứu tiếp theo của đề tài

Sơ đồ xây dựng mô hình tự động bố trí cốt thép không va chạm

Phần này mô tả chi tiết cách thức để xây dựng mô hình tự động bố trí cốt thép không va chạm Xuất phát từ mô hình khung BTCT từ mô hình BIM được cung cấp, các bước phân tích kết cấu bằng RSA được thực hiện Đầu ra của bước phân tích kết cấu là tỷ lệ cốt thép trên diện tích mặt cắt của từng cấu kiện, dựa trên tỷ lệ đó người thiết kế lựa chọn những tổ hợp cốt thép đáp ứng tỷ lệ cốt thép tính toán tối thiểu dựa theo kinh nghiệm của bản thân Song song đó, bước phân tích liên kết được thực hiện nhằm phân loại các mối nối dầm-cột trong kết cấu nhất định theo hướng của các bộ phận kết cấu Việc phân loại này giúp sắp xếp các thanh cốt thép trong các bộ phận của kết cấu theo cách không va chạm Kết cấu khung BTCT trước tiên được phân

Hình 3.2 Sơ đồ mô hình tự động bố trí cốt thép không va chạm

GVHD: TS NGUYỄN ANH THƯ HVTH: TRỊNH HOÀNG ANH chia thành các tầng riêng biệt để phân biệt các mối nối dầm-cột ở tầng điển hình với các mối nối dầm-cột ở tầng trên cùng Sau đó, một bản đồ định hướng được tạo cho từng tầng biểu thị các dầm và cột tương ứng ở tầng đó Bản đồ định hướng này giúp phân biệt các mối nối dầm-cột có cùng số lượng cấu kiện BTCT Ví dụ, khớp chữ L và khớp dầm đối diện Hình 3.2 có hai dầm và một cột Tất cả các cột ở mỗi tầng đều được phân tích để trích xuất thông tin của các dầm được kết nối, nhằm phân loại từng mối nối cột dầm thành các loại khác nhau Việc phân loại từng mối nối dầm-cột sau đó được lưu vào một tệp riêng để tính toán tiếp theo số lượng cốt thép trong mỗi cấu kiện

Hình 3.3 Bản đồ phân loại cấu trúc mối nối (Mangal et al., 2021)

Trái tim của mô hình này là hai Module 1 và 2 Trong đó, Module 1 sẽ phụ trách trích xuất các thông số từ mô hình BIM như các thông tin hình học của công trình, số tầng, ID cấu kiện dầm, cột, kích thước mặt cắt ngang, lớp bê tông bảo vệ, đường kính thép đai, số lượng thanh thép trong một lớp Đầu ra của Module 1 sẽ cung cấp đầu vào cho Module 2 để tiến hành các phương pháp bố trí cốt thép không va chạm Trong Module 2 thuật toán di truyền sắp xếp không trội NSGA_II được áp dụng để tìm kiếm phương án bố trí thép tối ưu, thỏa mãn các điều kiện biên và các hàm mục tiêu Module 2 lần lượt xét qua từng nhóm cấu kiện có mối liên hệ với nhau đã được phân loại từ bước Phân tích liên kết, phương án bố trí thép tối ưu cho từng nhóm cấu

GVHD: TS NGUYỄN ANH THƯ HVTH: TRỊNH HOÀNG ANH kiện được lưu lại và đánh giá xem giải pháp có đảm bảo yêu cầu về điều kiện biên và tiêu chuẩn thiết kế hay không Kết quả cuối cùng là một mô hình BIM không va chạm cốt thép.

Thiết kế mô hình tìm kiếm vị trí tối ưu cho cốt thép

3.4.1 Lựa chọn phương pháp tối ưu

Tối ưu hóa di truyền là một kỹ thuật tối ưu hóa sử dụng Thuật toán di truyền (GA) GA thường hoạt động trên các giải pháp được mã hóa dưới dạng biểu diễn kiểu gen (gọi là nhiễm sắc thể) được biểu diễn từ các giá trị dữ liệu thực tế ban đầu của chúng GA bắt đầu bằng một tập hợp các giải pháp ban đầu (quần thể khởi tạo) được tạo ngẫu nhiên trong không gian tìm kiếm Đối với mỗi giải pháp trong quần thể hiện tại, các hàm mục tiêu của vấn đề cần tối ưu hóa sẽ được đánh giá và giá trị thích hợp được ấn định để phản ánh giá trị (tương đối) của nó trong quần thể

Dựa trên các giá trị thích hợp, GA thực hiện thao tác lựa chọn nhằm tạo một tập hợp các giải pháp có giá trị thích nghi cao hơn từ thế hệ trước để tạo thành một quần thể các giải pháp có giá trị thích nghi cao Sau đó, hoạt động trao đổi chéo được thực hiện trong đó hai giải pháp gốc trong quần thể được chọn ngẫu nhiên và trao đổi với nhau, với xác suất chéo quy định, các thành phần chuỗi tương ứng của chúng tại các vị trí bit được chọn ngẫu nhiên được gọi là các vị trí trao đổi chéo Các giải pháp mới thu được được gọi là thế hệ con (children hay offspring) Bước này nhằm hy vọng kết hợp các thuộc tính tốt hơn từ các giải pháp gốc (thế hệ cha mẹ) để có thể tạo ra các giải pháp con có giá trị được cải thiện Hoạt động tiếp theo trong GA là đột biến làm thay đổi giá trị kiểu gen tại một hoặc nhiều vị trí bit được chọn ngẫu nhiên trong giải pháp con với xác suất đột biến quy định Hoạt động này mục đích để có thể tạo ra thông tin hữu ích mà có thể không bao giờ có thể truy cập được thông qua các hoạt động lựa chọn và trao đổi chéo và giúp tìm kiếm giải pháp trong một không gian hoàn toàn mới Sau ba hoạt động lựa chọn, trao đổi chéo, đột biến, một thế hệ mới được tạo ra Quá trình tìm kiếm tiếp tục cho đến khi đáp ứng các tiêu chí dừng, ví dụ: khi đạt được số lượng thế hệ tối đa hoặc việc cải thiện các giải pháp tối ưu hóa theo thế hệ là không đáng kể (Eiben, Raué và Ruttkay, 1994)

Không giống như các bài toán mục tiêu đơn trong đó bản thân hàm mục tiêu có thể được sử dụng làm thước đo độ phù hợp, GA hoạt động như một Tối ưu hóa đa mục tiêu (MOO), yêu cầu một thước đo mức độ phù hợp duy nhất kết hợp tất cả các tiêu chí đánh giá có trong tối ưu hóa Quy trình tối ưu hóa di truyền được trình bày như Hình 3.4

Hình 3.4 Quy trình tối ưu hóa di truyền NSGA-II (Non-dominated Sorting Genetic Algorithm II)

NSGA-II (Nondominated Sorting Genetic Algorithm II) là một thuật toán tiến hóa được thiết kế để giải quyết các bài toán tối ưu đa mục tiêu Nó là một phiên bản cải tiến của thuật toán NSGA (Nondominated Sorting Genetic Algorithm) ban đầu NSGA-II được giới thiệu bởi Kalyanmoy Deb và các cộng sự vào năm 2002 và đã trở thành một trong những thuật toán nổi tiếng nhất trong lĩnh vực tối ưu đa mục tiêu nhờ vào hiệu quả và tính đơn giản của nó Theo đó các đặc điểm chính của NSGA-II là:

- Phân loại không trội (Non-dominated Sorting): Thuật toán sắp xếp các cá thể trong quần thể thành các bậc không trội khác nhau Các cá thể trong cùng một bậc không ai trội hơn ai, trong khi đó các cá thể ở bậc thấp hơn (bậc 1) trội hơn các cá thể ở bậc cao hơn (bậc 2, 3, )

- Đa dạng hóa bằng khoảng cách đám đông (Crowding Distance): Để duy trì sự đa dạng trong quần thể, NSGA-II sử dụng khái niệm khoảng cách đám đông Khoảng cách này giúp đánh giá mức độ đông đúc của các cá thể xung quanh một cá thể cụ thể Những cá thể nằm ở những vùng ít đông đúc hơn sẽ được ưu tiên chọn lựa hơn

- Bảo tồn các giải pháp không trội: NSGA-II đảm bảo rằng các giải pháp không trội (Pareto-optimal) được bảo tồn qua các thế hệ Điều này giúp duy trì chất lượng của các giải pháp tối ưu đa mục tiêu trong quá trình tiến hóa

NSGA-II bao gồm 6 bước, được trình bày trong Hình 3.5 Ưu điểm của phương pháp NSGA-II nằm ở chỗ bảo tồn được sự đa dạng của các cá thể bằng cách sử dụng khoảng cách đám đông giúp duy trì sự đa dạng của quần thể, quan trọng trong việc tìm kiếm các giải pháp tối ưu đa mục tiêu Hơn nữa, thuật toán có cấu trúc đơn giản và dễ triển khai, phù hợp với nhiều bài toán thực tế Nhược điểm của thuật toán là chi phí tính toán cao cho quần thể lớn và phù hợp với số lượng mục tiêu ít (2-3 mục tiêu)

Do tính hiệu quả cao trong việc tìm kiếm các giải pháp gần tối ưu như đã đề cập ở mục 2.2.3, thuật toán GA và các biến thể của nó như hGA, GA-HJ… được ứng dụng nhiều trong các bài toán tối ưu cốt thép Bên cạnh đó, xem xét vấn đề tối ưu hóa bố trí cốt thép không va chạm như một bài toán tối ưu hóa đa mục tiêu, tác giả lựa chọn thuật toán NSGA-II trong gói Optimo để thực hiện nghiên cứu trong luận văn này

Hình 3.5 Sơ đồ thuật toán NSGA-II 3.4.2 Công cụ Optimo

Optimo là một gói phần mềm cho Dynamo được phát triển bởi Rahmani, Stoupine và các cộng sự vào năm 2015(Asl, Stoupine, Zarrinmehr, & Yan, 2015)

Optimo là một công cụ tối ưu hóa đa mục tiêu (MOO) dựa trên mã nguồn mở cho các hoạt động dựa trên BIM thông qua sự tương tác với Dynamo Optimo hoạt động dựa trên phiên bản sửa đổi của thuật toán di truyền sắp xếp không trội-II (NSGA-II) Thuật toán này hoạt động bằng cách tạo ra một tập hợp các số ngẫu nhiên trong một phạm vi và sử dụng chúng như các cá thể cha mẹ cho thuật toán tối ưu hóa Trong mỗi lần lặp, các cá thể con tối ưu được tạo ra sẽ được sử dụng làm cá thể cha mẹ, tiến tới giải pháp tối ưu nhất miễn là tiêu chí dừng chưa đạt được, như được minh họa trong Hình 3.5 Nhìn chung, thiết lập Optimo có thể được mô tả qua năm bước như được minh họa trong Hình 3.6

Hình 3.6 Sơ đồ thuật toán Optimo trong Dynamo

- Thông số đầu vào thứ nhất (Kích thước quần thể, số lượng mục tiêu, điều kiện ràng buộc): Kích thước quần thể là số lượng giá trị ngẫu nhiên được tạo ra giữa giới hạn trên và giới hạn dưới, kích thước quần thể càng lớn thì kết quả càng tốt Độ chính xác của quá trình tối ưu hóa liên quan đến thời gian tính toán cần thiết cho ra độ chính xác lớn hơn Theo Rahmani, Stoupine và các cộng sự (2015), không có giới hạn cho kích thước quần thể và đã có các bài kiểm tra với kích thước lên đến NP00 Số lượng mục tiêu xác định số lượng các hàm mục tiêu trong quá trình tối ưu hóa Mỗi mục tiêu sẽ chứa một nút tùy chỉnh và một hàm mục tiêu tương ứng Các biến số có phạm vi lựa chọn từ giới hạn dưới đến giới hạn trên hoặc chứa một danh sách các biến số

Hình 3.7 Thông số đầu vào thuật toán GA

- Thông số đầu vào thứ hai (Danh sách các hàm mục tiêu): Danh sách các hàm mục tiêu là danh sách chứa các hàm mục tiêu được tạo dưới dạng các nút tùy chỉnh trong Dynamo Giá trị hàm mục tiêu là một giá trị duy nhất đại diện cho độ phù hợp chung của giải pháp Các hàm mục tiêu được xây dựng bởi các nút tùy chỉnh, cho phép người dùng có thể cập nhật các hàm mục tiêu theo yêu cầu của bài toán

- Khởi tạo quần thể ban đầu: Quần thể ban đầu là một danh sách các giá trị nằm giữa giới hạn trên và giới hạn dưới Các giá trị ban đầu này được sử dụng để tạo ngẫu nhiên quần thể đầu tiên của các giải pháp, gán các giá trị mục tiêu cho danh sách quần thể

Hình 3.8 Hàm mục tiêu và vòng lặp thuật toán NSGA_II

- Quá trình trao đổi chéo: Phương pháp trao đổi chéo tạo ra hai vector mới từ hai cá thể độc lập khác nhau, được gọi là quần thể mới bằng việc kết hợp giữa vector trao đổi chéo và vector đột biến Trong NSGA_II phương pháp trao đổi chéo nhị phân được sử dụng Vector mới 𝑣 được tạo ra bằng cách lựa chọn ngẫu nhiên các thành phần từ vector 𝑢 và vector mục tiêu 𝑥 dựa trên hệ số xác suất 𝑝 = 0.9 trong nghiên cứu này

𝐶𝑅 ∈ [0: 1] là xác suất trao đổi chéo của mỗi bit

- Quá trình đột biến: Phương thức đột biến được sử dụng trong nghiên cứu này là đột biến từng bit trong mỗi nghiệm con riêng biệt Nghĩa là từ mỗi nghiệm bố mẹ sinh ra một nghiệm con sau đột biến với xác suất đột biến 𝑝 = 0.1 trong nghiên cứu này

Phương pháp giải quyết vấn đề trong bài toán

Phần này trình bày tuần tự các bước tiến hành trong quá trình tìm ra lời giải tối ưu cho bài toán bố trí cốt thép không va chạm Bên cạnh đó một số bước cải tiến so với gói Optimo để phù hợp với yêu cầu thực tế từ bài toán cũng được trình bày

Bảng 3-1 Mã giả của thuật toán tối ưu Thuật toán bố trí cốt thép không va chạm

Bắt đầu Đầu vào: Vector khoảng cách thép dầm và cột 𝑉 , 𝑉 ;

Vector đường kính thép dầm và cột 𝐷 , 𝐷 ; offset,𝑐 , 𝑐 , 𝑑 ,𝑤 , 𝑙𝑜𝑤𝑒𝑟𝑙𝑖𝑚𝑖𝑡, 𝑢𝑝𝑝𝑒𝑟𝑙𝑖𝑚𝑖𝑡;

Số thế hệ tối đa T, Kích thước quần thể P,𝑝 ,𝑝

Hàm mục tiêu: 𝐼 , 𝛿 Đầu ra: 𝑚𝑖𝑛 𝐼 (𝑥)

3 Tính toán hàm thích nghi P(t=0);

8 Tính toán hàm thích nghi 𝑃 (𝑡);

3.5.1 Khởi tạo quần thể ban đầu và cá thể tham chiếu

Mục tiêu của bước này là tạo ra tập hợp ban đầu các biến số ngẫu nhiên trong phạm vi được cung cấp và với kích thước quần thể do người dùng xác định

Nút khởi tạo quần thể ban đầu của gói Optimo sẽ trả về danh sách các số thực ngẫu nhiên trong phạm vi được chỉ định với số lượng biến được cung cấp Tuy nhiên đối với thực tế của công việc lắp đặt cốt thép, dung sai nhỏ nhất có thể đo đạc được là đơn vị 1mm, do đó việc cung cấp các giá trị số thực ngẫu nhiên sẽ làm tăng chi phí tính toán và khó kiểm soát đầu vào của các hàm mục tiêu Trong nghiên cứu này, tác giả đã xây dựng nút NSGA_II_InitialPopulation tạo ra một danh sách các số nguyên ngẫu nhiên (quần thể ban đầu) trong phạm vi được chỉ định và với số lượng biến được xác định từ số thanh thép của cấu kiện dầm và cột

Bảng 3-2 Đầu vào/ra Nút khởi tạo quần thể Đoạn mã khởi tạo quần thể ban đầu được trình bày bằng ngôn ngữ Python thông qua nút tùy chỉnh được cung cấp bởi Dynamo, được trình bày trong Hình 3.10

IN [0] = Bề rộng cột wc

IN [1] = Bề rộng dầm wb

IN [2] = Lớp bảo vệ cover

IN [10] = Kích thước quần thể

IN [11] = Số lượng hàm fitness

Out = Quần thể ngẫu nhiên ban đầu

Hình 3.10 Đoạn mã khởi tạo quần thể ban đầu Trong bước này, nút khởi tạo cá thể tham chiếu dùng để tính toán cho giá trị

𝛿 cũng được xây dựng tương tự như nút khởi tạo quần thể ban đầu Cá thể tham chiếu xuất phát từ sự thuận tiện trong công tác bố trí cốt thép ban đầu đã được trình bày ở mục 3.4.3, các vector khoảng cách thép được xem như phân bố đều với giá trị là số nguyên

3.5.2 Xây dựng đoạn mã các hàm mục tiêu

Các nút fitness là các nút hàm mục tiêu, hoạt động bằng cách để trống các tham số cần tối ưu hóa Điều này cho phép Dynamo có thể điền các tham số này bằng dữ liệu Trong trường hợp tối ưu hóa di truyền, các tham số này sẽ bao gồm quần thể Thông tin từ quần thể hiện tại được kết hợp với các thông số đầu vào được cung cấp trước đó và một hàm đầu ra bao gồm các giá trị tính toán được trả về thông qua đầu ra của nút, xuất ra giá trị hàm mục tiêu của quần thể hiện tại

Hình 3.11 Nút tùy chỉnh của hàm mục tiêu δ_clash

Hình 3.12 Đoạn mã của hàm mục tiêu δ_clash

Nút 𝛿 , giá trị đầu vào IN [0] nhận vector cá thể tham chiếu được gởi từ nút khởi tạo cá thể tham chiếu dùng để tính toán độ lệch của quần thể cần xem xét so với cá thể tham chiếu IN [1] nhận các tham số cần tối ưu hóa, trong trường hợp này là một quần thể cần kiểm tra độ thích nghi Đầu ra của nút 𝛿 là một giá trị có kiểu dữ liệu double với đơn vị là mm

Hình 3.13 Nút tùy chỉnh của hàm mục tiêu I_clash

Bảng 3-3 Đầu vào/ra Nút hàm mục tiêu I_clash

Hàm mục tiêu 𝐼 được tính toán bằng cách thay các các giá trị “0” và “1” vào vector biểu diễn các bố trí thép trong dầm và cột Trong đó, “1” đại diện cho vị trí bị chiếm với các thanh thép, “0” là các vị trí không bị chiếm bởi thép Sau đó tiến

IN [0] = Vector đường kính thép dầm và cột

IN [1] = Vector khoảng cách thép dầm và cột

IN [2] = Lớp bảo vệ cover, dt, offset

IN [3] = Điều kiện ràng buộc (11)

IN [4] = Điều kiện ràng buộc (10)

IN [5] = Số thanh thép dầm

Out = Giá trị va chạm tính bằng đơn vị %

GVHD: TS NGUYỄN ANH THƯ HVTH: TRỊNH HOÀNG ANH hành cộng lần lượt các vị trí tương ứng ở hai vector dầm và cột Để thực hiện bước cộng vector này, cần đảm bảo chiều dài của hai vector là bằng nhau Sau bước cộng hai vector, những vị trí có giá trị lớn hơn hoặc bằng “2” thể hiện vị trí va chạm của hai thanh thép dầm và cột Độ lớn của va chạm là chỉ số 𝐼 đã được trình bày chi tiết tại mục 3.4.3 Chi tiết đoạn mã của hàm mục tiêu 𝐼 được trình bày trong Hình 3.14

Hình 3.14 Đoạn mã của hàm mục tiêu I_clash

3.5.3 Tối ưu hóa di truyền bằng NSGA_II

Khối tối ưu hóa di truyền bằng NSGA_II được trình bày trong Hình 3.15 bao gồm danh sách các hàm mục tiêu và vòng lặp của hàm NSGA_II Chi tiết từng nút trong khối được mô tả ở Bảng 3-4

Hình 3.15 Khối tối ưu hóa di truyền bằng NSGA_II

Bảng 3-4 Giải thích khối tối ưu hóa di truyền

1 Khối hàm mục tiêu bao gồm 𝛿 , 𝐼 và nút tạo danh sách hàm mục tiêu

2 Nút Function.Apply gán các giá trị trong quần thể vào hàm mục tiêu để tính toán

3 Nút điều kiện dừng của vòng lặp

5 Hàm I_clash NSGA_II được xây dựng dựa trên thuật toán tiến hóa di truyền

Trong khối này, Hàm I_clash NSGA_II (5) là hàm quan trọng nhất trong quá trình tối ưu hóa này Nội dung của nút I_clash NSGA_II được trình bày trong Hình 3.16 Chức năng của nút này là chạy đệ quy thuật toán NSGA_II để tạo ra số lượng thế hệ được chỉ định Nội dung trong nút đã được tác giả tùy chỉnh để phù hợp với yêu cầu của bài toán cần tối ưu

Hình 3.16 Nút tùy chỉnh I_clash NSGA_II (1) Đầu vào đầu tiên cho nút tùy chỉnh này, "init," là một danh sách chứa hai phần tử: Phần tử đầu tiên trong danh sách (chỉ mục [0]) là một bộ đếm, theo dõi số lần hàm đã chạy Điều này cần thiết trong nút Kiểm tra hoàn thành vòng lặp (Loop Completion Check) Phần tử thứ hai (chỉ mục [1]) trong danh sách là quần thể từ thế hệ trước

(2) Phần tử thứ hai từ đầu vào "init" được đưa vào nút NSGA_II IntGAwConstraint như một đầu vào cùng với cận dưới, cận trên, điều kiện ràng buộc (10), (11) (có cùng mục đích như trong không gian làm việc chính) Thuật toán tạo ra một quần thể mới dựa trên thế hệ trước, được gọi là “bộ giải pháp con” hoặc

“offspring” Trong nút này, các điều kiện ràng buộc (10), (11) được tác giả thêm vào như một cổng kiểm soát các quần thể con Nhằm đảm bảo sau quá trình tiến hóa, kích thước của các cá thể con vẫn bằng nhau, thỏa mãn yêu cầu đầu vào của hàm mục tiêu

(3) Độ phù hợp của thế hệ mới này sau đó được kiểm tra với các hàm mục tiêu giống như trong tệp Dynamo chính, và kết quả của hàm mục tiêu sẽ ghi đè lên các mục tiêu trong thế hệ mới này

ỨNG DỤNG QUY TRÌNH ĐỀ XUẤT VÀO TRƯỜNG HỢP ĐIỂN HÌNH

Trường hợp điển hình 1

Bước 1: Xác định các thông số đầu vào

Trong THĐH này, dầm có chiều rộng 400mm với 4 thanh cốt thép đường kính 25mm ở lớp trên, và cột có chiều rộng 600mm với 6 thanh cốt thép đường kính 28mm được liên kết với nhau theo phương Y như Hình 4.3 Độ lệch giữa mặt ngoài của dầm và cột (offset) là 70mm Để đơn giản hóa việc tính toán, lớp bê tông bảo vệ được lấy giá trị 25mm và đường kính thép đai của cột là 10mm Các giá trị điều kiện biên dưới và điều kiện biên trên của các biến khoảng cách được lấy trong khoảng từ 50mm đến 150mm như đã trình bày ở 3.4.3 Tổng số biến cần tối ưu là 8 Trong đó, số lượng biến biểu diễn khoảng cách thanh thép dầm là 3 biến và số biến biểu diễn khoảng cách thanh thép cột là 5 biến

Hình 4.3 Trường hợp điển hình 1 Trong việc áp dụng gói Optimo, theo (Asl et al., 2015) không có giới hạn số lượng cá thể trong khởi tạo quần thể ban đầu Tuy nhiên với những kinh nghiệm áp dụng thuật toán NSGA_II được chia sẻ từ cộng đồng Dynamo, số lượng cá thể trong quần thể khởi tạo ban đầu là số chẵn và bằng 3 – 4 lần số biến cần tối ưu Trường hợp này, tác giả khởi tạo quần thể ban đầu với 30 cá thể và số vòng lặp tối đa là 20 Bước 2: Nhập các thông số đầu vào

Bảng 4-1 Các thông số đầu vào

1 Bề rộng cột wc: 600 8 Số thanh thép dầm: 4

2 Bề rộng dầm wb: 400 9 Offset: 70

3 Lớp bê tông bảo vệ: 25 10 Ràng buộc biên dưới: 50

4 Đường kính thép đai: 10 11 Ràng buộc biên trên: 150

5 Đường kính thép cột: 28 12 Kích thước quần thể: 30

6 Đường kính thép dầm: 25 13 Số lượng hàm mục tiêu: 2

7 Số thanh thép cột: 6 14 Số vòng lặp: 20

Bước 3: Khởi tạo quần thể ban đầu và cá thể tham chiếu

Bảng 4-2 Quần thể khởi tạo ban đầu

No Quần thể khởi tạo ban đầu

Vector khoảng cách thép dầm Vector khoảng cách thép cột

Bảng 4-3 Cá thể tham chiếu

No Cá thể tham chiếu

Vector khoảng cách thép dầm Vector khoảng cách thép cột

Bước 4: Đánh giá hàm mục tiêu của từng cá thể

Bảng 4-4 Giá trị hàm mục tiêu của quần thể khởi tạo

NO Giá trị mục tiêu quần thể khởi tạo

Vector khoảng cách thép dầm Vector khoảng cách thép cột δ_clash I_clash

Bảng 4-5 Giá trị hàm mục tiêu của cá thể tham chiếu

NO Giá trị mục tiêu cá thể tham chiếu

GVHD: TS NGUYỄN ANH THƯ HVTH: TRỊNH HOÀNG ANH Ở bước này, lần lượt các cá thể trong quần thể khởi tạo được đánh giá thông qua hai hàm mục tiêu là I_clash và δ_clash Các giá trị hàm mục tiêu của từng cá thể được ghi nhận trong Bảng 4-4 Quần thể khởi tạo trong trường hợp này đã trả về ba giá trị tối ưu của các hàm mục tiêu Các giá trị I_clash nhỏ nhất bằng 0 xuất hiện tại cá thể số 1, 7 và 27 Biểu đồ phân bố giá trị hàm mục tiêu của quần thể khởi tạo được trình bày trong Hình 4.4

Trong bước này, giá trị hàm mục tiêu của cá thể tham chiếu cũng được tính toán

Cá thể tham chiếu được khởi tạo dựa trên sự thuận tiện trong công tác bố trí thép hiện nay, các thanh cốt thép được bố trí cách đều nhau trong phạm vi chiều rộng của dầm hoặc cột sau khi đã trừ đi lớp bê tông bảo vệ và đường kính cốt thép đai Trong trường hợp này, cá thể tham chiếu có giá trị I_clash bằng 0 Điều đó có nghĩa cách bố trí đều nhau cũng là một phương pháp bố trí thép không va chạm có thể tham khảo

Hình 4.4 Biểu đồ phân bố giá trị hàm mục tiêu của các cá thể khởi tạo

Bước 5: Tạo thế hệ con và vòng lặp Ở bước này các thể hệ con lần lượt được tạo ra qua các vòng lặp, cho đến khi đạt được giá trị dừng là 20 vòng lặp

Bảng 4-6 Giá trị hàm mục tiêu của quần thể Loop 2

NO Giá trị mục tiêu quần thể Loop 2

Hình 4.5 Biểu đồ Pareto set hàm mục tiêu quần thể Loop 1 và Loop 2

Ngay từ vòng lặp 2, thuật toán đã trả về 4 cá thể có giá trị I_clash bằng 0 tại các vị trí 1, 3, 12, và 26 Đối với các cá thể này, cách bố trí là hoàn toàn khác nhau, dẫn đến các giá trị δ_clash đo lường độ lệch của cá thể đó với cá thể tham chiếu cũng khác nhau Độ lệch lớn nhất δ_clash bằng 48.90808 xuất hiện ở cá thể 12, và độ lệch nhỏ nhất δ_clash bằng 5.099 xuất hiện ở cá thể số 3 Biểu đồ Pareto hàm mục tiêu được thể hiện trong Hình 4.5

Tại vòng lặp 5, cũng xuất hiện 3 cá thể có giá trị I_clash bằng 0 tại vị trí 1, 15, và

30 Trong vòng lặp này, giá trị δ_clash đang có xu hướng giảm dần hội tụ dần về 0 Xuất hiện giá trị δ_clash bằng 1.4142 tại cá thể ở vị trí 15, song song đó giá trị δ_clash lớn như 48.90808 vẫn xuất hiện sau 3 vòng lặp Điều này chứng minh rằng các cá thể có giá trị thích nghi tốt được truyền lại cho thế hệ sau

Hình 4.6 Biểu đồ Pareto set hàm mục tiêu quần thể Loop 1, 2 và 5

Hình 4.6 biểu diễn sự phân bố của giá trị các hàm mục tiêu của các cá thể qua các vòng lặp 1, 2 và 5 Qua đó cho thấy, sự phát triển dần của các giá trị thích nghi qua các vòng lặp So với vòng lặp 2 thì ở vòng lặp 5 các cá thể có độ thích nghi cao hơn thông qua việc xuất hiện nhiều chỉ số δ_clash có giá trị thấp

30 78 78 74 91 50 92 63 66 36.11094 0.001667 Ở vòng lặp 10, các cá thể có giá trị I_clash bằng 0 tại vị trí 1, 12 và 14 Trong đó, cá thể ở vị trí 12 có giá trị δ_clash nhỏ nhất bằng 1,4142 Đây có thể là giá trị tối ưu nhất trong trường hợp điển hình này Với cách bố trí ở cá thể vị trí 12 không xuất hiện va chạm giữa cốt thép dầm và cột, cũng như khoảng các dịch chuyển, thay đổi vị trí của thanh thép so với cách làm thuận tiện là ít nhất

Tiếp tục thực hiện vòng lặp cho đến khi đạt được số vòng lặp xác định ban đầu là 20, cá thể ở vị trí 4 có giá trị hàm mục tiêu tốt nhất xuất hiện từ vòng lặp 10 vẫn không thay đổi Điều đó cho thấy, với cách bố trí như cá thể 4, trường hợp điển hình

1 đạt giá trị tối ưu nhất

Hình 4.7 Biểu đồ Pareto set quần thể tại Loop 1, 2, 5, 10 và Loop 20

Sau khi đạt điều kiện dừng là kết thúc 20 vòng lặp, thuật toán trả về kết quả tối ưu ở vòng lặp thứ 20 Dữ liệu kết quả được ghi nhận trong THĐH này trả về 6 kết quả bố trí cốt thép không va chạm, có giá trị I_clash đạt cực tiểu bằng 0 Trong đó, cá thể ở vị trí số 4 có độ lệch so với cá thể tham chiếu là nhỏ nhất, δ_clash bằng 1,4142 đơn vị Bảng 4-10 tổng hợp vector bố trí thép giữa cá thể tham chiếu và các cá thể tối ưu trong THĐH 1 tại Loop 20

Bảng 4-10 Vector bố trí thép tối ưu trong THĐH 1

NO Cá thể tham chiếu và Cá thể tối ưu ở Loop 20

NO Khoảng cách các thanh thép đo từ tâm đến tâm thanh thép

Khoảng cách thép dầm Khoảng cách thép cột δ_clash I_clash

Loop 1 Loop 2 Loop 5 Loop 10 Loop 20

Trong THĐH 1 với trường hợp nút giao dầm cột đơn giản với số biến cần tối ưu là 8, thuật toán với số vòng lặp cài đặt ban đầu là 20 đã tìm ra được kết quả tối ưu cho việc bố trí thép không va chạm Theo kết quả được ghi nhận qua từng vòng lặp, ngay tại vòng khởi tạo, thuật toán đã trả về 3 kết quả tối ưu có I_clash bằng 0 và δ_clash nhỏ nhất bằng 24.0832 tại cá thể số 27 Tuy nhiên, do đặc điểm của thuật toán chỉ dừng lại khi đạt được số vòng lặp tối đa, nên thuật toán vẫn tiếp tục chạy tối ưu từ quần thể này Ở vòng lặp thứ 10 (Loop 10), thuật toán đã trả về 3 kết quả tối ưu có I_clash bằng 0 và δ_clash bằng 1,414 tại cá thể số 12 Kết thúc vòng lặp thứ 20 (Loop 20) kết quả tối ưu thể hiện ở cá thể số 4 có I_clash bằng 0 và δ_clash bằng 1,414 không thay đổi kể từ vòng lặp số 10

Chỉ số δ_clash giảm từ 24.0832 tại Loop 2 về giá trị 1.41 tại Loop 10 cho thấy quá trình tiến hóa của quần thể tiến dần đến vị trí tối ưu Mặc dù từ Loop 1, đã xuất hiện một số kết quả thỏa yêu cầu của đề bài, nhưng những vòng lặp sau cho thấy vẫn còn có thể tối ưu được kết quả hiện tại và đạt được chi phí δ_clash thấp hơn Hình 4.8 mô phỏng kết quả tối ưu của THĐH 1, khoảng cách trong hình này được tính từ tâm của hai thanh cốt thép liền kề

Hình 4.8 Minh họa kết quả THĐH 1Trước khi tối ưu Cá thể ví trí 4 Cá thể ví trí 7 Cá thể ví trí 29

Dầm có chiều rộng 850mm với 8 thanh cốt thép đường kính 25mm ở lớp trên, và cột có chiều rộng 900mm với 9 thanh cốt thép đường kính 28mm Độ lệch giữa mặt ngoài của dầm và cột (offset) là 30mm Lớp bê tông bảo vệ được lấy giá trị 25mm và đường kính thép đai của cột là 10mm Các giá trị điều kiện biên dưới và điều kiện biên trên của các biến được lấy trong khoảng từ 50mm đến 150mm Tổng số biến cần tối ưu là 15 Quần thể ban đầu với 30 cá thể và số vòng lặp tối đa là 100

Hình 4.9 Trường hợp điển hình 2 Bước 2: Nhập các thông số đầu vào

Bảng 4-11 Các thông số đầu vào

Bước 3 và 4: Đánh giá hàm mục tiêu của từng cá thể

Bảng 4-12 Giá trị hàm mục tiêu của quần thể khởi tạo

No Giá trị mục tiêu quần thể khởi tạo

Bảng 4-13 Giá trị hàm mục tiêu của cá thể tham chiếu

No Giá trị mục tiêu cá thể tham chiếu

Các giá trị hàm mục tiêu của từng cá thể trong quần thể khởi tạo được ghi nhận trong Bảng 4-12 Quần thể khởi tạo trong trường hợp này không trả về giá trị tối ưu

GVHD: TS NGUYỄN ANH THƯ HVTH: TRỊNH HOÀNG ANH của các hàm mục tiêu Giá trị I_clash nhỏ nhất đạt 0.00779 tại cá thể số 7 Biểu đồ phân bố giá trị hàm mục tiêu của quẩn thể khởi tạo được trình bày trong Hình 4.10 Giá trị hàm mục tiêu của cá thể tham chiếu cũng được tính toán Trong trường hợp này, cá thể tham chiếu có giá trị I_clash đạt 0.00889 Giá trị này cho thấy với cách bố trí thuận tiện phân bố đều hiện tại, tồn tại vị trí mà tại đó thép dầm và thép cột va chạm với nhau, chiếm tỷ lệ 0,89% trên số đo chiều rộng của cột

Hình 4.10 Biểu đồ phân bố giá trị hàm mục tiêu của các cá thể khởi tạo

Bước 5: Tạo thế hệ con và 100 vòng lặp

Bảng 4-14 Giá trị hàm mục tiêu của quần thể Loop 2 Ở vòng lặp 2, thuật toán trả về 2 cá thể có giá trị I_clash nhỏ ở vị trí số 22 có

I_clash bằng 0.0155 và vị trí số 18 có I_clash bằng 0.0077 Lần lượt các giá trị δ_clash tương đối lớn là 62.8331 và 25.9615 cho thấy để đạt được giá trị va chạm gần tối ưu thì các thanh thép cần được dịch chuyển vị trí tương đối nhiều so với cách phân bố đều

Hình 4.11 biểu diễn sự phân bố giá trị hàm mục tiêu của các cá thể trong quần thể qua 2 vòng lặp Ở quần thể khởi tạo các giá trị hàm mục tiêu phân bố rải rác ở nửa trên của biểu đồ Tuy nhiên chỉ qua một vòng lặp, các giá trị hàm mục tiêu có khuynh hướng tập trung về nửa dưới của biểu đồ, tiến dần về vị trí có I_clash thấp

No Giá trị mục tiêu quần thể Loop 2

Hình 4.11 Biểu đồ Pareto set hàm mục tiêu quần thể Loop 1 và Loop 2

GVHD: TS NGUYỄN ANH THƯ HVTH: TRỊNH HOÀNG ANH Đến vòng lặp 10, thuật toán trả về 2 cá thể có giá trị I_clash nhỏ ở vị trí số 2 có I_clash đạt giá trị bằng 0 và vị trí số 15 có I_clash bằng 0.00889 Lần lượt các giá trị δ_clash là 31.1769 và 60.2992

Hình 4.12 biểu diễn sự phân bố giá trị hàm mục tiêu của các cá thể trong quần thể tại các vòng lặp

Hình 4.12 Biểu đồ Pareto set hàm mục tiêu quần thể Loop 1, 2 và 10

Sau 100 vòng lặp, thuật toán trả về một cá thể có δ_clash bằng 1.4142 tại vị trí số 27, đây là cách bố trí thép có khoảng cách đều được dùng để tham chiếu với các cá thể tối ưu khác Điều đó cho thấy, đây cũng là một phương án bố trí cần được xem xét

Thuật toán cũng trả về một cá thể có giá trị I_clash bằng 0 với δ_clash bằng 28.8097 tại vị trí thứ 24 Bên cạnh đó là hai cá thể có I_clash bằng 0.00889 tại vị trí

11, 26 và 27 Việc giá trị I_clash bằng 0.00889 xuất hiện từ Loop 2 và lặp lại đến Loop 100 mà không có sự cải thiện cho thấy trường hợp này cần được lưu ý Phần bàn luận cụ thể về trường hợp điển hình 2 sẽ được trình bày trong phần Kết quả và nhận xét

Hình 4.13 mô tả sự phân bố của các giá trị hàm mục tiêu của quần thể ở các Loop 1, 2, 10, 50 và 100 Qua từng vòng lặp, giá trị hàm mục tiêu có sự cải thiện và hội tụ dần về 0

Hình 4.13 Biểu đồ Pareto hàm mục tiêu quần thể Loop 1, 2, 10, 50 và 100

Loop 1 Loop 2 Loop 10 Loop 50 Loop 100

Bước 6: Kết quả và nhận xét

Sau khi kết thúc 100 vòng lặp, thuật toán trả về một cá thể có I_clash bằng 0 tại vị trí số 24 Tuy nhiên, sau khi xem xét khoảng cách bố trí thép dầm và cột, tổng khoảng cách bố trí thép cột vi phạm ràng buộc (11), do đó cá thể này phải bị loại bỏ

Bên cạnh đó, các cá thể có I_clash bằng 0.00889 được lặp lại từ Loop 2 đến

Loop 100 Mặc dù có sự giảm dần của giá trị δ_clash, tuy nhiên chỉ số I_clash bằng

0.00889 không mất đi qua nhiều vòng lặp chứng tỏ có 2 tình huống có thể xảy ra

Một là, thuật toán đã rơi vào trạng thái tối ưu hóa cục bộ, cần kết hợp với các phương pháp khác để thoát khỏi trạng thái tối ưu hóa cục bộ này Hai là, với trường hợp này không tìm thấy được phương án bố trí thép không va chạm, cần phải có sự điều chỉnh về kích thước dầm, số lượng thanh thép hoặc thay đổi hình dạng thanh thép cho phù hợp Các tình huống này sẽ được bàn luận cụ thể ở CHƯƠNG 5 Kết luận và kiến nghị

Thực tế, đối với trường hợp này, trong Hình 4.14 cũng minh họa kết quả của

THĐH 2 Chiều rộng của cột là 900mm so với chiều rộng của dầm là 850mm có sự chênh lệch 50mm Trong trường hợp này, đường kính thép cột là 28mm, 2 thanh thép ở vị trí 1 và 9 cần phải được cố định để đảm bảo chiều rộng làm việc của cột

Tương tự như vậy, 2 thanh thép ở vị trí 1 và 8 của thép dầm cũng phải được cố định để đảm bảo chiều rộng làm việc của dầm Để tránh va chạm giữa 2 thanh số 1 của thép cột và số 1 của thép dầm, một offset 30mm được thêm vào để điều chỉnh vị trí của thanh dầm Tuy nhiên phần chênh lệch còn lại 20mm không đủ để 2 thanh thép

8 và 9 không va chạm với nhau Do đó, ở trường hợp này không tồn tại một phương án bố trí không va chạm nếu không thay đổi kích thước dầm, cột hoặc không thay đổi hình dạng của thanh thép số 8

Bảng 4-18 Vector bố trí thép tại Loop 100

No Cá thể tối ưu ở Loop 100

Hình 4.14 minh họa kết quả của THĐH 2 ở vòng lặp 100 Các cá thể ở vị trí

Dầm G5 có chiều rộng 450mm với 3 thanh cốt thép đường kính 32mm ở lớp trên Dầm G12 có chiều rộng bằng nhau 650mm với 5 thanh thép đường kính 28mm ở lớp trên Cột C9 có chiều rộng 750mm với 6 thanh cốt thép theo phương X và 7 thanh cốt thép theo phương Y, đường kính 32mm Độ lệch giữa mặt ngoài của dầm và cột (offset) lần lượt là 50mm và 35mm như Hình 4.15 Lớp bê tông bảo vệ được lấy giá trị 25mm và đường kính thép đai của cột là 10mm Các giá trị điều kiện biên dưới và điều kiện biên trên của các biến khoảng cách được lấy trong khoảng từ 50mm đến 150mm như như THĐH 1 Tổng số biến cần tối ưu là 7 biến theo phương X và

10 biến theo phương Y Để tăng tốc độ hội tụ trong THĐH này, tác giả khởi tạo quần thể ban đầu với 200 cá thể và số vòng lặp cho dầm G5 là 200 và dầm G12 là 50

Hình 4.15 Trường hợp điển hình 3

Bước 2: Nhập các thông số đầu vào

Bảng 4-19 Các thông số đầu vào dầm G5

Bảng 4-20 Các thông số đầu vào dầm G12

Bước 3 và 4: Đánh giá hàm mục tiêu của từng cá thể

Bảng 4-21 Giá trị hàm mục tiêu của quần thể khởi tạo dầm G5

NO Giá trị mục tiêu quần thể khởi tạo dầm G5

Vector thép dầm Vector khoảng cách thép cột δ_clash I_clash

200 136 148 72 60 82 126 148 75.04665 0.013333 Đối với trường hợp của dầm G5, với số lượng biến cần tối ưu trong một cá thể là 7, tác giả đã khởi tạo quần thể ban đầu với 200 cá thể, gấp hơn 28 lần số biến cần tối ưu với mục đích đẩy nhanh tốc độ hội tụ Ngay từ bước khởi tạo và đánh giá hàm mục tiêu của quần thể khởi tạo đã có 31 trên 200 cá thể đạt giá trị I_clash bằng 0 Các giá trị đạt I_clash bằng 0 đều có δ_clash dao động từ 48.805 đến 94.973, điển hình một số cá thể ở vị trí số 1, 2, 4 và 6

Bảng 4-22 Giá trị hàm mục tiêu của quần thể khởi tạo dầm G12

NO Giá trị mục tiêu quần thể khởi tạo dầm G12

Trường hợp của dầm G12, với số biến cần tối ưu trong một cá thể là 10 biến, quần thể khởi tạo ban đầu với 200 cá thể, gấp 20 lần số biến cần tối ưu Có 7 trên 200 cá thể đạt giá trị I_clash bằng 0 và các giá trị δ_clash dao động từ 61.7414 đến 102.4305

Bảng 4-21, 22 trình bày các cá thể của quần thể khởi tạo ban đầu Các cá thể có giá trị hàm mục tiêu I _clash bằng 0 được làm nổi bật để theo dõi Ở các vòng lặp sau,

GVHD: TS NGUYỄN ANH THƯ HVTH: TRỊNH HOÀNG ANH do số lượng cá thể có I _clash bằng 0 xuất hiện nhiều, các bảng biểu sẽ tập trung thống kê các cá thể có I _clash bằng 0

Hình 4.16 Biểu đồ phân bố hàm mục tiêu quần thể G5 Loop 1

Hình 4.17 Biểu đồ phân bố hàm mục tiêu quần thể G12 Loop 1

Hình 4.16 và 4.17 lần lượt là biểu đồ phân bố hàm mục tiêu quần thể khởi tạo của dầm G5 và G12 Ngay từ quần thể khởi tạo đã có những cá thể có giá trị I _clash bằng 0 xuất hiện, biểu diễn bằng các chấm tròn trên trục 0 của giá trị I _clash

Bước 5: Tạo thế hệ con và các vòng lặp

Bảng 4-23 Hàm I_clash bằng 0 của quần thể G5 tại Loop 2

NO Giá trị mục tiêu quần thể dầm G5 Loop 2

Tại Loop 2, có 29 cá thể dầm G5 đạt giá trị I _clash bằng 0 Trong đó giá trị δ_clash có sự thay đổi khi giá trị δ_clash nhỏ nhất đạt 33.555 tại cá thể vị trí 20 và

27 Dầm G5 có số biến ít hơn nhiều so với số lượng quần thể, do đó xuất hiện nhiều cá thể đạt giá trị I _clash tối ưu hơn so với dầm G12

Tại Loop 2 của dầm G12, có 8 cá thể đạt giá trị I _clash bằng 0 Trong đó giá trị δ_clash có sự thay đổi khi giá trị δ_clash nhỏ nhất đạt 62.514 sau khi tăng từ 61.741, tại cá thể vị trí 7

Hình 4.18 Biểu đồ Pareto hàm mục tiêu quần thể G5 Loop 1, 2

Hình 4.19 Biểu đồ Pareto hàm mục tiêu quần thể G12 Loop 1, 2

Sự phân bố giá trị các hàm mục tiêu của các cá thể trong Loop 2 so với Loop 1 ở dầm G5 và G12 trong Hình 4.18 và Hình 4.19 thuật toán có khuynh hướng mở rộng vùng tìm kiếm Do tính chất ngẫu nhiên trong quá trình tạo ra quần thể mới, do đó khuynh hướng mở rộng vùng tìm kiếm này chưa thể hiện rõ xu hướng tìm kiếm

Qua các vòng lặp, số lượng cá thể có giá trị I _clash bằng 0 xuất hiện trong quần thể có khuynh hướng giảm dần Tại bảng Bảng 4-25 dầm G5 tại Loop 10 có 26 cá thể đạt giá trị I _clash bằng 0, đến Loop 100 thống kê tại Bảng 4-27 chỉ còn lại 16 cá thể thỏa điều kiện I _clash bằng 0 Ở các cá thể dầm G12 có sự thay đổi, tăng từ 2 cá thể tối ưu tại Loop 10 trong Bảng 4-26 lên thành 4 cá thể thỏa điều kiện I _clash bằng 0 được thống kê trong Loop 20 tại Bảng 4-28

Hình 4.20 Biểu đồ Pareto hàm mục tiêu quần thể G5 Loop 1, 2, 10, 100

Hình 4.21 Biểu đồ Pareto hàm mục tiêu quần thể G12 Loop 1, 2, 10, 20

Hình 4.20, Hình 4.21 minh họa sự phân bố của quần thể dầm G5 và G12 tại các vòng lặp Trong các biểu đồ xuất hiện một đường biên Pareto được biểu diễn bằng đoạn thẳng màu xanh, mà tại đó không tồn tại giá trị hàm mục tiêu nào có thể tối ưu hơn Ở các vòng lặp sau, thuật toán tìm kiếm có khuynh hướng ở rộng vùng tìm kiếm mà không vi phạm mặt trong biên Pareto.

Các vòng lặp tiếp tục thực hiện cho đến khi đạt được số vòng lặp xác định ban đầu là 200 ở dầm G5 và 50 ở dầm G12 Ở vòng lặp cuối cùng, quần thể dầm G5 có

16 cá thể cho giá trị I _clash bằng 0, cá thể có δ_clash nhỏ nhất là 49.1324 ở vị trí số

4 và δ_clash lớn nhất là 93.048 ở vị trí số 5 Quần thể dầm G12 có 5 cá thể cho giá trị I _clash bằng 0, cá thể có δ_clash nhỏ nhất là 46.2385 ở vị trí số 1 và δ_clash lớn nhất là 53.7029 ở vị trí số 5

Hình 4.22 Biểu đồ Pareto hàm mục tiêu dầm G5 Loop 1, 2, 10, 100 và 200

Đánh giá kết quả của thuật toán

Thuật toán được xử lý trên bộ vi xử lý Intel(R) Core(TM) i7-8565U CPU @ 1.80GHz (8 CPUs) Thời gian cần thiết để thực hiện việc tối ưu hóa phụ thuộc vào độ phức tạp của mô hình, số biến cần tối ưu, độ lớn quần thể cần tạo ra, số vòng lặp được chỉ định Bảng 4-32 tổng hợp 3 trường hợp điển hình và thời gian cần để thuật toán xử lý được tất cả các vòng lặp được chỉ định Với THĐH 1 với 8 biến cần tối ưu và số cả thể được tính toán là 600 cá thể, thuật toán mất khoảng 03 giây để cho ra kết quả sau 20 vòng lặp THĐH 3 dầm G5 với số biến tương đương là 7, số cả thể tính toán là 40.000 thì thuật toán mất 123 giây để cho ra kết quả sau 200 vòng lặp

Bảng 4-32 Thời gian thực hiện của thuật toán

THĐH Số biến cần tối ưu Kích thước quần thể Số vòng lặp Thời gian tính toán (giây) Tổng số cá thể được tạo ra

THĐH 3 dầm G12 10 200 50 45 10.000 Đối với số lượng biến nhỏ (nhỏ hơn 10) thì thuật toán nhanh chóng trả về các kết quả tối ưu, phụ thuộc vào độ lớn của quần thể ban đầu mà tốc độ hội tụ của thuật toán sẽ nhanh hoặc chậm Ở THĐH 1 với 8 biến cần tối ưu và kích thước quần thể

30, thuật toán trả về kết quả tốt nhất sau 10 vòng lặp THĐH 3 với dầm G5 có 7 biến cần tối ưu và dầm G12 có 10 biến cần tối ưu Vì kích thước quần thể là 200, lớn hơn nhiều lần so với số biến tối ưu, nên ngay từ bước khởi tạo quần thể, một số cá thể đã đạt được cách bố trí không va chạm

Tuy nhiên, do sử dụng thuật toán NSGA_II trong quá trình tiến hóa, vì vậy nếu kích thước quần thể ban đầu là quá lớn cũng sẽ làm tăng thời gian trong việc sắp xếp không trội các cá thể cùng lớp với nhau Vì lúc này, số lượng cá thể cần so sánh và sắp xếp lên đến 2N số cá thể ban đầu Đối với số lượng biến lớn, nếu quần thể ban đầu không đủ lớn, thuật toán dễ rơi vào trạng thái tối ưu cục bộ Lúc này cần xem xét giữa việc tăng kích thước quần thể ban đầu và tăng thời gian xử lý của thuật toán Bên cạnh đó, việc cải tiến thuật toán

GVHD: TS NGUYỄN ANH THƯ HVTH: TRỊNH HOÀNG ANH bằng cách lai tạo NSGA_II và một hay nhiều thuật toán tiến hóa khác để tránh rơi vào trạng thái tối ưu cục bộ cũng cần được nghiên cứu thêm

Nghiên cứu cũng tiến hành đối chứng giữa quy trình tối ưu hóa bằng thuật toán được đề xuất với phương pháp bố trí thép thủ công đang được áp dụng Nghiên cứu mời được 5 cá nhân có từ 5 đến 10 năm kinh nghiệm trong lĩnh vực tư vấn thiết kế, thi công và quản lý thi công thuộc các công ty xây dựng tại thành phố Hồ Chí Minh Các cá nhân được mời tham gia khảo sát được mã hóa theo thứ tự A, B, C, D, E và sẽ mô phỏng lại 3 THĐH bằng cách vẽ, bố trí vị trí các thanh thép thỏa mãn yêu cầu không va chạm cũng như đảm bảo các ràng buộc (9-11), công cụ sử dụng là AutoCad, Autodesk Revit và thời gian thao tác mỗi trường hợp được ghi nhận lại Bảng 4-33 so sánh thời gian xác định vị trí thanh thép không va chạm giữa quy trình đề xuất với phương pháp sắp xếp thủ công

Bảng 4-33 So sánh quy trình đề xuất và phương pháp thủ công

THĐH Kích thước cột x dầm Tổng số thanh thép

Thời gian tính toán (giây)

Thời gian sắp xếp thủ công (giây)

Thời gian hiển thị trong kết quả khảo sát được tính từ lúc tiến hành bố trí số thanh cốt thép theo yêu cầu, cho đến khi hoàn tất việc xác định khoảng cách/vị trí của các thanh thép và là thời gian tìm được một phương án thỏa yêu cầu của khảo sát Phụ thuộc vào mức độ thành thạo trong thao tác với các công cụ sử dụng, mỗi cá nhân có thời gian thực hiện sắp xếp khác nhau Tuy nhiên, nếu phân chia theo từng trường hợp thì thời gian thực hiện sắp xếp thủ công của các cá nhân tham gia khảo sát có sự tương đồng So với trung bình thời gian sắp xếp thủ công, thời gian tính toán của quy trình đề xuất có thể giúp tiết kiệm được từ 80% đến 90% thời gian tìm kiếm phương án tối ưu Bên cạnh đó, trong quá trình thực hiện các vòng lặp tính toán, quy trình đề xuất còn cung cấp nhiều hơn một phương án để có thể lựa chọn

Đánh giá về việc ứng dụng quy trình đề xuất

Dựa trên việc thu thập các tiêu chí và thang đo đánh giá phần mềm, tác giả xây dựng các tiêu chí để đánh giá việc ứng dụng quy trình của nghiên cứu vào thực tiễn công việc Quy trình đề xuất được đánh giá và góp ý bởi 9 chuyên gia, người có chuyên môn có thông tin tại Bảng 4-34

Bảng 4-34 Chuyên gia/người có kinh nghiệm Đơn vị Chức vụ Số năm kinh nghiệm Số lượng

Nhà thầu chính Giám đốc/ Trưởng phòng ≥ 10 2 Đơn vị tư vấn Giám đốc/ Trưởng phòng ≥ 10 3

Trưởng ban/Chuyên viên ≥ 5 4 Đối tượng tham gia đánh giá bao gồm các chuyên gia có từ 10 năm kinh nghiệm trong ngành xây dựng, hiện đang giữ vị trí là quản lý các cấp tại các đơn vị nhà thầu chính cũng như các đơn vị tư vấn thiết kế Bên cạnh đó khảo sát có sự tham gia của các cá nhân có chuyên môn với kinh nghiệm trên 5 năm trực tiếp thực hiện, quản lý việc triển khai chi tiết bản vẽ Họ có đủ kiến thức, kinh nghiệm và am hiểu về các hoạt động trong ngành xây dựng

Bảng câu hỏi được gửi trực tuyến đến các đối tượng tham gia đánh giá Phương pháp lấy mẫu xác suất hướng đến các đối tượng đại diện cho quần thể, vì vậy, độ tin cậy của số liệu tổng hợp được đảm bảo

Kết quả đánh giá thu được là 9, các kết quả được thể hiện tại Bảng 4-35

Bảng 4-35 Bảng kết quả đánh giá quy trình đề xuất

Khá KHÔNG đồng ý Đồng ý trung bình

Trung bình Độ lệch chuẩn

Hiệu suất của quy trình Tiết kiệm chi phí: Ứng dụng quy trình có khả năng giảm chi phí cho công tác thi công bố trí thép

Giảm các sai sót tiềm ẩn có thể xuất hiện trong việc bố trí thép

0% 11.1% 22.2% 44.4% 22.2% 3.8 1.09 Độ chính xác: Ứng dụng quy trình làm tăng mức độ chính xác và đúng đắn trong việc xác định vị trí cốt thép

Tiết kiệm thời gian: Ứng dụng quy trình giúp công việc được thực hiện trong thời gian ngắn hơn, từ đó tăng năng suất

0% 11.1% 22.2% 11.1% 55.6% 4.1 1.64 Đơn giản hóa: Quy trình giảm thiểu sự phức tạp trong các thao tác bố trí thép thử - sai

Tối ưu hóa: Quy trình có cải thiện và tối ưu hóa các bước thi công trong công tác bố trí thép

Khả năng tiếp cận của quy trình Tính khả dụng: Quy trình có sẵn và có thể sử dụng ngay khi cần thiết

Tính tiếp cận: Quy trình có thể dễ dàng sử dụng mà không gặp trở ngại nào

Sự đa dạng: Quy trình có khả năng cung cấp các tùy chỉnh cho người dùng

Mối quan hệ Tính phối hợp: Ứng dụng quy trình giúp tăng khả năng tương tác, phối hợp giữa các bên liên quan

Tính kế thừa: Quy trình cung cấp những giá trị tối ưu có thể được lưu trữ và sử dụng cho các trường hợp tương tự trong tương lai

Tính hỗ trợ: Quy trình có thể cung cấp nhiều giải pháp để hỗ trợ cho quá trình lựa chọn các giải pháp tốt

0% 0% 22.2% 66.7% 11.1% 3.9 2.16 Đánh giá của quy trình đề xuất được thực hiện bằng thang đo Likert 5 mức độ

Do đó, khi giá trị trung bình trong khoảng từ 3-5 thì đồng nghĩa người tham gia khảo sát đồng ý với tiêu chí đánh giá mà nghiên cứu đưa ra Ngược lại, khi trị trung bình nhỏ hơn 3 tức là quan điểm của người tham gia khảo sát khá không đồng ý hoặc hoàn toàn không đồng ý với nội dung của tiêu chí đánh giá tương ứng Kết quả tại Bảng 4-35 cho thấy rằng, các tiêu chí đánh giá mô hình đều có giá trị trung bình lớn hơn 3, có nghĩa là các chuyên gia đều đồng ý ở mức độ trung bình trở lên Đối với các tiêu chí “Tiết kiệm thời gian”, “Tính khả dụng” và “Tính phối hợp” được các chuyên gia, người có chuyên môn đồng ý với giá trị trung bình lớn hơn 4, có nghĩa là các chuyên gia đều đồng ý các tiêu chí này với mức độ cao Việc ứng dụng quy trình đề xuất này vào thực tế sẽ góp phần tiết kiệm chi phí cho các công tác thi công bố trí thép cũng được các chuyên gia đồng ý với mức độ cao

Tiêu đề	Ứng dụng BIM và thuật toán tiến hóa (EA) trong tự động bố trí cốt thép không xung đột
Tác giả	Trịnh Hoàng Anh
Người hướng dẫn	TS. Nguyễn Anh Thư
Trường học	Đại học Quốc gia Thành phố Hồ Chí Minh
Chuyên ngành	Quản lý xây dựng
Thể loại	Luận văn thạc sĩ
Năm xuất bản	2024
Thành phố	Thành phố Hồ Chí Minh

Định dạng
Số trang	146
Dung lượng	4,35 MB