THÔNG TIN TÓM TẮT VỀ NHỮNG ĐÓNG GÓP MỚI
CỦA LUẬN ÁN TIẾN SĨ
Tên luận án: Nghiên cứu ứng dụng mạng nơ-ron nhận tạo trong xếp hạng tải trọng kết cấu nhịp cầu bê tông cốt thép dự ứng lực
Ngành: Kỹ thuật Xây dựng Công trình Đặc biệt
Mã số: 9.58.02.06
Nghiên cứu sinh: Đàm Minh Hùng
Họ và tên cán bộ hướng dẫn:
1. PGS.TS. Nguyễn Hữu Hưng - Trường Đại học GTVT
2. TS. Nguyễn Việt Khoa - Viện KH&CN GTVT
Cơ sở đào tạo: Trường Đại học Giao thông vận tải
TÓM TẮT ĐÓNG GÓP MỚI CỦA LUẬN ÁN
Luận án đã xây dựng được hệ thống cơ sở dữ liệu mẫu phong phú cho cầu dầm I căng sau liên hợp, bao gồm các thông số hình học, cơ lý vật liệu, sức kháng kết cấu và hiệu ứng tải trọng theo các tiêu chuẩn TCVN 11823:2017, TCVN 12882:2020 và MBE (Hoa Kỳ). Bộ dữ liệu này được sử dụng để huấn luyện, kiểm tra và đánh giá mô hình mạng nơ-ron nhân tạo, tạo nền tảng khoa học cho việc ứng dụng trí tuệ nhân tạo trong lĩnh vực đánh giá khả năng chịu tải cầu ở Việt Nam.
Luận án đã thiết lập và tối ưu hóa thành công các mô hình mạng nơ-ron nhân tạo 02 lớp và 03 lớp nhằm dự đoán sức kháng và hiệu ứng tải trọng của cầu dầm I. Kết quả huấn luyện đã chứng tỏ mô hình ANN được xây dựng có độ chính xác cao và khả năng khái quát hóa tốt đối với dữ liệu ngoài tập huấn luyện.
Luận án đã chứng minh được hiệu quả của phương pháp ANN trong đánh giá hệ số xếp hạng tải trọng (RF) thông qua việc so sánh với các phương pháp truyền thống. Kết quả sai số RF giữa các phương pháp đều nhỏ hơn 3,5%. Điều này cho thấy phương pháp ANN cho kết quả tương đương với các phương pháp phân tích truyền thống, đồng thời có ưu thế về tốc độ tính toán và khả năng xử lý dữ liệu lớn.
Luận án đã làm rõ mối quan hệ định lượng giữa các tham số kết cấu (mô đun đàn hồi, mô men quán tính, chiều cao dầm, độ cứng liên hợp), tham số tải trọng và kết quả xếp hạng tải trọng thông qua phân tích độ nhạy Monte Carlo - Saltelli. Kết quả phân tích đã xác định được các tham số ảnh hưởng chủ yếu đến RF, qua đó góp phần nâng cao cơ sở khoa học cho việc lựa chọn thông số đầu vào trong mô hình đánh giá cầu.
Các đóng góp mới của Luận án:
1. Đã đề xuất được một quy trình đánh giá xếp hạng tải trọng cầu dầm I DUL căng sau liên hợp dựa trên mạng ANN phù hợp với hệ thống tiêu chuẩn hiện hành của Việt Nam và quốc tế. Quy trình này cho phép tích hợp dữ liệu đo đạc thực tế (độ võng, tần số dao động) với mô hình trí tuệ nhân tạo, góp phần nâng cao độ tin cậy của kết quả đánh giá trong điều kiện khai thác thực tế.
2. Kết quả xếp hạng tải trọng thu được từ mô hình ANN nghiên cứu của luận án phù hợp với kết quả thử tải của đơn vị tư vấn thực hiện và kết quả phân tích bằng phần tử hữu hạn, khẳng định tính ổn định và độ tin cậy của phương pháp đề xuất, đã được kiểm chứng thông qua hai ví dụ thực tế tại các cầu NC, ĐĐ.
3. Luận án đã đóng góp kết quả mới có giá trị khoa học trong việc ứng dụng trí tuệ nhân tạo vào đánh giá khả năng chịu tải cầu, góp phần phát triển hướng nghiên cứu kết hợp giữa cơ học kết cấu, tiêu chuẩn thiết kế và khoa học dữ liệu trong lĩnh vực công trình giao thông.
INFORMATION OF THE NEW CONTRIBUTIONS OF THE THESIS
Name of dissertation: Research on the application of artificial neural networks in load rating of prestressed reinforced concrete bridge superstructures
Major: Special Structures Engineering
Code No: 9.58.02.06
Name of PhD. Student: MSc. Dam Minh Hung
Name of Supervisors:
1. Assoc. Prof. Dr. Nguyen Huu Hung - University of Transport and Communications.
2. Dr. Nguyen Viet Khoa - Institute of Transport Science and Technology
Training Institution: University of Transport and Communications
SUMMARY OF THE NEW CONTRIBUTIONS OF THE THESIS
The dissertation has developed a comprehensive database for composite post-tensioned I-girder bridges, including geometric parameters, material mechanical properties, structural resistance, and load effects according to TCVN 11823:2017, TCVN 12882:2020, and MBE (USA) specifications. This dataset was used for training, validation, and testing of artificial neural network models, thereby providing a scientific foundation for the application of artificial intelligence in bridge load rating assessment in Vietnam.
The dissertation successfully established and optimized two-layer and three-layer artificial neural network (ANN) models to predict structural resistance and load effects of I-girder bridges. These results demonstrate that the developed ANN models achieve high prediction accuracy and strong generalization capability for unseen data.
The dissertation has demonstrated the effectiveness of the ANN-based method for evaluating the load rating factor (RF) through comparisons with traditional approaches. The results indicate that The RF differences among the methods are consistently less than 3.5%. These findings confirm that the ANN-based method provides results comparable to traditional analytical methods, while offering advantages in computational efficiency and the ability to process large datasets.
The dissertation clarified the quantitative relationships between structural parameters (such as elastic modulus, moment of inertia, girder height, and composite stiffness), load parameters, and the resulting load rating factor through Monte Carlo–Saltelli sensitivity analysis. The results identified the key parameters that significantly influence RF, thereby enhancing the scientific basis for selecting input variables in bridge evaluation models.
New contributions of the thesis:
1. A new ANN-based framework for load rating assessment of composite post-tensioned PSC I-girder bridges has been proposed in accordance with current Vietnamese and international standards. The proposed procedure enables the integration of field measurement data (such as bridge deflection and natural vibration frequency) with artificial intelligence models, thereby improving the reliability of load rating results under real operating conditions.
2. The load rating results obtained from the ANN models are consistent with the load testing results conducted by consulting engineers as well as with the finite element analysis results, confirming the stability and reliability of the proposed method. The research results were validated through two practical bridge case studies (NC and ĐĐ bridges).
3. The dissertation provides novel scientific contributions in applying artificial intelligence techniques to bridge load rating evaluation, thereby advancing interdisciplinary research combining structural mechanics, bridge design standards, and data science in transportation infrastructure engineering.
