Bài báo giới thiệu một phương pháp tối ưu hóa đa mục tiêu cho kết cấu giàn thép phẳng, ứng dụng thuật toán RDMO – sự kết hợp giữa thuật toán Rao-1 và phương pháp tiến hóa vi phân (DE). Nghiên cứu tập trung vào hai mục tiêu chính là giảm thiểu khối lượng tổng thể của giàn thép và hạn chế tối đa chuyển vị ngang tại đỉnh giàn, với biến thiết kế được xác định là diện tích tiết diện của các thanh, nằm trong một khoảng giá trị giới hạn cụ thể.
Kết cấu giàn thép, với đặc điểm nổi bật là khả năng vượt nhịp lớn, độ bền cao và sử dụng vật liệu hiệu quả, đã trở thành một lựa chọn phổ biến trong các công trình xây dựng dân dụng và công nghiệp hiện đại [1, 2]. Việc thiết kế tối ưu cho các kết cấu này không chỉ nhằm mục đích giảm thiểu chi phí và khối lượng vật liệu mà còn phải đảm bảo tính an toàn, độ bền và khả năng chịu tải dưới các điều kiện thực tế phức tạp [3, 4].
Trong bối cảnh đó, tối ưu hóa đa mục tiêu (Multi-bjective Optimization - MOO) đã thu hút sự quan tâm lớn từ cộng đồng nghiên cứu nhờ khả năng cân bằng giữa các mục tiêu mâu thuẫn, chẳng hạn như giảm khối lượng kết cấu và hạn chế chuyển vị tối đa [5, 6]. Đặc biệt, khi xem xét đến ứng xử phi tuyến của giàn thép, bao gồm phi tuyến hình học và phi tuyến vật liệu, bài toán tối ưu hóa trở nên phức tạp hơn, đòi hỏi các phương pháp tính toán tiên tiến và hiệu quả [7, 8].
Phương pháp phân tích trực tiếp (Direct Analysis) đã được chứng minh là một công cụ mạnh mẽ trong việc mô phỏng chính xác ứng xử phi tuyến của kết cấu giàn thép, thay thế cho các phương pháp gián tiếp truyền thống vốn thường bỏ qua sự tương tác phức tạp giữa các thành phần trong hệ thống [9, 10].
Không giống như phân tích tuyến tính đàn hồi thông thường, phân tích trực tiếp cho phép đánh giá đồng thời khả năng chịu tải tổng thể và các đặc tính phi tuyến của công trình, từ đó cung cấp cơ sở đáng tin cậy cho việc tối ưu hóa thiết kế [11, 12]. Tuy nhiên, việc áp dụng phân tích trực tiếp trong tối ưu hóa thường đi kèm với chi phí tính toán cao, đặc biệt khi kết hợp với các thuật toán meta-heuristic để giải quyết bài toán MOO [13, 14]. Điều này đặt ra nhu cầu phát triển các thuật toán tối ưu hóa mới, vừa đơn giản, vừa hiệu quả, nhằm giảm thiểu độ phức tạp và tăng cường khả năng áp dụng thực tiễn.
Trong những năm gần đây, các thuật toán meta-heuristic như Differential Evolution (DE) [15], Genetic Algorithm (GA) [16], và Harmony Search (HS) [17] đã được ứng dụng rộng rãi trong tối ưu hóa kết cấu, bao gồm cả giàn thép [18, 19]. Tuy nhiên, nhiều thuật toán MOO hiện có, chẳng hạn như NSGA-II [20], GDE3 [21], hay MOEA/D [22], thường yêu cầu điều chỉnh nhiều tham số điều khiển, đòi hỏi kinh nghiệm từ người dùng và có thể làm giảm tính khả thi khi áp dụng vào các bài toán thực tế [23, 24]. Hơn nữa, việc duy trì sự cân bằng giữa tốc độ hội tụ và tính đa dạng của nghiệm trong không gian Pareto vẫn là một thách thức lớn đối với các thuật toán này [25, 26].
Để khắc phục những hạn chế trên, một số nghiên cứu đã đề xuất các phương pháp lai ghép (hybrid approaches) hoặc cải tiến các thuật toán đơn mục tiêu (Single-Objective Optimization - SOO) thành MOO, ví dụ như việc kết hợp DE với các chiến lược đột biến mới hoặc sử dụng mô hình thay thế (surrogate models) để giảm chi phí tính toán [27, 28].
Nghiên cứu này giới thiệu thuật toán RDMO (Rao-DE Multi-Objective) [29-30], một phương pháp tối ưu hóa đa mục tiêu mới, đơn giản và không yêu cầu tham số điều khiển, được phát triển bằng cách kết hợp thuật toán Rao-1 [31] với DE [15]. RDMO sử dụng chiến lược đột biến cải tiến từ Rao-1, kết hợp với kỹ thuật lai ghép của DE, đồng thời tích hợp sắp xếp không thống trị (non-dominated sorting) và khoảng cách đông đúc (crowding distance) để đảm bảo tính đa dạng và chất lượng của tập nghiệm Pareto [20].
Tương lai, nghiên cứu sẽ cải thiện tính ổn định của RDMO, giảm độ lệch chuẩn GD và IGD+ bằng mô hình thay thế [27]. Ứng dụng sẽ mở rộng sang giàn thép không gian, tải động, và tích hợp học máy như XGBoost [28] để tăng tốc độ hội tụ và hiệu quả.
Xem chi tiết Bài nghiên cứu TẠI ĐÂY:
BuilData
