» Một nhóm nghiên cứu quốc tế vừa phát triển mô hình trí tuệ nhân tạo lai, kết hợp Gradient Boosting Regression Trees (GBRT) với tối ưu hóa Bayes (Bayesian Optimization – BO), có khả năng dự đoán chính xác cường độ nén của bê tông tự lèn sử dụng cốt liệu tái chế. Giải pháp này được đánh giá là nhanh chóng, tiết kiệm và ổn định hơn nhiều so với phương pháp thí nghiệm truyền thống.
Ứng dụng trí tuệ nhân tạo trong xây dựng xanh đang mở ra nhiều triển vọng mới. Thay vì phụ thuộc vào các thí nghiệm kéo dài hàng tuần, các kỹ sư và nhà thầu giờ đây có thể dự đoán cường độ bê tông tái chế chỉ bằng vài thao tác nhập liệu trên nền tảng số nhờ mô hình AI. Đây là một bước tiến quan trọng, đặc biệt trong bối cảnh ngành Xi măng – Bê tông đang thúc đẩy xu hướng vật liệu bền vững và tiết kiệm chi phí.
Ứng dụng AI trong dự đoán cường độ bê tông tái chế
Bê tông tự lèn là loại bê tông có khả năng tự chảy lấp đầy khuôn đúc mà không cần đầm, nhờ đó được ưa chuộng trong các công trình có cốt thép dày hoặc ván khuôn phức tạp. Tuy nhiên, việc xác định cường độ nén sau 28 ngày thường phải tiến hành thí nghiệm tốn kém và mất thời gian. Khi đưa thêm cốt liệu tái chế vào nhằm giảm tác động môi trường, sự biến động về chất lượng vật liệu càng khiến việc dự đoán trở nên khó khăn hơn.
Nhằm giải quyết vấn đề, nhóm nghiên cứu đã thu thập 603 mẫu bê tông tự lèn sử dụng cốt liệu tái chế, từ đó phát triển mô hình trí tuệ nhân tạo lai kết hợp hồi quy cây tăng cường với tối ưu hóa Bayes. Mô hình này được huấn luyện bằng phương pháp kiểm định chéo nhiều lần (cross-validation 5 lần), giúp giảm thiểu sai số và ngăn hiện tượng quá khớp dữ liệu (overfitting). Độ chính xác được đánh giá bằng các chỉ số phổ biến trong học máy như sai số tuyệt đối trung bình, sai số phần trăm tuyệt đối trung bình, sai số bình phương trung bình, căn bậc hai sai số bình phương trung bình và hệ số xác định R².
Kết quả vượt trội so với các phương pháp truyền thống
Mô hình trí tuệ nhân tạo này đạt độ chính xác cao, khi giá trị dự đoán cường độ nén gần trùng khớp với kết quả thực tế ở cả dữ liệu huấn luyện và kiểm tra. So với các thuật toán khác như máy học vector hỗ trợ (Support Vector Regression) hoặc phương pháp láng giềng gần nhất (K-nearest neighbors), mô hình kết hợp hồi quy cây tăng cường với tối ưu hóa Bayes cho thấy vượt trội rõ rệt: sai số thấp hơn và hệ số R² cao hơn.
Để hiểu rõ hơn tác động của từng thành phần trong cấp phối, nhóm nghiên cứu sử dụng phân tích Shapley Additive Explanations. Kết quả cho thấy: xi măng, cốt liệu thô, phụ gia khoáng và phụ gia hóa học góp phần tăng cường độ nén, trong khi nước và cốt liệu mịn tái chế có xu hướng làm suy giảm. Phát hiện này nhấn mạnh vai trò của việc tối ưu tỷ lệ phối trộn để nâng cao chất lượng bê tông.
Đáng chú ý, nhóm tác giả đã phát triển thêm ứng dụng web thân thiện trên nền tảng Streamlit, cho phép kỹ sư và nhà nghiên cứu nhập dữ liệu vật liệu và nhận kết quả dự đoán tức thì. Công cụ này giúp rút ngắn đáng kể khoảng cách giữa công nghệ trí tuệ nhân tạo và ứng dụng thực tiễn trong ngành Xây dựng.
Triển vọng ứng dụng trong xây dựng bền vững
Thành công của nghiên cứu chứng minh rằng sự kết hợp giữa hồi quy cây tăng cường và tối ưu hóa Bayes là giải pháp khả thi để dự đoán chính xác cường độ bê tông tái chế. Đây không chỉ là lựa chọn thay thế hiệu quả cho thí nghiệm truyền thống mà còn là công cụ hỗ trợ thiết thực cho phát triển xây dựng xanh và bền vững.
Trong tương lai, mô hình có thể được cải tiến bằng việc ứng dụng thêm các thuật toán tối ưu tiên tiến như Lightning Search Algorithm hoặc Nuclear Reaction Optimization, đồng thời bổ sung nhiều biến số hơn như khối lượng thể tích, độ sụt, điều kiện dưỡng hộ hoặc nhiệt độ. Việc kết hợp thêm các công cụ giải thích khác bên cạnh phân tích Shapley cũng sẽ giúp hiểu rõ hơn cơ chế vận hành của mô hình.
Bước tiến này không chỉ nâng cao năng lực thiết kế và kiểm soát chất lượng bê tông mà còn khẳng định vai trò của trí tuệ nhân tạo trong ngành Vật liệu xây dựng, nhất là với lĩnh vực xi măng và bê tông xanh, thân thiện môi trường.
Cem.Info
