Một nghiên cứu đã sử dụng trí tuệ nhân tạo để khai thác dữ liệu thí nghiệm về bê tông sử dụng bột và cát thủy tinh phế thải. Mô hình không chỉ dự đoán cường độ nén mà còn xác định những yếu tố ảnh hưởng đáng kể đến kết quả, qua đó hỗ trợ sàng lọc và điều chỉnh cấp phối.
Ứng dụng AI đang mở thêm phương pháp tiếp cận cho quá trình phát triển các cấp phối bê tông có sử dụng thủy tinh phế thải. Thay vì phải thử nghiệm nhiều phương án ngay từ đầu, dữ liệu từ các cấp phối đã được đánh giá có thể trở thành cơ sở để hỗ trợ lựa chọn những phương án phù hợp hơn.
Khi phát triển bê tông sử dụng vật liệu phế thải, việc thay đổi tỷ lệ các thành phần có thể tạo ra nhiều cấp phối khác nhau. Mỗi thay đổi về hàm lượng xi măng, bột thủy tinh, cát thủy tinh, nước hoặc cốt liệu đều có thể ảnh hưởng đến cường độ, trong khi thời gian dưỡng hộ cũng tác động đáng kể đến quá trình phát triển cường độ. Việc xác định cấp phối phù hợp vì vậy thường cần nhiều lần chế tạo và thử nghiệm.
Ứng dụng AI trong phân tích cấp phối và dự đoán cường độ bê tông chứa thủy tinh phế thải. (Nguồn: CCMP/Shutterstock.com)
Nghiên cứu được công bố trên Scientific Reports đã sử dụng dữ liệu từ các thí nghiệm này để xây dựng mô hình AI dự đoán cường độ nén của bê tông. Cơ sở dữ liệu gồm 270 kết quả thử nghiệm từ 30 cấp phối, với mẫu được đánh giá sau 7, 28 và 56 ngày dưỡng hộ.
Trong các cấp phối, bột thủy tinh được sử dụng để thay thế một phần xi măng Portland, còn cát thủy tinh thay thế một phần cát tự nhiên. Mô hình sử dụng 8 thông số đầu vào gồm hàm lượng xi măng, bột thủy tinh, cát thủy tinh, nước, khối lượng thể tích bê tông, cát tự nhiên, đá basalt và thời gian dưỡng hộ. Cường độ nén được lựa chọn làm kết quả cần dự đoán.
Nhóm nghiên cứu thử nghiệm 5 mô hình học máy gồm Random Forest, K Nearest Neighbors, AdaBoost, LightGBM và XGBoost, đồng thời đối chiếu với phương pháp hồi quy tuyến tính. LightGBM cho kết quả tốt nhất, với R² đạt 0,964, sai số RMSE là 2,05 MPa và MAE là 1,68 MPa. XGBoost đạt R² = 0,955, trong khi Random Forest đạt 0,953.
Kết quả cho thấy LightGBM có thể dự đoán khá sát sự thay đổi cường độ trong phạm vi dữ liệu được nghiên cứu. Điều này cho thấy AI có thể được sử dụng để ước tính nhanh cường độ của những cấp phối phù hợp với phạm vi dữ liệu đã có, trước khi tiến hành các thử nghiệm tiếp theo.
Điểm đáng chú ý của nghiên cứu là AI không chỉ đưa ra dự đoán mà còn được sử dụng để tìm hiểu yếu tố nào có ảnh hưởng lớn đến cường độ. Kết quả phân tích cho thấy mức độ ảnh hưởng của các thành phần và điều kiện dưỡng hộ không giống nhau.
Thời gian dưỡng hộ là yếu tố có ảnh hưởng lớn nhất, với cường độ dự đoán nhìn chung tăng khi thời gian dưỡng hộ kéo dài. Hàm lượng xi măng đứng tiếp theo và cũng có xu hướng tạo tác động tích cực đến cường độ.
Cát thủy tinh và đá basalt có ảnh hưởng tích cực ở mức độ vừa phải. Ngược lại, cát tự nhiên có xu hướng tạo tác động nhẹ theo chiều giảm khi hàm lượng tăng. Hàm lượng nước cũng có mối quan hệ chủ yếu theo chiều giảm cường độ, do lượng nước cao có thể làm tăng độ rỗng trong bê tông sau khi đóng rắn.
Bột thủy tinh có mức độ ảnh hưởng tương đối thấp. Khi hàm lượng tăng, tác động đến cường độ có xu hướng hơi âm hoặc không đáng kể trong một số phạm vi. Điều này cho thấy việc tăng tỷ lệ bột thủy tinh không đồng nghĩa với việc cường độ bê tông sẽ tăng. Hiệu quả còn phụ thuộc vào tỷ lệ thay thế và sự kết hợp với các thành phần khác trong cấp phối.
Ảnh hưởng của cát thủy tinh cũng thay đổi theo hàm lượng sử dụng, với cả tác động tích cực và tiêu cực được mô hình ghi nhận. Vì vậy, các thành phần cần được xem xét trong mối quan hệ với toàn bộ cấp phối thay vì đánh giá riêng lẻ.
Nhóm nghiên cứu lưu ý rằng những kết quả này phản ánh mối liên hệ được mô hình nhận diện từ dữ liệu, không phải bằng chứng về quan hệ nhân quả trực tiếp giữa từng thành phần và cường độ. Do đó, AI nên được xem là công cụ hỗ trợ phân tích và sàng lọc cấp phối, trong khi các phương án được lựa chọn vẫn cần được kiểm chứng bằng thử nghiệm thực tế.
Để tăng khả năng ứng dụng, nhóm nghiên cứu phát triển một giao diện dựa trên mô hình LightGBM. Người sử dụng có thể nhập các thông số cấp phối và nhận kết quả dự đoán cường độ nén mà không cần trực tiếp thực hiện các thao tác lập trình.
Như vậy, quy trình ứng dụng AI trong nghiên cứu bắt đầu từ dữ liệu của các cấp phối đã thử nghiệm. Mô hình học từ dữ liệu để dự đoán cường độ, sau đó phân tích mức độ ảnh hưởng của các yếu tố và cung cấp thêm cơ sở để sàng lọc, điều chỉnh cấp phối. Cách tiếp cận này có thể giúp thu hẹp số lượng phương án cần thử nghiệm, đặc biệt khi phát triển bê tông sử dụng các vật liệu phế thải với nhiều tỷ lệ phối trộn khác nhau.
Nhóm nghiên cứu cho rằng việc mở rộng cơ sở dữ liệu và bổ sung các chỉ tiêu như cường độ kéo, cường độ uốn và mô đun đàn hồi sẽ giúp đánh giá đầy đủ hơn khả năng ứng dụng AI trong thiết kế bê tông sử dụng vật liệu phế thải.
Cem.Info (TH/ Azobuild)
