Logo Ponts et Tunnels Ponts et Tunnels Université de génie civil de Hanoï
Domaine de recherche 04

Intelligence artificielle et jumeaux numériques

Apprentissage automatique, réseaux de neurones, apprentissage profond et régression symbolique pour la détection d’endommagement, la prédiction des propriétés des matériaux et les jumeaux numériques des structures.

26 publications26 articles2019⁠–⁠202610 personnes avec publications4 enseignants l’indiquent sur leur profil2 projets

Présentation

Au sein du groupe, l’intelligence artificielle sert deux problèmes principaux : détecter l’endommagement des structures à partir de données mesurées et prédire les propriétés des matériaux à partir de leur composition. Une particularité est la préférence pour des formules explicites (« boîte blanche ») issues de la programmation génétique et de la régression symbolique, que l’ingénieur peut utiliser directement en conception [19, 20, 24].

Principaux thèmes de recherche

Détection d’endommagement par réseaux de neurones et apprentissage profond

Les fonctions de transmissibilité (rapports des spectres de réponse en deux points de mesure), associées aux réseaux de neurones et à l’apprentissage automatique, ont été appliquées à la détection d’endommagement du pont de Ca-Non et du pont en treillis de Nam O [2, 3]. Les courbures modales lissées avec intervalle ont été associées à des réseaux de neurones convolutifs et à l’apprentissage profond et appliquées au pont à poutres de Bo Nghi ; pour les dalles, les courbures modales bidimensionnelles ont été associées à Faster R-CNN [4, 6, 14]. Des réseaux de neurones à propagation avant ont été associés à des algorithmes d’optimisation globale pour détecter et quantifier l’endommagement [7, 8].

Jumeaux numériques

Un cadre de jumeau numérique associe un modèle aux éléments finis, le recalage de modèle, le traitement du signal et un réseau MobileNetV2 pour détecter un endommagement léger d’une dalle à partir des flèches [21].

Prédiction des propriétés des matériaux

La résistance à la compression et la porosité effective du béton drainant ont été prédites par XGBoost, forêts aléatoires et machines à vecteurs de support sur un jeu de 164 échantillons [10]. La programmation génétique a fourni des formules explicites de la résistance à la compression du béton de fibres d’acier et de la perméabilité du béton drainant ; pour les dalles alvéolées précontraintes, la résistance à l’effort tranchant a été prédite par des modèles fondés sur les données [17, 19, 20].

Projets

Un projet universitaire sur la détection d’endommagement à partir de la réponse vibratoire et des réseaux de neurones artificiels, et un projet ministériel (2023⁠–⁠2024) sur la prédiction du comportement du béton de ciment drainant par intelligence artificielle et méthodes fondées sur les données, relèvent de ce domaine.

Projets de recherche (2)

Intitulés des projets tels qu’ils figurent sur les profils (en vietnamien).

  • Principal investigator (2023⁠–⁠2024). Nghiên cứu xây dựng mô hình dự báo ứng xử cơ học của bê tông xi măng rỗng dựa trên tiếp cận lý thuyết kết hợp kỹ thuật trí tuệ nhân tạo và định hướng dữ liệu. Code: B2023-XDA-03. Ministry-level project, Ministry of Education and Training (đã nghiệm thu)
  • Nghiên cứu phương pháp phát hiện và đánh giá hư hỏng của kết cấu dựa vào ứng xử dao động và mạng Nơ ron nhân tạo. Đại học Xây dựng

Axes de développement

Les axes ci-dessous sont ceux que montrent les articles de 2023 à 2026, les projets et les thèmes de recherche affichés sur les profils des enseignants ; cette page n’annonce ni plan ni financement.

  1. Apprentissage profond pour le contrôle non destructif

    Un article de 2026 utilise le géoradar (GPR) avec YOLOv11 pour détecter la corrosion des armatures dans des dalles en béton armé de façon entièrement non destructive et automatisée [22].

  2. Réseaux de neurones et algorithmes génétiques pour la construction

    Un cadre ANN–GA de 2026, entraîné sur 675 cas simulés, prédit et optimise les paramètres des tuyaux de refroidissement pour maîtriser le champ thermique et éviter la fissuration des semelles sur pieux en béton de masse [26].

  3. Des formules explicites plutôt que des modèles boîte noire

    La régression symbolique sous contraintes pour le module de suspensions fortement chargées et une formule explicite de la compacité des granulats (2026) poursuivent cette démarche consistant à transformer l’apprentissage automatique en formules [24, 25]. Les profils des enseignants affichent « la construction de jumeaux numériques des ouvrages » et « l’IA et l’IoT pour la surveillance des structures » comme thèmes de recherche.

Chercheurs du domaine

Avec des publications dans ce domaine (10)

Enseignants qui indiquent ce domaine sur leur profil (4)

Enseignants actuels qui indiquent ce domaine sur leur profil ; c’est le même groupe qui apparaît lorsque la page Équipe est filtrée par domaine et sur les cartes des domaines.

Publications du domaine (26)

Tous les articles de revue, communications, chapitres d’ouvrage et ouvrages classés dans ce domaine, du plus récent au plus ancien. Membres du groupe en gras, * auteur correspondant ; titres dans leur langue d’origine.

2026

  1. [26]Dinh-Manh Le, Van-Minh Le*, Thai-Son Vu, Huong-Duong Nguyen (2026). Artificial intelligence-based prediction of cooling pipe system parameters for thermal field control and crack prevention in mass concrete structures. Structural Concrete, 1-30. https://doi.org/10.1002/suco.70818
  2. [25]Vu Thai Son, Sengaloun Keoalounxay, Nguyen Ngoc Tuyen, Tran Viet Hung (2026). Predicting the relative shear storage modulus of highly filled bidisperse particulate suspensions by machine learning and constrained symbolic regression. Journal of Science and Technology in Civil Engineering (JSTCE) - HUCE, 20(3), 127-146. https://doi.org/10.31814/stce.huce2026-20(3)-07
  3. [24]Thai-Son Vu, Sengaloun Keoalounxay, Quoc-Bao Nguyen* (2026). An Explicit Formula for the Dry Packing Density of Aggregate Gradations Derived from the de Larrard Compressible Packing Model by Symbolic Regression. Eng, 7(9), 493. https://doi.org/10.3390/eng7090493
  4. [23]Quy, N. D.*, & Le, B. D. (2026). Real-time vibration monitoring and anomaly detection using autoencoder and wireless IoT sensor node. In Lecture Notes in Networks and Systems (pp. 260-267). Springer, Cham. https://doi.org/10.1007/978-3-032-18316-3_29
  5. [22]Bui, H. T.*, Tan, K. H.* (2026). Intelligent corrosion detection in reinforced concrete slabs using GPR and YOLOv11: A fully non-destructive and automated deep learning framework. Construction and Building Materials, 506, 145014. https://doi.org/10.1016/j.conbuildmat.2025.145014

2025

  1. [21]Nguyen, H. D., Nguyen, H., & Gao, X. (2025). A digital twin framework with MobileNetV2 for damage detection in slab structures. Fracture and Structural Integrity, 19(72), 121-136. https://doi.org/10.3221/IGF-ESIS.72.09
  2. [20]Ba Anh Le*, Hoang Quan Nguyen, Bao Viet Tran, Thai Son Vu, Thi Loan Bui (2025). Symbolic regression model for predicting compression strength of steel fiber-reinforced concrete. Transportation Research Procedia, 85, 94-101 (SDCAT 2023). https://doi.org/10.1016/j.trpro.2025.03.138

2024

  1. [19]Ba-Anh Le*, Thai-Son Vu, Hoang-Quan Nguyen, Viet-Hung Vu (2024). A Genetic Programming-Assisted Analytical Formula for Predicting the Permeability of Pervious Concrete. Engineering, Technology & Applied Science Research, 14(3), 14775-14780. https://doi.org/10.48084/etasr.7619
  2. [18]Nguyen, Q. B.*, Nguyen, H. H., & Ha, M. H. (2024). An efficient framework for optimization of nonlinear steel trusses with continuous variables using LightGBM. International Journal of GEOMATE, 26(116), 85-92. https://doi.org/10.21660/2024.116.4398
  3. [17]Fan, S., Nguyen, T. N. H., Ren, H., & Wang, P.* (2024). Data-driven shear strength predictions of prestressed concrete hollow-core slabs. Journal of Building Engineering, 95, 110343. https://doi.org/10.1016/j.jobe.2024.110343
  4. [16]Hoang-Quan Nguyen, Ba-Anh Le*, Bao-Viet Tran, Thai-Son Vu, Thi-Loan Bui (2024). Deep artificial neural network-powered phase field model for predicting damage characteristic in brittle composite under varying configurations. Machine Learning: Science and Technology, 5, 025062. https://doi.org/10.1088/2632-2153/ad52e8
  5. [15]Ba-Anh Le, Bao-Viet Tran*, Thai-Son Vu, Viet-Hung Vu, Van-Hung Nguyen (2024). Predicting the Compressive Strength of Pervious Cement Concrete based on Fast Genetic Programming Method. Arabian Journal for Science and Engineering, 49(4), 5487–5504. https://doi.org/10.1007/s13369-023-08396-2

2023

  1. [14]Nguyen, H. D., & Abdel Wahab, M.* (2023). Damage detection in slab structures based on two-dimensional curvature mode shape method and Faster R-CNN. Advances in Engineering Software, 176, 103371. https://doi.org/10.1016/j.advengsoft.2022.103371
  2. [13]Dao, H., Khuc, T.*, Truong, Q., Dinh, C., & Nguyen, A. (2023). Pavement crack segmentation using an attention-based deep learning model. Lecture Notes in Civil Engineering, 727-737. Springer, Singapore. https://doi.org/10.1007/978-981-99-2345-8_75
  3. [12]Nguyen, T. H.*, Nguyen, H. D., & Vu, A. T. (2023). Solving Engineering Optimization Problems Using Machine Learning Classification-Assisted Differential Evolution. Proceedings of the International Conference of Steel and Composite for Engineering Structures. Lecture Notes in Civil Engineering, Springer, 1-23. https://doi.org/10.1007/978-3-031-24041-6_1

2022

  1. [11]Lê Bá Anh, Vũ Thái Sơn, Nguyễn Văn Hưng, Nguyễn Thị Hương Giang, Trần Bảo Việt (2022). Kết hợp phát triển giải tích và kỹ thuật trí tuệ nhân tạo để xây dựng phương trình thấm Kozeny-Carman cho vật liệu bê tông xi măng rỗng. Hội nghị Cơ học toàn quốc lần thứ XI, Tập 2, 470-476.
  2. [10]Ba-Anh Le, Viet-Hung Vu, Soo-Yeon Seo, Bao-Viet Tran*, Tuan Nguyen-Sy, Minh-Cuong Le, Thai-Son Vu (2022). Predicting the Compressive Strength and the Effective Porosity of Pervious Concrete Using Machine Learning Methods. KSCE Journal of Civil Engineering, 26, 4664–4679. https://doi.org/10.1007/s12205-022-1918-z
  3. [9]Vũ Thái Sơn, Vũ Việt Hưng, Nguyễn Tuấn Cường, Trương Đình Thảo Anh, Trần Bảo Việt (2022). Xây dựng công thức dự báo hệ số thấm của bê tông rỗng dựa trên định hướng dữ liệu. Tạp chí Khoa học Giao thông Vận tải, 73(2), 176-188. https://doi.org/10.47869/tcsj.73.2.7

2021

  1. [8]Ho, L. V., Nguyen, D. H., Mousavi, M., De Roeck, G., Bui-Tien, T., Gandomi, A. H., & Wahab, M. A. (2021). A hybrid computational intelligence approach for structural damage detection using marine predator algorithm and feedforward neural networks. Computers & Structures, 252, 106568.
  2. [7]Ho, L. V., Nguyen, H. D., De Roeck, G., Bui-Tien, T., & Abdel Wahab, M.* (2021). Damage detection in steel plates using feed-forward neural network coupled with hybrid particle swarm optimization and gravitational search algorithm. Journal of Zhejiang University-SCIENCE A, 22(6), 467-480. https://doi.org/10.1631/jzus.A2000316
  3. [6]Nguyen, D. H., Bui-Tien, T., Roeck, G. D., & Wahab, M. A. (2021). Damage detection in structures using modal curvatures gapped smoothing method and deep learning. Structural Engineering and Mechanics, 77(1), 47-56.

2020

  1. [5]Nguyen, T. T., Pham Duy, H., Pham Thanh, T., & Vu, H. H. (2020). Compressive Strength Evaluation of Fiber-Reinforced High-Strength Self-Compacting Concrete with Artificial Intelligence. Advances in Civil Engineering, 2020.
  2. [4]Nguyen, D. H., Nguyen, Q. B., Bui-Tien, T., De Roeck, G., & Wahab, M. A. (2020). Damage detection in girder bridges using modal curvatures gapped smoothing method and Convolutional Neural Network: Application to Bo Nghi bridge. Theoretical and Applied Fracture Mechanics, 109, 102728.
  3. [3]Nguyen, D. H., Tran-Ngoc, H., Bui-Tien, T., De Roeck, G., & Wahab, M. A. (2020). Damage detection in truss bridges using transmissibility and machine learning algorithm: Application to Nam O bridge. Smart Structures and Systems, 26(1), 35-47.

2019

  1. [2]Nguyen H.D., Bui T.T., De Roeck G., Abdel Wahab M. (2019) Damage Detection in Ca-Non Bridge Using Transmissibility and Artificial Neural Networks. Structural Engineering and Mechanics. An International Journal
  2. [1]Nguyen H.D., Bui T.T., De Roeck G., Abdel Wahab M. (2019) Damage Detection in Simply Supported Beam Using Transmissibility and Auto-Associative Neural Network. In: Abdel Wahab M. (eds) . Proceedings of the 1st International Conference on Numerical Modelling in Engineering. NME 2018.

Méthode : chaque publication figurant sur les profils des enseignants actuels et retraités a été rattachée à un ou plusieurs des 8 domaines d’après son titre et son support de publication ; une publication peut figurer dans plusieurs domaines.