Logo Nhóm chuyên môn Cầu và Công trình ngầm Cầu và Công trình ngầm Bridge & Tunnel Engineering · HUCE
Hướng nghiên cứu 04

Trí tuệ nhân tạo và bản sao số

Học máy, mạng nơ-ron, học sâu và hồi quy ký hiệu cho phát hiện hư hỏng, dự báo tính chất vật liệu và bản sao số của kết cấu.

26 công bố26 bài báo2019⁠–⁠202610 người có công bố4 giảng viên đăng ký hướng2 đề tài

Tổng quan

Trí tuệ nhân tạo trong Nhóm được dùng như công cụ cho hai bài toán chính: phát hiện hư hỏng kết cấu từ dữ liệu đo, và dự báo tính chất vật liệu từ thành phần của nó. Một điểm riêng là ưu tiên công thức tường minh (“hộp trắng”) bằng lập trình di truyền và hồi quy ký hiệu, để kỹ sư có thể dùng trực tiếp trong thiết kế [19, 20, 24].

Các chủ đề nghiên cứu chính

Phát hiện hư hỏng bằng mạng nơ-ron và học sâu

Hàm truyền dẫn (tỷ số phổ phản ứng giữa hai điểm đo) kết hợp mạng nơ-ron và học máy được áp dụng để phát hiện hư hỏng ở cầu Ca-Non và cầu giàn Nam O [2, 3]. Độ cong dạng dao động làm trơn có khe hở được kết hợp với mạng nơ-ron tích chập và học sâu, áp dụng cho cầu dầm Bo Nghi; với kết cấu bản, độ cong dạng dao động hai chiều được kết hợp với Faster R-CNN [4, 6, 14]. Mạng nơ-ron truyền thẳng được kết hợp với các thuật toán tối ưu toàn cục để phát hiện và lượng hóa hư hỏng [7, 8].

Bản sao số

Khung bản sao số gồm mô hình phần tử hữu hạn, cập nhật mô hình, xử lý tín hiệu và mạng MobileNetV2 phát hiện hư hỏng mức nhẹ của bản từ số liệu độ võng [21].

Dự báo tính chất vật liệu

Cường độ chịu nén và độ rỗng hiệu dụng của bê tông rỗng được dự báo bằng XGBoost, rừng ngẫu nhiên và máy véc-tơ hỗ trợ trên bộ dữ liệu 164 mẫu [10]. Lập trình di truyền cho ra công thức tường minh tính cường độ chịu nén của bê tông cốt sợi thép và hệ số thấm của bê tông rỗng; với bản rỗng dự ứng lực, sức kháng cắt được dự báo bằng mô hình xây dựng từ dữ liệu [17, 19, 20].

Đề tài

Đề tài cấp trường về phát hiện hư hỏng dựa vào ứng xử dao động và mạng nơ-ron nhân tạo, và đề tài cấp Bộ (2023⁠–⁠2024) về mô hình dự báo ứng xử bê tông xi măng rỗng kết hợp trí tuệ nhân tạo và định hướng dữ liệu, thuộc hướng này.

Đề tài nghiên cứu (2)

Tên đề tài theo hồ sơ giảng viên.

  • Chủ nhiệm đề tài (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. Mã số B2023-XDA-03. Đề tài cấp Bộ, Bộ Giáo dục và Đào tạo (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

Hướng phát triển

Các hướng dưới đây là những gì công bố 2023⁠–⁠2026, các đề tài và hướng nghiên cứu ghi trên hồ sơ giảng viên đã cho thấy; trang này không nêu kế hoạch hay kinh phí.

  1. Học sâu cho kiểm tra không phá hủy

    Bài năm 2026 dùng radar xuyên đất (GPR) với YOLOv11 để phát hiện ăn mòn cốt thép trong bản BTCT hoàn toàn không phá hủy và tự động [22].

  2. Mạng nơ-ron kết hợp thuật toán di truyền cho thi công

    Khung ANN–GA năm 2026, huấn luyện trên 675 trường hợp mô phỏng, dự báo và tối ưu thông số ống làm lạnh để kiểm soát trường nhiệt và chống nứt bệ cọc bê tông khối lớn [26].

  3. Công thức tường minh thay cho mô hình hộp đen

    Hồi quy ký hiệu có ràng buộc cho mô đun huyền phù hạt độn cao và công thức hiện của độ chặt cấp phối hạt (năm 2026) tiếp tục hướng đưa học máy về dạng công thức [24, 25]. Hồ sơ giảng viên ghi “xây dựng mô hình bản sao số (digital twin) công trình” và “ứng dụng AI, IoT trong quan trắc công trình” là hướng nghiên cứu.

Người nghiên cứu theo hướng này

Có công bố trong hướng (10)

Giảng viên đăng ký hướng này (4)

Giảng viên hiện nay ghi hướng này trong hồ sơ; cũng là nhóm hiện ra khi lọc theo hướng ở trang Đội ngũ và trên thẻ của trang Nghiên cứu.

Danh mục công bố của hướng (26)

Toàn bộ bài báo, báo cáo hội thảo, chương sách và sách được xếp vào hướng này, mới nhất trước. Tên giảng viên của Nhóm in đậm, * là tác giả liên hệ; tên công bố giữ nguyên ngôn ngữ gốc.

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.

Cách lập danh mục: mỗi công bố trên hồ sơ giảng viên (hiện nay và đã nghỉ hưu) được xếp vào một hoặc nhiều trong 8 hướng theo tên bài và nơi đăng; một công bố có thể có mặt ở nhiều hướng.