Dự báo độ dẻo Marshall của hỗn hợp bê tông nhựa chặt bằng mô hình tăng cường độ dốc

Bê tông nhựa chặt (BTNC) đóng vai trò thiết yếu trong xây dựng kết cấu áo đường, với yêu cầu thiết kế và đánh giá chất lượng nghiêm ngặt. Trong đó, độ dẻo Marshall (MF) là một chỉ tiêu quan trọng quyết định hiệu suất vật liệu. Phương pháp thí nghiệm truyền thống để xác định MF thường tốn kém và mất thời gian, đặc biệt khi cần điều chỉnh thiết kế, dẫn đến lãng phí đáng kể. Sự cần thiết phải tìm kiếm các phương pháp dự báo hiệu quả và chính xác hơn là vô cùng cấp bách. Nghiên cứu này hướng tới việc áp dụng các mô hình học máy để dự đoán độ dẻo Marshall của BTNC, nhằm khắc phục những hạn chế cố hữu của phương pháp truyền thống, đồng thời nâng cao hiệu quả trong thiết kế và thi công đường bộ.

Các kỹ sư xây dựng đường bộ, nhà nghiên cứu vật liệu, chuyên gia về học máy trong lĩnh vực kỹ thuật xây dựng và các nhà quản lý dự án quan tâm đến việc tối ưu hóa thiết kế bê tông nhựa và quy trình kiểm soát chất lượng.

Nghiên cứu này tập trung vào việc dự đoán độ dẻo Marshall (MF) của hỗn hợp bê tông nhựa chặt (BTNC) bằng cách ứng dụng các mô hình học máy tiên tiến. Tầm quan trọng của việc dự đoán chính xác MF nằm ở khả năng tối ưu hóa thiết kế vật liệu và tiết kiệm đáng kể chi phí, thời gian so với các phương pháp thí nghiệm truyền thống. Nhóm nghiên cứu đã xây dựng một bộ dữ liệu toàn diện bao gồm 90 mẫu BTNC với chín biến đầu vào ảnh hưởng và MF là biến đầu ra. Ba mô hình học máy chính, gồm Gradient Boosting, Light Gradient Boosting và Decision Tree, đã được phát triển và đánh giá kỹ lưỡng. Để xác định mô hình tối ưu, các nhà nghiên cứu đã tiến hành so sánh hiệu suất dự đoán của ba mô hình này qua 20 lần chạy mô phỏng, mỗi lần sử dụng các bộ dữ liệu huấn luyện và kiểm tra được xáo trộn ngẫu nhiên. Kết quả chỉ ra rằng mô hình Gradient Boosting đạt hiệu suất dự đoán vượt trội nhất, với độ chính xác cao (R²test = 0,91). Điều này khẳng định tiềm năng lớn của học máy trong việc dự báo chính xác các tính chất vật liệu phức tạp. Ngoài ra, biểu đồ SHAP đã được sử dụng để phân tích và trực quan hóa mức độ ảnh hưởng của từng biến đầu vào đối với MF, cung cấp cái nhìn sâu sắc về các yếu tố tác động. Nghiên cứu cung cấp một hướng dẫn thực tế để sử dụng mô hình học máy này, góp phần cải thiện đáng kể quy trình thiết kế và kiểm soát chất lượng BTNC trong ngành xây dựng đường bộ, hướng tới các giải pháp kỹ thuật số và bền vững hơn.