Xây dựng tuyến đường cao tốc dài 105 km qua vùng đồng bằng Bắc Bộ đặt ra thách thức lớn về xử lý nền đất yếu. Tại các vị trí đầu cầu vượt thuộc dự án cao tốc Hà Nội – Hải Phòng, chiều cao đắp nền có đoạn lên tới 9 đến 10 mét. Với khối lượng đất đắp khổng lồ, áp lực đè xuống nền ruộng tự nhiên đạt khoảng 100 kPa, tương đương tải trọng của một khối nhà 12 đến 15 tầng.
Nếu tính toán sai thời điểm nền đất ngừng biến dạng, mặt đường rất dễ gãy nứt sau khi đưa vào khai thác. Ngược lại, nếu kéo dài thời gian chờ lún quá mức cần thiết, tiến độ toàn dự án sẽ đình trệ và chi phí máy móc nằm chờ tại công trường tăng cao.
Dưới đây là phân tích chi tiết về đồ án tốt nghiệp của học viên Hùng Hồ trong chương trình Data Science thực chiến tại Cole.vn, giải quyết bài toán dự báo độ lún bằng mạng nơ-ron học sâu kết hợp kiến thức cơ học đất.
Tóm Tắt Nhanh Case Study
Dự án: Cao tốc Hà Nội – Hải Phòng, đoạn tuyến qua tầng đất bùn sét có chiều dày lớn.
Bài toán kỹ thuật: Theo dõi và dự báo mức độ lún tích lũy theo thời gian khi thi công nền đường đắp cao.
Vướng mắc ban đầu: Mô hình máy học chỉ nhận 2 biến số cơ bản là chiều cao đắp và số ngày quan trắc nên đưa ra dự báo sai lệch lớn, đường cong suy giảm không ổn định.
Giải pháp điều chỉnh: Bổ sung các thông số vật lý gồm biến thiên hệ số thấm K và nhân tố thời gian Tv vào tập dữ liệu huấn luyện của mạng LSTM.
Kết quả: Sai số của mô hình giảm hơn 80%, đường dự báo khớp với chuỗi số liệu quan trắc cọc mốc thực địa.
1. Bài toán công trường: Nền đất yếu và quy trình đắp tải nhiều đợt
Đặc điểm của bùn sét đồng bằng là chứa nhiều nước và cường độ chịu lực ban đầu rất thấp. Nếu nhà thầu đổ dồn toàn bộ lượng đất đắp đến cao độ thiết kế ngay trong một lần, khối đất bên dưới sẽ bị trượt cung tròn và gây sụp đổ toàn bộ mái ta-luy.
Do đó, kỹ sư bắt buộc phải chia nhỏ quá trình thi công thành nhiều giai đoạn:
Đắp gia tải từng lớp: Ban đầu chỉ đắp 1 đến 2 mét rồi dừng lại. Sau khi nền đất nén bớt nước và tăng dần độ bền, nhà thầu mới tiếp tục đắp các lớp tiếp theo.
Chờ cố kết: Mỗi giai đoạn chờ lún kéo dài từ vài tháng đến cả năm.
Dỡ tải hoàn thiện: Khi độ lún đạt ngưỡng ổn định theo tiêu chuẩn quan trắc chuyển vị TCVN 9360:2012, đơn vị thi công mới gạt bỏ lớp đất đắp quá tải phía trên để thảm mặt đường bê tông nhựa.
Tần suất đo đạc ngoài hiện trường cũng thay đổi theo thời gian: giai đoạn đầu mới đắp thì đo hàng ngày, còn giai đoạn về sau khi biến dạng chậm dần thì kỹ sư chuyển sang chu kỳ 7 ngày hoặc 14 ngày một lần.
2. Thử nghiệm ban đầu với mạng nơ-ron chuỗi thời gian
Dữ liệu độ lún là chuỗi số liệu phụ thuộc chặt chẽ vào các bước thời gian trong quá khứ. Vì vậy, tác giả chọn kiến trúc mạng LSTM (Long Short-Term Memory) – một dạng mạng nơ-ron hồi quy có khả năng ghi nhớ thông tin dài hạn và giải quyết được lỗi tiêu biến đạo hàm khi chuỗi thời gian kéo dài hàng trăm ngày.
Bạn đọc muốn tìm hiểu nền tảng xây dựng mô hình dự báo dạng này có thể tham khảo thêm bài viết Data Science là gì và lộ trình học chuẩn chỉnh.
Trong thử nghiệm đầu tiên, mô hình chỉ nhận hai biến đầu vào:
Thời gian quan trắc: Số ngày tính từ khi bắt đầu đắp nền.
Chiều cao tải đắp: Lượng đất bù phụ trên bề mặt tại từng thời điểm.
Tập dữ liệu gồm hơn 670 bản ghi được chia theo tỷ lệ 70% để huấn luyện và 30% để kiểm định. Kết quả cho thấy đường dự báo của LSTM bị lệch pha nghiêm trọng so với thực tế đo đạc. Hàm mất mát trên tập kiểm định dao động liên tục và không thể hội tụ về giá trị mong muốn.
Thuật toán học máy khi xử lý thuần túy theo dữ liệu thô đã coi mối quan hệ giữa tải trọng và thời gian là tuyến tính, trong khi bản chất của nền đất biến đổi phức tạp hơn rất nhiều.
3. Khắc phục sai số bằng việc tích hợp cơ học đất
Tác giả quay lại phân tích cơ chế vật lý của quá trình lún cố kết: Lún xảy ra do nước trong các lỗ rỗng của đất bị ép thoát ra ngoài dưới sức nặng của lớp đất đắp.
Quá trình này diễn ra theo hai pha rõ rệt:
Giai đoạn đầu: Lỗ rỗng trong đất còn lớn, nước thoát ra nhanh nên tốc độ lún ban đầu rất cao.
Giai đoạn sau: Đất nén chặt lại, các lỗ rỗng thu hẹp thể tích khiến khả năng thoát nước suy giảm mạnh. Tốc độ lún vì thế chậm dần lại theo hàm mũ cho đến khi tắt lún.
Khả năng dẫn nước của đất được đặc trưng bởi hệ số thấm K. Khi độ lún tăng lên, hệ số thấm K sẽ giảm tương ứng.
Nắm được nguyên lý này, học viên tính toán và đưa thêm hai đặc trưng kỹ thuật vào bảng dữ liệu:
Hệ số thấm động K: Phản ánh mức độ thu hẹp của các khoang rỗng chứa nước theo từng bước lún của nền đường.
Nhân tố thời gian cố kết Tv: Đại lượng xác định mức độ hoàn thành quá trình thoát nước của tầng bùn sét.
| Chỉ số đánh giá | Chỉ dùng thời gian và chiều cao đắp | Bổ sung hệ số thấm K và nhân tố Tv | Mức độ cải thiện |
|---|---|---|---|
| Hàm mất mát (Validation Loss) | 0.042 (Dao động mạnh) | 0.008 (Hội tụ đều) | Giảm hơn 80% sai số |
| Hệ số xác định (R2 Score) | 0.81 | 0.96 | Dự báo bám sát số liệu đo |
| Độ ổn định khi ngoại suy | Lệch pha khi gặp đợt đắp mới | Khớp điểm tắt lún thực tế | Sai số nằm trong biên độ cho phép |
Kết quả sau khi bổ sung hai biến số này cải thiện rõ rệt: sai số kiểm định giảm hơn 80% và đường cong dự báo bám khít số liệu quan trắc thực tế tại gói thầu. Cách tiếp cận kết hợp giữa thuật toán học sâu và mô hình giải tích vật lý giúp thuật toán hiểu được cơ chế vận hành của đối tượng thay vì chỉ phán đoán mù quáng dựa trên các con số. Chi tiết về cách cài đặt các mô hình này có tại chuyên mục kỹ thuật huấn luyện Deep Learning trên chuỗi thời gian.
4. Ba kinh nghiệm xử lý kỹ thuật khi huấn luyện mô hình
Quá trình triển khai mô hình trên tập dữ liệu thực địa mang lại ba bài học thực tế cho người làm dữ liệu kỹ thuật:
Chọn kích thước cửa sổ trượt phù hợp
Thông số Look-back quy định số ngày trong quá khứ mà mô hình dùng để suy đoán độ lún của ngày kế tiếp. Thử nghiệm trên ba mốc cho thấy:
Cửa sổ 6 ngày: Mô hình quá nhạy cảm với các biến động ngắn hạn, dễ bị sai lệch do lỗi thiết bị đo.
Cửa sổ 18 ngày: Mô hình phản ứng chậm khi công trường bắt đầu vào đợt đắp mới.
Cửa sổ 12 ngày: Đạt độ cân bằng tối ưu giữa việc nắm bắt quán tính lún và tốc độ thay đổi tải trọng.
Kiểm soát độ dao động của kích thước lô dữ liệu
Với tập dữ liệu công trình nhỏ (dưới 1.000 dòng), việc chọn Batch Size quá lớn (128 hoặc 256) dễ khiến mô hình rơi vào các điểm tối ưu cục bộ. Ngược lại, Batch Size nhỏ (như 16 hay 32) lại gây ra hiện tượng kết quả thay đổi giữa các lần chạy ngẫu nhiên. Giải pháp là cố định Random Seed từ đầu, chọn mức Batch Size trung gian khoảng 48 đến 64 và đặt thêm lớp Batch Normalization trước tầng ngõ ra Dense.
Chuẩn hóa chuỗi thời gian không đồng đều
Việc giãn cách đo đạc từ 1 ngày sang 7 ngày một lần khiến chuỗi dữ liệu bị đứt gãy về mặt nhịp điệu. Đưa trực tiếp bước nhảy này vào mạng LSTM sẽ làm thuật toán ước lượng sai tốc độ lún. Kỹ sư cần thực hiện phép nội suy chuỗi dữ liệu về nhịp bước 1 ngày thống nhất trước khi đưa vào tập huấn luyện.
5. Giá trị của chuyên môn ngành khi giải quyết bài toán dữ liệu
Đồ án dự báo độ lún cao tốc Hà Nội – Hải Phòng chỉ ra rằng: năng lực phân tích dữ liệu chỉ phát huy tối đa hiệu quả khi người làm mô hình nắm chắc bản chất ngành nghề.
Dù xuất phát điểm từ ngành xây dựng, cơ khí, tài chính hay chuỗi cung ứng, việc đưa hiểu biết nghiệp vụ vào bước trích xuất đặc trưng giúp bài toán máy học đạt độ tin cậy vượt trội so với các mô hình toán học thuần túy.
Để rèn luyện tư duy phân tích thực tế và xây dựng các sản phẩm dữ liệu có chiều sâu ứng dụng, bạn đọc có thể tham khảo chương trình đào tạo Data Science tại Cole.vn – nơi học viên trực tiếp giải quyết các bài toán dữ liệu thực tế dưới sự hướng dẫn của các chuyên gia trong ngành.
