Dữ liệu & AI
Tiến sĩ Donie Jardeleza, giảng viên và nhà nghiên cứu tại BUV, đang thúc đẩy ngành kỹ thuật kết cấu với các kỹ thuật mô hình hóa dự đoán sáng tạo.
Cập nhật thông tin mới nhất
Trang web của chúng tôi sử dụng cookies để nâng cao trải nghiệm người dùng của bạn và hiệu quả của các hoạt động tiếp thị của chúng tôi. Bằng cách nhấn vào “Chấp nhận” hoặc đóng cửa sổ này để tiếp tục duyệt web, bạn đang đồng ý với việc sử dụng tất cả các cookies của chúng tôi. Nếu bạn không đồng ý với tất cả các cookies, vui lòng chọn “Quản lý cookies”. Tìm hiểu thêm về Chính sách Quyền riêng tư và Chính sách Cookie của chúng tôi để biết thêm chi tiết.
Tiến sĩ Donie Jardeleza, giảng viên và nhà nghiên cứu tại BUV, đang thúc đẩy ngành kỹ thuật kết cấu với các kỹ thuật mô hình hóa dự đoán tiên tiến. Với chuyên môn trong lĩnh vực Khoa học Dữ liệu, Máy học và Internet Vạn vật (IoT), nghiên cứu của ông giúp cải thiện độ chính xác trong dự đoán cường độ chịu nén của bê tông – một yếu tố quan trọng để xây dựng cơ sở hạ tầng an toàn và bền vững hơn.
Bằng cách kết hợp phân tích dữ liệu tiên tiến với kỹ thuật xây dựng, Tiến sĩ Jardeleza phát triển các phương pháp thông minh hơn để đánh giá vật liệu xây dựng. Công trình nghiên cứu mới nhất của ông tích hợp phương pháp phân cụm K-Medoids và Rừng Hồi quy Phân vị (Quantile Regression Forests – QRF) – hai kỹ thuật máy học giúp nâng cao độ chính xác của dự đoán đồng thời giảm thiểu sự sai lệch dữ liệu.
Trong nghiên cứu Predictive Modeling of Compressive Strength composition values for structural studies using K-medoids clustering and Quantile Regression Forests (tạm dịch: "Mô hình dự đoán các giá trị thành phần ảnh hưởng đến cường độ chịu nén cho các nghiên cứu kết cấu bằng phương pháp phân cụm K-Medoids và rừng hồi quy phân vị"), ông đề xuất một cách tiếp cận sáng tạo kết hợp giữa phân cụm K-Medoids và QRF để giảm nhiễu, nâng cao độ chính xác và cung cấp khoảng dự đoán tin cậy. Khác với các phương pháp phân cụm truyền thống, K-Medoids hạn chế ảnh hưởng của các giá trị ngoại lai, từ đó tạo ra sự phân loại ổn định hơn cho các hỗn hợp bê tông. Đồng thời, QRF giúp dự đoán chính xác giá trị cường độ chịu nén trong khoảng tin cậy lên đến 90%. Phương pháp này đã mở ra hướng đi mới cho mô hình dự đoán đáng tin cậy và hiệu quả hơn trong ngành kỹ thuật kết cấu.
Ngoài ra, trong nghiên cứu Ubiquitous Robot for Structural Studies: Comparative Analysis on Concrete Crack Images using Feature Detection and Matching (tạm dịch: "Robot phục vụ nghiên cứu kết cấu: Phân tích so sánh hình ảnh vết nứt bê tông bằng kỹ thuật phát hiện và đối sánh đặc trưng"), ông tiếp tục thúc đẩy công nghệ đánh giá kết cấu thông qua việc phát triển hệ thống robot tự hành cấp độ 4, chuyên dùng để kiểm tra kết cấu bê tông. Nghiên cứu này đáp ứng nhu cầu ngày càng tăng về các giải pháp tự động trong giám sát kết cấu dài hạn. Bằng cách áp dụng các thuật toán phát hiện và đối sánh đặc trưng, hệ thống robot có khả năng phân tích hình ảnh vết nứt trên bề mặt bê tông, so sánh dữ liệu thực tế với các tập dữ liệu đã huấn luyện sẵn. Qua nhiều thử nghiệm, ông chứng minh khả năng xử lý hình ảnh của hệ thống trong các điều kiện biến đổi như phóng to, xoay và méo hình. Công nghệ này đã thiết lập một chuẩn mực mới cho việc kiểm định kết cấu không người điều khiển, giúp giảm thiểu sự phụ thuộc vào lao động thủ công, đồng thời nâng cao đáng kể hiệu quả và độ chính xác trong đánh giá chất lượng công trình.
Công trình của Tiến sĩ Jardeleza thể hiện cam kết của BUV đối với nghiên cứu tiên phong và ứng dụng thực tiễn, cho thấy tiềm năng to lớn của các phương pháp dựa trên dữ liệu trong việc cách mạng hóa các thực hành kỹ thuật truyền thống. Với những đóng góp này, ông không chỉ mở rộng tri thức học thuật mà còn góp phần định hình tương lai của ngành xây dựng bền vững và an toàn.
KHÁM PHÁ THÊM
