Đáng chú ý, PGS.TS. Đặng Xuân Trường, Phó Chủ tịch Hội Khoa học Kỹ thuật Xây dựng TP. Hồ Chí Minh, Trưởng Bộ môn Quản lý hạ tầng đô thị, Trường Đại học Tài nguyên và Môi trường TP. Hồ Chí Minh , đã trình bày đề tài “Ứng dụng AI và Digital Twin: Cảnh báo sớm chuyển vị tường vây và lún nền lân cận của hố đào sâu trong đô thị”.
TP.Hồ Chí Minh đang phát triển mạnh không gian ngầm với tầng hầm cao ốc, bãi đỗ xe, trung tâm thương mại và metro. Song nền đất yếu, mực nước ngầm cao khiến các hố đào sâu từ 10–20 m trở thành thách thức lớn về an toàn, nhất là khi nằm sát công trình hiện hữu. Theo báo cáo, hố đào có thể mất ổn định qua bốn cơ chế: tường vây dịch chuyển ngang, nền lân cận lún gây nứt công trình, đáy hố trồi hoặc sập, và hệ chống hư hỏng. Các cơ chế này thường tương tác, dễ dẫn đến sự cố lan rộng. Trong khi đó, công nghệ hiện nay còn hạn chế: mô phỏng chính xác nhưng chậm, thông số đất bất định, quan trắc chỉ phản ánh dữ liệu quá khứ, cảnh báo chủ yếu dựa vào kinh nghiệm. Thành phố được khuyến nghị sớm xây dựng hệ thống dự báo rủi ro chủ động để vừa phát triển hạ tầng ngầm, vừa đảm bảo an toàn cho cộng đồng.
Để khắc phục, nhóm nghiên cứu đề xuất xây dựng một hệ thống Digital Twin - bản sao số được đồng bộ liên tục với công trình thực, có lõi là mô hình thay thế (surrogate) bằng học máy. Mô hình này học trực tiếp từ kết quả mô phỏng Plaxis, nên sau khi huấn luyện có thể dự báo chuyển vị và lún chỉ trong vài giây thay vì hàng giờ, đủ nhanh để vận hành thời gian thực. Báo cáo nhấn mạnh surrogate không thay thế Plaxis trong nghiên cứu hay thiết kế chính xác, mà bổ trợ ở vai trò “tính nhanh” phục vụ giám sát.
Về phương pháp, mỗi ca mô phỏng được chạy theo đúng trình tự thi công (staged construction) và sinh tự động bằng kỹ thuật lấy mẫu Latin Hypercube để phủ đều không gian tham số đất, hình học và hệ chống. Trên nền dữ liệu đó, mô hình AI được xây theo ba tầng từ đơn giản đến phức tạp: XGBoost/LightGBM làm nền, mạng học sâu (LSTM, Transformer) cho dự báo theo chuỗi giai đoạn đào, và mạng nơ-ron nhúng vật lý (PINN) cho các tình huống ngoài miền dữ liệu. Đặc biệt, hệ thống định lượng độ bất định: thay vì một con số, dự báo đi kèm dải tin cậy, và cảnh báo dựa trên cận trên của dải này để thiên về an toàn.
Điểm cốt lõi giúp Digital Twin “sống” cùng công trình là cơ chế đồng hóa dữ liệu: sau mỗi giai đoạn đào, số liệu quan trắc thực (chuyển vị, lún, áp lực nước) được dùng để hiệu chỉnh lại thông số đất qua lọc Bayesian hoặc Kalman, nhờ đó càng đào sâu dự báo càng đáng tin. Kết quả được thể hiện qua cơ chế cảnh báo ba cấp – xanh (an toàn), cam (cảnh báo) và đỏ (nguy hiểm) – trên một dashboard thời gian thực, kết nối cảm biến IoT và tích hợp BIM/GIS để định vị cảnh báo ngay trên cấu kiện, đồng thời quản lý nhiều hố đào trên bản đồ đô thị.
Đề tài dự kiến triển khai trong vòng một năm, theo bốn giai đoạn cuốn chiếu: xây dựng cơ sở dữ liệu mô phỏng, huấn luyện mô hình AI, tích hợp Digital Twin và đồng hóa dữ liệu, cuối cùng là thiết lập ngưỡng cảnh báo cùng hệ thống dashboard. Các chỉ tiêu thành công đặt ra gồm hệ số xác định R² đạt từ 0,95 trở lên và thời gian dự báo mỗi ca dưới vài giây. Ngay từ giai đoạn tích hợp, hệ thống sẽ được thử nghiệm trên một công trình thí điểm nhằm kiểm chứng với số liệu thực tế.
Báo cáo nhận định hướng đi này khả thi, chi phí khởi động thấp nhờ tận dụng nguồn dữ liệu mô phỏng sẵn có. Đồng thời, đề tài có tính mới để công bố quốc tế khi kết hợp ba yếu tố mà các nghiên cứu trước chưa thực hiện đồng thời: cảnh báo thời gian thực, định lượng bất định và hiệu chuẩn riêng cho nền đất yếu tại Việt Nam. Từ đó, tác giả đề xuất mô hình hợp tác ba bên gồm doanh nghiệp thi công, viện/trường và cơ quan quản lý, cùng xây dựng cơ sở dữ liệu chung và triển khai công trình thí điểm tại TP. Hồ Chí Minh.
