T. 15 S. 06 (2025): Tạp chí Vật liệu & xây dựng
##common.pageHeaderLogo.altText##
Tạp chí Vật liệu và Xây dựng - Bộ Xây dựng

ISSN:

Website: www.jomc.vn

Ứng dụng công nghệ số và trí tuệ nhân tạo trong đánh giá độ bền vật liệu ô tô: tiềm năng và xu hướng phát triển

Nguyễn Hải Trân , Nguyễn Đức Quý

Từ khóa:

Vật liệu ô tô
Kiểm định độ bền
Trí tuệ nhân tạo
Mô phỏng số
Thuật toán học máy

Tóm tắt

Trong bối cảnh ngành công nghiệp ô tô chuyển dịch mạnh mẽ sang các xu hướng xe điện, xe tự hành và phát triển bền vững, việc kiểm định và đánh giá độ bền vật liệu ngày càng trở nên quan trọng nhằm đảm bảo an toàn, tối ưu hiệu suất và giảm chi phí sản xuất. Các phương pháp kiểm định truyền thống như thử cơ học (kéo, nén, mỏi, va chạm) và kiểm định không phá hủy (siêu âm, X-quang, từ trường) tuy đã được ứng dụng rộng rãi nhưng vẫn tồn tại những hạn chế như chi phí cao, thời gian kéo dài và khó dự đoán chính xác trong điều kiện vận hành thực tế. Sự phát triển của công nghệ số và trí tuệ nhân tạo (AI) đã mở ra những cơ hội mới, trong đó các công cụ mô phỏng số như CAE (Computer-Aided Engineering), FEM (Finite Element Method) hay mô hình song sinh số (Digital Twin) cho phép dự đoán hành vi vật liệu trong nhiều kịch bản vận hành khác nhau. Đồng thời, các thuật toán học máy (Machine Learning) và học sâu (Deep Learning) đã chứng minh hiệu quả trong việc xử lý dữ liệu lớn, nhận dạng vi cấu trúc vật liệu, phát hiện hư hỏng từ hình ảnh hoặc tín hiệu cảm biến. Bài báo này tập trung tổng quan các nghiên cứu gần đây về ứng dụng công nghệ số và AI trong kiểm định độ bền vật liệu ô tô, đồng thời so sánh với một số ứng dụng trong lĩnh vực xây dựng nhằm rút ra những bài học liên ngành. Trên cơ sở đó, bài báo thảo luận ưu điểm, thách thức và đưa ra xu hướng phát triển tương lai, hướng tới hệ thống kiểm định vật liệu thông minh, tự động hóa và bền vững.

Điều hướng Người dùng

Cách trích dẫn

Nguyễn Hải Trân, & Nguyễn Đức Quý. (2025). Ứng dụng công nghệ số và trí tuệ nhân tạo trong đánh giá độ bền vật liệu ô tô: tiềm năng và xu hướng phát triển. Tạp Chí Vật liệu Và Xây dựng - Bộ Xây dựng, 15(06). https://doi.org/10.54772/jomc.06.2025.1098

Tài liệu tham khảo

  1. A. Theissler, J. Pérez-Velázquez, M. Kettelgerdes, and G. Elger, “Predictive maintenance enabled by machine learning: Use cases and challenges in the automotive industry,” Reliability Engineering & System Safety, vol. 215, p. 107864, 2021. DOI:10.1016/j.ress.2021.107864.
  2. D. Zhong, Z. Xia, Y. Zhu, and J. Duan, “Overview of predictive maintenance based on digital twin technology,” Heliyon, vol. 9, no. 4, e14534, 2023. DOI:10.1016/j.heliyon.2023.e14534.
  3. C. Chen, H. Fu, Y. Zheng, F. Tao, and Y. Liu, “The advance of digital twin for predictive maintenance: The role and function of machine learning,” Journal of Manufacturing Systems, 2023. DOI:10.1016/j.jmsy.2023.10.010.
  4. W. Booyse, D. N. Wilke, and S. Heyns, “Deep digital twins for detection, diagnostics and prognostics,” Mechanical Systems and Signal Processing, vol. 140, 106612, 2020. DOI:10.1016/j.ymssp.2019.106612.
  5. R. Minerva, G. M. Lee, and N. Crespi, “Digital Twin in the IoT context: A survey on technical features, scenarios, and architectural models,” Proceedings of the IEEE, vol. 108, pp. 1785–1824, 2020. DOI:10.1109/JPROC.2020.2998530.
  6. T. Vrana and R. Singh, “NDE 4.0: Design thinking perspective,” Journal of Nondestructive Evaluation, vol. 40, 27, 2021. DOI:10.1007/s10921-020-00735-9.
  7. F. Venturini, J. Serrano-Muñoz, F. Memola, A. Dialli, and D. Menghini, “Virtual testing of the fatigue performance of automotive wheels: A digital twin approach,” Engineering Failure Analysis, vol. 158, 107979, 2024. DOI:10.1016/j.engfailanal.2024.107979.
  8. A. P. Putra and A. Machmud, “Predicting the fatigue life of an automotive coil spring due to road surface roughness,” Engineering Failure Analysis, vol. 116, 104722, 2020. DOI:10.1016/j.engfailanal.2020.104722.
  9. Y.-Y. Zhou and H.-C. Chang, “A virtual iteration method for ride comfort improvement and fatigue durability enhancement of a rear axle,” Shock and Vibration, 2022, Article ID 8598491. DOI:10.1155/2022/8598491.
  10. M. N. Hamada, H. D. Ma, and M.-G. Lee, “Advancing fatigue life prediction with machine learning: A comprehensive review,” Materials Today Communications, vol. 36, 111525, 2025. DOI:10.1016/j.mtcomm.2025.111525.
  11. A. A. Gbagba, F. C. Niccolò, S. Vladimiro, and F. Concli, “Advances in machine learning techniques used in fatigue life prediction of welded structures: A review,” Applied Sciences, vol. 14, no. 1, 398, 2024. DOI:10.3390/app14010398.
  12. K. Wang et al., “Weld surface defect detection using attention-driven deep learning models,” Scientific Reports, vol. 14, 2407, 2024. DOI:10.1038/s41598-024-56794-9.
  13. Y. Zhang and Q. Ni, “A novel weld-seam defect detection algorithm based on the S-YOLO model,” Axioms, vol. 12, no. 7, 697, 2023. DOI:10.3390 /axioms12070697.
  14. J. Liu, L. Zhang, and X. Deng, “Intelligent metal welding defect detection model on X-ray images based on improved FAST-PNN,” Coatings, vol. 12, no. 10, 1523, 2022. DOI:10.3390/coatings12101523.
  15. X. Zhong, J. Zhang, J.-C. Chang, and K. T. Chu, “Explainable machine learning in materials science,” npj Computational Materials, vol. 8, 144, 2022. DOI:10.1038/s41524-022-00884-7.
  16. F. Oviedo et al., “Interpretable and explainable machine learning for materials science and chemistry,” Accounts of Materials Research, vol. 3, pp. 597–607, 2022. DOI:10.1021/accountsmr.1c00244.
  17. L. Wang, S.-P. Zhu, and C. Luo, “Physics-guided machine learning frameworks for fatigue life prediction of AM materials,” International Journal of Fatigue, vol. 172, 107658, 2023. DOI:10.1016/j.ijfatigue.2023.107658.
  18. P. J. Phillips et al., “Four principles of explainable artificial intelligence,” NIST Interagency/Internal Report (NIST IR 8312), 2021. DOI:10.6028/NIST.IR.8312.
  19. S. Werbińska-Wojciechowska and G. Skorupka, “Digital twin approach for operation and maintenance of transportation system—Systematic review,” Sensors, vol. 24, no. 18, 6069, 2024. DOI:10.3390/s24186069.
  20. M. Pech, J. Brida, and D. Vrchota, “Predictive maintenance and intelligent sensors in smart factory: Review,” Sensors, vol. 21, no. 4, 1247, 2021. DOI:10.3390/s21041247.
  21. Gauthier, M. (2023, June 30). Audi And Volkswagen Will Use AI For Quality Control Purposes. Carscoops. https://www.carscoops.com/2023/06/audi-and-volkswagen-will-use-ai-for-quality-control-purposes/