AI đang rút ngắn chu kỳ thiết kế cấp phối bê tông cho công trình công nghiệp

Nếu trước đây việc tối ưu cấp phối bê tông chủ yếu dựa vào kinh nghiệm và nhiều vòng thử nghiệm lặp lại, thì các thử nghiệm gần đây của Meta cho thấy AI đã bắt đầu can thiệp trực tiếp vào quy trình này. Với các dự án công nghiệp, trung tâm dữ liệu, nền móng lớn và kết cấu cần cường độ sớm, đây là tín hiệu quan trọng cho khối thí nghiệm vật liệu và tư vấn kỹ thuật.

Vì sao chủ đề này đáng chú ý?

Trong bài viết công bố ngày 16/7/2025, Meta cho biết họ đã phát triển một công cụ AI mã nguồn mở để thiết kế cấp phối bê tông “mạnh hơn, bền vững hơn và sẵn sàng thi công nhanh hơn”. Mô hình này sử dụng Bayesian optimization trên nền BoTorch và Ax, phối hợp cùng Amrize và Đại học Illinois Urbana-Champaign.

Điểm quan trọng là công cụ này không chỉ dừng ở mô phỏng. Meta cho biết cấp phối được AI tối ưu đã được triển khai tại hiện trường xây dựng trung tâm dữ liệu. Đến bài cập nhật ngày 30/3/2026, hãng tiếp tục công bố rằng một cấp phối dùng vật liệu nội địa Mỹ đã đạt cường độ kết cấu đầy đủ nhanh hơn 43% so với công thức gốc, đồng thời giảm rủi ro nứt gần 10%.

AI thay đổi phần nào của chuỗi thí nghiệm?

AI không thể bỏ qua khâu thử nghiệm vật liệu. Thứ nó thay đổi là thứ tự ưu tiên của các phương án thử. Thay vì thử nhiều phương án gần như ngẫu nhiên, mô hình sẽ chọn ra những tổ hợp đáng thử nhất dựa trên dữ liệu đã có, rồi cập nhật liên tục khi kết quả thực tế quay ngược về hệ thống.

Điều này rất phù hợp với bối cảnh công trường hiện nay: tiến độ nhanh hơn, vật liệu đầu vào biến động hơn, yêu cầu giảm phát thải cao hơn nhưng độ an toàn kết cấu không được giảm. Với tư vấn kỹ thuật, AI có thể rút ngắn thời gian tìm phương án. Với phòng thí nghiệm, AI giúp tập trung nguồn lực vào các phép thử có giá trị quyết định cao nhất.

Tác động với dự án dân dụng và công nghiệp

Ở dự án dân dụng quy mô lớn, AI có thể hỗ trợ tối ưu cấp phối cho các cấu kiện cần tháo cốp pha sớm, khống chế nứt và kiểm soát biến động giữa các lô bê tông thương phẩm. Ở dự án công nghiệp hoặc hạ tầng kỹ thuật, AI mở ra khả năng cân bằng tốt hơn giữa cường độ, tốc độ đóng rắn, độ bền và phát thải.

Tuy nhiên, doanh nghiệp không nên hiểu sai rằng AI tự động “thay kỹ sư”. Dữ liệu hiện trường, quy trình lấy mẫu, bảo dưỡng mẫu và diễn giải kết quả vẫn là phần việc của đội ngũ kỹ thuật. Nếu dữ liệu đầu vào kém, mô hình tối ưu cũng chỉ cho ra một quyết định kém.

Điều các đơn vị thí nghiệm nên chuẩn bị

• Chuẩn hóa dữ liệu thí nghiệm theo lô, vật liệu nguồn, điều kiện bảo dưỡng và tuổi mẫu.
• Liên kết dữ liệu phòng thí nghiệm với dữ liệu thi công thực tế để mô hình học đúng bối cảnh vận hành.
• Rà soát những phép thử nào là chỉ tiêu mục tiêu và phép thử nào chỉ là chỉ tiêu sàng lọc.
• Tăng năng lực phân tích dữ liệu và kiểm soát chất lượng số liệu, vì AI chỉ hữu ích khi dữ liệu nền đáng tin.

Trong ngắn hạn, AI chưa thay thế được đội ngũ phòng LAS-XD hoặc kỹ sư vật liệu. Nhưng trong trung hạn, nó sẽ trở thành “công cụ tăng lực” cho những đơn vị biết quản trị dữ liệu tốt. Các doanh nghiệp làm thí nghiệm vật liệu và tư vấn kỹ thuật sớm chuẩn bị năng lực số sẽ có lợi thế rõ rệt.

Nguồn tham khảo

• Meta Engineering, Using AI to make lower-carbon, faster-curing concrete (16/7/2025): https://engineering.fb.com/2025/07/16/data-center-engineering/ai-make-lower-carbon-faster-curing-concrete/
• Meta Engineering, AI for American-Produced Cement and Concrete (30/3/2026): https://engineering.fb.com/2026/03/30/data-center-engineering/ai-for-american-produced-cement-and-concrete/