[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_t%E1%BB%91i%20%C6%B0u%20h%C3%B3a%20%C4%91a%20m%E1%BB%A5c%20ti%C3%AAu{\"limit\":5}":3,"_public_topic_byId_tối ưu hóa đa mục tiêu":11},{"code":4,"data":5,"meta":10},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":9},[],[],[],[],null,{"code":4,"data":12,"meta":10},{"id":13,"title":14,"description":15,"content":16,"term":13,"englishTitle":17,"synonyms":18,"definition":22,"discipline":23,"references":24,"faqs":42,"createUser":52,"publishUser":56,"keywords":60,"keywordCount":10,"enrichTopicLink":61,"status":62,"createTime":63,"updateTime":64,"publishTime":65,"linkEnrichedTime":10,"publicationScanTime":10,"contentErrorMessage":10,"viewCount":66,"relateTopics":67},"tối ưu hóa đa mục tiêu","Tối ưu hóa đa mục tiêu là gì? Khái niệm Pareto và thuật toán giải","Tối ưu hóa đa mục tiêu tìm kiếm tập nghiệm Pareto tối ưu trong các bài toán kỹ thuật phức tạp thông qua các phương pháp giải tích và thuật toán tiến hóa metaheuristic.","\u003Ch2>Định nghĩa và phạm vi\u003C\u002Fh2>\n\u003Cp>Tối ưu hóa đa mục tiêu (Multi-Objective Optimization, MOO) là quá trình tìm kiếm tập hợp các giải pháp tốt nhất đồng thời theo nhiều hàm mục tiêu có thể mâu thuẫn, không thể gộp thành một tiêu chí duy nhất. Mỗi giải pháp trong tập Pareto đại diện cho một thỏa hiệp giữa các mục tiêu và không thể cải thiện mục tiêu này mà không làm suy giảm mục tiêu khác.\u003C\u002Fp>\n\u003Cp>Không gian quyết định \u003Cscript type=\"math\u002Ftex\">X\u003C\u002Fscript> bao gồm tất cả các biến số đầu vào hợp lệ, thường bị ràng buộc bởi hệ bất đẳng thức và đẳng thức. Không gian mục tiêu là tập hợp các vector \u003Cscript type=\"math\u002Ftex\">F(x) = (f_1(x), f_2(x), \\dots, f_k(x))\u003C\u002Fscript> mà ta cần tối ưu hóa đồng thời.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Ứng dụng kỹ thuật: thiết kế cơ khí, tối ưu kết cấu cầu, cân bằng độ bền và chi phí.\u003C\u002Fli>\n  \u003Cli>Ứng dụng kinh tế: tối ưu lợi nhuận và rủi ro trong đầu tư tài chính.\u003C\u002Fli>\n  \u003Cli>Ứng dụng logistics: tối ưu chi phí vận chuyển và thời gian giao hàng.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Giải thích chi tiết về MOO có thể tham khảo tài liệu giảng dạy của MIT OpenCourseWare ở đây, cung cấp cơ sở lý thuyết và ví dụ minh hoạ.\u003C\u002Fp>\n\n\u003Ch2>Lịch sử và phát triển\u003C\u002Fh2>\n\u003Cp>Nguồn gốc MOO bắt đầu từ công trình của Charnes và Cooper (thập niên sáu mươi) với bài toán lập trình tuyến tính nhiều mục tiêu. Họ đề xuất cách xây dựng hàm mục tiêu tổng hợp bằng trọng số, mở đường cho các phương pháp scalarization.\u003C\u002Fp>\n\u003Cp>Những năm thời kỳ đầu, Kuhn–Tucker và các nhà toán học tiếp tục phát triển lý thuyết tối ưu lồi đa mục tiêu, định nghĩa điều kiện bão hòa và biện luận tối ưu cục bộ. Góc nhìn lý thuyết giúp xác định tính khả thi và tính lồi của miền Pareto.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>thập niên sáu mươi: Charnes & Cooper – Linear Programming đa mục tiêu.\u003C\u002Fli>\n  \u003Cli>thời kỳ đầu: Kuhn–Tucker – Điều kiện tối ưu lồi.\u003C\u002Fli>\n  \u003Cli>sau đós: Phương pháp ε-constraint, phương pháp điểm tham chiếu.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Cách mạng thực sự xảy ra với thuật toán tiến hóa NSGA-II của Deb và cộng sự (2002), cung cấp khả năng tìm và duy trì đa dạng giải pháp Pareto trong một quần thể với độ phức tạp tính toán hợp lý Deb et al., 2002.\u003C\u002Fp>\n\n\u003Ch2>Hình thức bài toán\u003C\u002Fh2>\n\u003Cp>Bài toán MOO điển hình được biểu diễn dưới dạng:\u003C\u002Fp>\n\u003Cscript type=\"math\u002Ftex\">\n\\min_{x\\in X} F(x) = \\bigl(f_1(x), f_2(x), \\dots, f_k(x)\\bigr)\n\u003C\u002Fscript>\n\u003Cp>Trong đó, \u003Cscript type=\"math\u002Ftex\">X = \\{x\\in\\mathbb{R}^n: g_j(x)\\le0\\ (j=1,\\dots,m),\\ h_\\ell(x)=0\\ (\\ell=1,\\dots,p)\\}\u003C\u002Fscript> xác định miền khả thi. Các hàm mục tiêu \u003Cscript type=\"math\u002Ftex\">f_i(x)\u003C\u002Fscript> có thể tuyến tính hoặc phi tuyến, lồi hoặc không lồi.\u003C\u002Fp>\n\u003Cp>Để giải quyết bài toán phi tuyến đa mục tiêu, thường phải chuyển bài toán sang dạng xấp xỉ hoặc phân mảnh thành nhiều bài toán con scalarization:\u003C\u002Fp>\n\u003Col>\n  \u003Cli>Trọng số tuyến tính:  \n    \u003Cscript type=\"math\u002Ftex\">\n    \\min \\sum_{i=1}^k w_i f_i(x),\\quad w_i\\ge0,\\;\\sum w_i=1\n    \u003C\u002Fscript>\n  \u003C\u002Fli>\n  \u003Cli>Phương pháp ε-constraint:  \n    \u003Cscript type=\"math\u002Ftex\">\n    \\min f_p(x)\\ \\text{với}\\ f_i(x)\\le\\varepsilon_i,\\ i\\ne p\n    \\end{script>\n  \u003C\u002Fli>\n\u003C\u002Fol>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Phương pháp\u003C\u002Fth>\n      \u003Cth>Nguyên lý\u003C\u002Fth>\n      \u003Cth>Ưu\u002FNhược\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Trọng số tuyến tính\u003C\u002Ftd>\n      \u003Ctd>Tổng có trọng số các hàm mục tiêu\u003C\u002Ftd>\n      \u003Ctd>Đơn giản; khó áp dụng khi không lồi\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>ε-constraint\u003C\u002Ftd>\n      \u003Ctd>Ràng buộc mục tiêu phụ\u003C\u002Ftd>\n      \u003Ctd>Bao phủ Pareto tốt; khó chọn ε phù hợp\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\u003Ch2>Khái niệm Pareto\u003C\u002Fh2>\n\u003Cp>Giải pháp \u003Cscript type=\"math\u002Ftex\">x^*\u003C\u002Fscript> được gọi là Pareto tối ưu nếu không tồn tại \u003Cscript type=\"math\u002Ftex\">x\\in X\u003C\u002Fscript> sao cho \u003Cscript type=\"math\u002Ftex\">f_i(x)\\le f_i(x^*)\u003C\u002Fscript> với ít nhất một bất đẳng thức nghiêm ngặt. Khi đó, ta nói \u003Cscript type=\"math\u002Ftex\">x^*\u003C\u002Fscript> không bị chặn (non-dominated).\u003Cp>\u003C\u002Fp>\n\u003Cp>Tập Pareto (\u003Cscript type=\"math\u002Ftex\">\\mathcal{P}\u003C\u002Fscript>) là tập hợp tất cả các giải pháp không bị chặn, biểu diễn ranh giới biện hộ giữa các mục tiêu. Đồ thị phân tán các điểm \u003Cscript type=\"math\u002Ftex\">F(x)\u003C\u002Fscript> trên mặt cắt 2D hoặc 3D thường minh hoạ biên Pareto.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Non-dominated: không ai tốt hơn về tất cả mục tiêu.\u003C\u002Fli>\n  \u003Cli>Dominated: tồn tại giải pháp khác tốt hơn hoặc ngang bằng mọi mục tiêu và tốt hơn ít nhất một.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Thuộc tính\u003C\u002Fth>\n      \u003Cth>Mô tả\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>Non-dominated\u003C\u002Ftd>\n      \u003Ctd>Giải pháp Pareto tối ưu, không bị chặn\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Dominated\u003C\u002Ftd>\n      \u003Ctd>Giải pháp kém hơn ít nhất một mục tiêu\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Ch2>Thuật toán tiến hóa đa mục tiêu\u003C\u002Fh2>\n\u003Cp>Thuật toán tiến hóa đa mục tiêu (MOEA) sử dụng cơ chế chọn lọc, lai ghép và đột biến lấy cảm hứng từ sinh học để tìm khoảng giá trị Pareto. Quần thể các cá thể đại diện cho các giải pháp được cập nhật qua nhiều thế hệ, đồng thời duy trì đa dạng và tiến gần biên Pareto.\u003C\u002Fp>\n\u003Cp>NSGA-II (Non-dominated Sorting Genetic Algorithm II) là thuật toán phổ biến, sử dụng phân loại non-dominated để xác định front ưu việt, kết hợp khoảng cách đám đông (crowding distance) để ưu tiên cá thể giúp giữ độ đa dạng. Việc sắp xếp non-dominated có độ phức tạp tính toán \u003Cscript type=\"math\u002Ftex\">O(MN^2)\u003C\u002Fscript>, với \u003Cscript type=\"math\u002Ftex\">M\u003C\u002Fscript> số mục tiêu và \u003Cscript type=\"math\u002Ftex\">N\u003C\u002Fscript> kích thước quần thể.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>SPEA2 (Strength Pareto Evolutionary Algorithm 2) xây dựng archive lưu trữ các cá thể tốt nhất qua các thế hệ, tính fitness dựa trên số cá thể mà chúng thống trị.\u003C\u002Fli>\n  \u003Cli>MOEA\u002FD (Multi-Objective Evolutionary Algorithm based on Decomposition) chia bài toán MOO thành nhiều bài toán con bằng scalarization, giải song song và chia sẻ thông tin giữa các bài toán con.\u003C\u002Fli>\n  \u003Cli>Bi-objective algorithms như PESA-II hay IBEA cải thiện khả năng phân phối dọc biên Pareto và cân bằng giữa khai thác (exploitation) và thăm dò (exploration).\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Các thuật toán này có thể mở rộng cho số mục tiêu lớn (many-objective optimization) bằng cách sử dụng hình chiếu hoặc ánh xạ hạ chiều để tránh sự mất phương hướng trong quần thể.\u003C\u002Fp>\n\n\u003Ch2>Chỉ số đánh giá hiệu năng\u003C\u002Fh2>\n\u003Cp>Đánh giá chất lượng của MOEA đòi hỏi nhiều chỉ số khác nhau phản ánh gần đúng biên Pareto thực và độ đa dạng giải pháp.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Generational Distance (GD): đo khoảng cách trung bình từ các điểm thu được đến biên Pareto thật.\u003C\u002Fli>\n  \u003Cli>Inverted Generational Distance (IGD): kết hợp hàm khoảng cách đến và từ biên thật để đánh giá toàn diện hơn.\u003C\u002Fli>\n  \u003Cli>Spread (Δ): đo độ phân tán của các điểm trên tập Pareto so với các cực trị, phản ánh độ đa dạng.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Ctable>\n  \u003Cthead>\n    \u003Ctr>\n      \u003Cth>Chỉ số\u003C\u002Fth>\n      \u003Cth>Công thức\u002FĐặc điểm\u003C\u002Fth>\n      \u003Cth>Ý nghĩa\u003C\u002Fth>\n    \u003C\u002Ftr>\n  \u003C\u002Fthead>\n  \u003Ctbody>\n    \u003Ctr>\n      \u003Ctd>GD\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">\\sqrt{\\frac{1}{|P|}\\sum_{x\\in P} d(x,P^*)^2}\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Nhỏ hơn tốt hơn, phản ánh độ chính xác\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>IGD\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">\\frac{1}{|P^*|}\\sum_{y\\in P^*} d(y,P)\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Giá trị thấp cho thấy bao phủ tốt\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n      \u003Ctd>Spread (Δ)\u003C\u002Ftd>\n      \u003Ctd>\u003Cscript type=\"math\u002Ftex\">\\frac{\\sum |d_i-\\bar d|}{\\sum d_i + \\bar d}\u003C\u002Fscript>\u003C\u002Ftd>\n      \u003Ctd>Giá trị gần 0 cho độ đa dạng cao\u003C\u002Ftd>\n    \u003C\u002Ftr>\n  \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\u003Cp>Các chỉ số phi-đối xứng và hypervolume (HV) cũng được sử dụng, trong đó HV đo thể tích không gian mục tiêu bị chiếm bởi tập Pareto và ưu tiên tập bao phủ lớn hơn.\u003C\u002Fp>\n\n\u003Ch2>Ứng dụng thực tiễn\u003C\u002Fh2>\n\u003Cp>Trong thiết kế cơ khí, MOO giúp tối ưu hóa hình học chi tiết để cân bằng giữa độ bền kết cấu và khối lượng, giảm tiêu hao vật liệu trong khi đảm bảo an toàn. Ví dụ: tối ưu cánh máy bay cần đồng thời giảm lực cản và tăng lực nâng.\u003C\u002Fp>\n\u003Cp>Chuỗi cung ứng và logistics áp dụng MOO để cân bằng chi phí vận chuyển, thời gian giao hàng và mức độ dịch vụ. Thuật toán MOEA phân tích mạng lưới vận tải, chọn lộ trình tối ưu theo nhiều tiêu chí như chi phí, độ tin cậy và tác động môi trường.\u003C\u002Fp>\n\u003Cul>\n  \u003Cli>Quản lý năng lượng: tối ưu công suất phát, tổn thất điện áp và phát thải khí nhà kính trong hệ lưới phân tán (Sci. Direct (gần đây)).\u003C\u002Fli>\n  \u003Cli>Tài chính: tối ưu danh mục đầu tư cân bằng giữa lợi suất kỳ vọng và rủi ro biến động giá.\u003C\u002Fli>\n  \u003Cli>Sinh học tính toán: khám phá thuốc mới bằng tối ưu hóa đa mục tiêu hoạt tính và độ hòa tan của phân tử.\u003C\u002Fli>\n\u003C\u002Ful>\n\u003Cp>Ứng dụng mới nổi bao gồm thiết kế vật liệu mới với đa mục tiêu về độ bền, dẫn điện và chi phí sản xuất, sử dụng mô hình phân tử kết hợp MOEA.\u003C\u002Fp>\n\n\u003Ch2>Thách thức và xu hướng tương lai\u003C\u002Fh2>\n\u003Cp>Với số mục tiêu tăng lên, các thuật toán tiến hóa đa mục tiêu truyền thống gặp khó khăn trong việc duy trì hiệu quả, dẫn đến sự kém đa dạng và chồng lấn quần thể. Nhiều nghiên cứu tập trung vào chiến lược phân mảnh và loại bỏ định hướng kém nổi bật (reference-based methods).\u003C\u002Fp>\n\u003Cp>Học máy và mô hình surrogate (ví dụ Gaussian Process, Random Forest) được tích hợp vào quá trình tối ưu hóa để giảm chi phí đánh giá hàm mục tiêu, đặc biệt hữu ích trong các bài toán cần tính toán mô phỏng phức tạp.\u003C\u002Fp>\n\u003Col>\n  \u003Cli>Bayesian Optimization đa mục tiêu: sử dụng acquisition functions để chọn điểm đánh giá hiệu quả.\u003C\u002Fli>\n  \u003Cli>Deep Reinforcement Learning tích hợp với MOEA: học chiến lược thăm dò tự động.\u003C\u002Fli>\n  \u003Cli>Tối ưu thời gian thực: ứng dụng trong điều khiển tự động và hệ thống IoT cần phản hồi nhanh.\u003C\u002Fli>\n\u003C\u002Fol>\n\u003Cp>Hệ thống phân tán và tính toán đám mây giúp mở rộng quy mô tính toán MOEA, cho phép xử lý quần thể lớn và số mục tiêu cao thông qua kiến trúc micro-services.\u003C\u002Fp>\u003C\u002Fli>\u003C\u002Fol>","multi-objective optimization",[19,20,21],"tối ưu đa mục tiêu","MOO","tối ưu hóa Pareto","Tối ưu hóa đa mục tiêu (Multi-Objective Optimization – MOO) là lĩnh vực toán học và tối ưu hóa giải quyết bài toán tìm kiếm tập nghiệm tốt nhất thỏa hiệp đồng thời nhiều hàm mục tiêu mâu thuẫn nhau.","ENGINEERING_TECHNOLOGY",[25,31,37],{"citationText":26,"title":27,"authors":28,"source":29,"year":10,"doi":30,"url":10},"Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 6(2), 182-197.","A fast and elitist multiobjective genetic algorithm: NSGA-II","Kalyanmoy Deb, Amrit Pratap, Sameer Agarwal","IEEE Transactions on Evolutionary Computation, 6(2), 182-197","10.1109\u002F4235.996017",{"citationText":32,"title":33,"authors":34,"source":35,"year":10,"doi":36,"url":10},"Coello Coello, C. A., Van Veldhuizen, D. A., & Lamont, G. B. (2002). Evolutionary Algorithms for Solving Multi-Objective Problems. Springer.","Evolutionary Algorithms for Solving Multi-Objective Problems","Carlos A. Coello Coello, David A. Van Veldhuizen, Gary B. Lamont","Springer","10.1007\u002F978-1-4757-5184-0",{"citationText":38,"title":39,"authors":40,"source":35,"year":10,"doi":41,"url":10},"Miettinen, K. (1998). Nonlinear Multiobjective Optimization. Springer.","Nonlinear Multiobjective Optimization","Kaisa Miettinen","10.1007\u002F978-1-4615-5563-6",[43,46,49],{"question":44,"answer":45},"Tính tối ưu Pareto (Pareto optimality) được định nghĩa như thế nào?","Một giải pháp được gọi là tối ưu Pareto nếu không thể cải thiện bất kỳ một hàm mục tiêu nào mà không làm xấu đi ít nhất một hàm mục tiêu khác. Tập hợp tất cả các nghiệm tối ưu này tạo nên biên Pareto (Pareto front).",{"question":47,"answer":48},"Tại sao không nên gộp các mục tiêu thành một hàm trọng số duy nhất?","Phương pháp tổng trọng số (weighted sum) khó chọn trước bộ trọng số khách quan và không thể tìm thấy các nghiệm nằm trên phần biên Pareto phi lồi (non-convex regions); trong khi các thuật toán đa mục tiêu thực thụ tìm ra toàn bộ biên Pareto để người ra quyết định lựa chọn.",{"question":50,"answer":51},"Thuật toán NSGA-II có những ưu điểm vượt trội nào?","NSGA-II sử dụng cơ chế sắp xếp không bị trội nhanh với độ phức tạp tính toán giảm thiểu, cơ chế lưu trữ tinh hoa (elitism) bảo toàn nghiệm tốt nhất qua các thế hệ, và toán tử khoảng cách đông đúc (crowding distance) duy trì sự phân bố đồng đều dọc theo biên Pareto.",{"id":53,"researcherId":10,"name":54,"imageUrl":55},1,"Nguyễn Ngọc Sơn","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLGfGsF1nYQqYK5BasTLhNu1dBrBXg2fcEgBNPXJ0p2gqLQnO7i=s96-c",{"id":57,"researcherId":10,"name":58,"imageUrl":59},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",[13],false,"PUBLISHED","2025-07-13T02:20:07.402+00:00","2026-08-29T02:18:07.274+00:00","2025-07-15T10:18:42.435+00:00",322,[68,71,80,90,96,107,112,118,123,128],{"id":69,"title":70,"term":69,"englishTitle":10,"definition":10,"discipline":10,"disciplineCode":10,"disciplineLabel":10,"disciplineColor":10,"disciplineIcon":10},"thiết kế công cụ","Thiết kế công cụ là gì? Các nghiên cứu khoa học liên quan",{"id":72,"title":73,"term":72,"englishTitle":74,"definition":75,"discipline":23,"disciplineCode":76,"disciplineLabel":77,"disciplineColor":78,"disciplineIcon":79},"nhận diện đối tượng","Nhận diện đối tượng là gì? Kiến trúc thị giác máy tính và ứng dụng","object recognition","Nhận diện đối tượng là bài toán nền tảng trong thị giác máy tính, kết hợp việc định vị vị trí các vật thể trong ảnh hoặc video qua các hộp bao giới hạn và phân loại chính xác nhãn định danh của từng đối tượng.","engineering-technology","Kỹ thuật và công nghệ","#5B62F4","cpu",{"id":81,"title":82,"term":81,"englishTitle":83,"definition":84,"discipline":85,"disciplineCode":86,"disciplineLabel":87,"disciplineColor":88,"disciplineIcon":89},"cartogram tiếp giáp","Cartogram tiếp giáp: Thuật toán biến dạng không gian và biểu diễn dữ liệu bản đồ","Contiguous Cartogram","Cartogram tiếp giáp là một loại bản đồ biến dạng diện tích liên tục, trong đó kích thước hình học của từng vùng lãnh thổ được co giãn tỷ lệ thuận với một thuộc tính thống kê định lượng trong khi vẫn duy trì sự tiếp giáp liền mạch và quan hệ topo lân cận giữa các đơn vị không gian kề nhau.","NATURAL_SCIENCES","natural-sciences","Khoa học tự nhiên","#0E9F9C","atom",{"id":91,"title":92,"term":93,"englishTitle":94,"definition":95,"discipline":23,"disciplineCode":76,"disciplineLabel":77,"disciplineColor":78,"disciplineIcon":79},"phân tích cấu trúc","Phân tích cấu trúc là gì? Các nghiên cứu khoa học liên quan","Phân tích cấu trúc","Structural analysis","Phân tích cấu trúc là chuyên ngành kỹ thuật công trình ứng dụng cơ học vật rắn và toán học tính toán nhằm xác định phản ứng ứng suất, biến dạng, nội lực và chuyển vị của kết cấu chịu tác động của các tải trọng ngoài.",{"id":97,"title":98,"term":99,"englishTitle":100,"definition":101,"discipline":102,"disciplineCode":103,"disciplineLabel":104,"disciplineColor":105,"disciplineIcon":106},"tái cấu trúc","Tái cấu trúc là gì? Các nghiên cứu khoa học về Tái cấu trúc","Tái cấu trúc","restructuring","Tái cấu trúc là quá trình điều chỉnh căn bản và có hệ thống về cơ cấu tổ chức, quy trình vận hành, danh mục tài sản hoặc cấu trúc vốn của một thực thể kinh tế nhằm phục hồi khả năng cạnh tranh, nâng cao hiệu quả tài chính và thích ứng với biến động thị trường.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":108,"title":109,"term":108,"englishTitle":110,"definition":111,"discipline":23,"disciplineCode":76,"disciplineLabel":77,"disciplineColor":78,"disciplineIcon":79},"tối ưu hóa thiết kế","Tối ưu hóa thiết kế là gì? Các nghiên cứu khoa học về Tối ưu hóa thiết kế","Design Optimization","Tối ưu hóa thiết kế là phương pháp ứng dụng các thuật toán toán học và mô phỏng số nhằm tìm kiếm các thông số kỹ thuật tối ưu thỏa mãn các ràng buộc về vật liệu, kết cấu và chi phí chế tạo.",{"id":113,"title":114,"term":115,"englishTitle":116,"definition":117,"discipline":23,"disciplineCode":76,"disciplineLabel":77,"disciplineColor":78,"disciplineIcon":79},"chất lỏng làm việc","Chất lỏng làm việc là gì? Các nghiên cứu khoa học liên quan","Chất lỏng làm việc","Working fluid","Chất lỏng làm việc là môi chất khí hoặc lỏng trung gian có khả năng vận chuyển, hấp thụ hoặc biến đổi nhiệt năng thành công cơ học trong các chu trình nhiệt động lực học và hệ thống năng lượng.",{"id":119,"title":120,"term":119,"englishTitle":121,"definition":122,"discipline":23,"disciplineCode":76,"disciplineLabel":77,"disciplineColor":78,"disciplineIcon":79},"lực bên","Lực bên","Lateral force \u002F Lateral load","Lực bên là thành phần tải trọng tác dụng theo phương ngang vuông góc với trục đứng của kết cấu công trình, chủ yếu phát sinh từ áp lực động của gió, lực quán tính trong động đất hoặc áp lực ngang của đất và nước.",{"id":124,"title":125,"term":124,"englishTitle":126,"definition":127,"discipline":23,"disciplineCode":76,"disciplineLabel":77,"disciplineColor":78,"disciplineIcon":79},"thiết kế cầu","Thiết kế cầu là gì? Các bài nghiên cứu khoa học liên quan","Bridge design","Thiết kế cầu là nhánh kỹ thuật công trình chuyên sâu nhằm tính toán cấu tạo, phân tích động lực học kết cấu móng, trụ, mố và kết cấu nhịp cầu để đảm bảo công trình vượt khẩu độ an toàn, chịu được tải trọng giao thông và tác động môi trường trong suốt tuổi thọ thiết kế.",{"id":129,"title":130,"term":131,"englishTitle":132,"definition":133,"discipline":23,"disciplineCode":76,"disciplineLabel":77,"disciplineColor":78,"disciplineIcon":79},"hệ số lực đẩy","Hệ số lực đẩy là gì? Khái niệm, công thức và ứng dụng","Hệ số lực đẩy","Thrust coefficient","Hệ số lực đẩy là đại lượng vật lý không thứ nguyên thể hiện hiệu quả chuyển đổi năng lượng áp suất hoặc động năng thành phản lực đẩy trong các hệ thống động lực."]