Nguyen Duc ManhNguyễn Đức Mạnh

Highly Efficient Prediction of Beating Phenomena in Laminated Nanocomposite Plates Using a Hybrid Neural–Numerical–Analytical Framework

European Journal of Mechanics – A/Solids · vol. 116 (2026), 105844 · Q1

A hybrid framework that replaces the expensive inner loop of a numerical–analytical solver with a trained surrogate, predicting beating phenomena in laminated nanocomposite plates at a fraction of the cost. Khung lai thay thế vòng lặp tính toán tốn kém của bộ giải số – giải tích bằng một mô hình thay thế đã huấn luyện, dự đoán hiện tượng phách trong tấm nanocomposite nhiều lớp với chi phí thấp hơn nhiều.

• My contribution: neural network architecture design, model training and evaluation for the Stage 1 surrogate model. Đóng góp của tôi: thiết kế kiến trúc mạng nơ-ron, huấn luyện và đánh giá mô hình cho surrogate model giai đoạn 1.

doi.org/10.1016/j.euromechsol.2025.105844

Adaptive Hard–Soft Physics-Informed Neural Networks for Robust Boundary-Constrained PDE Solving

Manuscript under reviewBản thảo đang phản biện

An adaptive scheme that blends hard and soft boundary condition enforcement so physics-informed networks stay stable on boundary-constrained PDEs where either approach alone degrades. Cơ chế thích nghi kết hợp áp đặt điều kiện biên cứng và mềm, giúp mạng gắn vật lý giữ được tính ổn định trên các bài toán PDE có ràng buộc biên mà mỗi cách tiếp cận riêng lẻ đều suy giảm.

• My contribution: PINN implementation, formal analysis, writing review. Đóng góp của tôi: cài đặt PINN, phân tích hình thức, rà soát bản thảo.

Research Student — Materials and Structures (MAS) GroupSinh viên nghiên cứu — Nhóm Vật liệu và Kết cấu (MAS)

2025 — presentnay · Hanoi University of Science and Technology

sites.google.com/view/mas-group-hust

AgenticTS — Agentic AI Multi-Agent Framework for Time Series Forecasting — Khung đa tác tử Agentic AI cho dự báo chuỗi thời gian

Feb 2026 – May 2026 · Agentic AI · LLM reasoning · Research paperAgentic AI · Suy luận LLM · Bài báo nghiên cứu

A reasoning-driven multi-agent framework automating the end-to-end forecasting pipeline, formalised as a constrained sequential decision process with hierarchical memory (episodic, semantic, vector). Khung đa tác tử điều khiển bằng suy luận, tự động hoá toàn bộ quy trình dự báo, được hình thức hoá thành quá trình ra quyết định tuần tự có ràng buộc với bộ nhớ phân cấp (episodic, semantic, vector).

• Nine specialised agents — Orchestrator, Guardrail, Ingestion, Diagnostics, Feature, Model Strategy, Training, Evaluation, Report — reasoning via Gemini 2.5 Flash Lite on a containerised orchestration layer. Chín tác tử chuyên biệt — Orchestrator, Guardrail, Ingestion, Diagnostics, Feature, Model Strategy, Training, Evaluation, Report — suy luận qua Gemini 2.5 Flash Lite trên tầng điều phối container hoá.
• Diagnostic-constrained model selection: ADF stationarity tests, ACF/PACF, Z-score outlier and seasonality detection narrow the search space over ARIMA, LSTM and DLinear, replacing brute-force grid/AIC search. Chọn mô hình theo ràng buộc chẩn đoán: kiểm định tính dừng ADF, ACF/PACF, phát hiện điểm dị thường Z-score và tính mùa vụ thu hẹp không gian tìm kiếm trên ARIMA, LSTM, DLinear, thay cho tìm kiếm vét cạn theo lưới/AIC.
• Evaluated on Hanoi Energy, Hanoi Weather and ETTh1 across horizons 96/192/336/720. Against Auto-ARIMA on Hanoi Energy (H=96): −10.6% MAE and −27.6% MSE. Đánh giá trên Hanoi Energy, Hanoi Weather và ETTh1 ở các tầm dự báo 96/192/336/720. So với Auto-ARIMA trên Hanoi Energy (H=96): giảm 10,6% MAE và giảm 27,6% MSE.
• Ablation study isolating the Feature, Diagnostics and Model Strategy agents. Every stage logs to a traceable JSON manifest for full reproducibility. Nghiên cứu loại bỏ tách riêng vai trò của tác tử Feature, Diagnostics và Model Strategy. Mọi bước ghi log vào JSON manifest truy vết được, đảm bảo tái lập hoàn toàn.

Aviation Data Warehouse — Flight Delay & Cancellation AnalyticsKho dữ liệu hàng không — Phân tích chậm & huỷ chuyến

Sep 2025 – Jan 2026 · Big Data · physical enterprise server (12 vCores, 31 GB RAM)Big Data · máy chủ doanh nghiệp vật lý (12 vCore, 31 GB RAM)

• Designed and deployed a Galaxy Schema warehouse on a physical Hadoop cluster, with an automated end-to-end ingestion pipeline on Apache NiFi and Apache Oozie — zero manual intervention. Thiết kế và triển khai kho dữ liệu Galaxy Schema trên cụm Hadoop vật lý, với pipeline nạp dữ liệu đầu-cuối tự động bằng Apache NiFi và Apache Oozie, không thao tác thủ công.
• 91.47% storage reduction via Parquet/Snappy compression and 6.1× query speedup over row-based storage through partitioning and schema design. Giảm 91,47% dung lượng nhờ nén Parquet/Snappy và tăng tốc truy vấn 6,1 lần so với lưu trữ theo dòng, qua phân vùng và thiết kế lược đồ.
• Benchmarked on live hardware rather than simulation. Resolved production-grade compatibility and permission issues in a real enterprise environment. Đo hiệu năng trên phần cứng thật thay vì mô phỏng. Xử lý các vấn đề tương thích và phân quyền ở mức môi trường doanh nghiệp thực tế.
• Built analytical dashboards for delay patterns by airline, route, season and airport. Xây dựng dashboard phân tích mẫu chậm chuyến theo hãng bay, đường bay, mùa và sân bay.

Automatic Multiple-Choice Answer Sheet Grading SystemHệ thống chấm trắc nghiệm tự độngin productionđang vận hành

Mar 2025 – Jun 2025 · Computer Vision · official faculty project, Dept. of Mathematics & Informatics, HUSTThị giác máy tính · đề tài chính thức của Khoa Toán – Tin, ĐHBK Hà Nội

• End-to-end pipeline recognising filled and unfilled answer bubbles under real scan conditions: poor scan quality, partial erasures, varied lighting. Pipeline đầu-cuối nhận diện ô tô và chưa tô trong điều kiện quét thực tế: chất lượng scan kém, tẩy xoá một phần, ánh sáng không đồng đều.
• Dataset built with Roboflow (collection, annotation, augmentation). YOLOv8 trained and optimised to mAP@0.5 ≈ 99% on the held-out test set. Bộ dữ liệu xây bằng Roboflow (thu thập, gán nhãn, tăng cường). YOLOv8 được huấn luyện và tối ưu đạt mAP@0.5 ≈ 99% trên tập kiểm thử độc lập.
• OpenCV preprocessing (deskew, binarisation, noise removal) normalises diverse input quality before inference. Tiền xử lý OpenCV (căn nghiêng, nhị phân hoá, khử nhiễu) chuẩn hoá chất lượng ảnh đầu vào trước khi suy luận.
• K-means clustering post-processing spatially maps detected bubbles to logical answer positions, enabling fully automated scoring. Hậu xử lý bằng phân cụm K-means ánh xạ vị trí ô đã phát hiện sang vị trí đáp án logic, cho phép chấm điểm hoàn toàn tự động.
• Recognised with an official certificate of active participation from the Faculty. Được Khoa ghi nhận bằng giấy chứng nhận tham gia tích cực.