Khi thiết kế kết cấu cột bê tông cốt thép chịu nén lệch tâm xiên, việc kiểm tra khả năng chịu lực của cột sau khi đặt cốt thép là cần thiết để xác định tính hợp lý của cốt thép được bố trí. Nghiên cứu này phát triển một chương trình xây dựng các mặt tương tác ba chiều của cột bê tông cốt thép chịu nén lệch tâm xiên có mặt cắt ngang hình chữ nhật bằng ngôn ngữ lập trình MATLAB, theo mô hình biến dạng phi tuyến. Mômen nội lực từ phần mềm như ETABS dùng để kiểm tra khả năng chịu lực của cột được xử lý đưa vào hệ số uốn dọc theo tiêu chuẩn TCVN 5574:2018, sau đó so sánh với mặt tương tác 3D đã thiết lập để đánh giá khả năng chịu lực của cột. Bài báo trình bày hai phương pháp đơn giản để kiểm tra khả năng chịu của cột. Các ví dụ minh họa được trình bày trong bài viết này để xác nhận độ tin cậy và khả năng ứng dụng của chương trình đã đề xuất. So sánh với ETABS và CSI-Col, sai số luôn nhỏ hơn 7,2%. Chương trình có thể được dùng cho các nghiên cứu sâu hơn như nghiên cứu ảnh hưởng của các tham số đầu vào đến khả năng chịu lực của cột, phân tích xác suất, phân tích độ nhạy hoặc tạo dữ liệu cho học máy.On designing reinforced concrete (RC) columns subjected to combined axial load and biaxial bending, checking the bearing capacity of the column after placing the reinforcement is necessary to determine the integrity of the placed reinforcement. This study developed a tool to generate the 3D interaction surfaces of rectangular RC columns subjected to biaxial flexural and axial loads using MATLAB software, according to the theory of non-linear material model. The internal moments from the software, such as ETABS, are processed to include the buckling factor according to TCVN 5574:2018, then compared with the established 3D interaction surface to assess the bearing capacity of the designed column. Two methods to check the load-bearing capacity of the columns were introduced. Examples are illustrated in this article to apply and verify the proposed program. Compared with ETABS and CSI-Col, the errors are less than 7.2%. This program can be used for further studies, such as investigating the effect of initial parameters on the column capacity, probabilistic analysis, sensitive analysis, or generating data for machine learning.