Luận án Tiến sĩ Kỹ thuật: Chẩn đoán kết cấu cầu dựa trên chuỗi dữ liệu đo dao động theo thời gian kết hợp sử dụng mạng học sâu tích chập

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:144

Thêm vào BST

Báo xấu

10
lượt xem 7
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Luận án "Chẩn đoán kết cấu cầu dựa trên chuỗi dữ liệu đo dao động theo thời gian kết hợp sử dụng mạng học sâu tích chập" được hoàn thành với mục tiêu nhằm nghiên cứu bài toán chẩn đoán hư hỏng của kết cấu công trình cầu dựa vào các dữ liệu động thu được từ các cảm biến; Đề xuất thuật toán học sâu tích chập kết hợp để phát hiện các hư hỏng trong kết cấu.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Luận án Tiến sĩ Kỹ thuật: Chẩn đoán kết cấu cầu dựa trên chuỗi dữ liệu đo dao động theo thời gian kết hợp sử dụng mạng học sâu tích chập

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI ---------------------- HOÀNG THANH NAM CHẨN ĐOÁN KẾT CẤU CẦU DỰA TRÊN CHUỖI DỮ LIỆU ĐO DAO ĐỘNG THEO THỜI GIAN KẾT HỢP SỬ DỤNG MẠNG HỌC SÂU TÍCH CHẬP LUẬN ÁN TIẾN SĨ HÀ NỘI – 2023
BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI ---------------------- HOÀNG THANH NAM CHẨN ĐOÁN KẾT CẤU CẦU DỰA TRÊN CHUỖI DỮ LIỆU ĐO DAO ĐỘNG THEO THỜI GIAN KẾT HỢP SỬ DỤNG MẠNG HỌC SÂU TÍCH CHẬP Ngành : Kỹ thuật xây dựng công trình giao thông Mã số : 9580205 LUẬN ÁN TIẾN SĨ NGƯỜI HƯỚNG DẪN KHOA HỌC: 1. PGS.TS. Hoàng Hà 2. TS. Nguyễn Thị Cẩm Nhung HÀ NỘI – 2023
LỜI CAM ĐOAN Tôi xin cam đoan đây là công trình nghiên cứu khoa học độc lập của riêng tôi. Các số liệu sử dụng phân tích trong luận án có nguồn gốc rõ ràng, đã công bố theo đúng quy định. Các kết quả nghiên cứu trong luận án do tôi tự tìm hiểu, phân tích một cách trung thực. Việc tham khảo các nguồn tài liệu đã được thực hiện trích dẫn và ghi nguồn tài liệu tham khảo đúng quy định. Hà Nội, ngày 11 tháng 9 năm 2023 Tác giả Hoàng Thanh Nam
-i- LỜI CẢM ƠN Tác giả xin bày tỏ lòng biết ơn sâu sắc đến thầy, cô giáo hướng dẫn: PGS. TS. Hoàng Hà, TS. Nguyễn Thị Cẩm Nhung đã tận tình hướng dẫn, giúp đỡ, tạo điều kiện và động viên trong suốt quá trình học tập, nghiên cứu và hoàn thành luận án. Tác giả chân thành cảm ơn tập thể các thầy, cô bộ môn Cầu Hầm và khoa Đào tạo Sau đại học trường Đại học Giao thông vận tải đã tạo điều kiện thuận lợi giúp đỡ và hướng dẫn trong suốt thời gian tác giả nghiên cứu tại Bộ môn và khoa. Tác giả trân trọng cảm ơn tập thể các thầy, cô trường Đại học Giao thông vận tải đã đóng góp nhiều ý kiến quý báu và có giá trị cho nội dung đề tài luận án. Tác giả xin bày tỏ lòng biết ơn các bạn bè, đồng nghiệp tận tình giúp đỡ và động viên trong suốt quá trình tác giả học tập, nghiên cứu và hoàn thành luận án. Cuối cùng, tác giả xin bày tỏ lòng biết ơn sâu sắc tới các thành viên gia đình đã thông cảm tạo điều kiện và chia sẻ những khó khăn trong suốt quá trình học tập, nghiên cứu và hoàn thành luận án.
- ii - MỤC LỤC DANH MỤC HÌNH VẼ ...................................................................................... v DANH MỤC BẢNG BIỂU .............................................................................. viii DANH MỤC CHỮ VIẾT TẮT ......................................................................... ix MỞ ĐẦU .............................................................................................................. 1 1. Mở đầu ............................................................................................................ 1 2. Mục tiêu nghiên cứu ....................................................................................... 7 3. Phương pháp nghiên cứu ................................................................................ 7 4. Đối tượng và phạm vi nghiên cứu .................................................................. 8 5. Ý nghĩa khoa học và thực tiễn ........................................................................ 8 6. Nội dung và kết cấu của luận án ..................................................................... 8 CHƯƠNG 1 : TỔNG QUAN VỀ NGHIÊN CỨU CHẨN ĐOÁN SỨC KHỎE KẾT CẤU CÔNG TRÌNH CẦU DỰA TRÊN PHƯƠNG PHÁP ĐO NHẬN DẠNG DAO ĐỘNG .......................................................................................... 11 1.1 Tổng quan về nghiên cứu chẩn đoán sức khỏe kết cấu công trình cầu dựa trên phương pháp đo nhận dạng dao động ................................................................. 11 1.1.1 Giới thiệu về chẩn đoán sức khỏe kết cấu công trình cầu dựa trên phương pháp đo nhận dạng dao động ........................................................................ 11 1.1.2 Mục đích của chẩn đoán sức khỏe kết cấu dựa trên phương pháp đo nhận dạng dao động ...................................................................................... 13 1.1.3 Sự phát triển của các phương pháp chẩn đoán sức khỏe kết cấu dựa trên phương pháp đo nhận dạng dao động ........................................................... 16 1.2 Các nghiên cứu trên thế giới về chẩn đoán kết cấu dựa trên phương pháp đo nhận dạng dao động............................................................................................. 21 1.3 Các nghiên cứu ở Việt Nam về chẩn đoán kết cấu dựa trên phương pháp đo nhận dạng dao động............................................................................................. 27 1.4 Kết luận Chương 1 ........................................................................................ 30
- iii - CHƯƠNG 2 CƠ SỞ LÝ THUYẾT VỀ GIÁM SÁT SỨC KHỎE KẾT CẤU SỬ DỤNG DỮ LIỆU CHUỖI THỜI GIAN DỰA TRÊN CÁC ĐẶC TRƯNG ĐỘNG HỌC ....................................................................................................... 32 2.1 Khái niệm về dữ liệu chuỗi thời gian (Time series data) .............................. 32 2.2 Dữ liệu chuỗi thời gian cho giám sát sức khỏe kết cấu ................................ 34 2.3 Các loại dữ liệu chuỗi thời gian .................................................................... 37 2.4 Tính bất định của dữ liệu chuỗi thời gian trong giám sát sức khỏe kết cấu cầu ............................................................................................................................. 39 2.4.1 Phương trình dao động của kết cấu [131] ........................................... 39 2.4.2 Dao động tự do [131] .......................................................................... 41 2.4.3 Dao động tắt dần [131] ........................................................................ 45 2.4.4 Đặc trưng bất định, ngẫu nhiên của chuỗi dữ liệu theo thời gian trong giám sát sức khỏe kết cấu cầu ....................................................................... 47 2.5 Phương pháp xấp xỉ tổng hợp tượng trưng (Symbolic Aggregate approXimation – SAX). ...................................................................................... 51 2.6 Phương pháp phân rã sóng rời rạc đa cấp (Multilevel Discrete Wavelet Decomposition – MDWD) .................................................................................. 54 2.7 Kết luận Chương 2 ........................................................................................ 56 CHƯƠNG 3 MẠNG HỌC SÂU TRUYỀN THỐNG VÀ MẠNG HỌC SÂU TÍCH CHẬP ỨNG DỤNG TRONG CHẨN ĐOÁN KẾT CẤU CÔNG TRÌNH CẦU ...................................................................................................... 57 3.1 Mạng học sâu truyền thống ........................................................................... 57 3.1.1 Cấu trúc cơ bản của mạng học sâu truyền thống ................................ 59 3.1.2 Một số mạng học sâu truyền thống ..................................................... 63 3.1.3 Mạng học sâu CNN 2 chiều (2DCNN) ............................................... 63 3.1.4 Mạng học sâu CNN một chiều ............................................................ 64 3.2 Mạng học sâu tích chập đề xuất .................................................................... 66 3.3 Kết luận chương 3. ........................................................................................ 73
- iv - CHƯƠNG 4 ÁP DỤNG MẠNG HỌC SÂU TÍCH CHẬP KẾT HỢP PHƯƠNG PHÁP SAX-MDWD ĐỂ CHẨN ĐOÁN CÁC HƯ HỎNG CHO MÔ HÌNH CẦU ................................................................................................. 74 4.1 Áp dụng mạng học sâu tích chập kết hợp phương pháp SAX-MDWD để chẩn đoán các hư hỏng cho mô hình cầu thực tế ......................................................... 74 4.1.1 Giới thiệu mô hình cầu ........................................................................ 74 4.1.2 Xử lý dữ liệu........................................................................................ 79 4.1.3 Kiến trúc mạng .................................................................................... 82 4.1.4 Huấn luyện mạng và phân tích kết quả ............................................... 84 4.2 Áp dụng mạng học sâu tích chập để chẩn đoán các hư hỏng cho mô hình cầu trong phòng thí nghiệm ....................................................................................... 93 4.2.1 Mô tả mô hình ..................................................................................... 93 4.2.2 Thí nghiệm đo dao động mô hình cầu dây văng ................................. 95 4.2.3 Phân tích xử lý số liệu ......................................................................... 99 4.2.4 Xử lý dữ liệu...................................................................................... 103 4.2.5 Các trường hợp tạo hư hỏng .............................................................. 104 4.2.6 Kiến trúc mạng .................................................................................. 105 4.2.7 Phân tích kết quả ............................................................................... 107 4.3 Kết luận chương 4. ...................................................................................... 111 KẾT LUẬN VÀ KIẾN NGHỊ ........................................................................ 112 TÀI LIỆU THAM KHẢO ............................................................................. PL1 DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN ..... PL14 Phụ lục: Code ................................................................................................ PL15
-v- DANH MỤC HÌNH VẼ Hình 0.1 Quá trình chẩn đoán hư hỏng kết cấu công trình ......................................................... 5 Hình 1.1 Quá trình phát triển của hệ thống quan trắc (Wenzel, 2003) ..................................... 19 Hình 1.2 Giới thiệu một hệ thống “quan trắc thông minh” ...................................................... 19 Hình 1.3 Hệ thống quan trắc cầu dây võng Akashi Kaikyo, Nhật Bản .................................... 20 Hình 2.1. Một số loại dữ liệu theo thời gian; (a) Dữ liệu về nhiệt độ hàng ngày thấp nhất theo thời gian, (b) Dữ liệu gia tốc theo thời gian trích xuất từ các cảm biến ................................... 32 Hình 2.2. Tính ổn định và không ổn định của dữ liệu chuỗi thời gian: (a) chuỗi thời gian ổn định, chuỗi thời gian không ổn định (b – d) ............................................................................. 38 Hình 2.3. Hệ thống một bậc tự do lý tưởng hóa: (a) các thành phần cơ bản; (b) lực ở trạng thái cân bằng. ................................................................................................................................... 39 Hình 2.4. Mô hình phần tử nhiều bậc tự do .............................................................................. 41 Hình 2.5. Ứng dụng của phương pháp SAX để giảm chiều dữ liệu ......................................... 53 Hình 2.6. Phân rã sóng rời rạc ba mức độ của tín hiệu............................................................. 56 Hình 3.1. Kernel kích thước 3*3 .............................................................................................. 57 Hình 3.2. Máy tính coi một hình ảnh là một mảng số. Ma trận bên phải chứa các số từ 0 đến 255 (giá trị pixel), mỗi số tương ứng với độ sáng pixel trong hình ảnh bên trái. Hình ở giữa là hình ảnh tổng hợp của ma trận bên phải và hình ảnh bên trái. ................................................. 58 Hình 3.3. Một kiến trúc CNN đơn giản bao gồm năm lớp ....................................................... 60 Hình 3.4. Max pooling với kích thước (2,2) ............................................................................. 61 Hình 3.5. Sau lớp gộp (2*2) ..................................................................................................... 62 Hình 3.6. Tích hợp tối đa và tích hợp trung bình ..................................................................... 62 Hình 3.7. Lớp được kết nối đầy đủ. .......................................................................................... 63 Hình 3.8. Hình minh họa CNN mẫu với 2 lớp chập và một lớp được kết nối đầy đủ .............. 64 Hình 3.9. Một cấu hình 1DCNN mẫu với 3 lớp CNN và 2 ANN. ........................................... 66 Hình 3.10. Mô hình RNN cho bài toán .................................................................................... 67 Hình 3.11. Mô hình LSTM ....................................................................................................... 69 Hình 3.12. Băng chuyền truyền dữ liệu của LSTM.................................................................. 70 Hình 3.13. Kiến trúc mạng lai 1-DCNN-LSTM ....................................................................... 72 Hình 4.1 Hình chiếu đứng và hình chiếu bằng của cầu Z24 [129]. .......................................... 75
- vi - Hình 4.2 (a) Hình ảnh cầu Z24 trước khi tạo hư hỏng, (b) Cắt, tạo hư hỏng ở thân trụ, (c) kích nâng trụ, (d) tạo đứt cáp DƯL [129] ........................................................................................ 76 Hình 4.3 Sơ đồ bố trí các điểm đo (a) mặt bằng, (b) mặt đứng [129] ...................................... 77 Hình 4.4 (a) – (h) Dữ liệu gia tốc theo thời gian tại các sensors. ............................................. 79 Hình 4.5 Quá trình tiền xử lý dữ liệu động theo thời gian. ...................................................... 80 Hình 4.6 Dữ liệu gia tốc theo thời gian tại một sensors sau khi được xử lý bằng phương pháp MDWD và SAX ....................................................................................................................... 81 Hình 4.7 Dữ liệu gia tốc theo thời gian tại của 16 lớp sau khi được xử lý ............................... 82 Hình 4.8 Kiến trúc của mạng 1DCNN-LSTM đề xuất ............................................................. 83 Hình 4.9 Đặc trưng của mạng 1DCNN-LSTM (MDWD-SAX-1DCNN-LSTM).................... 83 Hình 4.10 Đặc trưng của mạng 1DCNN-LSTM. ..................................................................... 84 Hình 4.11 Đặc trưng của mạng 1DCNN .................................................................................. 84 Hình 4.12 Giao diện của Google colab..................................................................................... 85 Hình 4.13 Sự hội tụ của các mô hình (a) độ hội tụ quá trình huấn luyện của 3 phương pháp; (b) độ hội tụ quá trình đánh giá mạng của 3 phương pháp ............................................................ 85 Hình 4.14. Ma trận lỗi (a) 1DCNN; (b) 1DCNN-LSTM; (c) MDWD-SAX-1DCNN-LSTM . 91 Hình 4.15 Kết quả độ chính xác của các mạng ở bước đánh giá.............................................. 91 Hình 4.16 Mô hình cầu dây văng trong phòng thí nghiệm ....................................................... 93 Hình 4.17 Neo dây cáp được hàn cố định trên bản mặt cầu ..................................................... 94 Hình 4.18 Hệ thống điều chỉnh lực căng dây văng tại đỉnh tháp ............................................. 94 Hình 4.19 Quả nặng được treo dưới các neo cáp tại bản dưới của kết cấu nhịp ...................... 95 Hình 4.24 Đầu đo gia tốc PCB-353B34 ................................................................................... 96 Hình 4.25 Bộ thu thập dữ liệu cDAQ-9178 và mô đun đầu vào NI-9234................................ 96 Hình 4.26. Các sơ đồ bố trí điểm đo dao động ......................................................................... 98 Hình 4.27 Bố trí đầu đo gia tốc tại các vị trí theo sơ đồ đo ...................................................... 98 Hình 4.28 Tạo lực kích thích .................................................................................................... 98 Hình 4.29 Theo dõi dữ liệu đo theo thời gian bằng phần mềm LabView 2014 ....................... 99 Hình 4.30 Dữ liệu đo trên miền thời gian trước và sau khi áp dụng biến đổi Fourier ............. 99 Hình 4.31 Dữ liệu thô thu được từ các cảm biến .................................................................... 103 Hình 4.32 Dữ liệu sau khi biến đổi dùng SAX-MDWD. ....................................................... 104 Hình 4.33 Trường hợp hư hỏng trên mô hình cầu dây văng (hư hỏng cấp 2) ........................ 105
- vii - Hình 4.34 Đặc trưng của mạng 1DCNN-LSTM. ................................................................... 106 Hình 4.35 Đặc trưng của mạng 1DCNN ................................................................................ 106 Hình 4.36 Sự hội tụ của các mô hình (a) độ hội tụ quá trình huấn luyện; (b) độ hội tụ quá trình đánh giá mạng của mô hình. ................................................................................................... 107 Hình 4.37 Ma trận lỗi (a) 1DCNN; (b) 1DCNN-LSTM; (c) MDWD-SAX-1DCNN-LSTM 109 Hình 4.38 Kết quả độ chính xác của các mạng ở bước đánh giá............................................ 110
- viii - DANH MỤC BẢNG BIỂU Bảng 4.1. Các trường hợp tạo ra hư hỏng và các nhãn tương ứng [130]. ................................ 75 Bảng 4.2. Kết quả huấn luyện mạng sử dụng 1DCNN............................................................. 88 Bảng 4.3. Kết quả huấn luyện mạng sử dụng 1DCNN-LSTM................................................. 89 Bảng 4.4. Kết quả huấn luyện mạng sử dụng MDWD-SAX-1DCNN-LSTM. ........................ 89 Bảng 4.6: Đặc trưng động của 07 hình thái dao động đầu tiên của cầu. ................................ 101 Bảng 4.7. Kết quả đo đặc trưng dao động trên mô hình ......................................................... 103 Bảng 4.8. Kết quả huấn luyện mạng sử dụng 1DCNN........................................................... 108 Bảng 4.9. Kết quả huấn luyện mạng sử dụng 1DCNN-LSTM............................................... 108 Bảng 4.10. Kết quả huấn luyện mạng sử dụng MDWD-SAX-1DCNN-LSTM. .................... 109
- ix - DANH MỤC CHỮ VIẾT TẮT Chữ Thuật ngữ đầy đủ tiếng Anh Tiếng Việt viết tắt One-dimensional convolutional 1DCNN Mạng học sâu CNN 1 chiều neural network 2D Two Dimension Lưới hai chiều Two-dimensional convolutional 2DCNN Mạng học sâu CNN 2 chiều neural network ANN Artificial Neural Network Mạng nơ ron nhân tạo AR AutoRegressive Tự động hồi quy ARMA AutoRegressive Moving Average Trung bình tự động hồi quy AutoRegressive with eXogenous Tự động hồi quy với đầu vào ARX input điện tử BP Back-propagation Thuật toán lan truyền ngược Bridge Structural Health BHMS Giám sát sức khỏe kết cấu cầu Monitoring CNN Convolutional Neural Network Mạng nơ-ron tích chập DSF Damage-Sensitive Features Các hư hỏng DL Deep Learning Mô hình học sâu DOFs Degree of freedom Bậc tự do SDOF Single degree of freedom Một bậc tự do MDOF Multi degree of freedom Nhiều bậc tự do FFT Fast Fourier Transform Chuyển đổi nhanh Fourier
-x- FN False Negative Âm tính giả FP False Positive Dương tính giả GD Gradient Descent Độ dốc đi xuống GA Genetic Algorithm Thuật toán di truyền LSTM Long Short-Term Memory Bộ nhớ ngắn dài hạn ML Machine Learning Học máy Modified National Institute of Viện tiêu chuẩn và công nghệ MNIST Standards and Technology quốc gia NCS Postgraduate Nghiên cứu sinh PSO Particle swarm optimization Tối ưu bầy đàn PCA Principal Component Analysis Phân tích thành phần chính RNN Recurrent Neural Networks Mạng nơ ron hồi quy SHM Structural Health Monitoring Giám sát sức khỏe kết cấu TN True Negative Âm tính thực TP True Positive Dương tính thực VAR Vector AutoRegressive Vector tự động hồi quy
-1- MỞ ĐẦU 1. Mở đầu Chẩn đoán kết cấu cầu là quá trình phân tích sự thay đổi về các đặc trưng dao động như tần số và dạng dao động để phát hiện hư hỏng, khuyết tật của kết cấu dựa trên tích chất tương quan khá chặt chẽ của các đặc trưng vật lý và cơ học với các đáp ứng động học và động lực học của kết cấu. Trong quá trình khai thác, có rất nhiều nguyên nhân gây ra hư hỏng cũng như làm ảnh hưởng đến chất lượng và tuổi thọ của các công trình cầu như các tác động tự nhiên (bão, lũ, động đất,…) hoặc các tác động do con người (xe quá tải, tai nạn,…). Ngoài ra bên trong kết cấu các công trình còn có tần số dao động tự nhiên, gây ra dao động khuếch đại khi trùng hoặc là bội số với tần số của phương tiện di chuyển (cộng hưởng cơ học) sẽ làm cho kết cấu công trình bị hư hỏng. Các sự cố xảy ra đối với các công trình cầu không chỉ làm ảnh hưởng đến kinh tế mà còn gây mất an toàn cho người và phương tiện tham gia giao thông. Vì vậy trong những thập kỷ vừa qua, kiểm soát an toàn của các công trình cầu là vấn đề nhận được sự quan tâm đặc biệt của các khoa học cũng như các cơ quan quản lý. Kiểm tra thường xuyên và đánh giá tình trạng của các kết cấu công trình là rất cần thiết để phát hiện sớm các khiếm khuyết của công trình. Từ đó cho phép bảo trì và sửa chữa kết cấu ở giai đoạn sớm, đảm bảo sự an toàn và độ tin cậy của kết cấu với chi phí tối thiểu. Với các phương pháp truyền thống, công việc kiểm soát an toàn khai thác của các công trình cầu được thực hiện theo các Tiêu chuẩn kỹ thuật [132], [133] về kiểm tra, kiểm định, đánh giá tình trạng kỹ thuật của công trình theo các yêu cầu thường xuyên, định kỳ hay đột xuất nhằm phát hiện hư hỏng, đánh giá mức độ ảnh hưởng để sử dụng các giải pháp khắc phục, sửa chữa kịp thời. Trong đó phương pháp trực quan là phương pháp được áp dụng phổ biến nhất để phát hiện các hư hỏng của kết cấu.
-2- Tuy nhiên, kích thước và độ phức tạp của các kết cấu ngày nay đang tăng lên, làm giảm hiệu quả của phương pháp kiểm tra trực quan. Ngoài ra, quá trình kiểm tra trực quan đòi hỏi người kiểm tra phải trực tiếp tiếp cận được những vị trí hư hỏng của công trình để tiến hành thí nghiệm. Việc này đôi khi rất khó khăn trong trường hợp các cầu không được gắn sẵn các hệ thống giúp tiếp cận vị trí cần kiểm tra, đặc biệt là ở mặt dưới của kết cấu nhịp cầu. Kỹ thuật kiểm tra trực quan cũng giới hạn việc đánh giá hư hỏng của kết cấu từ những biểu hiện trên bề mặt (nứt) hoặc thay đổi về mặt hình học (nghiêng, võng), đôi khi không cung cấp đủ thông tin để đánh giá tình trạng hư hỏng bên trong của kết cấu (ví dụ như rỉ cốt thép dự ứng lực bên trong kết cấu bê tông dự ứng lực). Giám sát sức khỏe kết cấu bằng phương pháp trực quan gây tốn kém và mất thời gian, đặc biệt là khi việc tháo dỡ kết cấu (cắt, xẻ kết cấu...) là bắt buộc để có thể truy cập vào khu vực cần kiểm tra. Những tác động này làm thay đổi tính chất vật lý và có thể làm giảm khả năng chịu lực của kết cấu. Bên cạnh phương pháp kiểm tra trực quan, phương pháp dựa trên các đáp ứng tĩnh học (ứng suất, biến dạng, chuyển vị) cũng được áp dụng để giám sát sức khỏe các công trình. Tuy nhiên, phương pháp này không phát hiện được các hư hỏng trong kết cấu một cách trực tiếp và vẫn cần đến các phương pháp phá hủy như cưa, cắt để thu được các đặc tính hư hỏng. Phương pháp này cũng có nhược điểm đó là phải tạm dừng khai thác công trình trong quá trình tiến hành thí nghiệm, gây những khó khăn cho các công trình trên tuyến giao thông quan trọng với mật độ giao thông qua lại lớn, hoặc các cầu nằm trong thành phố. Để khắc phục những nhược điểm của phương pháp kiểm tra trực quan cũng như phương pháp thử nghiệm tĩnh, các phương pháp đánh giá, xác định hư hỏng trong kết cấu khác đã được nghiên cứu, phát triển. Trong đó, phương pháp được nghiên cứu tập trung hiện nay là phương pháp đánh giá tình trạng sức khỏe kết cấu dựa trên kết quả đo các đặc trưng dao động (tần số dao động tự nhiên, dạng dao động, hệ số cản...). Do các đặc trưng dao động của kết cấu (đặc biệt là dạng dao động) phụ thuộc vào sự phân bố về độ cứng và khối lượng của nó, nên dựa
-3- vào các đặc trưng động học có thể giúp xác định được vị trí có khả năng xuất hiện hư hỏng trong kết cấu. Ưu điểm chính của phương pháp đánh giá tình trạng sức khỏe kết cấu dựa trên kết quả đo các đặc trưng dao động là cung cấp thông tin tổng thể về tình trạng sức khỏe kết cấu. Ngoài ra, từ việc phân tích sự thay đổi về các đặc trưng dao động như tần số và dạng dao động, có thể xác định được vị trí hư hỏng. Vị trí hư hỏng này không nhất thiết phải trùng với các vị trí đặt đầu đo để xác định các đặc trưng dao động. Các cảm biến đo nhận dạng dao động giúp xác định các đặc trưng dao động của kết cấu có thể được gắn tạm thời trên kết cấu khi cần thực hiện phép đo các hiệu ứng tĩnh và động hoặc được gắn sẵn trên kết cấu để tạo ra hệ thống theo dõi sức khỏe công trình một cách liên tục. Vì vậy luận án này sẽ tập trung vào cách tiếp cận chẩn đoán hư hỏng trong kết cấu dựa trên dữ liệu động. Hiện nay, để giám giám sát các công trình cầu một cách hiệu quả, thì yêu cầu các cảm biến được lắp đặt lâu dài trên kết cấu công trình và dữ liệu được truyền liên tục về các trung tâm xử lý dữ liệu với lượng dữ liệu cần xử lý là rất lớn, đồng thời dữ liệu trình tự phổ biến nhất trong lĩnh vực giám sát sức khỏe kết cấu công trình là dữ liệu trình tự theo thời gian, thường có sự phụ thuộc từ trước đến sau theo thứ nguyên thời gian. Vì vậy, luận án này sẽ sử dụng chuỗi dữ liệu động thu được theo thời gian để chẩn đoán hư hỏng kết cấu cầu. Trong bài toán chẩn đoán kết cấu, độ chính xác thường phụ thuộc rất lớn vào chất lượng dữ liệu. Tuy nhiên, đặc tính của dữ liệu đo thường bị ảnh hưởng bởi yếu tố ngẫu nhiên vì vậy việc thu thập dữ liệu cho bài toán này thường gặp phải nhiều thách thức, bao gồm các vấn đề về chất lượng dữ liệu, bất đồng về định dạng dữ liệu, thiếu dữ liệu và đặc biệt là nhiễu. Thực tế cho thấy, khi một đại lượng được đo, kết quả phụ thuộc vào nhiều yếu tố như hệ thống thiết bị đo, trình tự thủ tục đo, kỹ năng của người thao tác, yếu tố môi trường (nhiệt độ, gió) và các ảnh hưởng khác, do đó, việc sử dụng các phương pháp cải thiện dữ liệu thô, đặc biệt là giảm tính bất định của dữ liệu là cần thiết để tăng độ chính xác của mô hình giám sát sức khỏe kết cấu. Chính vì vậy, trong luận án này, NCS đề xuất áp dụng phương pháp xấp xỉ tổng hợp tượng trưng (Symbolic Aggregate approXimation –
-4- SAX) và Phân rã sóng rời rạc đa cấp (Multilevel Discrete Wavelet Decomposition – MDWD) để cải thiện dữ liệu. Bài toán chẩn đoán hư hỏng kết cấu dựa trên dữ liệu động thông thường gồm một số mô hình độc lập nhau, phổ biến như trích xuất đặc trưng, biến đổi đặc trưng và bộ phân loại (Hình 0.1). Trong quá trình trích xuất đặc trưng, có nhiều phương pháp xử lý tín hiệu như: Fourier Transform (FT), phép biến đổi Fourier thời gian ngắn (STFT), phép biến đổi sóng Wavelet (WT), Phân rã chế độ thực nghiệm (EMD), v.v. Bằng cách thực hiện một số biến đổi của tín hiệu chuỗi thời gian, các phương pháp trên có thể trích xuất các đặc trưng phục vụ cho việc phân loại và chẩn đoán [1-2]. Phương pháp này được đánh giá là hiệu quả đối với các kết cấu đơn giản, vì tín hiệu trạng thái thu được thường có đặc tính tần số rõ ràng. Tuy nhiên, đối với kết cấu phức tạp, việc chẩn đoán kết cấu chỉ dựa trên đặc trưng tần số hoặc đặc trưng tần số - thời gian theo cách dựa trên kinh nghiệm của người kỹ sư là rất khó khăn, độ chính xác không cao. Đồng thời, một số phương pháp trên được đánh giá còn nhiều hạn chế, ví dụ phương pháp FT có hiện tượng rò rỉ phổ và không phù hợp với các tín hiệu không ổn định vì các đặc trưng tần số được chuyển đổi không có bất kỳ thông tin miền thời gian nào. Phép biến đổi Fourier thời gian ngắn có thể thực hiện phân tích thời gian - tần số cục bộ, nhưng khi hàm cửa sổ được chọn, kích thước và hình dạng của cửa sổ là cố định và không thể điều chỉnh phù hợp với các đặc trưng thời gian – tần số của tín hiệu. Phép biến đổi sóng Wavelet [3] có thể phân tích thời gian - tần số cục bộ và có tính thích ứng hơn với việc phân tích các tín hiệu biến thiên theo thời gian, tuy nhiên việc lựa chọn hàm cơ sở, xác định các lớp phân rã vẫn còn nhiều khó khăn trong quá trình ứng dụng sóng biến đổi. EMD là một phương pháp xử lý thời gian - tần số được đề xuất bởi Huang và các cộng sự, đặc biệt phù hợp với các tín hiệu phi tuyến và không ổn định, nhưng về cơ bản nó là một phương pháp phân rã tín hiệu thực nghiệm mà không có định nghĩa công thức chính xác, vì vậy rất khó phân tích về mặt lý thuyết [4-5]. Các đặc trưng thu được bằng các phương pháp xử lý tín hiệu trên thường có kích thước lớn, không có lợi cho việc nhận dạng mẫu sau này, vì vậy nhiều nhà
-5- nghiên cứu đã cố gắng cải thiện khả năng nhận dạng đặc trưng bằng cách sử dụng các phương pháp chuyển đổi đặc trưng như xử lý thưa thớt, giảm chiều dữ liệu. Các phương pháp được nghiên cứu nhiều nhất bao gồm phương pháp phân tích thành phần độc lập (ICA) [6-7], và phương pháp phân tích suy biến (SVD) [8]. Hình 0.1 Quá trình chẩn đoán hư hỏng kết cấu công trình Bộ phân loại được sử dụng để phân loại các kết quả của việc trích xuất và biến đổi đặc trưng, trong đó phương pháp Máy vectơ hỗ trợ (SVM) và thuật toán lan truyền ngược (BPNN) thường được sử dụng để phân loại và phân tích hồi quy. Đối với kết cấu giản đơn, loại phương pháp từng bước này được đánh giá là khá hiệu quả. Tuy nhiên, đối với các kết cấu phức tạp và số chiều dữ liệu ngày càng cao, sẽ xuất hiện một số lỗi mới. Một mô hình chẩn đoán thông minh phải có khả năng tổng quát hóa tốt để xử lý và xác định các lỗi mới, tuy nhiên các phương pháp trên không có khả năng này. Quan trọng hơn, quá trình trích xuất tính năng truyền thống không được định hướng trực tiếp đến việc phân loại lỗi, hư hỏng kết cấu, ngoài ra các mô hình trên hoạt động độc lập, nghĩa là bộ trích xuất đặc trưng và bộ phân loại độc lập với nhau, dẫn đến khả năng xuất hiện lỗi trong việc trích xuất đặc trưng hay tính bất định trong chẩn đoán hư hỏng kết cấu. Do đó, điều quan trọng trong chẩn đoán kết cấu với chuỗi dữ liệu lớn theo thời gian là phải có được một mô hình chẩn đoán thông minh, không chỉ tối ưu hóa trích xuất đặc điểm và nhận dạng mẫu mà còn có khả năng tổng quát hóa tốt. Những năm gần đây, nhiều phương pháp đã được đề xuất để nâng cao hiệu quả và độ chính xác của các phương pháp giám sát sức khỏe công trình. Trong các phương pháp được đề xuất, phương pháp sử dụng học máy (Machine learning –
-6- ML) để hoàn thiện quy trình đánh giá sức khỏe công trình dựa trên phân tích động đã cho thấy những hiệu quả tiềm năng. Phương pháp học máy đã được ứng dụng để giải quyết nhiều vấn đề kỹ thuật phức tạp, bao gồm nhận dạng, phân loại, hệ thống kiểm soát và xử lý hình ảnh… Gần đây một số nhà nghiên cứu ở Việt Nam đã bắt đầu nghiên cứu sử dụng phương pháp học máy, cụ thể là mạng nơ ron nhân tạo (Artificial neural network – ANN) để giám sát sức khỏe kết cấu. Mặc dù kết quả nhận được khả quan tuy nhiên các phương pháp ANN tồn tại những nhược điểm căn bản làm cho nó khó áp dụng cho một số trường hợp thực tế, điển hình trong xử lý các dữ liệu ảnh và xử lý dữ liệu lớn. Trong thực tế, để giám sát các công trình trực tuyến, thì yêu cầu các cảm biến được lắp đặt lâu dài trên kết cấu công trình và dữ liệu được truyền liên tục về các trung tâm xử lý dữ liệu, bao gồm cả dữ liệu ảnh và dữ liệu số, vì vậy lượng dữ liệu cần xử lý là rất lớn. Hiện nay, xu hướng giám sát sức khỏe kết cấu sẽ theo dõi toàn bộ công trình, thay vì chỉ tập trung vào các vị trí nghi ngờ, vì vậy lượng dữ liệu thu được tăng lên rất lớn, điều này đang tạo ra các thách thức đối với các kỹ thuật phân tích và thu thập dữ liệu. Ví dụ như, cầu Vincent Thomas ở San Pedro, California sử dụng 26 cảm biến để theo dõi sức khỏe đã tạo ra khoảng 3 terabytes (TB) dữ liệu trên một năm; dự án theo dõi cầu ở Liên bang Nga trích xuất khoảng 7 gigabytes (GB) dữ liệu mỗi ngày; hơn 20 GB dữ liệu đã thu được trong quá trình kiểm tra đường sắt tự động tại thành phố Brockton, Massachusetts hay theo dõi sức khỏe của các cánh tuabin gió ở Bỉ đã tạo ra hơn 300 GB dữ liệu trong 6 tháng. Vì vậy cần thiết phát triển và áp dụng những công cụ mạnh mẽ với tính linh hoạt cao để xử lý các loại dữ liệu khác nhau, từ đó nâng cao được hiệu quả cũng như độ chính xác trong chẩn đoán kết cấu. Những năm gần đây, với sự phát triển của các hệ thống tính toán cũng như các thuật toán học máy, các mô hình học sâu (Deep Learning - DL) đã được áp dụng rộng rãi trên thế giới, đặc biệt trong những ngành công nghiệp như chế tạo máy, dầu khí, công trình,…, và nhận được nhiều sự quan tâm của các nhà nghiên cứu. Ưu điểm của các mô hình học sâu là tận dụng khả năng tự trích chọn được các đặc trưng của dữ liệu từ lớp tích chập và bộ phân lớp được huấn luyện đồng
-7- thời. Cơ chế học đồng thời các đặc trưng và bộ phân lớp có thể hỗ trợ nhau trong quá trình huấn luyện và quá trình phân lớp tìm ra tham số phù hợp với các vector đặc trưng tìm được từ các lớp tích chập, ngược lại các lớp tích chập hiệu chỉnh lại các tham số của chúng để cho các vector đặc trưng thu được là tuyến tính và phù hợp với bộ phân lớp cuối cùng. Trong lĩnh vực giám sát sức khỏe kết cấu công trình, với đặc điểm nguồn dữ liệu lớn được đo dài hạn trên các kết cấu công trình, các mô hình học sâu có thể khắc phục hạn chế của các phương pháp truyền thống để có thể đánh giá, chẩn đoán và giám sát tình trạng của cơ sở hạ tầng giao thông. Các mô hình học sâu được huấn luyện và có thể phát hiện, phân loại và dự đoán chính xác vị trí, mức độ hư hỏng đang xảy ra với kết cấu. Chính vì thế việc nghiên cứu, ứng dụng các mô hình học sâu để phát hiện hư hỏng các công trình hạ tầng giao thông là hết sức cấp thiết trong bối cảnh hiện nay. Các phương pháp này sẽ giúp cho việc phát hiện hư hỏng,… được thuận lợi, dễ dàng và tiết kiệm chi phí. Do vậy, trong nội dung nghiên cứu của mình, nghiên cứu sinh tập trung đi sâu nghiên cứu: “Chẩn đoán kết cấu cầu dựa trên chuỗi dữ liệu đo dao động theo thời gian kết hợp sử dụng mạng học sâu tích chập” làm chủ đề nghiên cứu trong luận án của mình. 2. Mục tiêu nghiên cứu - Nghiên cứu bài toán chẩn đoán hư hỏng của kết cấu công trình cầu dựa vào các dữ liệu động thu được từ các cảm biến. - Đề xuất thuật toán học sâu tích chập kết hợp để phát hiện các hư hỏng trong kết cấu. - Thực hiện và tham khảo các thí nghiệm đo dao động của công trình cầu thực tế, sau đó áp dụng phương pháp đề xuất để chẩn đoán hư hỏng trong kết cấu. 3. Phương pháp nghiên cứu - Phương pháp tổng hợp phân tích lý thuyết; - Phương pháp số;