Nghiên cứu chẩn đoán sự suy giảm độ cứng cho kết cấu dạng dầm sử dụng đường biến dạng kết hợp mạng nơ ron thần kinh nhân tạo

Chia sẻ: Mộ Dung Vân Thư | Ngày: | Loại File: PDF | Số trang:8

Thêm vào BST

Báo xấu

8
lượt xem 3
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết "Nghiên cứu chẩn đoán sự suy giảm độ cứng cho kết cấu dạng dầm sử dụng đường biến dạng kết hợp mạng nơ ron thần kinh nhân tạo" trình bày một phương pháp chẩn đoán chỉ sử dụng đường biến dạng làm dữ liệu đầu vào của mạng nơ-ron thần kinh nhân tạo để xác định sự giảm độ cứng của dầm đồng chất. Mục đích của phương pháp này là hỗ trợ các phương pháp theo dõi sức khỏe công trình hiệu quả hơn. Mời các bạn cùng tham khảo!

Chủ đề:

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

Lưu

Nội dung Text: Nghiên cứu chẩn đoán sự suy giảm độ cứng cho kết cấu dạng dầm sử dụng đường biến dạng kết hợp mạng nơ ron thần kinh nhân tạo

NGHIÊN CỨU CHẨN ĐOÁN SỰ SUY GIẢM ĐỘ CỨNG CHO KẾT CẤU DẠNG DẦM SỬ DỤNG ĐƯỜNG BIẾN DẠNG KẾT HỢP MẠNG NƠ RON THẦN KINH NHÂN TẠO Cao Ngọc Thạch*, Tống Hoàng Tiến, Phạm Hồng Bảo, Nguyễn Đình Thi, Hà Thanh Tú Khoa Xây dựng, Trường Đại học Công nghệ Thành phố Hồ Chí Minh GVHD: TS. Hà Minh Tuấn TÓM TẮT Nghiên cứu này trình bày một phương pháp chẩn đoán chỉ sử dụng đường biến dạng làm dữ liệu đầu vào của mạng nơ-ron thần kinh nhân tạo để xác định sự giảm độ cứng của dầm đồng chất. Mục đích của phương pháp này là hỗ trợ các phương pháp theo dõi sức khỏe công trình hiệu quả hơn. Phần mềm thương mại ETABS được sử dụng để tính toán dữ liệu đường biến dạng. Các kịch bản hư hỏng được giả định để thu thập dữ liệu đường biến dạng ứng với từng cấp độ giảm độ cứng để xây dựng mạng nơ- ron nhân tạo tại từng cấp tải. Sau đó, độ nhạy của phương pháp trong việc phát hiện hư hỏng trên dầm được đánh giá bằng cách so sánh mức độ suy giảm độ cứng cục bộ trên dầm của dữ liệu thực tế và dữ liệu chẩn đoán. Kết quả chứng minh rằng dữ liệu đường biến dạng có thể được sử dụng làm dữ liệu đầu vào để xây dựng mạng nơ-ron thần kinh nhân tạo để xác định mức độ của hư hỏng trong dầm đồng chất. Từ khóa: suy giảm độ cứng, đường biến dạng, mạng nơ ron thần kinh nhân tạo 1. MỞ ĐẦU Rytter (1993) đề xuất ba cấp bậc xác định hư hỏng: xuất hiện sự hư hỏng, vị trí hư hỏng trong kết cấu và lượng giảm độ cứng. Nói cách khác, mục tiêu của phương pháp phát hiện hư hỏng là xác định được hư hỏng đã xảy ra, vị trí và mức độ nghiêm trọng. Do đó phản ứng của kết cấu được chia thành hai nhóm chính là phản ứng tĩnh và phản ứng động. Việc phát triển phương pháp chẩn đoán hư hỏng có tính hiệu quả và tin cậy là một vấn đề đáng chú ý trong nghiên cứu hiện tại qua nhiều năm nay. Tuy nhiên, các đặc trưng động của kết cấu thường đòi hỏi cần phải có thiết bị và phương pháp phân tích phức tạp để xác định. Bên cạnh các đặc trưng động, một số nghiên cứu hiện nay hướng đến việc nghiên cứu khả năng áp dụng các đặc trưng tĩnh, có thể được xác định với các thiết bị đơn giản hơn, để chẩn đoán hư hại bên trong kết cấu. Sheena và cộng sự (1982) giới thiệu phương pháp phân tích dựa vào việc giảm độ lệch giữa thực tế và đối tượng phân tích ma trận độ cứng để đo được chuyển vị giảm xuống. Sanayei và Onipede (1991) đã đề xuất một phương pháp chính xác để tính các thông số của phần tử kết cấu từ các dữ liệu thí nghiệm tĩnh, ví dụ như việc áp dụng tải tĩnh và đo chuyển vị. Hai năm sau, Banan và cộng sự đã đề nghị một phương pháp dựa vào việc xác định các thông số hư hại của mỗi phần tử từ chuyển vị do tải trọng tĩnh xác định trước. Năm 2001, Wang và cộng sự đề xuất thuật toán hai bước để nhận biết kết cấu bị hư hỏng dựa vào sự chênh lệch giữa tần số tự nhiên và chuyển vị 706
tĩnh. Sau đó, Bakhtiari Nejad và cộng sự đã giới thiệu một phương pháp mô tả sự thay đổi của chuyển vị tĩnh với bậc tự do định trước bằng cách giảm thiểu sự chênh lệch giữa véc-tơ tải của kết cấu có phá hoại và không phá hoại vào năm 2005. Abdo đã thí nghiệm khảo sát các thông số bằng cách sử dụng đường cong chuyển vị để xác định vị trí hư hỏng vào năm 2012, kết quả cho thấy rằng sự thay đổi của đường cong chuyển vị có thể được sử dụng là một chỉ số hữu hiệu, thậm chí có khả năng chỉ ra vị trí của phần tử bị giảm một lượng nhỏ độ cứng. Das và cộng sự (2016) đã hệ thống lại kỹ thuật liên quan tới sự biến đổi dựa vào việc phương pháp chẩn đoán hư hỏng cho các kỹ sư kết cấu. Vào năm 2017, Hà và đồng tác giả đã nghiên cứu chỉ sử dụng trực tiếp dữ liệu chuyển vị nút để chẩn đoán hư hại bên trong kết cấu dầm ứng suất trước. Nhóm nghiên cứu đã đề xuất hai chỉ số nhận biết đó là chỉ số phát hiện sự xuất hiện của hư hại và chỉ số tìm ra vị trí của hư hại. Cùng năm, Schommer và cộng sự (2017) là thực hiện phân tích chuyển vị của dầm BTCT kể đến ảnh hưởng của nhiệt độ để chẩn đoán sức khỏe kết cấu. Năm 2019, Won và cộng sự thực hiện giám sát chuyển vị bằng máy biến áp vi sai biến đổi tuyến tính (Linear Variable Differential Transformer - LVDT) để đánh giá hư hỏng dầm. Gần đây, Zhang và cộng sự (2021) đã đề xuất phương pháp giám sát chuyển vị kết cấu dựa trên vùng nhận dạng kết hợp hệ thống mạng nơ-ron. Trong nghiên cứu này, một phương pháp phát hiện hư hỏng áp dụng mạng nơ-ron thần kinh nhân tạo (ANNs) sử dụng phần mềm SPSS vào những thay đổi trong dữ liệu đường biến dạng của dầm đồng chất được đề xuất. Đầu tiên, mạng ANNs sử dụng chuyển vị nút làm dữ liệu đầu vào được giới thiệu và sử dụng trong nhiều tình huống để xác định sự suy giảm độ cứng cục bộ của mô hình phần tử hữu hạn của dầm đồng chất đơn giản. Sự suy giảm độ cứng được tạo ra bằng cách giảm mô đun đàn hồi cục bộ của dầm được khảo sát. 2. MẠNG NƠ-RON NHÂN TẠO (ARTIFICIAL NEURAL NETWORK) Mạng nơ-ron nhân tạo hay thường gọi ngắn gọn là mạng nơ-ron (Artificial Neural Network - ANNs hay Neural Network) là một mô hình toán học hay mô hình tính toán được xây dựng dựa trên các mạng nơ-ron sinh học. Nó gồm có một nhóm các nơ-ron nhân tạo (nút) nối với nhau và xử lý thông tin bằng cách truyền theo các kết nối và tính giá trị mới tại các nút. ANNs giống như bộ não con người, được học bởi kinh nghiệm (thông qua huấn luyện), có khả năng lưu giữ những kinh nghiệm hiểu biết (tri thức) và sử dụng những tri thức đó trong việc dự đoán các dữ liệu chưa biết (unseen data). Trong nhiều trường hợp, mạng nơ-ron nhân tạo là một hệ thống thích ứng (adaptive system) tự thay đổi cấu trúc của mình dựa trên các thông tin bên ngoài hay bên trong chảy qua mạng trong quá trinh học. Hình 1: Các thành phần của một mạng nơ-ron nhân tạo (nguồn internet) Mạng nơ-ron nhân tạo được tạo thành khi chúng ta kết nối các nơ-ron đơn lẻ lại với nhau. Trong mạng nơ-ron nhân tạo, các nơ-ron được tổ chức thành từng lớp (layer). Các tín hiệu được truyền thẳng theo 707
một chiều từ trái sang phải qua các nơ-ron và không kết nối nào truyền tín hiệu theo chiều ngược lại, (Hình 1). Một nơ-ron nhân tạo thường có 5 thành phần chính: Dữ liệu vào (Inputs), Trọng số liên kết (Connection Weights), Hàm tổng (Summation Function), Hàm chuyển đổi (Transfer Function), Kết quả (Output). Có nhiều mô hình mạng ANNs khác nhau, trong đó mô hình mạng ANNs thường sử dụng nhất là mạng MLP. Mạng MLP (MultiLayer Perceptron) là mạng truyền thẳng có nhiều lớp, kết hợp của các tầng perceptron (perceptron đa tầng). 3. BÀI TOÁN ÁP DỤNG 3.1 Mô hình bài toán Nghiên cứu mô phỏng một dầm đơn giản bằng bê tông cốt thép có chiều dài L = 3.8m, mặt cắt ngang hình chữ nhật có kích thước bxh = 0.12 x 0.24 m chịu tải trọng bản thân và tải trọng phân bố đều 10 kN/m tác dụng trên dầm. Bê tông được mô phỏng là vật liệu đàn hồi tuyến tính có mô đun đàn hồi E = 3.0x107 kN/m2, hệ số Poisson v = 0.2. Phần mềm ETABS được sử dụng để xây dựng mô hình và gán tải trọng, từ đó tính toán đường biến dạng của dầm ở các trường hợp khảo sát. Trong nghiên cứu này, 191 điểm cách đều nhau 0.02 m từ đầu gối tựa A sang gối tựa B được chọn để trích xuất đường biến dạng của chuyển vị. Trong nghiên cứu này, dầm có sự giảm độ cứng cục bộ được tạo ra bằng cách giảm mô đun đàn hồi của một hoặc hai đoạn nhỏ trên dầm. Hình 2 thể hiện minh họa về dầm có hư hại ở vị trí phần tử thứ 80. Cụ thể là mô đun đàn hồi của phần tử thứ 80 bị giảm lần lượt với các mức độ từ 10% đến 90%. Các phần tử còn lại vẫn giữ nguyên các thông số vật liệu như dầm bình thường. Hình 2. Sơ đồ dầm đơn giản giả định hư hỏng tại phần tử 80 3.2 Các trường hợp khảo sát Để để có được dữ liệu huấn luyện của mạng ANNs, nghiên cứu khảo sát 10 trường hợp khác nhau để tính toán đường biến dạng của chuyển vị ứng với từng cấp giảm mô đun đàn hồi. Trong từng trường hợp, độ giảm mô đun đàn hồi được thay đổi. Cụ thể, trong các trường hợp khảo sát mô đun đàn hồi của đoạn dầm từ phần tử 80 đến phần tử 90 được giảm lần lượt từ 10% đến 90%. Các trường hợp khảo sát được trình bày trong Bảng 1. 708
Bảng 1. Các trường hợp khảo sát Trường hợp Độ giảm mô đun đàn hồi (%) Tải trọng Số lượng điểm lấy chuyển vị Nhiễu 1 0% Phân bố đều 191 Không 2 10% Phân bố đều 191 Không 3 20% Phân bố đều 191 Không 4 30% Phân bố đều 191 Không 5 40% Phân bố đều 191 Không 6 50% Phân bố đều 191 Không 7 60% Phân bố đều 191 Không 8 70% Phân bố đều 191 Không 9 80% Phân bố đều 191 Không 10 90% Phân bố đều 191 Không 11 10% 1 Tải tập trung lệch nhịp 191 Không 12 10% 1 Tải tập trung giữa nhịp 191 Không 13 10% 2 Tải tập trung giữa nhịp 191 Không 14 10% Phân bố đều 5 điểm cách đều L/4 Không 15 10% Phân bố đều 9 điểm cách đều L/8 Không 16 10% Phân bố đều 17 điểm cách đều L/16 Không 17 10% Phân bố đều 191 Có 18 10% Phân bố đều 5 điểm cách đều L/4 Có 19 10% Phân bố đều 9 điểm cách đều L/8 Có 20 10% Hình 3. Tạo các biến Phân bố đều 17 điểm cách đều L/16 Có 4. XÁC ĐỊNH MỨC ĐỘ SUY GIẢM ĐỘ CỨNG DỰA VÀO MẠNG NƠ-RON THẦN KINH NHÂN TẠO 4.1 Chuẩn bị dữ liệu đầu vào Trong nghiên cứu này, mạng nơ-ron nhân tạo MLP (ANNs MLP) được dùng để chẩn đoán mức độ suy giảm độ cứng sử dụng dữ liệu đầu vào là đường biến dạng. Các bước cụ thể được thực hiện trong phần mềm IBM SPSS: (1) Các biến được tạo và khai báo giá trị biến là các đường biến dạng thu được từ mô phỏng; (2) dầm đồng chất đang khảo sát có chiều dài tính toán là 3800mm nên khoảng cách chia lưới phần tử là 20mm tương ứng sẽ có 191 nút chuyển vị trên dầm; (3) do 2 nút chuyển vị đầu dầm bằng 0, nên chỉ khảo sát 189 nút chuyển vị ứng với 189 biến đầu vào; (4) tạo các biến: có 189 biến đầu vào (Z1…Z189), 1 biến đầu ra (LOSS) và 1 biến chia dữ liệu (PARTITION) như Hình 3. 4.2 Xây dựng mạng ANNs để chẩn đoán mức độ suy giảm độ cứng của Trường hợp 5 Xây dựng cơ sở dữ liệu huấn luyện đầu vào là chuyển vị tại mỗi vị trí của dầm với từng trường hợp giảm mô đun đàn hồi gồm: 10%, 20%, 30%, 50%, 60%, 70%, 80%, và 90%. Giả định xuất hiện thêm 1 trường hợp giảm mô đun đàn hồi là 40% ở trong miền huấn luyện. Tiến hành xây dựng mạng ANNs với dữ liệu biến đầu vào 189 điểm tương ứng với 189 nút chuyển vị trên dầm bê tông cốt thép như Hình 3 và Bảng 2 và 3. 709
Bảng 2. Các trường hợp để xây dựng mạng ANNs Trường hợp Trường hợp truy xuất Độ giảm mô đun đàn hồi đường biến dạng thực tế (xem ETABS) (%) Huấn luyện Trường hợp 2 10 Huấn luyện Trường hợp 3 20 Huấn luyện Trường hợp 4 30 Huấn luyện Trường hợp 6 50 Huấn luyện Trường hợp 7 60 Huấn luyện Trường hợp 8 70 Huấn luyện Trường hợp 9 80 Huấn luyện Trường hợp 10 90 Chẩn đoán Trường hợp 5 40 Bảng 3. Các biến dữ liệu sử dụng mạng ANNs Dữ liệu Tên biến Giá trị Đầu vào (Input) Z1, Z2, Chuyển vị từng điểm trên Z3,…Z189 dầm bê tông cốt thép Mục tiêu LOSS Độ giảm mô đun đàn hồi (Target) 1: Dữ liệu dùng để huấn luyện (Training) Chia dữ liệu PARTITION (Partition) -1: Dữ liệu dùng để chuẩn đoán (Holdout) 710
Hình 4. Biểu đồ kết quả huẩn luyện và chẩn đoán độ giảm mô đun đàn hồi của trường hợp 5 Trong nghiên cứu này, độ giảm mô đun đàn hồi trường hợp 5 sẽ được chẩn đoán, còn lại các trường hợp Trường hợp 2, Trường hợp 3, Trường hợp 4, Trường hợp 6, Trường hợp 7, Trường hợp 8, Trường hợp 9, và Trường hợp 10 dùng để huấn luyện. Giả định độ giảm mô đun đàn hồi của trường hợp 5 là chưa biết, nghiên cứu sẽ tiến hành xây dựng mạng ANNs để chẩn đoán cho trường hợp 5. Hình 4 thể hiện biểu đồ kết quả huẩn luyện và chẩn đoán độ giảm mô đun đàn hồi bằng ANNs. Kết quả sai số được tính là tỷ lệ phần trăm giữa hiệu số độ giảm mô đun đàn hồi chẩn đoán (ANNs) và độ giảm mô đun đàn hồi thực tế (ETABS) khi so với độ giảm mô đun đàn hồi thực tế trong tập dữ liệu huấn luyện. Phần lớn các kết quả chẩn đoán các trường hợp huấn luyện và chẩn đoán đều cho sai số nhỏ hơn 10% (Bảng 4). Tuy nhiên, trường hợp 2 (huấn luyện) có sai số lớn nhất là 32%. Tuy vậy, giá trị trung bình sai số giữa các trường hợp huấn luyện và chẩn đoán là 1.5% cho thấy khả năng sử dụng đường biến dạng là dữ liệu đầu vào của ANNs trong việc xác định độ giảm mô đun đàn hồi rất hiệu quả với các trường hợp được khảo sát trong nghiên cứu này. 5. KẾT LUẬN Cho đến hiện nay, nhiều phương pháp dùng để chẩn đoán hư hỏng cho kết cấu dầm đã được nghiên cứu và phát triển. Trong nghiên cứu này, phương pháp chẩn đoán dựa trên mạng nơ-ron thần kinh nhân tạo với dữ liệu đầu vào là đường biến dạng được đề xuất. Kết quả, chẩn đoán cho thấy rằng, giá trị trung bình sai số giữa các trường hợp huấn luyện và chẩn đoán của mô hình ANNs là 1.5% cho thấy khả năng sử dụng đường biến dạng là dữ liệu đầu vào của ANNs trong việc xác định độ giảm mô đun đàn hồi rất hiệu quả với các trường hợp được khảo sát trong nghiên cứu này. Trong tương lai nghiên cứu phát triển bài toán chẩn đoán hư hỏng thực tế và phức tạp hơn như tách lớp giữa tấm FRP và các cấu kiện BTCT khác như: sàn, cột, vách,…Để đáp ứng cho việc chẩn đoán sức khỏe trong kết cấu. 711
Bảng 4. Bảng kết quả huấn luyện và chẩn đoán độ giảm mô đun đàn hồi của trường hợp 5 Trường hợp Trường hợp truy Độ giảm mô đun Độ giảm mô đun đàn xuất đường biến đàn hồi thực tế hồi chẩn đoán Sai số dạng (xem ETABS) (ANNs) (%) (%) Huấn luyện Trường hợp 2 10 13.1919 32% Huấn luyện Trường hợp 3 20 18.9348 -5% Huấn luyện Trường hợp 4 30 30.0774 0% Huấn luyện Trường hợp 6 50 49.6376 -1% Huấn luyện Trường hợp 7 60 58.9169 -2% Huấn luyện Trường hợp 8 70 69.6318 -1% Huấn luyện Trường hợp 9 80 80.3518 0% Huấn luyện Trường hợp 10 90 88.265 -2% Chẩn đoán Trường hợp 5 40 36.4648 -9% Trung bình 1.5% TÀI LIỆU THAM KHẢO 1. Abdo, M.A.B. 2012. ‘Parametric study of using only static response in structural damage detection’. Engineering Structures 34. 2. Bakhtiari Nejad, F., Rahai, A. & Esfandiari, A. 2005, ‘A structural damage detection method using static noisy data’. Engineering Structures 27(12 SPEC. ISS.). 3. Banan, M.R., Banan, M.R. & Hjelmstad, K.D. 1994. ‘Parameter Estimation of Structures from Static Response. I. Computational Aspects’. Journal of Structural Engineering 120(11). 4. Das, S., Saha, P., & Patro, S.K. 2016. ‘Vibration-based damage detection techniques used for health monitoring of structures: a review’. Journal of Civil Structural Health Monitoring 6(3): pp. 477- 507. 5. Ha, T.M. and Fukada, S. 2017. ‘Nondestructive damage detection in deteriorated girders using changes in nodal displacement’. J Civil Struct Health Monit, DOI 10.1007/s13349-017-0231-x. 6. Sanayei, M. and Onipede, O. 1991. ‘Damage assessment of structures using static test data’. AIAA Journal 29(7). 712
7. Schommer, S., Nguyen, V.H., Maas, S. & Zürbes, A. 2017. ‘Model updating for structural health monitoring using static and dynamic measurements’. Procedia Engineering 199: pp. 2146-2153. 8. Sheena, A., Unger, Z. & Zalmanovich, A. 1982. ‘Theoretical stiffness matrix correction by using static test results’. Israel Jouernal of Technology 20(6): pp 245-253. 9. Wang, X., Hu, N., Fukunaga, H. & Yao, Z.H. 2001. ‘Structural damage identification using static test data and changes in frequencies’. Engineering Structures 23(6). 10. Won, J., Park, J.W., Park, K., Yoon, H. & Moon, D.S. 2019. ‘Non-target structural displacement measurement using reference frame-based deepflow’. Sensors (Switzerland) 19(13): pp. 1–24. 11. Zhang, Y., Liu, P. & Zhao, X. 2021. ‘Structural displacement monitoring based on mask regions with convolutional neural network’. Construction and Building Materials 267:120923. 713