zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Kỹ Thuật - Công Nghệ

» Kiến trúc - Xây dựng

Phương pháp đa nhiệm xác định hư hỏng trong kết cấu giàn sử dụng dữ liệu định hướng

Chia sẻ: ViJijen ViJijen | Ngày: | Loại File: PDF | Số trang:10

Báo xấu

46
lượt xem 5
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Giàn không gian là một dạng kết cấu đặc biệt, thường có kích thước lớn và cấu tạo từ rất nhiều các bộ phận khác nhau, do đó việc theo dõi sức khỏe của kết cấu giàn là một nhiệm vụ khó và nhiều thách thức. Nghiên cứu này đề xuất một phương pháp dữ liệu định hướng có khả năng thực hiện đa nhiệm, gồm xác định sự tồn tại của hư hỏng trong kết cấu, vị trí và mức độ nghiêm trọng của hư hỏng.

Chủ đề:

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

Lưu

Nội dung Text: Phương pháp đa nhiệm xác định hư hỏng trong kết cấu giàn sử dụng dữ liệu định hướng

Tạp chí Khoa học Công nghệ Xây dựng, NUCE 2021. 15 (2V): 12–21 PHƯƠNG PHÁP ĐA NHIỆM XÁC ĐỊNH HƯ HỎNG TRONG KẾT CẤU GIÀN SỬ DỤNG DỮ LIỆU ĐỊNH HƯỚNG Hà Mạnh Hùnga,∗, Đặng Việt Hưnga a Khoa Xây dựng dân dụng và công nghiệp, Trường Đại học Xây dựng, 55 đường Giải Phóng, quận Hai Bà Trưng, Hà Nội, Việt Nam Nhận ngày 21/04/2020, Sửa xong 16/05/2020, Chấp nhận đăng 17/05/2020 Tóm tắt Giàn không gian là một dạng kết cấu đặc biệt, thường có kích thước lớn và cấu tạo từ rất nhiều các bộ phận khác nhau, do đó việc theo dõi sức khỏe của kết cấu giàn là một nhiệm vụ khó và nhiều thách thức. Nghiên cứu này đề xuất một phương pháp dữ liệu định hướng có khả năng thực hiện đa nhiệm, gồm xác định sự tồn tại của hư hỏng trong kết cấu, vị trí và mức độ nghiêm trọng của hư hỏng. Phương pháp đề xuất có ba bước chính: i) chuyển đổi tín hiệu dao động sang dữ liệu 2 chiều dạng ảnh sử dụng kĩ thuật biến đổi Fourier thời gian ngắn, ii) sử dụng thuật toán học sâu ResNet 18 để trích xuất các đặc trưng từ ảnh nhận được từ bước 1, iii) thiết kế một hàm mất mát phức hợp cho việc thực hiện đa nhiệm. Hiệu quả và độ chính xác của phương pháp đề xuất được thể hiện thông qua một ví dụ với giàn mái vòm gồm 120 thanh, với độ chính xác hơn 90% đồng thời cho cả sự tồn tại, vị trí và mức độ hư hỏng. Từ khoá: kết cấu giàn; học máy; tính toán số; hư hỏng kết cấu; dữ liệu định hướng. MULTI-TASKING DATA-DRIVEN APPROACH FOR DAMAGE DETECTION IN TRUSS STRUCTURE Abstract The spatial truss is a special kind of three-dimensional structure, monitoring truss structures’ health is an exhausting task due to its huge size and a large number of members. This study extends this line of research by elaborating a data-driven approach that can perform multi-tasks ranging from detecting damage, localizing damage, and quantifying damage severity. The main steps of the proposed approach are: i) leveraging the Short Time Fourier Transform technique for converting vibration signals into images containing information from both time and frequency domain, ii) using the powerful deep neural network ResNet 18 for feature extraction, and iii) elaborating a compound loss function for multi-tasking learning. The efficiency and efficacy of the proposed approach are demonstrated via a 3D dome truss structure with 120 bars, for which detection accuracies for all tasks of interest are higher than 90%. Keywords: truss structure; deep learning; numerical simulation; damage detection; data-driven. https://doi.org/10.31814/stce.nuce2021-15(2V)-02 © 2021 Trường Đại học Xây dựng (NUCE) 1. Giới thiệu Kết cấu giàn không gian là một dạng kết cấu có tỉ số độ cứng trên khối lượng cao, đồng thời có tính thẩm mĩ cao, do đó được sử dụng nhiều cho các kết cấu mái có không gian lớn, ví dụ như sân bay Changi ở Singapore, sân vận động Arena ở Đức, hay xưởng sản xuất máy bay Boeing ở Mĩ . . . Các kết cấu giàn không gian thường bao gồm nhiều phần tử với kích thước, hình dạng và vật liệu giống nhau. Do đó để theo dõi sức khỏe và phát hiện sớm các hư hỏng của công trình là một nhiệm vụ khó ∗ Tác giả đại diện. Địa chỉ e-mail: hunghm@nuce.edu.vn (Hùng, H. M.) 12
Hùng, H. M., Hưng, Đ. V. / Tạp chí Khoa học Công nghệ Xây dựng khăn và thách thức. Gần đây phương pháp phân tích dữ liệu dao động đo từ các cảm biến gắn trên kết cấu mang lại nhiều kết quả hứa hẹn, có khả năng giảm đáng kể thời gian và công sức khi so với phương pháp thủ công, sử dụng nhân công quan sát trực tiếp. Ngoài ra với sự phát triển của các công nghệ mới như cảm biến không dây, internet vạn vật và dữ liệu lớn, dữ liệu đo có thể được thu thập một cách liên tục trong thời gian dài [1]. Tuy nhiên để chuyển các dữ liệu đo thành các thông tin hữu ích liên quan đến trạng thái làm việc của kết cấu gặp nhiều khó khăn, không chỉ bởi dung lượng rất lớn của dữ liệu, mà còn bởi các sai số, tín hiệu nhiễu, hay các tác động của môi trường. Thông thường, dựa vào dữ liệu đo, các thuật toán tối ưu có thể được sử dụng để xác định các đặc trưng của kết cấu ở thời điểm hiện tại. Sau đó, so sánh với các giá trị tương ứng ở thời điểm kết cấu ở trạng thái toàn vẹn, các hư hỏng có thể được xác định. Chi tiết áp dụng các thuật toán tối ưu có thể tìm thấy ở trong các công bố của Mishra và cs. [2], Kaveh và Zolghadr [3], Ding và cs. [4]. Tuy nhiên, các phương pháp này có điểm chung là cần một bước tiền xử lý để trích xuất các đặc trưng dao động gồm tần số dao động và dạng dao động. Kết quả của bước tiền xử lý này lại nhạy cảm với các tác động của môi trường và các tín hiệu nhiễu, yêu cầu một quy trình nghiêm ngặt từ đo đạc, số lượng và vị trí cảm biến, các kĩ thuật lọc nhiễu, do đó khó có thể áp dụng một cách liên tục để theo dõi sức khỏe của kết cấu theo thời gian thực. Gần đây, các nhà khoa học Việt Nam và nhóm tác giả tập trung rất nhiều vào các bài toán tối ưu hay tính toán độ tin cậy của công trình thép [5–7], đặc biệt tập trung vào các nghiên cứu ứng dụng thuật toán máy học nói chung và thuật toán học sâu (Deep Learning - DL) nói riêng trong các thiết kế công trình khung, giàn bằng thép [8–12]. Đồng thời phương pháp sử dụng dữ liệu định hướng gần đây cũng đã thu hút được sự quan tâm của nhiều nhà khoa học và kĩ sư trong và ngoài nước nhờ khả năng tự động trích xuất các đặc trưng liên quan đến trạng thái của kết cấu từ dữ liệu ban đầu. Ngoài ra các phương pháp này có thể được nâng cấp mở rộng, tự động xử lý được lượng lớn dữ liệu, một khi các mô hình học máy được huấn luyện. Avci và cs. [13] đã đề xuất một phương pháp sử dụng mạng tích chập kết hợp với cảm biến không dây để xác định mức độ giảm độ cứng của liên kết. Zhang và cs. [14] sử dụng kiến trúc học sâu để phân tích trạng thái của một kết cấu cầu thép sử dụng dữ liệu dao động là đầu vào. Yuan và cs. [15] sử dụng mô hình học sâu hồi quy để xác định các hư hỏng của kết cấu tua bin gió, và đạt được các kết quả chính xác hơn so với một số phương pháp xác suất thống kê hay dùng. Phát triển theo hướng nghiên cứu trên, bài báo này đề xuất một phương pháp dữ liệu định hướng có khả năng thực hiện đa nhiệm, gồm xác định sự tồn tại của hư hỏng trong kết cấu, vị trí và mức độ nghiêm trọng của hư hỏng. Phương pháp đề xuất có ba bước chính: i) chuyển đổi tín hiệu dao động sang dữ liệu 2 chiều dạng ảnh sử dụng kĩ thuật biến đổi Fourier thời gian ngắn (Short Time Fourier Transform), ii) sử dụng thuật toán học sâu ResNet 18 để trích xuất các đặc trưng từ ảnh nhận được từ bước 1, iii) thiết kế một hàm mất mát phức hợp cho việc thực hiện đa nhiệm. Hiệu quả và độ chính xác của phương pháp đề xuất được thể hiện thông qua một ví dụ với giàn mái vòm gồm 120 thanh, với độ chính xác hơn 90% đồng thời cho cả sự tồn tại, vị trí và mức độ hư hỏng. 2. Phương pháp xác định hư hỏng của kết cấu giàn sử dụng tín hiệu dao động và thuật toán học sâu 2.1. Kĩ thuật biến đổi Fourier thời gian ngắn Dao động của kết cấu được ghi lại dưới dạng dữ liệu gồm một chuỗi các giá trị thay đổi theo thời gian. Dựa vào dữ liệu trên miền thời gian này ta có thể trích xuất ra các đặc trưng ở miền tần số dựa vào phương pháp biến đổi Fourier, mà ở đó các giá trị cực trị tương ứng với các tần số dao động riêng 13
Tạp chí Khoa học Công nghệ Xây dựng, NUCE 2021 p-ISSN 2615-9058; e-ISSN 2734-9489 gió, và đạt được các kết quả chính xác hơn so với một số phương pháp xác su kê hay dùng. Hùng, H. M., Hưng, Đ. V. / Tạp chí Khoa học Công nghệ Xây dựng gió, và đạt được các kết quả chính xác hơn so với một số phương pháp xác suất thống của hệ kết cấu đang xét. Để quan sát đồng thời các đặc trưng dao động của kết cấu trên miền thời gian Phát và miềntriển kê hay dùng. theo tần số, kĩ thuật hướng nghiên biến đổi Fourier cứungắn thời gian trên, bài[16]báo (STFT) đượcnày đề và phát triển xuất một sử dụng phương rộng định rãi trênhướng liệuPhát triển nhiều lĩnhcó theo vực.khả hướng năng Ý tưởng nghiên thực của STFT cứu làhiện chia dữđa trên, liệunhiệm, bài dao động ban báo này gồm đề xácmột đầu thành xuất định nhiều sựdữtồn đoạn phương liệu tại của h pháp dữ nhỏ hơn, có thể trùng lặp một phần. Sau đó áp dụng biến đổi Fourier lên từng đoạn dữ liệu để nhận trong liệu kết địnhđược hướng cấu, các đặc vị cótrưng trítrên khả vàmiền năng mứcthực độ tần số. nghiêm hiện Cuối cùng cáctrọng đa nhiệm, gồm đặc trưngcủa này hư xác được hỏng. định Phương sự tồn ghép lại trên trục thờipháp tại củagianhư hỏngđề xu tương ứng, tạo thành một ảnh hai chiều với trục tung là thời gian và trục hoành là tần số với màu sắc, bước trong chính: kếtmức cấu, độ đậmvịi)trí chuyển nhạt từngđổi vàcủamức tín độ nghiêm điểm hiệu ảnh thể dao trọng hiện động giá trịcủa hưsang của biên hỏng. độ lớn/nhỏdữPhương liệuứng tương 2pháp chiều đềdạng như trên xuất1. có Hình ảnhbasử thuật bước biếnthức Công chính: i)đổi củaFourier chuyển STFT đượcthời đổi tín gian viết như hiệu sau: ngắn (Short Time Fourier Transform), ii) sử dụ dao động sang dữ liệu 2 chiều dạng ảnh sử dụng kĩ toánbiến thuật họcđổi sâu ResNet Fourier thời18gian đểStrích xuất ngắn (Short T FT (τ, f ) = Z∞ cácTime đặcFourier trưng Transform), x(t)ψ(t − τ)e−2πi f t dt từ ảnh nhậnii)được từ(1)bước sử dụng thuật1, toán kế học mộtsâu hàm ResNet mất 18 mátđểphứctrích xuất hợp các chođặc việc −∞ trưng thựctừhiện ảnh nhận được từHiệu đa nhiệm. bướcquả 1, iii) vàthiết độ ch kếcủa mộtphương hàmTiến mấthànhphápmát rờiphức đề hóahợp rạc xuất cho thời việc được theo thể tức gian, thực hiện hiện thông là, chia đaqua đoạn nhiệm. thời Hiệu một[0, gian víT ] dụquả thànhvới vàgiàn các độ chính thời mái vòm điểm xác g của phương thanh, [0, t1 , pháp t , . . . , tđề với2 độ chính xuất N ] với bướcđược thểkhông thời gian xác hơn hiệnđổi 90% thông quacông dt = T/N, đồng thời một chovícảdụsựvới tồngiàn thức (1) được viết tại,mái vòm lại như sau: vị trí vàgồm mức120 độ h thanh, với độ chính xác hơn 90% đồng thờin+N−1 Xcho cả sự−2πitồn tại, vị trí và mức độ hư hỏng. S T FT n, f = củaxk ψkết fk 2. Phương pháp xác định hư hỏng k=n k−n e cấu giàn sử dụng tín hiệu (2) dao đ 2. Phương pháp xác định hư hỏng của kết cấu giàn sử dụng tín hiệu dao động và thuậttrong toán họclà dữ đó x(t) sâuliệu dao động của kết cấu, ψ là một hàm cửa sổ trượt, f là tần số và N là chiều dài thuật toán học sâu của phân đoạn dữ liệu được chia nhỏ ra. Ngoài ra, ảnh hai chiều nhận được từ biến đổi STFT được gọi 2.1. 2.1. Kĩ Kĩ thuật thuật biến là quang biến phổ đổi đổi hiệuFourier Fourier của tín thờingắn thời gian dao động. gian ngắn Thời gian (a) Tín hiệu dao động kết cấu (b) Ảnh quang phổ Thời gian (a) Tín hiệu dao động kết cấu (b) Ảnh quang phổ (a) 1.Tín Hình hiệu Ví dụ về tíndao động hiệu dao động kết cấu kết cấu bằngẢnh và ảnh quang phổ tương ứng nhận được(b) kĩ thuậtquang STFT phổ Hình 1. Ví dụ về tín hiệu dao động kết cấu và ảnh quang phổ tương ứng nhận được bằng kĩ Hình 1.VềVímặtdụthực vềhiện, tín quá hiệu dao trình trênđộng kếthành được tiến thuật cấuvớivà STFT ảnh sự trợ quang giúp của thưphổ tương viện khoa học ứng Scipy nhận [17] được b của ngôn ngữ lập trình Python, cụ thể là hàm ‘scipy.signal.stft’. Các thông số chính của hàm bao gồm chiều dài của phân đoạn tín hiệu, phần trăm trùng thuật lặp của STFT các phân đoạn và tần số lấy mẫu. Dựa theo Dao động của kết cấu được ghi lại dưới dạng dữ liệu gồm một chuỗi các giá trị hệ quả Nyquist, đặc trưng tần số lớn nhất có thể trích xuất được từ dữ liệu đo, không vượt quá 50% thay đổiDao của tần động theo thời củaNgoài số lấy gian. mẫu. kếtra,cấu Dựa vào được phầndữ trămliệu ghi trùng lặplại trên miền cũng dưới thể dạng có thời ảnhgian dữ hưởngnày liệu đến ta gồm độ có phânthể một giảitrích chuỗi xuất ra cá của ảnh quang phổ nhận được. Nếu phần trăm trùng lặp thấp, dẫn đến độ phân giải thấp, phần trăm trùng lặp cácthay đặc đổi trưng cao độ ở miền theo phân thời tần số dựa giải sẽ gian. Dựa cao, nhưng vàothờiphương đồngvào dữ thước kích liệupháptrên ảnh biến cũngmiền đổi Fourier, tăng lên,thời gian dẫn đến mà nàyở bộ tốn nhiều đó các tanhớ giá trích cóvàthể trị cực trị tương ứng trìnhvới tính các toán. tần sốthường dao giáđộng riêng củađượchệ kết các đặc trưng ở miền tần số dựa vào phương pháp biến đổi Fourier, mà ở đó cá chậm quá Thông trị trùng lặp 50% cấu coi như giáđang trị mặcxét. định. Để quan sát đồng cựcthời trị các đặc ứng tương trưngvới daocác động củasốkết tần daocấu14 trên miền động riêngthời củagian hệ và kếtmiền cấutần số, kĩ đang thuật xét. Để q biến đổi Fourier thời gian ngắn (STFT) [16] được phát triển và sử dụng rộng rãi trên đồng thời các đặc trưng dao động của kết cấu trên miền thời gian và miền tần số, nhiều lĩnh vực. Ý tưởng của STFT là chia dữ liệu dao động ban đầu thành nhiều đoạn biến đổi Fourier thời gian ngắn (STFT) [16] được phát triển và sử dụng rộng
STFTn , f   k n xk k  n e 2 ifk (2) trong đó x(t ) là dữ liệu dao động của kết cấu,  là một hàm cửa sổ trượt, f là tần số và N là chiều dài củaHùng, phânH.đoạn dữ liệu M., Hưng, Đ. V.được chia / Tạp chí nhỏ Khoa họcra. Ngoài Công ra, dựng nghệ Xây ảnh hai chiều nhận được 2.2. từtrúc Kiến biếnhọc đổisâu STFT được ResNet và gọi họclàchuyển quangtiếp phổ của tín hiệu dao động. Sau Về khi mặt chuyểnthựcdữhiện, quá động liệu dao trình 1trên chiềuđược sangtiến hành dạng ảnhvới sự trợ quang phổgiúp của thư 2 chiều, ảnh viện này sẽkhoa được đưa học Scipy [17] của ngôn ngữ lập trình Python, cụ thể là hàm ’scipy.signal.stft’. vào một mô hình học sâu để xác định trạng thái kết cấu tương ứng, tức là cho biết kết cấu có xuất Các thông hiện hư hỏngsố chính của hàm hay không. Môbaohìnhgồmhọcchiều dài của sâu được phânởđoạn sử dụng đây làtínmạng hiệu,ResNet-18 phần trămnhư trùng thể lặp hiện trên Hình 2, do kết cấu này có đã được chứng minh đạt độ chính xác cao trong của các phân đoạn và tần số lấy mẫu. Dựa theo hệ quả Nyquist, đặc trưng tần số lớn nhất việc phân loại ảnh [18, 19], ngoài ra kiến trúc của mạng rõ ràng dễ hiểu. Mạng Resnet-18 bao gồm 18 lớp mạng tích chập, được có thể trích xuất được từ dữ liệu đo, không vượt quá 50% của tần số lấy mẫu. Ngoài ra, chia thành 4 khối, ngoài ra có thêm các liên kết giữa hai lớp tích chập bất kì. Tuy nhiên toàn bộ mạng phần trăm ResNet-18 có trùng hơn 11lặp cũng triệu có số tham thểcần ảnhxác hưởng định,đến độhuấn do đó phânluyện giải của mạngảnhnàyquang ngay phổ từ đầunhận là không khảđược. thi, do Nếu yêuphần trăm cầu rất caotrùng lặpgian về thời thấp,tínhdẫn đếnlượng toán, độ phân giảicóthấp, dữ liệu phầnnhư sẵn cũng trămnềntrùng tảnglặp máycaotính. Do đó,độở đây phântácgiảigiảsẽđãcao, nhưng sử dụng đồng pháp phương thời kích thước ảnh học chuyển tiếp cũng để tiếntăng hànhlên, dẫn tinh đếnmạng chỉnh tốn nhiều ResNet-18 chobộviệc nhớxác và định chậmhưquá hỏng trình tínhkếttoán. trong Thông cấu giàn. Cụthường thể, cácgiá trị trùng tham số củalặp mạng50% được coiởnhư ResNet-18 đây được kế giá thừatrịtừmặc việcđịnh. huấn luyện trước với hàng triệu hình ảnh từ bộ dữ liệu ImageNet của Google [20]. Sau đấy, các tác giả sẽ cố định hầu hết các lớp của mạng ResNet, ngoại trừ hai lớp cuối cùng sẽ được huấn 2.2.lại luyện Kiếnvới trúc bộ dữhọcliệusâu về ResNet và học sự làm việc của chuyển kết cấu tiếp giàn. Tạp chí Khoa học Công nghệ Xây dựng, NUCE 2021 p-ISSN 2615-9058; e-ISSN 2734-9489 này sẽ được đưa vào một mô hình học sâu để xác định trạng thái kết cấu tương ứng, tức là cho biết kết cấu có xuất hiện hư hỏng hay không. Mô hình học sâu được sử dụng ở đây là mạng ResNet-18 như thể hiện trên Hình 2, do kết cấu này có đã được chứng minh đạt độ chính xác cao trong việc phân loại ảnh [18, 19], ngoài ra kiến trúc của mạng rõ ràng dễ hiểu. Mạng Resnet-18 bao gồm 18 lớp mạng tích chập, được chia thành 4 khối, ngoài ra có thêm các liên kết giữa hai lớp tích chập bất kì. Tuy nhiên toàn bộ mạng ResNet-18 có hơn 11 triệu tham số cần xác định, do đó huấn luyện mạng này ngay từ HìnhHình2. Kiến trúc 2. Kiến học trúc họcsâu sâuResNet-18 ResNet-18 đầu là không khả thi, do yêu cầu rất cao về thời gian tính toán, lượng dữ liệu có sẵn cũng Thông như Sau nền chuyển khi thường, tảng sử máy dụng tính. dữ liệu tín Dodao hiệu đó, ởtừđây đođộng duy1tácchiều giả đã nhất sửcảm sang một dụng dạng phương biến ảnh pháp có thểhọc khóquang phổ chuyển 2 cấp cung tiếp chiều, đượcảnhkết quả để tiến hành tinh chỉnh mạng ResNet-18 cho việc xác định hư hỏng trong kết chính xác về vị trí hư hỏng, đặc biệt là khi hư hỏng xuất hiện ở gần nơi đặt cảm biến. Trong khi việc cấu giàn. Cụ thể, sử dụng nhiều cácbiến cảm thamsẽsốmang của mạng ResNet-18 lại nhiều thông4tinở đây hơnđược và cókếthể thừa từ việc nâng cao huấn luyện độ chính trước xác của mô hình dự đoán. với Hình hàng triệu 3 thể hình hiện chuảnh từ bộ trình làmdữviệc liệu sử ImageNet của Google dụng đồng thời dữ[20]. Saunhiều liệu từ đấy, cảm các tác giả trong biến, sẽ đó dữ cốcảm liệu từ mỗi địnhbiến hầu sẽ hếtđicác vàolớp một củamạng mạngResNet ResNet, ngoại riêng rẽ,trừ đầuhai ra lớp củacuối mỗi cùng mạngsẽResNet được huấn sẽ đi qua một luyện lại với bộ dữ liệu về sự làm việc của kết cấu giàn. Hình3.3.Chu Hình Chutrình trìnhlàm làmviệc việckết kếthợp hợp đồng đồng thời tín hiệu thời tín hiệu dao dao động động từ từnhiều nhiềucảm cảmbiến biến Thông thường, sử dụng tín hiệu đo từ15 duy nhất một cảm biến khó có thể cung cấp được kết quả chính xác về vị trí hư hỏng, đặc biệt là khi hư hỏng xuất hiện ở gần nơi đặt cảm biến. Trong khi việc sử dụng nhiều cảm biến sẽ mang lại nhiều thông tin hơn và có thể nâng cao độ chính xác của mô hình dự đoán. Hình 3 thể hiện chu trình làm việc sử
Hùng, H. M., Hưng, Đ. V. / Tạp chí Khoa học Công nghệ Xây dựng lớp trung bình trọng số, rồi đi qua một lớp phân loại để xác định trạng thái tương ứng của kết cấu. Về mặt logic, nếu cảm biến nào ở xa vị trí hư hỏng thì ảnh hưởng của nó lên kết quả sẽ nhỏ, do đó trọng số tương ứng sẽ không đáng kể. Ngược lại, với những cảm biến ở gần vị trí hư hỏng, trọng số tương ứng sẽ lớn. Về mặt thực hiện, thư viện học sâu Pytorch được sử dụng để xây dựng các khối ResNet, lớp trung bình trọng số và lớp phân loại. Trong giai đoạn huấn luyện, thuật toán tối ưu hóa để xác định các tham số của kĩ thuật học chuyển tiếp là Adam [21], bước học tập ban đầu là 0,001, sau đó được giảm 50% nếu hàm mất mát không giảm qua các bước lặp và sau 10 bước lặp liên tiếp không có sự cải tiến thì quá trình huấn luyện sẽ được dừng sớm. 2.3. Hàm mất mát phức hợp cho việc học đa nhiệm Phương pháp xác định hư hỏng truyền thống thực hiện riêng rẽ các nhiệm vụ: xác định tồn tại của hư hỏng, xác định vị trí hư hỏng và đánh giá mức độ hư hỏng, tuy nhiên vẫn sử dụng một dữ liệu đầu vào giống nhau. Mặt khác, các nghiên cứu về khoa học dữ liệu đã đề xuất xây dựng mô hình học máy đa nhiệm cho phép thực hiện đồng thời các tác vụ. Ngoài ra, nhiều tác giả đã quan sát thấy rằng mô hình đa nhiệm có thể tăng khả năng dự đoán chính xác cho từng nhiệm vụ, tuy nhiên không làm tăng thời gian huấn luyện đáng kể khi so với mô hình đơn nhiệm. Lợi thế của mô hình đa nhiệm được giải thích là do khi huấn luyện với các tác vụ khác nhau thì các đặc trưng được trích xuất sẽ đa dạng hơn, tránh bị chú trọng quá mức vào việc tối ưu cho một nhiệm vụ, do đó mô hình học máy có thể đạt được kết quả cao hơn, ngay cả khi áp dụng cho các dữ liệu mới. Dựa vào phát hiện trên, bài báo này đề xuất một hàm đa nhiệm phức hợp để đánh giá khả năng của mô hình học máy, dựa vào đồng thời ba tác vụ: xác định tồn tại hư hỏng, xác định vị trí hư hỏng và mức độ hư hỏng, như thể hiện ở công thức (3): Ω(X) = λD LD (X) + λL LL (X) + λS LS (X) (3) trong đó Ω(X) là hàm mất mát phức hợp, X là ảnh quang phổ đầu vào nhận được từ STFT, LD , LL và LS là hàm mất mát dạng cross-entropy [22] cho từng tác vụ tồn tại hư hỏng, xác định vị trí hư hỏng và mức độ hư hỏng. λD , λL và λS là trọng số tương ứng với các tác vụ. Giá trị của các trọng số này được xác định dựa vào nhận xét sau: việc xác định sự tồn tại của hư hỏng cũng có ảnh hưởng lớn đến việc xác định vị trí và mức độ hư hỏng. Tức là nếu hư hỏng không tồn tại thì không cần thiết thực hiện hai tác vụ còn lại. Do đó trọng số cho LD nên có giá trị lớn hơn so với LL và LS . Trong nghiên cứu này, các tác giả thấy với λD = 0,5, và λL = λS = 0,25, các kết quả nhận được có độ chính xác đáp ứng với kì vọng. 3. Ví dụ áp dụng 3.1. Dàn vòm 120 thanh và mô hình phần tử hữu hạn Trong phần này, phương pháp đề xuất được áp dụng cho một kết cấu giàn vòm không gian gồm 120 thanh thép. Nhịp của giàn là 3178 cm, chiều cao tổng cộng là 700 cm như được thể hiện trên Hình 4. Các đặc trưng của vật liệu: mô đun đàn hồi E = 210 GPa, hệ số Poisson 0,3, khối lượng riêng 7850 kg/m3 . Các thanh giàn được chia thành 7 nhóm, các thanh trong 1 nhóm có cùng tiết diện như được liệt kê trong Bảng 1. Trên Hình 4, các thanh cùng nhóm được thể hiện với màu sắc và chiều dày tương ứng tiết diện của thanh. Giàn được đỡ bởi 12 gối đơn giản bị ngăn cản các chuyển vị thẳng theo ba phương X, Y, Z. Giàn không gian chịu tải trọng tập trung, theo phương thẳng đứng đặt tại đỉnh vòm. Tải trọng này có giá trị ngẫu nhiên thay đổi theo thời gian. Kết cấu giàn được lựa chọn trong ví dụ này có độ phức tạp vừa đủ để có thể thực hiện các kịch bản hư hỏng khác nhau, đồng thời có thể trình bày 16
Tạp chí Khoa học Công nghệ Xây dựng, NUCE 2021 p-ISSN 2615-9058; e-ISSN 2734-9489 đặt tại đỉnh vòm. Tải trọng này có giá trị ngẫu nhiên thay đổi theo thời gian. Kết cấu giàn được lựa chọn trong ví dụ này có độ phức tạp vừa đủ để có thể thực hiện các kịch bản hư hỏng khácH. Hùng, nhau, M., đồng Hưng,thời Đ. có V. /thể Tạptrình chí bày Khoacụhọc thểCông các bước nghệthực Xâyhiện dựngcủa phương pháp đề xuất mà không yêu cầu quá nhiều các tính toán phức tạp và nhiều thời gian mô cụ thể các bước thực hiện của phương pháp đề xuất mà không yêu cầu quá nhiều các tính toán phức phỏng. tạp và nhiều thời gian mô phỏng. Mô hình phần tử hữu hạn của giàn được thực hiện trên phần mềm Abaqus [23], Mô hình phần mỗi thanh giànhạn tử hữu đượccủa mô giàn phỏngđược bằng thực hiện phần tử giàntrên loại phần T3D2 mềm Abaqus [24], phản [23],của ứng động mỗi thanh giàn được mô phỏng kết bằng cấu đượcphần phântửtích giàn theoloại T3D2 phương [24], pháp phản chồng chấtứng dạngđộng của (modal dao động kết cấuanalysis). được phân tích theo phương pháp Cácchồng hư hỏng được đưa vào kết cấu dưới dạng giảm tiết diện của thanh giàn với mứcvào chất dạng dao động (modal analysis). Các hư hỏng được đưa độ kết cấu dưới dạng giảm tiếtgiảm diệntrong khoảng [0, 30, 60, 90]% và vị trí giảm là một thanh bất kì trong giàn. Thờivà vị trí giảm của thanh giàn với mức độ giảm trong khoảng [0, 30, 60, 90]% là một thanh bất giankì môtrong phỏnggiàn. Thờivớigian là 30 giây bướcmô thờiphỏng gian là là 30 giây. 0,001 giâyCác vớithanh bướcdàn thời gian được chialànhỏ 0,001 giây. Các thanh dàn đượcthành chiacácnhỏ phần tử vớicác thành kíchphần thướctửkhông vượt thước với kích quá 0,5không m. vượt quá 0,5 m. Hình Hình 4.4.VíVídụdụápápdụng dụngkết kết cấu cấu giàn giàn vòm vòmkhông khônggian gian120 120thanh thanh Bảng 1. Các giá trị ngẫu nhiên và dạng phân bố tương ứng Thông sốBảng 1.𝐸Các (MPa) 𝐹 (kN) giá trị ngẫu Vị trí hư nhiên và dạng hỏng phân Mức bố tương độ hư hỏng ứng Thông số Phân bố Gaussian E (MPa) Gaussian F (kN) Đềutrí hư hỏng Vị Đều Mức độ hư hỏng Miền giá trị 𝒩(210, 21) 𝒩(1, 0,1) [1-8] [0, 30, 60, 90] Phân bố Gaussian Gaussian Đều Đều Miền giá trị N(210, 21) N(1, 0,1) [1-8] [0, 30, 60, 90] 7 3.2. Tập dữ liệu cho mô hình học máy Phương pháp mô phỏng Monte Carlo với các thông số ngẫu nhiên liệt kê trong Bảng 1 được sử dụng để tạo ra một cơ sở dữ liệu cho huấn luyện mô hình học máy. Có tất cả 10.000 mô phỏng được thực hiện, với mỗi mô phỏng chuyển vị động tại tất cả các nút giàn được ghi lại, chuyển thành ảnh quang phổ và gán nhãn tương ứng với vị trí hư hỏng và mức độ hư hỏng theo dữ liệu đầu vào. Ở đây số lượng các nhãn cùng vị trí hư hỏng được phân bố đều (10000/8, với nhãn 0 là không hư hỏng) và mức độ hư hỏng cũng được phân bố đều (10000/4). Sau đó cơ sở dữ liệu trên được chia thành 3 tập dữ liệu nhỏ không trùng nhau với tỉ lệ 8:1:1 để huấn luyện, kiểm chứng và kiểm tra. Hình 5 trình bày ví dụ về tín hiệu dao động đo tại nút 5 (vị trí theo Hình 4), cho ba trường hợp của mức độ hư hại 0%, 30% và 90%. Đồng thời, ảnh quang phổ FFT tương ứng được thể hiện ở bên 17
cũng được phân bố đều (10000/4). Sau đó cơ sở dữ liệu trên được chia thành 3 tập dữ liệu nhỏ không trùng nhau với tỉ lệ 8:1:1 để huấn luyện, kiểm chứng và kiểm tra. Hình 5 trình bày ví dụ về tín hiệu dao động đo tại nút 5 (vị trí theo Hình 4), cho ba trường hợp của mức độ hư hại 0%, 30% và 90%. Đồng thời, ảnh quang phổ FFT Hùng, H. M., Hưng, Đ. V. / Tạp chí Khoa học Công nghệ Xây dựng tương ứng được thể hiện ở bên phải. Dựa vào quan sát nhận thấy mức độ hư hại dẫn đến phải. Dựasựvào khácquan nhausáttrên ảnhthấy nhận quang mức phổ,độnhất hư là hại dẫntần vùng đếnsốsự từ khác 20-30nhau Hz, do đó tác trên ảnhgiả quang phổ, nhất là tin rằng phương vùng tần số phápHz, từ 20-30 áp do dụngđó các tác giả tintoán thuật rằnghọc phương pháp thị máy trong áp dụng các thuật giác máy tính cótoán tự động thểhọc máy trong thị giác máy nhận tính có thể tự động nhận ra được sự khác nhau này, thậm chí mở ra được sự khác nhau này, thậm chí mở rộng cho các trường hợp mắt thường khó rộng cho các trường hợp mắt thường nhậnkhóra.nhận Ngoàira.ra,Ngoài ở ví dụra,này ở ví ảnhdụquang này ảnh phổ quang phổ tại tất cả 37 tại núttất củacảdàn, 37 tương nút của tự dàn, tương tự như như hình Hình 5 sẽ5được trích xuất và sử dụng đồng thời để xác định mức độ và vị trí hư sẽ được trích xuất và sử dụng đồng thời để xác định mức độ và vị trí hư hại trong dàn. hại trong dàn. Hình Hình5. Ví dụdụ 5. Ví tíntín hiệu dao hiệu động dao thu động nút5 5vàvàảnh thutạitạinút ảnhquang phổtương quangphổ tương ứng ứng cho cho ba trường ba trường hợp hợp mức mức độ độ Tạp chí Khoa học Công nghệ Xây dựng, NUCE 2021hưhưhại hại 0%, 0%, 30% 30% và và 90% 90% p-ISSN 2615-9058; e-ISSN 2734-9489 Các thông số Các thông cho quá số cho huấn trình quá trình luyện huấn baoluyện gồm:bao cácgồm: thông cácsố thông của số môcủa môđược hình hình được khởi tạo bằng khởi phương pháp Gauss tạo bằng Kaiming phương [25],bằng với kì vọng pháp tức 0, Kaiming là phương được khởi [25], pháptạo tức tốingẫu là ưu Adamđược khởi nhiênvớitheo tạo ngẫu độ học tốcphân nhiên bốbằng Gauss theo vớiphân 0,001 được bố bằng 0, kì vọng phương pháp tối ưu sử dụng đểAdam xác địnhvớicác tốcthông độ họcsố bằng của mô 0,001 tốc độ hình,được sử học dụng được để xác đi xuống giảmđịnh các thông còn số của mô 8 hình, tốc độ học nếu 0,0001 đượcnhư độ chính giảm đi xuống cònmô xác của hình không 0,0001 nếu như được độcảichính thiện.xác của ra, Ngoài mônếuhình saukhông 10 được cải nhau, độ xác vẫn không được thiện. Ngoài ra, nếu sau 10 vòng lặp liền nhau, độ chính xác vẫn không được cải thiện thì quá trình vòng lặp liền chính cải thiện thì quá trình huấn luyện kết huấn luyệnthúc, kết kết thúc, quảkết caoquả nhấtcao nhấtquá trong trong trìnhquá sẽ được họctrình họclưusẽ lại được lưu thông và các lại và số cáccủa thông số của mô hình mô hình tương ứngtương ứngđiểm với thời đạtđiểm với thời đạt kết kết quả caoquảnhất caosẽnhất được được sẽ sử dung cho mô sử dung cho hình cuốicuối mô hình cùng. cùng. Hình Hình 6. 6. Đường Đường học tậphọc củatập môcủa môhọc hình hìnhmáy, họctừmáy, trái từ tráiphải, sang sang gồm: phải, giá gồm:trịgiá hàmtrịmất hàmmát mấtphức hợp trên mát tập hợp phức huấntrên luyện, độ chính tập huấn xácđộtrên luyện, tập xác chính kiểm chứng trên cho tác tập kiểm vụ xác chứng chođịnh tồnxác tác vụ tại của hư hỏng, vị trí hư hỏng và mức độ hư hỏng định tồn tại của hư hỏng, vị trí hư hỏng và mức độ hư hỏng. Tiếp Tiếp theo, tập dữtheo, liệu tập huấn dữluyện liệu huấn luyện chứng và kiểm và kiểmđược chứngsửđược dụngsửđể dụng để huấn huấn luyệnluyện mô đề xuất để mô hình thực hiện hình đề xuất các tác để thực vụ đánh giáhiện hưcác vụ đánh tác của hỏng kết giá cấu.hưHình hỏng6của thểkếthiện cấu.đường Hình 6 học tập đường thể hiện của mô hình gồm học tập của mô hình gồm giá trị của hàm mất mát phức hợp biến đổi theo số vòng lặp của quá trình huấn luyện, độ chính xác trên18 tập dữ liệu kiểm chứng với các tác vụ: xác định tồn tại hư hỏng, vị trí và mức độ hư hỏng, theo thứ tự từ trái qua phải. Hình 6 cho thấy hàm mất mát giảm nhanh từ đầu đến khoảng vòng lặp thứ 15, sau đấy tốc độ giảm chậm lại và đạt đến giá trị hội tụ ở khoảng vòng lặp 25. Tương tự,
Hùng, H. M., Hưng, Đ. V. / Tạp chí Khoa học Công nghệ Xây dựng giá trị của hàm mất mát phức hợp biến đổi theo số vòng lặp của quá trình huấn luyện, độ chính xác trên tập dữ liệu kiểm chứng với các tác vụ: xác định tồn tại hư hỏng, vị trí và mức độ hư hỏng, theo thứ tự từ trái qua phải. Hình 6 cho thấy hàm mất mát giảm nhanh từ đầu đến khoảng vòng lặp thứ 15, sau đấy tốc độ giảm chậm lại và đạt đến giá trị hội tụ ở khoảng vòng lặp 25. Tương tự, độ chính xác của các tác vụ cũng tăng nhanh trong khoảng 20 vòng lặp đầu tiên, sau đấy chậm lại và hội tụ ở khoảng vòng lặp 25. Đặc Tạpđộchí biệt Khoaxác chính họccuối Công nghệ cùng Xây ở cả dựng, 3 tác vụ NUCE trên tập2021 p-ISSN kiểm chứng 2615-9058; đều lớn e-ISSN hơn khoảng 2734-9489 90%. 3.3. Kết quả tính toán của mô hình học máy Hình 7 thể hiện một ví dụ kết quả nhận được từ đầu ra của mô hình học máy,mô hình sẽ đưa ra phần trăm xác suất cho tất cả các trường hợp với tổng của tất cả các trường hợp là 100%, sau đó trường hợp cóTạp chítrăm phần Khoacao học nhất Côngsẽ nghệ Xâychọn được dựng,như NUCE là kết quả củap-ISSN 2021 quá trình đánh giá 2615-9058; kết cấu, e-ISSN còn các trường 2734-9489 hợp khác sẽ có phần trăm xác suất thấp hơn đáng kể. Hình 7. Ví dụ về kết quả đầu ra của mô hình học máy: xác suất tương ứng với mỗi trường hợp (nhãn) của tình trạng kết cấu. Để đánh giá khả năng của mô hình học máy một cách toàn diện trên cả tập dữ liệu HìnhHình kiểm Ví7.dụ 7. tra, Ví vềdụkết kết vềquả quả kết quảrađầu đánh đầu của ra giá kết mô của hìnhmô cấu họchình máy:học được xácmáy: biểusuất xácqua tương diễn suất tương ứng một với mỗi maứng vớihợp trường trận mỗi nhầm(nhãn)lẫn trường hợp (nhãn) của tình trạng kết cấu. của tình trạng kết cấu (confusion matrix) như trên Hình 8. Với ma trận nhầm lẫn, các kết quả đánh giá đúng được Đểbiễu đánhdiễn Để trênnăng giáđánh khả đường giá khả chéo, củanăng cònmô của mô hình các học số liệu máy hình một máy học ở ngoài cách toànđường một diện toàn cách chéo trên cả là trên tập diện các kếttập dữ liệu cả quả kiểmdữđánh tra, kết quả nhầm giá đánh giá lẫn.kếtBằng liệu kiểm cấukết tra, đượcquảbiểu cách đánh cộng diễn giáqua tất cả một kếtcác ma cấugiá trị trên trận được nhầm biểu đường lẫn (confusion diễn chéo, qua mộttama nhậntrậnđược matrix) như độ nhầm trên lẫn Hình 8. chính Với ma trận nhầm lẫn, các kết quả đánh giá đúng được biễu diễn trên đường chéo, còn các xác cho việc xác (confusion địnhnhư matrix) tồntrên hư hỏng tại Hình 8. Vớilàma978/1000 trận nhầm = lẫn, 97,8%. các kếtThực đánh tương quảhiện giá đúng tự, liệu số độ ở ngoài đường chéo là các kết quả đánh giá nhầm lẫn. Bằng cách cộng tất cả các giá trị trên đường chéo, được biễu việctrênxác đường địnhviệc trícòn hư ởmức ngoàiđộđường đánh và địnhhỏng hỏng là hư hỏng chính diễn chéo, các số liệu chéo là cáclượt kết quả ta nhậnxácđượcchođộ chính xác cho vị xác tồn tạivàhư 978/1000 =lần 97,8%. là 95,6% Thực hiện tương tự, độgiá 95,4%. nhầm chính xáclẫn. choBằng việc cách cộngvịtất xác định trícả hưcác hỏng trênđộ giávàtrịmức đường chéo, hư hỏng nhậnlàđược lầntalượt 95,6% độvàchính 95,4%. xác cho việc xác định tồn tại hư hỏng là 978/1000 = 97,8%. Thực hiện tương tự, độ chính xác cho việc xác định vị trí hư hỏng và mức độ hư hỏng lần lượt là 95,6% và 95,4%. Hình8.8.KếtKết Hình quảquả ma nhầm ma trận trận nhầm lẫn nhậnlẫn được trên được nhận trên tập kiểm tra tập kiểm cho các tác tra vụ: cho các tồn tại hư tác vụ: hỏng, tồnhưtại vị trí hỏng hư hỏng, vị trí hư hỏng và mức độvà hỏng độ hư hỏng. hư mức Hình 8. Kết quả ma trận nhầm lẫn nhận được trên tập kiểm tra cho các tác vụ: tồn tại MặtMặt khác,khác, vềgian về thời hưgian thờihuấn hỏng, huấn luyện tríluyện vịcho hư môhỏngchođa hình vàmô mứchình nhiệm đahỏng. độlàhư 73 nhiệm phút với là bộ 73 phútgồm dữ liệu với8000 bộ dữ mẫu, so sánh liệu gồm với8000 mô hình Mặt mẫu, đơn nhiệm khác, sovề sánh với thời gian mô (nhận huấnhình được bằng đơn luyện chonhiệm cách gán (nhận các trọng mô hình được số tương đa nhiệm bằng ứng bằng là 73 cách phút gán 0) là trọng các với bộ dữ 62 phút. số tương ứng8000 liệu gồm 0) làso62 bằngmẫu, phút. sánh với Như mô hình vậy,đơn thời gian(nhận 19nhiệm tính được bằngmô toán của cách hình gán đa cácnhiệm trọng chỉ cao hơn khoảng số tương ứng14% là 621phút. 0) với bằng so mô hình Như đơn vậy, nhiệm, thời giannhưng tính toáncó của thể cùng mô hình lúcđathực nhiệm hiệnchỉđược 3 táccao vụ,hơn nóikhoảng các khác14%chỉ với 1 mô so bằng 40% hình sođơn vớinhiệm, nhưng tổng thời giancó của cả 3lúc thể cùng môthựchìnhhiện đơn nhiệm. được Ngoài3 tác ra vụ, khi nói áp các dụng khác cho chỉtập bằng dữ40% liệuso với tổng kiểm như của thời gian tra, hầu cả 3có không môsự hình đơnbiệt khác nhiệm. về thời
Hùng, H. M., Hưng, Đ. V. / Tạp chí Khoa học Công nghệ Xây dựng Như vậy, thời gian tính toán của mô hình đa nhiệm chỉ cao hơn khoảng 14% so với 1 mô hình đơn nhiệm, nhưng có thể cùng lúc thực hiện được 3 tác vụ, nói các khác chỉ bằng 40% so với tổng thời gian của cả 3 mô hình đơn nhiệm. Ngoài ra khi áp dụng cho tập dữ liệu kiểm tra, hầu như không có sự khác biệt về thời gian tính toán giữa hai mô hình (26,6s với 24,3s). 4. Kết luận Trong nghiên cứu này, một phương pháp dữ liệu định hướng cho việc xác định hư hỏng có khả năng thực hiện đa nhiệm được đề xuất, thực hiện và áp dụng cho một kết cấu giàn vòm không gian. Ý tưởng chính của phương pháp đề xuấtlà cùng sử dụng một dữ liệu đầu vào, nhưng huấn luyện đồng thời cho các tác vụ khác nhau, sẽ hướng dẫn mô hình học máy trích xuất ra các đặc trưng khác nhau, tránh bị quá tập trung vào một số đăc trưng nhất định, do đó có khả năng tổng quát hóa tốt hơn. Các thành phần chính của phương pháp bao gồm ảnh quang phổ của tín hiệu dao động, mạng thần kinh tích chập, kĩ thuật học chuyển tiếp và một hàm mất mát phức hợp. Kết quả áp dụng trên một ví dụ giàn vòm không gian cho thấy phương pháp đề xuất đạt kết quả đánh giá hư hỏng kết cấu cao (lớn hơn 90%) cho tất cả các tác vụ và thời gian tính toán nhanh bằng khoảng 40% so với tổng thời gian của từng tác vụ riêng lẻ. Lời cảm ơn Tác giả xin cảm ơn sự hỗ trợ tài chính của Bộ giáo dục và Đào tạo cho đề tài mã số CT.2019.03.01. Tài liệu tham khảo [1] Sun, L., Shang, Z., Xia, Y., Bhowmick, S., Nagarajaiah, S. (2020). Review of Bridge Structural Health Monitoring Aided by Big Data and Artificial Intelligence: From Condition Assessment to Damage De- tection. Journal of Structural Engineering, 146(5):04020073. [2] Mishra, M., Barman, S. K., Maity, D., Maiti, D. K. (2020). Performance Studies of 10 Metaheuristic Techniques in Determination of Damages for Large-Scale Spatial Trusses from Changes in Vibration Responses. Journal of Computing in Civil Engineering, 34(2):04019052. [3] Kaveh, A., Ghazaan, M. I. (2015). Optimal design of dome truss structures with dynamic frequency constraints. Structural and Multidisciplinary Optimization, 53(3):605–621. [4] Ding, Z. H., Huang, M., Lu, Z. R. (2016). Structural damage detection using artificial bee colony algo- rithm with hybrid search strategy. Swarm and Evolutionary Computation, 28:1–13. [5] Ha, M.-H., Vu, Q.-V., Truong, V.-H. (2020). Optimization of nonlinear inelastic steel frames considering panel zones. Advances in Engineering Software, 142:102771. [6] Ha, M.-H., Vu, Q.-A., Truong, V.-H. (2018). Optimum Design of Stay Cables of Steel Cable-stayed Bridges Using Nonlinear Inelastic Analysis and Genetic Algorithm. Structures, 16:288–302. [7] Kim, S.-E., Truong, V.-H. (2020). Reliability Evaluation of Semirigid Steel Frames Using Advanced Analysis. Journal of Structural Engineering, 146(5):04020064. [8] Truong, V.-H., Vu, Q.-V., Thai, H.-T., Ha, M.-H. (2020). A robust method for safety evaluation of steel trusses using Gradient Tree Boosting algorithm. Advances in Engineering Software, 147:102825. [9] Hung, T. V., Viet, V. Q., Thuat, D. V. (2019). A deep learning-based procedure for estimation of ulti- mate load carrying of steel trusses using advanced analysis. Journal of Science and Technology in Civil Engineering (STCE) - NUCE, 13(3):113–123. [10] Hùng, H. M., Hùng, T. V., Thuật, Đ. V., Việt, V. Q. (2020). Phương pháp xử lý hiện tượng mô hình quá khớp trong xây dựng mô hình học sâu để ước lượng khả năng chịu tải của giàn phi tuyến. Tạp chí Khoa học Công nghệ Xây dựng (KHCNXD) - ĐHXD, 14(1V):12–20. 20
Hùng, H. M., Hưng, Đ. V. / Tạp chí Khoa học Công nghệ Xây dựng [11] Hung, D. V., Hung, H. M., Anh, P. H., Thang, N. T. (2020). Structural damage detection using hybrid deep learning algorithm. Journal of Science and Technology in Civil Engineering (STCE) - NUCE, 14 (2):53–64. [12] Ha, M.-H., Vu, Q.-V., Truong, V.-H. (2019). A Deep Learning-Based Procedure for Safety Evaluation of Steel Frames Using Advanced Analysis. Lecture Notes in Civil Engineering, Springer Singapore, 1137– 1142. [13] Avci, O., Abdeljaber, O., Kiranyaz, S., Hussein, M., Inman, D. J. (2018). Wireless and real-time structural damage detection: A novel decentralized method for wireless sensor networks. Journal of Sound and Vibration, 424:158–172. [14] Zhang, Y., Miyamori, Y., Mikami, S., Saito, T. (2019). Vibration-based structural state identification by a 1-dimensional convolutional neural network. Computer-Aided Civil and Infrastructure Engineering, 34 (9):822–839. [15] Yuan, M., Wu, Y., Lin, L. (2016). Fault diagnosis and remaining useful life estimation of aero engine using LSTM neural network. 2016 IEEE International Conference on Aircraft Utility Systems (AUS), IEEE. [16] Durak, L., Arikan, O. (2003). Short-time fourier transform: two fundamental properties and an optimal implementation. IEEE Transactions on Signal Processing, 51(5):1231–1242. [17] Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D., Burovski, E., Pe- terson, P., Weckesser, W., Bright, J., van der Walt, S. J., Brett, M., Wilson, J., Millman, K. J., Mayorov, N., Nelson, A. R. J., Jones, E., Kern, R., Larson, E., Carey, C. J., Polat, ˙I., Feng, Y., Moore, E. W., VanderPlas, J., Laxalde, D., Perktold, J., Cimrman, R., Henriksen, I., Quintero, E. A., Harris, C. R., Archibald, A. M., Ribeiro, A. H., Pedregosa, F., van Mulbregt, P. (2020). SciPy 1.0: fundamental algorithms for scientific computing in Python. Nature Methods, 17(3):261–272. [18] Kolesnikov, A., Beyer, L., Zhai, X., Puigcerver, J., Yung, J., Gelly, S., Houlsby, N. (2019). Big transfer (bit): General visual representation learning. arXiv preprint arXiv:1912.11370, 6(2):8. [19] Xie, Q., Luong, M.-T., Hovy, E., Le, Q. V. (2020). Self-Training With Noisy Student Improves ImageNet Classification. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), IEEE. [20] Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., Fei-Fei, L. (2009). ImageNet: A large-scale hierarchical image database. 2009 IEEE Conference on Computer Vision and Pattern Recognition, IEEE. [21] Kingma, D. P., Ba, J. (2014). Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980. [22] de Boer, P.-T., Kroese, D. P., Mannor, S., Rubinstein, R. Y. (2005). A Tutorial on the Cross-Entropy Method. Annals of Operations Research, 134(1):19–67. [23] Dassault, S. (2016). ABAQUS analysis user’s manual. [24] Dassault, S. (2016). Abaqus theory guide. [25] He, K., Zhang, X., Ren, S., Sun, J. (2015). Delving Deep into Rectifiers: Surpassing Human-Level Per- formance on ImageNet Classification. 2015 IEEE International Conference on Computer Vision (ICCV), IEEE. 21

CÓ THỂ BẠN MUỐN DOWNLOAD

LV.15: Bộ Đồ Án Tốt Nghiệp Chuyên Ngành Cơ Khí

65 tài liệu

2429 lượt tải

THÔNG TIN

TRỢ GIÚP

HỖ TRỢ KHÁCH HÀNG

Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.