Tóm tắt Luận án Tiến sĩ Kỹ thuật: Chẩn đoán dầm cầu bằng phương pháp phân tích dao động trên mô hình số hoá kết cấu được cập nhật sử dụng thuật toán tối ưu hoá bầy đàn kết hợp mạng nơ ron nhân tạo

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:27

Thêm vào BST

Báo xấu

15
lượt xem 4
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Mục tiêu chung của đề tài "Chẩn đoán dầm cầu bằng phương pháp phân tích dao động trên mô hình số hoá kết cấu được cập nhật sử dụng thuật toán tối ưu hoá bầy đàn kết hợp mạng nơ ron nhân tạo" là nghiên cứu bài toán chẩn đoán hư hỏng của kết cấu dựa trên các đặc trưng dao động; Đề xuất thuật toán kết hợp mạng nơ ron nhân tạo và tối ưu tiến hóa PSO cập nhật mô hình số hóa kết cấu theo các đặc trưng động học để cập nhật chính xác mô hình kết cấu áp dụng cho bài toán chẩn đoán kết cấu...

Chủ đề:

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

Lưu

Nội dung Text: Tóm tắt Luận án Tiến sĩ Kỹ thuật: Chẩn đoán dầm cầu bằng phương pháp phân tích dao động trên mô hình số hoá kết cấu được cập nhật sử dụng thuật toán tối ưu hoá bầy đàn kết hợp mạng nơ ron nhân tạo

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI HỒ KHẮC HẠNH CHẨN ĐOÁN DẦM CẦU BẰNG PHƢƠNG PHÁP PHÂN TÍCH DAO ĐỘNG TRÊN MÔ HÌNH SỐ HOÁ KẾT CẤU ĐƢỢC CẬP NHẬT SỬ DỤNG THUẬT TOÁN TỐI ƢU HOÁ BẦY ĐÀN KẾT HỢP MẠNG NƠ RON NHÂN TẠO Ngành : Kỹ thuật xây dựng công trình giao thông Chuyên ngành : Xây dựng Cầu Hầm Mã số : 9580205 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT Hà Nội – 2021
Công trình được hoàn thành tại: Đại học Giao thông vận tải Người hướng dẫn khoa học 1: PGS.TS. Bùi Tiến Thành Người hướng dẫn khoa học 2: PGS.TS. Ngô Văn Minh Phản biện 1: Phản biện 2: Phản biện 3: Luận án sẽ được bảo vệ trước Hội đồng chấm luận án cấp Trường theo Quyết định Số /QĐ-ĐHGTVT ngày tháng năm 2021 họp tại: Trường Đại học Giao thông vận tải Vào hồi ngày tháng năm 2021 Có thể tìm hiểu luận án tại thư viện: - Thư viện Trường Đại học Giao thông vận tải; - Thư viện Quốc Gia.
1 MỞ ĐẦU 1. Đặt vấn đề nghiên cứu Trong quá trình khai thác, có nhiều nguyên nhân gây ra hư hỏng cũng như làm ảnh hưởng đến chất lượng khai thác của công trình cầu như các tác động tự nhiên (bão lũ, động đất) hoặc các tác động do con người như xe quá tải, va xô,... Ngoài ra, các công trình cầu còn có các hình thái dao động riêng, gây ra rung động khuếch đại khi tần số dao động riêng của kết cấu trùng khớp với tần số của phương tiện di chuyển (cộng hưởng cơ học) sẽ làm cho kết cấu công trình bị hư hỏng. Ở mức độ thấp hơn, trạng thái ứng suất trong kết cấu thay đổi liên tục do sự dao động dưới tác dụng của tải trọng nặng, lặp dẫn đến phá hoại mỏi.Việc hư hỏng các công trình giao thông 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, những năm gần đây, các hệ thống đánh giá sức khỏe kết cấu công trình (SHM - Structural Health Monitoring) đã được triển khai rộng rãi và nhận được nhiều sự quan tâm của các nhà nghiên cứu trong lĩnh vực xây dựng công trình trên thế giới. Nhiệm vụ của hệ thống đánh giá sức khỏe công trình là quan trắc để phát hiện sớm những hư hỏng dựa trên các dữ liệu đo đạc và phân tích đánh giá mức độ nghiêm trọng của những hư hỏng này trước khi đưa ra các quyết định sửa chữa. Trong các giải pháp giám sát sức khỏe kết cấu, giải pháp sử dụng các phương pháp không phá huỷ đang trở thành hướng nghiên cứu nhận được sự quan tâm của rất nhiều nhà khoa học trên thế giới [1-5]. Ưu điểm của phương pháp này là có thể xác định được thông số có tính bất định (uncertainty) của kết cấu bao gồm điều kiện biên, các đặc tính về vật liệu, hay đặc trưng hình học có thể thay đổi theo thời gian dưới tác dụng của tải trọng khai thác và môi trường,...Hơn nữa phương pháp theo dõi sức khỏe kết cấu không phá hủy có thể phát hiện được các hư hỏng nằm trong kết cấu mà không làm thay đổi tính chất vật lý ban đầu của kết cấu [6-10]. Tuy nhiên, sự thay đổi của các tham số kết cấu nhiều khi không rõ ràng, đặc biệt là với các hư hỏng nằm trong kết cấu. Ngoài ra, dữ liệu thu được thường bị ảnh hưởng bởi nhiễu, làm giảm độ chính xác của kết quả. Do đó, mục tiêu của đề tài là phát triển một giải pháp hiệu quả, chi phí thấp để theo dõi tình trạng sức khỏe và giúp phát hiện sớm hư hỏng trong kết cấu. Hiện nay có hai phương pháp chính để theo dõi tình trạng sức khỏe kết cấu là phương pháp tĩnh và phương pháp động. Trong khi phương pháp tĩnh dựa trên phân tích các đáp ứng (ứng suất, biến dạng và chuyển vị) của kết cấu dưới tác dụng của các tải trọng đặt tĩnh, thì phương pháp động dựa trên việc xác định và phân tích các đặc trưng động học như tần số dao động tự nhiên (natural frequencies), dạng dao động (mode shapes) và/hoặc hệ số cản (damping ratio) để đánh giá. Trong hai phương pháp trên, do các đặc trung động học 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 vào các đặc trưng động học có thể giúp xác định được vị trí có khả năng xuất hiện hư hỏng trong kết cấu. Những năm gần đây, việc theo dõi sức khỏe kết cấu công trình đang nhận được sự quan tâm đặc biệt của các nhà khoa học. Trong đó việc ứng dụng học máy (Machine learning – ML) để hoàn thiện quy trình đánh giá sức khỏe công trình dự trên phân tích động đã cho thấy những hiệu quả tiềm năng [11-17]. Một trong những đặc tính nổi bật của học máy là khả năng học từ kinh nghiệm từ đó cải thiện hiệu suất của nó. Do đó, mạng được đào tạo có thể được sử dụng để phân loại và kiểm tra các bộ dữ liệu mới tương tự như đặc điểm của các bộ dữ liệu được đào tạo. 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,...Tuy nhiên do áp dụng các thuật toán truyền ngược dựa trên độ dốc giảm dần, một nhược điểm lớn của phương pháp học máy, mạng có thể bị rơi vào các tối ưu cục bộ khi tạo ra các bề mặt phức tạp với quá nhiều điểm tối ưu cục bộ, từ đó làm giảm độ chính xác và hiệu quả của phương pháp học máy. Để khắc phục nhược điểm này, các phương pháp tối ưu tiến hóa được áp dụng. Tối ưu tiến hóa là phương pháp tối ưu toàn cục (global optimization) cho phép xác định kết quả tối ưu tổng thể và tránh được các vùng tối ưu cục bộ. Các thuật toán tối ưu tiến hóa phổ biến có thể kể đến là: thuật toán di truyền (Genetic Algorithm – GA) [18-19], thuật toán tối ưu hóa bầy đàn (Particle Swarm Optimization – PSO) [20], hay thuật toán tối ưu hóa tìm kiếm chim Cúc cu (Cuckoo Search - CS). Những phương pháp tối ưu tiến hóa này làm việc dựa trên nguyên lý ứng xử của các sinh vật trong tự nhiên trong quá trình tiến hóa, có khả năng tìm kiếm tối ưu toàn cục dựa trên phương pháp tìm kiếm ngẫu nhiên. Vì vậy việc kết hợp các thuật toán tối ưu tiến hóa với các
2 phương pháp học máy sẽ đem lại những tiềm năng để khắc phục nhược điểm (tối ưu cục bộ) của phương pháp học máy, và cải thiện độ chính xác của kết quả thu được. Ở Việt Nam, các thuật toán tối ưu tiến hóa và phương pháp học máy đã được áp dụng trong nhiều lĩnh vực như toán học, tin học, cơ điện tử và đem lại hiệu quả trong xác định tối ưu vùng phủ sóng, hay tối ưu quy hoạch mạng [21-22],…Tuy nhiên việc áp dụng các phương pháp này còn rất mới ở Việt Nam trong lĩnh vực giám sát sức khỏe kết cấu. Gần đây, việc theo dõi sức khỏe của kết cấu thông qua các đặc trưng dao động được đo đạc tại hiện trường bắt đầu được thực hiện. Một số cầu lớn như Mỹ Thuận, Bãi Cháy, hay Kiền đã được lắp đặt các thiết bị theo dõi thường xuyên sức khỏe kết cấu. Về nguyên tắc: những thiết bị này cung cấp những dữ liệu cơ bản về đáp ứng động của kết cấu như gia tốc, vận tốc, chuyển vị động tại một số vị trí. Các số liệu này là căn cứ xác định các đặc trưng dao động (tần số dao động tự nhiên, dạng dao động, hệ số cản) của công trình. Các đặc trưng dao động thực đo này là “chuẩn” để điều chỉnh và từ đó xác định được các thông số bất định của kết cấu về điều kiện biên, độ cứng, khối lượng,...trên mô hình tính toán. Mô hình tính toán sau khi đã được cập nhật chuẩn sẽ là căn cứ để đánh giá khả năng chịu lực và chẩn đoán hư hỏng (nếu có) của công trình. Nội dung có tính cốt lõi trong quy trình phân tích, đánh giá kết cấu dựa trên kết quả đo đạc xác định các đặc trưng dao động là thuật toán giúp cập nhật và hoàn thiện một cách tự động mô hình tính toán kết cấu từ kết quả đo đạc hiện trường. Như trên đã phân tích, việc ứng dụng các thuật toán học máy vào việc cập nhật các mô hình toán này hứa hẹn là một giải pháp tốt để hoàn thiện quy trình đánh giá động kết cấu công trình cầu. Do vậy, nghiên cứu sinh quyết định lựa chọn đề tài: “Chẩn đoán dầm cầu bằng phƣơng pháp phân tích dao động trên mô hình số hoá kết cấu đƣợc cập nhật sử dụng thuật toán tối ƣu hoá bầy đàn kết hợp mạng nơ ron nhân tạo” làm chủ đề nghiên cứu của mình. 2. Mục tiêu nghiên cứu - Nghiên cứu bài toán chẩn đoán hư hỏng của kết cấu dựa trên các đặc trưng dao động. - Đề xuất thuật toán kết hợp mạng nơ ron nhân tạo và tối ưu tiến hóa PSO cập nhật mô hình số hóa kết cấu theo các đặc trưng động học để cập nhật chính xác mô hình kết cấu áp dụng cho bài toán chẩn đoán kết cấu. - Xây dựng chương trình cập nhật mô hình kết cấu theo thuật toán đề xuất cho kết cấu dầm, kết cấu dàn và kết cấu tấm (bản). - Thực hiện và tham khảo các thí nghiệm đo dao động của kết cấu trong phòng thí nghiệm và công trình cầu thực tế, sau đó áp dụng phương pháp đề xuất để cập nhật mô hình cũng như chẩn đoán hư hỏng trong kết cấu. 3. Đối tƣợng nghiên cứu - Đặc trưng động học của kết cấu công trình cầu; - Mô hình số hóa kết cấu cầu; - Chẩn đoán vị trí và hư hỏng của kết cấu. 4. Phạm vi nghiên cứu - Các phương pháp tối ưu tiến hóa và mạng nơ ron nhân tạo; - Chẩn đoán vị trí và hư hỏng của kết cấu. 5. Phƣơng pháp nghiên cứu - Phương pháp tổng hợp phân tích lý thuyết; - Phương pháp số; - Phương pháp phân tích số kết hợp với thực nghiệm 6. Ý nghĩa khoa học và thực tiễn của nghiên cứu - Áp dụng các phương pháp tối ưu tiến hóa và phương pháp mạng nơ ron nhân tạo trong việc cập nhật mô hình số hóa kết cấu và chẩn đoán hư hỏng kết cấu. - Đề xuất thuật toán kết hợp thuật toán tối ưu tiến hóa với phương pháp mạng nơ ron nhân tạo để khắc phục những nhược điểm của từng phương pháp riêng rẽ, từ đó tăng độ chính xác của kết quả, giảm thời gian tính toán, khi áp dụng để giám sát sức khỏe kết cấu. - Tạo cơ sở dữ liệu công trình như một dạng hồ sơ lưu trữ giúp giám sát sức khoẻ công trình. - Xây dựng chương trình cập nhật nhật mô hình số hóa kết cấu phục vụ chẩn đoán các kết cấu
3 cầu thông thường như dầm, dàn và tẩm (bản). - Kết quả của luận án có thể sử dụng làm tài liệu tham khảo hữu ích cho lĩnh vực giám sát sức khoẻ công trình. CHƢƠNG 1 - TỔNG QUAN VỀ GIÁM SÁT SỨC KHỎE CÔNG TRÌNH DỰA TRÊN PHƢƠNG PHÁP ĐO NHẬN DẠNG DAO ĐỘNG 1.1. Tổng quan về giám sát sức khỏe công trình dựa trên phƣơng pháp đo nhận dạng dao động 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 để tiến hành bảo trì và sửa chữa, đảm bảo sự an toàn và độ tin cậy của kết cấu với chi phí tối thiểu. Những năm trước đây, việc giám sát sức khỏe công trình được thực hiện thông qua khảo sát trực quan kết hợp với thử nghiệm tĩnh. Tuy nhiên, quá trình kiểm tra trực quan và kiểm tra tĩnh có nhiều nhược điểm như đòi hỏi người kiểm tra phải trực tiếp tiếp cận được những vị trí hư hỏng của công trình để tiến hành thí nghiệm [Error! Reference source not found.Error! Reference source not found.], phải tạm dừng khai thác công trình trong quá trình tiến hành thí nghiệm…. 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...). Ưu điểm chính của phương pháp này 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 xác định các đặc trưng dao động. 1.2. Tình hình nghiên cứu trên thế giới về giám sát sức khỏe kết cấu dựa trên phƣơng pháp đo nhận dạng dao động Trong phương pháp đánh giá sức khỏe kết cấu dựa trên kết quả đo nhận dạng dao động, có các hướng nghiên cứu chính sau đây: - Hướng nghiên cứu về thiết bị (cảm biến) đo dao động trên kết cấu và xử lý (lọc nhiễu) – truyền dẫn kết quả đo về máy tính; - Hướng nghiên cứu về các thuật toán cập nhật mô hình số hóa kết cấu (bằng cách thay đổi điều kiện biên, đặc trưng vật lý của kết cấu) dựa trên các đặc trưng dao động thực đo, từ đó xây dựng một “bản sao số” của kết cấu trên máy tính phù hợp với công trình thực tế; - Hướng nghiên cứu dựa trên các mô hình kết cấu đã được cập nhật xác định hoặc dự đoán các vị trí hư hỏng (nếu có) và dự đoán về ứng xử của kết cấu công trình. Trong đó, các hướng nghiên cứu này đều rất quan trọng, thu hút sự quan tâm của nhiều nhóm nghiên cứu. Ví dụ, Wu và cộng sự [1] sử dụng các cảm biến quang học phân tán không gian để cập nhật một cây cầu nằm trên đường cao tốc. Tran-Ngoc và cộng sự [9] đã xác định các điều kiện độ cứng của các nút giàn của một cầu giàn thép quy mô lớn bằng các phép đo thực nghiệm được thực hiện dưới các nguồn kích thích của đoàn tàu chạy qua, gió và chấn động vi mô kết hợp với mô hình phần tử hữu hạn. Sự xuất hiện của các thuật toán tối ưu tiến hoá như GA, PSO trong những thập kỷ gần đây đã nâng cao hiệu quả của SHM. Những phương pháp tối ưu này được sử dụng để giảm thiểu sự sai khác giữa kết quả mô hình và kết quả thực tế. Từ đó nâng cao được độ chính xác của kết quả thu được. Na và cộng sự [18] trình bày một cách tiếp cận mới để phát hiện hư hỏng trong kết cấu dựa trên GA và các đặc trưng động học của kết cấu. Phương pháp đề xuất cho phép xác định vị trí và mức độ hư hỏng trong kết cấu, mặc dù có xét đến nhiễu và dự liệu không đầy đủ trong các phép đo. Tuy nhiên các phương pháp tối ưu hoá dựa vào các nguyên lý di truyền như GA thường tồn tại những nhược điểm làm giảm độ chính xác của kết quả thu được. Một trong những nhược điểm lớn của GA đó là thuật toán này thường bị mất thông tin với cá thể không được lựa chọn để tiếp tục so sánh với thế hệ trước. Hơn nữa qua mỗi bước, bởi vì có quá nhiều tham số phải điều chỉnh, quá trình tính toán thường rất dài và yêu cầu các siêu máy tính với cấu hình cao khi áp dụng GA để giải quyết các mô hình số phức tạp, với nhiều phần tử và số bậc tự do (degree of freedom – DOF).
4 Trong các thuật toán tối ưu tiến hóa, thuật toán PSO là thuật toán phổ biến với nhiều ưu điểm vượt trội. Điển hình như, khả năng tìm kiếm trong không gian rộng lớn, có thể giữ lại tất cả các thông tin của các phần tử mà nó đã sử dụng. Từ đó thông tin của tất các các phần tử qua các lần lặp sẽ được lưu giữ và các phần tử với giải pháp tốt hơn sẽ được lựa chọn. Vì vậy thuật toán này đã được áp dụng thành công để giải quyết các vấn đề tối ưu hóa, đặc biệt là vấn đề giám sát sức khỏe kết cấu. Ví dụ, Seyedpoor [44] đã kết hợp một chỉ số dựa trên năng lượng biến dạng với PSO để xác định vị trí và mức độ của nhiều trường hợp hư hỏng khác nhau. Kết quả cho thấy thuật toán đề xuất có thể cung cấp một công cụ đáng tin cậy để phát hiện hư hỏng kết cấu. Tuy nhiên, PSO có những nhược điểm có thể làm giảm hiệu quả của nó trong việc giải quyết các vấn đề tối ưu hóa. Một nhược điểm lớn của PSO là thuật toán này không chỉ phụ thuộc chủ yếu vào chất lượng của quần thể ban đầu mà còn không có các khả năng như giao chéo hay đột biến để cải thiện chất lượng của các thế hệ mới. Quá trình tìm giải pháp tối ưu cục bộ của phương pháp PSO truyền thống cũng tốn nhiều thời gian vì thuật toán này chỉ phụ thuộc vào phương pháp tìm kiếm ngẫu nhiên trong suốt quá trình di chuyển của các phần tử. Trong những thập kỷ gần đây phương pháp học máy được sử dụng rộng rãi và đã đem lại những kết quả tiềm năng cho vấn đề SHM. Patel và cộng sự. [52] đã sử dụng phương pháp ML để dự đoán ứng xử của vật liệu composite được gia cố bằng các sợi các bon khi bắt đầu xuất hiện các vết nứt. Gần đây, mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) đã được sử dụng rộng rãi để mô phỏng và điều tra một số vấn đề trong nhiều lĩnh vực kỹ thuật. ANN cần có đủ số lượng dữ liệu đầu vào và đầu ra, dữ liệu này có thể được thu thập thông qua các nghiên cứu lý thuyết, số học, hoặc thực nghiệm. Ví dụ, mô hình ANN được xây dựng để xác định hư hỏng của dầm bê tông và dự đoán khả năng chịu cắt của các dầm [55]. Mặc dù trong những năm gần đây, ML và ANN đã chứng tỏ được những tiềm năng trong lĩnh vực kỹ thuật nói riêng và lĩnh vực SHM nói chung, thuật toán này vẫn tồn tại những nhược điểm cơ bản làm giảm độ chính xác của kết quả thu được. Một trong những vấn đề cốt lõi nhất là ANN sử dụng các thuật toán lan truyền ngược dựa trên các kỹ thuật GD, có một nhược điểm chính liên quan đến các vấn đề cực tiểu cục bộ, đặc biệt có thể xảy ra khi mạng chứa các bề mặt lỗi khác nhau với nhiều cực tiểu cục bộ được phân phối rộng rãi. 1.3. Tình hình nghiên cứu ở Việt Nam về giám sát sức khỏe kết cấu dựa trên phƣơng pháp đo nhận dạng dao động Ở Việt Nam, các nghiên cứu về lĩnh vực giám sát sức khỏe kết cấu đầu tiên tập trung vào phát hiện các vết nứt tồn tại trong kết cấu, sau đó các nghiên cứu tiếp tục đi vào phân tích sự phát triển của các vết nứt. Các nghiên cứu về phát hiện hư hỏng trong kết cấu được thực hiện với nhiều loại kết cấu như cầu đường, các loại nền móng và các giàn khoan. Nguyễn Tiến Minh [66] đề xuất phương pháp xác định sự thay đổi của các tham số trong kết cấu cầu như mô đun đàn hồi của bê tông bằng cách so sánh kết cấu ở trạng thái chưa hư hỏng và trạng thái hư hỏng. Tuy nhiên trong nghiên cứu này chưa đề cập đến khả năng phát hiện khu vực cũng như mức độ hư hỏng của kết cấu. Một số nghiên cứu cũng đã được tiến hành để giám sát sức khỏe cho các công trình cầu lớn như cầu Mỹ Thuận, cầu Bãi Cháy, hay cầu Kiền bằng cách lắp đặt các thiết bị cảm ứng để theo dõi thường xuyên sức khỏe kết cấu. Nguyễn Hữu Thuấn và cộng sự [83] giám sát sức khỏe cầu dây văng Mỹ Thuận bằng cách tiến hành đo thực nghiệm tại hiện trường. Một mô hình số cũng được xây dựng để so sánh với kết quả từ thực nghiệm. Hàm mục tiêu so sánh bao gồm tần số dao động riêng và hình dạng dao động. Tuy nhiên các nghiên cứu về giám sát sức khỏe kết cấu bằng nhận dang dao động đã thực hiện ở Việt Nam chủ yếu phân tích hoặc xác định các đặc trưng động học của kết cấu như tần số dao động riêng, hình dạng dao động...mà chưa hoàn toàn xác định được giá trị của các thông số bất định của kết cấu có thể thay đổi theo thời gian như các đặc trưng của vật liệu (mô đun đàn hồi...), hình dạng mặt cắt, và điều kiện biên. Những thông số này ảnh hưởng đến sự làm việc của kết cấu và phản ánh rõ ràng nhất những ứng xử của kết cấu khi xảy ra hư hỏng. Ngoài ra, mặc dù gần đây trên thế giới các nghiên cứu sử dụng các thuật toán tối ưu, hay các phương pháp học máy đã được áp dụng rộng rãi và hiệu quả để giám sát sức khỏe các công trình. Ở Việt Nam, các kỹ thuật này vẫn còn mới, chưa có nhiều nghiên cứu sử dụng các thuật toán tối ưu, hay các phương pháp học máy để giám sát sức khỏe các công trình.
5 CHƢƠNG 2: NGHIÊN CỨU VÀ ĐỀ XUẤT PHƢƠNG PHÁP CHẨN ĐOÁN HƢ HỎNG KẾT CẤU BẰNG PHƢƠNG PHÁP ĐO DAO ĐỘNG NGẪU NHIÊN 2.1. Cơ sở lý thuyết về dao động kết cấu Dao động của kết cấu liên tục được rời rạc hóa bằng phương pháp phần tử hữu hạn với số bậc tự do- (degree-of-freedom-DOF) được thể hiện bởi phương trình vi phân bậc hai viết dưới dạng ma trận (còn được gọi là phương trình chuyển động cơ bản) [27]: ̈( ) ̇( ) ( ) ( ) ( ) (2.1) Ở đây , , ∈ lần lượt là ma trận khối lượng, ma trận giảm chấn, ma trận độ cứng của kết cấu; ( ) ∈ là véc tơ chuyển vị tại thời điểm (biến thời gian liên tục) bất kỳ. Véc tơ ̇ ( ) và ̈ ( ) và véc tơ (hàm) vận tốc và gia tốc. Véc tơ ( ) biểu diễn lực tác dụng, là tổng hợp của ma trận vị trí và véc tơ lực tác dụng vào phần tử ( ). Ma trận khối lượng và ma trận độ cứng được xây dựng từ đặc trưng hình học và đặc trưng vật liệu của kết cấu. 2.2. Các phƣơng pháp chẩn đoán hƣ hỏng kết cấu dựa trên dao động 2.2.1. Phƣơng pháp dựa trên sự thay đổi của tần số dao động riêng Cách tiếp cận phổ biến nhất và sớm nhất để xác định hư hỏng trong kết cấu dựa vào dao động đó là việc sử dụng tần số dao động riêng hoặc cộng hưởng của kết cấu. Sự xuất hiện của hư hỏng trong kết cấu gây nên những sự thay đổi của tần số riêng trong kết cấu. Một nghiên cứu chuyên sâu sử dụng dữ liệu tần số riêng để xác định các hư hỏng trong kết cấu được cung cấp bởi [28, 89]. Zhong và cộng sự [94] đã đề xuất một phương pháp mới dựa trên phương pháp thăm dò không gian bằng phương pháp hiệu chỉnh trung tâm quang phổ, từ đó cung cấp một giải pháp đơn giản để phát hiện hư hỏng trong kết cấu bằng cách sử dụng phương pháp phân tích lịch sử thời gian sử dụng đầu ra của các kết cấu giống như dầm. Ưu điểm của phương pháp dựa trên sự thay đổi của tần số dao động riêng là dễ áp dụng và chi phí thấp. Tuy nhiên, việc xác định hư hỏng trong kết cấu dựa vào sự thay đổi của tần số riêng cũng tồn tại nhiều nhược điểm. Nhược điểm thứ nhất đó là các hư hỏng tạo bởi các tần số thấp yêu cầu rất chính xác các kết quả từ đo đạc. Hư hỏng có thể chỉ tạo ra các thay đổi rất nhỏ trong tần số dao động riêng, đặc biệt đối với các kết cấu quy mô lớn và những thay đổi nhỏ này có thể sẽ khó được phát hiện do những sai lệch hoặc những lỗi xảy ra trong quá trình đo đạc. Thêm nữa, những phương pháp này không thể phân biệt các hư hỏng tại các vị trí đối xứng trong các kết cấu đối xứng. Trong trường hợp này cần dùng các phương pháp có độ chính xác cao để xác định các phát hiện các thay đổi đó. Những phương pháp này được sẽ được NCS đề xuất ở mục 2.3.3. 2.2.2. Phƣơng pháp dựa vào sự thay đổi của hình dạng dao động Hình dạng dao động là đặc trưng vốn có của một kết cấu. Chúng không phụ thuộc vào lực hoặc tải trọng tác động lên kết cấu. Thay đổi về hình dạng dao động thường nhạy hơn nhiều so với thay đổi về tần số riêng và hệ số cản khi kết cấu xuất hiện hư hỏng cục bộ. Trong những năm gần đây, rất nhiều phương pháp xác định hư hỏng được phát triển dựa trên các hình dạng dao động thực đo hoặc các đặc điểm của hình dạng dao động như đường cong hoặc năng lượng biến dạng. 2.2.2.1 pháp dựa trên hình dạng dao động trực tiếp Có thể sử dụng so sánh giữa hai bộ dữ liệu hình dạng dao động (có thể là dữ liệu hình dạng dao động trực tiếp hoặc biến đổi của chúng) để xác định hư hỏng vì hình dạng dao động có thể cung cấp nhiều thông tin hơn và nhạy cảm hơn với hư hỏng cục bộ khi so sánh với tần số dao động riêng. Có hai phương pháp phổ biến thường được dùng để so sánh hai bộ hình dạng dao động: tiêu chí đảm bảo hình dạng dao động (Modal assurance criterion - MAC) và tiêu chí đảm bảo hình dạng dao động phối hợp (Co-ordinate modal assurance criterion - COMAC). 2.2.2.2 Phƣơng pháp dựa trên đƣờng cong hình dạng dao động Một cách khác để sử dụng hình dạng dao động để có được thông tin không gian về các nguồn của thay đổi dao động là sử dụng các đặc trưng của hình dạng dao động, chẳng hạn như đường cong hình dạng dao động. Các đặc trưng của hình dạng dao động rất nhạy cảm với các hư hỏng nhỏ, vì vậy chúng có thể được sử dụng để phát hiện hư hỏng cục bộ. Nếu một kết cấu bị hư hỏng cục bộ, sự thay đổi hình dạng dao động sẽ xảy ra trong vùng lân cận của hư hỏng đó. Việc giảm độ cứng gây ra bởi hư hỏng làm thay đổi hình dạng dao động của kết cấu. Về lý thuyết, những thay đổi trong hình dạng dao động có thể được sử dụng để phát hiện hư hỏng; tuy nhiên, những thay đổi thường
6 nhỏ dẫn đến khó phát hiện được các hư hỏng. Đường cong của hình dạng dao động được xác định bằng cách sử dụng độ lệch trung tâm xấp xỉ được biểu diễn như công thức 2.26: ( ) ( ) (2.26) Với là số hình dạng dao động, số nút và khoảng cách giữa các nút. Vị trí của hư hỏng sau đó được đánh giá bằng chênh lệch tuyệt đối được tính toán lớn nhất giữa các đường cong hình dạng dao động của kết cấu bị hư hỏng và không bị hư hỏng như sau: * + |* + * +| (2.27) 2.2.2.3 Phƣơng pháp dựa trên năng lƣợng biến dạng Phương pháp năng lượng biến dạng cho các kết cấu dạng dầm được phát triển bởi Stubbs và cộng sự [106]. Phương pháp này sau đó được mở rộng áp dụng cho các kết cấu dạng tấm bởi Cornwell và cộng sự [107]. Cách tiếp cận cơ bản của phương pháp năng lượng biến dạng là phân chia kết cấu thành một chuỗi các phần tử dạng dầm hoặc tấm, sau đó ước tính năng lượng biến dạng của từng phần tử trước và sau khi hư hỏng. Một hình dạng dao động lưu trữ một lượng lớn năng lượng biến dạng trong một đường tải trọng kết cấu cụ thể. Khi hư hỏng xảy ra, năng lượng biến dạng trong đường tải trọng thay đổi do độ nhạy cao của tần số và hình dạng của dao động đó. Vị trí hư hỏng được xác định bằng cách so sánh hai giá trị năng lượng biến dạng. Ngoài ra nhiều tác giả khác cũng áp dụng phương pháp này để giám sát sức khoẻ kết cấu. 2.2.2.4 Phƣơng pháp dựa trên ma trận độ mềm Trong thập kỷ qua, các nhà nghiên cứu đã phát hiện ra rằng ma trận độ mềm dao động riêng có thể là một tham số nhạy cảm hơn so với tần số riêng hoặc hình dạng dao động đơn lẻ để phát hiện hư hỏng trong kết cấu [115]. Pandey và cộng sự [116] đã đề xuất một phương pháp phát hiện hư hỏng dựa trên sự khác biệt giữa các ma trận độ mềm của kết cấu bị hư hỏng và kết cấu chưa hư hỏng. Ma trận độ mềm của kết cấu không bị hư hỏng được xác định bằng công thức: ∑ (2.29) Trong đó là ma trận dao động riêng của các hình dạng dao động chuẩn hóa khối lượng và m là số lượng hình dạng dao động đo được. Theo cách tương tự, ma trận độ mềm của kết cấu bị hư hỏng được xác định từ công thức 2.30: ∑ (2.30) Sự khác biệt giữa các ma trận độ mềm của các kết cấu bị hư hỏng và không bị hư hỏng được xác định từ công thức 2.31 (2.31) Chỉ có một vài dao động đầu tiên của kết cấu là cần thiết cho việc xây dựng ma trận độ mềm. Việc tổng hợp ma trận độ mềm hoàn chỉnh sẽ yêu cầu đo tất cả các hình dạng và tần số của dao động. Thông thường, hư hỏng được phát hiện dựa trên ma trận độ mềm, bằng cách so sánh ma trận độ mềm được tổng hợp sử dụng các dao động của kết cấu đã hư hỏng với ma trận độ mềm được tổng hợp bằng các dao động của kết cấu chưa bị hư hỏng hoặc ma trận độ mềm từ mô hình số. Bình phương của tần số dao động riêng và ma trận độ mềm đo được có mối quan hệ nghịch đảo, do đó phương pháp này nhạy cảm nhất với sự thay đổi của các dao động trong dải tần số thấp hơn. Ma trận độ mềm có tốc độ hội tụ nhanh với các giá trị tần số tăng dần, đó là một lợi thế của việc sử dụng tính linh hoạt thay vì độ cứng [89]. Ưu điểm của phương pháp dựa vào sự thay đổi của hình dạng dao động là thay đổi về hình dạng dao động thường nhạy hơn nhiều so với hư hỏng cục bộ khi so sánh với thay đổi về tần số riêng và hệ số cản. Nhược điểm của phương pháp này là rất khó để thu được hình dạng dao động và có thể cần một số lượng lớn các vị trí đo để mô tả chính xác các véc tơ chỉ phương và cung cấp đủ dữ liệu để xác định vị trí hư hỏng. 2.2.3. Phƣơng pháp dựa trên hàm đáp ứng tần số
7 Các phương pháp dựa trên hàm đáp ứng tần số (FRF - Frequency response function) có những lợi thế nhất định so với dữ liệu phân tích từ các mode dao động để xác định hư hỏng [121]. Một trong những phương pháp xác định hư hỏng dựa trên hàm đáp ứng tần số là phương pháp dựa trên đường cong hàm đáp ứng tần số. Về cơ bản, phương pháp này là một phần mở rộng của phương pháp mà Pandey, Biswas and Samman [102] đã đề xuất. Phương pháp có thể áp dụng cho tất cả các tần số trong phạm vi đo. Cụ thể, phương pháp này sử dụng dữ liệu hàm đáp ứng tần số thay vì chỉ sử dụng dữ liệu hình dạng dao động. Đường cong của mỗi tần số được xác định theo công thức 2.32: ( ) ( ) ( ) ( ) (2.32) Trong đó hàm đáp ứng tần số được đo tại vị trí cho vị trí đặt lực tại . Sự khác biệt tuyệt đối giữa đường cong hàm đáp ứng tần số của kết cấu bị hư hỏng và không bị hư hỏng tại vị trí , dọc theo dải tần số đã chọn, được tính cho một lực tác dụng tại điểm như phương trình 2.33 và 2.34. ∑| ( ) ( ) | (2.33) ∑ (2.34) Mặc dù các phương pháp dựa trên hình dạng hàm đáp ứng tần số được đề xuất đã cho thấy những hứa hẹn trong xác định khu vực hư hỏng trong kết cấu, nhưng các bất thường nhỏ do hư hỏng gây ra phải được đưa vào các hình dạng hàm đáp ứng tần số đo được để xác định chính xác hư hỏng. Ưu điểm của phương pháp dựa trên hàm phản ứng tần số là khả năng thực hiện với giá thành thấp và có thể cung cấp thông tin chi tiết hơn về tình trạng tổng thể của hệ thống. Nhược điểm của phương pháp là cung cấp ít thông tin về khu vực hư hỏng cục bộ trừ khi sử dụng số lượng lớn cảm biến. 2.3. Chẩn đoán hƣ hỏng kết cấu dựa trên kết quả đo nhận dạng dao động sử dụng thuật toán bầy đàn PSO Năm 1995, Kennedy và cộng sự [132-133] phát triển PSO dựa trên tối ưu hóa ngẫu nhiên, lấy cảm hứng từ hành vi xã hội của một đàn chim, đàn cá, một đàn ong và thậm chí đôi khi là hành vi xã hội của con người. Mỗi phần tử di chuyển trong không gian tìm kiếm dựa trên kết quả tối ưu cục bộ hoặc tối ưu toàn cục thu được. Vị trí mỗi phần tử qua mỗi bước lặp được cập nhật như sau: and là các hệ số học tập, là tham số trong lượng; và là các giá trị ngẫu nhiên. (2.35) Trong đó là vị trí hiện tại của phần tử tại bước lặp thứ và , tương ứng. Trong đề tài này là tần số dao động riêng của các mode dao động; là vận tốc của phần tử tại bước lặp thứ . Mỗi phần tử có vị trí tối ưu của riêng nó được hiển thị là trong đó là số lần lặp. Tối ưu toàn cục trong các lần lặp là , vị trí tối ưu được tìm thấy bởi bất kỳ phần tử nào. Vận tốc phần tử bao gồm ba phần: (1) vận tốc trước, (2) chuyển động theo hướng và (3) chuyển động theo hướng . Vận tốc của các phần tử được cập nhật như sau: ( ) ( ) (2.36) Trong đó và là các giá trị ngẫu nhiên có giá trị nằm trong khoảng [0, 1]; và lần lượt là các tham số học tập liên quan đến tối ưu cục bộ và tối ưu toàn cục; là tham số trọng lượng. Ƣu điểm: Trong PSO, với khả năng tìm kiếm trong không gian rộng lớn, có thể giữ lại tất cả các thông tin của các phần tử mà nó đã sử dụng. Từ đó thông tin của tất các các phần tử qua các lần lặp sẽ được lưu giữ và các phần tử với giải pháp tốt hơn sẽ được lựa chọn. Nhƣợc điểm: Trong PSO không có toán tử lựa chọn, biến đổi để cải thiện được chất lượng của thế hệ sau, dẫn đến giảm hiệu quả của kết quả tìm kiếm tối ưu. Ngoài ra quá trình tìm kiếm ngẫu nhiên của PSO thường tốn thời gian, sẽ khó áp dụng cho các vấn đề thực tế với kết cấu quy mô lớn, độ phức tạp cao. 2.4. Chẩn đoán hƣ hỏng kết cấu dựa trên kết quả đo nhận dạng dao động sử dụng mạng nơ ron nhân tạo.
8 Phương pháp học máy, cụ thể là mạng nơ ron nhân tạo (Artificial neural network - ANN) là các chương trình máy tính lấy cảm hứng từ hệ nơ ron sinh học được thiết kế để mô phỏng theo cách mà bộ não con người xử lý thông tin. Một mạng nơ ron cơ bản bao gồm một lớp đầu vào, một lớp đầu ra, một hoặc nhiều lớp ẩn được thể hiện như hình 2.2. Hình 2.1. Kiến trúc mạng ANN Các nơ-ron trong các lớp được kết nối với nhau bằng các tham số huấn luyện (trọng lượng và độ lệch). Lớp ẩn bao gồm một số đơn vị xử lý nhất định và đóng vai trò quan trọng là cầu nối giữa lớp đầu vào và lớp đầu ra. Mỗi phần tử trong các lớp trước được kết nối đầy đủ với các phần sau và các kết nối dựa trên các tham số đào tạo (trọng lượng và độ lệch). Việc truyền tín hiệu dựa trên hai phương trình. Phương trình đầu tiên là hàm tổng ( ). Hàm số này phụ thuộc vào các tham số huấn luyện (trọng số và độ lệch) và giá trị đầu ra của các lớp trước đó, tức là: ∑ ( ) ( ) (2.37) là các hệ số trọng số và độ lệch kết nối lớp đầu vào và lớp ẩn, trong khi là dữ liệu đầu vào của nơ-ron thứ ; trong đề tài này chính là tần số dao động riêng của các mode dao động; và lần lượt là số nơ-ron trong lớp đầu vào và lớp ẩn; biểu thị đầu vào của nơ-ron thứ của lớp ẩn. Sau khi hàm tổng (phương trình 2.37) được tiến hành, phương trình thứ hai là hàm kích hoạt được áp dụng để giới hạn phạm vi giá trị của các đầu ra. Hàm kích hoạt có thể là hàm tuyến tính hoặc phi tuyến tăng đơn điệu. Có bốn loại chính của hàm kích hoạt bao gồm là hàm step, hàm ramp, hàm sigmoid và hàm Gaussian. Hàm sigmoid thường được sử dụng vì nó có thể xử lý nhiều vấn đề phức tạp liên quan đến các hàm phi tuyến. Các giá trị đầu ra ( ) thu được bằng cách sử dụng hàm sigmoid như trong phương trình 2.38. (2.38) Quá trình chuyển các nơ-ron từ lớp ẩn sang lớp đầu ra tương tự như quá trình chuyển nơ ron từ lớp đầu vào sang lớp ẩn. Quá trình huấn luyện mạng được lặp lại cho đến khi chênh lệch giữa đầu ra thực và mong muốn là nhỏ nhất được mô tả như hình 2.3:
9 Hình 2.2. Sơ đồ thuật toán ANN Ƣu điểm: ANN có khả năng xử lý rộng rãi số lượng dữ liệu lớn, thời gian huấn luyện mạng nhanh, kết quả của bước sau luôn tốt hơn bước trước nếu mạng không bị rơi vào tối ưu cục bộ. Nhƣợc điểm: Cần phải tạo được khối lượng dữ liệu đủ lớn để mạng có thể học được các quy luật, nếu dữ liệu để học tập quá ít, mạng được xây dựng sẽ không cung cấp được các kết quả chính xác và sẽ mất khả năng khái quát hóa. Hơn nữa việc áp dụng thuật toán truyền ngược, ANN có thể bị rơi vào vùng tối ưu cục bộ nếu bài toán có quá nhiều tối ưu cục bộ. Từ đó giảm tính chính xác của kết quả sau khi huấn luyện mạng. 2.5. Chẩn đoán hƣ hỏng kết cấu dựa trên kết quả đo nhận dạng dao động sử dụng thuật toán kết hợp PSO-ANN. ANN được áp dụng rộng rãi cho nhiều lĩnh vực. Tuy nhiên, bởi vì ANN sử dụng các thuật toán lan truyền ngược (BP) dựa trên phương pháp độ dốc đi xuống (gradient descent) để giảm sự khác biệt giữa mục tiêu dự đoán và mục tiêu thực, mạng có thể bị mắc kẹt trong tối ưu cục bộ nếu các bề mặt lỗi phức tạp chứa quá nhiều giải pháp tối ưu cục bộ. Điều này giảm hiệu quả và độ chính xác của ANN. Hình 2.4 minh họa quá trình xác định giải pháp tối ưu toàn cục của ANN dựa vào phương pháp độ dốc đi xuống. Ở hình 2.4 (a), xét hàm số ( ) ( ) chỉ có một điểm tối ưu toàn cục ( ), thì dù điểm bắt đầu từ (A) hay (B), thì tối ưu toàn cục ( ) luôn có thể xác định được, ở hình 2.4 (b), hàm số ( ) ( ) bao gồm 1 tối ưu cục bộ ( ) và tối ưu toàn cục ( ), nếu điểm bắt đầu là điểm (A) thì điểm tối ưu toàn cục ( ) cũng sẽ được xác định chính xác. Tuy nhiên, nếu điểm bắt đầu từ điểm ( ), mạng sẽ chỉ xác định được giải pháp tối ưu cục bộ ( ) thay vì điểm tối ưu toàn cục ( ). (a) (b) Hình 2.3. Quá trình xác định giải pháp tối ưu dựa trên phương pháp độ dốc đi xuống của ANN (a) mạng với một điểm tối ưu toàn cục, (b) mạng với tối ưu toàn cục và cục bộ Để giải quyết vấn đề tối ưu cục bộ và nâng cao hiệu quả của ANN, nhiều nhà nghiên cứu cũng đã đưa ra các giải pháp khác nhau. Ví dụ, Tran-Ngoc và cộng sự. [137] đã sử dụng thuật toán tìm kiếm chim cúc cu (CS) để cải thiện hiệu quả của ANN bằng cách xác định các thông số huấn luyện ban đầu. Kết quả cho thấy sự kết hợp này vượt trội hơn ANN truyền thống và các thuật toán tối ưu hóa khác về độ chính xác.
10 Có thể dễ dàng nhận thấy rằng các cách tiếp cận nêu trên [137-141] đã áp dụng các giải pháp để loại bỏ các tối ưu cục bộ bằng cách chọn một vị trí bắt đầu có lợi bằng cách sử dụng khả năng tìm kiếm toàn cục của các thuật toán khác. Chiến lược này có thể giúp mạng tránh được tối ưu cục bộ đầu tiên (thung lũng đầu tiên). Tuy nhiên, một mạng thường có nhiều tối ưu cục bộ được phân phối khắp nơi, nếu mạng có bề mặt lỗi phức tạp ví dụ được minh họa như hình 2.5. Hàm số ( ) ( ) có 2 tối ưu cục bộ ( ) và ( ) và một tối ưu toàn cục ( ), trong đó tối ưu toàn cục ( ) bị kẹp ở giữa 2 tối ưu cục bộ ( ) và ( ). Hình 2.4. Mạng với nhiều tối ưu cục bộ Trong trường hợp này, dù xuất phát từ điểm ( ) hay ( ) thì mạng vẫn bị kẹt vào tối ưu cục bộ vì tối ưu cục bộ ( ) và ( ) ngăn cản mạng tiến tới tối ưu toàn cục ( ). Đối với bài toán chẩn đoán ngược trong SHM, mạng thậm chí còn phức tạp hơn, với các bề mặt lõm chứa nhiều tối ưu cục bộ. Do đó, giải pháp chọn điểm xuất phát tốt có thể không còn hiệu quả nữa vì các phần tử của mạng có thể vẫn bị mắc kẹt trong các tối ưu cục bộ tiếp theo (các thung lũng khác) trong quá trình tìm kiếm các giải pháp tối ưu. Để khắc phục những thiếu sót này, trong đề tài này, NCS đề xuất một thuật toán làm việc song song giữa ANN và PSO có thể xử lý được các hạn chế của các cách tiếp cận trước đây đã được sử dụng trong các nghiên cứu của [137-141]. Ý tưởng cốt lõi của cách tiếp cận trong đề tài này là khả năng tìm kiếm toàn cục của PSO được áp dụng để hoạt động song song với kỹ thuật GD của ANN nhằm ngăn chặn mạng kẹt trong các giải pháp tối ưu cục bộ trong suốt quá trình tìm kiếm giải pháp tối ưu thay vì chỉ chọn một vị trí bắt đầu có lợi được sử dụng trong các cách tiếp cận trước đây. Cụ thể, kỹ thuật GD đầu tiên được áp dụng để tăng tốc độ hội tụ. Phải thừa nhận rằng nếu mạng không bị mắc kẹt trong tối ưu cục bộ, các kỹ thuật GD luôn cung cấp các giải pháp của các bước tiếp theo tốt hơn các bước trước. Trong trường hợp, nếu mạng bị mắc kẹt trong các bề mặt lõm (tối ưu cục bộ), các kỹ thuật tìm kiếm toàn cục được sử dụng để giải thoát các phần tử khỏi các khu vực bất lợi đó. Quá trình này được lặp lại cho đến khi đạt được hàm mục tiêu. Hình 2.6 minh họa việc sử dụng PSO để khắc phục các vấn đề tối ưu cục bộ của ANN. Hình 2.5. Áp dụng PSO để khắc phục vấn đề tối ưu cục bộ của ANN Hình 2.6 xem xét hàm toán học ( ) ( ) . Hàm số này có 2 tối ưu cục bộ tại ( ) và ( ), và tối ưu toàn cục ( ). Trong trường hợp này dù điểm bắt đầu của mạng từ ( ) hay ( ), thì mạng sẽ bị rơi vào tối ưu cục bộ ( ) và ( ), lúc này PSO sẽ được áp dụng khi mạng bị kẹt vào các tối ưu cục bộ. PSO là phương pháp tìm kiếm tối ưu toàn cục dựa trên sự di chuyển ngẫu nhiên của các phần tử. Chính vì vậy khi các phần tử rơi vào tối ưu cục bộ ( ) và ( ), PSO sẽ giúp các phần tử thoát khỏi vùng tối ưu cục bộ, cho đến khi giải pháp tối ưu tìm kiếm được tốt hơn tối ưu cục bộ ( ) và ( ), quá trình tìm kiếm sẽ được tiếp tục với phương pháp độ dốc đi xuống. Quá
11 trình kết hợp song song này được áp dụng cho đến khi hàm mục tiêu đạt được (xác định được tối ưu toàn cục). Sự kết hợp này mang lại lợi thế to lớn cho mạng được đào tạo. Việc cải thiện hiệu suất của kỹ thuật GD sau mỗi lần lặp làm giảm chi phí tính toán và khả năng tìm kiếm toàn cục tránh được tối ưu cục bộ và nâng cao hiệu quả của mạng. Sự làm việc song song của PSO và ANN được mô tả như sơ đồ 2.7. Hình 2.6. Sơ đồ thuật toán PSO kết hợp song song với ANN. Ƣu điểm: Sự kết hợp giữa thuật toán tối ưu tiến hóa PSO và ANN có thể giải quyết được triệt để vấn đề tối ưu cục bộ của ANN. Sự kết hợp này có cả lợi thế của kỹ thuật GD (hội tụ nhanh) và kỹ thuật tìm kiếm ngẫu nhiên của PSO (tránh bị mắc kẹt trong tối ưu cục bộ). Nhƣợc điểm: Việc xây dựng thuật toán kết hợp giữa PSO và ANN để tính toán các tham số huấn luyện trong ANN khá phức tạp bởi việc phải khởi tạo nhiều vòng lặp cũng như các điều kiện ràng buộc để tìm ra được tham số huấn luyện tối ưu. CHƢƠNG 3: ÁP DỤNG PSO KẾT HỢP VỚI ANN ĐỂ CHẨN ĐOÁN CÁC HƢ HỎNG CHO MÔ HÌNH SỐ Trong phần này, tính khả thi của phương pháp đề xuất được thể hiện thông qua các mô hình số bao gồm một cầu dầm giản đơn, một cầu dàn quy mô lớn và kết cấu tấm composite, với nhiều giả thiết hư hỏng khác nhau cho mỗi trường hợp. Ảnh hưởng của nhiễu đối với dữ liệu đầu vào được đánh giá bằng cách thêm nhiễu Gaussian 2 % cho tần số dao động riêng. Để so sánh với phương pháp được đề xuất, ANN và PSO cũng được áp dụng để xác định hư hỏng cho các kết cấu được xem xét. 3.1. Cầu dầm giản đơn Cầu dầm giản đơn bao gồm 3 nhịp chiều dài bằng nhau 24.5 m như hình 3.1. Mặt cắt ngang gồm 5 dầm chủ hình chữ được thể hiện như hình 3.2. Mỗi nhịp được đặt trên hai gối di động và cố định. Mô hình phần tử hữu hạn của dầm chủ được NCS xây dựng bằng cách lập trình trên nền tảng của MATLAB.
12 Hình 3.1. Bố trí chung cầu Phân tích phương thức được thực hiện bằng cách sử dụng mô hình cơ sở để tạo dữ liệu đầu vào và đầu ra cho mạng. Mạng có ba lớp bao gồm một lớp đầu vào, một lớp đầu ra và một lớp ẩn như trong Hình 3.3. Trong khi dữ liệu đầu vào bao gồm mười tần số dao động riêng đầu tiên, dữ liệu đầu ra (hàm mục tiêu) liên quan đến các vị trí bị hư hỏng và mức độ hư hỏng. Một lớp ẩn với 13 nơ-ron được sử dụng. Các mẫu được sử dụng cho đào tạo, thực nghiệm và kiểm tra được chọn ngẫu nhiên từ các bộ dữ liệu được tạo với tỷ lệ 70%, 15% và 15%. Mạng được đào tạo được sử dụng để nhận dạng và định lượng hư hỏng trong kết cấu được xem xét dựa trên các giá trị hồi quy (giá trị ) và giá trị lỗi bình phương trung bình (Mean square error-MSE). Để so sánh với ANNPSO, ANN và PSO cũng được sử dụng để phát hiện hư hỏng trong dầm đang xét. Đối với PSO, số lượng phần tử là 150, giá trị của yếu tố học tập lần lượt là = 2 và = 2, trong khi tham số trọng lượng quán tính ( ) là 0,3. Thuật toán Levenberg-Marquest (LM) được sử dụng để đào tạo mạng. Để đánh giá đến ảnh hưởng của nhiễu đối với dữ liệu đầu vào, nhiễu Gaussian được áp dụng được tính như phương trình 3.2 (3.2) ( ) √ ( ) Trong đó là số dữ liệu đầu vào, là dữ liệu đầu vào (trong trường hợp này là các tần số dao động riêng); là tỷ lệ nhiễu sử dụng; random chỉ các số ngẫu nhiên. 3.1.1. Trƣờng hợp hƣ hỏng tại một phần tử Các kịch bản hư hỏng trong dầm được tạo ra bằng cách giảm độ cứng của các phần tử. Các tham số độ cứng nằm trong khoảng từ 0 đến 1. Trong khi 1 chỉ ra trường hợp dầm chưa hư hỏng và 0 đại diện cho trường hợp bị hỏng hoàn toàn. Bởi vì cầu gồm 3 nhịp giản đơn và đặc trưng của mỗi dầm chủ trên mỗi nhịp là giống nhau, để giảm chi phí tính toán chỉ 1 dầm trên 1 nhịp được xem xét. Dựa trên các kịch bản được mô tả ở trên, số lượng mẫu được tính toán bằng cách sử dụng phương trình 3.3. (3.3) Trong đó là số phần tử ( = 12 phần tử); là số lượng tình huống hư hỏng ( = 50). Trong trường hợp này, 600 mẫu được sử dụng để huấn luyện mạng, trong khi đó dữ liệu đầu ra bao gồm các vị trí và mức độ hư hỏng.
13 (a) (b) Hình 3.2. Giá trị hồi quy (a) ANN và (b) ANN kết hợp với PSO Hình 3.4 chỉ ra rằng đường hồi quy trùng với đường 45 độ và giá trị hồi quy ( ) cao hơn 0,99. Tất cả bộ dữ liệu (huấn luyện, đánh giá và kiểm tra) đều nằm dọc với đường hồi quy mục tiêu. Điều này chứng tỏ rằng sự tương ứng chặt chẽ giữa kết quả thực và mục tiêu đã đạt được. (a) (b) Hình 3.3. Sai số phân bố (a) ANN và (b) ANN kết hợp với PSO Hình 3.5 cho thấy biểu đồ của các sai số giữa giá trị mục tiêu và giá trị dự đoán sau khi huấn luyện mạng. Tổng phạm vi sai số được chia thành 20 cột. Trục cho biết tỷ lệ mẫu từ tập dữ liệu. Trục thể hiện sai số giữa kết quả tính toán và kết quả thực. Sai số bằng 0 tương ứng với không có lỗi. Có thể thấy rằng hầu hết các bộ dữ liệu đều phân bố bên cạnh cột sai số bằng không. Điều này chứng tỏ kết quả tính toán và đầu ra thực tế là hoàn toàn phù hợp. (a) (b) Hình 3.4. Sai số thực (a) ANN và (b) ANN kết hợp với PSO Bảng 3.3 cho thấy các chỉ số đánh giá hiệu suất của các thuật toán. Bảng 3.1. Các chỉ số đánh giá hiệu suất của các thuật toán - Kịch bản hƣ hỏng đơn Thuật toán MSE-giá trị R- Giá trị Thời gian (giây) PSO 4105 ANN 0.0248 0.997 43.79 ANNPSO 0.002 0.998 265.15 Bảng 3.3 và hình 3.6 cho thấy giá trị độ lệch bình phương trung bình MSE được tính bởi ANNPSO là thấp nhất, ở mức 0.002 trong khi giá trị MSE được xác định bởi ANN là 0.0248. Ngoài ra, ANNPSO vượt trội hơn ANN về giá trị . Điều này có nghĩa là các đầu ra phân tích (vị trí và mức độ hư hỏng trong dầm xem xét) được xác định bởi ANNPSO gần với đầu ra thực hơn PSO và ANN. MSE được xác định bởi ANN là cao nhất vì thuật toán này áp dụng thuật toán truyền ngược, có thể rơi vào tối ưu cục bộ. ANNPSO thể hiện khả năng tìm kiếm giải pháp tối ưu vì ANNPSO áp dụng các kỹ thuật tìm kiếm toàn cục của PSO để tìm kiếm các tham số đào tạo tối ưu được sử dụng để đào tạo mạng. Về mặt thời gian để tìm kiếm giải pháp tối ưu, ANNPSO đòi hỏi
14 nhiều thời gian hơn ANN nhưng độ lệch này không đáng kể, trong khi ANNPSO dành ít thời gian cho việc đào tạo mạng hơn PSO. Cụ thể, ANNPSO dành 265.15 giây để đào tạo mạng, trong khi ANN và PSO dành lần lượt khoảng 43.79 giây và 4105 giây để đào tạo mạng. PSO dành nhiều thời gian nhất để tìm kiếm giải pháp tối ưu vì thuật toán này phải điều chỉnh quá nhiều tham số trong quá trình tìm kiếm. Đây là một nhược điểm chính khi sử dụng PSO cũng như các thuật toán tối ưu tiến hóa khác để giải quyết các vấn đề về xác định hư hỏng trong các kết cấu phức tạp với nhiều bậc tự do. (a) (b) Hình 3.5. Kết quả phát hiện hư hỏng của PSO, ANN và ANNPSO của phần tử số 3: (a) 7% hư hỏng; (b) 70% hư hỏng Từ hình 3.7, có thể thấy rằng ANN chỉ xác định chính xác mức độ hư hỏng thuộc về mạng được đào tạo. PSO, ANNPSO có thể xác định chính xác vị trí và mức độ hư hỏng của phần tử 3. 3.1.2. Trƣờng hợp hƣ hỏng tại nhiều phần tử Độ cứng của các phần tử giảm từ 0% đến 50% với khoảng 1%, được gán ngẫu nhiên cho hai phần tử cùng một lúc, trong khi các phần tử khác vẫn còn nguyên vẹn. Số lượng mẫu ( ) được tính bằng cách sử dụng phương trình 3.4. (3.4) ( ) Trong trường hợp này, có 3300 mẫu ( = 12 và = 50) được tạo từ mô hình cơ sở và được sử dụng để huấn luyện mạng. Bảng 3.4 cho thấy các chỉ số đánh giá hiệu suất của các thuật toán được đề xuất. Bảng 3.2. Các chỉ số đánh giá hiệu quả của các thuật toán - Kịch bản hư hỏng tại nhiều phần tử cho dầm xem xét. Thuật toán MSE-giá trị R- Giá trị Thời gian (giây) PSO 5120 ANN 0.1224 0.995 88.54 ANNPSO 0.0142 0.998 379.45 Từ Bảng 3.4, hình 3.8 đến hình 3.10, rõ ràng ANNPSO cung cấp sự khác biệt nhỏ hơn giữa các đầu ra được tính toán và mong muốn so với cả PSO và ANN. Đối với thời gian để tìm giải pháp tối ưu, trong khi ANN và ANNPSO chỉ dành 88.54 giây và 379.45 giây để tìm kiếm giải pháp tối ưu, tương ứng, PSO dành 5120 giây cho quá trình này.
15 Hình 3.6. Kết quả phát hiện hư hỏng của PSO, ANN và ANNPSO trong dầm thép: 20% hư hỏng của phần tử 1 – và 60% hư hỏng của phần tử 3. Hình 3.11 cho thấy PSO, ANNPSO có thể xác định chính xác vị trí hư hỏng của các phần tử. Có một số lỗi xảy ra khi sử dụng PSO và ANN để phát hiện mức độ hư hỏng của các phần tử. Các kết quả dự đoán về mức độ hư hỏng khi áp dụng ANNPSO tương ứng với hư hỏng thực tế. 3.2. Tấm composite Trong phần này một tấm composite 3 lớp [0° 90° 0°] (hình 3.12) được sử dụng để đánh giá hiệu quả của thuật toán được đề xuất. Tấm được ngàm ở 4 cạnh với chiều dày và chiều dài của tấm là = 0,2 và = = 1m, tương ứng. Độ dày của mỗi lớp là . (a) (b) Hình 3.7. (a) Tấm composite 3 lớp ; (b) Mô hình phần tử hữu hạn Mô hình số của tấm composite được xây dựng sử dụng các đoạn code đươc NCS phát triển trên nền tảng chương trình MATLAB. Tấm được chia thành 10 phần tử cho mỗi chiều áp dụng lý thuyết biến dạng cắt bậc nhất [142]. Kiến trúc của mạng bao gồm một lớp đầu vào, một lớp đầu ra và một lớp ẩn như trong Hình 3.14. Dữ liệu đầu vào bao gồm tần số dao động riêng của 15 mode đầu tiên, trong khi dữ liệu đầu ra bao gồm các vị trí và mức độ hư hỏng. Lớp ẩn bao gồm 18 nơ-ron. Cả hai kịch bản hư hỏng tại một phần tử và nhiều phần tử được xem xét. 3.2.1. Trƣờng hợp hƣ hỏng tại một phần tử Đối với các trường hợp hư hỏng tại một phần tử, độ cứng của phần tử giảm từ 0% đến 50% với khoảng 1%, trong khi các phần tử còn lại chưa hư hỏng. Bởi tấm composite đối xứng theo cả 2 phương, để giảm thời gian tính toán, chỉ tấm được xem xét. Bảng 3.7 cho thấy các chỉ số đánh giá hiệu quả của các thuật toán được đề xuất. Bảng 3.3. Các chỉ số đánh giá hiệu quả của các thuật toán - Kịch bản hƣ hỏng tại một phần tử Thuật toán MSE-giá trị - Giá trị Thời gian (giây) PSO 12934 ANN 1.1577 0.989 248.9 ANNPSO 0.1357 0.991 548.6 Bảng 3.7 cho thấy Giá trị được tính toán bởi ANNPSO cao hơn giá trị được xác định bởi ANN, trong khi giá trị MSE được tính bởi ANNPSO nhỏ hơn giá trị do ANN và PSO cung cấp. Xét về thời gian tìm kiếm giải pháp tối ưu, ANNPSO và ANN giảm đáng kể thời gian tính toán so với PSO. Cụ thể, trong khi, ANN và ANNPSO dành 248.9 và 548.6 giây tương ứng để tìm giải pháp tối ưu, PSO dành nhiều thời gian nhất (12934 giây) cho quá trình đó
16 (a) (b) Hình 3.8. Kết quả phát hiện hư hỏng của PSO, ANN và ANNPSO của phần tử số 9: (a) 9% hư hỏng; (b) 70% hư hỏng Như được hiển thị trong Hình 3.18, vị trí hư hỏng của phần tử 9 được xác định chính xác bởi PSO và ANNPSO. ANN phát hiện sai vị trí hư hỏng khi mức độ hư hỏng 70%. Điều này xảy ra vì, trong bộ dữ liệu đào tạo mạng chỉ xem xét các trường hợp hư hỏng từ 0 đến 50% nên đối với hư hỏng lớn hơn 50% (mạng chưa được đào tạo) thì kết quả chẩn đoán hư hỏng của ANN sẽ có kết quả kém chính xác hơn. Về mặt phát hiện mức độ hư hỏng, kết quả dự đoán được tính toán bởi PSO và ANN sai khác so với thực tế. Ngược lại, ANNPSO có thể xác định mức độ hư hỏng chính xác. 3.2.2. Trƣờng hợp hƣ hỏng tại nhiều phần tử Đối với kịch bản hư hỏng tại nhiều phần tử, hư hỏng được gán ngẫu nhiên cho 2 phần tử cùng một lúc với độ cứng giảm trong các phần tử từ 0% -50% với bước 1%. Bảng 3.4. Các chỉ số đánh giá hiệu quả của các thuật toán - Kịch bản hƣ hỏng tại hai phần tử Thuật toán MSE-giá trị - Giá trị Thời gian (giây) PSO 13102 ANN 1.9161 0.981 348.9 ANNPSO 0.3306 0.987 602.9 Bảng 3.8 cho thấy Giá trị được tính toán bởi ANNPSO cao hơn giá trị được xác định bởi ANN, trong khi giá trị MSE được tính bởi ANNPSO nhỏ hơn giá trị do ANN và PSO cung cấp. Về thời gian tìm kiếm giải pháp tối ưu, ANN và ANNPSO dành lần lượt 348.9 và 602.9 giây để đào tạo mạng, trong khi PSO dành nhiều thời gian nhất (13102 giây) cho quá trình đó. Hình 3.9. Kết quả phát hiện hư hỏng của PSO, ANN và ANNPSO trong dầm thép: 50% hư hỏng của phần tử 3 và 70% hư hỏng của phần tử 5. Hình 3.20 cho thấy có một số lỗi xảy ra khi sử dụng PSO, ANN để xác định trường hợp hư hỏng xảy ra tại nhiều phần tử. Kết quả dự đoán về mức độ hư hỏng được tính toán bởi PSO có lỗi nhỏ so với thực tế, ANN không chỉ xác định mức độ hư hỏng không chính xác mà còn dự đoán sai vị trí hư hỏng. ANNPSO có thể phát hiện chính xác cả vị trí hư hỏng và mức độ hư hỏng của các phần tử. 3.3. Cầu dàn thép liên tục Để đánh giá sự hiệu quả của phương pháp đề xuất, một cây cầu dàn cũ quy mô lớn cũng được sử dụng. Cầu Bến Thủy (Hình 3.21) bắc qua sông Lam tại Km467+500 trên tuyến Quốc lộ 1 thuộc địa phận Thành phố Vinh, tỉnh Nghệ An như hình 3.21.
17 Hình 3.10. Cầu Bến Thủy Mô hình phần tử hữu hạn của cây cầu được xây dựng như trong Hình 3.22. Hình 3.11. Mô hình phần tử hữu hạn cầu Bến Thủy 3.3.1. Trƣờng hợp hƣ hỏng tại một phần tử Đối với các trường hợp hư hỏng tại một phần tử, độ cứng của phần tử giảm từ 0% đến 50% với khoảng 1%, trong khi các phần tử còn lại chưa hư hỏng. Để giảm thời gian tính toán, các viễn cảnh hư hỏng chỉ xem xét cho các thanh dàn chính (thanh biên trên, thanh biên dưới, thanh đứng, và thanh xiên). Tổng số 2200 mẫu dữ liệu được tạo từ mô hình cơ sở được sử dụng để huấn luyện mạng. Bảng 3.11 cho thấy các chỉ số đánh giá hiệu quả của các thuật toán được đề xuất. Bảng 3.5. Các chỉ số đánh giá hiệu quả của các thuật toán - Kịch bản hƣ hỏng tại một phần tử Thuật toán MSE-giá trị R- Giá trị Thời gian (giây) PSO 94586 ANN 9.6436 0.967 578.03 ANNPSO 1.8463 0.973 980.05 Hình 3.25 – 3.27 và Bảng 3.11 cho thấy ANNPSO vượt trội hơn ANN và PSO về các tham số đánh giá hiệu quả của các thuật toán (hệ số hồi quy R và MSE). Xét về thời gian tìm kiếm giải pháp tối ưu, ANNPSO và ANN giảm đáng kể thời gian tính toán so với PSO. Cụ thể, trong khi, ANN và ANNPSO dành 578.03 và 980.05 giây tương ứng để tìm giải pháp tối ưu, PSO dành nhiều thời gian nhất (94586 giây) cho quá trình đó. (a) (b) Hình 3.12. Kết quả phát hiện hư hỏng của PSO, ANN và ANNPSO của phần tử số 4: (a) 7% hư hỏng; (b) 80% hư hỏng Như được hiển thị trong Hình 3.28, vị trí hư hỏng của phần tử 4 được xác định chính xác bởi PSO, ANN và ANNPSO. Về mặt phát hiện mức độ hư hỏng, kết quả dự đoán được tính toán bởi ANN sai khác so với thực tế. Ngược lại, PSO, ANNPSO có thể xác định mức độ hư hỏng chính xác. 3.3.2. Trƣờng hợp hƣ hỏng tại nhiều phần tử Đối với kịch bản hư hỏng tại nhiều phần tử, hư hỏng được phân ngẫu nhiên cho 2 phần tử cùng một lúc với độ cứng giảm trong các phần tử từ 0% -50% với bước là 1%. Tổng số khoảng 47300 trường hợp hư hỏng được tạo ra từ mô hình cơ sở. Bảng 3.6. Các chỉ số đánh giá hiệu quả của các thuật toán - Kịch bản hƣ hỏng tại hai phần tử
18 Thuật toán MSE-giá trị R- Giá trị Thời gian (giây) PSO 96234 ANN 16.400 0.956 823 ANNPSO 1.9337 0.964 1174 Kết quả từ bảng 3.12 chỉ ra rằng ANN và ANNPSO dành lần lượt 823 và 1174 giây để đào tạo mạng, trong khi PSO dành nhiều thời gian nhất (96234 giây) cho quá trình đó. Hình 3.13. Kết quả phát hiện hư hỏng của PSO, ANN và ANNPSO trong dầm thép: 20% hư hỏng của phần tử 2 và 80% hư hỏng của phần tử 8. Hình 3.32 cho thấy có một số lỗi xảy ra khi sử dụng PSO, ANN để xác định hư hỏng xảy ra tại nhiều phần tử. ANN không chỉ xác định mức độ hư hỏng không chính xác mà còn dự đoán sai vị trí hư hỏng. ANNPSO có thể phát hiện chính xác cả vị trí hư hỏng và mức độ hư hỏng của các phần tử. CHƢƠNG 4: ÁP DỤNG PSO KẾT HỢP VỚI ANN ĐỂ CHẨN ĐOÁN CÁC HƢ HỎNG CHO MÔ HÌNH THỰC NGHIỆM Để kiểm tra tính hiệu quả của thuật toán được đề xuất, trong chương này, Một dầm thép trong phòng thí nghiệm được sử dụng. Bên cạnh đó, một cầu dầm thép giản đơn thực tế với các hư hỏng tồn tại trong kết cấu cũng được xem xét. Để so sánh với thuật toán đề xuất kết hợp giữa ANNPSO, thuật toán ANN và PSO riêng rẽ cũng được sử dụng để xác định các hư hỏng trong kết cấu được xem xét. 4.1. Dầm giản đơn trong phòng thí nghiệm 4.1.1. Mô hình bài toán Một dầm thép giản đơn trong phòng thí nghiệm được tham khảo (kích thước như hình vẽ 4.1) để đánh giá hiệu quả của thuật toán đề xuất. Dầm thí nghiệm được thực hiện bởi các nhà nghiên cứu ở Trường Đại học Ghent – Vương Quốc Bỉ. Hình 4.1. Dầm giản đơn với điều kiện biên tự do Mô hình phần tử hữu hạn của dầm thép được NCS xây dựng dựa trên nền tảng của chương trình MATLAB. Dầm được chia ra thành 21 phần tử sử dụng phần tử 2 chiều với 3 bậc tự do tại mỗi nút (node) bao gồm chuyển bị theo hướng và chuyển vị xoay theo phương (Hình 4.2). Dầm được kiểm tra ở trạng thái chưa hư hỏng, sau đó dầm được tạo ra các hư hỏng với các mức độ khác nhau và thuật toán được đề xuất sẽ được dùng để xác định khu vực và mức độ hư hỏng. 4.1.2. Mô hình thực nghiệm Để xác định các đặc trưng động học của dầm thép, nguồn kích thích được tạo ra từ các lực tác dụng của búa. Các gia tốc PCB 356A15 được sử dụng để thu được các tín hiệu. Các gia tốc kế này được đặt ở gần phía hai đầu dầm. Sau đó kỹ thuật chọn đỉnh được sử dụng để xác định tần số của các mode dao động. Mô hình thí nghiệm của dầm thép được thể hiện như Hình 4.3.