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

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:29

Thêm vào BST

Báo xấu

17
lượt xem 5
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Luận án "Chẩn đoán kết cấu cầu dựa trên chuỗi dữ liệu đo dao động theo thời gian kết hợp sử dụng mạng học sâu tích chập" được hoàn thành với mục tiêu nhằm đề xuất thuật toán học sâu tích chập kết hợp để phát hiện các hư hỏng trong kết cấu; Thực hiện và tham khảo các thí nghiệm đo dao động của công trình cầu thực tế, sau đó áp dụng phương pháp đề xuất để chẩn đoán hư hỏng trong kết cấu.

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 kết cấu cầu dựa trên chuỗi dữ liệu đo dao động theo thời gian kết hợp sử dụng mạng học sâu tích chập

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI Hoàng Thanh Nam CHẨN ĐOÁN KẾT CẤU CẦU DỰA TRÊN CHUỖI DỮ LIỆU ĐO DAO ĐỘNG THEO THỜI GIAN KẾT HỢP SỬ DỤNG MẠNG HỌC SÂU TÍCH CHẬP Ngành: Kỹ thuật xây dựng công trình giao thông Mã số: 9580205 TÓM TẮT LUẬN ÁN TIẾN SĨ HÀ NỘI – 2023
0 Công trình được hoàn thành tại: Đại học Giao thông vận tải Người hướng dẫn khoa học 1: PGS.TS. Hoàng Hà Người hướng dẫn khoa học 2: TS. Nguyễn Thị Cẩm Nhung Phản biện 1: GS.TSKH Nguyễn Đông Anh Phản biện 2: PGS. TS Nguyễn Bình Hà Phản biện 3: TS. Nguyễn Việt Khoa Luận án sẽ được bảo vệ trước Hội đồng chấm luận án cấp Trường theo Quyết định Số 2089/QĐ-ĐHGTVT ngày 21 tháng 9 năm 2023 họp tại: Trường Đại học Giao thông vận tải Vào hồi ngày tháng năm 20 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. Mở đầu Chẩn đoán kết cấu cầu là quá trình phân tích sự thay đổi về các đặc trưng dao động như tần số và dạng dao động để phát hiện hư hỏng, khuyết tật của kết cấu dựa trên tích chất tương quan khá chặt chẽ của các đặc trưng vật lý và cơ học với các đáp ứng động học và động lực học của kết cấu Trong lĩnh vực giám sát sức khỏe kết cấu công trình, với đặc điểm nguồn dữ liệu lớn được đo dài hạn theo thời gian, các mô hình học sâu có thể khắc phục hạn chế của các phương pháp truyền thống để đánh giá, chẩn đoán và giám sát tình trạng của cơ sở hạ tầng giao thông. Các mô hình học sâu được huấn luyện và có thể phát hiện, phân loại và dự đoán chính xác vị trí, mức độ hư hỏng đang xảy ra với kết cấu. Chính vì thế việc nghiên cứu, ứng dụng các mô hình học sâu để phát hiện hư hỏng các công trình hạ tầng giao thông là hết sức cấp thiết trong bối cảnh hiện nay. Các phương pháp này sẽ giúp cho việc phát hiện hư hỏng được thuận lợi, dễ dàng và tiết kiệm chi phí. Do vậy, trong nội dung nghiên cứu của mình, nghiên cứu sinh tập trung đi sâu nghiên cứu: “Chẩn đoán kết cấu cầu dựa trên chuỗi dữ liệu đo dao động theo thời gian kết hợp sử dụng mạng học sâu tích chập” làm chủ đề nghiên cứu trong luận án của mình. 2. Mục tiêu nghiên cứu - Nghiên cứu bài toán chẩn đoán hư hỏng của kết cấu công trình cầu dựa vào các dữ liệu động thu được từ các cảm biến. - Đề xuất thuật toán học sâu tích chập kết hợp để phát hiện các hư hỏng trong kết cấu. - Thực hiện và tham khảo các thí nghiệm đo dao động của công trình cầu thực tế, sau đó áp dụng phương pháp đề xuất để chẩn đoán hư hỏng trong kết cấu. 3. Phương pháp nghiên cứu - Phương pháp tổng hợp phân tích lý thuyết; - Phương pháp số; - Phương pháp phân tích số kết hợp với thực nghiệm. 4. Đối tượng và phạm vi nghiên cứu - Đặc trưng động học của kết cấu công trình cầu; - Các phương pháp xử lý số liệu. - Các phương pháp học sâu tích chập kết hợp; - Chẩn đoán vị trí và hư hỏng của kết cấu.
2 5. Ý nghĩa khoa học và thực tiễn - Áp dụng các phương pháp học sâu để chẩn đoán hư hỏng kết cấu, sử dụng hiệu quả cho các dạng dữ liệu theo thời gian (là cơ sở để xây dựng công cụ để giám sát trực tuyết các công trình). - Đề xuất phương pháp để cải thiện dữ liệu, cùng với thuật toán kết hợp đề xuất để cải thiện độ chính xác của phương pháp học sâu. - Tạo cơ sở dữ liệu công trình như một dạng hồ sơ lưu trữ giúp giám sát sức khoẻ công trình. - 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. 6. Nội dung và kết cấu của luận án Ngoài phần mở đầu, kết luận và kiến nghị, luận án bao gồm 04 chương với nội dung và phụ lục có kết cấu như sau: Mở đầu: Chương 1 - Tổng quan về nghiên cứu chẩn đoán kết cấu công trình cầu dựa trên phương pháp đo nhận dạng dao động. Chương 2 - Cơ sở lý thuyết về giám sát sức khoẻ kết cấu sử dụng dữ liệu theo thời gian dựa trên các đặc trưng động học. Chương 3 – Mạng học sâu truyền thống và mạng học sâu tích chập ứng dụng trong chẩn đoán kết cấu công trình cầu Chương 4 - Áp dụng mạng học sâu tích chập kết hợp phương pháp SAX- MDWD để chẩn đoán các hư hỏng cho mô hình cầu Kết luận và kiến nghị Phần Tài liệu tham khảo: Tổng hợp 133 tài liệu có liên quan đến những vấn đề và nội dung nghiên cứu được đề cập đến trong luận án. CHƯƠNG 1: TỔNG QUAN VỀ NGHIÊN CỨU CHẨN ĐOÁN SỨC KHOẺ KẾT CẤU CÔNG TRÌNH CẦU DỰA TRÊN PHƯƠNG PHÁP ĐO NHẬN DẠNG DAO ĐỘNG 1.1 Tổng quan về nghiên cứu chẩn đoán sức khoẻ kết cấu công trình cầu dựa trên phương pháp đo nhận dạng dao động 1.1.1 Giới thiệu về chẩn đoán sức khoẻ kết cấu công trình cầu dựa trên phương pháp đo nhận dạng dao động Theo dõi sức khỏe có thể đánh giá hiệu suất của các kết cấu một cách chủ động bằng cách sử dụng dữ liệu đo được và các thuật toán giải thích dữ
3 liệu, để đánh giá chính xác tình trạng hiện tại và dự đoán tuổi thọ còn lại của công trình. Ưu điểm chính của phương pháp này là chúng cung cấp thông tin tổng thể về tình trạng sức khỏe kết cấu để đánh giá trạng thái kết cấu, các phép đo tại một vị trí là đủ để đánh giá tình trạng của toàn bộ kết cấu. Vị trí đo có thể khác với vị trí hư hỏng. Các phương pháp dựa trên đặc trưng dao động của kết cấu có thể được áp dụng không liên tục (triển khai tạm thời các cảm biến) và hệ thống thu nhận hoặc liên tục (nhúng các cảm biến trong kết cấu). 1.1.2 Mục đích của chẩn đoán sức khoẻ kết cấu dựa trên phương pháp đo nhận dạng dao động - Cung cấp thời gian thực trong giám sát, phân tích và liên tục phát hiện sự giảm khả năng chịu lực, hư hỏng mà không làm tổn hại đến kết cấu trong suốt quá trình khai thác của công trình. - Đặc biệt hệ thống này còn theo dõi và ghi lại các ứng xử của kết cấu trong trường hợp đặc biệt (như có bão lũ, thiên tai hoặc sự cố tai nạn nghiêm trọng) mà các phương pháp truyền thống khác không thể giám sát được. 1.1.3 Sự phát triển của các phương pháp chẩn đoán sức khoẻ kết cấu dựa trên phương pháp đo nhận dạng dao động Gần đây, nhiều tiến bộ đã được thực hiện trong các ngành công nghệ khác nhau, bao gồm thiết bị đo cảm biến, thu nhận và truyền tín hiệu, xử lý và phân tích dữ liệu cũng như mô phỏng số. Những tiến bộ công nghệ này cho phép thu thập và phân tích thông tin lịch sử và hiện tại cần thiết của các công trình. Các chiến lược SHM tận dụng những tiến bộ của công nghệ để đánh giá chính xác tình trạng của các công trình bằng cách sử dụng dữ liệu được giám sát theo thời gian thực. Hoạt động quan trắc đã bùng nổ mạnh trong thập kỷ gần đây, do sự phát triển không ngừng trong lĩnh vực khoa học máy tính và hệ thống theo dõi “thông minh”. Thuật ngữ “thông minh” sau đó được sử dụng để nhấn mạnh ý nghĩa của hệ thống quan trắc thông minh vì có độ bền, đáng tin cậy và kinh tế. Hiện nay với sự phát triển của khoa học kỹ thuật thì việc quan trắc kết cấu cầu đang đứng trước cơ hội lớn để phát triển và dần hướng tới các hệ thống “quan trắc thông minh”. Trong phương pháp đánh giá sức khỏe kết cấu dựa trên kết quả thu thập nhận dạng và phân tích số liệu 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;
4 - 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. Nhận xét thấy các hướng nghiên cứu này đều rất quan trọng do có sự liên quan chặt chẽ với nhau. Hướng nghiên cứu thứ nhất giải quyết vấn đề độ chính xác của việc thu thập các số liệu đặc trưng dao động, hướng thứ hai thể hiện sự cần thiết của việc thu thập và lưu trữ đủ thông tin về các dữ liệu đặc trưng dao động, hướng nghiên cứu thứ ba thể hiện yêu cầu chính xác của việc tìm kiếm, phát hiện, đánh giá mức độ ảnh hưởng của các vị trí hư hỏng của kết cấu, đây cũng chính là mục đích của việc giám sát sức khỏe công trình cầu thông qua việc thu thập, phân tích, đánh giá sự biến đổi của các tham số đặc trưng dao động. 1.2 Các nghiên cứu trên thế giới về chẩn đoán kết cấu dựa trên phương pháp đo nhận dạng dao động Messina và cộng sự đã sử dụng mối tương quan thống kê giữa các thay đổi tần số dao động tự nhiên phân tích và đo lường để ước tính vị trí và kích thước của các hư hỏng. Morassi đã áp dụng một kỹ thuật nghịch đảo để khoanh vùng các vết nứt trong khung thép thông qua sự thay đổi tần số dao động tự nhiên. Morassi đề xuất một phương pháp xác định vết nứt cho các kết cấu dạng thanh dựa trên sự thay đổi do hư hỏng gây ra trong tần số dao động tự nhiên. Tuy nhiên, các thuật toán nói trên phải điều chỉnh quá nhiều tham số trong quá trình tìm kiếm giải pháp tốt nhất thông qua các lần lặp, nên rất mất thời gian khi sử dụng chúng cho các vấn đề tối ưu hóa kết cấu có nhiều bậc tự do. Điều này giảm hiệu quả khi sử dụng các thuật toán tối ưu tiến hoá cho các vấn đề tối ưu hóa của các kết cấu quy mô lớn. Bên cạnh các thuật toán tối ưu tiến hoá, ANN cũng được quan tâm và sử dụng thành công cho các lĩnh vực khác nhau. Yeung và Smith đã sử dụng mạng nơ-ron không giám sát để nhận dạng mẫu với luồng dữ liệu thu được từ các cảm biến được lắp đặt trên Cầu Tsing Ma để liên tục kiểm tra các hoạt động của kết cấu. Sau đó, Reda Taha và Lucero đã giới thiệu một phương pháp mới bằng cách bổ sung các chỉ số nhận dạng để điều chỉnh sự không chắc chắn
5 liên quan đến trạng thái hư hỏng dựa trên phương pháp – ANN. Gia tốc thu được từ các cảm biến lắp đặt trên cầu được phân tích bằng cách sử dụng mô- đun mạng nơ-ron wavelet. Kết quả chỉ ra rằng, phương pháp đề xuất có thể xác định chính xác được hư hỏng trong kết cấu.Tuy nhiên vẫn còn nhiều sai sót xảy ra khi áp dụng các phương pháp này. Những thập kỷ gần đây, ANN đã được áp dụng rộng rãi trong nhiều lĩnh vực, tuy nhiên, do việc áp dụng các thuật toán lan truyền ngược dựa trên kỹ thuật độ dốc đi xuống (Gradient Descent - GD), mạng có thể bị mắc kẹt trong cực tiểu cục bộ, làm giảm độ chính xác và hiệu quả của ANN. Một hạn chế khác của thuật toán ANN là không sử dụng cho xử lý các dữ liệu hình ảnh và có độ chính xác không cao trong trường hợp xử lý các dữ liệu lớn. Phân tích trên cho thấy xuất hiện nhu cầu của hướng nghiên cứu mới là cần thiết sử dụng và phát triển các công cụ mạnh mẽ với tính linh hoạt và đa dạng cao hơn để xử lý bộ dữ liệu lớn với các dạng dữ liệu khác nhau, đáp ứng yêu cầu theo dõi, kiểm soát trạng thái sức khỏe của các công trình có quy mô lớn, kỹ thuật phức tạp cần bố trí số lượng thiết bị đo lớn. 1.3 Các nghiên cứu ở Việt Nam về chẩn đoán kết cấu dựa trên phương pháp đo nhận dạng dao động. Ở Việt Nam, nghiên cứu về chẩn đoán sức khoẻ kết cấu đang nhận được sự quan tâm, chú ý của các nhà khoa học trong những thập kỷ gần đây. 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. Bùi Đức Chính giới thiệu phương pháp sử dụng phương pháp biến đổi Hilbert-Huang kết hợp với dự liệu đo dao động để chẩn đoán hư hỏng cho một số trụ cầu. Kết quả cho thấy rằng biến đổi Hilbert-Huang nhạy hơn các phương pháp biến đổi cũ như chuyển đổi nhanh Fourier (Fast Fourier Transform - FFT), và Wavelet Transform (WT) để phân biệt được các ứng xử dao động khác nhau của các trụ cầu, và sự giảm độ cứng của các trụ. Nguyễn Hữu Thuấn và cộng sự đã tiến hành đo thực nghiệm hiện trường kết hợp với xây dựng FEM để giám sát sức khỏe cho cầu dây văng Mỹ Thuận. Tần số dao động riêng và hình thái dao động được chọn làm hàm mục tiêu để giảm sự khác biệt giữa kết quả tính toán và kết quả đo. Nguyễn Trọng Nghĩa và cộng sự đề xuất sử dụng phương pháp đồ thị để tính toán lực căng trong các dây cáp của cầu dây văng Phú Mỹ. 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
6 trưng động học của kết cấu như tần số dao động riêng, hình thái 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. 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, tuy nhiên 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, mô hình học sâu để phân tích dữ liệu trong giám sát sức khỏe các công trình. Gần đây nhất, Hồ Khắc Hạnh đã áp dụng phương pháp ANN kết hợp với PSO để chuẩn đoán hư hỏng cho các kết cấu công trình. CHƯƠNG 2 CƠ SỞ LÝ THUYẾT VỀ GIÁM SÁT SỨC KHOẺ KẾT CẤU SỬ DỤNG DỮ LIỆU CHUỖI THỜI GIAN DỰA TRÊN CÁC ĐẶC TRƯNG ĐỘNG HỌC 2.1 Khái niệm về dữ liệu chuỗi thời gian (time series data) Trong toán học, dữ liệu chuỗi thời gian được định nghĩa là một chuỗi các điểm dữ liệu, được đo theo từng khoảng khắc thời gian liền nhau theo một tần suất thời gian thống nhất Dự đoán chuỗi thời gian là việc sử dụng mô hình để dự đoán các sự kiện thời gian dựa vào các sự kiện đã biết trong quá khứ để từ đó dự đoán các dữ liệu trước khi nó xảy ra (dự đoán tương lai). Dữ liệu chuỗi thời gian có những tính chất đặc trưng riêng, cơ bản như: tính xu hướng, tính chu kỳ, tính ngẫu nhiên, tính dừng, tính nhiễu, tính không đồng nhất. 2.2 Dữ liệu chuỗi thời gian cho giám sát sức khỏe kết cấu Khoa học về giám sát sức khỏe liên tục và trực tuyến của các kết cấu dựa trên các đặc trưng động học để đánh giá các điều kiện vận hành của kết cấu đang nhận được sự quan tâm sâu sắc của các nhà khoa học cũng như các cơ quan quản lý [Error! Reference source not found.]. Giám sát sức khoẻ kết cấu dựa trên dao động có thể được phân loại theo miền thời gian, miền tần số và miền tần số - thời gian. Trong đó phương pháp dựa trên miền thời gian, thông qua việc sử dụng phân tích chuỗi dữ liệu theo thời gian thu được từ hệ thống cảm biến để đánh giá tình trạng sức khoẻ kết cấu đang chứng tỏ được những hiệu quả tiềm năng [Error! Reference source not found.].
7 2.3 Các loại dữ liệu chuỗi thời gian Loại và bản chất của dữ liệu chuỗi thời gian đóng vai trò nổi bật trong phân tích chuỗi thời gian. Từ đó có thể xác định mô hình chuỗi thời gian thích hợp nhất, mô hình này phải tương thích với dữ liệu và trích xuất được các tính năng nhạy cảm với các hư hỏng (Damage-Sensitive Features – DSF) đáng tin cậy. Trên cơ sở này, có thể phân tích dữ liệu chuỗi thời gian thành bốn nhóm [Error! Reference source not found.].  Chuỗi thời gian ổn định so với chuỗi thời gian không ổn định.  Chuỗi thời gian tuyến tính và chuỗi thời gian phi tuyến tính.  Chuỗi thời gian đơn biến so với chuỗi thời gian đa biến.  Chuỗi thời gian Gaussian so với chuỗi thời gian không phải Gaussian.  Chuỗi thời gian ổn định so với chuỗi thời gian không ổn định. 2.4 Tính bất định của dữ liệu chuỗi thời gian trong giám sát sức khỏe kết cấu cầu 2.4.1 Phương trình dao động của kết cấu Dao động của kết cấu liên tục được rời rạc hóa với số bậc tự do - 𝑛 (degree- of-freedom-DOF) được thể hiện bởi phương trình vi phân bậc hai (phương trình vi phân chuyển động tổng quát) được thể hiện như phương trình 2.1: 𝑀𝑥̈ (𝑡) + 𝐶𝑥̇ (𝑡) + C𝑥(𝑡) = p(𝑡) (2.1) 2.4.2 Phân tích hình thái dao động Ma trận vuông gồm 𝑁 các hình thái dao động sẽ được biểu diễn bằng 𝚽 như sau: 𝜙11 𝜙12 ⋯ 𝜙1𝑁 𝜙21 𝜙22 ⋯ 𝜙2𝑁 𝜙 𝜙32 ⋯ 𝜙3𝑁 𝚽 = [𝜙1 𝜙2 𝜙3 ⋯ 𝜙 𝑁 ] = 31 (2.2) 𝜙41 𝜙42 ⋯ 𝜙4𝑁 ⋯ ⋯ ⋯ ⋯ [ 𝜙 𝑁1 𝜙 𝑁2 ⋯ 𝜙 𝑁𝑁 ] 2.4.3 Dao động tắt dần Đầu tiên để phân tích dao động tắt dần tỷ lệ, phương trình vi phân chuyển động tổng quát (2-1) sẽ được phát triển bằng cách nhân hai vế của phương trình với ϕ 𝑇 𝜙 𝑛𝑇 𝑚𝛷𝑌̈(𝑡) + 𝜙 𝑛𝑇 𝑐𝛷𝑌̇(𝑡) + 𝜙 𝑛𝑇 𝑘𝛷𝑌(𝑡) = 𝜙 𝑛𝑇 𝑝(𝑡) (2.3)
8 Nếu phương trình Error! Reference source not found. được chia cho khối lượng tổ trình chuyển động dạng thức này có thể được biểu diễn dưới dạng thay thế: 𝑃 (𝑡) 𝑌̈ 𝑛 (𝑡) + 2𝜉 𝑛 𝜔 𝑛 𝑌̇ 𝑛 (𝑡) + 𝜔2 𝑌 𝑛 (𝑡) = 𝑛𝑀 𝑛 (2.4) 𝑛 2.4.4 Đặc trưng bất định, ngẫu nhiên của chuỗi dữ liệu theo thời gian trong giám sát sức khỏe kết cấu cầu Chuỗi dữ liệu theo thời gian trong giám sát sức khỏe kết cấu cầu có một số đặc trưng cơ bản sau: Tính tương quan thời gian, động lực học, tính chất chu kỳ, tính nhiễu, tính dễ bị ảnh hưởng bởi môi trường Có hai loại đại lượng sai số đo, hệ thống và ngẫu nhiên. Sai số hệ thống (độ chệch đo) là giá trị đại lượng đo được có sự dịch chuyển. Sai số ngẫu nhiên là khi phép đo được lặp lại thì nó thường cho giá trị đại lượng đo được khác với giá trị trước đó. Trong công tác đo đạc kết cấu công trình cầu, nói chung, có thể có một số thành phần đóng góp vào tính bất định của kết quả đo dao động. Theo đó, để cải thiện dữ liệu thô, giảm nhiễu, NCS nghiên cứu áp dụng phương pháp xấp xỉ tổng hợp tượng trưng (SAX) kết hợp Phân rã sóng rời rạc đa cấp (MDWD) trong bước tiền xử lý dữ liệu. Đồng thời, để phân tích dữ liệu lớn, NCS nghiên cứu áp dụng phương pháp học máy trong chẩn đoán kết cấu. Các nội dung này được làm rõ trong các phần tiếp theo của luận án. 2.5 Phương pháp xấp xỉ tổng hợp tượng trưng (Symbolic Aggregate approXimation – SAX). Phương pháp SAX là một phương pháp quan trọng trong lĩnh vực xử lý dữ liệu chuỗi thời gian, đặc biệt là trong việc giảm số chiều dữ liệu và giảm thiểu sự phức tạp tính toán. Với một chuỗi dữ liệu có độ dài n, nó được biến đổi thành 𝑤 ký hiệu. Quá trình này bao gồm việc chia dữ liệu chuỗi thời gian thành w đoạn có kích thước bằng nhau bằng cách sử dụng thuật toán Piecewise Aggregate Approximation (PAA). Giá trị trung bình của mỗi đoạn thời gian, được ký hiệu là ‾ = ̅̅̅, ̅̅̅, … , ̅̅̅̅, được tính bằng cách lấy trung bình của đoạn thứ 𝑖 bằng 𝑋 𝑋1 𝑋2 𝑋𝑤 phương trình sau (2.5): 𝑛 𝑤 ( )𝑖 ̅𝑖 = 𝑋 ∑𝑗 𝑤 𝑋𝑗 (2.5) 𝑛
9 𝑛 j= ( 𝑤)(𝑖 + 1) + 1 Để chia không gian thành α vùng có xác suất bằng nhau, ta sử dụng các điểm phân chia, trong đó 𝑋 𝑗 đại diện cho một điểm thời gian trong chuỗi thời gian 𝑋. Việc xác định các điểm phân chia này bao gồm việc sắp xếp chúng thành một danh sách, được ký hiệu là 𝐶 = 𝑐1 , 𝑐2 , … , 𝑐 𝛼−1 . Hơn nữa, các điểm phân chia này tuân theo phân phối Gaussian, và khoảng cách giữa hai điểm phân chia liên tiếp, 𝑐 𝑖 và 𝑐 𝑖+1 , bằng 1/𝛼. Phương pháp SAX có một số ưu điểm vượt trội như: Giảm kích thước dữ liệu, giữ lại đặc trưng quan trọng, tính nhất quán và khả diễn giải, độc lập với độ dài của chuỗi thời gian, tính ứng dụng rộng rãi 2.6 Phương pháp phân rã sóng rời rạc đa cấp (Multilevel Discrete Wavelet Decomposition – MDWD) MDWD [Error! Reference source not found.] là một trong những tiến bộ gần đây nhất trong phương pháp phân rã sóng rời rạc - DWT (Discrete Wavelet Transform). Nó cho phép trích xuất các đặc trưng thời gian-tần số ở nhiều mức độ khác nhau từ một chuỗi thời gian cho trước bằng cách phân rã lặp lại chuỗi thành các chuỗi con tần số thấp và cao ở mỗi mức độ. Quá trình chuyển đổi dữ liệu sử dụng phương pháp MDWD được thực hiện bằng cách cho 𝑖 = {𝑖1 , … , 𝑖 𝑡 , … , 𝑖 𝑇 } là chuỗi thời gian đầu vào. Ở mức độ 𝑎, chuỗi con tần số thấp và tần số cao được ký hiệu lần lượt là 𝑖 𝑙 (𝑎) và 𝑖ℎ (𝑎). Chuyển sang mức độ (𝑎 + 1), MDWD sử dụng bộ lọc tần số thấp được ký hiệu là 𝑚 = {𝑚1 ,… , 𝑚 𝑗 , … , 𝑚 𝐽 } và một bộ lọc tần số cao được ký hiệu là 𝑛 = {𝑛1 , … , 𝑛 𝑗 , … , 𝑛 𝐽 }. Để tính tích chập của chuỗi con tần số thấp ở mức độ cao hơn, 𝑃 phải nhỏ hơn 𝑇. 𝑃 𝑚 𝑓𝑐 𝑚 (𝑎 + 1) = ∑ 𝑗=1 𝑖 𝑐+𝑗−1 (𝑎) ⋅ 𝑚 𝑗 (2.6) 𝑛 𝑃 𝑛 𝑓𝑐 (𝑎 + 1) = ∑ 𝑗=1 𝑖 𝑐+𝑗−1 (𝑎) ⋅ 𝑛 𝑗 Trong đó, 𝑓𝑐 𝑚 (𝑎) đại diện cho phần tử thứ 𝑐 của chuỗi con tần số thấp ở mức độ 𝑎, và 𝑖 𝑚 (0) biểu thị cho chuỗi ban đầu đầu vào, các chuỗi con tần số thấp và tần số cao 𝑖 𝑚 (𝑎) và 𝑖 𝑛 (𝑎) được tạo ra từ quá trình lấy mẫu giảm của các chuỗi biến số trung gian 𝑣 𝑚 (𝑎) = {𝑣1𝑚 (𝑎), 𝑣2𝑚 (𝑎), … } và 𝑣 𝑛 (𝑎) = {𝑣1𝑛 (𝑎), 𝑣2𝑛 (𝑎), … } với hệ số giảm 0.5.
10 CHƯƠNG 3 MẠNG HỌC SÂU TRUYỀN THỐNG VÀ MẠNG HỌC SÂU TÍCH CHẬP ỨNG DỤNG TRONG CHẨN ĐOÁN KẾT CẤU CÔNG TRÌNH CẦU 3.1 Mạng học sâu truyền thống Mạng nơ-ron (CNN – Convolutiona Neural Network), là một loại mô hình học sâu để xử lý dữ liệu có dạng lưới, chẳng hạn như hình ảnh, được lấy cảm hứng từ tổ chức vỏ não thị giác của động vật [Error! Reference source not found., Error! Reference source not found.] và được thiết kế để học tự động và thích ứng các cấu trúc phân cấp không gian của các đối tượng, từ mức thấp - đến cao. 3.1.1 Cấu trúc cơ bản của mạng học sâu truyền thống CNN bao gồm năm loại lớp. Đây là các đầu vào, lớp phức hợp, các lớp gộp, các lớp được kết nối đầy đủ, và các lớp đầu ra. Khi các lớp này được xếp chồng lên nhau, một kiến trúc CNN đã được hình thành. Kiến trúc CNN đơn giản hóa để phân loại MNIST (Cơ sở dữ liệu MNIST - Modified National Institute of Standards and Technology, là một cơ sở dữ liệu lớn gồm các chữ số viết tay thường được sử dụng để đào tạo các hệ thống xử lý ảnh khác nhau 3.1.2 Một số mạng học sâu truyền thống 3.1.3 Mạng học sâu CNN 2 chiều (2DCNN) Mặc dù đã gần 30 năm sau khi các mô hình 2DCNN đầu tiên được đề xuất [Error! Reference source not found.], các kiến trúc 2DCNN hiện đại vẫn giữ nguyên các thuộc tính giống như với kiến trúc đầu tiên như các lớp phức hợp và gộp. Sự phổ biến và phạm vi ứng dụng rộng rãi của các mô hình CNN có được do những ưu điểm sau: 1. Các mô hình CNN hợp nhất quá trình trích xuất và phân loại đối tượng trong một bước sử lý chung. Mạng có thể học cách tối ưu hóa các tính năng trong giai đoạn đào tạo trực tiếp từ dữ liệu đầu vào. 2. Vì các nơ-ron của mạng CNN chỉ kết nối với một số các dữ liệu đầu có cùng tính chất (các dữ liệu lân cận), các CNN có thể xử lý các đầu vào lớn với hiệu quả tính toán lớn so với các mạng ANN được kết nối đầy đủ. 3. CNN không chịu nhiều ảnh hưởng của các biến đổi nhỏ trong dữ liệu đầu vào bao gồm nhiễu hoặc các dữ liệu không hoàn chỉnh.
11 4. CNN có thể thích ứng với các kích thước đầu vào khác nhau. 3.1.4 Mạng học sâu CNN một chiều Cấu hình của 1DCNN được hình thành bởi các siêu tham số sau: 1) Số lượng lớp /tế bào thần kinh CNN và ANN trong mẫu 1DCNN được hiển thị trong hình 3.2, có 3 lớp CNN và và 2 lớp ANN, tương ứng. 2) Kích thước bộ lọc (kernel) trong mỗi lớp CNN. 3) Hệ thống lấy mẫu trong mỗi lớp CNN. 4) Sự lựa chọn các chức năng gộp (pooling layer) và hàm kích hoạt (activation function). Hình 3.1. Một cấu hình 1DCNN mẫu với 3 lớp CNN và 2 ANN 3.2 Mạng học sâu tích chập đề xuất Trong thực tế, để giám sát các công trình cầu yêu cầu các cảm biến được lắp đặt lâu dài trên kết cấu công trình và dữ liệu được truyền liên tục về các trung tâm xử lý dữ liệu, lượng dữ liệu cần xử lý là rất lớn và theo trình tự thời gian. Tuy nhiên, các mạng này không thể xử lý hiệu quả các dữ liệu lớn hoặc các dạng dữ liệu tuần tự theo thời gian, vì chúng không có tính năng ghi nhớ cũng như liên kết các dữ liệu ở các thời điểm khác nhau. Để khắc phục các nhược điểm này, NCS đề xuất một cách tiếp cận dựa trên nguyên tắc làm việc kết hợp của mạng học sâu 1DCNN và mạng hồi quy, cụ thể là phương pháp bộ nhớ ngắn dài hạn (Long Short-Term Memory - LSTM) để xử lý các dữ liệu theo thời gian thu được từ các cảm biến, để từ đó theo dõi sức khoẻ, chẩn đoán các hư hỏng xuất hiện trong kết cấu. LSTM được thiết kế để tránh được vấn đề quên mất các thông tin.
12 ht Ct-1 Ct tanh ft it Ot Ct   tanh  ht-1 ht X1dcnn Hình 3.2. Mô hình LSTM Ở trạng thái thứ 𝑡 của mô hình LSTM:  Đầu ra: 𝑐 𝑡 ; ℎ 𝑡 , ta gọi 𝑐 là trạng thái ô (cell state), ℎ là trạng thái ẩn (hidden state).  Đầu vào: 𝑐 𝑡−1 ; ℎ 𝑡−1; 𝑋1dcnn . Trong đó 𝑋1dcnn là đầu vào ở trạng thái thứ 𝑡 của mô hình. 𝑐 𝑡−1 ; ℎ 𝑡−1là đầu ra của lớp (layer) trước. 𝑓𝑡 ; 𝑖 𝑡 ; 𝑜 𝑡 tương ứng với cổng quên (forget gate), cổng đầu vào (input gate) và cổng đầu ra (output gate). Cổng quên: 𝑓𝑡 = 𝑠(𝑈f ∗ 𝑋1dcnn + 𝑊f ∗ ℎt−1 + 𝑏f ) Cổng đầu vào: 𝑖 𝑡 = 𝑠(𝑈i ∗ 𝑋1dcnn + 𝑊i ∗ ℎt−1 + 𝑏i ) Cổng đầu ra: 𝑜 𝑡 = 𝑠(𝑈o ∗ 𝑋1dcnn + 𝑊 ∗ ℎt−1 + 𝑏o ) o Nhận xét: 0 < 𝑓𝑡 ; 𝑖 𝑡 ; 𝑜 𝑡 < 1; 𝑏f ; 𝑏i , 𝑏olà các hệ số bias; hệ số 𝑊, 𝑈 tham số huấn luyện. 𝑐̃ 𝑡 =𝑡𝑎𝑛ℎ(𝑈c ∗ 𝑋1dcnn + 𝑊 ∗ ℎt−1 + 𝑏c ), c 𝑐 𝑡 = 𝑓𝑡 ∗ 𝑐 𝑡−1 + 𝑖 𝑡 ∗ 𝑐̃ 𝑡 , cổng quên quyết định xem cần lấy bao nhiêu từ trạng thái trước và cổng đầu vào sẽ quyết định lấy bao nhiêu từ đầu vào của các lớp trước đó. ℎ 𝑡 =𝑜 𝑡 ∗ tanh(𝑐 𝑡 ), cổng đầu ra quyết định xem cần lấy bao nhiêu từ cell state để trở thành đầu ra của trạng thái ẩn. Ngoài ra ℎ 𝑡 cũng được dùng để tính ra đầu ra 𝑦 𝑡 cho trạng thái 𝑡. 𝑐 𝑡 giống như một băng chuyền, thông tin nào cần quan trọng và dùng ở sau sẽ được gửi vào và dùng khi cần => có thể mang thông tin từ đi xa=> bộ nhớ dài hạn (long term memory). Do đó mô hình LSTM có cả bộ nhớ ngắn hạn (short term memory) và bộ nhớ dài hạn. Khi dữ liệu được đưa vào mạng, nó được chia thành các đoạn có độ dài cố định, sau đó lớp 1-DCNN sẽ trích xuất các mối quan hệ cục bộ giữa các điểm dữ liệu và các điểm xung quanh của chúng trước khi chuyển sang LSTM, tại đây các phụ thuộc dài hạn được xác định và lưu giữ theo thời gian. Đầu ra
13 của ô LSTM cuối cùng sẽ được làm phẳng và đưa vào lớp kết nối hoàn chỉnh trước khi được chuyển đến lớp đầu ra có hàm kích hoạt softmax để cung cấp kết quả xác định hư hỏng. Thuật toán lai DL này được thực hiện với sự trợ giúp của mã nguồn mở của Tensorflow. CHƯƠNG 4: ÁP DỤNG MẠNG HỌC SÂU TÍCH CHẬP KẾT HỢP PHƯƠNG PHÁP SAX-MDWD ĐỂ CHẨN ĐOÁN CÁC HƯ HỎNG CHO MÔ HÌNH CẦU 4.1 Áp dụng mạng học sâu tích chập kết hợp phương pháp SAX-MDWD để chẩn đoán các hư hỏng cho mô hình cầu thực tế 4.1.1 Giới thiệu mô hình cầu Để đánh giá tính hiệu quả của phương án đề xuất, NCS sẽ sử dụng các thuật toán để xác định các hư hỏng của cầu Z24 trên cơ sở dữ liệu động thu được theo thời gian. Cầu Z24 (Hình 0.1) nằm ở bang Bern gần Solothurn. Hình 0.1 Hình chiếu đứng và hình chiếu bằng của cầu Z24 [Error! Reference source not found.]. Bảng 4.1. Các trường hợp tạo ra hư hỏng và các nhãn tương ứng [Error! Reference source not found.] Nhãn Ngày Tháng (Năm 1998) Trường hợp hư hỏng 0 04 tháng 8 Xác lập điều kiện đầu (điều kiện chưa hỏng) 1 9 tháng 8 Lắp đặt thiết bị trên trụ 2 10 tháng 8 Cắt, tạo khuyết tật trên trụ (20 mm)
14 3 12 tháng 8 Cắt, tạo khuyết tật trên trụ (40 mm) 4 17 tháng 8 Cắt, tạo khuyết tật trên trụ (80 mm) 5 18 tháng 8 Cắt, tạo khuyết tật trên trụ (95 mm) 6 19 tháng 8 Nâng trụ, tao độ nghiêng của móng 7 20 tháng 8 Xác lập trạng thái chưa hư hỏng mới 8 25 tháng 8 Đập vỡ bê tông mặt cầu (12 m2) 9 26 tháng 8 Đập vỡ bê tông mặt cầu (24 m2) 10 27 tháng 8 Sạt lở 1 m tại mố 11 31 tháng 8 Tạo hư hỏng khớp nối 12 02 tháng 9 Tạo hư hỏng 2 đầu neo 13 03 tháng 9 Tạo hư hỏng 4 đầu neo 14 07 tháng 9 Đứt 2 trong số 16 cáp 15 08 tháng 9 Đứt 4 trong số 16 cáp Đối với mỗi trạng thái hư hỏng, 9 thiết lập (setup) đã được tiến hành để thu thấp các dữ liệu, trong đó 8 thiết lập sử dụng 33 cảm biến (sensors), 1 thiết lập còn lại sử dụng 27 cảm biến, tổng cộng có 291 cảm biến đo để đo dao động trên các trụ (chủ yếu theo phương dọc và ngang cầu) và dao động trên mặt cầu. (a) (b) (c ) (d) (e) (f)
15 (g) (h) Hình 0.2 (a) – (h) Dữ liệu gia tốc theo thời gian tại các sensors tương ứng với các trường hợp hư hỏng từ 1 đến 8. 4.1.2 Xử lý dữ liệu Để cải thiện dữ liệu trước khi sử dụng để huấn luyện mạng, phương pháp SAX và MDWD sẽ được áp dụng. Cụ thể, quá trình chuyển đổi từ dữ liệu chuỗi thời gian liên tục sang dữ liệu rời rạc bằng phương pháp MDWD được thực hiện bằng các bước sau: - Bước 1: chọn một hàm sóng cơ bản để phân tích tín hiệu. - Bước 2: Thực hiện phép biến đổi sóng trên tín hiệu bằng cách sử dụng hàm sóng đã chọn. Kết quả của phép biến đổi là tín hiệu phân tích và các hệ số phân tích. - Bước 3: Lặp lại các bước 1 và 2 trên tín hiệu phân tích để tạo ra các thành phần sóng mới. Các thành phần sóng này sẽ được sử dụng để xây dựng mô hình và phân tích tín hiệu. - Bước 4: Lặp lại các bước 1-3 cho tới khi không còn có thành phần sóng nào được tạo ra hoặc đạt được mức độ phân giải mong muốn. Các bước này tạo ra một cây phân giải cho tín hiệu, trong đó mỗi node tương ứng với một thành phần sóng. Các node ở mức cao hơn tương ứng với các thành phần sóng có tần số thấp hơn và có độ trễ lớn hơn, trong khi các node ở mức thấp hơn tương ứng với các thành phần sóng có tần số cao hơn và có độ trễ nhỏ hơn. SAX thực hiện phân tích tín hiệu theo các bước sau:  Bước 1: Chia chuỗi dữ liệu thành các phân đoạn với độ dài bằng nhau  Bước 2: Tính giá trị trung bình của mỗi phân đoạn  Bước 3: Tính độ lệch chuẩn của mỗi phân đoạn  Bước 4: Chuyển đổi giá trị của mỗi phân đoạn thành một ký hiệu tương ứng sử dụng hàm chuyển đổi  Bước 5: Tạo ra một chuỗi ký tự rời rạc bằng cách sắp xếp các ký hiệu được tạo ra từ các phân đoạn theo thứ tự.
16 Hình 0.3 Dữ liệu gia tốc theo thời gian tại một sensors sau khi được xử lý bằng phương pháp MDWD và SAX Hình 0.4 Dữ liệu gia tốc theo thời gian tại của 16 lớp sau khi được xử lý Dữ liệu sau khi áp dụng phương pháp SAX-MDWD, ma trận từ dạng sóng chuyển về dạng thời gian biến động, tức thời gian sẽ không biến thiên theo dạng sóng liên tục, mà sẽ được mịn màng và chỉ tập trung vào những phần dao động nhiều) và ma trận mới sẽ có kích thước là (4000, 5) thay vì kích thước ban đầu là (8000,5). 4.1.3 Kiến trúc mạng Đầu tiên là một lớp 1DCNN sử dụng với mục đích trích xuất các tính năng quan trọng của mô hình, lớp CNN này gồm các đặc điểm như sau: số lượng Kernel là 128 và kích thước của kernerl là 3x3. Sau khi các dữ liệu đầu vào đã được trích xuất, mạng LSTM sẽ được sử dụng để học và phân loại. Mạng LSTM gồm 2 lớp, xen kẽ các lớp sẽ sử dụng các lớp Dropout để ngăn hiện tượng over fitting và các Maxpooling để trích xuất những đặc trưng quan trọng. Điều đó giúp giảm được kích thước ma trận, giảm số phép tính và giảm thời gian tính toán. Cuối cùng mạng được làm phẳng với số đầu ra là 16 lớp đã được dán nhãn.
17 4.1.4 Huấn luyện mạng và phân tích kết quả Thuật toán Adam được sử dụng để huấn luyện mạng với tổng số bước lặp là 100 bước. Tổng tham số cần huấn luyện là 8.287.280 tham số. Hình 0.5 cho thấy sự hội tụ của quá trình huấn luyện và thử nghiệm của cả 3 phương pháp 1DCNN, 1DCNN-LSTM, và MDWD-SAX-1DCNN-LSTM. Trong luận án này, NCS cũng đánh giá tính hiệu quả của các phương pháp đề xuất qua giá trị Ground truth maps và ma trận lỗi, đây là công cụ được sử dụng để đánh giá hiệu quả của các thuật toán xử lý ảnh và thị giác máy tính, giúp đánh giá khả năng của mô hình phân loại đúng hoặc sai trên từng lớp. (a) (b) Hình 0.5 Sự hội tụ của các mô hình (a) độ hội tụ quá trình huấn luyện của 3 phương pháp; (b) độ hội tụ quá trình đánh giá mạng của 3 phương pháp Ngoài ra, để đánh giá hiệu suất của mô hình, NCS sử dụng kết hợp phương pháp trên thông qua: giá trị “macro avg”, “Loss validate”. Bảng 4.2. Kết quả huấn luyện mạng sử dụng phương pháp 1DCNN-LSTM MDWD-SAX- Số lớp 1DCNN 1DCNN-LSTM prec rec f1-sc prec rec f1-sc prec rec f1-sc 0 0.6 0.38 0.46 0.53 0.81 0.64 0.83 0.78 0.64 1 0.51 0.73 0.6 0.69 0.69 0.69 0.85 0.88 0.65 2 0.67 0.76 0.71 0.92 0.79 0.85 0.9 0.93 0.81 3 0.68 0.66 0.67 0.45 0.62 0.53 0.84 0.84 0.69 4 0.71 0.56 0.63 0.85 0.81 0.83 0.87 0.94 0.79 5 0.69 0.67 0.68 0.88 0.85 0.87 0.8 0.89 0.83 6 0.6 0.75 0.67 0.39 0.91 0.55 1 0.88 0.81 7 0.62 0.71 0.67 0.51 0.71 0.6 0.8 0.86 0.65 8 0.67 0.6 0.63 0.93 0.65 0.76 0.81 0.72 0.75 9 0.75 0.8 0.77 0.66 0.83 0.74 0.69 0.97 0.69 10 0.63 0.52 0.57 0.94 0.52 0.67 0.87 0.82 0.7 11 0.56 0.58 0.57 0.76 0.61 0.68 0.72 0.74 0.76
18 12 0.57 0.74 0.65 1 0.32 0.49 0.76 0.84 0.61 13 0.81 0.65 0.72 1 0.47 0.64 0.83 0.71 0.77 14 0.71 0.53 0.61 0.72 0.41 0.52 0.81 0.66 0.58 15 0.53 0.66 0.59 0.74 0.8 0.77 0.94 0.86 0.72 acc 0.64 0.67 0.83 macavg 0.65 0.64 0.64 0.75 0.68 0.68 0.83 0.83 0.83 Ghi chú: pre: precision; rec: recall; f1-sc: f1-score Ma trận lỗi: 1DCNN Ma trận lỗi: 1DCNN- Ma trận lỗi: MDWD- LSTM SAX-1DCNN-LSTM So sánh các phương pháp 0.64 0.68 0.83 5 0 1DCNN 1DCNN-LSTM MWD-SAX-… Accuracy Validate 0.64 0.68 0.83 Loss Validate 3.3 2.1 0.69 Accuracy Validate Loss Validate Hình 0.6 Kết quả ma trận lỗi và độ chính xác của các mạng ở bước đánh giá Nhận xét: Mô hình MDWD-SAX-1DCNN-LSTM tốt hơn hoàn toàn so với mô hình 1DCNN và mô hình 1DCNN-LSTM về các chỉ số Ground truth maps và ma trận lỗi, bao gồm các giá trị Recall (độ nhạy), Precision (độ chính xác), F1- score và Macro avg. Error! Reference source not found.6 biểu diễn ma trận lỗi với cột đứng là giá trị thực (true lable) và cột ngang là giá trị dự đoán (predicted label),