Xác định hư hỏng trong kết cấu khung không gian sử dụng phương pháp năng lượng biến dạng kết hợp với mạng nơ ron tích chập

ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐINH DUY VŨ XÁC ĐỊNH HƯ HỎNG TRONG KẾT CẤU KHUNG KHÔNG GIAN SỬ DỤNG PHƯƠNG PHÁP NĂNG LƯỢNG BIẾN DẠNG KẾT HỢP VỚI MẠNG NƠ-RON TÍCH CHẬP Chuyên ngành : Mã số ngành: Kỹ thuật Xây dựng 8580201 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng năm 2023 CƠNG TRÌNH ĐƯỢC HỒN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA –ĐHQG -HCM Cán hướng dẫn khoa học : PGS TS Hồ Đức Duy Chữ ký: Cán hướng dẫn khoa học : TS Nguyễn Khắc Duy Chữ ký: Cán chấm nhận xét : TS Nguyễn Phú Cường Chữ ký: Cán chấm nhận xét : TS Liêu Xuân Quí Chữ ký: Luận văn thạc sĩ bảo vệ Trường Đại học Bách Khoa, ĐHQG Tp HCM, ngày 13 tháng 01 năm 2023 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: PGS TS Lương Văn Hải - Chủ tịch hội đồng TS Thái Sơn - Thư ký TS Nguyễn Phú Cường - Ủy viên (Phản biện 1) TS Liêu Xuân Quí - Ủy viên (Phản biện 2) PGS TS Nguyễn Văn Vương - Ủy viên CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA KỸ THUẬT XÂY DỰNG i ĐẠI HỌC QUỐC GIA TP.HCM CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc Lập – Tự Do – Hạnh Phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: ĐINH DUY VŨ MSHV: Ngày, tháng, năm sinh: 12/03/1998 Nơi sinh: TP Hồ Chí Minh Chuyên ngành: Kỹ Thuật Xây Dựng Mã số: I 2170823 8580201 TÊN ĐỀ TÀI Xác định hư hỏng kết cấu khung không gian sử dụng phương pháp lượng biến dạng kết hợp với mạng nơ-ron tích chập (Damage identification in space frames using modal strain energy method combining with convolutional neural network) II NHIỆM VỤ VÀ NỘI DUNG Tìm hiểu phương pháp chẩn đốn hư hỏng kết cấu dựa phân tích dao động, tḥt tốn học máy ngơn ngữ Python Lập trình ngơn ngữ Python để xây dựng phân tích dao động tự cho kết cấu khung không gian phương pháp PTHH, xây dựng mơ hình mạng nơ-ron tích chập (CNNs) chẩn đoán hư hỏng khung Chẩn đoán sự xuất hiện, vị trí độ lớn hư hỏng khung sử dụng phương pháp lượng biến dạng mạng CNNs Chẩn đốn sự xuất hiện, vị trí độ lớn hư hỏng khung sử dụng phương pháp lượng biến dạng mạng CNNs cho hư hỏng cục cấu kiện Kiểm chứng chứng kết thu với kết cơng bố trước Thực tốn mở rộng áp dụng phương pháp đề xuất việc chẩn đoán liên tục chẩn đoán sự thay đổi độ cứng kết cấu thi công III NGÀY GIAO NHIỆM VỤ 20/02/2022 IV NGÀY HOÀN THÀNH NHIỆM VỤ 26/12/2022 V CÁN BỘ HƯỚNG DẪN PGS TS Hồ Đức Duy TS Nguyễn Khắc Duy Thành phố Hồ Chí Minh, ngày … tháng … năm ……… CÁN BỘ HƯỚNG DẪN PGS TS Hồ Đức Duy CHỦ NHIỆM BỘ MÔN ĐÀO TẠO TS Nguyễn Khắc Duy PGS TS Ngô Hữu Cường TRƯỞNG KHOA KỸ THUẬT XÂY DỰNG ii LỜI CẢM ƠN Trong thời gian học tập trường Đại học Bách Khoa – ĐHQG TP HCM, quý Thầy Cô truyền đạt nhiều kiến thức kinh nghiệm, thật sự trân trọng quãng thời gian Trong trình thực luận văn này, nhận nhiều sự hỡ trợ từ phía nhà trường thầy cô, muốn thông qua để gửi lời cảm ơn sâu sắc đến: Ban Giám hiệu nhà trường, quý Thầy Cô Trường Đại học Bách Khoa – ĐHQG TP.HCM quý Thầy Cô khoa Kỹ thuật Xây Dựng, những cánh chim đầu đàn dẫn dắt đường học tập, nghiên cứu Thầy Hồ Đức Duy Thầy Nguyễn Khắc Duy Tôi muốn gửi lời cảm ơn sâu sắc tới hai Thầy truyền cảm hứng cho từ bắt đầu nghiên cứu sự nhiệt tình tận tâm Từ lúc bắt đầu nghiên cứu, những kiến thức, những kinh nghiệm kịp thời từ hai Thầy giúp tơi tháo gỡ từng khó khăn, lắng nghe những đề xuất phát triển nghiên cứu định hướng cho những bước đường Các thành viên BK.SHM.Lab, những người giúp đỡ từ những ngày đầu làm quen với môi trường nghiên cứu Nhờ những chia sẻ chun mơn giúp cho tơi tiến nhanh trình nghiên cứu Đồng thời, gia đình, bạn bè đồng nhiệp, tơi xin gửi lời cảm ơn chân thành đến họ, tạo điều kiện tốt, động viên mặt tinh thần vật chất giúp tơi hồn thành ḷn văn Lời cuối, tơi xin gửi lời chúc sức khỏe thành đạt tới quý Thầy Cơ, gia đình, bạn bè Trong q trình làm ḷn văn khơng thể tránh khỏi những thiếu sót, tơi mong nhận góp ý quý báu từ Thầy Cô bạn Tôi xin chân thành cảm ơn Thành phố Hồ Chí Minh, ngày 26 tháng 12 năm 2022 Đinh Duy Vũ iii TÓM TẮT Theo dõi sức khỏe kết cấu (SHM) lĩnh vực trọng để đánh giá tình trạng sức khỏe kết cấu Kết cấu khung không gian sử dụng rộng rãi suốt vòng đời, kết cấu bị hư hỏng vật liệu xuống cấp, ăn mòn hay chịu tải giới hạn Một số nghiên cứu trước thực chẩn đoán hư hỏng cho loại kết cấu sử dụng thông số động lực học tḥt tốn tối ưu có khả tự tìm tòi Mặc dù phương pháp đạt độ xác cao việc xác định vị trí mức độ hư hỏng, q trình tối ưu hóa công việc tiêu tốn thời gian lớn điều ảnh hưởng đến hiệu suất việc theo dõi kết cấu thời gian thực Mục tiêu nghiên cứu phát triển phương pháp xác định hư hỏng vị trí mức độ hư hỏng khung khơng gian cách xác đáng tin cậy, đồng thời có khả thực việc chẩn đoán thời gian thực Mục tiêu nghiên cứu đạt cách sử dụng kỹ thuật học sâu thông số dao động Nghiên cứu đề xuất sử dụng mạng nơ-ron tích chập (CNNs) kết hợp với lượng biến dạng để xác định sự diện, vị trí mức độ hư hỏng khung không gian thời gian thực Năng lượng biến dạng biết đến thơng số dao động có độ nhạy cao với hư hỏng đó, lượng biến dạng dùng thông số hư hỏng SHM CNNs, tḥt tốn có khả tự học, lưu trữ đưa những dự đoán gần tức thì, có lớp tích chập bao gồm lọc nhằm phân tách đặc trưng dữ liệu đầu Sáu dữ liệu đầu vào khảo sát để đánh giá mức độ hiệu phương pháp đề xuất Ba dữ liệu xem xét ba số lượng biến dạng, MSE (Modal Strain Energy), MSEC (Modal Strain Energy Change) MSECR (Modal Strain Energy Change Ratio) Trong đó, ba dữ liệu lại kết hợp từng số với tần suất tự nhiên Phương pháp đề xuất áp dụng vào hai khung không gian khác công bố nghiên cứu trước Một khung khơng gian bốn tầng với kích thước phịng thí nghiệm sử dụng để chẩn đốn hư hỏng toán khảo sát thứ Tiếp theo, toán khảo sát thứ hai thực chẩn đoán hư hỏng cục vùng hư hỏng khung khơng gian có kích thước giống với thực tế Kết ứng với sáu dữ liệu đầu vào khác cho thấy chúng có khả chẩn đốn, xuất vị trí mức độ hư hỏng kết cấu Kết cho thấy dữ liệu MSEC đưa chẩn đoán tốt nhất, theo sau dữ liệu MSECR MSE Dựa kết quả, tần số dao động tự nhiên thêm vào dữ liệu đầu vào cải thiện dữ liệu MSE, không ảnh hưởng đến dữ liệu MSECR làm giảm độ xác dữ liệu MSEC Thêm vào đó, phương pháp đề xuất xử lí dữ liệu với thời gian tính tốn tối ưu, phù hợp với việc theo dõi thời gian thực iv Ngoài ra, khả phương pháp đề xuất chuẩn đoán liên tục xác định sự thay đổi độ cứng thi công khảo sát đến hai toán mở rộng Kết từ toán mở rộng cho thấy phương pháp đề xuất chẩn đốn gần lập tức, với độ trễ cực kỳ thấp giữa lần chẩn đoán liên tiếp, đồng nghĩa phương pháp cho phép phân tích thời gian thực Kết thứ hai cho thấy khả chẩn đoán sự thay đổi độ cứng (nói cách khác tăng hoặc giảm) trong khung không gian nêu trên, coi có tiềm lớn việc cập nhật mơ hình nhằm cải thiện mơ hình phần tử hữu hạn tương đồng với kết cấu thực tế v ABSTRACT Structural health monitoring (SHM) is a growing field of evaluating structural health states 3D frame structures are the most common type of structure today, and over their life spans, they could experience damage due to material degradation, corrosion, or overloading There have been some studies on damage detection for this type of structure using modal information and heuristic optimization techniques Although these methods have achieved high precision in identifying locations and extents of damage, optimization process is a time-consuming task and this affects their performance for real-time monitoring The aim of this study is to develop a damage identification method that can localize and quantify damage in 3D frame structures accurately and reliably, and with capability to perform in real-time The aim of this study can be achieved by using deep learning techniques and vibration parameters This study proposes to use convolutional neural networks (CNNs) and modal strain energy to examine the presence, location, and extent of damage in 3D frames in real-time Modal strain energy is well-known as a vibration parameter with high sensitivity to damage, and therefore, it can be utilized as a damage index in SHM CNNs, as a technique with the ability to self-learn and store and make predictions almost instantaneously, have a convolutional layer as a filter to feature input data Six input datasets were surveyed to evaluate the performance of the proposed method The first three data sets respectively consider three modal strain energy indices, MSE (Modal Strain Energy), MSEC (Modal Strain Energy Change), and MSECR (Modal Strain Energy Change Ratio) Meanwhile, the other three data sets combine these indices individually with natural frequency The proposed method is applied to two problems with different frames that have been published in previous studies A laboratory-scaled 4-story 3D frame is used in the first problem to verify the proposed method in identifying damaged regions Then, the second problem is to determine local damaged areas on the damaged bar components of another 3D frame with a comparable scale to reality The results for six different input data sets show that they are all capable of Identifying locations and extents of damage in the structures Results show that the datasets with MSEC give the best predictions, followed by MSECR datasets and MSE datasets, respectively According to the output, including natural frequencies gives a positive result for the MSE dataset, has no effect on the MSECR dataset, and negatively influences the output of the MSE dataset Also, the proposed method can interpret the data with optimal computational cost, which is suitable for real-time monitoring In addition, the capacity of the proposed method for continuous detection of damage and identification of stiffness variations due to construction uncertainties, vi respectively, is also examined in two extended problems Results from the first extended work revealed that the method can detect damage almost immediately, with extremely little delay between consecutive measures, meaning the method enables real-time analysis Results from the second extended problem show the ability to detect the change of stiffness (i.e., increase or decrease) in one of the above frames, which is found to have great potential to be applied in model updating to improve the finite element model in comparison with its corresponding real structure vii LỜI CAM ĐOAN Tôi xin cam đoan ḷn văn tơi thực sự hướng dẫn PGS TS Hồ Đức Duy TS Nguyễn Khắc Duy Các kết luận văn sự thật chưa công bố nghiên cứu khác Tôi xin chịu trách nhiệm công việc thực TP.HCM, ngày 26 tháng 12 năm 2022 Đinh Duy Vũ viii MỤC LỤC LỜI CẢM ƠN ii TÓM TẮT iii ABSTRACT v LỜI CAM ĐOAN vii MỤC LỤC viii DANH MỤC BẢNG BIỂU xiii DANH MỤC HÌNH ẢNH xvi DANH MỤC CÁC CHỮ VIẾT TẮT xx DANH MỤC CÁC KÝ HIỆU .xxii CHƯƠNG GIỚI THIỆU 1.1 Đặt vấn đề 1.2 Mục tiêu nội dung nghiên cứu 1.2.1 Mục tiêu nghiên cứu 1.2.2 Nội dung nghiên cứu 1.3 Đối tuợng phạm vi nghiên cứu 1.3.1 Đối tượng nghiên cứu 1.3.2 Phạm vi nghiên cứu 1.4 Tính cần thiết ý nghĩa thực tiễn nghiên cứu 1.5 Cấu trúc luận văn CHƯƠNG TỔNG QUAN 2.1 Tình hình nghiên cứu nước 2.2 Tình hình nghiên cứu nước 15 2.3 Tổng kết 17 CHƯƠNG CƠ SỞ LÝ THUYẾT 18 3.1 Phân tích dao động tự không cản 18 3.1.1 Tóm tắt lý thuyết phân tích dao động tự 18 3.1.2 Ma trận độ cứng phần tử khơng gian 19 Các tốn khảo sát 106 kết cấu khung không gian Nhờ vào kết chẩn đoán sự thay đổi độ cứng, mơ hình phần tự hữu hạn cập nhật để có kết cấu gần với thực tế Từ đó, xây dựng mơ hình chẩn đốn dựa kết cấu cập nhật 4.5.6 So sánh phương pháp đề xuất phương pháp theo nghiên cứu trước Trong nghiên cứu Lê (2017) [29], phương pháp chẩn đoán chia làm hai bước, bước đầu chẩn đốn phần tử có khả hư hỏng, bước sau xác định mức độ hư hỏng Bài toán sử dụng tiêu tương tự Lê (2017) [29] để đánh giá có khả hư hỏng 4.5.6.1 Chỉ tiêu MSECR Giá trị MSECR phần tử thứ j giá trị MSECR lớn giữa phần tử dạng dao động thứ i, sau: MSECRij = MSEijd − MSEijh MSEijh MSECRimax = max MSECRik  k (4.1) (4.2) Giá trị MSECR phần tử thứ j tính trung bình m dạng dao động sau chuẩn hóa với giá trị lớn từng dạng dao động, biểu thức sau: m MSECRij MSECR j =   m i =1 MSECRimax (4.3) Trong đó, MSEijh MSEijd lượng biến dạng phần tử thứ j dạng dao động thứ i tương ứng với trạng thái không hư hỏng trạng thái hư hỏng cần chẩn đoán; m số dạng dao động dùng cho tính tốn Chỉ tiêu MSECR xét đến 10 dạng dao động toán mở rộng với kịch kịch trình bày Hình 4.55 Hình 4.56 Các tốn khảo sát 107 0.5 m=7 0.45 m=8 m=9 m = 10 0.4 MSECR 0.35 0.3 0.25 0.2 0.15 0.1 0.05 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 Phần tử Hình 4.55 Chỉ tiêu MSECR xét đến 10 dạng dao động kịch 0.5 m=7 0.45 m=8 m=9 m = 10 0.4 MSECR 0.35 0.3 0.25 0.2 0.15 0.1 0.05 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 Phần tử Hình 4.56 Chỉ tiêu MSECR xét đến 10 dạng dao động kịch Nhận xét: Kết thu từ hai kịch hư hỏng cho thấy tiêu MSECR cho giá trị lớn “0” toàn phần tử Do đó, số khơng hiệu giảm số lượng biến cho hàm mục tiêu 4.5.6.2 Chỉ tiêu MSEBI Tổng lượng biến dạng dạng dao động thứ i: n MSEi =  MSEij (4.4) j =1 Trong tính tốn, giá trị lượng biến dạng phần tử nên chuẩn hóa so với giá trị tổng lượng biến dạng tương ứng với mỗi dạng dao động xét đến: Các toán khảo sát 108 norMSE j = MSEij (4.5) MSEi Giá trị trung bình biểu thức (3.31) lấy m dạng dao động đầu tiên: norMSE j = m  norMSE j m i =0 (4.6) Giá trị biểu thức phần tử tương ứng với trạng thái không hư hỏng trạng h d thái hư hỏng cần chẩn đoán ký hiệu norMSE j norMSE j , biểu thức tiêu MSEBI sau:  norMSE dj − nor MSE hj  MSEBI j = max 0;  h nor MSE j   (4.7) Biểu thức thể những phần tử không hư hỏng cho giá trị MSEBI “0” những xảy hư hỏng cho giá trị MSEBI lớn “0” Trong biểu thức trên: m, n số dạng dao động dùng phân tích tính tốn số phần tử kết cấu; i, j ký hiệu cho dạng dao động thứ i phần tử thứ j Chỉ tiêu MSEBI xét đến 10 dạng dao động toán mở rộng với kịch kịch trình bày Hình 4.57 Hình 4.58 0.1 m=7 0.09 m=8 m=9 m = 10 0.08 MSEBI 0.07 0.06 0.05 0.04 0.03 0.02 0.01 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 Phần tử Hình 4.57 Chỉ tiêu MSEBI xét đến 10 dạng dao động kịch Các toán khảo sát 109 0.1 m=7 0.09 m=8 m=9 m = 10 0.08 MSEBI 0.07 0.06 0.05 0.04 0.03 0.02 0.01 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 Phần tử Hình 4.58 Chỉ tiêu MSEBI xét đến 10 dạng dao động kịch Nhận xét: Với kịch 1, phần tử 2, 4, 27, 31 (các có độ cứng tăng) cho giá trị 0, đồng nghĩa với việc không xét đến thay đổi độ cứng Tương tự kịch 2, phần tử có độ cứng tăng, 8, 13, 30 cho giá trị Cả hai kịch bản, tiêu MSEBI khơng cho giá trị có độ thay đổi độ cứng lớn không (tăng độ cứng) Như vậy, tiêu MSEBI chẩn đoán thiếu có khả thay đổi độ cứng theo hướng tăng độ cứng 4.5.6.3 Chỉ tiêu MSEEI Trong nghiên cứu này, tiêu MSEEI sử dụng tiêu xác định vị trí hư hỏng xảy kết cấu Biểu thức tính tốn tiêu MSEEI sau:  MSE d − MSE h  MSE d  j j j MSEEI j = max 0; d MSE j        (4.8) Trong đó, MSE hj MSE dj tổng lượng biến dạng phần tử thứ j lấy m dạng dao động đầu tiên, biểu thức tính sau: MSE hj =  ihT   K j   ih     (4.9)     (4.10) m i =1 m MSE dj =  idT   K j   id i =1 Trong đó, m số dạng dao động kể đến phân tích tính tốn Các toán khảo sát 110 Tương tự tiêu MSEBI, biểu thức thể những phần tử không hư hỏng cho giá trị MSEEI “0” những xảy hư hỏng cho giá trị MSEEI lớn “0” Chỉ tiêu MSEEI xét đến 10 dạng dao động toán mở rộng với kịch kịch trình bày Hình 4.59 Hình 4.60 0.05 m=7 0.045 m=8 m=9 m = 10 0.04 MSEEI 0.035 0.03 0.025 0.02 0.015 0.01 0.005 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 Phần tử Hình 4.59 Chỉ tiêu MSEEI xét đến 10 dạng dao động kịch 0.05 m=7 0.045 m=8 m=9 m = 10 0.04 MSEEI 0.035 0.03 0.025 0.02 0.015 0.01 0.005 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 Phần tử Hình 4.60 Chỉ tiêu MSEEI xét đến 10 dạng dao động kịch Nhận xét: Với kịch 1, phần tử 2, 4, 27, 31 (các có độ cứng tăng) cho giá trị 0, đồng nghĩa với việc không xét đến thay đổi độ cứng Tương tự kịch 2, phần tử có độ cứng tăng, 8, 13, 30 cho giá trị Cả hai kịch bản, tiêu MSEEI không cho giá trị có độ thay đổi độ cứng lớn không (tăng độ cứng) Như vậy, tiêu MSEEI chẩn đốn thiếu có khả thay đổi độ cứng theo hướng tăng độ cứng Các toán khảo sát 111 4.5.6.4 Nhận xét Phương pháp nghiên cứu Lê (2017) [29] không hiệu toán này, kết bước chẩn đốn vị trí có khả thay đổi độ cứng không hiệu (do tất cho giá trị tiêu MSECR) hoặc chẩn đoán thiếu vị trí hư hỏng có sự tăng độ cứng (chỉ tiêu MSEBI, MSEEI) Do đó, độ tin cậy phương pháp di truyền bước đề xuất Lê (2017) [29] không đảm bảo kết Phương pháp đề xuất giải chẩn đốn độ thay đổi độ cứng thi cơng kết cấu khung không gian Kết luận kiến nghị 112 CHƯƠNG KẾT LUẬN VÀ KIẾN NGHỊ 5.1 Kết luận Trong nghiên cứu này, phương pháp chẩn đoán hư hỏng kết cấu khung không gian sử dụng phương pháp lượng biến dạng kết mạng nơ-ron tích chập chẩn đốn vị trí chẩn đốn mức độ hư hỏng kiến nghị áp dụng thành công Các nội dung nghiên cứu thực hiện: (i) Xây dựng tḥt tốn ngơn ngữ Python để giải tốn trị riêng tìm tần số dao động riêng dạng dao động kết cấu khung không gian; (ii) Xây dựng phương pháp xác định sự diện, vị trí độ lớn hư hỏng dựa mạng nơ-ron tích chập kết hợp với dữ liệu đầu vào số lượng biến dạng Phương pháp thực thông qua bước; (iii) Áp dụng phương pháp đề xuất vào tốn cơng bố quốc tế tác giả Cha Buyukozturk (2015) [14] Kết từ phương pháp đề kiểm chứng với nghiên cứu Cha Buyukozturk (2015) [14] Lê (2017) [29]; (iv) Áp dụng phương pháp đề xuất vào tốn cơng bố quốc tế tác giả Lê (2017) [29] gồm chẩn đoán hư hỏng cấu kiện khung không gian cục khu vực hư hỏng Kết từ phương pháp đề kiểm chứng với nghiên cứu Lê (2017) [29]; (v) Áp dụng phương pháp đề xuất vào tốn cơng bố quốc tế tác giả Cha Buyukozturk (2015) [14] để khảo sát khả chẩn đoán liên tục Kết khảo sát từ phương pháp đề phân tích, đánh giá so sánh với phương pháp nghiên cứu Lê (2017) [29]; (vi) Áp dụng phương pháp đề xuất vào toán công bố quốc tế tác giả Cha Buyukozturk (2015) [14] để khảo sát khả xác định sự thay đổi độ cứng phần tử kết cấu so với thiết kế ban đầu phương pháp đề xuất Kết khảo sát từ phương pháp đề phân tích, đánh giá so sánh với phương pháp nghiên cứu Lê (2017) [29]; Từ những kết trình bày tốn khảo sát toán mở rộng, kết luận sau rút ra: (i) Phương pháp đề xuất hiệu sự diện, vị trí mức độ hư hỏng với thời gian chẩn đoán gần lập tức; (ii) Phương pháp đề xuất cho kết chẩn đốn xác việc chẩn đốn hư hỏng tổng thể cục vùng hư hỏng khung không gian; Kết luận kiến nghị 113 (iii) Các dữ liệu đầu vào khác cho kết chẩn đoán khác Các dữ liệu phân loại theo hai tiêu chí: • Giữa dữ liệu có khơng bao gồm dữ liệu tần số: Kết chẩn đoán hư hỏng từ dữ liệu chưa MSE cải thiện đáng kể bao gồm thêm tần số, dữ liệu MSECR không cho thấy ảnh hưởng rõ ràng tác động tần số, dữ liệu MSEC cho thấy kết giảm độ xác kể đến tần số; • Giữa dữ liệu lượng biến dạng khác (gồm MSE, MSEC, MSECR), dữ liệu có MSEC hiệu nhất, theo sau dữ liệu chứa MSECR, MSECR cho kết hiệu dữ liệu chứa MSE; (iv) Từ kết thu hai toán khảo sát, dữ liệu (MSEC) cho kết qua tốt nhất, (fC-MSEC), (fCR MSECR), (MSECR), (f MSE) thấp (MSE); (v) Khác với phương pháp Cha Buyukozturk (2015) [14] Lê (2017) [29] sử dụng thuật toán di truyền với hàm mục tiêu thiết lập để xác định mối quan hệ vật lý giữa lượng biến dạng độ giảm độ cứng kết cấu, phương pháp đề xuất sử dụng mạng nơ-ron tích chập khơng cần xây dựng hay xác định đến mối quan hệ nêu trên, mạng CNNs cần dữ liệu sử dụng dữ liệu đầu vào đầu tương ứng mà không cần phải xác định mối quan hệ vật lý nào; (vi) Kết chẩn đoán hai toán khảo sát cho thấy phương pháp đề xuất chẩn đoán mức độ hư hỏng tốt kết từ phương pháp di truyền bước Cha Buyukozturk (2015) [14] độ lớn hư hỏng chưa xác phương pháp di truyền hai bước Lê (2017) [29] Tuy nhiên, phương pháp đề xuất cho thời gian gần tức thời chẩn đoán vượt trội phương pháp Lê (2017) [29] nhờ khả lưu trữ mạng nơ-ron, phù hợp với việc theo dõi sức khỏe kết cấu theo thời gian thực Ngoài ra, việc thời gian chẩn đoán ngắn đồng nghĩa với việc tiêu tốn tài ngun máy tính việc chẩn đốn; (vii) Phương pháp đề xuất chẩn đoán sự thay khác biệt độ cứng phần tử kết cấu sau thi cơng, từ đóng góp vào việc cập nhật mơ hình phần tử hữu hạn nhằm cho kết cấu PTHH tương đương với thực tế Trong đó, phương pháp Lê (2017) [29] khơng thể chẩn đốn hay chẩn đốn thiếu vị trí có khả hư hỏng; (viii) Nghiên cứu thực chủ động việc thiết kế mạng CNNs ngôn ngữ lập trình Python để chẩn đốn vị trí mức độ hư hỏng khung không gian sử dụng dữ liệu lượng biến dạng trường hợp hư hỏng Bằng Kết luận kiến nghị 114 cách chủ động việc thiết lập tḥt tốn trình tối ưu, nên việc chẩn đoán mức độ cho kết xác cao 5.2 Kiến nghị Phương pháp đề xuất chứng tỏ độ tin cậy cao phân tích xác định hư hỏng kết cấu Tuy nhiên, tồn số hạn chế định trở thành chủ đề nghiên cứu tương lai: (i) Nghiên cứu lý thuyết PTHH, lý thuyết dao động để cải tiến thông số động lực học sát với thực tế lý thuyết ma trận độ cứng Timoshenko, ma trận khối lượng tập trung; (ii) Nghiên cứu, phân tích đánh giá ảnh hưởng nhiễu đến kết chẩn đoán ảnh hưởng yếu tố khác nhiệt độ, độ ẩm…; (iii) Nghiên cứu giảm số lượng dạng dao động cần xét chẩn đoán; (iv) Nghiên cứu mối quan hệ giữa hư hỏng cục với hư hỏng tổng thể từ sự thay đổi độ cứng phương pháp lượng biến dạng; (v) Nghiên cứu phương pháp xác định hư hỏng trường hợp thiếu dữ liệu đầu vào bậc tự do; (vi) Xây dựng phương pháp hay quy trình chẩn đốn hư hỏng kết cấu kết hợp giữa phương pháp đề xuất với phương pháp sử dụng thuật toán tối ưu (như phương pháp sử dụng thuật toán di truyền) để tối ưu điểm mạnh từng phương pháp Công bố khoa học 115 DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC Tạp chí nước M N Phạm, C T Nguyễn, T C Lê, D V Đinh, B T Lê, Đ D Hồ "Chẩn đoán vùng nứt dầm bê tông cốt thép tác dụng tải trọng sử dụng phương pháp lượng biến dạng kết hợp với mơ hình ma trận nhầm lẫn,” Tạp chí Khoa học Công nghệ Việt Nam - Được chấp nhận đăng, ISBN/ISSN: 1859-4794, 2022 Tài liệu tham khảo 116 TÀI LIỆU THAM KHẢO [1] S W Doebling, C R Farrar, and M B Prime, “A summary review of vibration-based damage identification methods,” Shock and Vibration Digest, vol 30, no 2, pp 91–105, 1998, doi: 10.1177/058310249803000201 [2] P Seventekidis and D Giagopoulos, “A combined finite element and hierarchical Deep learning approach for structural health monitoring: Test on a pin-joint composite truss structure,” Mechanical Systems and Signal Processing, vol 157, p 107735, 2021, doi: 10.1016/j.ymssp.2021.107735 [3] N Stubbs, J T Kim, and C R Farrar, “Field verification of a non destructive damage localization and sensitivity estimator algorithm,” in Proceedings of the Thirteenth International Modal Analysis Conference, IMAC XIII, 1995, vol 182, pp 210–218 [4] C J Carrasco, R A Osegueda, C M Ferregut, and M Grygier, “Damage localization in a space truss model using modal strain energy,” in Proceedings of the Thirteenth International Modal Analysis Conference, IMAC XIII, 1997, vol 2, pp 1786–1792 [5] Z Y Shi, S S Law, and L M Zhang, “Structural damage localization from modal strain energy change,” Journal of Sound and Vibration, vol 218, no 5, pp 825–844, 1998, doi: 10.1006/jsvi.1998.1878 [6] Z Y Shi, S S Law, and L M Zhang, “Structural damage detection from modal strain energy change,” Journal of Engineering Mechanics, vol 126, no 12, pp 1216–1223, 2000, doi: 10.1061/(asce)0733-9399(2000)126:12(1216) [7] Z Y Shi, S S Law, and L M Zhang, “Improved Damage Quantification from Elemental Modal Strain Energy Change,” Journal of Engineering Mechanics, vol 128, no 5, pp 521–529, 2002, doi: 10.1061/(asce)07339399(2002)128:5(521) [8] E Sazonov and P Klinkhachorn, “Optimal spatial sampling interval for damage detection by curvature or strain energy mode shapes,” Journal of Sound and Vibration, vol 285, no 4–5, pp 783–801, Aug 2005, doi: 10.1016/j.jsv.2004.08.021 [9] T Y Hsu and C H Loh, “Discussion on damage detection of a 3-D frame structure using modal strain energy change,” in Proceeding of the Twentyfourth International Modal Analysis Conference, IMAC XXIV, 2006 [10] T.-Y Hsu and C.-H Loh, “Damage diagnosis of frame structures using modified modal strain energy change method,” Journal of Engineering Mechanics, vol 134, no 11, pp 1000–1012, Nov 2008, doi: 10.1061/(ASCE)0733-9399(2008)134:11(1000) [11] S M Seyedpoor, “A two stage method for structural damage detection using a Tài liệu tham khảo 117 modal strain energy based index and particle swarm optimization,” International Journal of Non-Linear Mechanics, vol 47, no 1, pp 1–8, Jan 2012, doi: 10.1016/j.ijnonlinmec.2011.07.011 [12] H Y Guo and Z L Li, “Structural multi-damage identification based on modal strain energy equivalence index method,” International Journal of Structural Stability and Dynamics, vol 14, no 07, p 1450028, Oct 2014, doi: 10.1142/S021945541450028X [13] H Liu, W L Qu, and R Z Yuan, “Structural damage detection method based on modal strain energy dissipation ratio theory,” Gongcheng Lixue/Engineering Mechanics, vol 21, no 5, 2004 [14] Y.-J Cha and O Buyukozturk, “Structural damage detection using modal strain energy and hybrid multiobjective optimization,” Computer‐Aided Civil and Infrastructure Engineering, vol 30, no 5, pp 347–358, May 2015, doi: 10.1111/mice.12122 [15] P Moradipour, T H T Chan, and C Gallag, “An improved modal strain energy method for structural damage detection, 2D simulation,” Structural Engineering and Mechanics, vol 54, no 1, pp 105–119, Apr 2015, doi: 10.12989/sem.2015.54.1.105 [16] H Khodabandehlou, G Pekcan, and M S Fadali, “Vibration‐based structural condition assessment using convolution neural networks,” Structural Control and Health Monitoring, vol 26, no 2, p e2308, Dec 2018, doi: 10.1002/stc.2308 [17] S Khatir, M Abdel Wahab, D Boutchicha, and T Khatir, “Structural health monitoring using modal strain energy damage indicator coupled with teachinglearning-based optimization algorithm and isogoemetric analysis,” Journal of Sound and Vibration, vol 448, pp 230–246, May 2019, doi: 10.1016/j.jsv.2019.02.017 [18] Y Yu, C Wang, X Gu, and J Li, “A novel deep learning-based method for damage identification of smart building structures,” Structural Health Monitoring, vol 18, no 1, pp 143–163, Jan 2019, doi: 10.1177/1475921718804132 [19] Y M Wu and B Samali, “Shake table testing of a base isolated model,” Engineering Structures, vol 24, no 9, pp 1203–1215, Sep 2002, doi: 10.1016/S0141-0296(02)00054-8 [20] S Teng, G Chen, G Liu, and J Lv, “Modal strain energy-based structural damage detection using convolutional neural networks,” Applied Sciences, vol 9, no 16, p 3376, Aug 2019 [21] Z X Tan, D P Thambiratnam, T H T Chan, M Gordan, and H Abdul Razak, “Damage detection in steel-concrete composite bridge using vibration characteristics and artificial neural network,” Structure and Infrastructure Tài liệu tham khảo 118 Engineering, vol 16, no 9, 10.1080/15732479.2019.1696378 pp 1247–1261, Sep 2020, doi: [22] N Jayasundara, D P Thambiratnam, T H T Chan, and A Nguyen, “Damage detection and quantification in deck type arch bridges using vibration based methods and artificial neural networks,” Engineering Failure Analysis, vol 109, p 104265, 2020, doi: 10.1016/j.engfailanal.2019.104265 [23] Q Fan, “A two-step damage identification based on cross-model modal strain energy and simultaneous optimization,” in IOP Conference Series: Earth and Environmental Science, Jan 2021, vol 643, no 1, p 012145 doi: 10.1088/1755-1315/643/1/012145 [24] S M C M Randiligama, D P Thambiratnam, T H T Chan, and S Fawzia, “Damage assessment in hyperbolic cooling towers using mode shape curvature and artificial neural networks,” Engineering Failure Analysis, vol 129, p 105728, Nov 2021, doi: 10.1016/j.engfailanal.2021.105728 [25] F Sadeghi, Y Yu, X Zhu, and J Li, “Damage identification of steel-concrete composite beams based on modal strain energy changes through general regression neural network,” Engineering Structures, vol 244, p 112824, 2021, doi: 10.1016/j.engstruct.2021.112824 [26] X H Lê and T L H Nguyễn, “Phân tích chẩn đốn dầm đàn hồi có nhiều vết nứt,” Tạp chí Phát triển Khoa Học Công Nghệ, vol 18, no 12, pp 37– 45, 2009 [27] V L Trần, T H Nguyễn, and V K Nguyễn, “Kiểm tra thực nghiệm phương pháp xác định vết nứt dầm chịu uốn phân tích wavelet chuyển vị tĩnh,” Tại chí Khoa Học Cơng Nghệ Xây dựng, vol 5, no 1, pp 17–25, 2011 [28] L T Cao, B V Sỹ, and H Đ Duy, “Chẩn đoán hư hỏng kết cấu sử dụng phương pháp lượng biến dạng kết hợp với tḥt tốn di truyền,” Tạp chí Khoa học Cơng nghệ Xây dựng (KHCNXD) - ĐHXD, vol 14, no 4V, pp 16–28, Sep 2020, doi: 10.31814/stce.nuce2020-14(4V)-02 [29] Q H Lê, “Chẩn đoán hư hỏng kết cấu khung sử dụng phương pháp lượng biến dạng kết hợp thuật toán di truyền,” Luận văn Thạc sĩ, Đại học Bách Khoa - Đại học Quốc Gia TP.HCM, Việt Nam, 2017 [30] C T Nguyễn, “Xác định trạng thái hư hỏng khung bê tông cốt thép dựa vào kết phân tích dao động,” Luận văn Thạc sĩ, Đại học Bách Khoa - Đại học Quốc Gia TP.HCM, Việt Nam, 2021 [31] M Paz and Y H Kim, Structural Dynamics: Theory and Computation, 6th Edition Springer International Publisher, 2019 [32] L R Barroso and R Rodriguez, “Damage detection utilizing the damage index method to a benchmark structure,” Journal of Engineering Mechanics, vol 130, no 2, pp 142–151, 2004, doi: 10.1061/(asce)0733- Tài liệu tham khảo 119 9399(2004)130:2(142) [33] E E W Van Houten, K D Paulsen, M I Miga, F E Kennedy, and J B Weaver, “An overlapping subzone technique for MR-based elastic property reconstruction,” Magnetic Resonance in Medicine: An Official Journal of the International Society for Magnetic Resonance in Medicine, vol 42, no 4, pp 779–786, 1999, doi: 10.1002/(SICI)1522-2594(199910)42:43.0.CO;2-Z [34] F L Wang, T H T Chan, D P Thambiratnam, A C C Tan, and C J L Cowled, “Correlation-based damage detection for complicated truss bridges using multi-layer genetic algorithm,” Advances in Structural Engineering, vol 15, no 5, pp 693–706, 2012, doi: 10.1260/1369-4332.15.5.693 [35] M M Tom, Machine learning New York: McGraw Hill, 1997 [36] K Seetharam, S Shrestha, and P P Sengupta, “Artificial intelligence in cardiac imaging,” US Cardiology Review, vol 13, no 2, pp 110–116, 2019, doi: 10.15420/usc.2019.19.2 [37] cs231n, “CS231n: Convolutional Neural Networks for Visual Recognition.” https://cs231n.github.io/, Dec 01, 2022 [38] “cs230.” https://github.com/cs230-stanford, Dec 01, 2022 [39] C Szegedy, S Ioffe, V Vanhoucke, and A A Alemi, “Inception-v4, inception-ResNet and the impact of residual connections on learning,” in Proceeding of the Thirty-first AAAI Conference on Artificial Intelligence, AAAI-17, 2017, pp 4278–4284 [40] “Deep Learning A-ZTM: Hands-On https://www.udemy.com/, Dec 01, 2022 Artificial Neural Networks.” [41] “A list of cost functions used in neural networks, alongside applications,” 2016 https://stats.stackexchange.com/questions/154879/a-list-of-cost-functionsused-in-neural-networks-alongside-applications, Jan 12, 2022 [42] M Nielsen, Neural Networks and Deep Learning 2019 [43] I Sutskever, J Martens, G Dahl, and G Hinton, “On the importance of initialization and momentum in deep learning,” Journal of Machine Learning Research (JMLR), vol 28, no 2010, pp 1139–1147, 2013 [44] D P Kingma and J L Ba, “Adam: A method for stochastic optimization,” in Proceedings of the Third International Conference on Learning Representations, ICLR 2015, 2015, pp 1–15 [45] S Raschka, “Activation Functions for Artificial Neural Networks,” 2016 https://sebastianraschka.com/faq/docs/activation-functions.html#activationfunctions-for-artificial-neural-networks, Dec 01, 2022 Lý lịch trích ngang 120 LÝ LỊCH TRÍCH NGANG Họ tên: ĐINH DUY VŨ Ngày, tháng, năm sinh: 12/03/1998 Nơi sinh: Thành phố Hồ Chí Minh Đia liên lạc: 72, Nguyễn Ngọc Lộc, phường 14, quận 10, thành phố Hồ Chí Minh Điện thoại di động: 032 565 2288 Email: dinhduyvu1203@gmail.com QUÁ TRÌNH ĐÀO TẠO 2016-2021: Kỹ sư xây dựng chuyên ngành Xây dưng dân dụng – công nghiệp hiệu lượng (chương trình Đào tạo Kỹ sư Chất lượng cao Việt – Pháp (PFIEV), khoá 2016), trường Đại học Bách khoa, Đại học Quốc gia thành phố Hồ Chí Minh 2021-2022: Thạc sĩ chun ngành Kỹ tḥt cơng trình xây dựng, trường Đại học Bách Khoa, Đại học Quốc gia thành phố Hồ Chí Minh