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

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.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.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.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.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.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.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.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.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.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.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.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.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.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.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.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.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.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.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.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.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.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.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.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.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 THƠNG VẬN TẢI Hồng Thanh Nam CHẨN ĐỐN 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 cơng trình giao thơng Mã số: 9580205 TÓM TẮT LUẬN ÁN TIẾN SĨ HÀ NỘI – 2023 Cơng trình hồn 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 Đơng Anh Phản biện 2: PGS TS Nguyễn Bình Hà Phản biện 3: TS Nguyễn Việt Khoa Luận án bảo vệ trước Hội đồng chấm luận án cấp Trường theo Quyết định Số 2089/QĐ-ĐHGTVT ngày 21 tháng năm 2023 họp tại: Trường Đại học Giao thông vận tải Vào hồi ngày tháng năm 20 Có thể tìm hiểu luận án thư viện: - Thư viện Trường Đại học Giao thông vận tải; - Thư viện Quốc Gia MỞ ĐẦU Mở đầu Chẩn đốn kết cấu cầu q trình phân tích thay đổi đặc trưng dao động tần số dạng dao động để phát hư hỏng, khuyết tật kết cấu dựa tích chất tương quan chặt chẽ đặc trưng vật lý học với đáp ứng động học động lực học kết cấu Trong lĩnh vực giám sát sức khỏe kết cấu cơng trình, với đặc điểm nguồn liệu lớn đo dài hạn theo thời gian, mơ hình học sâu khắc phục hạn chế phương pháp truyền thống để đánh giá, chẩn đốn giám sát tình trạng sở hạ tầng giao thơng Các mơ hình học sâu huấn luyện phát hiện, phân loại dự đốn xác vị trí, mức độ hư hỏng xảy với kết cấu Chính việc nghiên cứu, ứng dụng mơ hình học sâu để phát hư hỏng cơng trình hạ tầng giao thông cấp thiết bối cảnh Các phương pháp giúp cho việc phát hư hỏng thuận lợi, dễ dàng tiết kiệm chi phí Do vậy, nội dung nghiên cứu mình, nghiên cứu sinh tập trung sâu nghiên cứu: “Chẩn đoán kết cấu cầu dựa chuỗi liệu đo dao động theo thời gian kết hợp sử dụng mạng học sâu tích chập” làm chủ đề nghiên cứu luận án Mục tiêu nghiên cứu - Nghiên cứu toán chẩn đoán hư hỏng kết cấu cơng trình cầu dựa vào liệu động thu từ cảm biến - Đề xuất thuật tốn học sâu tích chập kết hợp để phát hư hỏng kết cấu - Thực tham khảo thí nghiệm đo dao động cơng trình cầu thực tế, sau áp dụng phương pháp đề xuất để chẩn đoán hư hỏng kết cấu 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 Đối tượng phạm vi nghiên cứu - Đặc trưng động học kết cấu cơng trình cầu; - Các phương pháp xử lý số liệu - Các phương pháp học sâu tích chập kết hợp; - Chẩn đốn vị trí hư hỏng kết cấu Ý nghĩa khoa học thực tiễn - Áp dụng phương pháp học sâu để chẩn đoán hư hỏng kết cấu, sử dụng hiệu cho dạng liệu theo thời gian (là sở để xây dựng công cụ để giám sát trực tuyết cơng trình) - Đề xuất phương pháp để cải thiện liệu, với thuật toán kết hợp đề xuất để cải thiện độ xác phương pháp học sâu - Tạo sở liệu cơng trình dạng hồ sơ lưu trữ giúp giám sát sức khoẻ cơng trình - Kết luận án sử dụng làm tài liệu tham khảo hữu ích cho lĩnh vực giám sát sức khoẻ cơng trình Nội dung kết cấu luận án Ngoài phần mở đầu, kết luận kiến nghị, luận án bao gồm 04 chương với nội dung phụ lục có kết cấu sau: Mở đầu: Chương - Tổng quan nghiên cứu chẩn đốn kết cấu cơng trình cầu dựa phương pháp đo nhận dạng dao động Chương - Cơ sở lý thuyết giám sát sức khoẻ kết cấu sử dụng liệu theo thời gian dựa đặc trưng động học Chương – Mạng học sâu truyền thống mạng học sâu tích chập ứng dụng chẩn đốn kết cấu cơng trình cầu Chương - Áp dụng mạng học sâu tích chập kết hợp phương pháp SAXMDWD để chẩn đốn hư hỏng cho mơ hình cầu Kết luận kiến nghị Phần Tài liệu tham khảo: Tổng hợp 133 tài liệu có liên quan đến vấn đề nội dung nghiên cứu đề cập đến luận án CHƯƠNG 1: TỔNG QUAN VỀ NGHIÊN CỨU CHẨN ĐỐN SỨC KHOẺ KẾT CẤU CƠNG TRÌNH CẦU DỰA TRÊN PHƯƠNG PHÁP ĐO NHẬN DẠNG DAO ĐỘNG 1.1 Tổng quan nghiên cứu chẩn đốn sức khoẻ kết cấu cơng trình cầu dựa phương pháp đo nhận dạng dao động 1.1.1 Giới thiệu chẩn đoán sức khoẻ kết cấu cơng trình cầu dựa phương pháp đo nhận dạng dao động Theo dõi sức khỏe đánh giá hiệu suất kết cấu cách chủ động cách sử dụng liệu đo thuật tốn giải thích liệu, để đánh giá xác tình trạng dự đốn tuổi thọ cịn lại cơng trình Ưu điểm phương pháp chúng cung cấp thông tin tổng thể tình trạng sức khỏe kết cấu để đánh giá trạng thái kết cấu, phép đo vị trí đủ để đánh giá tình trạng tồn kết cấu Vị trí đo khác với vị trí hư hỏng Các phương pháp dựa đặc trưng dao động kết cấu áp dụng không liên tục (triển khai tạm thời cảm biến) hệ thống thu nhận liên tục (nhúng cảm biến kết cấu) 1.1.2 Mục đích chẩn đốn sức khoẻ kết cấu dựa phương pháp đo nhận dạng dao động - Cung cấp thời gian thực giám sát, phân tích liên tục phát giảm khả chịu lực, hư hỏng mà không làm tổn hại đến kết cấu suốt q trình khai thác cơng trình - Đặc biệt hệ thống theo dõi ghi lại ứng xử kết cấu trường hợp đặc biệt (như có bão lũ, thiên tai cố tai nạn nghiêm trọng) mà phương pháp truyền thống khác giám sát 1.1.3 Sự phát triển phương pháp chẩn đoán sức khoẻ kết cấu dựa phương pháp đo nhận dạng dao động Gần đây, nhiều tiến thực ngành công nghệ khác nhau, bao gồm thiết bị đo cảm biến, thu nhận truyền tín hiệu, xử lý phân tích liệu mơ số Những tiến công nghệ cho phép thu thập phân tích thơng tin lịch sử cần thiết cơng trình Các chiến lược SHM tận dụng tiến công nghệ để đánh giá xác tình trạng cơng trình cách sử dụng liệu giám sát theo thời gian thực Hoạt động quan trắc bùng nổ mạnh thập kỷ gần đây, phát triển không ngừng lĩnh vực khoa học máy tính hệ thống theo dõi “thông minh” Thuật ngữ “thông minh” sau sử dụng để nhấn mạnh ý nghĩa hệ thống quan trắc thơng minh có độ bền, đáng tin cậy kinh tế Hiện với phát triển khoa học kỹ thuật việc quan trắc kết cấu cầu đứng trước hội lớn để phát triển dần hướng tới hệ thống “quan trắc thông minh” Trong phương pháp đánh giá sức khỏe kết cấu dựa kết thu thập nhận dạng phân tích số liệu dao động, có hướng nghiên cứu sau đây: - Hướng nghiên cứu thiết bị (cảm biến) đo dao động kết cấu xử lý (lọc nhiễu) – truyền dẫn kết đo máy tính; - Hướng nghiên cứu thuật tốn cập nhật mơ hình số hóa kết cấu (bằng cách thay đổi điều kiện biên, đặc trưng vật lý kết cấu) dựa đặc trưng dao động thực đo, từ xây dựng “bản số” kết cấu máy tính phù hợp với cơng trình thực tế - Hướng nghiên cứu dựa mơ hình kết cấu cập nhật xác định dự đốn vị trí hư hỏng (nếu có) dự đốn ứng xử kết cấu cơng trình Nhận xét thấy hướng nghiên cứu quan trọng có liên quan chặt chẽ với Hướng nghiên cứu thứ giải vấn đề độ xác việc thu thập số liệu đặc trưng dao động, hướng thứ hai thể cần thiết việc thu thập lưu trữ đủ thông tin liệu đặc trưng dao động, hướng nghiên cứu thứ ba thể u cầu xác việc tìm kiếm, phát hiện, đánh giá mức độ ảnh hưởng vị trí hư hỏng kết cấu, mục đích việc giám sát sức khỏe cơng trình cầu thơng qua việc thu thập, phân tích, đánh giá biến đổi tham số đặc trưng dao động 1.2 Các nghiên cứu giới chẩn đoán kết cấu dựa phương pháp đo nhận dạng dao động Messina cộng sử dụng mối tương quan thống kê thay đổi tần số dao động tự nhiên phân tích đo lường để ước tính vị trí kích thước hư hỏng Morassi áp dụng kỹ thuật nghịch đảo để khoanh vùng vết nứt khung thép thông qua thay đổi tần số dao động tự nhiên Morassi đề xuất phương pháp xác định vết nứt cho kết cấu dạng dựa thay đổi hư hỏng gây tần số dao động tự nhiên Tuy nhiên, thuật tốn nói phải điều chỉnh nhiều tham số trình tìm kiếm giải pháp tốt thơng qua lần lặp, nên thời gian sử dụng chúng cho vấn đề tối ưu hóa kết cấu có nhiều bậc tự Điều giảm hiệu sử dụng thuật toán tối ưu tiến hoá cho vấn đề tối ưu hóa kết cấu quy mơ lớn Bên cạnh thuật tốn tối ưu tiến hoá, ANN quan tâm sử dụng thành công cho lĩnh vực khác Yeung Smith sử dụng mạng nơ-ron không giám sát để nhận dạng mẫu với luồng liệu thu từ cảm biến lắp đặt Cầu Tsing Ma để liên tục kiểm tra hoạt động kết cấu Sau đó, Reda Taha Lucero giới thiệu phương pháp cách bổ sung số nhận dạng để điều chỉnh không chắn liên quan đến trạng thái hư hỏng dựa phương pháp – ANN Gia tốc thu từ cảm biến lắp đặt cầu phân tích cách sử dụng môđun mạng nơ-ron wavelet Kết rằng, phương pháp đề xuất xác định xác hư hỏng kết cấu.Tuy nhiên cịn nhiều sai sót xảy áp dụng phương pháp Những thập kỷ gần đây, ANN áp dụng rộng rãi nhiều lĩnh vực, nhiên, việc áp dụng thuật toán lan truyền ngược dựa kỹ thuật độ dốc xuống (Gradient Descent - GD), mạng bị mắc kẹt cực tiểu cục bộ, làm giảm độ xác hiệu ANN Một hạn chế khác thuật tốn ANN khơng sử dụng cho xử lý liệu hình ảnh có độ xác khơng cao trường hợp xử lý liệu lớn Phân tích cho thấy xuất nhu cầu hướng nghiên cứu cần thiết sử dụng phát triển cơng cụ mạnh mẽ với tính linh hoạt đa dạng cao để xử lý liệu lớn với dạng liệu khác nhau, đáp ứng yêu cầu theo dõi, kiểm soát trạng thái sức khỏe cơng trình có quy mơ lớn, kỹ thuật phức tạp cần bố trí số lượng thiết bị đo lớn 1.3 Các nghiên cứu Việt Nam chẩn đoán kết cấu dựa phương pháp đo nhận dạng dao động Ở Việt Nam, nghiên cứu chẩn đoán sức khoẻ kết cấu nhận quan tâm, ý nhà khoa học thập kỷ gần Các nghiên cứu phát hư hỏng kết cấu thực với nhiều loại kết cấu cầu đường, loại móng 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 số trụ cầu Kết cho thấy biến đổi Hilbert-Huang nhạy phương pháp biến đổi cũ chuyển đổi nhanh Fourier (Fast Fourier Transform - FFT), Wavelet Transform (WT) để phân biệt ứng xử dao động khác trụ cầu, giảm độ cứng trụ Nguyễn Hữu Thuấn cộng tiến hành đo thực nghiệm trường kết hợp với xây dựng FEM để giám sát sức khỏe cho cầu dây văng Mỹ Thuận Tần số dao động riêng hình thái dao động chọn làm hàm mục tiêu để giảm khác biệt kết tính tốn kết đo Nguyễn Trọng Nghĩa cộng đề xuất sử dụng phương pháp đồ thị để tính tốn lực căng dây cáp cầu dây văng Phú Mỹ Tuy nhiên nghiên cứu giám sát sức khỏe kết cấu nhận dang dao động thực Việt Nam chủ yếu phân tích xác định đặc trưng động học kết cấu tần số dao động riêng, hình thái dao động mà chưa hoàn toàn xác định giá trị thơng số bất định kết cấu thay đổi theo thời gian đặc trưng vật liệu (mơ đun đàn hồi ), hình dạng mặt cắt, điều kiện biên Ngoài ra, gần giới nghiên cứu sử dụng thuật toán tối ưu, hay phương pháp học máy áp dụng rộng rãi hiệu để giám sát sức khỏe cơng trình, nhiên Việt Nam, kỹ thuật cịn mới, chưa có nhiều nghiên cứu sử dụng thuật toán tối ưu, hay phương pháp học máy, mơ hình học sâu để phân tích liệu giám sát sức khỏe cơng trình Gần nhất, Hồ Khắc Hạnh áp dụng phương pháp ANN kết hợp với PSO để chuẩn đốn hư hỏng cho kết cấu cơng trình CHƯƠNG 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 liệu chuỗi thời gian (time series data) Trong toán học, liệu chuỗi thời gian định nghĩa chuỗi điểm liệu, đo theo khoảng khắc thời gian liền theo tần suất thời gian thống Dự đoán chuỗi thời gian việc sử dụng mơ hình để dự đốn kiện thời gian dựa vào kiện biết q khứ để từ dự đốn liệu trước xảy (dự đốn tương lai) Dữ liệu chuỗi thời gian có tính chất đặc trưng riêng, như: tính xu hướng, tính chu kỳ, tính ngẫu nhiên, tính dừng, tính nhiễu, tính không đồng 2.2 Dữ liệu chuỗi thời gian cho giám sát sức khỏe kết cấu Khoa học giám sát sức khỏe liên tục trực tuyến kết cấu dựa đặc trưng động học để đánh giá điều kiện vận hành kết cấu nhận quan tâm sâu sắc nhà khoa học quan quản lý [Error! Reference source not found.] Giám sát sức khoẻ kết cấu dựa dao động phân loại theo miền thời gian, miền tần số miền tần số - thời gian Trong phương pháp dựa miền thời gian, thơng qua việc sử dụng phân tích chuỗi liệu theo thời gian thu từ hệ thống cảm biến để đánh giá tình trạng sức khoẻ kết cấu chứng tỏ hiệu tiềm [Error! Reference source not found.] 2.3 Các loại liệu chuỗi thời gian Loại chất liệu chuỗi thời gian đóng vai trị bật phân tích chuỗi thời gian Từ xác định mơ hình chuỗi thời gian thích hợp nhất, mơ hình phải tương thích với liệu trích xuất tính nhạy cảm với hư hỏng (Damage-Sensitive Features – DSF) đáng tin cậy Trên sở này, phân tích 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 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 Gaussian  Chuỗi thời gian ổn định so với chuỗi thời gian khơng ổn định 2.4 Tính bất định liệu chuỗi thời gian giám sát sức khỏe kết cấu cầu 2.4.1 Phương trình dao động kết cấu Dao động kết cấu liên tục rời rạc hóa với số bậc tự - 𝑛 (degreeof-freedom-DOF) thể phương trình vi phân bậc hai (phương trình vi phân chuyển động tổng quát) thể phương trình 2.1: (2.1) 𝑀𝑥̈ (𝑡) + 𝐶𝑥̇ (𝑡) + C𝑥(𝑡) = p(𝑡) 2.4.2 Phân tích hình thái dao động Ma trận vng gồm 𝑁 hình thái dao động biểu diễn 𝚽 sau: 𝚽 = [𝜙1 𝜙2 𝜙3 𝜙11 𝜙21 𝜙 ⋯ 𝜙𝑁 ] = 31 𝜙41 ⋯ [𝜙𝑁1 𝜙12 𝜙22 𝜙32 𝜙42 ⋯ 𝜙𝑁2 ⋯ ⋯ ⋯ ⋯ ⋯ ⋯ 𝜙1𝑁 𝜙2𝑁 𝜙3𝑁 𝜙4𝑁 ⋯ 𝜙𝑁𝑁 ] (2.2) 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) phát triển cách nhân hai vế phương trình với ϕ𝑇 𝜙𝑛𝑇 𝑚𝛷𝑌̈(𝑡) + 𝜙𝑛𝑇 𝑐𝛷𝑌̇(𝑡) + 𝜙𝑛𝑇 𝑘𝛷𝑌(𝑡) = 𝜙𝑛𝑇 𝑝(𝑡) (2.3) Nếu phương trình Error! Reference source not found chia cho khối lượng tổ trình chuyển động dạng thức biểu diễn dạng thay thế: 𝑃𝑛 (𝑡) 𝑌𝑛̈ (𝑡) + 2𝜉𝑛 𝜔𝑛 𝑌𝑛̇ (𝑡) + 𝜔𝑛2 𝑌𝑛 (𝑡) = 𝑀 (2.4) 𝑛 2.4.4 Đặc trưng bất định, ngẫu nhiên chuỗi liệu theo thời gian giám sát sức khỏe kết cấu cầu Chuỗi liệu theo thời gian giám sát sức khỏe kết cấu cầu có số đặc trưng sau: Tính tương quan thời gian, động lực học, tính chất chu kỳ, tính nhiễu, tính dễ bị ảnh hưởng mơi trường Có hai loại đại lượng sai số đo, hệ thống ngẫu nhiên Sai số hệ thống (độ chệch đo) giá trị đại lượng đo có dịch chuyển Sai số ngẫu nhiên phép đo lặp lại thường cho giá trị đại lượng đo khác với giá trị trước Trong cơng tác đo đạc kết cấu cơng trình cầu, nói chung, có số thành phần đóng góp vào tính bất định kết đo dao động Theo đó, để cải thiện liệu thơ, 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) bước tiền xử lý liệu Đồng thời, để phân tích liệu lớn, NCS nghiên cứu áp dụng phương pháp học máy chẩn đoán kết cấu Các nội dung làm rõ phần luận án 2.5 Phương pháp xấp xỉ tổng hợp tượng trưng (Symbolic Aggregate approXimation – SAX) Phương pháp SAX phương pháp quan trọng lĩnh vực xử lý liệu chuỗi thời gian, đặc biệt việc giảm số chiều liệu giảm thiểu phức tạp tính tốn Với chuỗi liệu có độ dài n, biến đổi thành 𝑤 ký hiệu Q trình bao gồm việc chia liệu chuỗi thời gian thành w đoạn có kích thước cách sử dụng thuật toán Piecewise Aggregate Approximation (PAA) Giá trị trung bình đoạn thời gian, ký hiệu 𝑋‾ = ̅̅̅ 𝑋1 , ̅̅̅ 𝑋2 , … , ̅̅̅̅ 𝑋𝑤 , tính cách lấy trung bình đoạn thứ 𝑖 phương trình sau (2.5): 𝑛 ( )𝑖 𝑤 𝑋̅𝑖 = 𝑛 ∑𝑗𝑤   𝑋𝑗 (2.5) Nhãn 13 ô LSTM cuối làm phẳng đưa vào lớp kết nối hoàn chỉnh trước chuyển đến lớp đầu có hàm kích hoạt softmax để cung cấp kết xác định hư hỏng Thuật toán lai DL thực với trợ giúp mã nguồn mở Tensorflow CHƯƠNG 4: ÁP DỤNG MẠNG HỌC SÂU TÍCH CHẬP KẾT HỢP PHƯƠNG PHÁP SAX-MDWD ĐỂ CHẨN ĐỐN CÁC HƯ HỎNG CHO MƠ HÌNH CẦU 4.1 Áp dụng mạng học sâu tích chập kết hợp phương pháp SAX-MDWD để chẩn đốn hư hỏng cho mơ hình cầu thực tế 4.1.1 Giới thiệu mơ hình cầu Để đánh giá tính hiệu phương án đề xuất, NCS sử dụng thuật toán để xác định hư hỏng cầu Z24 sở liệu động thu theo thời gian Cầu Z24 (Hình 0.1) nằm bang Bern gần Solothurn Hình 0.1 Hình chiếu đứng hình chiếu cầu Z24 [Error! Reference source not found.] Bảng 4.1 Các trường hợp tạo hư hỏng nhãn tương ứng [Error! Reference source not found.] Ngày Tháng (Năm 1998) Trường hợp hư hỏng 04 tháng Xác lập điều kiện đầu (điều kiện chưa hỏng) tháng Lắp đặt thiết bị trụ 10 tháng Cắt, tạo khuyết tật trụ (20 mm) 14 10 11 12 13 14 15 12 tháng Cắt, tạo khuyết tật trụ (40 mm) 17 tháng Cắt, tạo khuyết tật trụ (80 mm) 18 tháng Cắt, tạo khuyết tật trụ (95 mm) 19 tháng Nâng trụ, tao độ nghiêng móng 20 tháng Xác lập trạng thái chưa hư hỏng 25 tháng Đập vỡ bê tông mặt cầu (12 m2) 26 tháng Đập vỡ bê tông mặt cầu (24 m2) 27 tháng Sạt lở m mố 31 tháng Tạo hư hỏng khớp nối 02 tháng Tạo hư hỏng đầu neo 03 tháng Tạo hư hỏng đầu neo 07 tháng Đứt số 16 cáp 08 tháng Đứt số 16 cáp Đối với trạng thái hư hỏng, thiết lập (setup) tiến hành để thu thấp liệu, thiết lập sử dụng 33 cảm biến (sensors), thiết lập cịn lại sử dụng 27 cảm biến, tổng cộng có 291 cảm biến đo để đo dao động trụ (chủ yếu theo phương dọc ngang cầu) dao động mặt cầu (a) (b) (c ) (d) (e) (f) 15 (g) (h) Hình 0.2 (a) – (h) Dữ liệu gia tốc theo thời gian sensors tương ứng với trường hợp hư hỏng từ đến 4.1.2 Xử lý liệu Để cải thiện liệu trước sử dụng để huấn luyện mạng, phương pháp SAX MDWD áp dụng Cụ thể, trình chuyển đổi từ liệu chuỗi thời gian liên tục sang liệu rời rạc phương pháp MDWD thực bước sau: - Bước 1: chọn hàm sóng để phân tích tín hiệu - Bước 2: Thực phép biến đổi sóng tín hiệu cách sử dụng hàm sóng chọn Kết phép biến đổi tín hiệu phân tích hệ số phân tích - Bước 3: Lặp lại bước tín hiệu phân tích để tạo thành phần sóng Các thành phần sóng sử dụng để xây dựng mơ hình phân tích tín hiệu - Bước 4: Lặp lại bước 1-3 khơng cịn có thành phần sóng tạo đạt mức độ phân giải mong muốn Các bước tạo phân giải cho tín hiệu, node tương ứng với thành phần sóng Các node mức cao tương ứng với thành phần sóng có tần số thấp có độ trễ lớn hơn, node mức thấp tương ứng với thành phần sóng có tần số cao có độ trễ nhỏ SAX thực phân tích tín hiệu theo bước sau:  Bước 1: Chia chuỗi liệu thành phân đoạn với độ dài  Bước 2: Tính giá trị trung bình phân đoạn  Bước 3: Tính độ lệch chuẩn phân đoạn  Bước 4: Chuyển đổi giá trị phân đoạn thành ký hiệu tương ứng sử dụng hàm chuyển đổi  Bước 5: Tạo chuỗi ký tự rời rạc cách xếp ký hiệu tạo từ phân đoạn theo thứ tự 16 Hình 0.3 Dữ liệu gia tốc theo thời gian sensors sau xử lý phương pháp MDWD SAX Hình 0.4 Dữ liệu gia tốc theo thời gian 16 lớp sau xử lý Dữ liệu sau áp dụng phương pháp SAX-MDWD, ma trận từ dạng sóng chuyển dạng thời gian biến động, tức thời gian khơng biến thiên theo dạng sóng liên tục, mà mịn màng tập trung vào phần dao động nhiều) ma trận có kích thước (4000, 5) thay kích thước ban đầu (8000,5) 4.1.3 Kiến trúc mạng Đầu tiên lớp 1DCNN sử dụng với mục đích trích xuất tính quan trọng mơ hình, lớp CNN gồm đặc điểm sau: số lượng Kernel 128 kích thước kernerl 3x3 Sau liệu đầu vào trích xuất, mạng LSTM sử dụng để học phân loại Mạng LSTM gồm lớp, xen kẽ lớp sử dụng lớp Dropout để ngăn tượng over fitting Maxpooling để trích xuất đặc trưng quan trọng Điều giúp giảm kích thước ma trận, giảm số phép tính giảm thời gian tính tốn Cuối mạng làm phẳng với số đầu 16 lớp dán nhãn 17 4.1.4 Huấn luyện mạng phân tích kết Thuật toán Adam sử dụng để huấn luyện mạng với tổng số bước lặp 100 bước Tổng tham số cần huấn luyện 8.287.280 tham số Hình 0.5 cho thấy hội tụ trình huấn luyện thử nghiệm phương pháp 1DCNN, 1DCNN-LSTM, MDWD-SAX-1DCNN-LSTM Trong luận án này, NCS đánh giá tính hiệu phương pháp đề xuất qua giá trị Ground truth maps ma trận lỗi, công cụ sử dụng để đánh giá hiệu thuật toán xử lý ảnh thị giác máy tính, giúp đánh giá khả mơ hình phân loại sai lớp (b) (a) Hình 0.5 Sự hội tụ mơ hình (a) độ hội tụ q trình huấn luyện phương pháp; (b) độ hội tụ trình đánh giá mạng phương pháp Ngoài ra, để đánh giá hiệu suất mơ hình, NCS sử dụng kết hợp phương pháp thông qua: giá trị “macro avg”, “Loss validate” Bảng 4.2 Kết huấn luyện mạng sử dụng phương pháp 1DCNN-LSTM MDWD-SAXSố lớp 1DCNN 1DCNN-LSTM prec rec f1-sc prec rec f1-sc prec rec f1-sc 0.6 0.38 0.46 0.53 0.81 0.64 0.83 0.78 0.64 0.51 0.73 0.6 0.69 0.69 0.69 0.85 0.88 0.65 0.67 0.76 0.71 0.92 0.79 0.85 0.9 0.93 0.81 0.68 0.66 0.67 0.45 0.62 0.53 0.84 0.84 0.69 0.71 0.56 0.63 0.85 0.81 0.83 0.87 0.94 0.79 0.69 0.67 0.68 0.88 0.85 0.87 0.8 0.89 0.83 0.6 0.75 0.67 0.39 0.91 0.55 0.88 0.81 0.62 0.71 0.67 0.51 0.71 0.6 0.8 0.86 0.65 0.67 0.6 0.63 0.93 0.65 0.76 0.81 0.72 0.75 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 13 0.81 0.65 14 0.71 0.53 15 0.53 0.66 acc macavg 0.65 0.64 Ghi chú: pre: precision; 0.65 0.72 0.61 0.72 0.59 0.74 0.64 0.64 0.75 rec: recall; Ma trận lỗi: 1DCNN 0.32 0.47 0.41 0.8 0.49 0.76 0.84 0.64 0.83 0.71 0.52 0.81 0.66 0.77 0.94 0.86 0.67 0.68 0.83 0.83 f1-sc: f1-score 0.68 Ma trận lỗi: 1DCNNLSTM 0.61 0.77 0.58 0.72 0.83 0.83 Ma trận lỗi: MDWDSAX-1DCNN-LSTM So sánh phương pháp Accuracy Validate 0.64 0.68 1DCNN 1DCNN-LSTM 0.64 0.68 Loss Validate 3.3 Accuracy Validate 2.1 Loss Validate 0.83 MWD-SAX-… 0.83 0.69 Hình 0.6 Kết ma trận lỗi độ xác mạng bước đánh giá Nhận xét: Mơ hình MDWD-SAX-1DCNN-LSTM tốt hồn tồn so với mơ hình 1DCNN mơ hình 1DCNN-LSTM số Ground truth maps ma trận lỗi, bao gồm giá trị Recall (độ nhạy), Precision (độ xác), F1score Macro avg Error! Reference source not found.6 biểu diễn ma trận lỗi với cột đứng giá trị thực (true lable) cột ngang giá trị dự đoán (predicted label), 19 giá trị ma trận lỗi cho thấy giá trị đường chéo cao kết xác giá trị dự đốn trùng khớp với giá trị thực Hình 0.6 cho thấy trực quan vượt trội phương pháp MDWD-SAX-1DCNN-LSTM so với phương pháp 1DCNN 1DCNNLSTM chẩn đoán trạng thái hư hỏng kết cấu từ liệu chuỗi thời gian với giá trị độ xác đến 83% giá trị Loss Validate