Chẩn đoán vết nứt trong kết cấu nhôm sử dụng đáp ứng trở kháng và mạng nơ ron tích chập

ĐẠI HỌC QUỐC GIA TP HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA LÊ ANH TUẤN CHẨN ĐOÁN VẾT NỨT TRONG KẾT CẤU NHÔM SỬ DỤNG ĐÁP ỨNG TRỞ KHÁNG VÀ MẠNG NƠ-RON TÍCH CHẬP Chuyên ngành : Kỹ thuật Xây dựng Mã số : 8580201 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng 07 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 chấm nhận xét 1: Chữ ký: PGS.TS Châu Đình Thành (Ghi rõ họ, tên, học hàm, học vị chữ ký) Cán chấm nhận xét 2: PGS.TS Lương Văn Hải Chữ ký: (Ghi rõ họ, tên, học hàm, học vị chữ ký) Luận văn thạc sĩ bảo vệ Trường Đại học Bách Khoa, ĐHQG Tp HCM ngày 11 tháng 07 năm 2023 Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: (Ghi rõ họ, tên, học hàm, học vị Hội đồng chấm bảo vệ luận văn thạc sĩ) PGS.TS Cao Văn Vui Chủ tịch TS Nguyễn Thái Bình Thư ký PGS.TS Châu Đình Thành Phản biện PGS.TS Lương Văn Hải Phản biện TS Trần Tuấn Nam Ủy viên Xác nhận Chủ tịch Hội đồng đánh giá LV Trưởng Khoa quản lý chuyên ngành sau luận văn sửa chữa (nếu có) CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA KỸ THUẬT XÂY DỰNG PGS.TS Cao Văn Vui PGS.TS Lê Anh Tuấn 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: LÊ ANH TUẤN MSHV: 2270050 Ngày, tháng, năm sinh: 03/05/1998 Nơi sinh: Đồng Nai Chuyên ngành: Kỹ Thuật Xây Dựng Mã số: 8580201 I TÊN ĐỀ TÀI Chẩn đoán vết nứt kết cấu nhôm sử dụng đáp ứng trở kháng mạng nơ-ron tích chập (Crack detection in aluminum structures using impedance responses and convolutional neural network) II NHIỆM VỤ VÀ NỘI DUNG Mô dầm nhôm, ghi nhận tín hiệu trở kháng, so sánh với số liệu thực nghiệm cơng bố chẩn đốn mức độ hư hỏng mạng 1D-CNN Mơ trịn nhơm, ghi nhận tín hiệu trở kháng, so sánh với số liệu thực nghiệm công bố chẩn đốn vị trí hư hỏng mạng 1D-CNN Mơ trịn nhơm, ghi nhận tín hiệu trở kháng, xác định vùng ảnh hưởng cảm biến PZT mạng 1D-CNN III NGÀY GIAO NHIỆM VỤ 06/02/2023 IV NGÀY HOÀN THÀNH NHIỆM VỤ 11/06/2023 V CÁN BỘ HƯỚNG DẪN PGS.TS Hồ Đức Duy TP.HCM, ngày tháng năm CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM BỘ MÔN ĐÀO TẠO PGS TS Hồ Đức Duy PGS TS Lương Văn Hải TRƯỞNG KHOA KỸ THUẬT XÂY DỰNG PGS.TS Lê Anh Tuấn ii LỜI CẢM ƠN Sau nhiều năm học tập trưởng thành trường Đại học Bách Khoa – ĐHQG TP HCM, nhận giúp đỡ hỗ trợ to lớn từ quý Thầy Cô giảng viên, người truyền đạt cho kiến thức quý báu kinh nghiệm sống đáng quý Với lịng biết ơn sâu sắc, tơi xin gửi lời cảm ơn đến Ban Giám hiệu nhà trường, quý Thầy Cô khoa xây dựng, người giúp đỡ tận tình suốt thời gian học tập Trong q trình nghiên cứu hồn thiện luận văn, tơi hướng dẫn định hướng Thầy PGS TS Hồ Đức Duy, người ln tận tình hỗ trợ từ bắt đầu luận văn hoàn thành Những lời khuyên quý báu động viên Thầy giúp vượt qua nhiều khó khăn q trình nghiên cứu hồn thiện luận văn Đồng thời, tơi muốn gửi lời cảm ơn chân thành đến gia đình bạn bè mình, BK.SHM.Lab, đặc biệt ThS Lê Bá Tùng, người ủng hộ hồn cảnh tạo điều kiện thuận lợi cho tơi để tập trung vào việc hồn thiện luận văn Mặc dù cố gắng để hoàn thiện luận văn cách tốt nhất, nhiên khơng thể tránh khỏi sai sót thiếu sót Vì thế, tơi mong nhận đóng góp quý báu quý Thầy Cô bạn bè để tơi hồn thiện tốt Cuối cùng, tơi muốn gửi lời chúc sức khỏe thành công đến q Thầy Cơ, gia đình, bạn bè Một lần nữa, tơi xin bày tỏ lịng biết ơn chân thành đến người giúp đỡ suốt thời gian học tập nghiên cứu trường Đại học Đại học Bách Khoa – ĐHQG TP HCM TP HCM, ngày tháng năm HỌC VIÊN CAO HỌC Lê Anh Tuấn iii TĨM TẮT LUẬN VĂN CHẨN ĐỐN VẾT NỨT TRONG KẾT CẤU NHÔM SỬ DỤNG ĐÁP ỨNG TRỞ KHÁNG VÀ MẠNG NƠ-RON TÍCH CHẬP Trong thời đại nay, kết cấu nhôm sử dụng ngày rộng rãi lĩnh vực xây dựng Tuy nhiên, giống loại kết cấu khác, kết cấu nhôm đối mặt với vấn đề hư hỏng tiềm ẩn mà khơng thể nhìn thấy mắt thường Điều gây nguy an toàn độ bền cơng trình xây dựng Do đó, nghiên cứu nhằm đề xuất phương pháp chẩn đoán vết nứt kết cấu nhôm cách sử dụng đáp ứng trở kháng mạng nơ-ron tích chập Nghiên cứu sử dụng phần mềm ANSYS APDL 19.2 để tiến hành thí nghiệm mơ mẫu dầm nhơm Các thí nghiệm bao gồm giai đoạn khơng hư hỏng giai đoạn có hư hỏng, để tạo liệu đáp ứng trở kháng Sau đó, tín hiệu trở kháng từ mô so sánh với kết thực nghiệm công bố, nhằm chứng minh khả phương pháp mô việc phát đánh giá hư hỏng kết cấu nhôm Đồng thời, mạng nơ-ron tích chập áp dụng để chẩn đốn mức độ hư hỏng cho dầm nhơm Bên cạnh đó, nghiên cứu mơ trịn nhơm ghi nhận tín hiệu trở kháng Kết so sánh với liệu thực nghiệm cơng bố áp dụng mạng nơ-ron tích chập để chẩn đốn vị trí hư hỏng trịn nhơm Qua đó, phương pháp giúp xác định vết nứt vị trí hư hỏng kết cấu nhơm cách xác hiệu Tóm lại, nghiên cứu tập trung vào việc áp dụng phương pháp đáp ứng trở kháng mạng nơ-ron tích chập để chẩn đoán vết nứt mức độ hư hỏng kết cấu nhơm Phương pháp có tiềm việc giám sát đánh giá tình trạng kết cấu nhơm, từ đảm bảo an tồn tăng cường hiệu suất cơng trình xây dựng iv ABSTRACT CRACK DETECTION IN ALUMINUM STRUCTURES USING IMPEDANCE RESPONSES AND CONVOLUTIONAL NEURAL NETWORK Nowadays, aluminum structures are increasingly being used in the construction industry However, like other types of structures, aluminum structures also face hidden issues and potential damages that cannot be easily detected by the naked eye Therefore, this study proposes a diagnostic method for crack detection in aluminum structures using impedance response and convolutional neural networks (CNN) The research utilizes ANSYS APDL 19.2 software to simulate experiments on aluminum beam samples, including undamaged and damaged stages The impedance response signals from the simulations are compared with experimental results to demonstrate the capability of the simulation method in detecting structural damages Subsequently, a CNN is applied to diagnose the extent of damage in the aluminum beams In addition, the study compares the impedance response results of simulated and experimental thin circular aluminum plates with a PZT (piezoelectric) sensor placed at the center of the plate The study also varies the distance of the damage from the plate center at high excitation frequencies Furthermore, the CNN is utilized to determine the location of the damage in the thin circular aluminum plates In summary, this research focuses on the application of impedance response and convolutional neural networks for diagnosing cracks and assessing the level of damage in aluminum structures This method has the potential to enhance monitoring and evaluation of the condition of aluminum structures, thereby improving the performance and safety of construction projects v LỜI CAM ĐOAN Tôi xin cam đoan cơng việc tơi thực hướng dẫn thầy PGS.TS Hồ Đức Duy Các kết luận văn thật chưa công bố nghiên cứu khác Tôi xin chịu trách nhiệm công việc thực Tp HCM, ngày tháng năm LÊ ANH TUẤN vi MỤC LỤC DANH MỤC BẢNG BIỂU ix DANH MỤC HÌNH ẢNH .x DANH MỤC TỪ VIẾT TẮT xii DANH MỤC KÝ HIỆU xiii CHƯƠNG GIỚI THIỆU 1.1 Đặt vấn đề 1.2 Mục tiêu nội dung nghiên cứu 1.2.1 Mục tiêu nghiên cứu .5 1.2.2 Nội dung nghiên cứu 1.3 Đối tượng phạm vi nghiên cứu .6 1.3.1 Đối tượng nghiên cứu 1.3.2 Phạm vi nghiên cứu 1.4 Tính cấp thiết ý nghĩa thực tiễn nghiên cứu 1.5 Cấu trúc luận văn .7 CHƯƠNG TỔNG QUAN 2.1 Tình hình nghiên cứu nước ngồi 2.1.1 Phương pháp trở kháng 2.1.2 Ứng dụng CNN SHM .12 2.2 Tình hình nghiên cứu Việt Nam 14 2.2.1 Phương pháp trở kháng 15 2.2.2 Ứng dụng CNN SHM .16 2.3 Tổng kết 17 CHƯƠNG CƠ SỞ LÝ THUYẾT 18 3.1 Phương pháp trở kháng 18 3.1.1 Vật liệu áp điện 18 3.1.2 Sơ lược PZT 19 3.1.3 Đáp ứng trở kháng cơ-điện 21 3.1.4 Nguyên lý hoạt động phương pháp trở kháng .23 3.1.5 Phương pháp đánh giá hư hỏng đáp ứng trở kháng 24 3.2 Phương pháp mạng nơ-ron tích chập .24 3.2.1 Một số khái niệm tổng quát 24 vii 3.2.2 Khái niệm thuật tốn mạng nơ-ron tích chập (CNN) 27 3.3 Phương pháp công cụ hỗ trợ nghiên cứu 32 3.3.1 Mô toán trở kháng phần mềm ANSYS .32 3.3.2 Xây dựng mạng nơ-ron tích chập phần mềm MATLAB 38 CHƯƠNG CÁC BÀI TOÁN KHẢO SÁT 41 4.1 Bài tốn 1: Dầm nhơm .41 4.1.1 Thơng số mơ hình .42 4.1.2 Mơ dầm nhơm tín hiệu đáp ứng trở kháng 43 4.1.3 Xác định số đánh giá hư hỏng 45 4.1.4 Xây dựng mạng CNN chẩn đoán mức độ hư hỏng 46 4.1.5 Chẩn đoán hư hỏng kết cấu sử dụng mạng nơ-ron tích chập .49 4.2 Bài tốn 2: Tấm trịn nhơm bán kính 50mm với khoảng cách vết nứt thay đổi 53 4.2.1 Thông số mô hình .53 4.2.2 Mơ trịn nhơm tín hiệu đáp ứng trở kháng 55 4.2.3 Xác định số đánh giá hư hỏng 58 4.2.4 Xây dựng mạng CNN chẩn đoán vị trí hư hỏng .59 4.2.5 Chẩn đốn hư hỏng kết cấu sử dụng mạng nơ-ron tích chập .60 4.3 Bài tốn 3: Tấm trịn nhơm bán kính 100mm với khoảng cách vết nứt thay đổi 64 4.3.1 Thông số mơ hình .64 4.3.2 Mơ trịn nhơm tín hiệu đáp ứng trở kháng 64 4.3.3 Xác định số đánh giá hư hỏng 66 4.3.4 Xây dựng mạng CNN chẩn đốn vị trí hư hỏng .67 4.3.5 Chẩn đoán hư hỏng kết cấu sử dụng mạng nơ-ron tích chập .67 CHƯƠNG KẾT LUẬN VÀ KIẾN NGHỊ .73 5.1 Kết luận 73 5.2 Kiến nghị 73 TÀI LIỆU THAM KHẢO 75 viii DANH MỤC BẢNG BIỂU Bảng 4.1 Đặc trưng vật liệu dầm nhôm Liu cộng [52] .42 Bảng 4.2 Đặc trưng vật liệu PZT Liu cộng [52] 42 Bảng 4.3 Chi tiết lớp thuật toán 1D-CNN 48 Bảng 4.4 Kết huấn luyện chẩn đoán vết nứt mm 50 Bảng 4.5 Kết huấn luyện chẩn đoán vết nứt mm 52 Bảng 4.6 Đặc trưng vật liệu nhôm Giurgiutiu cộng (2001) [53] 54 Bảng 4.7 Đặc trưng vật liệu PZT Giurgiutiu cộng (2001) [53] 54 Bảng 4.8 Chi tiết lớp ẩn thuật toán 1D-CNN .59 Bảng 4.9 Kết huấn luyện chẩn đoán vết nứt cách mm 61 Bảng 4.10 Kết huấn luyện chẩn đoán vết nứt cách 20 mm 62 Bảng 4.11 Kết huấn luyện chẩn đoán vết nứt cách 49 mm 63 Bảng 4.12 Kết huấn luyện chẩn đoán vết nứt cách 10 mm 68 Bảng 4.13 Kết huấn luyện chẩn đoán vết nứt cách 50 mm 69 Bảng 4.14 Kết huấn luyện chẩn đoán vết nứt cách 90 mm 70 Bảng 4.15 Kết huấn luyện chẩn đoán vết nứt cách 99 mm 71 ix CHƯƠNG CÁC BÀI TOÁN KHẢO SÁT Trong hình 4.23 có vết nứt xảy đỉnh cao trở kháng thay đổi có xu hướng lệch phía bên phải khoảng cách vết nứt tăng dần so với cảm biến xuất số đỉnh trở kháng cao mơ hình thí nghiệm mơ hình ANSYS APDL Trong mơ hình ANSYS APDL, kết đáp ứng trở kháng cho thấy tín hiệu trở kháng thay đổi xuất đỉnh trở kháng phụ đỉnh trở kháng cộng hưởng Cụ thể đáp ứng trở kháng trịn nhơm có vết nứt vị trí gần cảm biến làm thay đổi đáng kể kết đáp ứng trở kháng có xuất cộng hưởng Ngược lại, đáp ứng trở kháng trịn nhơm vết nứt xa cảm biến làm thay đổi chút đáp ứng trở kháng 4.3.3 Xác định số đánh giá hư hỏng Kết tính tốn số RMSD tốn trình bày hình 4.24 Nứt cách 20mm Nứt cách 60mm Chỉ số RMSD 2.5 Nứt cách 40mm Nứt cách 80mm 1.5 0.5 10-15 15-20 20-25 25-30 30-35 35-40 Vùng tần số (kHz) Hình 4.24 Chỉ số RMSD cho dải tần số Các trường hợp hư hỏng khác có số RMSD khác miền tần số phụ Khi khảo sát miền tần số rộng, miền tần số phụ khác nhau, quy luật thay đổi số RMSD khơng theo quy luật định Trong đó, miền tần số từ 30 đến 35 kHz để chẩn đoán; miền tần số số RMSD nhơm trịn có vết nứt cách 20 mm 40 mm nhạy gấp nhiều lần trường hợp có xuất vết nứt cách cảm biến 60 mm 80 mm Do đó, CNN sử dụng kết đáp ứng trở kháng miền tần số phân tích chi tiết để xác định vị trí vết nứt tròn Cụ thể, xây dựng mạng 1D – CNN miền tần số 30 đến 35 kHz với bước tần số 0.01 kHz; nghĩa có 500 biến đầu vào cho kịch bản, để chẩn đoán vị trí hư hỏng 66 CHƯƠNG CÁC BÀI TỐN KHẢO SÁT 4.3.4 Xây dựng mạng CNN chẩn đốn vị trí hư hỏng Để kiểm tra phương pháp chẩn đoán vị trí hư hỏng dựa đáp ứng trở kháng mạng 1D – CNN, nghiên cứu giả định trường hợp có vị trí vết nứt khác cho việc chẩn đoán Ha, Hb, Hc Hd tương ứng với trường hợp vết nứt cách 10 mm, vết nứt cách 50 mm, vết nứt cách 90 mm vết nứt cách 99 mm Cùng với trường hợp không nứt, trường hợp nứt cách 20 mm, nứt cách 40 mm, nứt cách 60 mm cách 80 mm gọi H0, H1, H2, H3 H4 dùng làm tập liệu gốc để huấn luyện mạng 1D – CNN Dựa vào số RMSD, miền tần số chọn từ 30 đến 35 kHz để chẩn đốn; vùng tần số số RMSD nhơm trịn có vết nứt cách mm 10 mm nhạy gấp nhiều lần trường hợp có xuất vết nứt cách cảm biến 25 mm 40 mm Đáp ứng trở kháng miền tần số khảo sát ban đầu 10 đến 40 kHz bị loại bỏ số liệu đầu cuối nên cần chọn miền tần số nhỏ Tín hiệu trở kháng đầu vào xây dựng với bước tần số 0.01 kHz nên liệu huấn luyện liệu trở kháng chẩn đốn có 500 biến đầu vào cho tốn chẩn đoán mức độ hư hỏng mạng 1D - CNN Nghiên cứu xây dựng quy trình tổng thể phương pháp chẩn đoán mức độ hư hỏng dựa đáp ứng trở kháng mạng CNN thực cho kịch chẩn đoán sử dụng kịch huấn luyện (tỷ lệ liệu huấn luyện chẩn đoán 5/1) Chi tiết kiến trúc mạng 1D-CNN sử dụng toán xem mục 4.2.4 4.3.5 Chẩn đoán hư hỏng kết cấu sử dụng mạng nơ-ron tích chập Nhìn chung, phương pháp chẩn đốn có giới hạn khoảng cách vết nứt PZT có kịch vị trí hư hỏng giả định (Ha, Hb) chẩn đốn thành cơng với mức độ sai số chẩn đoán kịch không vượt 5%; kịch giả định (Hc, Hd) chẩn đốn khơng thành cơng mức độ sai số chẩn đoán kịch vượt 5%; với quy trình chẩn đốn cụ thể cho kịch giả định trình bày Chi tiết quy trình chẩn đốn hư hỏng cho kịch Ha, Hb, Hc Hd trình bày mục 4.3.5.1 Chẩn đoán vết nứt cách 10 mm Giả định đáp ứng trở kháng cho trường vết nứt cách 10 mm (Ha) chưa biết vết nứt cách gọi ‘‘x’’ Khi đó, liệu đầu vào kịch H0, H1, H2, H3, H4 (dùng làm liệu huấn luyện) kịch Ha (dùng làm liệu chẩn đoán) Cuối cùng, mạng 1-D CNN thiết lập sử dụng liệu đầu vào (input) tín hiệu đáp ứng trở kháng 67 CHƯƠNG CÁC BÀI TOÁN KHẢO SÁT liệu đầu (output) giá trị "x" (mức độ hư hỏng) cần tìm Trường hợp chẩn đốn cho kịch Ha trình bày chi tiết, kịch lại (Hb, Hc Hd) thể kết quy trình thực tương tự Kết thu sau huấn luyện trường hợp H0, H1, H2, H3, H4 chẩn đốn Ha trình bày bảng 4.12 hình 4.25 Bảng 4.12 Kết huấn luyện chẩn đoán vết nứt cách 10 mm Tập liệu Thực tế Chẩn đoán Sai số (%) (%) (%) H0 0 H1 20 20 H2 40 40 H3 60 60 H4 80 80 Ha 10.00 10.35 3.53 Kịch Huấn luyện Chẩn đoán 90 Thực tế Bề rộng vết nứt (mm) 80 70 60 60 60 50 40 40 40 30 20 20 20 10 80 80 Chẩn đoán 10.35 10.00 0 H0 H1 H2 H3 H4 Ha Kịch chẩn đốn Hình 4.25 Kết chẩn đốn vết nứt cách 10 mm 68 CHƯƠNG CÁC BÀI TOÁN KHẢO SÁT 4.3.5.2 Chẩn đoán vết nứt cách 50mm Kết thu sau huấn luyện trường hợp H0, H1, H2, H3, H4 chẩn đốn Hb trình bày bảng 4.13 hình 4.26 Bảng 4.13 Kết huấn luyện chẩn đoán vết nứt cách 50 mm Tập liệu Thực tế Chẩn đoán Sai số (%) (%) (%) H0 0 H1 20 20 H2 40 40 H3 60 60 H4 80 80 Hb 50.00 51.80 3.6 Kịch Huấn luyện Chẩn đoán 90 Thực tế Bề rộng vết nứt (mm) 80 80 80 Chẩn đoán 70 60 60 60 51.80 50.00 50 40 40 40 30 20 20 20 10 0 H0 H1 H2 H3 H4 Hb Kịch chẩn đốn Hình 4.26 Kết chẩn đốn vết nứt cách 50mm 69 CHƯƠNG CÁC BÀI TOÁN KHẢO SÁT 4.3.5.3 Chẩn đoán vết nứt cách 90 mm Kết thu sau huấn luyện trường hợp H0,H1, H2, H3, H4 chẩn đốn Hc trình bày bảng 4.14 hình 4.27 Bảng 4.14 Kết huấn luyện chẩn đoán vết nứt cách 90 mm Tập liệu Thực tế Chẩn đoán Sai số (%) (%) (%) H0 0 H1 20 20 H2 40 40 H3 60 60 H4 80 80 Hc 90.00 112.46 24.96 Kịch Huấn luyện Chẩn đoán 140 Thực tế Bề rộng vết nứt (mm) 120 Chẩn đoán 112.46 100 90.00 80 80 80 60 60 60 40 40 40 20 20 20 0 H0 H1 H2 H3 H4 Hc Kịch chẩn đốn Hình 4.27 Kết chẩn đốn vết nứt cách 90 mm 70 CHƯƠNG CÁC BÀI TOÁN KHẢO SÁT 4.3.5.4 Chẩn đoán vết nứt cách 99 mm Kết thu sau huấn luyện trường hợp H0, H1, H2, H3, H4 chẩn đoán Hd trình bày bảng 4.15 hình 4.28 Bảng 4.15 Kết huấn luyện chẩn đoán vết nứt cách 99 mm Tập liệu Thực tế Chẩn đoán Sai số (%) (%) (%) H0 0 H1 20 20 H2 40 40 H3 60 60 H4 80 80 Hd 99.00 141.39 42.82 Kịch Huấn luyện Chẩn đoán 160 Thực tế Bề rộng vết nứt (mm) 140 141.39 Chẩn đoán 120 99.00 100 80 80 80 60 60 60 40 40 40 20 20 20 0 H0 H1 H2 H3 H4 Hd Kịch chẩn đốn Hình 4.28 Kết chẩn đốn vết nứt cách 99 mm 71 CHƯƠNG CÁC BÀI TỐN KHẢO SÁT 4.3.5.5 Kết chẩn đốn Sử dụng kết huấn luyện không nứt, vết nứt cách 20 mm, vết nứt cách 40 mm, vết nứt cách 60 mm vết nứt cách 80 mm để chẩn đoán Trong dải tần số 30 đến 35 kHz, với bước tần 0.01 kHz Đối với trường hợp huấn luyện, độ xác kết xác định vị trí vết nứt 100% Trong nghiên cứu này, hai kịch có khoảng cách vết nứt giả định 10 mm 50 mm chẩn đốn thành cơng với độ xác kết xác định vị trí vết nứt 96.47% 96.4% Hai trường hợp có khoảng cách vết nứt 90 mm 99 mm khơng chẩn đốn xa so với miếng cảm ứng Kết chứng minh khả phát hư hỏng cảm biến PZT bị giới hạn vùng định; đó, áp dụng thực tế phải khảo sát dán cảm biến gần vị trí hư hỏng tiềm để thu kết tốt 72 CHƯƠNG KẾT LUẬN VÀ KIẾN NGHỊ CHƯƠNG KẾT LUẬN VÀ KIẾN NGHỊ 5.1 Kết luận Thơng qua việc nghiên cứu, tìm hiểu lý thuyết tiến hành áp dụng vào toán cụ thể số kết luận sau nghiên cứu nảy rút ra, bao gồm: - Luận văn cho thấy hiệu phương pháp trở kháng việc theo dõi đánh giá hư hỏng kết cấu Những hư hỏng kết cấu phát thơng qua tín hiệu trở kháng đo từ cảm biến PZT - Mô PTHH cho kết đáp ứng trở kháng với độ xác cao Các kết mô cho thây độ tin cậy cao so sánh với kết thực nghiệm - Chỉ số đánh giá hư hỏng RMSD đánh giá tốt hiệu xuất vị trí hư hỏng kết cấu Khi kết cấu bắt đầu xuất hư hỏng, giá trị số RMSD lớn - Mơ hình mạng nơ-ron tích chập chiều chẩn đốn thành cơng mức độ hư hỏng kết cấu Khảo sát vùng mà đáp ứng trở kháng thay đổi theo quy luật cách nghiêm ngặt cho kết chẩn đoán ổn định, tốt ngược lại - Mơ hình mạng 1D-CNN chẩn đốn thành cơng số trường hợp khảo sát vị trí vết nứt Đối với kịch có vết nứt gần cảm biến PZT chẩn đoán tốt ngược lại 5.2 Kiến nghị Thơng qua việc thực tốn nghiên cứu này, luận văn giải số vấn đề quan trọng cốt lõi cho việc chẩn đốn mức độ xác định vị trí hư hỏng kết cấu nhôm mạng nơ-ron tích chập Tuy nhiên, cịn tồn số hạn chế định trở thành chủ đề nghiên cứu tương lai - số hướng phát triển xem xét bao gồm: - Nghiên cứu kỹ thuật để xác định xác thơng số vật liệu thí nghiệm, đồng thời cần khảo sát thơng số giữ vai trị quan trọng định đến đáp ứng trở kháng để đảm bảo độ tin cậy phương pháp - Nghiên cứu tương lai nên tìm cách xuất trực tiếp tín hiệu trở kháng từ ANSYS WORKBENCH, công việc đơn giản cải thiện tiến độ; Cần tìm hướng mơ (mơ kiểu đối xứng bán phần , 1/4 phần) đề giảm thiểu số lượng phương trình tính tốn cho CPU để đẩy nhanh thời gian tính tốn - Nghiên cứu khảo sát phạm vi ảnh hưởng PZT dán kết cấu, phụ thuộc nhiều vào tính chất hình học vật liệu kết cấu chủ Nhờ đó, định số lượng kích thước PZT sử dụng 73 CHƯƠNG KẾT LUẬN VÀ KIẾN NGHỊ - Phát triển phương pháp lựa chọn nhanh miền tần số để theo dõi cho kết chẩn đoán tốt - Nghiên cứu phương pháp tối ưu hóa kiến trúc mạng nơ-ron tích chập toán đề xuất thuật toán tối ưu đại nhằm tiết kiệm thời gian mở rộng vùng chẩn đoán cho mạng CNN 74 TÀI LIỆU THAM KHẢO [1] The Skyscraper Center - Council on Tall Buildings and Urban Habitat “Petronas Twin Towers.’’ Internet: https://www.skyscrapercenter.com/building/petronas-towers-1/2, 2013 [2] The Skyscraper Center - Council on Tall Buildings and Urban Habitat “Burj Khalifa.’’ Internet: https://www.skyscrapercenter.com/building/burj-khalifa/3, 2010 [3] The Skyscraper Center - Council on Tall Buildings and Urban Habitat “The Gherkin.’’ Internet: https://www.skyscrapercenter.com/building/30-st-mary-axe/, 2003 [4] The Skyscraper Center - Council on Tall Buildings and Urban Habitat “Taipei 101.’’ Internet: https://www.skyscrapercenter.com/building/taipei-101/1, 2004 [5] C Liang, F P Sun and C A Rogers, “An impedance method for dynamic analysis of active material systems”, Proceedings of ATAA/ASME/ASCE Conference on Material Systems, La Jolla, California, 1993, pp 3587–3599 [6] S Zhou, C Liang and C A Rogers, “A dynamic model of piezoelectric actuator driven thin plates”, Proceeding of the Smart Structures and Materials Conference, Orlando, SPIE, vol 2190, 1994, pp 550–562 [7] F Sun, Z Chaudhry, C Liang and C A Rogers, “Truss structure integrity identification using PZT sensor – actuator”, Journal of Intelligent Material Systems and Structures, vol 6, no 2, pp 134–139, 1995 [8] G Park, H H Cudney and H Inman, “Impedance – based health monitoring of civil structural components” Journal of infrastructure systems, vol 6, no 4, pp 153 – 160, 2000 [9] V Giurgiutiu and L Zagrai, “Embedded self-sensing piezoelectric active sensors for on-line structural identification” J Vib Acoust., vol 124, no 1, pp 116-125, 2001 [10] S Bhalla, A S K Naidu, C W Ong, and J Soh, “Practical issues in the implementation of electromechanical impedance technique for NDE”, Smart Structures, Devices, and Systems, vol 12, no 2, 2002 [11] Y Xu and G Liu, “A modified electro-mechanical impedance model of piezoelectric actuator-sensors for debonding detection of composite patches”, 75 Journal of intelligent material systems and structures, vol 13, no 6, 2002, pp.389- 396 [12] K Tseng and A S K Naidu, “Non-parametric damage detection and characterization using smart piezoceramic material”, Smart materials and structures, vol 11, no 3, 2002, pp 317 [13] K Tseng, P Basu and L Wang, “Damage identification of civil infrastructures using smart piezoceramic sensors”, 1st European Workshop on Structural Health Monitoring, vol 4, no 1, 2002 [14] Y Yang, Y Y Lim and C K Soh, "Practical Issues Related to the Application of EMI Technique in SHM of Civil Structures: Part II-Numerical Verification," Smart materials and structures, vol 17, no 3, 2008 [15] M A De Oliveira, A V Monteiro and J V Filho, " Impedance Analysis of Corrosion Behavior in Aluminum Alloys for Aerospace Applications," Sensors, vol 2, no 3, 2016 [16] M T Nguyen, P D Nguyen and H S Park, “Impedance Response of Aluminum Composite Materials under Fatigue Loading”, Structural Health Monitoring, vol 5, no 2, 2018 [17] L Wang, S Zhang and D Sun, “Impedance Analysis of Aluminum Alloy Coatings for Corrosion Protection”, Structural Health Monitoring, vol 20, no 3, 2019 [18] M R Ali, M N Rahman and N A Al-Senani, “Impedance Response of Aluminum Alloys to Environmental Aging”, Structural Health Monitoring, vol 9, no 2, 2022 [19] H Liu, Z Wang and Y Liu, “Electrochemical Impedance Analysis of Corrosion in Aluminum Alloys for Marine Applications”, Structural Health Monitoring, vol 12, no 1, 2023 [20] X Guo, L Chen, and C Shen, "Hierarchical adaptive deep convolution neural network and its application to bearing fault diagnosis," Measurement, vol 93 , 2016, pp 490-502 [21] O Abdeljaber, O Avci, S Kiranyaz, M Gabbouj, and D J Inman, "Real-time vibration-based structural damage detection using one-dimensional convolutional neural networks," Journal of Sound and Vibration, vol 388, pp 154-170,2017 [22] O Abdeljaber, O Avci, S Kiranyaz, M Gabbouj, and D J Inman, "Real-time 76 vibration-based structural damage detection using one-dimensional convolutional neural networks," Journal of Sound and Vibration, vol 388, pp 154-170,2017 [23] O Abdeljaber, O Avci, M S Kiranyaz, B Boashash, H Sodano, and D J Inman, "1-D CNNs for structural damage detection: Verification on a structural health monitoring benchmark data," Neurocomputing, vol 275, pp 1308-1317, 2018 [24] W Li, S Fan, S C M Ho, J Wu and K Song, “Interfacial debonding detection in fiber – reinforced polymer rebar–reinforced concrete using electro – mechanical impedance technique”, Structural Health Monitoring, vol 17, no 3, 2018, pp 461 – 471 [25] Z Li, P Qiao and Z Li, “Crack detection in concrete structures using a residual convolutional neural network”, Construction and Building Materials, vol 218, 2019, pp 713-724 [26] W Guo, X Xu and L Liu, “Crack detection in structural surfaces using an improved convolutional neural network”, Automation in Construction, vol 119, 2020, pp 103344 [27] W Bao, Z Cai and Z Yang, “Crack detection in concrete structures using a lightweight convolutional neural network”, Journal of Computing in Civil Engineering, vol 35, no 5, 2021, pp 04021049 [28] Z Zhang, Z Li and J Li, “Crack detection in masonry structures using a deep convolutional neural network”, Advances in Engineering Software, vol 176, 2022, pp 104218 [29] T C Nguyễn “Mơ hình hóa tốn học tốn liên hợp cơ-điện áp dụng phương pháp phần tử hữu hạn kết hợp thực nghiệm cho vật liệu áp điện, ” Luận văn tiến sĩ, Đại học Khoa học Tự nhiên - Đại học Quốc Gia TP HCM, Việt Nam, 2011 [30] M Q Lê “Chẩn đoán hư hỏng kết cấu kim loại sử dụng trở kháng, ” Luận văn thạc sĩ, Đại học Bách Khoa - Đại học Quốc Gia TP HCM, Việt Nam, 2015 [31] T T Nguyen, “Nghiên cứu đáp ứng trở kháng kết cấu thép công trình nhà cao tầng”, Tạp chí Khoa học Cơng nghệ Xây dựng, vol 7, no 2, pp 7683, 2017 [32] H.T Nguyen,“Đáp ứng trở kháng kết cấu thép cơng trình cầu”, Tạp chí Khoa học Cơng nghệ Xây dựng, vol 9, no 1, trang 38-45, 2018 77 [33] V.N Hoàng,“Đánh giá đáp ứng trở kháng kết cấu thép hình học phức tạp”, Tạp chí Khoa học Công nghệ Xây dựng, vol 60 , no 2, 2019, trang 32-39 [34] T H Vu, “Đáp ứng trở kháng kết cấu thép cơng trình nhà xưởng”, Tạp chí Khoa học Cơng nghệ Xây dựng, vol 61, no 1, 2020, trang 40-47 [35] L V Tuan., “Nghiên cứu đáp ứng trở kháng kết cấu thép hình học đa dạng”, Tạp chí Khoa học Công nghệ Xây dựng, vol 62, no 3, 2021, trang 56-63 [36] Đ N Đ Khoa “Chẩn đoán tổn hao lực căng cáp cho trụ angten sử dụng đáp ứng trở kháng có xét đến ảnh hưởng nhiệt độ, ”Luận văn thạc sĩ, Đại học Bách Khoa - Đại học Quốc Gia TP HCM, Việt Nam, 2021 [37] L P Vinh “Xác định tổn hao lực căng cáp cho trụ anten sử dụng đáp ứng trở kháng mạng nơ-ron nhân tạo có xét độ nhạy miền tần số, ”Luận văn thạc sĩ, Đại học Bách Khoa - Đại học Quốc Gia TP HCM, Việt Nam, 2023 [38] N M Huy “Xác định lực căng kết cấu dây cáp sử dụng đáp ứng dao động trở kháng, ”Luận văn thạc sĩ, Đại học Bách Khoa - Đại học Quốc Gia TP HCM, Việt Nam, 2023 [39] L B Tùng “Chẩn đoán hư hỏng vùng neo kết cấu bê tông cốt thép ứng suất trước sử dụng đáp ứng trở kháng tử cốt liệu thông minh hình cầu, ”Luận văn thạc sĩ, Đại học Bách Khoa - Đại học Quốc Gia TP HCM, Việt Nam, 2022 [40] U N Mughal and M S Virk, “Torque and Axial Loading Physics for Measuring Atmospheric Icing Load and Icing Rate, ” Sensors and Transducers, vol 184 , no.1, 2015 [41] Onsacle “What is Piezoelectricity? ” Internet: https://onscale.com/piezoelectricity/what-is-piezoelectricity/, 2020 [42] P Nova “PiezoNova offers high-quality piezo elements from PZT (Lead Zirconate Titanate) ” Internet: https://www.piezonova.com/piezo-elements/, 2022 [43] C Liang, F Sun and C A Rogers, "Electro-mechanical impedance modeling of active material systems, “Smart Materials and Structures, vol 5, no 2, p 171,1996 [44] VTC Academy Plus, “Sự khác biệt AI, Machine Learning, Deep Learning ? ” Internet: https://plus.vtc.edu.vn/su-khac-biet-ai-machine-learning-deep-learning/, 2022 [45] SOM AIT, “So sánh, phân biệt AI, Machine Learning Deep Learning.” 78 Internet: https://som.edu.vn/so-sanh-phan-biet-ai-machine-learning-deep-learning/, 2022 [46] V Huynh.“Tìm hiểu mạng nơron tích chập (convolutional neural networks).” Internet:https://thanhvie.com/tim-hieu-ve-mang-no-ron-tich-chapconvolutional-neural-networks/, 2020 [47] C P Van “ [Deep Learning] Tìm hiểu mạng tích chập (CNN).” Internet:https://viblo.asia/p/deep-learning-tim-hieu-ve-mang-tich-chap-cnnmaGK73bOKj2, 2020 [48] V Huynh.“Tìm hiểu mạng nơron tích chập (convolutional neural networks).” Internet:https://thanhvie.com/tim-hieu-ve-mang-no-ron-tich-chapconvolutional-neural-networks/, 2020 [49] N Andrew, “Machine Learning Yearning.” Internet: https://d2l.aivivn.com/chapter_convolutional-neural networks/pooling_vn.html, 2020 [50] ANSYS ANSYS Mechanical APDL Element Reference ANSYS Inc, USA, 2011 [51] T H T Lưu “Chẩn đoán tổn hao lực ứng suất trước vùng neo cáp sử dụng đáp ứng trở kháng cơ-điện mạng nơ-ron nhân tạo, ”Luận văn thạc sĩ, Đại học Bách Khoa - Đại học Quốc Gia TP HCM, Việt Nam, 2020 [52] X Liu and Z Jiang,“Design of a PZT patch for measuring longitudinal mode impedance in the assessment of truss structure damage”, Smart Materials and Structures, 18, 2009, 125017, pp.8 [53] V Giurgiutiu, A Zagrai, J.J Bao, “Piezoelectric Wafer Embedded Active Sensors for Aging Aircraft Structural Health Monitoring”, Structural Health Monitoring, vol 1, no 1, 2001, pp 41 – 61 79 LÝ LỊCH TRÍCH NGANG Họ tên : Lê Anh Tuấn Ngày, tháng, năm sinh : 03/05/1998 Địa liên lạc : Thị Trấn Trảng Bom, Trảng Bom, Đồng Nai Điện thoại : 0966331177 Email : anhtuanlebk@gmail.com Nơi sinh: Đồng Nai QUÁ TRÌNH ĐÀO TẠO 09/2017 – 11/2021 : Sinh viên đại học, chuyên ngành xây dựng Dân dụng Công nghiệp, trường Đại học Bách Khoa – ĐHQG TP.HCM 01/2022 – 11/2023 : Học viên cao học, chuyên ngành xây dựng Dân dụng Công nghiệp, trường Đại học Bách Khoa – ĐHQG TP.HCM 80