Luận án tiến sĩ 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 - - 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 LUẬN ÁN TIẾN SĨ HÀ NỘI – 2023 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC GIAO THÔNG 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 thông Mã số : 9580205 LUẬN ÁN TIẾN SĨ NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS Hoàng Hà TS Nguyễn Thị Cẩm Nhung HÀ NỘI – 2023 LỜI CAM ĐOAN Tơi xin cam đoan cơng trình nghiên cứu khoa học độc lập riêng Các số liệu sử dụng phân tích luận án có nguồn gốc rõ ràng, công bố theo quy định Các kết nghiên cứu luận án tơi tự tìm hiểu, phân tích cách trung thực Việc tham khảo nguồn tài liệu thực trích dẫn ghi nguồn tài liệu tham khảo quy định Hà Nội, ngày 11 tháng năm 2023 Tác giả Hoàng Thanh Nam -i- LỜI CẢM ƠN Tác giả xin bày tỏ lòng biết ơn sâu sắc đến thầy, giáo hướng dẫn: PGS TS Hồng Hà, TS Nguyễn Thị Cẩm Nhung tận tình hướng dẫn, giúp đỡ, tạo điều kiện động viên suốt q trình học tập, nghiên cứu hồn thành luận án Tác giả chân thành cảm ơn tập thể thầy, cô môn Cầu Hầm khoa Đào tạo Sau đại học trường Đại học Giao thông vận tải tạo điều kiện thuận lợi giúp đỡ hướng dẫn suốt thời gian tác giả nghiên cứu Bộ môn khoa Tác giả trân trọng cảm ơn tập thể thầy, cô trường Đại học Giao thông vận tải đóng góp nhiều ý kiến quý báu có giá trị cho nội dung đề tài luận án Tác giả xin bày tỏ lòng biết ơn bạn bè, đồng nghiệp tận tình giúp đỡ động viên suốt trình tác giả học tập, nghiên cứu hoàn thành luận án Cuối cùng, tác giả xin bày tỏ lòng biết ơn sâu sắc tới thành viên gia đình thơng cảm tạo điều kiện chia sẻ khó khăn suốt q trình học tập, nghiên cứu hoàn thành luận án - ii - MỤC LỤC DANH MỤC HÌNH VẼ v DANH MỤC BẢNG BIỂU viii DANH MỤC CHỮ VIẾT TẮT ix MỞ ĐẦU 1 Mở đầu Mục tiêu nghiên cứu Phương pháp nghiên cứu Đối tượng phạm vi nghiên cứu Ý nghĩa khoa học thực tiễn Nội dung kết cấu luận án CHƯƠNG : TỔNG QUAN VỀ NGHIÊN CỨU CHẨN ĐỐN SỨC KHỎE KẾT CẤU CƠNG TRÌNH CẦU DỰA TRÊN PHƯƠNG PHÁP ĐO NHẬN DẠNG DAO ĐỘNG 11 1.1 Tổng quan nghiên cứu chẩn đoán sức khỏe kết cấu cơng trình cầu dựa phương pháp đo nhận dạng dao động 11 1.1.1 Giới thiệu chẩn đốn sức khỏe kết cấu cơng trình cầu dựa phương pháp đo nhận dạng dao động 11 1.1.2 Mục đích chẩn đoán sức khỏe kết cấu dựa phương pháp đo nhận dạng dao động 13 1.1.3 Sự phát triển phương pháp chẩn đoán sức khỏe kết cấu dựa phương pháp đo nhận dạng dao động 16 1.2 Các nghiên cứu giới chẩn đoán kết cấu dựa phương pháp đo nhận dạng dao động 21 1.3 Các nghiên cứu Việt Nam chẩn đoán kết cấu dựa phương pháp đo nhận dạng dao động 27 1.4 Kết luận Chương 30 - iii - CHƯƠNG CƠ SỞ LÝ THUYẾT VỀ GIÁM SÁT SỨC KHỎE KẾT CẤU SỬ DỤNG DỮ LIỆU CHUỖI THỜI GIAN DỰA TRÊN CÁC ĐẶC TRƯNG ĐỘNG HỌC 32 2.1 Khái niệm liệu chuỗi thời gian (Time series data) 32 2.2 Dữ liệu chuỗi thời gian cho giám sát sức khỏe kết cấu 34 2.3 Các loại liệu chuỗi thời gian 37 2.4 Tính bất định liệu chuỗi thời gian giám sát sức khỏe kết cấu cầu 39 2.4.1 Phương trình dao động kết cấu [131] 39 2.4.2 Dao động tự [131] 41 2.4.3 Dao động tắt dần [131] 45 2.4.4 Đặc trưng bất định, ngẫu nhiên chuỗi liệu theo thời gian giám sát sức khỏe kết cấu cầu 47 2.5 Phương pháp xấp xỉ tổng hợp tượng trưng (Symbolic Aggregate approXimation – SAX) 51 2.6 Phương pháp phân rã sóng rời rạc đa cấp (Multilevel Discrete Wavelet Decomposition – MDWD) 54 2.7 Kết luận Chương 56 CHƯƠNG MẠNG HỌC SÂU TRUYỀN THỐNG VÀ MẠNG HỌC SÂU TÍCH CHẬP ỨNG DỤNG TRONG CHẨN ĐỐN KẾT CẤU CƠNG TRÌNH CẦU 57 3.1 Mạng học sâu truyền thống 57 3.1.1 Cấu trúc mạng học sâu truyền thống 59 3.1.2 Một số mạng học sâu truyền thống 63 3.1.3 Mạng học sâu CNN chiều (2DCNN) 63 3.1.4 Mạng học sâu CNN chiều 64 3.2 Mạng học sâu tích chập đề xuất 66 3.3 Kết luận chương 73 - iv - CHƯƠNG ÁP DỤNG MẠNG HỌC SÂU TÍCH CHẬP KẾT HỢP PHƯƠNG PHÁP SAX-MDWD ĐỂ CHẨN ĐOÁN CÁC HƯ HỎNG CHO MƠ HÌNH CẦU 74 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 74 4.1.1 Giới thiệu mơ hình cầu 74 4.1.2 Xử lý liệu 79 4.1.3 Kiến trúc mạng 82 4.1.4 Huấn luyện mạng phân tích kết 84 4.2 Áp dụng mạng học sâu tích chập để chẩn đốn hư hỏng cho mơ hình cầu phịng thí nghiệm 93 4.2.1 Mơ tả mơ hình 93 4.2.2 Thí nghiệm đo dao động mơ hình cầu dây văng 95 4.2.3 Phân tích xử lý số liệu 99 4.2.4 Xử lý liệu 103 4.2.5 Các trường hợp tạo hư hỏng 104 4.2.6 Kiến trúc mạng 105 4.2.7 Phân tích kết 107 4.3 Kết luận chương 111 KẾT LUẬN VÀ KIẾN NGHỊ 112 TÀI LIỆU THAM KHẢO PL1 DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ CỦA LUẬN ÁN PL14 Phụ lục: Code PL15 -v- DANH MỤC HÌNH VẼ Hình 0.1 Q trình chẩn đốn hư hỏng kết cấu cơng trình Hình 1.1 Quá trình phát triển hệ thống quan trắc (Wenzel, 2003) 19 Hình 1.2 Giới thiệu hệ thống “quan trắc thông minh” 19 Hình 1.3 Hệ thống quan trắc cầu dây võng Akashi Kaikyo, Nhật Bản 20 Hình 2.1 Một số loại liệu theo thời gian; (a) Dữ liệu nhiệt độ hàng ngày thấp theo thời gian, (b) Dữ liệu gia tốc theo thời gian trích xuất từ cảm biến 32 Hình 2.2 Tính ổn định không ổn định liệu chuỗi thời gian: (a) chuỗi thời gian ổn định, chuỗi thời gian không ổn định (b – d) 38 Hình 2.3 Hệ thống bậc tự lý tưởng hóa: (a) thành phần bản; (b) lực trạng thái cân 39 Hình 2.4 Mơ hình phần tử nhiều bậc tự 41 Hình 2.5 Ứng dụng phương pháp SAX để giảm chiều liệu 53 Hình 2.6 Phân rã sóng rời rạc ba mức độ tín hiệu 56 Hình 3.1 Kernel kích thước 3*3 57 Hình 3.2 Máy tính coi hình ảnh mảng số Ma trận bên phải chứa số từ đến 255 (giá trị pixel), số tương ứng với độ sáng pixel hình ảnh bên trái Hình hình ảnh tổng hợp ma trận bên phải hình ảnh bên trái 58 Hình 3.3 Một kiến trúc CNN đơn giản bao gồm năm lớp 60 Hình 3.4 Max pooling với kích thước (2,2) 61 Hình 3.5 Sau lớp gộp (2*2) 62 Hình 3.6 Tích hợp tối đa tích hợp trung bình 62 Hình 3.7 Lớp kết nối đầy đủ 63 Hình 3.8 Hình minh họa CNN mẫu với lớp chập lớp kết nối đầy đủ 64 Hình 3.9 Một cấu hình 1DCNN mẫu với lớp CNN ANN 66 Hình 3.10 Mơ hình RNN cho tốn 67 Hình 3.11 Mơ hình LSTM 69 Hình 3.12 Băng chuyền truyền liệu LSTM 70 Hình 3.13 Kiến trúc mạng lai 1-DCNN-LSTM 72 Hình 4.1 Hình chiếu đứng hình chiếu cầu Z24 [129] 75 - vi Hình 4.2 (a) Hình ảnh cầu Z24 trước tạo hư hỏng, (b) Cắt, tạo hư hỏng thân trụ, (c) kích nâng trụ, (d) tạo đứt cáp DƯL [129] 76 Hình 4.3 Sơ đồ bố trí điểm đo (a) mặt bằng, (b) mặt đứng [129] 77 Hình 4.4 (a) – (h) Dữ liệu gia tốc theo thời gian sensors 79 Hình 4.5 Quá trình tiền xử lý liệu động theo thời gian 80 Hình 4.6 Dữ liệu gia tốc theo thời gian sensors sau xử lý phương pháp MDWD SAX 81 Hình 4.7 Dữ liệu gia tốc theo thời gian 16 lớp sau xử lý 82 Hình 4.8 Kiến trúc mạng 1DCNN-LSTM đề xuất 83 Hình 4.9 Đặc trưng mạng 1DCNN-LSTM (MDWD-SAX-1DCNN-LSTM) 83 Hình 4.10 Đặc trưng mạng 1DCNN-LSTM 84 Hình 4.11 Đặc trưng mạng 1DCNN 84 Hình 4.12 Giao diện Google colab 85 Hình 4.13 Sự hội tụ mơ hình (a) độ hội tụ trình huấn luyện phương pháp; (b) độ hội tụ trình đánh giá mạng phương pháp 85 Hình 4.14 Ma trận lỗi (a) 1DCNN; (b) 1DCNN-LSTM; (c) MDWD-SAX-1DCNN-LSTM 91 Hình 4.15 Kết độ xác mạng bước đánh giá 91 Hình 4.16 Mơ hình cầu dây văng phịng thí nghiệm 93 Hình 4.17 Neo dây cáp hàn cố định mặt cầu 94 Hình 4.18 Hệ thống điều chỉnh lực căng dây văng đỉnh tháp 94 Hình 4.19 Quả nặng treo neo cáp kết cấu nhịp 95 Hình 4.24 Đầu đo gia tốc PCB-353B34 96 Hình 4.25 Bộ thu thập liệu cDAQ-9178 mô đun đầu vào NI-9234 96 Hình 4.26 Các sơ đồ bố trí điểm đo dao động 98 Hình 4.27 Bố trí đầu đo gia tốc vị trí theo sơ đồ đo 98 Hình 4.28 Tạo lực kích thích 98 Hình 4.29 Theo dõi liệu đo theo thời gian phần mềm LabView 2014 99 Hình 4.30 Dữ liệu đo miền thời gian trước sau áp dụng biến đổi Fourier 99 Hình 4.31 Dữ liệu thô thu từ cảm biến 103 Hình 4.32 Dữ liệu sau biến đổi dùng SAX-MDWD 104 Hình 4.33 Trường hợp hư hỏng mơ hình cầu dây văng (hư hỏng cấp 2) 105 - vii Hình 4.34 Đặc trưng mạng 1DCNN-LSTM 106 Hình 4.35 Đặc trưng mạng 1DCNN 106 Hình 4.36 Sự hội tụ mơ hình (a) độ hội tụ q trình huấn luyện; (b) độ hội tụ trình đánh giá mạng mơ hình 107 Hình 4.37 Ma trận lỗi (a) 1DCNN; (b) 1DCNN-LSTM; (c) MDWD-SAX-1DCNN-LSTM 109 Hình 4.38 Kết độ xác mạng bước đánh giá 110 PL- - 21 Sohn, H., Farrar, C.R., Hemez, F.M., Shunk, D.D., Stinemates, D.W and Nadler, B.R (2004) A Review of Structural Health Monitoring Literature: 1996–2001 Report LA13976MS Los Alamos National Laboratory 22 Wenzel, H., 2008 Health monitoring of bridges John Wiley & Sons 23 Adams RD, Cawley P, Pye CJ, Stone BJ A vibration technique for nondestructively assessing the integrity of structures J Mech Eng Sci 1978;20:93– 100 24 Cawley P, Adams RD The locations of defects in structures from measurements of natural frequencies J Strain Anal Eng 1979;14(2):49–57 25 Stubbs N, Osegueda R Global non-destructive damage evaluation in solids Int JAnal Exp Mod Anal 1990;5(2):67–79 26 Stubbs N, Osegueda R Global damage detection in solids-experimental verification Int J Anal Exp Mod Anal 1990;5(2):81–97 27 Nandwana BP, Maiti SK Detection of the location and size of a crack in steppedcantilever beams based on measurements of natural frequencies J Sound Vib 1997; 203:435–46 28 Messina A, Williams EJ, Contursi T Structural damage detection by a sensitivity and statistical-based method J Sound Vib 1998;216:791–808 29 Morassi A, Rovere N Localizing a notch in a steel frame from frequency measurements J Eng Mech, ASCE 1997;123(5):422–32 30 Morassi A Identification of a crack in a rod based on changes in a pair of natural frequencies J Sound Vib 2001;242:577–96 31 Patil DP, Maiti SK Detection of multiple cracks using frequency measurements Eng Fract Mech 2003;70:1553–72 32 KIM JT, STUBBS N Crack detection in beam-type structures using frequency data J Sound Vib 2003;259:145–60 33 Zhong S, Oyadiji SO, Ding K Response-only method for damage detection of beam like structures using high accuracy frequencies with auxiliary mass spatial probing J Sound Vib 2008;311:1075–99 34 Yang Z, Wang L Structural damage detection by changes in natural frequencies J Intell Mater Syst Struct 2010;21:309–19 PL- - 35 Sha G, Radzienski ´ M, Cao M, Ostachowicz W A novel method for single and multiple damage detection in beams using relative natural frequency changes Mech Syst Signal Pr 2019;132:335–52 36 Naito H, Bolander JE Damage detection method for RC members using local vibration testing Eng Struct 2019;178:361–74 37 Yang C, Oyadiji SO Damage detection using modal frequency curve and squared residual wavelet coefficients-based damage indicator Mech Syst Signal Pr 2017;83: 385–405 38 Pan J, Zhang Z, Wu J, Ramakrishnan KR, Singh HK A novel method of vibration modes selection for improving accuracy of frequency-based damage detection Compos Part B-Eng 2019;159:437–46 39 He WY, Ren WX Structural damage detection using a parked vehicle induced frequency variation Eng Struct 2018;170:34–41 40 Maity, D and Saha, A (2004), “Damage assessment in structure from changes in static parameter using neural networks”, Sadhana, 29(3), 315-327 https://doi.org/10.1007/BF02703781 41 Miguel, L.F.F., Lopez, R.H and Miguel, L.F.F (2013), “A hybrid approach for damage detection of structures under operational conditions”, J Sound Vib., 332(18), 4241-4260 https://doi.org/10.1016/j.jsv.2013.03.017 42 Kaveh, A and Maniat, M (2015), “Damage detection based on MCSS and PSO using modal data”, Smart Struct Syst., Int J., 15(5), 1253-1270 http://doi.org/10.12989/sss.2015.15.5.1253 43 Mares, C and Surace, C (1996), “An application of genetic algorithms to identify damage in elastic structures”, Journal of Sound and Vibration, 195(2), 195-215 44 Chou, J.H and Ghaboussi, J (2001), “Genetic algorithm in structural damage detection”, Comput Struct., 79(14), 1335-1353 https://doi.org/10.1016/S00457949(01)00027-X 45 Xu, H.J., Ding, Z.H., Lu, Z.R and Liu, J.K (2016), “Structural damage detection using a modified artificial bee colony algorithm”, CMES-Comput Model Eng Sci., 111, 335-355 PL- - 46 Hou, G., Xu, Z., Liu, X and Jin, C (2019), “Improved particle swarm optimization for selection of shield tunneling parameter values”, Comput Model Eng Sci., 118(2), 317-337 47 Khatir, S and Wahab, M.A (2019a), “Fast simulations for solving fracture mechanics inverse problems using POD-RBF XIGA and Jaya algorithm”, Eng Fract Mech., 205, 285-300 https://doi.org/10.1016/j.engfracmech.2018.09.032 48 Tran-Ngoc, H., Khatir, S., Le-Xuan, T., De Roeck, G., Bui-Tien, T and Wahab, M.A (2020c), “A novel machine-learning based on the global search techniques using vectorized data for damage detection in structures”, Int J Eng Sci., 157, 103376 49 Yeung WT, Smith JW Damage detection in bridges using neutral networks for pattern recognition of vibration signatures Eng Struct 2005;27(5):685–98 50 Reda Taha MM, Lucero J Damage identification for structural health monitoring using fuzzy pattern recognition Eng Struct 2005;27(12): 1774–83 51 Li P Structural damage localization using probabilistic neural networks Math Computer Model 2011;54(3-4):965–9 52 Nyarko MH, Nyarko EK, Moric´ D A neural network based modelling and sensitivity analysis of damage ratio coefficient Exp Syst Appl 2011;38(10): 13405–13 53 Li ZX, Yang XM Damage identification for beams using ANN based on statistical property of structural response Comput Struct 2008;86(1-2): 64–71 54 Zhou, Y.L and Wahab, M.A (2017), “Damage detection using vibration data and dynamic transmissibility ensemble with autoassociative neural network”, Mechanics, 23(5), 688-695 http://dx.doi.org/10.5755/j01.mech.23.5.15339 55 Abdeljaber, O., Avci, O., Kiranyaz, S., Gabbouj, M and Inman, D.J (2017), “Real-time vibration-based structural damage detection using one-dimensional convolutional neural networks”, J Sound Vib., 388, 154-170 PL- - 56 Maity, D and Saha, A (2004), “Damage assessment in structure from changes in static parameter using neural networks”, Sadhana, 29(3), 315-327 https://doi.org/10.1007/BF02703781 57 Hakim, S.J.S and Razak, H.A (2013), “Structural damage detection of steel bridge girder using artificial neural networks and finite element models”, Steel Compos Struct., Int J., 14(4), 367-377 https://doi.org/10.12989/scs.2013.14.4.367 58 Khuc, T and Catbas, F.N., 2018 Structural identification using computer vision–based bridge health monitoring Journal of Structural Engineering, 144(2), p.04017202 59 Elshafey, A.A., Dawood, N., Marzouk, H and Haddara, M., 2013 Crack width in concrete using artificial neural networks Engineering structures, 52, pp.676686 60 Dang, H.V., Tran-Ngoc, H., Nguyen, T.V., Bui-Tien, T., De Roeck, G and Nguyen, H.X., 2020 Data-driven structural health monitoring using feature fusion and hybrid deep learning IEEE Transactions on Automation Science and Engineering, 18(4), pp.2087-2103 61 Dang, H.V., Raza, M., Tran-Ngoc, H., Bui-Tien, T and Nguyen, H.X., 2021 Connection stiffness reduction analysis in steel bridge via deep CNN and modal experimental data Structural Engineering and Mechanics, An Int'l Journal, 77(4), pp.495-508 62 Nguyen, T.T., Phan, T.T.V., Ho, D.D., Pradhan, A.M.S and Huynh, T.C., 2022 Deep learning-based autonomous damage-sensitive feature extraction for impedance-based prestress monitoring Engineering Structures, 259, p.114172 63 Fernandez-Navamuel, A., Zamora-Sánchez, D., Omella, Á.J., Pardo, D., GarciaSanchez, D and Magalhães, F., 2022 Supervised Deep Learning with Finite Element simulations for damage identification in bridges Engineering Structures, 257, p.114016 64 Xu, Y., Lu, X., Cetiner, B., & Taciroglu, E (2021) Real‐time regional seismic damage assessment framework based on long short‐term memory neural network Computer‐Aided Civil and Infrastructure Engineering, 36(4), 504-521 PL- - 65 Sony, S., Gamage, S., Sadhu, A., & Samarabandu, J (2022, January) Vibrationbased multiclass damage detection and localization using long short-term memory networks In Structures (Vol 35, pp 436-451) Elsevier 66 Althubiti, S., Nick, W., Mason, J., Yuan, X., & Esterline, A (2018, April) Applying long short-term memory recurrent neural network for intrusion detection In SoutheastCon 2018 (pp 1-5) IEEE 67 Avci, O., Abdeljaber, O., Kiranyaz, S., & Inman, D (2017) Structural damage detection in real time: implementation of 1D convolutional neural networks for SHM applications In Structural Health Monitoring & Damage Detection, Volume 7: Proceedings of the 35th IMAC, A Conference and Exposition on Structural Dynamics 2017 (pp 49-54) Springer International Publishing 68 Sharma, S., & Sen, S (2020) One-dimensional convolutional neural networkbased damage detection in structural joints Journal of Civil Structural Health Monitoring, 10(5), 1057-1072 69 Rai, A., & Mitra, M (2021) Lamb wave based damage detection in metallic plates using multi-headed 1-dimensional convolutional neural network Smart Materials and Structures, 30(3), 035010 70 Tran-Ngoc, H., Khatir, S., De Roeck, G., Bui-Tien, T and Wahab, M.A., 2019 An efficient artificial neural network for damage detection in bridges and beam-like structures by improving training parameters using cuckoo search algorithm Engineering Structures, 199, p.109637 71 B Đ Chính Mơ hình tốn đánh giá cầu BTCT dựa kết kiểm tra thí nghiệm trường Tuyển tập cơng trình khoa học Hội nghị Cơ học toàn quốc lần thứ VI 1997, 72 B Đ Chính Các phương pháp thí nghiệm khơng phá hủy đánh giá cầu BTCT Tạp chí Giao thông Vận tải, (10), tr 25-27 1997, 73 B Đ Chính Một số kết ban đầu đánh giá cầu BTCT Việt Nam Tạp chí Giao thơng Vận tải, (12), tr 41-43 1997, 74 B Đ Chính Áp dụng bệnh học cơng trình tin học đánh giá KCN đơn giản cầu bê tông cốt thép đường ô tô Luận án Tiến sĩ kỹ thuật Viện Khoa học Công nghệ GTVT, Hà Nội 2002, PL- - 75 N T Minh xác định tham số toán chẩn đoán kết cấu phương pháp động để cải tiến công tác quản lý công trình cầu Luận án Tiến sỹ, ĐHGTVT, 2017 2017, 76 P X Khang Chẩn đoán cầu phương pháp động Tuyển tập Báo cáo khoa học Hội nghị KH-CN kết cấu xây dựng lần thứ 3, Hà Nội 11/1994 1994, 77 P X Khang Một số kết chẩn đoán động thí nghiệm kích động điều hịa cầu n Bái Tuyển tập cơng trình khoa học Hội nghị CHVRBD toàn quốc lần thứ 6, Hà Nội 26-27/11/1999 1999, 78 P X Khang Chẩn đoán kết cấu nhịp cầu phương pháp dao động Luận án Tiến sĩ kỹ thuật Viện Khoa học Công nghệ GTVT, Hà Nội 2001, 79 N Khiem, and T Lien A simplified method for natural frequency analysis of a multiple cracked beam Journal of sound and vibration 2001, 245, 737-751 80 N T Đức, T V Liên, and N T Hường Xác định vị trí vết nứt dầm fgm phân tích wavelet dừng dạng dao động riêng Tạp chí Khoa học Công nghệ Xây dựng (KHCNXD)-ĐHXD 2018, 12, 20-33 81 Tạ Hữu Vinh, “Nghiên cứu dao động kết cấu hệ chịu tải trọng di động phương pháp số” Luận án Tiến Sỹ Kỹ thuật, Hà Nội 2005 82 Nguyễn Hữu Thuấn, Ngô Văn Minh Đo đạc thực nghiệm mô số nhận dạng dao động kết cấu nhịp cầu dây văng Mỹ Thuận Tạp chí giao thơng 2016, 83 Nguyễn Trọng Nghĩa, Hoàng Nam, Nguyễn Ngọc Long Xác định lực căng cáp cầu dây văng phương pháp đồ thị Tạp chí giao thơng Vận tải 2015, 84 Vũ Văn Toản “Phân tích dao động kết cấu nhịp cầu tác động hoạt tải khai thác có xét đến độ mấp mơ mặt cầu” Luận án Tiến Sỹ Kỹ thuật, Đại học Giao thông Vận tải, Hà Nội 2017 PL- - 85 Trần Văn Đức Nghiên cứu dao động cầu dây văng tác dụng tải trọng di động có xét đến tốc độ thay đổi lực hãm xe Luận án tốt nghiệp Đại học Đà Nẵng, 2016 2016, 86 Bùi Tiến Thành, Lê Hoàng Minh Lựa chọn vị trí tối ưu đặt điểm đo dao động phục vụ công tác đo đạc dao động cầu treo dây văng Tạp chí giao thơng Vận tải 2016, 87 Nguyen Van Pho (1999) Journal of Mechanics, NCST of Vietnam, n1, V21, P25 – 35 A method for technical diagnostics of construction 88 Bùi Xuân Học Nghiên cứu ứng dụng hệ thống quan trắc cơng trình cầu dây võng, dây văng Việt Nam Đề tài KHCN cấp Bộ năm 2006 89 Bùi Xuân Ngó Nghiên cứu thiết kế chế tạo hệ thống quan trắc theo thời gian thực (liên tục) số tiêu kỹ thuật cho cầu dây văng giai đoạn khai thác Đề tài cấp Bộ 2009 90 Hồ Khắc Hạnh “chẩn đoán dầm cầu phương pháp phân tích dao động mơ hình số hố kết cấu cập nhật sử dụng thuật toán tối ưu hoá bầy đàn kết hợp mạng nơ ron nhân tạo” Luận án tiến sỹ Trường ĐHGTVT 2022 91 Tee, K.F., Cai, Y and Chen, H.P., 2013 Structural damage detection using quantile regression Journal of Civil Structural Health Monitoring, 3(1), pp.19-31 92 Sohn, H and Farrar, C.R., 2001 Damage diagnosis using time series analysis of vibration signals Smart materials and structures, 10(3), p.446 93 Fassois, S.D and Sakellariou, J.S., 2009 Statistical time series methods for structural health monitoring Encyclopedia of structural health monitoring, pp.443-472 94 de Lautour, O.R and Omenzetter, P., 2010 Damage classification and estimation in experimental structures using time series analysis and pattern recognition Mechanical Systems and Signal Processing, 24(5), pp.15561569 PL- 10 - 95 Hoell, S and Omenzetter, P., 2016 Optimal selection of autoregressive model coefficients for early damage detectability with an application to wind turbine blades Mechanical Systems and Signal Processing, 70, pp.557-577 96 Yao, R and Pakzad, S.N., 2013 Damage and noise sensitivity evaluation of autoregressive features extracted from structure vibration Smart materials and structures, 23(2), p.025007 97 Fugate, M.L., Sohn, H and Farrar, C.R., 2001 Vibration-based damage detection using statistical process control Mechanical systems and signal processing, 15(4), pp.707-721 98 Mattson, S.G and Pandit, S.M., 2006 Statistical moments of autoregressive model residuals for damage localisation Mechanical Systems and Signal Processing, 20(3), pp.627-645 99 Yao, R and Pakzad, S.N., 2012 Autoregressive statistical pattern recognition algorithms for damage detection in civil structures Mechanical Systems and Signal Processing, 31, pp.355-368 100 Carden, E.P and Brownjohn, J.M., 2008 ARMA modelled time-series classification for structural health monitoring of civil infrastructure Mechanical systems and signal processing, 22(2), pp.295314 101 Yao, R and Pakzad, S.N., 2013 Damage and noise sensitivity evaluation of autoregressive features extracted from structure vibration Smart materials and structures, 23(2), p.025007 102 Nair, K.K., Kiremidjian, A.S and Law, K.H., 2006 Time series-based damage detection and localization algorithm with application to the ASCE benchmark structure Journal of Sound and Vibration, 291(1-2), pp.349368 103 Johnson, E.A., Lam, H.F., Katafygiotis, L.S and Beck, J.L., 2004 Phase I IASC-ASCE structural health monitoring benchmark problem using simulated data Journal of engineering mechanics, 130(1), pp.3-15 PL- 11 - 104 Entezami, A., Sarmadi, H., Salar, M., De Michele, C and Arslan, A.N., 2021 A novel data-driven method for structural health monitoring under ambient vibration multidimensional and high-dimensional scaling Structural features Health by robust Monitoring, p.1475921720973953 105 Mosavi, A.A., Dickey, D., Seracino, R and Rizkalla, S., 2012 Identifying damage locations under ambient vibrations utilizing vector autoregressive models and Mahalanobis distances Mechanical systems and signal processing, 26, pp.254-267 106 Entezami, A., Sarmadi, H., Behkamal, B and Mariani, S., 2020 Big data analytics and structural health monitoring: a statistical pattern recognitionbased approach Sensors, 20(8), p.2328 107 Yao, R and Pakzad, S.N., 2012 Autoregressive statistical pattern recognition algorithms for damage detection in civil structures Mechanical Systems and Signal Processing, 31, pp.355-368 108 Bao, C., Hao, H and Li, Z.X., 2013 Integrated ARMA model method for damage detection of subsea pipeline system Engineering Structures, 48, pp.176-192 109 Silva, S.D., Dias Júnior, M and Lopes Junior, V., 2007 Damage detection in a benchmark structure using AR-ARX models and statistical pattern recognition Journal of the Brazilian Society of Mechanical Sciences and Engineering, 29, pp.174-184 110 Gul, M and Catbas, F.N., 2011 Structural health monitoring and damage assessment using a novel time series analysis methodology with sensor clustering Journal of Sound and Vibration, 330(6), pp.1196-1210 111 Kopsaftopoulos, F.P and Fassois, S.D., 2015 A vibration model residual-based sequential probability ratio test framework for structural health monitoring Structural Health Monitoring, 14(4), pp.359-381 112 Roy, K., Bhattacharya, B and Ray-Chaudhuri, S., 2015 ARX modelbased damage sensitive features for structural damage localization using PL- 12 - output-only measurements Journal of Sound and Vibration, 349, pp.99122 113 Press, C.R.C., 2011 Taylor & Francis: Boca Raton FL, USA 114 Box, G.E., Jenkins, G.M., Reinsel, G.C and Ljung, G.M., 2015 Time series analysis: forecasting and control John Wiley & Sons 115 Ross, S.M., 2020 Introduction to probability and statistics for engineers and scientists Academic press 116 Peeters, B., 2000 System identification and damage detection in civil engeneering 117 He, Z., Long, S., Ma, X and Zhao, H., 2020 A boundary distance-based symbolic aggregate approximation method for time series data Algorithms, 13(11), p.284 118 Wang, J., Wang, Z., Li, J and Wu, J., 2018, July Multilevel wavelet decomposition network for interpretable time series analysis In Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp 2437-2446) 119 Hubel, D.H and Wiesel, T.N., 1968 Receptive fields and functional architecture of monkey striate cortex The Journal of physiology, 195(1), pp.215-243 120 Fukushima, K and Miyake, S., 1982 Neocognitron: A self-organizing neural network model for a mechanism of visual pattern recognition In Competition and cooperation in neural nets (pp 267-285) Springer, Berlin, Heidelberg 121 Maity, D and Saha, A., 2004 Damage assessment in structure from changes in static parameter using neural networks Sadhana, 29(3), pp.315327 122 Nguyen, V.V., Dackermann, U., Li, J., Alamdari, M.M., Mustapha, S., Runcie, P and Ye, L., 2015 Damage identification of a concrete arch beam based on frequency response functions and artificial neural networks Electronic Journal of Structural Engineering, 14(1), pp.75-84 PL- 13 - 123 Janssens, O., Slavkovikj, V., Vervisch, B., Stockman, K., Loccufier, M., Verstockt, S., Van de Walle, R and Van Hoecke, S., 2016 Convolutional neural network based fault detection for rotating machinery Journal of Sound and Vibration, 377, pp.331-345 124 Cascardi, A., Micelli, F and Aiello, M.A., 2017 An Artificial Neural Networks model for the prediction of the compressive strength of FRPconfined concrete circular columns Engineering Structures, 140, pp.199208 125 Nguyễn Thanh Tuấn Deep Learning https://nttuan8.com/sachdeep-learning-co-ban/ 126 LeCun, Y., Bottou, L., Bengio, Y and Haffner, P., 1998 Gradient-based learning applied to document recognition Proceedings of the IEEE, 86(11), pp.2278-2324 127 Kiranyaz, S., Ince, T and Gabbouj, M., 2015 Real-time patient-specific ECG classification by 1-D convolutional neural networks IEEE Transactions on Biomedical Engineering, 63(3), pp.664-675 128 Hochreiter, S and Schmidhuber, J., 1997 Long short-term memory Neural computation, 9(8), pp.1735-1780 129 Maeck, J and De Roeck, G., 2003 Description of Z24 benchmark Mechanical Systems and Signal Processing, 17(1), pp.127131 130 Reynders, E and De Roeck, G., 2014 Vibration-based damage identification: the Z24 benchmark 131 Ray, W Clough, and Penzien Joseph "Dynamics of structures." Computers & Structures, Berkeley, CA, USA, (2003) 132 TCVN 11823:2017 "Tiêu chuẩn thiết kế cầu đường bộ" 133 TCVN 12882:2020 "Tiêu chuẩn đánh giá tải trọng khai thác cầu đường bộ" PL- 14 - DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ CỦA LUẬN ÁN Tran-Ngoc, H., Nguyen-Manh, H., Tran, H.V., Nguyen-Huu, Q., Hoang-Thanh, N., Le-Xuan, T., Bui-Tien, T., Nguyen-Cam, N and Wahab, M.A., 2022 Topology Optimization for a Large-Scale Truss Bridge Using a Hybrid Metaheuristic Search Algorithm In Proceedings of the 2nd International Conference on Structural Damage Modelling and Assessment (pp 37-48) Springer, Singapore Ho, V.L., Hoang, T.N., Roeck, G.D., Bui, T.T and Abdel Wahab, M., 2020 Effects of measuring techniques on the accuracy of estimating cable tension in a cable-stay bridge In Proceedings of the 13th International Conference on Damage Assessment of Structures (pp 433-445) Springer, Singapore Hoang Thanh Nam, Hoang Ha (2023) Các phương pháp đại chẩn đoán trạng thái kỹ thuật (sức khỏe) cơng trình cầu khả áp dụng Việt Nam Tạp chí Cầu Đường, số 1, trang 11-16 Hoa Tran Ngoc, Thang Le Xuan, Nam Hoang Thanh, Ly Dao Dac, Thanh Bui-Tien and M Abdel Wahab A Hybrid Optimization Algorithm for Structural Health Monitoring In Proceedings of the 5th International Conference on Numerical Modelling in Engineering Hoàng Thanh Nam, Hoàng Hà, Nguyễn Hữu Hưng Ứng dụng phương pháp đại chẩn đoán trạng thái kỹ thuật (sức khỏe) cơng trình cầu, Xu hướng – Hiện trạng – Giải pháp Tạp chí Cầu Đường, trang 17-23 PL- 15 - PHỤ LỤC: CODE from sklearn.metrics import confusion_matrix, classification_report from sklearn.model_selection import train_test_split from tensorflow.keras.layers import * from keras.layers import LSTM from tensorflow import keras import numpy as np import matplotlib.pyplot as plt from sklearn.metrics import confusion_matrix, ConfusionMatrixDisplay from sklearn.svm import SVC #from keras.utils.np_utils import to_categorical keras.utils.to_categorical from sklearn import preprocessing import matplotlib.pyplot as plt import pickle import os with open('D:/03_OneDrive/OneDrive/01_WORKING/ResNet_LSTM/Code/new_data/train_Z24_08_0 8.p', 'rb') as f: XXX_train = pickle.load(f) y_train = pickle.load(f) with open('D:/03_OneDrive/OneDrive/01_WORKING/ResNet_LSTM/Code/new_data/valid_Z24_08_0 8.p', 'rb') as f: XXX_valid = pickle.load(f) y_valid = pickle.load(f) # Building the model # y_train = to_categorical(y_train).astype("int16") print(XXX_train.shape[2]) print(XXX_valid.shape) X_train, X_test, Y_train, Y_test = train_test_split(XXX_train, y_train, test_size=0.4, random_state=42) aaa=np.unique(y_train) print(aaa) num_classes = len(np.unique(y_train)) print(num_classes) 1DCNN # 1dcnn from keras.models import Sequential #from keras.layers import Dense, Activation model = Sequential() PL- 16 model.add(keras.layers.Conv1D(filters=256, kernel_size=3, padding="same", input_shape=(XXX_train.shape[1], XXX_train.shape[2]))) model.add(keras.layers.BatchNormalization()) model.add(keras.layers.ReLU()) model.add(Flatten()) model.add(Dense(64)) model.add(Dense(num_classes, activation='softmax')) model.compile(loss='sparse_categorical_crossentropy', optimizer="adam", metrics=['accuracy']) # model.build(input_shape=(None, XXX_train.shape[1], XXX_train.shape[2])) model.summary() history = model.fit(XXX_train, y_train, epochs=10, batch_size=32, validation_data=(XXX_valid, y_valid), verbose=1) dcnn_val = history.history['val_accuracy'] plt.figure() plt.plot(history.history['accuracy'], label='train') plt.plot(history.history['val_accuracy'], label='test') plt.title("Plot Accuracy Train/Test") plt.legend() plt.show() print("validate") # check validate y_pred = model.predict(XXX_valid) y_pred_bool = np.argmax(y_pred, axis=1) #print(confusion_matrix(y_valid, y_pred_bool)) cm = confusion_matrix(y_valid, y_pred_bool) disp = ConfusionMatrixDisplay(confusion_matrix=cm) disp.plot() plt.show() print(classification_report(y_valid, y_pred_bool)) # check test print("test") y_pred = model.predict(X_test) y_pred_bool = np.argmax(y_pred, axis=1) print(confusion_matrix(Y_test, y_pred_bool)) print(classification_report(Y_test, y_pred_bool)) print("train") y_pred = model.predict(X_train) y_pred_bool = np.argmax(y_pred, axis=1) #print(confusion_matrix(Y_train, y_pred_bool)) print(classification_report(Y_train, y_pred_bool)) cm = confusion_matrix(Y_train, y_pred_bool) disp = ConfusionMatrixDisplay(confusion_matrix=cm) disp.plot() plt.show() print(classification_report(Y_train, y_pred_bool)) test_loss, test_acc = model.evaluate(XXX_valid, y_valid) LSTM PL- 17 # LSTM #model = keras.models.Sequential() from keras.models import Sequential #from keras.layers import Dense, Activation model = Sequential() # Adding LSTM layer # model.add(Conv1D(filters=256, kernel_size=3, padding="same", input_shape=(XXX_train.shape[1], XXX_train.shape[2]))) model.add(LSTM(1025, return_sequences=True, input_shape=(XXX_train.shape[1], XXX_train.shape[2]), dropout=0.5)) # model.add(MaxPooling1D(2)) model.add(LSTM(128, return_sequences=True, dropout=0.3)) # model.add(MaxPooling1D(2)) model.add(Flatten()) model.add(Dense(64)) model.add(Dense(num_classes, activation='softmax')) model.compile(loss='sparse_categorical_crossentropy', optimizer="adam", metrics=['accuracy']) # model.build(input_shape=(None, XXX_train.shape[1], XXX_train.shape[2])) model.summary() history = model.fit(XXX_train, y_train, epochs=100, batch_size=32, validation_data=(XXX_valid, y_valid), verbose=1) lstm_val = history.history['val_accuracy'] plt.figure() plt.plot(history.history['accuracy'], label='train') plt.plot(history.history['val_accuracy'], label='test') plt.title("Plot Accuracy Train/Test") plt.legend() plt.show() print("validate") # check validate y_pred = model.predict(XXX_valid) y_pred_bool = np.argmax(y_pred, axis=1) print(confusion_matrix(y_valid, y_pred_bool)) print(classification_report(y_valid, y_pred_bool)) # check test print("test") y_pred = model.predict(X_test) y_pred_bool = np.argmax(y_pred, axis=1) print(confusion_matrix(Y_test, y_pred_bool)) print(classification_report(Y_test, y_pred_bool)) print("train") y_pred = model.predict(X_train) y_pred_bool = np.argmax(y_pred, axis=1) print(confusion_matrix(Y_train, y_pred_bool)) print(classification_report(Y_train, y_pred_bool)) test_loss, test_acc = model.evaluate(XXX_valid, y_valid)