cải tiến phương pháp năng lượng biến dạng kết hợp với mạng nơ ron tích chập để chẩn đoán sự suy giảm độ cứng trong kết cấu khung

Thực hiện bài toán mở rộng, đề xuất phương pháp cải tiến nhằm chẩn đoán sự xuất hiện, vị trí và mức độ hư hỏng trong khung không gian chỉ sử dụng dạng dao động thứ nhất làm dữ liệu đầu

GIỚI THIỆU

Đặt vấn đề

Ngày nay, khoa học kỹ thuật ngày càng phát triển, cơ sở hạ tầng ngày một nâng cao, lĩnh vực theo dõi “sức khỏe” kết cấu (Structural Health Monitoring: SHM) đã trở thành một vấn đề quen thuộc vì tính cấp thiết của nó Khi mà ngày càng có nhiều công trình được mọc lên, nhà cao tầng, cầu đường, cảng biển,… được xây dựng với quy mô ngày càng lớn, đặc biệt là các công trình quan trọng, chi phí cao và cần chịu tải trọng lớn; việc theo dõi, giám sát và đánh giá sức khỏe công trình một cách thường xuyên và liên tục là cực kỳ cần thiết và gần như là một yếu tố bắt buộc trong suốt quá trình sử dụng Tính cấp thiết của nó không chỉ đến từ sự suy giảm chất lượng kết cấu khi trải qua một thời gian dài sử dụng mà còn đến từ các tác nhân khác nhau mà không thể kiểm soát được hết trong quá trình thiết kế và thi công công trình Do đó, công tác khảo sát đánh giá thường xuyên và liên tục sẽ giúp ích rất nhiều trong việc sớm phát hiện ra được những hư hỏng đáng kể của công trình xây dựng; từ đó, việc bảo trì, sửa chữa và gia cố hệ kết cấu trở nên kịp thời, chính xác và nhanh chóng nhất

Trong ngành xây dựng hiện tại, hệ kết cấu chịu lực chính đã và đang được sử dụng rất phổ biến là hệ kết cấu khung vì tính hiệu quả về mặt thiết kế, thi công cũng như là chi phí xây dựng Khi tiến hành thiết kế và tính toán kết cấu, các công trình sẽ thường được mô hình lại theo một hệ thống khung đơn giản hơn gồm có các thanh chịu lực và các nút giao dưới dạng khung phẳng (2D) hoặc khung không gian (3D) tùy vào mục đích tính toán của người thiết kế

(a) Kết cấu bị khuyết tật về (b) Kết cấu bị ăn mòn kích thước hình học và bị nứt

Hình 1.1 Các dạng hư hỏng trong kết cấu (Nguồn: Internet)

Hư hỏng trong kết cấu có nhiều dạng khác nhau tùy thuộc vào tác nhân gây ra Hình 1.1 thể hiện một vài hư hỏng thường gặp trong kết cấu thực tế Các hư hỏng phổ

2 biến có thể kể đến như: kết cấu chịu lực quá mức làm xuất hiện võng, nứt; do một vài tác nhân từ môi trường như ăn mòn, động đất hoặc các tác động từ con người dẫn đến suy giảm khả năng chịu lực; có thể đến từ những sai sót trong quá trình thi công, chống thấm và sửa chữa dẫn đến xuất hiện vết nứt hay khuyết tật cho hệ kết cấu; với các công trình thép thì còn có các hiện tượng lỏng bu lông liên kết, mối hàn giảm chất lượng,…

Từ việc nhận biết được những tác nhân và nguyên nhân khiến cho kết cấu bị suy giảm, những phương pháp giám sát sức khỏe kết cấu đã được nghiên cứu đề xuất và sử dụng Có hai phương pháp chính để đánh giá hư hỏng là phương pháp phá hủy và phương pháp không phá hủy Trong đó, phương pháp không phá hủy tỏ ra ưu việt hơn rất nhiều khi kể về chi phí, quy trình đo lường, kiểm tra và phân tích hư hỏng Thêm vào đó là sự phát triển của các ngôn ngữ lập trình cũng như là phương pháp phần tử hữu hạn (Finite Element Method – FEM) đã giúp cho việc giám sát hư hỏng trong kết cấu bằng phương pháp không phá hủy trở thành phương pháp được đánh giá là cực kỳ hiệu quả

Khi xem xét và chẩn đoán hư hỏng bằng phương pháp kể trên, những hư hỏng có thể phát hiện bằng những thay đổi trong đặc tính rung động của kết cấu mà bản chất của nó có thể được xem là sự suy giảm độ cứng trong kết cấu Một hệ thống phân loại các phương pháp xác định thiệt hại đã được để trình bày bởi Rytter (1993) bao gồm

• Cấp độ 1: Xác định thiệt hại hiện diện trong kết cấu

• Cấp độ 2: Xác định vị trí thiệt hại

• Cấp độ 3: Định lượng mức độ nghiêm trọng của hư hỏng xảy ra

• Cấp độ 4: Đưa ra nhận định và dự đoán tuổi thọ sử dụng của kết cấu

Hình 1.2 Hình minh họa bốn cấp độ xác định thiệt hại

Trong đó, từ cấp 1 đến cấp 3 liên quan trực tiếp đến các vấn đề về mô hình hóa và thử nghiệm động lực học kết cấu Cấp độ 4 lại không được dự đoán dựa trên việc phân tích dạng dao động và tần số dao động tự nhiên của công trình Do đó, trong luận văn này không thực hiện chẩn đoán cấp độ 4

Trong nghiên cứu về chẩn đoán sức khỏe công trình, nhiều phương pháp và chỉ số khác nhau được đưa ra nhằm tìm ra phương án tối ưu và chính xác nhất trong công tác xác định hư hỏng này Và các phương pháp sử dụng đặc trưng năng lượng biến dạng (chỉ số năng lượng biến dạng – Modal Strain Energy – MSE) là một phương pháp được ứng dụng rộng rãi nhờ vào việc nó là một chỉ tiêu có độ nhạy cao với những thay đổi trong độ cứng của phần tử trong khung

Hiện nay, với sự phát triển của khoa học công nghệ và xu hướng ứng dụng trí tuệ nhân tạo (Artificial Intelligence – AI) vào trong ngành xây dựng đang ngày một tăng lên Đã có những đóng góp đáng kể của chúng trong việc thúc đẩy sự phát triển lĩnh vực kiểm tra sức khỏe công trình, giúp cho việc phát hiện hư hỏng trở nên dễ dàng, nhanh chóng và chính xác hơn Hình 1.3 thể hiện một mô hình ứng dụng thuật toán trí tuệ nhân tạo trong việc đánh giá thiệt hại của kết cấu sau động đất

Hình 1.3 Mô hình dùng AI để đánh giá thiệt hại sau sự kiện động đất từ dữ liệu gia tốc từ các cảm biến trong kết cấu [2]

Học sâu (Deep Learning – DL) là một lĩnh vực của công nghệ máy học (Machine Learning – ML) trong công nghệ AI Máy tính sẽ học hỏi từ bộ dữ liệu lớn (Big Data) để đưa ra những cải tiến tốt hơn trong lĩnh vực của bộ dữ liệu đó đề cập Học sâu được xây dựng dựa trên cơ sở các khái niệm phức tạp liên quan tới mạng nơ-ron nhân tạo – mô phỏng dựa trên mạng nơ-ron sinh học trong não bộ con người Các mạng nơ-ron nhân tạo trong học sâu được thiết lập để mô phỏng khả năng tư duy của con người Mỗi mạng gồm nhiều lớp và trong mỗi lớp thì các nút mạng được liên kết với các nút liền kề với nó Từng nút mạng là các nơ-ron có hàm kích hoạt riêng làm nhiệm

Mục tiêu và nội dung nghiên cứu

vụ chẩn hóa đầu ra nhằm đạt được kết quả chuẩn đoán mong muốn

Hình 1.4 Minh họa mạng nơ-ron nhân tạo (Nguồn: VTC Academy)

Mạng nơ-ron tích chập (Convolutional Neural Networks – CNN) là một mạng nơ-ron được phát triển và nâng cấp so với mạng nơ-ron truyền thống vốn chỉ phù hợp với các bài toán phân loại, hồi quy Mạng CNN ban đầu được phát triển với mục tiêu xử lý các bài toán liên quan tới phân tích hình ảnh và video phức tạp Với việc được tích hợp thêm pha tích chập, thuật toán sẽ có khả năng biến đổi thông tin với bộ lọc nhằm đưa ra tín hiệu mới chứa các đặc trưng chính và quan trọng nhất Cấu trúc của một mạng CNN ngoài lớp đầu vào và lớp đầu ra, có ba lớp chính giúp CNN xử lý thông tin bao gồm: lớp tích chập, lớp tổng hợp và lớp kết nối hoàn toàn Thuật toán này cực kỳ hữu ích khi giảm được kích thước của dữ liệu phân tích nhưng vẫn thu lại được dữ liệu đặc trưng nhất của thông số đầu vào

Trong chẩn đoán sức khỏe kết cấu công trình bằng phương pháp sử dụng các dạng dao động để tính toán chỉ số năng lượng biến dạng Mỗi dữ liệu từ công tác kể trên đều mang những đặc trưng riêng cho từng phần tử và trạng thái trước và sau hư hỏng Từ đó, việc kết hợp mạng CNN vào trong quy trình chẩn đoán sẽ tạo lợi thế rất lớn khi bóc tách được các đặc trưng này, làm cơ sở cho việc chẩn đoán vị trí và mức độ hư hỏng trong kết cấu

1.2 Mục tiêu và nội dung nghiên cứu

Mục tiêu nghiên cứu này là cải tiến phương pháp nhằm chẩn đoán sự xuất hiện, vị trí và mức độ hư hỏng cho kết cấu khung Sự kết hợp giữa phương pháp năng lượng biến dạng kết hợp với mạng nơ-ron tích chập là thuật toán được sử dụng trong nghiên cứu này

Phương pháp đề xuất chính trong nghiên cứu là sử dụng chỉ số năng lượng biến dạng (MSE) làm cơ sở dữ liệu để thực hiện học sâu bằng phương pháp sử dụng mạng nơ-ron tích chập (CNN) Từ đó, tiến hành đánh giá về sự xuất hiện, vị trí và mức độ hư hỏng trong kết cấu khung được khảo sát

Cụ thể, nghiên cứu sẽ có các nội dung chính như sau:

• Nghiên cứu cơ sở lý thuyết của phương pháp PTHH, chỉ số năng lượng biến dạng MSE, và các lý thuyết khác liên quan đến chẩn đoán sức khỏe công trình Nghiên cứu việc sử dụng thuật toán trí tuệ nhân tạo (AI) và học sâu (DL) trong chẩn đoán vị trí và mức độ hư hỏng

• Phân tích tần số dao động tự nhiên của kết cấu khung phẳng và kết cấu khung không gian bằng phương pháp PTHH So sánh, đối chiếu với kết quả từ các bài báo tham khảo và kết quả của phần mềm SAP2000

• Nghiên cứu xây dựng thông số và bộ dữ liệu đầu vào cho mạng nơ-ron tích chập dựa trên các đặc trưng dao động và chỉ số năng lượng biến dạng nhằm cải thiện độ chính xác khi cắt giảm dữ liệu dạng dao động

• Áp dụng phương pháp đề xuất để chẩn đoán sự xuất hiện, vị trí và mức độ hư hỏng cho kết cấu khung phẳng và kết cấu khung không gian sử dụng lần lượt là 4 và 6 dạng dao động làm dữ liệu đầu vào So sánh, kiểm chứng kết quả với các nghiên cứu trước đây

• Áp dụng phương pháp cải tiến để chẩn đoán sự xuất hiện, vị trí và mức độ hư hỏng trong khung không gian chỉ sử dụng dạng dao động thứ nhất làm cơ sở dữ liệu cho mạng CNN

1.3 Đối tượng và phạm vi nghiên cứu

Trong quy mô luận văn, đối tượng nghiên cứu là sự hư hỏng của các phần tử trong kết cấu khung phẳng và kết cấu khung không gian được nhận biết thông qua sự sự suy giảm độ cứng của phần tử trong khung

Về phạm vi nghiên cứu, để đảm bảo tiến độ và chất lượng nội dung nghiên cứu, luận văn sẽ được giới hạn trong những phạm vi sau:

• Chỉ khảo sát khung phẳng và khung không gian

• Sử dụng chỉ số năng lượng biến dạng và mạng nơ-ron tích chập làm hệ thống chẩn đoán chính cho thuật toán đề xuất

• Kết cấu được mô phỏng dựa trên thuật toán bằng phương pháp PTHH

• Kết cấu mô phỏng trong trạng thái lý tưởng khi bỏ qua các tác động từ môi trường và các các yếu tố gây nhiễu khác Kết cấu chỉ được khảo sát dựa trên đặc trưng vật liệu và thông số mô hình, không kể tới các yếu tố khách quan khác làm thay đổi các thông số nêu trên

1.4 Tính cần thiết và ý nghĩa thực tiễn của nghiên cứu

Trong thực tế đời sống, các công trình xây dựng nói chung đều được sử dụng với một khoảng thời gian dài, thậm chí là rất dài Từ đó, việc đảm bảo sự an toàn bằng cách kiểm tra thường xuyên khả năng chịu lực của công trình gần như là công tác bắt buộc trong quá trình vận hành Thêm vào đó, kết cấu khung lại là kết cấu phổ biến nhất trong các công trình hiện nay Do đó, cần có nhiều nghiên cứu hơn trong kết cấu khung để phát triển và cải tiến các phương pháp chẩn đoán ngày càng nhanh chóng và chính xác hơn

Hiện nay, các chẩn đoán sử dụng các thiết bị quan trắc ngày càng phát triển do sự phát triển của máy móc tiên tiến hơn Tuy vậy, chi phí để mua và sử dụng các thiết bị này rất cao, cần có nhân lực chất lượng cao để thực hiện nhằm đảm bảo được tính chính xác của thông số đo được Trong khi đó, phương pháp đo đạc các đặc trưng giao động thông qua các cảm biến đặt trong kết cấu lại dễ dàng, chính xác và tiết kiệm chi phí hơn rất nhiều Phương pháp sử dụng năng lượng biến dạng cũng đã được nhiều bài báo nghiên cứu và chứng minh được độ nhạy của nó trong việc thay đổi độ cứng trong kết cấu Do đó, việc sử dụng chỉ số năng lượng biến dạng được tính toán dựa trên đặc trưng dao động trở thành một giải pháp cực kỳ hữu ích

Tuy phương pháp đo đạc đặc trưng dao động được xem là dễ dàng tiếp cận hơn, việc đo đạc nhiều dạng dao động khác nhau nhất là các dạng dao động xoắn là cực kỳ khó khăn, thậm chí là không thể đo đạc được Từ đó phát sinh nhu cầu cần chẩn đoán đúng vị trí và mức độ hư hỏng nhưng chỉ cần một vài dạng dao động hoặc chỉ cần dạng dao động đầu tiên Nếu thực hiện được sẽ làm thực tế hóa các phương pháp đề xuất và đưa vào chẩn đoán hư hỏng trong kết cấu một cách thường xuyên và liên tục

Với sự phát triển của khoa học máy tính và các thuật toán chẩn đoán, việc tích hợp trí tuệ nhân tạo trong công tác chẩn đoán là một bước tiến vượt bậc Sử dụng mạng nơ-ron tích chập mà bản chất là cho hệ thống máy học sâu các dữ liệu sẵn có, phân tách, chọn lọc và đánh giá từ bộ dữ liệu đó; từ đó tổng hợp thành hệ thống kinh nghiệm, làm cơ sở để tiến hành chẩn đoán vị trí và mức độ hư hỏng một cách chính xác nhất Hiện nay phương pháp sử dụng mạng nơ-ron tích chập CNN vẫn thường

Tính cần thiết và ý nghĩa thực tiễn của nghiên cứu

Trong thực tế đời sống, các công trình xây dựng nói chung đều được sử dụng với một khoảng thời gian dài, thậm chí là rất dài Từ đó, việc đảm bảo sự an toàn bằng cách kiểm tra thường xuyên khả năng chịu lực của công trình gần như là công tác bắt buộc trong quá trình vận hành Thêm vào đó, kết cấu khung lại là kết cấu phổ biến nhất trong các công trình hiện nay Do đó, cần có nhiều nghiên cứu hơn trong kết cấu khung để phát triển và cải tiến các phương pháp chẩn đoán ngày càng nhanh chóng và chính xác hơn

Hiện nay, các chẩn đoán sử dụng các thiết bị quan trắc ngày càng phát triển do sự phát triển của máy móc tiên tiến hơn Tuy vậy, chi phí để mua và sử dụng các thiết bị này rất cao, cần có nhân lực chất lượng cao để thực hiện nhằm đảm bảo được tính chính xác của thông số đo được Trong khi đó, phương pháp đo đạc các đặc trưng giao động thông qua các cảm biến đặt trong kết cấu lại dễ dàng, chính xác và tiết kiệm chi phí hơn rất nhiều Phương pháp sử dụng năng lượng biến dạng cũng đã được nhiều bài báo nghiên cứu và chứng minh được độ nhạy của nó trong việc thay đổi độ cứng trong kết cấu Do đó, việc sử dụng chỉ số năng lượng biến dạng được tính toán dựa trên đặc trưng dao động trở thành một giải pháp cực kỳ hữu ích

Tuy phương pháp đo đạc đặc trưng dao động được xem là dễ dàng tiếp cận hơn, việc đo đạc nhiều dạng dao động khác nhau nhất là các dạng dao động xoắn là cực kỳ khó khăn, thậm chí là không thể đo đạc được Từ đó phát sinh nhu cầu cần chẩn đoán đúng vị trí và mức độ hư hỏng nhưng chỉ cần một vài dạng dao động hoặc chỉ cần dạng dao động đầu tiên Nếu thực hiện được sẽ làm thực tế hóa các phương pháp đề xuất và đưa vào chẩn đoán hư hỏng trong kết cấu một cách thường xuyên và liên tục

Với sự phát triển của khoa học máy tính và các thuật toán chẩn đoán, việc tích hợp trí tuệ nhân tạo trong công tác chẩn đoán là một bước tiến vượt bậc Sử dụng mạng nơ-ron tích chập mà bản chất là cho hệ thống máy học sâu các dữ liệu sẵn có, phân tách, chọn lọc và đánh giá từ bộ dữ liệu đó; từ đó tổng hợp thành hệ thống kinh nghiệm, làm cơ sở để tiến hành chẩn đoán vị trí và mức độ hư hỏng một cách chính xác nhất Hiện nay phương pháp sử dụng mạng nơ-ron tích chập CNN vẫn thường

7 được sử dụng trong các thuật toán chẩn đoán hình ảnh, vì vậy việc nghiên cứu sâu hơn nhằm ứng dụng nó vào trong chẩn đoán hư hỏng sử dụng đặc trưng dao động của kết cấu sẽ là rất cần thiết

Từ những ý nghĩa thực tiễn kể trên, việc nghiên cứu cải tiến phương pháp năng lượng biến dạng kết hợp với mạng nơ-ron tích chập để chẩn đoán sự suy giảm độ cứng trong kết cấu khung là cần thiết, đặc biệt là khi sử dụng ít thông số dạng dao động hơn Tạo nền tảng vững chắc cho quy trình chẩn đoán hoàn chỉnh trong chẩn đoán kết cấu thực tế

Cấu trúc luận văn được trình bày như sau:

Chương 1: Giới thiệu – giới thiệu tổng quan về lĩnh vực, mục tiêu, nội dung và ý nghĩa thực tiễn của nghiên cứu

Chương 2: Tổng quan – sơ lược về tình hình nghiên cứu trong nước và quốc tế về lĩnh vực chẩn đoán sức khỏe công trình cũng như các nội dung liên quan đến phương pháp năng lượng biến dạng và thuật toán trí tuệ nhân tạo; tổng kết và đưa ra định hướng nghiên cứu phù hợp

Chương 3: Cơ sở lý thuyết – trình bày cơ sở lý thuyết về phương pháp phần tử hữu hạn và các lý thuyết khác liên quan đến phương pháp đề xuất, trình bày lưu đồ thuật toán và các thông số thiết lập ban đầu

Chương 4: Bài toán khảo sát – trình bày bài toán khảo sát phương pháp đề xuất áp dụng cho kết cấu khung phẳng và khung không gian, so sánh và đánh giá với các nghiên cứu khác

Chương 5: Bài toán mở rộng – đề xuất thuật toán cải tiến nhằm cải tiến độ chính xác của thuật toán chẩn đoán khi chỉ sử dụng dữ liệu từ dạng dao động thứ nhất

Chương 6: Kết luận và kiến nghị – rút ra nhận xét, đánh giá quan trọng được rút ra từ kết quả thực hiện; từ đó có một số kết luận và kiến nghị cụ thể cho các nghiên cứu sẽ được tiếp tục phát triển trong tương lai

Tài liệu tham khảo: trình bày các trích dẫn được sử dụng trong quá trình thực hiện luận văn.

TỔNG QUAN

Tình hình nghiên cứu nước ngoài

Stubbs và cộng sự (1995) lần đầu giới thiệu phương pháp xác định hư hỏng dựa trên chỉ số năng lượng biến dạng xác định bằng dạng dao động một chiều để phát hiện hư hỏng trên cầu I-40 bằng cách tạo ra mô hình phần tử hữu hạn của dầm Tần số dao động và dạng dao động trước và sau hư hỏng của cây cầu đã được mô phỏng và phân tích để xác định vị trí và mức độ hư hỏng trong kết cấu thực tế [3]

Petro và cộng sự (1997) đã tiến hành các phép đo dao động để phát triển hệ thống đánh giá tình trạng cầu Armored Vehicle Launched bằng các cảm biến laser từ xa Tác giả trình bày phân tích dao động tự do, dạng dao động và năng lượng biến dạng của dầm nhôm tự do có các vết cắt ngang Kết quả thu được cho thấy tần số dao động và dạng dao động không thay đổi đáng kể trước và sau hư hỏng Nhưng năng lượng biến dạng có sự thay đổi đáng kể ở vùng thiệt hại Tác giả kết luận rằng năng lượng biến dạng có độ nhạy cao đối với hư hỏng hơn so với các chỉ tiêu động học như tần số và dạng dao động [4]

Carrasco và cộng sự (1997) đã thực hiện thí nghiệm mô hình giàn không gian được làm từ các ống nhôm và giằng là các ống thép Thí nghiệm được tiến hành nhằm khoanh vùng vị trí hư hỏng trong kết cấu dựa trên phương pháp năng lượng biến dạng Tác giả đã thực hiện 5 lần đo ở trạng thái không hư hỏng và 17 trường hợp hư hỏng khác nhau bao gồm hư hỏng do đứt gãy, hư hỏng do mất 50% tiến diện và hư hỏng do mất phần tử thanh trong kết cấu Tác giả đã kết luận rằng để có thể xác định được vị trí hư hỏng trên toàn kết cấu cần xem xét phạm vi mà mỗi phần tử có độ nhạy cao nhất với ít nhất một trong các dạng dao động [5]

Friswell và cộng sự (1998) đã thực hiện mô phỏng một dầm công xôn và thí nghiệm tấm phẳng có một đầu ngàm nhằm sử dụng thuật toán di truyền trong việc xác định vị trí hư hỏng và dùng phương pháp độ nhạy riêng để xác định mức độ hư hỏng Tác giả còn sử dụng tiêu chí đặc trưng hình dạng của dạng dao động (Modal

Assurance Criterion – MAC) Tác giả kết luận rằng thuật toán chẩn đoán thành công trên cả hai mô hình ngay cả khi có lỗi hệ thống trong dữ liệu đo đạc được [6]

Shi và cộng sự (2000) đã thực hiện mô phỏng khung thép phẳng gồm một nhịp và hai tầng, sử dụng chỉ số sự chênh lệch năng lượng biến dạng (Modal Strain Energy Change – MSEC) và phương pháp mở rộng dạng dao động để tiến hành chẩn đoán vị trí và mức độ hư hỏng trong khung phẳng Tác giả đã kết luận rằng phương pháp đề xuất có hiệu quả tốt với việc chẩn đoán vị trí hư hỏng Đối với mức độ hư hỏng, kết quả là chấp nhận được với hư hỏng đơn lẻ với mức nhiễu 7%; với đa hư hỏng và cùng mức nhiễu 7%, thuật toán chẩn đoán mức độ hư hỏng không tốt [7]

Hao và cộng sự (2002) đã áp dụng một thuật toán di truyền mã hóa nhằm xác định hư hỏng trong kết cấu bằng cách giảm thiểu hàm mục tiêu, so sánh trực tiếp sự thay đổi của các phép đo trước và sau hư hỏng Ba tiêu chí được đưa vào đánh giá bao gồm: sự thay đổi của tần số, sự thay đổi của dạng dao động và kết hợp cả hai sự thay đổi trên Tác giả đã thực hiện thí nghiệm trên dầm công xôn và một khung phẳng đơn giản Kết quả cho thấy, phương pháp đề xuất giúp phát hiện hư hỏng trên dầm một cách hiệu quả hơn, nó cũng phát hiện chính xác hư hỏng trên khung bằng cách sử dụng cả hai tiêu chí thay đổi về tần số và dạng dao động [8]

Au và cộng sự (2003) đã thực hiện mô phỏng dầm đơn giản một nhịp và ba nhịp liên tục, sử dụng thuật toán di truyền vi mô sử dụng dữ liệu nhiễu và dạng dao động không đầy đủ để tiến hành chẩn đoán vị trí và mức độ hư hỏng Tác giả đã đa kết luận rằng việc sử dụng dữ liệu kể trên gây ảnh hưởng xấu cho việc phát hiện thiệt hại [9]

Sazonov và Klinkhachorn (2005) đã thực hiện phân tích đường cong dạng dao động nhằm rút ra thời gian lấy mẫu trong quá trình đo đạc đặc trưng dao động, từ đó giảm thiểu nhiễu gây ảnh hưởng xấu tới quá trình chẩn đoán do ảnh hưởng tới phương pháp năng lượng biến dạng (phương pháp phụ thuộc rất nhiều vào đường cong dạng dao động) Tác giả cũng đồng thời chỉ ra rằng các phương pháp lấy mẫu dày đặc như máy đo độ rung động bằng laser có thể gây tác động bất lợi đến chất lượng phát hiện hư hỏng nếu không có sự quan tâm tới yếu tố giảm nhiễu đo lường [10]

Li và cộng sự (2006) đã trình bày một phương pháp phân tách năng lượng biến dạng để chẩn đoán vị trí và mức độ hư hỏng khung không gian Phương pháp dựa trên việc phân rã phương thứ năng lượng biến dạng thành hai phần lần lượt gắn với trục đúng và trục ngang của phần tử Từ đó có hai chỉ số được tính toán để phân tích vùng hư hỏng Tác giả nghiên cứu bằng cách mô phỏng khung không gian năm tầng và cấu trúc tháp ngoài khơi phức tạp Phương pháp mới đã góp phần phân tách độ nhạy giữa phần tử theo phương đứng và phương ngang Tác giả kết luận rằng phương

10 pháp mới hoạt động rất tốt trong việc xác định vị trí hư hỏng nhưng không tốt trong xác định mức độ hư hỏng [11]

Jayasehar và cộng sự (2006) đã sử dụng phương pháp mạng lưới thần kinh nhân tạo (Artificial Neural Network – ANN) để đánh giá hư hỏng trong dầm bê tông dự ứng lực Dữ liệu huấn luyện được tạo ra từ kết quả thí nghiệm tĩnh và động trên cả dầm nguyên vẹn và hư hỏng Kết quả cho thấy mô hình ANN được huấn luyện với độ cứng sau vết nứt và tần số tự nhiên là đủ để chẩn đoán mức độ hư hỏng với độ chính xác là hợp lý [12]

Raich và Liszka (2007) đã thực hiện mô phỏng khung phẳng ba tầng ba nhịp và xác định hư hỏng trong kết cấu bằng hàm phản ứng tần số dao động (Frequency Response Function – FRF) Thuật toán mã hóa đoạn gen mới (Implicit Redundant Representation Genetic Algorithm – IRR GA) được đề xuất nhằm cải thiện khả năng xác định các phần tử hư hỏng Tác giả kết luận rằng thuật toán đề xuất có thể xác định vị trí và mức độ hư hỏng chỉ bằng sử dụng một số ít các vị trí đo đạc trong kết cấu thực tế [13]

Yan và cộng sự (2010) đã tiến hành mô phỏng dầm đơn giản một nhịp, dầm hai nhịp và khung phẳng ba tầng một nhịp; xác định vị trí và mức độ hư hỏng trong kết cấu bằng phương pháp sử dụng độ nhạy năng lượng biến dạng Vì phương pháp sử dụng giải pháp đại số nên ưu điểm sẽ là chỉ cần biết một véc-tơ riêng để xác định cả vị trí và mức độ hư hỏng (quy trình một bước) Kết quả cho thấy hiệu ứng nhiễu ảnh hưởng khác nhau cho từng loại kết cấu Thuật toán chẩn đoán tốt với độ nhiễu 1% đối với dầm một nhịp và khung phẳng, và độ nhiễu 5% đối với dầm hai nhịp Khi xem xét cùng một mức độ nhiễu, thuật toán hoạt động tốt do việc ưu tiên sử dụng dữ liệu dạng dao động đầu tiên hơn các dạng dao động khác [14]

Moradpour và cộng sự (2015) đã tiến hành mô phỏng dầm đơn giản với hai đầu ngàm và mô hình khung phẳng ba tầng Mục tiêu nghiên cứu là để ra phương pháp sử dụng phương pháp năng lượng biến dạng một cách hiệu quả nhằm phát hiện và xác định mức độ hư hỏng trong kết cấu phức tạp ở giai đoạn đầu hình thành hư hỏng Tác giả xây dựng lại công thức tính năng lượng biến dạng dựa vào việc xem xét sự thay đổi độ cứng phần tử Tác giả kết luận rằng phương pháp cho kết quả chính xác hơn so với nghiên cứu của Shi và cộng sự (2000), cải tiến độ hội tụ của thuật toán [15]

Cha và Buyukozturk (2015) đã mô phỏng một khung không gian bốn tầng bằng phương pháp phần tử hữu hạn; sử dụng phương pháp năng lượng biến dạng kết hợp với việc xây dựng hàm đa mục tiêu cho thuật toán di truyền áp dụng phương thức mã

Tổng kết

Thông qua các nghiên cứu trong và ngoài nước về lĩnh vực chẩn đoán hư hỏng trong kết cấu Công tác chẩn đoán “sức khỏe” công trình có thể chia thành ba nhánh chính: các nghiên cứu đề xuất các chỉ tiêu và phương pháp đánh giá có độ chính xác và hiệu quả cao hơn; các nghiên cứu cải thiện nhằm tăng tốc độ chẩn đoán, giảm sai số chẩn đoán, giảm sự can thiệp vào số liệu đo đạc; và các nghiên cứu nhằm triển khai thuật toán đề xuất vào kết cấu thực tế với mô hình tối ưu nhất và tiết kiệm chi phí nhất

Về các chỉ tiêu để đánh giá, đa số các bài báo nghiên cứu sự thay đổi của kết cấu thông qua các đặc trưng dao động, từ đó đề xuất các chỉ số nhằm tăng độ nhạy trong

15 những thay đổi trước và sau hư hỏng

Về thuật toán đề xuất, đa số các phương pháp cho thấy có hai xu hướng chính là: cải tiện độ chính xác trong chẩn đoán vị trí và mức độ hư hỏng, và cải tiến tốc độ chẩn đoán và tính tối ưu trong triển khai thực tế Một vài nghiên cứu mang tính trung hòa khi kết hợp cả hai yếu tố đó, thường sẽ là các nghiên cứu kết hợp trí tuệ nhân tạo và thuật toán học sâu với các chỉ tiêu nhạy với hư hỏng trong kết cấu Ngoài ra, các nghiên cứu còn chia ra hai hướng tiếp cận: là chia việc chẩn đoán thành hai bước lần lượt là xác định vị trí và xác định mức độ hư hỏng; hướng tiếp cận còn lại là kết hợp cả hai và thực hiện trong một bước chẩn đoán

Các nghiên cứu tính đến hiện tại, vẫn còn ít các nghiên cứu thực hiện nghiên cứu trên mô hình khung không gian (một mô hình phổ biến trong kết cấu thực tế) mà thường sử dụng các mô hình dầm, giàn, khung phẳng Rất ít nghiên cứu chỉ sử dụng dạng dao động đầu tiên làm dữ liệu chẩn đoán Từ các kết luận nêu trên, nghiên cứu này cải tiến phương pháp sử dụng mạng nơ-ron tích chập (CNN) kết hợp với chỉ số năng lượng biến dạng (MSE) để chẩn đoán sự xuất hiện, vị trí và mức độ hư hỏng xảy ra trên kết cấu khung phẳng và kết cấu khung không gian nhiều tầng Nghiên cứu sẽ thực hiện theo xu hướng giảm dữ liệu đầu vào (tần số và dạng dao động) khó có thể đo đạc trong thực tế nhưng vẫn đảm bảo độ chính xác trong kết quả chẩn đoán

CƠ SỞ LÝ THUYẾT

Năng lượng biến dạng

3.3.1 Chỉ số năng lượng biến dạng (MSE)

Chỉ số năng lượng biến dạng (Modal Strain Energy – MSE) được lần đầu giới thiệu và phát triển bởi Stubbs và cộng sự (1995) đề xuất sử dụng cho bài toán xác định sự thay đổi độ cứng chống uốn dầm Euler-Bernoulli [3] Từ đó đến nay, rất nhiều nghiên cứu đã sử dụng chỉ số này làm cơ sở để chẩn đoán hư hỏng vì độ nhạy của chỉ số với những thay đổi trong độ cứng của phần tử trong khung Thậm chí, nó còn được phát triển thêm biến thể khác nhằm tăng hiệu quả về sai số chẩn đoán

Trong phương pháp PTHH, chuyển vị của phần tử được xấp xỉ bởi hàm dạng là hàm của các chuyển vị nút Từ đó, công thức năng lượng biến dạng của phần tử thứ j ở dạng dao động thứ i có dạng [7]:

•   i : véc-tơ chuyển vị nút dạng dao động thứ i

• K j : ma trận độ cứng của khung chỉ chứa giá trị ma trận độ cứng của phần tử thứ j trong hệ trục tọa độ tổng thể

3.3.2 Vùng nhạy và vùng không nhạy

Một khái niệm mới, vùng nhạy và vùng không nhạy, được đề xuất sử dụng trong luận văn này Khái niệm này xây dựng trên cơ sở tỉ lệ giá trị chỉ số MSE xét trên từng dạng dao động khi kết cấu đang ở trạng thái không hư hỏng

Trên cơ sở đó, một bảng chỉ thị màu sắc được đề xuất để có cái nhìn tổng quát hơn, cụ thể được trình bày trong Bảng 3.1 Vùng trắng là vùng có chỉ số MSE không nhạy với khả năng chẩn đoán, vùng xanh nhạt và vùng có độ nhạy vừa, và vùng xanh đậm là vùng nhạy với chỉ số MSE trong chẩn đoán hư hỏng

Bảng 3.1 Chỉ thị màu dựa trên tỉ lệ dải giá trị MSE cho từng dạng dao động

Màu chỉ thị Tỉ lệ dải giá trị MSE

Các giả định trong phương pháp chẩn đoán

Xét các hư hỏng thực tế, sự suy giảm độ cứng không phản ánh được tất cả các loại hư hỏng có thể xảy ra Trong quy mô luận văn này, chỉ xem xét việc hư hỏng xảy ra đến từ việc suy giảm độ cứng trong phần tử áp dụng cho các hư hỏng tuyến tính như lỏng bu lông liên kết, kết cấu bị ăn mòn, hoặc bị nứt do phải chịu tải trọng tuần hoàn Đây cũng có thể được xem là một hạn chế của phương pháp đề xuất

Về tính toán chỉ số MSE, công thức ứng với trạng thái không hư hỏng (MSE ij h ) và trạng thái có hư hỏng (MSE ij d ) có biểu thức:

Với   t h ;   i d lần lượt là véc-tơ chuyển vị nút trạng thái không hư hỏng và hư hỏng ở dạng dao động thứ i.

Mạng nơ-ron tích chập (CNN)

Trong biểu thức (3.36), có một đặc điểm quan trọng là khó có thể xác định được ma trận độ cứng K j  ở trạng thái có hư hỏng xuất hiện Do đó, giá trị MSE ij d sẽ tính xấp xỉ với việc sử dụng ma trận độ cứng K j  trong hệ tọa độ tổng thể ở trạng thái không hư hỏng

3.5 Mạng nơ-ron tích chập (CNN)

Học máy (Machine Learning – ML) nói chung liên quan đến việc sử dụng một thuật toán để tìm hiểu và tổng quát hóa từ dữ liệu lịch sử nhằm đưa ra dự đoán về dữ liệu mới Mô hình máy học sâu (Deep Learning – DL) là một trường con của học máy mà ở đó các máy tính sẽ học và cải thiện chính nó thông qua các thuật toán Convolutional Neural Network – CNN hay còn gọi là mạng nơ-ron tích chập, là một trong những mô hình DL tiên tiến Do đó, mạng CNN có khả năng học hỏi vượt trội phục vụ công tác chẩn đoán nói chung và chẩn đoán hư hỏng trong kết cấu nói riêng

Hình 3.3 Các thuật toán học máy [34]

Hình 3.3 thể hiện phân loại các thuật toán ML bao gồm: học tập có giám sát, học tập bán giám sát, học không giám sát và học tập tăng cường Trong đó mô hình học tập có giám sát được xem là mô hình hiện đang sử dụng nhiều nhất và đóng góp một vai trò quan trọng trong việc phát triển các hệ thống thông minh có khả năng đưa ra dự đoán hoặc quyết định dựa trên dữ liệu lịch sử Mạng CNN hiện tại thường được sử dụng mô hình học tập có giám sát và thực hiện các chức năng liên quan tới phân loại và hồi quy

Một mô hình DL, để nó có thể học tập và đưa ra các quyết định chính xác thì cần phải có các mô hình đánh giá, kiểm tra một cách phù hợp Từ đó, bộ dữ liệu được chia làm ba nhóm riêng biệt để phục vụ quá trình xây dựng và huấn luyện mô hình, bao gồm: nhóm dữ liệu huấn luyện và nhóm dữ liệu xác thực Nhóm dữ liệu huấn luyện là một nhóm có kích thước dữ liệu lớn bao gồm dữ liệu đầu vào và đầu ra của bài toán dùng để huấn luyện mô hình Nhóm dữ liệu xác thực là nhóm tương tự nhóm dữ liệu huấn luyện nhưng với ít dữ liệu hơn, được sử dụng để đánh giá độ chính xác mô hình

Hình 3.4 Quy trình huấn luyện mô hình ML [35]

Hình 3.4 trình bày một quy trình huấn luyện mô hình ML mẫu Sau khi có được mô hình hoàn chỉnh Một pha kiểm tra sẽ được thực hiện nhằm đánh giá hiệu quả của mô hình ML Pha kiểm tra thường là các thử nghiệm thực tế và có kết quả đã được xác thực nhằm đánh giá chính xác nhất hiệu quả mô hình trong thực tế triển khai

Mạng CNN là một mạng nơ-ron nhận một đầu vào và biến đổi nó thông qua hàng loạt các lớp ẩn hay còn gọi là các lớp tích chập Các lớp tích chập sẽ biến đổi một khối lượng kích hoạt này sang một khối lượng kích hoạt khác thông qua một hàm kích hoạt phi tuyến Mỗi lớp ẩn được tạo thành từ một tập hợp các nơ-ron, trong đó mỗi nơ-ron được kết nối hoàn toàn với tất cả các nơ-ron ở lớp trước (hay còn gọi là

30 pha kết nối đầy đủ - Fully Connected Layer – FC) và trong đó các nơ-ron trong một lớp hoạt động hoàn toàn độc lập và không chia sẻ bất kỳ kết nối nào

Hình 3.5 Ví dụ ứng dụng mô hình CNN trong chẩn đoán hình ảnh [36]

Ngoài ra, một mô hình CNN hoàn chỉnh có có các lớp khác như lớp tổng hợp, lớp làm phẳng và lớp kết nối đầy đủ và lớp đầu ra Cụ thể một quy trình phân tích thông qua các lớp được trình bày minh họa trong Hình 3.5

Lớp đầu vào là lớp chứa các dữ liệu đầu vào phục vụ cho công tác huấn luyện và chẩn đoán Mạng CNN thường được sử dụng trong các thuật toán liên quan tới tầm nhìn máy tính (Compute Vision) Trong quy mô luận văn này, dữ liệu sẽ là ma trận dữ liệu liên quan đến các chỉ số được tính toán từ các đặc trưng dạng dao động 3.5.2.2 Lớp tích chập

Lớp tích chập (convolution layer) là một lớp quan trọng của một mạng CNN bao gồm các thành phần quan trọng như: tạo đường viền (padding), bước nhảy (stride), lớp đặc trưng (feature map), và bộ lọc (filter map)

Thành phần quan trọng của lớp là bộ lọc, có rất nhiều bộ lọc và kích thước bộ lọc được đề xuất để làm nổi bật lên đặc trưng của dữ liệu đầu vào Dữ liệu đầu vào sau khi qua bộ lọc sẽ trở thành lớp đặc trưng Một mô phỏng đơn giản về quy trình trên được thể hiện trong Hình 3.6

Hình 3.6 Mô phỏng quy trình làm việc của lớp tích chập [37]

Khi bộ lọc chạy qua dữ liệu đầu vào, tham số về bước nhảy là cần thiết khi nó sẽ quyết định số bước di chuyển sau mỗi lần thực hiện phép tính, được minh họa như Hình 3.7

Hình 3.7 Minh họa về bước nhảy [36]

Tạo đường viền là quá trình thêm số 0 vào các biên của ma trận đầu vào do có thể mạng sẽ bỏ qua các đặc trưng cần thiết của dữ liệu tại vùng biên khi lớp lọc đi qua Một nguyên nhân khác có thể kể đến là đôi khi dữ liệu cần một vùng đệm (vùng chuyển) để giúp mạng CNN có thêm cơ sở để tách biệt các đặc trưng dữ liệu và không gộp chung với đặc trưng khác Tạo viền bao gồm không sử dụng (valid), sử dụng bán phần (half padding), và sử dụng toàn bộ (full)

Lớp tổng hợp (pooling layer hay subsampling layer) chịu trách nhiệm giảm kích thước của dữ liệu Đây là bước cực kỳ quan trọng khi đa số các dữ liệu đưa vào đều có khối lượng lớn, việc giảm được kích thước sẽ giúp tăng tốc độ xử lý của thuật toán

Có hai loại tổng hợp cơ bản là max pooling và average pooling lần lượt là tổng hợp theo giá trị lớn nhất và theo giá trị trung bình của dữ liệu (xem ví dụ minh họa trong Hình 3.8) Trong đó max pooling được sử dụng thường xuyên hơn do nó bảo toàn được các đặc trưng của dữ liệu

Hình 3.8 Minh họa lớp tổng hợp (pooling layer) [36]

3.5.2.4 Lớp kết nối đầy đủ

Áp dụng mô hình CNN vào bài toán đề xuất

3.6.1 Công cụ sử dụng Để xây dựng mô hình PTHH và CNN, ngôn ngữ lập trình Python được sử dụng

40 vì tính ưu việt của nó trong các thư viện thuộc lĩnh vực DL Các thư viện sẽ được đề xuất sử dụng trong thuật toán đề xuất bao gồm:

• Thư viện Numpy: thư viện toán học, hỗ trợ tính toán các phép tính ma trận

• Thư viện Pandas: thư viện hỗ trợ đọc và lấy dữ liệu với nhiều định dạng file khác nhau Trong luận văn này chỉ sử dụng với định dạng csv và excel

• Thư viện Matplotlib: thư viện chuyên dùng để trực quan hóa dữ liệu thành mô hình 2D, 3D đơn giản và các biểu đồ

• Thư viện Tensorflow: thư viện thuật toán DL, dùng để khai báo và sử dụng hàm truyền, trình tối ưu, chỉ số learning rate

3.6.2 Mô hình dữ liệu huấn luyện

Mô hình huấn luyện đề CNN xuất được xây dựng để chẩn đoán hư hỏng trong kết cấu sử dụng dữ liệu chỉ số MSE được tính toán từ các đặc trưng dao động Vì giới hạn của luận văn khi không thể thu thập được các bộ dữ liệu thực tế về dao động, đặc trưng dao động sẽ được mô phỏng và tính toán thông qua phương pháp PTHH

Mỗi bộ dữ liệu huấn luyện sẽ có 100,000 dữ liệu được tính toán bằng phương pháp PTHH với các kịch bản hư hỏng được tạo ngẫu nhiên trong khoảng hư hỏng từ

0 đến 50% được xây dựng bằng cách giảm độ cứng của phần tử, số lượng phần tử hư hỏng được trải đều từ không có hư hỏng cho đến có hư hỏng xảy ra trên toàn bộ khung kết cấu Cụ thể sẽ được trình bày chi tiết trong chương 4 – các bài toán khảo sát

Về phương pháp PTHH, các bước tính toán để có được chỉ số MSE được thực hiện lần lượt như sau:

• Xây dựng mô hình kết cấu bằng phương pháp PTHH trên ngôn ngữ lập trình Python dựa vào dữ liệu về thông số vật liệu, thông số hình học của phần tử và hệ kết cấu, và các liên kết giữa các thanh Đưa các kịch bản hư hỏng vào trong mô hình

• Tính ma trận độ cứng và ma trận khối lượng của phần tử trên hệ trục tọa độ địa phương và chuyển hệ trục của chúng sang hệ trục tọa độ tổng thể

Từ đó tính hai ma trận này trên toàn hệ khung

• Giải bài toán trị riêng để xác định được các véc-tơ trị riêng và trị riêng tương ứng, từ đó sẽ suy ra được dạng dao động và tần số dao động Các véc-tơ trị riêng sẽ được chuẩn hóa lại dựa trên ma trận khối lượng và ma trận độ cứng

• Tính toán chỉ số năng lượng biến dạng MSE

3.6.3 Dữ liệu lớp đầu vào

Trong phương pháp đề xuất đã đề cập, dữ liệu chỉ số MSE được sử dụng để tiến hành huấn luyện và chẩn đoán (xem Bảng 3.2) Kích thước của dữ liệu đầu vào phụ thuộc vào số phần tử xem xét (n) và số dạng dao động được xem xét (m)

Dữ liệu lớp đầu vào

3.6.4 Cấu trúc lớp mô hình CNN

Thuật toán đề xuất mô hình CNN bao gồm 8 lớp: 1 lớp đầu vào, 1 lớp tích chập,

1 lớp làm phẳng, 4 lớp kết nối đầy đủ, và 1 lớp đầu ra Cấu trúc các lớp cụ thể trình bày trong Bảng 3.3

Bảng 3.3 Cấu trúc lớp mô hình CNN đề xuất

Lớp Thành phần Hàm kích hoạt

Lớp kết nối đầy đủ 1 FC 1 ReLU

• X : số hàng của dữ liệu đầu vào

• Y: số cột của dữ liệu đầu vào

3.6.5 Các thông số quan trọng khác

Về chọn hàm kích hoạt, hàm ReLU là một hàm kích hoạt phi tuyến tính đã phổ biến trong lĩnh vực DL Việc sử dụng hàm ReLU có ưu thế hơn so với các hàm kích

42 hoạt khác ở chỗ hàm này không kích hoạt toàn bộ các nơ-ron nhân tạo đồng thời Có thể hiểu rằng các nơ-ron chỉ sẽ bị vô hiệu hóa nếu đầu ra của phép biến đổi tuyến tính nhỏ hơn 0 Vì vậy, hàm kích hoạt ReLU (Rectified Linear Units) được chọn làm hàm kích hoạt cho tất cả các lớp của mô hình CNN đề xuất

Về chọn trình tối ưu, trình tối ưu Adam sẽ được chọn cho mô hình CNN đề xuất vì khả năng hội tụ nhanh và mức độ hiệu quả cao của nó Với việc sử dụng thư viện viện Tensorflow trong Python, các thông số mặc định được cài đặt sẵn như sau, learning rate =0.001,  1 =0.9,  2 =0.999 và  = 1 10 − 7

Về chọn hàm mất mát, sai số toàn phương trung bình (Mean Square Error – mse) được sử dụng để đánh giá sự hiệu quả của mô hình CNN đề xuất.

Lưu đồ thuật toán

Lưu đồ chẩn đoán vị trí và mức độ hư hỏng sẽ được viết theo hai phần riêng biệt bao gồm mô hình huấn luyện và mô hình chẩn đoán Thuật toán cải tiến của phương pháp sẽ đến chủ yếu từ các ma trận sử dụng và các thông số của mô hình cũng như là kịch bản huấn luyện Lưu đồ chẩn đoán cho bài toán khảo sát 1 và bài toán khảo sát

2 sẽ được trình bày trong Hình 3.12, Hình 3.13 và Hình 3.14

Lưu đồ sử dụng phương pháp PTHH được trình bày trong hình Hình 3.12 sẽ được gọi vắn tắt là “Tính kết cấu PTHH” Thuật ngữ này sẽ được sử dụng trong các lưu đồ còn lại như là một bước gọi ra quy trình tính này

Hình 3.12 Lưu đồ áp dụng phương pháp PTHH

Trong Hình 3.13, thuật ngữ epoch và batch lần lượt là số lần huấn luyện và số kịch bản sử dụng trên một lần huấn luyện

Hình 3.13 Lưu đồ huấn luyện mô hình mạng CNN

Hình 3.14 thể hiện quy trình chẩn đoán sẽ được dùng để chẩn đoán vị trí và mức độ hư hỏng trong kết cấu, trong đó “Mô hình mạng CNN” sẽ là mô hình mà đã được huấn luyện xong ở trong lưu đồ Hình 3.13

Hình 3.14 Lưu đồ chẩn đoán hư hỏng trong kết cấu

CÁC BÀI TOÁN KHẢO SÁT

Bài toán khảo sát 1

Phương pháp đề xuất được xem xét dựa trên chỉ số năng lượng biến dạng (MSE) dựa trên 4 dạng dao động đầu tiên và mạng nơ-ron tích chập (CNN) nhằm chẩn đoán được vị trí và mức độ hư hỏng của phần tử khung được chia nhỏ thông qua một bước chẩn đoán

4.1.1 Mô hình và thông số bài toán

Xét khung phẳng với một tầng theo phương Z, một nhịp theo phương X Khung có tổng 3 phần tử thanh gồm 2 phần tử cột và 1 phần tử dầm Chân cột được mô phỏng dưới dạng liên kết ngàm cứng Mỗi phần tử thanh được chia thành 10 đoạn phần tử nhỏ hơn để tiến hành khảo sát bài toán [8] Mô hình và thứ tự đánh số các thanh được thể hiện như Hình 4.1

Hình 4.1 Mô hình khung phẳng của bài toán khảo sát 1

Các thông số vật liệu, kích thước hình học, kích thước nhịp và kịch bản hư hỏng của mô hình khung phẳng được trình bày lần lượt trong Bảng 4.1, Bảng 4.2, Bảng 4.3, và Bảng 4.4

Bảng 4.1 Thông số vật liệu – bài toán 1

Phần tử Mô đun đàn hồi, E 0 (kN/m 2 ) Khối lượng riêng, ρ (T/m 3 ) Hệ số Poisson, ν

Bảng 4.2 Kích thước hình học tiết diện của phần tử thanh – bài toán 1

Phần tử Bề rộng tiết diện, b (m) Chiều cao tiết diện, h (m)

Bảng 4.3 Kích thước nhịp theo các phương – bài toán 1

Bảng 4.4 Kịch bản hư hỏng trên thanh – bài toán 1

Tên kịch bản Thông số khảo sát

Tám kịch bản đề xuất trong Bảng 4.4 được sử dụng để khảo sát giới hạn chẩn đoán của thuật toán đề xuất bao gồm:

• 2 kịch bản hư hỏng 5 phần tử: mức độ hư hỏng ngẫu nhiên trong khoảng 1% - 5% (bước chọn 1%)

Ngoài ra, 120 kịch bản hư hỏng 1 phần tử được xem xét nhằm đánh giá thêm về vùng nhạy và vùng không nhạy của kết cấu Bốn mức độ hư hỏng được chọn là 1%, 2%, 5%, và 8%

4.1.2 Tần số và dạng dao động của mô hình khảo sát

4.1.2.1 Tần số dao động và dạng dao động

Bốn dạng dao động đầu tiên được tính toán và mô phỏng dựa trên phương pháp phần tử hữu hạn sử dụng ma trận độ cứng Timoshenko và ma trận khối lượng Lump đã trình bày trong mục 3.1.2, được lập trình trên ngôn ngữ lập trình Python Kết quả được trình bày trong Hình 4.2

Hình 4.2 Bốn dạng dao động đầu tiên của khung phẳng – kết quả từ Python

Thực hiện so sánh kiểm chứng kết quả tần số trên với kết quả từ phần mềm SAP2000 và bài nghiên cứu của Hong và Yong (2002)

Bảng 4.5 So sánh kết quả tần số dao động – bài toán 1

Dạng dao động 1 2 3 4

Bài nghiên cứu Mô phỏng 4.69 18.22 28.93 31.48

Sai số so với giá trị mô phỏng 0.02% 0.02% 0.20% 0.00% Sai số so với giá trị thí nghiệm 4.49% 4.67% 3.15% 1.91%

Kết quả so sánh trong Bảng 4.5 cho thấy kết quả tần số khi lập trình trên Python sử dụng ma trận độ cứng Timoshenko và ma trận khối lượng Lump là tương đồng so

48 với kết quả thực hiện mô phỏng trên SAP2000 Đối với bài nghiên cứu, mô phỏng phần tử hữu hạn trong bài nghiên cứu sử dụng lý thuyết dầm Euler-Bernoulli, kết quả là tương đồng; đối với giá trị thí nghiệm, có sai số xuất hiện khi so với thuật toán đề xuất (sai số lớn nhất là 4.67%) Do mô hình mô phỏng không thể phản ánh hết được ứng xử của kết cấu thực tế, sai số trên là có thể chấp nhận được

4.1.2.2 Đánh giá mức độ tương quan dạng dao động của thuật toán so với phần mềm SAP2000

Khi thực hiện so sánh về dao động tự nhiên của hai mô hình, bước so sánh về mức độ tương quan của dạng dao động là cần thiết Trong nghiên cứu này, phương pháp MAC được trình bày trong mục 3.2.2 được sử dụng làm công cụ đánh giá Các cặp giá trị MAC của từng dạng dao động thực hiện trên Python và SAP2000 đều cho kết quả là 1 Do đó, tần số và dạng dao động của hai phương pháp thực hiện trên là hoàn toàn tương đồng

4.1.3 Thông số mô hình CNN và kịch bản huấn luyện

4.1.3.1 Thông số mô hình CNN

Với phương pháp đề xuất được trình bày trong mục 3.5 và 3.6, các thành phần được chọn để xây dựng mô hình CNN (Bảng 4.6), bao gồm:

• n: số phần tử cần chẩn đoán

• m: số dạng dao động tự nhiên đang xét

• C1: số bộ lọc đề xuất

• k: số lớp kết nối đầy đủ (không bao gồm lớp làm phẳng dữ liệu và lớp kết quả chẩn đoán)

• FCi: số nút trong một lớp kết nối đầy đủ thứ i

Các thông số mô hình khác được thiết lập như đã đề cập trong mục 3.6

Bảng 4.6 Thành phần xây dựng mô hình CNN – bài toán 1 n m C 1 k FC 1 FC 2 FC 3 FC 4

4.1.3.2 Kịch bản huấn luyện mô hình CNN

Số kịch bản huấn luyện là 100.000 kịch bản với mức độ hư hỏng được tạo hoàn toàn ngẫu nhiên trong khoảng 0% - 50% (bước chọn 0.1%) Vị trí hư hỏng được tạo ngẫu nhiên với số phần tử hư hỏng được chọn như sau:

• 50.000 kịch bản hư hỏng 30 phần tử (tất cả phần tử)

• 10.000 kịch bản hư hỏng 22 phần tử (3/4 số phần tử)

• 1 kịch bản không hư hỏng

Việc sử dụng các kịch bản có số lượng phần tử hư hỏng trải đều như trên nhằm đạt được hiệu quả chẩn đoán tối ưu nhất khi chẩn đoán đa hư hỏng

Như đã được trình bày trong mục 3.3.2, khái niệm vùng nhạy và vùng không nhạy được xây dựng trên cơ sở tỉ lệ giá trị chỉ số MSE xét trên từng dạng dao động khi kết cấu đang ở trạng thái không có hư hỏng Với việc sử dụng chỉ số MSE của cả

4 dạng dao động làm dữ liệu để huấn luyện mô hình CNN và dữ liệu chẩn đoán, các dao động có thể bổ sung cho nhau về phần nhạy và phần không nhạy

Bảng 4.7 Bảng chú thích dải giá trị MSE theo màu sắc – bài toán 1

Bảng 4.8 Dải giá trị MSE theo màu sắc – bài toán 1

Bảng 4.7 và Bảng 4.8 thể hiện dải giá trị chỉ số MSE của từng dạng dao động với dải giá trị trong Bảng 4.7 được xây dựng dựa trên đề xuất trong Bảng 3.1 Với kết quả trên, với trường hợp CNN cho rằng 4 dạng dao động đều có trọng số như nhau thì mô hình bài toán 1 có phần tử số 3 và 23 là không nhạy với phương pháp đề xuất Các phần tử còn lại đều nhạy

Hình 4.3 Kết quả chẩn đoán kịch bản 1-KP1

Hình 4.4 Kết quả chẩn đoán kịch bản 1-KP2 Bảng 4.9 Kết quả chẩn đoán kịch bản 5 phần tử - bài toán 1

TKB Thông số khảo sát SSLN SSTB NLN

Trong đó, SSLN là sai số lớn nhất, SSTB là sai số trung bình, và NLN là nhiễu lớn nhất

Phần tử Kịch bản Chẩn đoán

Phần tửKịch bản Chẩn đoán

• Về chẩn đoán vị trí hư hỏng, Hình 4.3 và Hình 4.4 cho thấy thuật toán đã chẩn đoán đúng với mức độ hư hỏng từ 2% với độ nhiễu lớn nhất là 0.1% đối với kịch bản 5 phần tử Ở mức độ hư hỏng 1%, thuật toán không chẩn đoán được hư hỏng xảy ra

• Về chẩn đoán mức độ hư hỏng, dựa vào Bảng 4.9, bỏ qua sai số do việc không chẩn đoán được hư hỏng gây ra; đối với kịch bản 1-KP1, SSLN là 18.5% và SSTB là 12.8%; đối với kịch bản kịch bản 1-KP2, SSLN là 12.5% và SSTB là 8.3%

Phần tử Kịch bản Chẩn đoán

Bảng 4.10 Kết quả chẩn đoán kịch bản 4 phần tử - bài toán 1

TKB Thông số khảo sát SSLN SSTB NLN

Bài toán khảo sát 2

Phương pháp đề xuất được xem xét dựa trên chỉ số năng lượng biến dạng (MSE) dựa trên 6 dạng dao động và mạng nơ-ron tích chập (CNN) nhằm chẩn đoán được vị trí và mức độ hư hỏng của các phần tử thanh trong khung không gian thông qua một bước chẩn đoán

4.2.1 Mô hình và thông số bài toán

Khảo sát một khung không gian có các thông số dựa trên bài nghiên cứu của Cha và Buyukozturk (2015) Khung cao 2.4384m gồm 4 tầng theo phương Z, chiều rộng gồm một nhịp dài 0.6096m theo phương X, chiều dài gồm 2 nhịp có tổng chiều dài là 1.2192m theo phương Y [16] Mô hình kết cấu có tổng cổng 30 nút và 52 phần tử thanh bao gồm: 24 phần tử cột, 28 phần tử dầm, được đánh số thứ tự thể hiện ở Hình 4.11 Chân của 6 cột đầu tiên được mô phỏng dưới dạng liên kết ngàm cứng

(a) Mô hình 3D (b) 24 phần tử cột

(c) 16 dầm theo phương Y (d) 12 dầm theo phương X

Hình 4.11 Mô hình khung không gian – bài toán khảo sát 2

Thông số vật liệu, kích thước hình học, kích thước nhịp và kịch bản hư hỏng được trình bày lần lượt trong Bảng 4.14, Bảng 4.15, Bảng 4.16 và Bảng 4.17

Bảng 4.14 Thông số vật liệu – bài toán 2

Phần tử Mô đun đàn hồi, E 0 (kN/m 2 ) Khối lượng riêng, ρ (T/m 3 ) Hệ số Poisson, ν

Bảng 4.15 Kích thước hình học tiết diện của phần tử thanh – bài toán 2

Phần tử Bề rộng tiết diện, b (m) Chiều cao tiết diện, h (m)

Bảng 4.16 Kích thước nhịp theo các phương – bài toán 2

Bảng 4.17 Kịch bản hư hỏng trên thanh – bài toán 2

Trong Bảng 4.17, một kịch bản được dùng để so sánh với thuật toán được sử dụng trong bài báo của Cha và Buyukozturk (2015) (kịch bản 2-KG0) Ngoài ra, 20 kịch bản khác được đề xuất để khảo sát giới hạn của thuật toán đề xuất, bao gồm:

• 1 kịch bản hư hỏng 5 phần tử: kịch bản phần tử chọn ngẫu nhiên Mức độ hư hỏng ngẫu nhiên trong khoảng 5% - 20% (bước chọn 5%)

• 3 kịch bản hư hỏng 4 phần tử: một kịch bản có phần tử giao nhau tại góc, một kịch bản có phần tử giao nhau tại giữa nhịp, và một kịch bản phần tử chọn ngẫu nhiên Mức độ hư hỏng ngẫu nhiên trong khoảng 5% - 20% (bước chọn 5%)

• 6 kịch bản hư hỏng 3 phần tử: hai kịch bản có phần tử giao nhau tại góc, hai kịch bản có phần tử giao nhau tại giữa nhịp, và hai kịch bản phần tử chọn ngẫu nhiên Mức độ hư hỏng ngẫu nhiên trong khoảng 5% - 20% (bước chọn 5%)

• 10 kịch bản hư hỏng 2 phần tử: bảy kịch bản có phần tử giao nhau, và ba kịch bản phần tử chọn ngẫu nhiên Mức độ hư hỏng ngẫu nhiên trong khoảng 5% - 15% (bước chọn 5%)

Thêm vào đó, 208 kịch bản hư hỏng 1 phần tử được xem xét nhằm đánh giá thêm về vùng nhạy và vùng không nhạy của kết cấu Bốn mức độ hư hỏng được chọn là 5%, 10%, 15% và 20%

4.2.2 Tần số và dạng dao động của mô hình khảo sát

4.2.2.1 Tần số dao động và sáu dạng dao động tự nhiên

Sáu dạng dao động của mô hình khung không gian được tính toán và mô phỏng dựa trên phương pháp phần tử hữu hạn sử dụng ma trận độ cứng Timoshenko và ma trận khối lượng Lump được trình bày trong mục 3.1.3, được lập trình trên ngôn ngữ lập trình Python Kết quả được trình bày trong Hình 4.12 Các dao động xoắn là những dao động cực kỳ nhạy với các hư hỏng xảy ra nhưng lại rất khó khăn trong khảo sát kết cấu thực tế Vì vậy, sáu dạng dao động được chọn dựa trên nguyên tắc không xem xét tới các dạng dao động xoắn là dao động chính của khung

Hình 4.12 Sáu dạng dao động tự nhiên của khung không gian – kết quả từ Python

Thực hiện so sánh kiểm chứng kết quả tần số trên với kết quả từ phần mềm SAP2000

Bảng 4.18 So sánh kết quả tần số dao động – bài toán 2

Dạng dao động 1 2 3 4 5 6

Kết quả so sánh trong Bảng 4.18 cho thấy kết quả tần số khi lập trình trên Python sử dụng ma trận độ cứng Timoshenko và ma trận khối lượng Lump là tương đồng so với kết quả thực hiện mô phỏng trên SAP2000

4.2.2.2 Đánh giá mức độ tương quan của dạng dao động của thuật toán so với phần mềm SAP2000

Khi thực hiện so sánh về dao động tự nhiên của hai mô hình, bước so sánh về mức độ tương quan của dạng dao động là cần thiết Trong nghiên cứu này, phương pháp MAC được sử dụng làm công cụ đánh giá Các cặp giá trị MAC của từng dạng dao động thực hiện trên Python và SAP2000 đều cho kết quả là 1 Do đó, tần số và dạng dao động của hai phương pháp thực hiện trên là hoàn toàn tương đồng

4.2.3 Thông số mô hình CNN và kịch bản huấn luyện

4.2.3.1 Thông số mô hình CNN

Với phương pháp đề xuất được trình bày trong mục 3.5 và 3.6, các thành phần được chọn để xây dựng mô hình CNN (Bảng 4.19), bao gồm:

• n: số phần tử cần chẩn đoán

• m: số dạng dao động tự nhiên đang xét

• C1: số bộ lọc đề xuất

• k: số lớp kết nối đầy đủ (không bao gồm lớp làm phẳng dữ liệu và lớp kết quả chẩn đoán)

• FCi: số nút trong một lớp kết nối đầy đủ thứ i

Các thông số mô hình khác được thiết lập như đã đề cập trong mục 3.6

Bảng 4.19 Thành phần xây dựng mô hình CNN – bài toán 2 n m C 1 k FC 1 FC 2 FC 3 FC 4

4.2.3.2 Kịch bản huấn luyện mô hình CNN

Số kịch bản huấn luyện là 100.000 kịch bản với mức độ hư hỏng được tạo hoàn toàn ngẫu nhiên trong khoảng 0% - 50% (bước chọn 0.1%) Vị trí hư hỏng được tạo ngẫu nhiên với số phần tử hư hỏng được chọn như sau:

• 50.000 kịch bản hư hỏng 52 thanh (tất cả các thanh)

• 10.000 kịch bản hư hỏng 39 thanh (3/4 số thanh)

• 10.000 kịch bản hư hỏng 26 thanh(1/2 số thanh)

• 1 kịch bản không hư hỏng

Việc sử dụng các kịch bản có số lượng phần tử hư hỏng trải đều như trên nhằm đạt được hiệu quả chẩn đoán tối ưu nhất khi chẩn đoán đa hư hỏng

Như đã được trình bày trong mục 3.3.2, khái niệm vùng nhạy và vùng không nhạy được xây dựng trên cơ sở tỉ lệ giá trị chỉ số MSE xét trên từng dạng dao động khi kết cấu đang ở trạng thái không có hư hỏng Với việc sử dụng chỉ số MSE của cả

6 dạng dao động làm dữ liệu để huấn luyện mô hình CNN và dữ liệu chẩn đoán, các dao động có thể bổ sung cho nhau về phần nhạy và phần không nhạy

Bảng 4.20 Bảng chú thích dải giá trị MSE theo màu sắc – bài toán 2

Bảng 4.21 Dải giá trị MSE theo màu sắc – bài toán 2

Bảng 4.20 và Bảng 4.21 thể hiện dải giá trị chỉ số MSE của từng dạng dao động với dải giá trị trong Bảng 4.20 được xây dựng dựa trên đề xuất trong Bảng 3.1 Với kết quả trên, với trường hợp CNN cho rằng 6 dạng dao động đều có trọng số như nhau thì mô hình bài toán 2 có 19 thanh là không nhạy với phương pháp đề xuất (các thanh có số thứ tự từ 7 đến 13, từ 23 đến 26, từ 36 đến 39, và từ 49 đến 52) Các phần tử còn lại đều nhạy khi chẩn đoán hư hỏng trong thanh

4.2.5.1 Kịch bản 5 phần tử a) Kịch bản 2-KG0

Hình 4.13 Kết quả chẩn đoán kịch bản 2-KG0

Mode 1 Mode 2 Mode 3 Mode 4 Mode 5 Mode 6

Hình 4.14 Kết quả chẩn đoán – nghiên cứu của Cha và Buyukozturk (2015) [16]

Bảng 4.22 So sánh kết quả chẩn đoán kịch bản 2-KG0 giữa phương pháp đề xuất và nghiên cứu trước đây

Thông số khảo sát SSLN SSTB NLN

BÀI TOÁN MỞ RỘNG

Đặt vấn đề

Công tác khảo sát “sức khỏe” của công trình trong thực tế cần tiến hành đo đạc các dao động thực tế của công trình Khi khảo sát, việc đo đạc nhiều dạng dao động của công trình là đặc biệt khó khăn, thậm chí là không thể đo đạc được đối với các dao động bậc cao Trong thực tế, việc đo đạc dạng dao động đầu tiên (dạng dao động cơ bản) của công trình thì thông thường thực hiện một cách đơn giản Từ đó, nếu chỉ dựa vào dạng dao động đầu tiên của công trình mà vẫn chẩn đoán được hư hỏng trong công trình thì sẽ mang lại ý nghĩ rất lớn trong công tác khảo sát “sức khỏe” công trình Bài toán mở rộng được thực hiện nhằm cải tiến độ chính xác của phương pháp đề xuất khi sử dụng dạng dao động thứ nhất làm dữ liệu đầu vào nhằm mang lại kết quả đáng tin cậy khi chẩn đoán vị trí và mức độ hư hỏng của kết cấu.

Kết cấu khảo sát và kịch bản khảo sát

Sử dụng mô hình và các thông số kết cấu khác của khung không gian trong bài toán khảo sát 2 để tiến hành đánh giá, khảo sát, và so sánh hiệu quả của phương pháp đề xuất hiện tại và phương pháp đề xuất mới Về tần số và dạng dao động, dạng dao động thứ nhất được chọn để khảo sát trong bài toán này với giá trị tần số là 2.202 Hz và dạng dao động được thể hiện trong Hình 4.12a

5.2.2 Kịch bản khảo sát Để thuận tiện cho quá trình so sánh hiệu quả bài toán, các kịch bản đã được khảo sát ở bài toán khảo sát 2 sẽ được khảo sát lại trong phần này Cụ thể được trình bày chi tiết trong Bảng 5.1

Bảng 5.1 Kịch bản hư hỏng trên thanh – bài toán mở rộng

Thêm vào đó, 208 kịch bản hư hỏng 1 phần tử đã được đề cập trong mục 4.2.1.2 sẽ được xem xét lại nhằm đánh giá thêm về vùng nhạy và vùng không nhạy của kết cấu Khi thực hiện khảo sát, thuật toán đề xuất chỉ sử dụng dạng dao động thứ nhất cũng được tiến hành nhằm so sánh và đánh giá sự thay đổi so với thuật toán cải tiến

5.3 Vùng nhạy và vùng không nhạy

Theo khái niệm và kết quả đã phân tích trong mục 4.2.4, dải giá trị MSE theo màu sắc được thể hiện lại trong Bảng 5.2

Bảng 5.2 Dải giá trị MSE theo màu sắc – bài toán mở rộng

Với kết quả trên, vùng không nhạy được nhận định là các thanh có số thứ tự từ

10 đến 13, từ 23 đến 26, từ 36 đến 39, và từ 49 đến 52 Vùng nhạy là toàn bộ các thanh còn lại Vì đây là bài toán xét một dạng dao động, việc CNN chọn trọng số dạng dao động trong quá trình học máy là không xảy ra

5.4.1 Đề xuất hệ số tỉ lệ năng lượng biến dạng – MSER

Hệ số đề xuất là một chỉ số phụ được đề xuất thêm vào trong quy trình chẩn đoán nhằm tăng sự hiệu quả trong việc chẩn đoán vị trí và mức độ hư hỏng của kết cấu

Hệ số MSER được xác định thông qua dữ liệu MSE đầu vào từ dữ liệu dao động kết cấu cần chẩn đoán (MSE d1 ) và dữ liệu MSE dựa trên dao động của kết cấu khi sử dụng kết quả hư hỏng trên thanh đã được chẩn đoán (xem là kịch bản hư hỏng) để thực hiện “Tính toán kết cấu PTHH” (MSE d2 ) Công thức được xác định như sau:

Lưu đồ trình bày trong Hình 5.1 chia phương pháp cải tiến thành hai bước Bước

1 được thực hiện giống với thuật toán đề xuất sử dụng trong bài toán khảo sát 2 nhưng chỉ với dữ liệu của dạng dao động thứ nhất Khi có kết quả chẩn đoán lần 1, chỉ kết quả chẩn đoán tại vùng nhạy được sử dụng cho các bước tiếp theo Thuật ngữ “Tính toán kết cấu PTHH” là cách gọi ngắn gọn cho quy trình tính được trình bày trong Hình 3.12 Trong đó MSE d1 và MSE d2 lần lượt là giá trị MSE được tính từ trạng thái dao động của kết cấu cần chẩn đoán và giá trị MSE được tính từ trạng thái dao động của kết cấu khi có kịch bản hư hỏng a (d2) Kịch bản hư hỏng a (d2) là kịch bản hư hỏng được CNN chẩn đoán và sau khi áp dụng bộ lọc 1

Bộ lọc 1 là bộ lọc để có dữ liệu sạch hơn khi thực hiện chẩn đoán bước 2 cho vùng không nhạy Bộ lọc 1 gồm loại bỏ dữ liệu tại vùng không nhạy và loại bỏ các chẩn đoán hư hỏng nhỏ hơn 3% tại vùng nhạy Bước 2 thực hiện tính chỉ số MSE mới với giả định là có những dữ liệu về vị trí và mức độ hư hỏng đã được lọc bởi bộ lọc

1 Sau đó tính chỉ số MSER như công thức (5.1)

Bộ lọc 2 là bộ lọc để có dữ liệu về vị trí hư hỏng chuẩn xác hơn với việc áp dụng loại bỏ dữ liệu tại vùng nhạy và loại bỏ các giá trị MSER nhỏ hơn 0.1 với vùng không nhạy Đưa ra các vị trí các thanh có khả năng hư hỏng

Hình 5.1 Lưu đồ chẩn đoán hư hỏng trên thanh – phương pháp cải tiến

Với từng thanh chẩn đoán được, sử dụng phương pháp chia đôi để tính mức độ hư hỏng cho từng thanh có khả năng hư hỏng với mục tiêu hệ số MSER cho từng

82 thanh xấp xỉ bằng 0 Cụ thể lưu đồ phương pháp chia đôi được trình bày trong Hình 5.2 Trong đó giá trị fa,i, fb,i và fc,i là các kí hiệu rút gọn nhằm thể hiện việc tính toán chỉ số MSER (lặp lại quy trình “Tính toán kết cấu PTHH”, sau đó tính chỉ số MSER) cho thanh thứ i với kịch bản hư hỏng a (d2) và giá trị hư hỏng thanh thứ i trong kịch bản được gán giá trị lần lượt là a, b và c Giá trị trả về là mức độ hư hỏng của thanh trên vùng không nhạy

Hình 5.2 Lưu đồ phương pháp chia đôi áp dụng cho phương pháp cải tiến

Kết hợp kết quả tại bước 1 và 2 ta có được chẩn đoán vị trí và mức độ hư hỏng trong kết cấu Về bản chất, thuật toán cải tiến lấy kết quả vùng nhạy của thuật toán đề xuất chỉ sử dụng dạng dao động thứ nhất làm cơ sở để tiến hành đánh giá thêm vùng không nhạy của kết cấu khung không gian thông qua hệ số MSER

Hình 5.4 Kết quả chẩn đoán kịch bản 3-KG1 Bảng 5.3 Kết quả chẩn đoán kịch bản 5 phần tử - bài toán mở rộng

TKB Thông số khảo sát SSLN SSTB

Phần tử Kịch bản Phương pháp cải tiến Phương pháp đề xuất Mode 1

Phần tửKịch bản Phương pháp cải tiến Phương pháp đề xuất Mode 1

• Về chẩn đoán vị trí hư hỏng, Hình 5.3 cho thấy phương pháp cải tiến đã chẩn đoán đúng đối với kịch bản 3-KG0 nhưng có xuất hiện nhiễu tại vị trí thanh số 51 Hình 5.4 thể hiện kịch bản 3-KG1 cho thấy với mức độ hư hỏng thấp hơn, phương pháp cải tiến vẫn chẩn đoán đúng vị trí hư hỏng, tuy nhiên xuất nhiễu lớn tại thanh 12 Trong khi đó phương pháp đề xuất chỉ dùng dạng dao động thứ nhất không thể chẩn đoán hết các thanh trong cả hai kịch bản và có nhiễu lớn tại nhiều vị trí khác

• Về chẩn đoán mức độ hư hỏng, Bảng 5.3 cho thấy, với phương pháp cải tiến, kịch bản 3-KG0 chẩn đoán rất tốt khi cho giá trị SSLN và SSTB lần lượt là 1.7% và 1.2%, cải thiện hơn cả khi dùng phương pháp đề xuất với

6 Mode; với kịch bản 3-KG1, thuật toán chẩn đoán sai ở thanh 10 khi cho ra mức độ hư hỏng quá lớn (32.2% so với 10% của kịch bản), các thanh còn lại vẫn chẩn đoán tốt với hư hỏng từ 10%; điều này là chấp nhận được khi kết quả bài toán 2 cũng có những kết quả tương tự nhưng với độ nhiễu và mức sai số thấp hơn Đối với phương pháp đề xuất chỉ dùng Mode 1, kết quả đặc biệt không tốt với vùng không nhạy khi không dự đoán được, vùng nhạy kết quả cho ra tốt tương tự với phương pháp cải tiến

M ức độ hư hỏ ng ( % )

Bảng 5.4 Kết quả chẩn đoán kịch bản 4 phần tử - bài toán mở rộng

Phương pháp cải tiến

5.4.1 Đề xuất hệ số tỉ lệ năng lượng biến dạng – MSER

Hệ số đề xuất là một chỉ số phụ được đề xuất thêm vào trong quy trình chẩn đoán nhằm tăng sự hiệu quả trong việc chẩn đoán vị trí và mức độ hư hỏng của kết cấu

Hệ số MSER được xác định thông qua dữ liệu MSE đầu vào từ dữ liệu dao động kết cấu cần chẩn đoán (MSE d1 ) và dữ liệu MSE dựa trên dao động của kết cấu khi sử dụng kết quả hư hỏng trên thanh đã được chẩn đoán (xem là kịch bản hư hỏng) để thực hiện “Tính toán kết cấu PTHH” (MSE d2 ) Công thức được xác định như sau:

Lưu đồ trình bày trong Hình 5.1 chia phương pháp cải tiến thành hai bước Bước

1 được thực hiện giống với thuật toán đề xuất sử dụng trong bài toán khảo sát 2 nhưng chỉ với dữ liệu của dạng dao động thứ nhất Khi có kết quả chẩn đoán lần 1, chỉ kết quả chẩn đoán tại vùng nhạy được sử dụng cho các bước tiếp theo Thuật ngữ “Tính toán kết cấu PTHH” là cách gọi ngắn gọn cho quy trình tính được trình bày trong Hình 3.12 Trong đó MSE d1 và MSE d2 lần lượt là giá trị MSE được tính từ trạng thái dao động của kết cấu cần chẩn đoán và giá trị MSE được tính từ trạng thái dao động của kết cấu khi có kịch bản hư hỏng a (d2) Kịch bản hư hỏng a (d2) là kịch bản hư hỏng được CNN chẩn đoán và sau khi áp dụng bộ lọc 1

Bộ lọc 1 là bộ lọc để có dữ liệu sạch hơn khi thực hiện chẩn đoán bước 2 cho vùng không nhạy Bộ lọc 1 gồm loại bỏ dữ liệu tại vùng không nhạy và loại bỏ các chẩn đoán hư hỏng nhỏ hơn 3% tại vùng nhạy Bước 2 thực hiện tính chỉ số MSE mới với giả định là có những dữ liệu về vị trí và mức độ hư hỏng đã được lọc bởi bộ lọc

1 Sau đó tính chỉ số MSER như công thức (5.1)

Bộ lọc 2 là bộ lọc để có dữ liệu về vị trí hư hỏng chuẩn xác hơn với việc áp dụng loại bỏ dữ liệu tại vùng nhạy và loại bỏ các giá trị MSER nhỏ hơn 0.1 với vùng không nhạy Đưa ra các vị trí các thanh có khả năng hư hỏng

Hình 5.1 Lưu đồ chẩn đoán hư hỏng trên thanh – phương pháp cải tiến

Với từng thanh chẩn đoán được, sử dụng phương pháp chia đôi để tính mức độ hư hỏng cho từng thanh có khả năng hư hỏng với mục tiêu hệ số MSER cho từng

82 thanh xấp xỉ bằng 0 Cụ thể lưu đồ phương pháp chia đôi được trình bày trong Hình 5.2 Trong đó giá trị fa,i, fb,i và fc,i là các kí hiệu rút gọn nhằm thể hiện việc tính toán chỉ số MSER (lặp lại quy trình “Tính toán kết cấu PTHH”, sau đó tính chỉ số MSER) cho thanh thứ i với kịch bản hư hỏng a (d2) và giá trị hư hỏng thanh thứ i trong kịch bản được gán giá trị lần lượt là a, b và c Giá trị trả về là mức độ hư hỏng của thanh trên vùng không nhạy

Hình 5.2 Lưu đồ phương pháp chia đôi áp dụng cho phương pháp cải tiến

Kết hợp kết quả tại bước 1 và 2 ta có được chẩn đoán vị trí và mức độ hư hỏng trong kết cấu Về bản chất, thuật toán cải tiến lấy kết quả vùng nhạy của thuật toán đề xuất chỉ sử dụng dạng dao động thứ nhất làm cơ sở để tiến hành đánh giá thêm vùng không nhạy của kết cấu khung không gian thông qua hệ số MSER

Kết quả chẩn đoán

Hình 5.4 Kết quả chẩn đoán kịch bản 3-KG1 Bảng 5.3 Kết quả chẩn đoán kịch bản 5 phần tử - bài toán mở rộng

• Về chẩn đoán vị trí hư hỏng, Hình 5.3 cho thấy phương pháp cải tiến đã chẩn đoán đúng đối với kịch bản 3-KG0 nhưng có xuất hiện nhiễu tại vị trí thanh số 51 Hình 5.4 thể hiện kịch bản 3-KG1 cho thấy với mức độ hư hỏng thấp hơn, phương pháp cải tiến vẫn chẩn đoán đúng vị trí hư hỏng, tuy nhiên xuất nhiễu lớn tại thanh 12 Trong khi đó phương pháp đề xuất chỉ dùng dạng dao động thứ nhất không thể chẩn đoán hết các thanh trong cả hai kịch bản và có nhiễu lớn tại nhiều vị trí khác

• Về chẩn đoán mức độ hư hỏng, Bảng 5.3 cho thấy, với phương pháp cải tiến, kịch bản 3-KG0 chẩn đoán rất tốt khi cho giá trị SSLN và SSTB lần lượt là 1.7% và 1.2%, cải thiện hơn cả khi dùng phương pháp đề xuất với

6 Mode; với kịch bản 3-KG1, thuật toán chẩn đoán sai ở thanh 10 khi cho ra mức độ hư hỏng quá lớn (32.2% so với 10% của kịch bản), các thanh còn lại vẫn chẩn đoán tốt với hư hỏng từ 10%; điều này là chấp nhận được khi kết quả bài toán 2 cũng có những kết quả tương tự nhưng với độ nhiễu và mức sai số thấp hơn Đối với phương pháp đề xuất chỉ dùng Mode 1, kết quả đặc biệt không tốt với vùng không nhạy khi không dự đoán được, vùng nhạy kết quả cho ra tốt tương tự với phương pháp cải tiến

• Về chẩn đoán vị trí hư hỏng, 3 kịch bản được thể hiện trong Hình 5.5, Hình 5.6 và Hình 5.7 cho thấy tại nhiều vị trí với mức độ hư hỏng thấp (5- 10%), thuật toán cải tiến không thể chẩn đoán được, đặc biệt tại các vị trí có các thanh giao nhau; kéo theo việc chẩn đoán không tốt là việc xuất hiện chẩn đoán sai vị trí rất nhiều (nhiều hơn cả kịch bản chính) ở kịch bản 3-KG2 và 3-KG3 Thuật toán đề xuất dùng Mode 1 cũng tương tự như kịch bản 5 phần tử, có thể chẩn đoán được các thanh vùng nhạy nhưng chẩn đoán sai vị trí tại rất nhiều thanh khác, không thể chẩn đoán được tại vùng không nhạy

• Về chẩn đoán mức độ hư hỏng, ngoại trừ các thanh không thể chẩn đoán được vị trí, thuật toán cải tiến vẫn chẩn đoán tốt với mức độ hư hỏng từ 10% cho cả hai vùng nhạy và không nhạy, không quá khác biệt với thuật toán đề xuất sử dụng 6 mode

Hình 5.8 Kịch bản chẩn đoán kịch bản 3-KG5

Phương pháp đề xuất 6 Mode

Phương pháp đề xuất Mode 1

• Về chẩn đoán vị trí hư hỏng, chỉ có kịch bản 3-KG7 chẩn đoán chính xác và ngưỡng chẩn đoán là 0 Các trường hợp còn lại, thuật toán cải tiến đã chẩn đoán chính xác về vị trí nhưng xuất hiện trường hợp chẩn đoán sai vị trí, đặc biệt là với các kịch bản 3-KG6, 3-KG9 và 3-KG10

• Về chẩn đoán mức độ hư hỏng, ở một vài thanh vùng nhạy, kết quả của thuật toán cải tiến là tốt hơn so với thuật toán đề xuất dùng 6 dạng dao động nhưng nhìn chung là sai số không khác biệt quá lớn Ở kịch bản 3-KG5 và 3-KG6, các thanh trong vùng không nhạy có sai số lớn khi có mức sai số lên đến 174% ở thanh 10 kịch bản 3-KG5 và 53% ở thanh 49 kịch bản 3-KG6

• Về chẩn đoán vị trí hư hỏng, chỉ có kịch bản 3-KG17 và 3-KG18 chẩn đoán chính xác vị trí hư hỏng Các kịch bản còn lại, thuật toán cải tiến có chẩn đoán được vị trí hư hỏng trong kịch bản nhưng xuất hiện xuất hiện nhiễu lớn hoặc không thể chẩn đoán được vị trí (với kịch bản hư hỏng 5%)

• Về chẩn đoán mức độ hư hỏng, ngoại trừ các vị trí không chẩn đoán được hư hỏng, các vị trí còn lại thuật toán cải tiến chẩn đoán tốt khi có sai số không quá khác biệt với việc dùng thuật toán đề xuất với 6 dạng dao động Tuy vậy, có kịch bản 3-KG16 bị chẩn đoán sai với mức độ hư hỏng lệch tới 190% so với kịch bản đề ra

Kết quả thực hiện kịch bản 1 phần tử được trình bày trong Bảng 5.7 và Bảng 5.8

• Về chẩn đoán vị trí hư hỏng, thuật toán chẩn đoán chính xác toàn bộ kịch bản có mức độ hư hỏng từ 15%; nhưng hiện tượng nhiễu lớn vẫn xuất hiện khi chẩn đoán các kịch bản hư hỏng tại các cột kể cả mức độ hư hỏng từ 15% khi mà các dầm liên kết với nút giao đầu cột bị chẩn đoán nhầm là có hư hỏng xuất hiện Hiện tượng này đến từ việc chẩn đoán mức độ hư hỏng tại cột vẫn còn có sai số nhất định ảnh hưởng tới kết quả các dầm xung quanh Ở mức độ hư hỏng 5%, thuật toán cải tiến không thể chẩn đoán được hư hỏng tại vùng không nhạy Ở mức độ hư hỏng 10%, thuật toán cải tiến đã chẩn đoán tốt hơn trong cả hai vùng tuy vẫn còn một vài thanh là không thể chẩn đoán được, đặc biệt là vùng thanh số 10 đến 13

• Về chẩn đoán mức độ hư hỏng, khi mức độ hư hỏng từ 15%, thuật toán chẩn đoán rất tốt khi có SSLN là 15% và SSTB là 4% đối với mức độ hư hỏng 15%; có SSLN và SSTB đạt lần lượt là 4% và 2% đối với hư hỏng 20% Ở mức 5% và 10%, sai số hư hỏng còn lớn ở vùng không nhạy

Bảng 5.7 Sai số lớn nhất và sai số trung bình kịch bản 1 thanh – bài toán mở rộng

Bảng 5.8 Kết quả sai số chẩn đoán mức độ hư hỏng kịch bản 1 thanh – bài toán mở rộng

5.5.6 Nhận định về vùng nhạy và vùng không nhạy

Khi chỉ sử dụng dạng dao động thứ nhất làm dữ liệu chẩn đoán, ảnh hưởng của

Thanh Mức độ hư hỏng

98 vùng nhạy và vùng không nhạy là rất rõng ràng trên cả thuật toán đề xuất và thuật toán cải tiến Khoảng cách về độ chính xác chẩn đoán đối với vùng nhạy và không nhạy tăng lên đáng kể khi chỉ sử dụng dạng dao động thứ nhất Khi sử dụng 6 dạng dao động tự nhiên, việc sử dụng nhiều dạng dao động đã giúp có thêm cơ sở cho CNN đánh giá nhằm cải tiến được độ chính xác về vị trí và mức độ hư hỏng – điều mà khi chỉ dùng dạng dao động đầu tiên không thể đạt được.

Nhận xét chung về thuật toán cải tiến

Theo cơ sở của thuật toán cải tiến và kết quả thu được qua các kịch bản khảo sát, độ chính xác của vùng không nhạy phụ thuộc rất lớn vào độ chính xác của vùng nhạy khi kết thúc bước 1 của lưu đồ thuật toán cải tiến Việc có sai số nhất định ở bước 1 sẽ làm thuật toán chẩn đoán vùng không nhạy có sai số về mức độ hư hỏng cao, nhiễu lớn, thậm chí là chẩn đoán sai vị trí

Do chỉ sử dụng dạng dao động đầu tiên làm dữ liệu chẩn đoán, một vài thanh trong vùng nhạy thật sự cho kết quả rất tốt và tốt hơn so với khi sử dụng 6 dạng dao động của thuật toán đề xuất Điều này đạt được là vì CNN không bị ảnh hưởng bởi trọng số đánh giá giữa các dạng dao động với nhau Tuy vậy, việc sử dụng 6 dạng dao động vẫn cho chất lượng chẩn đoán đồng đều hơn đối với tất cả vị trí hư hỏng giúp kết quả chẩn đoán chính xác và có độ tin cậy cao hơn

Nhìn chung, do việc có rất ít dữ liệu đầu vào cho việc huấn luyện CNN, thuật toán cải tiến sẽ không thể khắc phục được các nhược điểm của thuật toán đề xuất sử dụng 6 dạng dao động Thêm vào đó, thuật toán còn có những giới hạn về mặt chính xác trong chẩn đoán, đặc biệt với vùng không nhạy Đối với kịch bản đa hư hỏng, thuật toán cải tiến có giới hạn khi chẩn đoán các kịch bản đa hư hỏng có các thanh giao nhau và các các hư hỏng từ 10% trở xuống Đối với kịch bản một thanh hư hỏng, thuật toán cải tiến chẩn đoán tốt với hư hỏng từ 15% đối với vùng không nhạy và từ 10% đối với vùng nhạy Tuy nhiên, cần lưu ý các vị trí cột vì khi có xuất hiện sai số chẩn đoán trong cột, các dầm liên kết xung quanh có xu hướng bị thuật toán cho là có hư hỏng xảy ra

Tuy có nhiều nhược điểm được kể ra về mặt giới hạn trong thuật toán cải tiến khi chỉ sử dụng dạng dao động đầu tiên, thuật toán đã thực hiện chẩn đoán tốt khi được sử dụng trong giới hạn của mình kể cả về mặt chẩn đoán vị trí lẫn chẩn đoán mức độ hư hỏng

Tiêu đề	Cải tiến phương pháp năng lượng biến dạng kết hợp với mạng nơ-ron tích chập để chẩn đoán sự suy giảm độ cứng trong kết cấu khung
Tác giả	Võ Tân Phú
Người hướng dẫn	PGS. TS. Hồ Đức Duy
Trường học	Trường Đại học Bách khoa, Đại học Quốc gia Thành phố Hồ Chí Minh
Chuyên ngành	Kỹ thuật Xây dựng
Thể loại	Luận văn thạc sĩ
Năm xuất bản	2024
Thành phố	Thành phố Hồ Chí Minh

Định dạng
Số trang	130
Dung lượng	2,01 MB