Luận văn thạc sĩ Kỹ thuật xây dựng: Xác định hư hỏng trong kết cấu khung không gian sử dụng phương pháp năng lượng biến dạng kết hợp với mạng nơ-ron tích chập

Cán bộ hướng dẫn khoa học 1 : PGS TS Hồ Đức Duy Chữ ký:

Cán bộ hướng dẫn khoa học 2 : TS Nguyễn Khắc Duy Chữ ký:

Cán bộ chấm nhận xét 1 : TS Nguyễn Phú Cường Chữ ký:

Cán bộ chấm nhận xét 2 : TS Liêu Xuân Quí Chữ ký:

Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, ĐHQG Tp HCM, ngày 13 tháng 01 năm 2023

Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: 1 PGS TS Lương Văn Hải - Chủ tịch hội đồng

3 TS Nguyễn Phú Cường - Ủy viên (Phản biện 1) 4 TS Liêu Xuân Quí - Ủy viên (Phản biện 2) 5 PGS TS Nguyễn Văn Vương - Ủy viên

KỸ THUẬT XÂY DỰNG

ĐẠI HỌC QUỐC GIA TP.HCM CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM

NHIỆM VỤ LUẬN VĂN THẠC SĨ

I TÊN ĐỀ TÀI

Xác định hư hỏng trong kết cấu khung không gian sử dụng phương pháp năng lượng biến dạng kết hợp với mạng nơ-ron tích chập (Damage identification in space frames using modal strain energy method combining with convolutional neural network)

II NHIỆM VỤ VÀ NỘI DUNG

1 Tìm hiểu các phương pháp chẩn đoán hư hỏng kết cấu dựa trên phân tích dao động, thuật toán học máy và ngôn ngữ Python Lập trình bằng ngôn ngữ Python để xây dựng và phân tích dao động tự do cho kết cấu khung không gian bằng phương pháp PTHH, xây dựng mô hình mạng nơ-ron tích chập (CNNs) chẩn đoán hư hỏng khung

2 Chẩn đoán sự xuất hiện, vị trí và độ lớn của hư hỏng trong khung sử dụng phương pháp năng lượng biến dạng và mạng CNNs

3 Chẩn đoán sự xuất hiện, vị trí và độ lớn của hư hỏng trong khung sử dụng phương pháp năng lượng biến dạng và mạng CNNs cho hư hỏng cục bộ của cấu kiện thanh 4 Kiểm chứng chứng kết quả thu được với kết quả đã công bố trước đây

5 Thực hiện các bài toán mở rộng áp dụng phương pháp đề xuất trong việc chẩn đoán liên tục và chẩn đoán sự thay đổi độ cứng của kết cấu khi thi công

IV NGÀY HOÀN THÀNH NHIỆM VỤ 26/12/2022

TS Nguyễn Khắc Duy

Thành phố Hồ Chí Minh, ngày … tháng … năm ………

PGS TS Hồ Đức Duy TS Nguyễn Khắc Duy PGS TS Ngô Hữu Cường TRƯỞNG KHOA KỸ THUẬT XÂY DỰNG

LỜI CẢM ƠN

Trong thời gian học tập tại trường Đại học Bách Khoa – ĐHQG TP HCM, tôi đã được quý Thầy Cô truyền đạt nhiều kiến thức kinh nghiệm, tôi thật sự trân trọng quãng thời gian ấy

Trong quá trình thực hiện luận văn này, tôi đã nhận được rất nhiều sự hỗ trợ từ phía nhà trường và thầy cô, tôi muốn thông qua đây để gửi lời cảm ơn sâu sắc đến:

Ban Giám hiệu nhà trường, quý Thầy Cô Trường Đại học Bách Khoa – ĐHQG TP.HCM và các quý Thầy Cô khoa Kỹ thuật Xây Dựng, những cánh chim đầu đàn dẫn dắt trên con đường học tập, nghiên cứu của tôi

Thầy Hồ Đức Duy và Thầy Nguyễn Khắc Duy Tôi muốn gửi lời cảm ơn sâu sắc tới hai Thầy đã truyền cảm hứng cho tôi từ khi bắt đầu nghiên cứu bởi sự nhiệt tình và tận tâm Từ lúc bắt đầu nghiên cứu, những kiến thức, những kinh nghiệm kịp thời từ hai Thầy đã giúp tôi tháo gỡ từng khó khăn, lắng nghe những đề xuất phát triển nghiên cứu của tôi và cũng như định hướng cho tôi những bước trên con đường này

Các thành viên trong BK.SHM.Lab, những người đã giúp đỡ tôi từ những ngày đầu mới làm quen với môi trường nghiên cứu Nhờ những chia sẻ về chuyên môn giúp cho tôi có thể tiến nhanh hơn trong quá trình nghiên cứu

Đồng thời, gia đình, bạn bè và đồng nhiệp, tôi xin gửi lời cảm ơn chân thành đến họ, đã tạo điều kiện tốt, động viên về mặt tinh thần và vật chất giúp tôi hoàn thành luận văn này

Lời cuối, tôi xin gửi lời chúc sức khỏe và thành đạt tới quý Thầy Cô, gia đình, và bạn bè Trong quá trình làm luận văn không thể tránh khỏi những thiếu sót, tôi rất mong nhận được góp ý quý báu từ Thầy Cô và các bạn

Tôi xin chân thành cảm ơn

Thành phố Hồ Chí Minh, ngày 26 tháng 12 năm 2022

Đinh Duy Vũ

TÓM TẮT

Theo dõi sức khỏe kết cấu (SHM) là một lĩnh vực đang được chú trọng để đánh giá tình trạng sức khỏe kết cấu Kết cấu khung không gian được sử dụng rộng rãi nhất hiện nay và trong suốt vòng đời, kết cấu này có thể bị hư hỏng do vật liệu xuống cấp, ăn mòn hay chịu tải quá giới hạn Một số nghiên cứu trước đây đã thực hiện về chẩn đoán hư hỏng cho loại kết cấu này sử dụng các thông số động lực học và các thuật toán tối ưu có khả năng tự tìm tòi Mặc dù các phương pháp này đã đạt được độ chính xác cao trong việc xác định vị trí và mức độ hư hỏng, quá trình tối ưu hóa là một công việc tiêu tốn thời gian lớn và điều đó ảnh hưởng đến hiệu suất của việc theo dõi kết cấu trong thời gian thực Mục tiêu của nghiên cứu này là phát triển một phương pháp xác định hư hỏng về vị trí và mức độ hư hỏng trong khung không gian một cách chính xác và đáng tin cậy, đồng thời có khả năng thực hiện việc chẩn đoán trong thời gian thực

Mục tiêu của nghiên cứu này có thể đạt được bằng cách sử dụng kỹ thuật học sâu và các thông số dao động Nghiên cứu này đề xuất sử dụng mạng nơ-ron tích chập (CNNs) kết hợp với năng lượng biến dạng để xác định sự hiện diện, vị trí và mức độ hư hỏng trong khung không gian trong thời gian thực Năng lượng biến dạng được biết đến như là một thông số dao động có độ nhạy cao với hư hỏng và do đó, năng lượng biến dạng có thể được dùng như một thông số hư hỏng trong SHM CNNs, là thuật toán có khả năng tự học, lưu trữ và đưa ra những dự đoán gần như tức thì, có một lớp tích chập bao gồm các bộ lọc nhằm phân tách các đặc trưng của dữ liệu đầu Sáu bộ dữ liệu đầu vào đã được khảo sát để đánh giá mức độ hiệu quả của phương pháp đề xuất Ba bộ dữ liệu đầu tiên lần lượt xem xét ba chỉ số năng lượng biến dạng, MSE (Modal Strain Energy), MSEC (Modal Strain Energy Change) và MSECR (Modal Strain Energy Change Ratio) Trong khi đó, ba bộ dữ liệu còn lại kết hợp từng chỉ số trên với tần suất tự nhiên

Phương pháp đề xuất được áp dụng vào hai khung không gian khác nhau đã được công bố trong các nghiên cứu trước đây Một khung không gian bốn tầng với kích thước phòng thí nghiệm được sử dụng để chẩn đoán hư hỏng trong bài toán khảo sát thứ nhất Tiếp theo, bài toán khảo sát thứ hai thực hiện chẩn đoán hư hỏng cục bộ vùng trên thanh hư hỏng trong khung không gian có kích thước giống với thực tế Kết quả ứng với sáu bộ dữ liệu đầu vào khác nhau cho thấy chúng đều có khả năng chẩn đoán, xuất hiện vị trí và mức độ hư hỏng trong kết cấu Kết quả cho thấy bộ dữ liệu MSEC đưa ra chẩn đoán tốt nhất, theo sau lần lượt là bộ dữ liệu MSECR và MSE Dựa trên kết quả, tần số dao động tự nhiên khi được thêm vào dữ liệu đầu vào cải thiện bộ dữ liệu MSE, không ảnh hưởng đến bộ dữ liệu MSECR và làm giảm độ chính xác của bộ dữ liệu MSEC Thêm vào đó, phương pháp đề xuất có thể xử lí dữ liệu

Ngoài ra, khả năng của phương pháp đề xuất khi chuẩn đoán liên tục và khi xác định sự thay đổi độ cứng do thi công lần lượt được khảo sát đến trong hai bài toán mở rộng Kết quả từ bài toán mở rộng đầu tiên cho thấy phương pháp đề xuất có thể chẩn đoán gần như ngay lập tức, với độ trễ cực kỳ thấp giữa các lần chẩn đoán liên tiếp, đồng nghĩa phương pháp cho phép phân tích trong thời gian thực Kết quả thứ hai cho thấy khả năng chẩn đoán sự thay đổi của độ cứng (nói cách khác là tăng hoặc giảm) trong một trong các khung không gian nêu ở trên, được coi là có tiềm năng lớn trong việc cập nhật mô hình nhằm cải thiện mô hình phần tử hữu hạn tương đồng với kết cấu thực tế

ABSTRACT

Structural health monitoring (SHM) is a growing field of evaluating structural health states 3D frame structures are the most common type of structure today, and over their life spans, they could experience damage due to material degradation, corrosion, or overloading There have been some studies on damage detection for this type of structure using modal information and heuristic optimization techniques Although these methods have achieved high precision in identifying locations and extents of damage, optimization process is a time-consuming task and this affects their performance for real-time monitoring The aim of this study is to develop a damage identification method that can localize and quantify damage in 3D frame structures accurately and reliably, and with capability to perform in real-time

The aim of this study can be achieved by using deep learning techniques and vibration parameters This study proposes to use convolutional neural networks (CNNs) and modal strain energy to examine the presence, location, and extent of damage in 3D frames in real-time Modal strain energy is well-known as a vibration parameter with high sensitivity to damage, and therefore, it can be utilized as a damage index in SHM CNNs, as a technique with the ability to self-learn and store and make predictions almost instantaneously, have a convolutional layer as a filter to feature input data Six input datasets were surveyed to evaluate the performance of the proposed method The first three data sets respectively consider three modal strain energy indices, MSE (Modal Strain Energy), MSEC (Modal Strain Energy Change), and MSECR (Modal Strain Energy Change Ratio) Meanwhile, the other three data sets combine these indices individually with natural frequency

The proposed method is applied to two problems with different frames that have been published in previous studies A laboratory-scaled 4-story 3D frame is used in the first problem to verify the proposed method in identifying damaged regions Then, the second problem is to determine local damaged areas on the damaged bar components of another 3D frame with a comparable scale to reality The results for six different input data sets show that they are all capable of Identifying locations and extents of damage in the structures Results show that the datasets with MSEC give the best predictions, followed by MSECR datasets and MSE datasets, respectively According to the output, including natural frequencies gives a positive result for the MSE dataset, has no effect on the MSECR dataset, and negatively influences the output of the MSE dataset Also, the proposed method can interpret the data with optimal computational cost, which is suitable for real-time monitoring

In addition, the capacity of the proposed method for continuous detection of damage and identification of stiffness variations due to construction uncertainties,

respectively, is also examined in two extended problems Results from the first extended work revealed that the method can detect damage almost immediately, with extremely little delay between consecutive measures, meaning the method enables real-time analysis Results from the second extended problem show the ability to detect the change of stiffness (i.e., increase or decrease) in one of the above frames, which is found to have great potential to be applied in model updating to improve the finite element model in comparison with its corresponding real structure

LỜI CAM ĐOAN

Tôi xin cam đoan đây là luận văn do chính tôi thực hiện dưới sự hướng dẫn của PGS TS Hồ Đức Duy và TS Nguyễn Khắc Duy

Các kết quả của luận văn là đúng sự thật và chưa được công bố ở các nghiên cứu khác

Tôi xin chịu trách nhiệm và công việc thực hiện của mình.

TP.HCM, ngày 26 tháng 12 năm 2022

Đinh Duy Vũ

MỤC LỤC

LỜI CẢM ƠN ii

TÓM TẮT iii

ABSTRACT v

LỜI CAM ĐOAN vii

MỤC LỤC viii

DANH MỤC BẢNG BIỂU xiii

DANH MỤC HÌNH ẢNH xvi

DANH MỤC CÁC CHỮ VIẾT TẮT xx

DANH MỤC CÁC KÝ HIỆU xxii

CHƯƠNG 1 GIỚI THIỆU 1

1.1 Đặt vấn đề 1

1.2 Mục tiêu và nội dung nghiên cứu 5

1.2.1 Mục tiêu nghiên cứu 5

1.2.2 Nội dung nghiên cứu 5

1.3 Đối tuợng và phạm vi nghiên cứu 6

1.3.1 Đối tượng nghiên cứu 6

1.3.2 Phạm vi nghiên cứu 6

1.4 Tính cần thiết và ý nghĩa thực tiễn của nghiên cứu 6

1.5 Cấu trúc luận văn 8

CHƯƠNG 2 TỔNG QUAN 9

2.1 Tình hình nghiên cứu ngoài nước 9

2.2 Tình hình nghiên cứu trong nước 15

2.3 Tổng kết 17

CHƯƠNG 3 CƠ SỞ LÝ THUYẾT 18

3.1 Phân tích dao động tự do không cản 18

3.1.1 Tóm tắt lý thuyết phân tích dao động tự do 18

3.1.2 Ma trận độ cứng và phần tử thanh trong không gian 19

3.1.2.1 Ma trận độ cứng và ma trận khối lượng trong hệ toạ độ địa phương

20

3.1.2.2 Ma trận độ cứng và ma trận khối lượng phần tử trong hệ toạ độ tổng thể 23

3.2 Tần số và dạng dao động 24

3.2.1 Tần số và dạng dao động được chuẩn hóa 24

3.2.2 Các chỉ số thể độ chênh lệch tần số trước và sau hư hỏng giữa trạng thái trước và sau hư hỏng 24

3.3 Phương pháp MAC 25

3.4 Độ giảm độ cứng 25

3.5 Năng lượng biến dạng 26

3.5.1 Chỉ số năng lượng biến dạng 26

3.5.2 Các chỉ số thể hiện độ chênh lệch năng lượng biến dạng giữa trạng thái trước và sau hư hỏng 26

3.5.3 Chẩn đoán vị trí hư hỏng trên kết cấu 27

3.7.1 Chuẩn bị dữ liệu huấn luyện 41

3.7.2 Dữ liệu đầu vào của mô hình CNNs 42

3.7.3 Dữ liệu đầu ra của mô hình CNNs 44

3.7.4 Kiến trúc của mô hình CNNs 45

3.7.5 Các thành phần khác của mô hình CNNs 46

3.8 Lưu đồ thực hiện 46

CHƯƠNG 4 CÁC BÀI TOÁN KHẢO SÁT 48

4.1 Bài toán khảo sát 1 49

4.1.1 Mô hình kết cấu 49

4.1.2 Thông số của bài toán 50

4.1.3 Kết quả tần số và dạng dao đồng 51

4.1.3.1 Tần số dao động tự nhiên 51

4.1.3.2 Tám dạng dao động đầu tiên của kết cấu 51

4.1.4 Dữ liệu mô hình CNNs 53

4.1.5 Kết quả chẩn đoán mức độ hư hỏng 54

4.1.5.1 Chẩn đoán vị trí và mức độ hư hỏng sử dụng MSE 54

4.1.5.2 Chẩn đoán vị trí và mức độ hư hỏng sử dụng MSEC 55

4.1.5.3 Chẩn đoán vị trí và mức độ hư hỏng sử dụng MSECR 56

4.1.5.4 Chẩn đoán vị trí và mức độ hư hỏng sử dụng f và MSE 57

4.1.5.5 Chẩn đoán vị trí và mức độ hư hỏng sử dụng fC và MSEC 58

4.1.5.6 Chẩn đoán vị trí và mức độ hư hỏng sử dụng fCR và MSECR 59

4.1.5.7 So sánh kết quả chẩn đoán của phương pháp đề xuất giữa các bộ dữ liệu đầu vào khác nhau 60

4.1.5.8 So sánh giữa phương pháp đề xuất và nghiên cứu trước đây 62

4.2 Bài toán khảo sát 2 66

4.2.1 Mô hình kết cấu 66

4.2.2 Thông số của bài toán 67

4.2.3 Kịch bản hư hỏng 67

4.2.4 Kiểm chứng kết quả tần số và dạng dao đồng 70

4.2.4.1 Tần số dao động tự nhiên 70

4.2.4.2 Tám dạng dao động đầu tiên của kết cấu 70

4.2.5 Dữ liệu mô hình CNNs 72

4.2.6 Kết quả chẩn đoán mức độ hư hỏng 73

4.2.6.1 Chẩn đoán vị trí và mức độ hư hỏng sử dụng MSE 73

4.2.6.2 Chẩn đoán vị trí và mức độ hư hỏng sử dụng MSEC 74

4.2.6.3 Chẩn đoán vị trí và mức độ hư hỏng sử dụng MSECR 75

4.2.6.4 Chẩn đoán vị trí và mức độ hư hỏng sử dụng f và MSE 76

4.2.6.5 Chẩn đoán vị trí và mức độ hư hỏng sử dụng fC và MSEC 77

4.2.6.6 Chẩn đoán vị trí và mức độ hư hỏng sử dụng fCR và MSECR 78

4.2.6.7 So sánh kết quả chẩn đoán của phương pháp đề xuất giữa các bộ dữ liệu đầu vào khác nhau 79

4.2.6.8 So sánh giữa phương pháp đề xuất và các nghiên cứu trước đây814.2.7 Kết quả chẩn đoán mức độ hư hỏng vị trí cục bộ trên thanh đã xác định có hư hỏng xảy ra 86

4.2.7.1 Chẩn đoán vị trí và mức độ hư hỏng sử dụng MSE 86

4.2.7.2 Chẩn đoán vị trí và mức độ hư hỏng sử dụng MSEC 87

4.2.7.3 Chẩn đoán vị trí và mức độ hư hỏng sử dụng MSECR 88

4.2.7.4 Chẩn đoán vị trí và mức độ hư hỏng sử dụng f và MSE 89

4.2.7.5 Chẩn đoán vị trí và mức độ hư hỏng sử dụng fC và MSEC 90

4.2.7.6 Chẩn đoán vị trí và mức độ hư hỏng sử dụng fCR và MSECR 91

4.2.7.7 So sánh kết quả chẩn đoán của phương pháp đề xuất giữa các bộ dữ liệu đầu vào khác nhau 92

4.2.7.8 So sánh giữa phương pháp đề xuất và nghiên cứu trước đây 94

4.3 Tóm tắt kết quả của phương pháp đề xuất cho hai bài toán khảo sát 97

4.4 Bài toán mở rộng 1: Chẩn đoán liên tục trạng thái kết cấu 99

4.4.1 Đặt vấn đề 99

4.4.2 Kết cấu khảo sát 99

4.4.3 Các phương pháp chẩn đoán liên tục trạng thái hư hỏng kết cấu 99

4.4.4 Kết quả chẩn đoán mức độ hư hỏng 102

4.5 Bài toán mở rộng 2: Chẩn đoán thay đổi độ cứng do sai số khi thi công 103

4.5.1 Đặt vấn đề 103

4.5.2 Kết cấu khảo sát 103

4.5.3 Kịch bản hư hỏng 103

4.5.4 Dữ liệu mô hình CNNs 104

4.5.5 Kết quả chẩn đoán mức độ hư hỏng 104

4.5.6 So sánh giữa phương pháp đề xuất và phương pháp theo nghiên cứu trước đây 106

DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC 115

TÀI LIỆU THAM KHẢO 116

LÝ LỊCH TRÍCH NGANG 120

DANH MỤC BẢNG BIỂU

Bảng 3.1 Phân loại lớp tổng hợp [38] 31

Bảng 3.2 Phân loại đường viền [38] 32

Bảng 3.3 Một số hàm kích hoạt thông dụng [45] 40

Bảng 3.4 Dữ liệu đầu vào gồm MSE 42

Bảng 3.5 Dữ liệu đầu vào gồm MSEC 43

Bảng 3.6 Dữ liệu đầu vào gồm MSECR 43

Bảng 3.7 Dữ liệu đầu vào gồm tần số, MSE 43

Bảng 3.8 Dữ liệu đầu vào gồm fC, MSEC 44

Bảng 3.9 Dữ liệu đầu vào gồm fCR, MSECR 44

Bảng 3.10 Dữ liệu đầu ra 44

Bảng 3.11 Dữ liệu đầu vào và đầu ra của phương pháp đề xuất 45

Bảng 4.1 Thông số vật liệu 50

Bảng 4.2 Kích thước hình học tiết diện của phần tử thanh 50

Bảng 4.3 Kích thước nhịp theo các phương 50

Bảng 4.4 Kịch bản hư hỏng trên thanh 50

Bảng 4.5 Tần số dao động tính bằng phương pháp đề xuất 51

Bảng 4.6 Các thành phần của mô hình CNNs 53

Bảng 4.7 Kết quả chẩn đoán của phương pháp đề xuất sử dụng MSE 54

Bảng 4.8 Kết quả chẩn đoán của phương pháp đề xuất sử dụng MSEC 55

Bảng 4.9 Kết quả chẩn đoán của phương pháp đề xuất sử dụng MSECR 56

Bảng 4.10 Kết quả chẩn đoán của phương pháp đề xuất sử dụng f và MSE 57

Bảng 4.11 Kết quả chẩn đoán của phương pháp đề xuất sử dụng chỉ số fC và MSEC 58

Bảng 4.12 Kết quả chẩn đoán của phương pháp đề xuất sử fCR và MSECR 59

Bảng 4.13 Kết quả chẩn đoán của các thanh giả định hư hỏng của phương pháp đề xuất sử dụng các dữ liệu đầu vào khác nhau 60Bảng 4.14 Thời gian huấn luyện và chẩn đoán của phương pháp đề xuất khi sử dụng

Bảng 4.15 Kết quả chẩn đoán kịch bản hư hỏng của các thanh giả định hư hỏng giữa

phương pháp đề xuất và các nghiên cứu trước đây 63

Bảng 4.16 Thời gian huấn luyện của và chẩn đoán giữa phương pháp đề xuất và các phương pháp của Lê (2017) 64

Bảng 4.17 Thông số vật liệu 67

Bảng 4.18 Kích thước hình học tiết diện của phần tử thanh 67

Bảng 4.19 Kích thước nhịp theo các phương 67

Bảng 4.20 Kịch bản hư hỏng cục bộ của thanh 68

Bảng 4.21 Kịch bản hư hỏng tương đương của thanh 68

Bảng 4.22 Tần số dao động tính bằng phương pháp đề xuất 70

Bảng 4.23 Các thành phần của mô hình CNNs 72

Bảng 4.24 Kết quả chẩn đoán của phương pháp đề xuất sử dụng MSE 73

Bảng 4.25 Kết quả chẩn đoán của phương pháp đề xuất sử dụng MSEC 74

Bảng 4.26 Kết quả chẩn đoán của phương pháp đề xuất sử dụng MSECR 75

Bảng 4.27 Kết quả chẩn đoán của phương pháp đề xuất sử dụng f và MSE 76

Bảng 4.28 Kết quả chẩn đoán kịch bản hư hỏng của phương pháp đề xuất sử dụng fC và MSEC 77

Bảng 4.29 Kết quả chẩn đoán kịch bản hư hỏng của phương pháp đề xuất sử dụng fCR và MSECR 78

Bảng 4.30 Kết quả chẩn đoán kịch bản hư hỏng của các thanh giả định hư hỏng của phương pháp sử dụng các dữ liệu đầu vào khác nhau 79

Bảng 4.31 Thời gian huấn luyện và chẩn đoán của phương pháp đề xuất khi sử dụng các dữ liệu đầu vào khác nhau 80

Bảng 4.32 Kết quả chẩn đoán của các thanh giả định hư hỏng giữa phương pháp đề xuất và các nghiên cứu trước đây 83

Bảng 4.33 Thời gian tính toán giữa các phương pháp 83

Bảng 4.34 Kết quả chẩn đoán của phương pháp đề xuất sử dụng MSE 86

Bảng 4.35 Kết quả chẩn đoán của phương pháp đề xuất sử dụng MSEC 87

Bảng 4.36 Kết quả chẩn đoán của phương pháp đề xuất sử dụng MSECR 88

Bảng 4.37 Kết quả chẩn đoán của phương pháp đề xuất sử dụng f và MSE 89

Bảng 4.38 Kết quả chẩn đoán kịch bản hư hỏng của phương pháp đề xuất sử dụng

Bảng 4.43 Thời gian tính toán giữa các phương pháp 95

Bảng 4.44 Thời gian chẩn đoán hư hỏng (tính từ ban đầu đến khi kết thúc từng chức năng) (đơn vị: s) 102

Bảng 4.45 Thời gian giữa 2 lần chẩn đoán liên tục 102

DANH MỤC HÌNH ẢNH

Hình 1.1 Hai dạng hư hỏng có thể xảy ra trong khung ((a): kết cấu bị khuyết tật về

kích thước hình học; (b): kết cấu bị nứt) (Nguồn: Internet) 2

Hình 1.2 Ứng dụng trí tuệ nhân tạo trong việc theo dõi sức khỏe kết cấu [2] 3

Hình 1.3 Mạng nơ-ron tích chập (CNNs) 4

Hình 2.1 Lưu đồ chẩn đoán hư hỏng kết cấu [14] 11

Hình 2.2 Lưu đồ chẩn đoán hư hỏng kết cấu trong nghiên cứu Lê (2017) [29] 16

Hình 3.1 Phần tử thanh trong khung không gian và các bậc tự do trong hệ toạ độ địa phương [29] 19

Hình 3.2 Định nghĩa học máy (machine learning) 28

Hình 3.3 Phân loại cách học của máy tính [36] 28

Hình 3.4 Sử dụng các tập dữ liệu trong học máy 29

Hình 3.5 Ví dụ minh họa ứng dụng CNNs trong ngành thị giác máy tính [37] 30

Hình 3.6 Nguyên lý làm việc của lớp tích chập (convolution layer) [38] 31

Hình 3.7 Bước nhảy (stride) [38] 31

Hình 3.8 Pha kết nối đầy đủ (Fully Connected Phase) [38] 32

Hình 3.13 Chẩn bị dữ liệu huấn luyện 41

Hình 3.14 Lưu đồ tổng quát phương pháp chẩn đoán hư hỏng đề xuất 47

Hình 4.1 Mô hình khung không gian của kết cấu bài toán 1 49

Hình 4.2 Các dạng dao động của kết cấu ((a): dạng 1, (b): dạng 2, (c): dạng 3, (d): dạng 4, (e): dạng 5, (f): dạng 6, (g): dạng 7, (h): dạng 8) 52

Hình 4.3 Kết quả của 3 lần chẩn đoán ứng với 3 mô hình CNN khác nhau của phương pháp đề xuất sử dụng MSE 54

Hình 4.4 Kết quả của 3 lần chẩn đoán ứng với 3 mô hình CNN khác nhau của phương pháp đề xuất sử dụng MSEC 55Hình 4.5 Kết quả của 3 lần chẩn đoán ứng với 3 mô hình CNN khác nhau của phương pháp đề xuất sử dụng MSECR 56Hình 4.6 Kết quả của 3 lần chẩn đoán ứng với 3 mô hình CNN khác nhau của phương pháp đề xuất sử dụng f và MSE 57Hình 4.7 Kết quả của 3 lần chẩn đoán ứng với 3 mô hình CNN khác nhau của phương pháp đề xuất sử dụng fC và MSEC 58Hình 4.8 Kết quả của 3 lần chẩn đoán ứng với 3 mô hình CNN khác nhau của phương pháp đề xuất sử dụng fCR và MSECR 59Hình 4.9 Kết quả chẩn đoán kịch bản hư hỏng của các thanh giả định hư hỏng giữa các bộ dữ liệu đầu vào khác nhau 60Hình 4.10 Ngưỡng chẩn đoán hư hỏng của phương pháp đề xuất sử dụng các dữ liệu đầu vào khác nhau 60Hình 4.11 Thời gian huấn luyện của và chẩn đoán của phương pháp đề xuất khi sử dụng các dữ liệu đầu vào khác nhau (đơn vị: s) 61Hình 4.12 Kết quả chẩn đoán hư hỏng theo Cha và Buyukozturk (2015) [14] 62Hình 4.13 Kết quả chẩn đoán hư hỏng theo Lê (2017) [29] 63Hình 4.14 Kết quả chẩn đoán kịch bản hư hỏng của các thanh giả định hư hỏng giữa phương pháp đề xuất và các nghiên cứu trước đây 63Hình 4.15 Thời gian huấn luyện của và chẩn đoán giữa phương pháp đề xuất và các phương pháp của Lê (2017) (đơn vị: s) 64Hình 4.16 Mô hình khung không gian của kết cấu bài toán 2 66Hình 4.17 Mô hình khung không gian sau khi rời rạc 67Hình 4.18 Lưu đồ tương quan giữa chẩn đoán cục bộ và tổng thể trong nghiên cứu của Lê (2017) [29] 69Hình 4.19 Các dạng dao động của kết cấu ((a): dạng 1, (b): dạng 2, (c): dạng 3, (d): dạng 4, (e): dạng 5, (f): dạng 6, (g): dạng 7, (h): dạng 8) 71Hình 4.20 Kết quả 3 lần chẩn đoán ứng với 3 mô hình CNN khác nhau của phương pháp đề xuất sử dụng MSE 73Hình 4.21 Kết quả 3 lần chẩn đoán ứng với 3 mô hình CNN khác nhau của phương pháp đề xuất sử dụng MSEC 74

Hình 4.22 Kết quả 3 lần chẩn đoán ứng với 3 mô hình CNN khác nhau của phương

Hình 4.29 Kết quả chẩn đoán hư hỏng [29] 81

Hình 4.30 Giá trị MSECR khi xét 6 dạng dao động đầu tiên [29] 82

Hình 4.31 Giá trị MSECR khi xét 7 dạng dao động đầu tiên [29] 82

Hình 4.32 Giá trị MSECR khi xét 8 dạng dao động đầu tiên [29] 82

Hình 4.33 Kết quả chẩn đoán của các thanh giả định hư hỏng giữa phương pháp đề xuất và các nghiên cứu trước đây 83

Hình 4.34 Thời gian tính toán của phương pháp đề xuất và các phương pháp của Lê (2017) [29] (đơn vị: s) 84

Hình 4.35 Kết quả chẩn đoán của phương pháp đề xuất sử dụng MSE 86

Hình 4.36 Kết quả chẩn đoán của phương pháp đề xuất sử dụng MSEC 87

Hình 4.37 Kết quả chẩn đoán của phương pháp đề xuất sử dụng MSECR 88

Hình 4.38 Kết quả chẩn đoán của phương pháp đề xuất sử dụng f và MSE 89

Hình 4.39 Kết quả chẩn đoán kịch bản hư hỏng của phương pháp đề xuất sử dụng fC và MSEC 90

Hình 4.40 Kết quả chẩn đoán kịch bản hư hỏng của phương pháp đề xuất sử dụng fCR và MSECR 91

Hình 4.41 Kết quả chẩn đoán của các thanh giả định hư hỏng của phương pháp đề

xuất sử dụng các dữ liệu đầu vào khác nhau 92

Hình 4.42 Thời gian huấn luyện của và chẩn đoán của phương pháp đề xuất khi sử dụng các dữ liệu đầu vào khác nhau (đơn vị: s) 93

Hình 4.43 Ngưỡng chẩn đoán hư hỏng của phương pháp đề xuất sử dụng các dữ liệu đầu vào khác nhau 93

Hình 4.44 Kết quả chẩn đoán hư hỏng cục bộ theo Lê (2017) [29] 94

Hình 4.45 Kết quả chẩn đoán của các thanh giả định hư hỏng giữa phương pháp đề xuất và các nghiên cứu trước đây 95

Hình 4.46 Thời gian tính toán của phương pháp đề xuất và các phương pháp của Lê (2017) [29] (đơn vị: s) 95

Hình 4.47 Sai số trung bình của phương pháp đề xuất khi sử dụng các bộ dữ liệu đầu vào khác nhau 97

Hình 4.48 Sai số lệch lớn nhất của phương pháp đề xuất khi sử dụng các bộ dữ liệu đầu vào khác nhau 97

Hình 4.49 Ngưỡng chẩn đoán của phương pháp đề xuất khi sử dụng các bộ dữ liệu đầu vào khác nhau 97

Hình 4.50 Chẩn đoán hư hỏng kết cấu liên tục theo thời gian 99

Hình 4.51 Lưu đồ chẩn đoán liên tục của phương pháp của Lê (2017) 100

Hình 4.52 Lưu đồ chẩn đoán liên tục của phương pháp đề xuất 101

Hình 4.53 Kết quả chẩn đoán kịch bản hư hỏng 1 của phương pháp đề xuất sử dụng MSEC 105

Hình 4.54 Kết quả chẩn đoán kịch bản hư hỏng 1 của phương pháp đề xuất sử dụng MSEC 105

Hình 4.55 Chỉ tiêu MSECR khi xét 7 đến 10 dạng dao động đầu tiên kịch bản 1 107Hình 4.56 Chỉ tiêu MSECR khi xét 7 đến 10 dạng dao động đầu tiên kịch bản 2 107Hình 4.57 Chỉ tiêu MSEBI khi xét 7 đến 10 dạng dao động đầu tiên kịch bản 1 108

Hình 4.58 Chỉ tiêu MSEBI khi xét 7 đến 10 dạng dao động đầu tiên kịch bản 2 109

Hình 4.59 Chỉ tiêu MSEEI khi xét 7 đến 10 dạng dao động đầu tiên kịch bản 1 110

Hình 4.60 Chỉ tiêu MSEEI khi xét 7 đến 10 dạng dao động đầu tiên kịch bản 2 110

DANH MỤC CÁC CHỮ VIẾT TẮT

ACMSC Absolute Changes in Mode Shape Curvature

AI Artificial Intelligence Trí tuệ nhân tạo ANNs Artificial Neural Network Mạng nơ-ron nhân tạo BA Bat Algorithm

CNNs Convolutional Neural Network Mạng nơ-ron tích chập DI/ SDI Damage Index/ Stubbs Damage

Index

Chỉ số năng lượng biến dạng của Stubbs

FC Fully Connected Layer Lớp kết nối đầy đủ GRNN General Regression Neural

Network

Mạng hồi quy tổng quát GD/BGD Gradient Descent/Batch Gradient

Descent

IGA Isogeometric Analysis

MAC Modal Assurance Criterion Chỉ số thể hiệu sự tương quan giữa các dao động

MSE Modal Strain Energy Năng lượng biến dạng MSECR Modal Strain Energy Change

MICMSE Modified Index of Cross-model Modal Strain Energy

nMSEDI Normalized Modal Strain Energy Indicator

PSO Particle Swarm Optimization

RFC Relative Flexibility Change Phương pháp thay đổi độ linh hoạt tương đối

MSEBI Statistical Package for the Social Sciences

Chương trình thống kê cho các ngành khoa học xã hội

SGD Stochatic Gradient Descent

SHM Structural Health Monitoring Theo dõi sức khỏe kết cấu TLBO Teaching Learning Base

Optimization Algorithm

 Tần số góc riêng của kết cấu

ˆv Véc-tơ độ của các chuyển vị nút

M Ma trận khối lượng phần tử trong hệ trục tọa độ địa phương

K Ma trận độ cứng phần tử trong hệ trục tọa độ địa phương

M Ma trận khối lượng phần tử trong hệ trục tọa độ tổng thể

K Ma trận độ cứng phần tử trong hệ trục tọa độ tổng thể

I Mô-men quán tính độc cực của tiết diện

 Khối lượng thể tích của vật liệu cấu tạo thanh

E và G Mô đun dàn hồi Young và mô đun cắt của vật liệu cấu tạo thanh

v Hệ số poisson của vật liệu

MAC X X Giá trị MAC cho tương quan giữa mô hình cần so sánh

XX * Mô hình kết cấu ban đầu không hư hỏng và hư hỏng

Năng lượng biến dạng của phần tử thứ j , ở dạng dao động thứ i ,

tương ứng với trạng thái không hư hỏng và trạng thái có hư hỏng

tử thứ j , ở dạng dao động thứ i ij

phần tử thứ j , ở dạng dao động thứ i

ij

a Dữ liệu của mô hình CNNs nút thứ j lớp thứ i

a Dữ liệu đầu ra của mô hình CNNs nút thứ j

CHàm mất mát cho một lần huấn luyện x

CHƯƠNG 1 GIỚI THIỆU

1.1 Đặt vấn đề

Ngày nay, ở nhiều nơi trên thế giới, đặc biệt là những thành phố lớn, diện tích đất xây dựng ngày càng trở nên hạn chế Các công trình cao tầng hiện hữu xuống cấp, suy giảm khả năng chịu lực do những nguyên nhân khác nhau, có thể chia làm hai nhóm nguyên nhân chính: một là do các tác nhân không lường trước trong quá trình thiết kế, hai là sự suy giảm chất lượng kết cấu theo thời gian sử dụng Các công trình mới yêu cầu có quy mô lớn hơn để tối ưu hóa diện tích và thời gian sử dụng Do đó, công tác đánh giá sức khỏe của kết cấu là rất quan trọng

An toàn kết cấu là vấn đề thiết yếu đối với tất cả công trình dân dụng như nhà cao tầng, nhà xưởng, nhà phố… Dù vậy, hư hỏng trong các kết cấu công trình dường như không thể tránh khỏi Do đó, việc cần thiết là phải theo dõi, kiểm tra kết cấu và phát hiện, xác định vị trí và ước tính mức độ hư hỏng trong cấu trúc càng sớm càng tốt để đánh giá tuổi thọ sử dụng của công trình cũng như kịp thời đề xuất và tiến hành các giải pháp để khắc phục và kéo dài tuổi thọ cho công trình

Hai phương pháp phổ biến dùng để đánh giá và phát hiện hư hỏng trên kết cấu bao gồm phương pháp phá hủy và phương pháp không phá hủy Với những ưu điểm như khả năng đo lường linh hoạt, chi phí tương đối thấp, phương pháp không phá hủy hay còn biết đến là lĩnh vực theo dõi và chẩn đoán sức khỏe kết cấu (SHM: Structural Health Monitoring) ngày càng trở nên phổ biến Trong đó, phương pháp phần tử hữu hạn PTHH (Finite Element Method) đã giúp cho lĩnh vực SHM trở thành một trong những phương pháp gián tiếp và hiệu quả để phát hiện, chẩn đoán hư hỏng kết cấu Sự xuất hiện khuyết tật trong kết cấu dẫn đến sự thay đổi các đặc trưng dao động như: tần số dao động, dạng dao động, độ cong dạng dao động, năng lượng biến dạng…

Phương pháp chẩn đoán hư hỏng kết cấu được phân loại làm 4 mức độ [1]: (i) Mức độ 1: Chẩn đoán có hư hỏng hiện diện trong kết cấu;

(ii) Mức độ 2: Chẩn đoán vị trí hư hỏng trong kết cấu; (iii) Mức độ 3: Chẩn đoán mức độ hư hỏng trong kết cấu;

(iv) Mức độ 4: Dự đoán tuổi thọ còn lại của kết cấu dựa trên mức độ hư hỏng Hiện nay, mức độ 2 và mức độ 3 được sử dụng phổ biến trong việc chẩn đoán hư hỏng các kết cấu công trình Dự đoán tuổi thọ ở mức độ 4 thường liên quan đến các lĩnh vực cơ học đứt gãy, phân tích tuổi thọ từ biến hoặc đánh giá thiết kế kết cấu Nghiên cứu đề xuất thực hiện chẩn đoán ở mức độ 2 và mức độ 3

Hiện nay, nhiều phương pháp được sử dụng để chẩn đoán hư hỏng kết cấu, phương pháp dao động và các ứng dụng của dao động khá phổ biến trong những nghiên cứu gần đây Trong đó, phương pháp dựa trên năng lượng biến dạng MSE (Modal Strain Energy) đã chứng minh đây là sự hiệu quả và độ nhạy cao với hư hỏng cục bộ trong kết cấu MSE là một chỉ số có độ nhạy cao với sự thay đổi độ cứng nên được mở rộng nghiên cứu và áp dụng cho bài toán chẩn đoán hư hỏng kết cấu vì trạng thái hư hỏng của một phần tử nào đó cũng được xem như là sự suy giảm về độ cứng của phần tử đó

Những năm gần đây, với sự tăng trưởng đáng kể của ngành xây dựng kèm theo là số lượng các nghiên cứu về theo dõi và chẩn đoán sức khỏe kết cấu kết hợp trí tuệ nhân tạo (Artificial Intelligence - AI) ngày càng phát triển và đóng vai trò quan trọng Từ đó, các bộ phận duy tu, bảo dưỡng có thể dễ dàng phát hiện và chẩn đoán các trạng thái tại bất kỳ thời điểm nào trong tuổi thọ của công trình Từ khả năng của AI, các tình huống liên quan đến công tác ra quyết định như chẩn đoán hư hỏng, phát

hiện ăn mòn, phát hiện các trạng thái bất thường, những vấn đề này rất khó khi phải xử lý nhanh chóng và kịp thời bởi con người Hình 1.2 cho thấy khả năng ứng dụng trí tuệ nhân tạo để dự doán vị trí và mức độ hư hỏng trong kết cấu AI là một ngành thuộc lĩnh vực khoa học máy tính, là trí thông minh của máy do con người lập trình tạo nên với mục tiêu giúp máy tính có thể tự động hóa thực hiện các hành vi thông minh như con người Trí tuệ nhân tạo khác với việc lập trình logic trong các ngôn ngữ lập trình là ở việc ứng dụng các hệ thống học máy (Machine Learning - ML) để mô phỏng trí tuệ của con người trong các tình huống xử lý mà con người làm tốt hơn máy tính ML là một công nghệ phát triển từ lĩnh vực của trí tuệ nhân tạo liên quan đến việc nghiên cứu và xây dựng các kĩ thuật cho phép hệ thống có khả năng tự học hỏi từ những bộ dữ liệu lớn để giải quyết những vấn đề cụ thể Thuật toán học máy là chương trình máy tính có khả năng học hỏi về cách hoàn thành các nhiệm vụ và cải thiện hiệu suất theo thời gian ML đã tiến thêm một bước dài giúp cho một lĩnh vực mới được ra đời gọi là Học Sâu (Deep Learning - DL) DL là một nhánh của ngành học máy dựa trên một tập hợp các thuật toán để cố gắng mô hình hóa dữ liệu trừu tượng ở mức cao bằng cách sử dụng nhiều lớp xử lý với cấu trúc phức tạp hoặc thực hiện nhiều biến đổi phi tuyến

Hình 1.2 Ứng dụng trí tuệ nhân tạo trong việc theo dõi sức khỏe kết cấu [2]

Mạng nơ-ron nhân tạo (Neural Networks) là mô hình toán học xử lý thông tin được mô phỏng dựa trên hoạt động của hệ thống thần kinh sinh học, bao gồm số lượng lớn các nơ-ron được gắn kết để xử lý thông tin Nó gồm có một nhóm các nơ-ron nhân tạo (nút) nối với nhau, xử lý thông tin bằng cách truyền theo các kết nối và tính giá trị mới tại các nút Trong nhiều trường hợp, mạng nơ-ron nhân tạo là một hệ thống thích ứng (Adaptive System) tự thay đổi cấu trúc của mình dựa trên các thông tin bên ngoài hay bên trong chảy qua mạng trong quá trình học Một mạng nơ-ron là một nhóm các nút nối với nhau, gần giống như các mạng nơ-ron khổng lồ trong não

người Mạng nơ-ron giống như bộ não con người, được học bởi kinh nghiệm (thông qua huấn luyện), có khả năng lưu giữ những kinh nghiệm hiểu biết (hay tri thức) và sử dụng những tri thức đó trong việc dự đoán các dữ liệu chưa biết (Unseen Data)

Mạng nơ-ron tích chập (Convolutional Neural Networks – CNNs) được tích hợp thêm pha tích chập(Convolutional Phase) trước khi đến pha kết nối đầy đủ (Fully Connected Phase), hoạt động như một mạng nơ-ron nhân tạo Pha tích chập có nhiệm vụ sử dụng các lớp tích chập (Convolutional Layer) như một bộ lọc đặc trưng (feature detector) để phân tách theo từng mảnh, hay còn được gọi các đặc trưng của dữ liệu đầu vào Pha tích chập giúp mạng CNN nhận ra được sự tương đồng khi tìm kiếm các đặc trưng thô Các đặc trưng này được coi là một dữ liệu chia nhỏ trong bộ dữ liệu đầu vào

Hình 1.3 Mạng nơ-ron tích chập (CNNs)

Trong các phương pháp sử dụng dao động để chẩn đoán hư hỏng kết cấu, các dạng dao động của kết cấu sẽ được sử dụng trực tiếp hoặc gián tiếp (năng lượng biến dạng) để chẩn đoán hư hỏng kết cấu Mỗi dạng dao động sẽ có đặc điểm dao động khác nhau Do đó, các bộ lọc của lớp tích chập có thể được áp dụng để nhận biết các đặc trưng dao động này

1.2 Mục tiêu và nội dung nghiên cứu

1.2.1 Mục tiêu nghiên cứu

Mục tiêu của nghiên cứu này là phát triển một phương pháp xác định hư hỏng về vị trí và mức độ hư hỏng trong khung không gian một cách chính xác và đáng tin cậy, đồng thời có khả năng thực hiện việc chẩn đoán trong thời gian thực Mục tiêu của nghiên cứu này có thể đạt được bằng cách sử dụng kỹ thuật học sâu và các thông số dao động Nghiên cứu này đề xuất sử dụng mạng nơ-ron tích chập kết hợp với năng lượng biến dạng để xác định sự hiện diện, vị trí và mức độ hư hỏng trong khung không gian trong thời gian thực

1.2.2 Nội dung nghiên cứu

Nghiên cứu này đề xuất sử dụng mạng nơ-ron tích chập kết hợp với năng lượng biến dạng để xác định sự hiện diện, vị trí và mức độ hư hỏng trong khung không gian trong thời gian thực Sáu bộ dữ liệu đầu vào được khảo sát gồm ba bộ dữ liệu không bao gồm yếu tố tần số và ba bộ dữ liệu xét đến tần số ứng với ba chỉ số năng lượng biến dạng MSE (Modal Strain Energy), MSEC (Modal Strain Energy Ratio), MSECR (Modal Strain Energy Change Ratio) để đánh giá ảnh hưởng đến phương pháp đề xuất Sau đây là các nhiệm vụ và nội dung cụ thể của nghiên cứu:

(i) Nghiên cứu tổng quan về các phương pháp theo dõi và chẩn đoán sức khỏe kết cấu khung không gian Nghiên cứu các cơ sở lý thuyết về các phương pháp xác định sự thay đổi độ cứng dựa trên năng lượng biến dạng Tìm hiểu về trí tuệ nhân tạo, mạng nơ-ron tích chập và các nghiên cứu liên quan trong chẩn đoán hư hỏng kết cấu (ii) Phân tích dao động tự do kết cấu khung không gian bằng phương pháp PTHH (iii) Phát triển phương pháp chẩn đoán sự xuất hiện, vị trí và mức độ hư hỏng của phần tử thanh trong khung không gian thông qua một bước sử dụng mạng nơ-ron tích chập (CNNs) được xây dựng từ dữ liệu đầu là chỉ số năng lượng biến dạng

(iv) Áp dụng phương pháp đề xuất để chẩn đoán hư hỏng trong kết cấu khung không gian đã được thực hiện trong nghiên cứu trước đây Kết quả chẩn đoán của phương pháp đề xuất được tính toán và kiểm chứng với các nghiên cứu trước đây

(v) Áp dụng phương pháp đề xuất để chẩn đoán hư hỏng trong kết cấu khung không gian và cục bộ vị trí trên thanh được xác định là có hư hỏng đã được thực hiện trong nghiên cứu trước đây Kết quả chẩn đoán của phương pháp đề xuất được tính toán và so sánh với nghiên trước đây

(vi) Phân tích và đánh giá khả năng chẩn đoán liên tục của phương pháp đề xuất (vii) Phân tích và đánh giá khả năng xác định sự thay đổi độ cứng của phần tử

trong kết cấu so với thiết kế ban đầu của phương pháp đề xuất

1.3 Đối tuợng và phạm vi nghiên cứu

1.3.1 Đối tượng nghiên cứu

Trong luận văn này, đối tượng nghiên cứu là hư hỏng trong kết cấu khung không gian gây ra bởi sự suy giảm độ cứng của cấu kiện

1.3.2 Phạm vi nghiên cứu

Để đảm bảo tiến độ thời gian và khả năng nội dung có thể thực hiện được Luận văn được giới hạn trong phạm vi sau:

(i) Thực hiện cho kết cấu khung không gian;

(ii) Sử dụng phương pháp năng lượng biến dạng và mạng nơ-ron tích chập để chẩn đoán;

(iii) Kết cấu được mô hình trong điều kiện lý tưởng, bỏ qua các yếu tố như nhiễu, nhiệt độ, gió, độ ẩm, môi trường tác động… không xét yếu tố ngoại cảnh Các mô hình được mô phỏng trong điều kiện lý tưởng dựa trên những thông số thiết kế ban đầu và đặc trưng vật liệu

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

Kết cấu khung được sử dụng rất phổ biến trong xây dựng dân dụng Sau khi được đưa vào sử dụng và trong quá trình sử dụng, công trình cần được kiểm tra, đánh giá, và chẩn đoán tình trạng sức khỏe kết cấu vì việc xảy ra các khuyết tật hay hư hỏng trong kết cấu là không thể tránh khỏi Công tác phát hiện vả chẩn đoán hư hỏng nhằm kịp thời đưa giải pháp bảo trì, khắc phục và gia cố hư hỏng Hiện nay, các phương pháp chẩn đoán trực tiếp bằng quan trắc đang được áp dụng Tuy nhiên, chúng có chi phí cao, mức độ hiệu quả thấp và mang tính định tính dẫn đến phụ thuộc vào khả năng của người đo đạc, kết quả mang tính chủ quan Từ đó, phương pháp khác khả thi và khách quan hơn được nghiên cứu, các đặc trưng động lực học trở thành dữ liệu để chẩn hoán hư hỏng kết cấu Dữ liệu thu thập được từ các cảm biến bên trong kết cấu được nghiên cứu và phát triển ngày càng rộng rãi Ngoài ra, sự phát triển nhanh chóng của phần cứng lẫn phần mềm máy tính giúp tăng khả năng xử lý, tính toán dữ liệu của máy tính

Phương pháp năng lượng biến dạng là một trong các phương pháp thí nghiệm không phá hủy, xác định hư hỏng của kết cấu dựa trên dao động Phương pháp trên hiệu quả với trong việc chẩn đoán hư hỏng Mạng nơ-ron tích chập là mô hình toán học với khả năng học bởi kinh nghiệm thông qua huấn luyện và có khả năng lưu giữ

những kinh nghiệm đã hiểu biết và dùng những kinh nghiệm đã được huấn luyện để dự đoán các dữ liệu đưa vào Ngoài ra, lớp tích chập của mạng nơ-ron tích chập tạo ra các bộ lọc đặc trưng Sự kết hợp giữa phương pháp năng lượng biến dạng và mạng nơ-ron tích chập tạo nên sự hiệu quả nhờ vào các ưu điểm sau:

(i) Năng lượng biến dạng nhạy với dạng dao dao động và cả sự thay đổi độ cứng của các phần tử trong kết cấu với độ chính xác cao khi các dạng dao động là có thật hoặc gần giống với thực tế

(ii) Mạng nơ-ron có khả năng học bởi kinh nghiệm thông qua huấn luyện và có khả năng lưu giữ những kinh nghiệm đã hiểu biết và dùng những kinh nghiệm này để dự đoán các dữ liệu đưa vào

(iii) Mạng nơ-ron tích chập bao gồm lớp tích chập gồm các bộ lọc có khả năng phân tách, chọn lọc các đặc trưng của dữ liệu đầu vào

Tổng kết từ các ưu điểm đã trình bày như trên, nghiên cứu này có các điểm mới như sau:

(i) Một phương pháp được phát triển chẩn đoán sự hiện diện, vị trí và mức độ hư hỏng trong khung không gian thông qua một bước kết hợp giữa phương pháp năng lượng biến dạng và mạng nơ-ron tích chập

(ii) Phương pháp đề xuất sử dụng nhiều bộ dữ liệu đầu vào khác nhau để khảo sát sự hiệu quả và sự ảnh hưởng của các thông số đến phương pháp đề xuất Dữ liệu đầu vào được nghiên cứu gồm các chỉ số năng lượng biến dạng khác nhau, ngoài ra dữ liệu đầu vào còn được xét cho trường hợp kể đến tần số, một thông số động lực học độc lập với dạng dao động

(iii) Phương pháp đề xuất được xây dựng, lập trình trên ngôn ngữ lập trình Python, bao gồm: thứ nhất là mô hình CNNs sử dụng thư viện Tensorflow Keras của Deep Learning để huấn luyện và chẩn đoán, thứ hai thuật toán dựa trên phương pháp phần tử hữu hạn để xác định các thông số dao động, năng lượng biến dạng của kết cấu đối với các kịch bản hư hỏng khác nhau Việc xây dựng phương pháp đề xuất trên ngôn ngữ Python nhằm chủ động các thông số cho thuật toán để kết quả chẩn đoán tốt hơn

(iv) Phương pháp đề xuất khảo sát khả năng chẩn đoán hư hỏng kết cấu thời gian thực, bao gồm thời gian chẩn đoán và khả năng chẩn đoán liên tục của phương pháp (v) Phương pháp đề xuất khảo sát khả năng chẩn đoán sai số độ cứng của cấu kiện trong khung không gian cho thi công nhằm tạo tiền đề cho việc cập nhật mô hình phần tử hữu hạn tương đồng với thực tế hơn

1.5 Cấu trúc luận văn

Nội dung luận văn gồm 5 chương như sau:

Chương 1 Giới thiệu

Giới thiệu sơ lược về đề tài nghiên cứu, mục tiêu và nội dung nghiên cứu, đối tượng và phạm vi nghiên cứu, tính cần thiết và ý nghĩa thực tiễn của đề tài

Chương 2 Tổng quan

Tổng quan về tình hình nghiên cứu của các tác giả trong và ngoài nước về phương pháp năng lượng biến dạng và mạng nơ-ron tích chập và đưa ra định hướng nghiên cứu

Chương 3 Cơ sở lý thuyết

Trình bày các cơ sở lý thuyết phương pháp phần tử hữu hạn, phương pháp năng lượng biến dạng, lưu đồ tổng quát phương pháp đề xuất và lưu đồ mạng nơ-ron tích chập

Chương 4 Các bài toán khảo sát

Trình bày hai bài toán khảo sát kiểm chứng áp dụng phương pháp đề xuất lên sơ đồ kết cấu và kịch bản hư hỏng của hai nghiên cứu đã công bố (một bài báo quốc tế và một luận văn thạc sĩ) để so sánh kết quả, đưa ra một số nhận xét Ngoài ra, trình bày hai bài toán mở rộng cùng với so sánh và nhận xét cho bài toán đó

Chương 5 Kết luận và kiến nghị

Đưa ra một số kết luận quan trọng đạt được trong luận văn và kiến nghị hướng phát triển đề tài trong tương lai

CHƯƠNG 2 TỔNG QUAN

Trong chương 2, các nghiên cứu liên quan đến đề tài được trình bày theo hai nhóm theo trình tự thời gian nghiên cứu được công bố: những nghiên cứu liên quan đến bài toán chẩn đoán hư hỏng dựa trên các chỉ số năng lượng biến dạng và ứng dụng các thuật toán chẩn đoán hư hỏng Sau đó, những thành quả trước đây được tổng kết từ những nghiên cứu hiện tại có được nhằm làm nền tảng xây dựng định hướng cho các nghiên cứu phù hợp với tính cần thiết trong lĩnh vực chẩn đoán hư hỏng này

2.1 Tình hình nghiên cứu ngoài nước

Stubbs và cộng sự (1995) [3] đã ứng dụng lần đầu tiên chỉ số năng lượng biến dạng trong xác định hư hỏng trong kết cấu Năng lượng biến dạng là một chỉ số có độ nhạy cao với sự thay đổi độ cứng nên được mở rộng nghiên cứu và áp dụng trong bài toán chẩn đoán hư hỏng kết cấu vì trạng thái hư hỏng của một phần tử nào đó cũng được xem như là sự suy giảm về độ cứng của phần tử đó Họ đã nghiên cứu cơ sở lý thuyết để xác định vị trí hư hỏng dựa trên sự thay đổi năng lượng biến dạng dao động của kết cấu Chỉ số DI (Damage Index) hay SDI (Stubbs Damage Index) được đề xuất như thuật toán sử dụng dạng dao động (mode shape) trước và sau khi kết cấu hư hỏng để xác định vị trí hư hỏng

Carrasco và cộng sự (1997) [4] đã áp dụng phương pháp năng lượng biến dạng để chẩn đoán vị trí hư hỏng trong kết cấu dàn không gian Hệ kết cấu được thí nghiệm với 18 trường hợp hư hỏng khác nhau, bao gồm ba nhóm mức độ hư hỏng: (i) hư hỏng do cắt, (ii) hư hỏng một phần và (iii) hư hỏng hoàn toàn Phương pháp này có thể xác định vị trí hư hỏng hoàn toàn (iii) và hư hỏng một phần (ii), nhưng không thể phát hiện ra hư hỏng do cắt (i)

Shi và cộng sự (1998) [5] đã đề xuất phương pháp sử dụng chỉ số thể hiện sự chênh lệch năng lượng biến dạng giữa trạng thái trước và sau hư hỏng MSEC (Modal Strain Enery Change) để chẩn đoán hư hỏng cho kết cấu khung thép phẳng, một nhịp và hai tầng Chỉ số chênh lệch năng lượng biến dạng MSECR (Modal Strain Energy Change Ratio) được áp dụng, nó là tỉ số giữa hiệu năng lượng biến dạng trạng thái sau với trước hư hỏng của các cấu kiện kết cấu và năng lượng biến dạng trước trạng thái trước hư hỏng Khi hư hỏng xảy ra trong kết cấu các thông số vật lý cũng như thông số động học sẽ thay đổi Kịch bản hư hỏng của kết cấu bao gồm hai trường hợp: một vị trí hư hỏng và nhiều vị trí hư hỏng Trong phương pháp này, dữ liệu đầu vào bao gồm dạng dao động đo được từ kết cấu và ma trận độ cứng phần tử, ma trận độ cứng và ma trận khối lượng của kết cấu Nghiên cứu cho thấy chỉ số MSECR nhạy với hư hỏng của kết cấu và phương pháp này đơn giản và hiệu quả trong việc chẩn

đoán hư hỏng cho một hay nhiều vị trí hư hỏng

Shi và cộng sự (2000) [6] đã đề xuất phương pháp xác định vị trí và mức độ hư hỏng dựa trên chỉ số MSEC cho kết cấu khung phẳng một nhịp, hai tầng Phương pháp mà tác giả đề xuất chỉ sử dụng dạng dao động đo được từ thí nghiệm, dạng dao động thu được từ phân tích kết cấu mô phỏng và ma trận độ cứng phần tử để tính toán Trong nghiên cứu này, ảnh hưởng của nhiễu trong đo lường dạng dao động (measurement noise) lên kết quả xác định vị trí và mức độ hư hỏng được khảo sát Kết quả cho thấy phương pháp chẩn đoán dựa vào sự thay đổi của năng lượng biến dạng nhạy với độ nhiễu của đo đạc Phương pháp cho kết quả chính xác đối với việc xác định hư hỏng, nhưng về mặt xác định mức độ hư hỏng thì phương pháp chỉ cho kết quả đúng với độ nhiễu nhỏ hơn hoặc bằng 5%

Shi và cộng sự (2002) [7] đã phát triển thêm một thuật toán cải tiến xác định mức độ hư hỏng của kết cấu Nhờ đó các sai số đơn giản hóa và mô hình hóa ở các dạng dao động cao hơn được hạn chế

Sazonov và Klinkhachorn (2005) [8] đã tiến hành khảo sát và phân tích để tìm ra khoảng thời gian lấy mẫu tối ưu nhằm làm giảm thiểu ảnh hưởng của nhiễu trong đo lường và lỗi làm tròn lên việc tính toán đường cong và năng lượng biến dạng Từ đó, việc chẩn đoán hư hỏng về vị trí và mức độ được tăng thêm tính chính xác Các công thức tính khoảng thời gian lấy mẫu tối ưu dựa vào các phương pháp số được sử dụng để tính toán độ cong và dạng dao động năng lượng biến dạng

Hsu và Loh (2006, 2008) [9], [10] đã thực hiện ba phương pháp cải tiến thuật toán mà Shi và cộng sự (2002) [7] đã đề xuất và độ chính xác của chỉ số MSECR được cải thiện Biến thể của chỉ số MSEC nêu trên đã xác định hư hỏng bằng quy trình lặp lại

Seyedpoor (2012) [11] đã đề xuất phương pháp xác định đúng vị trí và mức độ hư hỏng cho nhiều vị trí trong hệ kết cấu qua hai giai đoạn Giai đoạn đầu tiên, chỉ số năng lượng biến dạng phương thức MSEBI được sử dụng để xác định chính xác hư hỏng bất kỳ của kết cấu Giai đoạn thứ hai trong phương pháp là xác định mức độ hư hỏng được xác định bằng bài toán tối ưu PSO (Particle Swarm Optimization) dựa trên những kết quả từ giai đoạn đầu tiên Kết quả nghiên cứu cho thấy sự kết hợp hai chỉ số MSEBI và PSO có thể xác định hư hỏng nhiều vị trí trên kết cấu với độ chính xác cao

Guo và Li (2014) [12] đã đề xuất phương pháp xác định hư hỏng nhiều vị trí ở kết cấu dàn phẳng bằng chỉ số đánh giá hư hỏng MSEEI (Modal Strain Energy Equivalence Index) Đầu tiên, công thức tính toán năng lượng biến dạng MSE trước

và sau khi hư hỏng được đề xuất Từ kết quả mô phỏng, phương pháp này có thể xác định vị trí và mức độ hư hỏng với độ tin cậy cao Ngoài ra, độ chính xác của phương pháp sử dụng chỉ số MSEEI được đề xuất rõ ràng là tốt hơn so với phương pháp sử dụng chỉ số MSEDRI (Modal Strain Energy Dissipation Ratio Index) được tác giả Liu và cộng sự (2004) [13] đưa ra trước nghiên cứu này

Mức độ hư hỏng αs

Hàm mục tiêuĐiều kiện dừng

Mô hình kết cấu PTHH(*)

Hàm mục tiêu OF(αs

Hình 2.1 Lưu đồ chẩn đoán hư hỏng kết cấu [14]

Cha và Buyukozturk (2015) [14] đã nghiên cứu phương pháp phát hiện hư hỏng đa vị trí của kết cấu bằng thuật toán tối ưu hóa đa mục tiêu kết hợp dựa trên năng

lượng biến dạng Kết cấu trong nghiên cứu là kết cấu khung không gian với kích thước tương ứng với mô hình trong phòng thí nghiệm Ngoài ra, ảnh hưởng của nhiễu tính hiệu trong quá trình đo đạc lên độ chính xác của phương pháp cũng được tác giả khảo sát với mức độ nhiễu là 5% Hình 2.1 trình bày lưu đồ phương pháp chẩn đoán hư hỏng của nghiên cứu

Parviz và cộng sự (2015) [15] đã thiết lập phương trình tính toán năng lượng biến dạng dựa trên phân tích thay đổi độ cứng phần tử hư hỏng Từ đó, phương trình thiết lập đề xuất được áp dụng để xác định mức độ hư hỏng của kết cấu qua bước chạy lặp Khodabandehlou và cộng sự (2018) [16] đã đề xuất sử dụng CNNs để theo dõi sức khỏe kết cấu dựa vào dao động Tác giả sử dụng dữ liệu dao động hay gia tốc được ghi lại trong quá trình thí nghiệm bàn lắc đối với khung hai nhịp lý tưởng của cầu đường cao tốc bê tông cốt thép có quy mô 1/4 Phương pháp này có thể nhận biến được được những thay đổi rất nhỏ trong kết cấu với kết quả chẩn đoán các trạng thái hư hỏng với độ chính xác cao Bên cạnh đó, phương pháp SHM dựa trên mạng CNNs được ứng dụng và cho kết quả tốt khi xác định mức độ hư hỏng và theo dõi tình trạng tổng thể của cây cầu trực tiếp từ dao động đo được

Khatir và cộng sự (2019) [17] đã đề xuất hướng tiếp cận chẩn đoán vị trí và mức độ hư hỏng qua hai bước cho kết cấu dầm bằng cách sử dụng phương pháp IGA (Isogeometric Analysis) và mô hình PTHH cùng các thuật toán tối ưu hóa Tác giả đưa ra phương pháp chẩn đoán vị trí hư hỏng dựa vào chỉ số đánh giá hư hỏng nMSEDI (Normalized Modal Strain Energy Indicator) Sau đó, tác giả sử dụng thuật toán TLBO (Teaching Learning Base Optimization Algorithm) để chẩn đoán mức độ hư hỏng với hàm mục tiêu xây dựng trên chỉ số nMSEDI Bên cạnh đó, tác giả còn đánh giá và so sánh thuật toán TLBO với hai thuật toán khác là IGA và BA (Bat Algorithm) Kết quả cho thấy thuật toán TLBO cho kết quả chính xác hơn hai thuật toán còn lại với hàm mục tiêu nMSEDI

Yu và cộng sự (2019) [18] đã huấn luyện một mô hình CNNs để xác định vị trí và mức độ hư hỏng kết cấu trong một kết cấu kích thước phòng thí nghiệm năm tầng, kết cấu mà được nghiên cứu bởi Wu và Samali (2002) [19] để kiểm tra mức độ hư hỏng Vì mô hình CNNs hai chiều thông thường chỉ có thể xử lý dữ liệu hai chiều, các tín hiệu rung một chiều thu được bởi mười bốn gia tốc kế đã được biến đổi thành hai chiều bằng cách ghép toàn bộ mười bốn tín hiệu được định dạng vào một ma trận Dữ liệu đầu vào để huấn luyện mô hình CNNs được lấy từ một mô hình số của kết cấu ứng với các kịch bản hư hỏng khác nhau Mô hình CNNs được đề xuất có tổng cộng 10 lớp, bao gồm 1 lớp đầu vào, 3 lớp tích chập và 3 lớp pooling tương ứng, và 3 lớp kết nối đầy đủ Kết quả cho thấy mô hình CNNs đề xuất thành công trong việc

chẩn đoán hư hỏng từ các tín hiệu thô bị nhiễu và tốt hơn hơn các kỹ thuật dựa trên học máy thông thường khác Yu và cộng sự cũng đã chỉ ra rằng các nghiên cứu thí nghiệm thực tế vẫn cần được tiến hành cho các mục đích kiểm chứng

Teng và cộng sự (2019) [20] đã trình bày phương pháp chẩn đoán vị trí hư hỏng trong giàn bằng phương pháp năng lượng biến dạng kết hợp với mạng CNNs Chỉ số MSECR được dùng để chẩn đoán hư hỏng trong giàn Hai mô hình CNNs được xây dựng để chẩn đoán một thanh hư hỏng và hai thanh hư hỏng trong giàn với độ cứng thanh hư hỏng giảm 50%, dữ liệu đầu vào được lấy ra từ kết quả phần mềm ABAQUS Thí nghiệm thực tế được thực hiện để kiểm chứng kết quả cho kịch bản một thanh hư hỏng và hai thanh hư hỏng, thanh hư hỏng bị giảm độ cứng bằng cách cắt thanh thép nhằm giảm tiết diện để giảm độ cứng trong thanh xuống 50% Kết quả cho thấy CNNs đã hiệu quả trong việc chẩn đoán vị trí một thanh hay nhiều thanh hư hỏng

Tan và cộng sự (2020) [21] đã phát triển và trình bày phương pháp chẩn đoán vị trí và mức độ hư hỏng trong dầm thép chữ I và mặt cầu bê tông cốt thép của kết cấu cầu dầm liên hợp Đối với dầm cầu thép, phương pháp sử dụng giá trị chuẩn hóa của chỉ số hư hỏng dựa trên chỉ số MSEDI để xử lý các hư hỏng đơn và mạng ANNs (Artificial Neural Network) sử dụng chỉ số MSEDI làm dữ liệu đầu vào để xác định vị và mức độ của nhiều hư hỏng Trong nghiên cứu này, mô hình ANNs hoạt động như một công cụ tự động để phát hiện hư hỏng dựa trên dao động trong các dầm thép Đối với tấm bê tông, phương pháp thay đổi độ linh hoạt tương đối RFC (Relative Flexibility Change) được sử dụng để xác định cả hư hỏng đơn và đa hư hỏng và để xác định hiệu quả các hư hỏng đơn khi vị trí hư hỏng cách xa các gối Phương pháp đề xuất được coi là thực tế vì chỉ cần hai hoặc ba dạng dao động để phát hiện hư hỏng

Jayasundara và cộng sự (2020) [22] đã đề xuất một phương pháp được thiết kế và theo dõi cho cầu vòm để phát hiện, xác định vị trí và mức độ các hư hỏng trong các thành phần kết cấu của nó với độ chính xác đáng kể Phương pháp này sử dụng các ưu điểm của chỉ số hư hỏng DI kết hợp với mạng ANNs để xác định các hư hỏng trong các thành phần kết cấu của cầu vòm Trong phương pháp này, các chỉ số hư hỏng dựa trên dao động và năng lượng biến dạng được sử dụng làm chỉ số cơ sở để dự đoán vị trí hư hỏng và huấn luyện mô hình ANNs để xác định vị trí và mức độ các hư hỏng chưa biết Phương pháp đề xuất này được ứng dụng để đánh giá hư hỏng trong các thành phần kết cấu chính của một cây cầu vòm Một loạt các kịch bản hư hỏng đã được đánh giá trong một cầu vòm nhịp dài liên quan đến hư hỏng ở sườn vòm và các cột Các kết quả chứng minh khả năng của phương pháp được đề xuất trong việc phát hiện, xác định vị trí và mức độ hư hỏng của một hay nhiều cấu kiện, với độ chính xác cao, kể cả khi có nhiễu Phương pháp tiếp cận tiêu chí kép rất hiệu

quả trong những trường hợp khi kết quả thu được từ một trong hai phương pháp sử dụng chỉ số DI có thể bổ sung và bổ sung cho kết quả từ phương pháp sử dụng chỉ số DI khác và cho ra một kết quả dự đoán đáng tin cậy hơn về vị trí và mức độ hư hỏng

Qin (2021) [23] đã nghiên cứu vấn đề ảnh hưởng đến việc xác định hư hỏng do nhiễu và sự không hoàn thiện của dạng dao động gây ra, một phương pháp xác định hư hỏng hai bước dựa trên năng lượng biến dạng mô hình chéo và tối ưu hóa đồng thời đã được đề xuất Tác giả đã đề xuất một chỉ số hư hỏng được cải thiện MICMSE (Modified Index of Cross-model Modal Strain Energy) Phương pháp này đầu tiên xác định vị trí các phần tử bị hư hỏng bằng chỉ số MICMSE, sau đó giới thiệu tính năng tối ưu hóa đồng thời để xác định mức độ hư hỏng của các phần tử bị hư hỏng Phương pháp hai bước tránh tính toán độ nhạy của các tham số dạng dao động và phân tích lại phương trình đặc tính, tăng tốc độ hội tụ và đảm bảo độ chính xác nhận dạng Kết quả phương pháp được đề xuất trong bài báo này có thể xác định vị trí hiệu quả các yếu tố hư hỏng và xác định mức độ hư hỏng trong các trường hợp hư hỏng và mức độ nhiễu khác nhau

Randiligama và cộng sự (2021) [24] đã phát triển và trình bày một phương pháp xác định hư hỏng sử dụng dạng dao động ACMSC (Absolute Changes in Mode Shape Curvature) kết hợp các mạng ANNs để xác định vị trí và mức độ hư hỏng trong tháp giải nhiệt hyperbol Phương pháp được đề xuất bao gồm dữ liệu đầu vào sử dụng phương pháp ACMSC, quá trình huấn luyện và kiểm tra mạng ANNs Tính khả thi của mô hình ANNs được huấn luyện đã được minh họa thông qua ứng dụng của nó cho một số kịch bản hư hỏng, ngay cả khi có nhiễu Kết quả xác định độ chính xác của phương pháp được đề xuất

Sadeghi và cộng sự (2021) [25] đã trình bày một phương pháp để xác định hư hỏng của dầm liên hợp thép – bê tông sử dụng phương pháp năng lượng biến dạng kết hợp với mạng nơ-ron hồi quy tổng quát GRNN (General Regression Neural Network) Một mô hình phần tử hữu hạn được phát triển bằng cách sử dụng hai phần tử dầm Euler-Bernoulli là các lớp dầm thép và sàn bê tông được ghép nối bằng cách kết hợp một lớp liên kết chịu cắt Lớp liên kết được mô hình hóa như một lò xo đồng nhất cho phép trượt dọc và nâng dọc giữa hai cấu kiện Chỉ số MSECR được chọn để xác định hư hỏng kết cấu trong các lớp hỗn hợp Phân tích thành phần được sử dụng để giảm kích thước của các đặc trưng dữ liệu lớn thu được từ phân tích theo phương thức dẫn đến xác định các đặc điểm chính để xác định hư hỏng kết cấu Kết quả cho thấy rằng phương pháp được đề xuất hiệu quả và đáng tin cậy để xác định hư hỏng trong dầm liên hợp với một vài dạng dao động thấp, dù hư hỏng nhỏ trong các lớp hỗn hợp không ảnh hưởng đáng kể đến các dạng dao động