Luận văn thạc sĩ Kỹ thuật xây dựng: Chẩn đoán hư hỏng kết cấu dàn chịu nhiệt độ và tải trọng động dựa trên tối ưu hóa ngược và kỹ thuật học sâu

TRƯỜNG ĐẠI HỌC BÁCH KHOA

TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH

Cán bộ hướng dẫn: TS Liêu Xuân Quí PGS.TS Hồ Đức Duy

Cán bộ chấm nhận xét 1: TS Lê Thanh Cường

KỸ THUẬT XÂY DỰNG

TS Khổng Trọng Toàn

ĐẠI HỌC QUỐC GIA TP.HCM

TRƯỜNG ĐẠI HỌC BÁCH KHOA

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc Lập - Tự Do - Hạnh Phúc

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Ngày, tháng, năm sinh: 01/02/1996 Nơi sinh: Phú Yên Chuyên ngành: Kỹ thuật Xây dựng

I TÊN ĐỀ TÀI: CHẨN ĐOÁN HƯ HỎNG KẾT CẤU DÀN CHỊU NHIỆT ĐỘ VÀ TẢI TRỌNG ĐỘNG DỰA TRÊN TỐI ƯU HÓA NGƯỢC VÀ KỸ THUẬT HỌC SÂU

TEMPERATURE AND DYNAMIC LOADS BASED ON INVERSE OPTIMIZATION AND DEEP LEARNING

II NHIỆM VỤ VÀ NỘI DUNG

1 Xây dựng mô hình giảm bậc cho bài toán kết cấu dàn chịu nhiệt độ và tải trọng động

2 Phát triển phương pháp chẩn đoán hư hỏng kết cấu ba giai đoạn với thiết bị đo đạc bị hạn chế và có xét nhiễu

3 Xây dựng bài toán tối ưu hóa ngược kết hợp các kỹ thuật học sâu trong chẩn đoán hư hỏng

4 Xây dựng chương trình tính toán bằng ngôn ngữ lập trình Python

III NGÀY GIAO NHIỆM VỤ : 13/12/2021 IV NGÀY HOÀN THÀNH NHIỆM VỤ : 13/06/2022

V HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: TS Liêu Xuân Quí, PGS.TS Hồ Đức Duy

TP HCM, ngày tháng năm 2022

Trưởng khoa Kỹ thuật Xây dựng

i

LỜI CẢM ƠN

Mặc dù quá trình theo học chương trình Thạc sĩ khoa Kỹ thuật Xây dựng có nhiều khó khăn, nhưng đây cũng là một thời gian quý báu giúp tôi rèn luyện bản thân và học hỏi thêm nhiều kiến thức mới Đặc biệt là các kỹ năng nghiên cứu và giải quyết vấn đề mới để bước tiếp trên con đường phát triển bản thân

Đầu tiên, tôi xin bày tỏ lòng biết ơn sâu sắc đến Thầy TS Liêu Xuân Quí và Thầy PGS TS Hồ Đức Duy Các Thầy đã giúp tôi định hình ý tưởng đề tài và hướng dẫn tôi những kiến thức mới để bổ trợ cho quá trình làm luận văn Đặc biệt là từ môn học Tối ưu hóa kết cấu và những kiến thức về Trí tuệ nhân tạo mà Thầy Quí đã giảng dạy, cùng với những kiến thức chuyên sâu trong lĩnh vực chẩn đoán sức khỏe kết cấu công trình mà tôi đã học được từ Thầy Duy Ngoài ra, các Thầy còn giúp tôi có được nhìn nhận đúng đắn về vấn đề nghiên cứu trong lĩnh vực xây dựng để có được cách tiếp cận và làm việc hiệu quả

Tôi xin chân thành cảm ơn quý Thầy Cô Khoa Kỹ thuật Xây dựng, trường Đại học Bách Khoa TP.HCM đã truyền dạy những kiến thức quý giá cho tôi, đó cũng là những kiến thức không thể thiếu trên con đường nghiên cứu khoa học và sự nghiệp của tôi sau này

Và sau cùng, tôi cũng xin gửi lời cảm ơn chân thành và sâu sắc đến gia đình thân yêu từ sự hỗ trợ vô điều kiện cho tôi trong quá trình thực hiện luận văn Tôi cũng xin cảm ơn bạn bè tôi đã luôn ủng hộ, động viên và giúp đỡ tôi trong quá trình học tập và làm luận văn

Trong quá trình làm luận văn, những sai sót là điều khó tránh khỏi, tôi rất mong nhận được góp ý từ quý Thầy Cô để có thể hoàn thiện đề tài cũng như bản thân mình hơn

Xin trân trọng cảm ơn

TP.HCM, ngày 13 tháng 06 năm 2022

Đỗ Đình Thi

ii

TÓM TẮT

Tên đề tài: “Chẩn đoán hư hỏng kết cấu dàn chịu nhiệt độ và tải trọng động dựa

trên tối ưu hóa ngược và kỹ thuật học sâu”

Luận văn này nhằm phát triển phương pháp chẩn đoán hư hỏng kết cấu dàn chịu tải trọng động và tải nhiệt độ đồng thời theo ba bước Trong đó, bước thứ nhất áp dụng chỉ số năng lượng biến dạng dựa trên đáp ứng gia tốc theo thời gian (acceleration-based strain energy indicator - ASEI) để chẩn đoán sơ bộ các vị trí có khả năng xảy ra hư hỏng Bước thứ hai áp dụng các mô hình học sâu như mạng nơ ron nhân tạo (Deep neural network -DNN) hoặc Extreme Gradient Boosting-XGBoost để khử nhiễu nhằm giảm số biến cần xét trong bước tiếp theo Ở bước thứ ba, hai thuật toán tối ưu hóa khác nhau được sử dụng và so sánh để tìm mức độ hư hỏng chính xác, cụ thể là thuật toán Con lửng mật (Honey badger algorithm - HBA) và thuật toán tiến hóa khác biệt (Differential evolution-DE) Các mô phỏng số được lập trình bằng ngôn ngữ Python Nhiều hệ dàn phẳng và dàn không gian khác nhau được dùng để thử nghiệm phương pháp với các trường hợp hư hỏng giả định khác nhau Mức độ hư hỏng của các phần tử (tương ứng với giảm độ cứng) được giả sử

bằng cách điều chỉnh mô đun đàn hồi E của từng phần tử Hiện tượng nhiễu thông số đo

đạc và giới hạn số lượng điểm đo trong hệ cũng được xét đến Kết quả khảo sát chứng minh phương pháp đề xuất có hiệu quả cao trong cả xác định vị trí và mức độ hư hỏng trong hệ kết cấu dàn

iii

ABSTRACT

Thesis title: “Damage detection in truss structures under temperature and

dynamic loads based on inverse optimization and deep learning”

This study proposes a novel three-stage damage detection method for truss structures subjected simultaneously to temperature and dynamic loads In which, the first step applies the acceleration-based strain energy indicator (ASEI) to preliminarily locate possible damage elements Deep learning models including Deep neural networks (DNNs) and Extreme Gradient Boosting (XGBoost) are then adopted in the second step to roughly predict damage ratio of defined elements This stage aims to further reduce the number of design variables in the next step In the final stage, two different optimization algorithms called Honey badger algorithm (HBA) and Differential evolution (DE) are utilized to identify damage ratio of each element with high accuracy All models are programmed by Python Several 2D and 3D truss structures are then examined to prove the reliability of the proposed method In these examples, the damage ratio of damage elements is imitated

by the reduction of material young modulus E In addition, noise in real measuring

activities and limited sensors are considered by model order reduction technique In conclusion, the tested results have indicated the suggested method has high effectiveness in both determining the location and extent of damage in the truss structures

iv

LỜI CAM ĐOAN

Tôi xin cam đoan toàn bộ nội dung nghiên cứu được trình bày trong luận văn là do chính tôi thực hiện với sự hướng dẫn từ Thầy TS Liêu Xuân Quí và Thầy PGS.TS Hồ Đức Duy

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

Tôi xin chịu mọi trách nhiệm về công việc thực hiện nghiên cứu này

TP.HCM, ngày 13 tháng 06 năm 2022

Đỗ Đình Thi

DANH MỤC CÁC CHỮ VIẾT TẮT xiii

DANH MỤC CÁC KÍ HIỆU xiv

CHƯƠNG 1 GIỚI THIỆU 1

1.1 Đặt vấn đề 1

1.1.1 Theo dõi và chẩn đoán hư hỏng kết cấu 1

1.1.2 Phương pháp tối ưu hóa trong chẩn đoán hư hỏng 2

1.1.3 Trí tuệ nhân tạo và học máy 2

1.2 Mục tiêu và nội dung nghiên cứu 3

1.2.1 Mục tiêu nghiên cứu 3

1.2.2 Nội dung nghiên cứu 3

1.3 Đối tượng và phạm vi nghiên cứu 4

1.4 Tính cần thiết và ý nghĩa thực tiễn của nghiên cứu 4

1.5 Cấu trúc luận văn 5

CHƯƠNG 2 TỔNG QUAN 7

2.1 Tình hình nghiên cứu nước ngoài 7

2.2 Tình hình nghiên cứu tại Việt Nam 9

2.3 Tổng kết 11

CHƯƠNG 3 CƠ SỞ LÝ THUYẾT 12

3.1 Hệ dàn chịu nhiệt độ và tải trọng động 12

vi

3.1.1 Tải trọng động 12

3.1.2 Tải nhiệt độ 15

3.1.3 Mô hình giảm bậc 16

3.2 Chỉ số năng lượng biến dạng dựa trên đáp ứng gia tốc 18

3.3 Kỹ thuật học sâu (Deep Learning) 19

3.4.2 Thuật toán tiến hóa khác biệt (Differential Evolution– DE) 30

3.4.3 Thuật toán Con lửng mật (Honey Badger Algorithm – HBA) 33

3.4.4 Hàm mục tiêu 36

3.5 Quy trình chẩn đoán hư hỏng bằng phương pháp 3 bước 37

3.5.1 Bước 1: Chỉ số ASEI 37

3.5.2 Bước 2: Mô hình học sâu 37

3.5.3 Bước 3: Tối ưu hóa ngược 38

CHƯƠNG 4 CÁC BÀI TOÁN KHẢO SÁT 39

viii

DANH MỤC CÁC BẢNG BIỂU

Bảng 4.1 Các thông số vật liệu và kích thước của hệ dàn 10 thanh 40

Bảng 4.2 Các tình huống hư hỏng giả định cho hệ dàn 10 thanh 41

Bảng 4.3 Các thông số của bộ dữ liệu huấn luyện 47

Bảng 4.4 Các thông số của mô hình DNNs 48

Bảng 4.5 Các thông số cho mô hình XGBoost 51

Bảng 4.6 Tổng hợp kết quả của DNN vs XGBoost – Dàn 10 thanh 53

Bảng 4.7 Thời gian chạy mô hình học sâu của DNNs và XGBoost 53

Bảng 4.8 Tổng hợp thông số cho thuật toán HBA – Dàn 10 thanh 54

Bảng 4.9 Các thông số cho thuật toán DE – Dàn 10 thanh 58

Bảng 4.10 Bảng so sánh chi phí tính toán giữa DE và HBA 62

Bảng 4.11 Bảng tổng hợp, so sánh kết quả chẩn đoán từ DE và HBA 62

Bảng 4.12 Kết quả chẩn đoán hư hỏng của mô hình tổng quát và mô hình có xét nhiễu và MOR – Dàn 10 thanh 68

Bảng 4.13 So sánh số lần giải PTHH giữa phương pháp 3 bước và phương pháp 1 bước – Dàn 10 thanh 70

Bảng 4.14 So sánh tổng thời gian chẩn đoán giữa phương pháp 3 bước và phương pháp 1 bước – Dàn 10 thanh 70

Bảng 4.15 Các thông số vật liệu và kích thước của hệ dàn 21 thanh 71

Bảng 4.16 Các tình huống hư hỏng giả định cho hệ dàn 21 thanh 72

Bảng 4.17 Kết quả chẩn đoán hư hỏng của mô hình tổng quát và mô hình có xét nhiễu và MOR – Dàn 21 thanh 81

Bảng 4.18 So sánh số lần giải PTHH giữa phương pháp 3 bước và phương pháp 1 bước – Dàn 21 thanh 82

Bảng 4.19 So sánh tổng thời gian chẩn đoán giữa phương pháp 3 bước và phương pháp 1 bước – Dàn 21 thanh 83

Bảng 4.20 Các thông số vật liệu và kích thước hệ dàn 25 thanh 84

ix Bảng 4.21 Các tình huống hư hỏng giả định cho hệ dàn 25 thanh 84 Bảng 4.22 Kết quả chẩn đoán hư hỏng của mô hình tổng quát và mô hình có xét nhiễu và MOR – Dàn 25 thanh 94 Bảng 4.23 So sánh số lần giải PTHH giữa phương pháp 3 bước và phương pháp 1 bước – Dàn 10 thanh 95 Bảng 4.24 So sánh tổng thời gian chẩn đoán giữa phương pháp 3 bước và phương pháp 1 bước – Dàn 10 thanh 95 Bảng 4.25 Các thông số vật liệu và kích thước hệ dàn 64 thanh 96 Bảng 4.26 Các thông số vật liệu và kích thước của hệ dàn 64 thanh 97 Bảng 4.27 Kết quả chẩn đoán hư hỏng của mô hình tổng quát và mô hình có xét nhiễu và MOR – Dàn 64 thanh 102

x

DANH MỤC CÁC HÌNH VẼ

Hình 3.1 Mối quan hệ giữa các lĩnh vực trí tuệ nhân tạo [42] 19

Hình 3.2 Hình ảnh minh họa một mạng nơ ron sinh học thực tế [43] 20

Hình 3.9 Ví dụ về mô hình “Học kết hợp” trong phân loại dữ liệu [45] 27

Hình 3.10 Bagging và Boosting trong kỹ thuật Học kết hợp [45] 28

Hình 3.11 Ví dụ về cây quyết định [46] 29

Hình 3.12 Lưu đồ thuật toán DE 30

Hình 3.13 Lưu đồ thuật toán HBA 34

Hình 3.14 Lưu đồ thuật toán chẩn đoán hư hỏng ba bước 38

Hình 4.1 Hệ dàn phẳng 10 thanh 40

Hình 4.2 Vị trí tải trọng tác động lên hệ dàn 10 thanh 41

Hình 4.3 Giá trị tải trọng theo thời gian gán cho hệ dàn 10 thanh 42

Hình 4.4 Đáp ứng gia tốc tại DOF thứ 2 -Dàn 10 thanh 42

Hình 4.5 Các giá trị chỉ số ASEI trường hợp tổng quát – Hệ dàn 10 thanh 43

Hình 4.6 Khảo sát cận dưới (LB) – DNNs – Hệ dàn 10 thanh 46

Hình 4.7 Khảo sát cận dưới (LB) – XGBoost – Hệ dàn 21 thanh 47

Hình 4.8 Phân bố mức độ hư hỏng của một vị trí ngẫu nhiên 48

Hình 4.9 Độ chính xác và mất mát của các mô hình DNNs - dàn 10 thanh 50

Hình 4.10 Kết quả hư hỏng dự đoán bằng DNNs – Hệ dàn 10 thanh 51

Hình 4.11 Kết quả hư hỏng dự đoán bằng XGBoost – Hệ dàn 10 thanh 53

xi

Hình 4.12 Kết quả chẩn đoán hư hỏng - thuật toán HBA – Hệ dàn 10 thanh 56

Hình 4.13 Quá trình hội tụ hàm mục tiêu – Thuật toán HBA – Hệ dàn 10 thanh 57

Hình 4.14 Kết quả chẩn đoán hư hỏng - thuật toán DE – Hệ dàn 10 thanh 59

Hình 4.15 Quá trình hội tụ hàm mục tiêu – Thuật toán DE – Hệ dàn 10 thanh 60

Hình 4.16 Gia tốc đo đạc có xét nhiễu so với không xét nhiễu 63

Hình 4.17 Vị trí các điểm đo đạc – dàn 10 thanh 63

Hình 4.18 Đáp ứng gia tốc tại DOF thứ 2-MOR và mô hình -Dàn 10 thanh 64

Hình 4.19 Các giá trị chỉ số ASEI, xét nhiễu và mô hình giảm bậc – Hệ dàn 10 thanh 65

Hình 4.20 Kết quả hư hỏng dự đoán bằng DNNs, xét nhiễu và mô hình giảm bậc – Hệ dàn 10 thanh 66

Hình 4.21 Kết quả dự đoán hư hỏng bằng phương pháp 3 bước –xét nhiễu và mô hình giảm bậc - Hệ dàn 10 thanh 68

Hình 4.22 Kết quả chẩn đoán hư hỏng – Phương pháp 1 bước– Hệ dàn 10 thanh 70

Hình 4.23 Hệ dàn 21 thanh 71

Hình 4.24 Vị trí tải trọng tác động lên hệ dàn 21 thanh 72

Hình 4.25 Các giá trị chỉ số ASEI trường hợp tổng quát – Hệ dàn 21 thanh 73

Hình 4.26 Độ chính xác và mất mát của các mô hình DNNs - dàn 21 thanh 74

Hình 4.27 Kết quả hư hỏng dự đoán bằng DNNs – Hệ dàn 21 thanh 75

Hình 4.28 Kết quả chẩn đoán hư hỏng – Trường hợp tổng quát – Hệ dàn 21 thanh 76

Hình 4.29 Quá trình hội tụ hàm mục tiêu – Trường hợp tổng quát – Hệ dàn 21 thanh 77

Hình 4.30 Vị trí các điểm đo đạc – dàn 21 thanh 78

Hình 4.31 Các giá trị chỉ số ASEI, xét nhiễu và mô hình giảm bậc – Hệ dàn 21 thanh 78

Hình 4.32 Kết quả hư hỏng dự đoán bằng DNNs, xét nhiễu và mô hình giảm bậc – Hệ dàn 21 thanh 79

Hình 4.33 Kết quả dự đoán hư hỏng bằng phương pháp 3 bước – Có xét nhiễu và mô hình giảm bậc - Hệ dàn 21 thanh 80

Hình 4.34 Kết quả chẩn đoán hư hỏng – Phương pháp 1 bước– Hệ dàn 21 thanh 82

Hình 4.35 Hệ dàn 25 thanh 83

xii

Hình 4.36 Vị trí tải trọng tác động lên hệ dàn 25 thanh 84

Hình 4.37 Các giá trị chỉ số ASEI trường hợp tổng quát – Hệ dàn 25 thanh 85

Hình 4.38 Độ chính xác và mất mát của các mô hình DNNs - dàn 25 thanh 87

Hình 4.39 Kết quả hư hỏng dự đoán bằng DNNs – Hệ dàn 25 thanh 88

Hình 4.40 Kết quả chẩn đoán hư hỏng – Trường hợp tổng quát – Hệ dàn 25 thanh 89

Hình 4.41 Quá trình hội tụ hàm mục tiêu – Trường hợp tổng quát – Hệ dàn 25 thanh 90

Hình 4.42 Vị trí các điểm đo đạc – dàn 25 thanh 90

Hình 4.43 Các giá trị chỉ số ASEI, xét nhiễu và mô hình giảm bậc – Hệ dàn 25 thanh 91

Hình 4.44 Kết quả hư hỏng dự đoán bằng DNNs, xét nhiễu và mô hình giảm bậc – Hệ dàn 25 thanh 92

Hình 4.45 Kết quả dự đoán hư hỏng bằng phương pháp 3 bước – Có xét nhiễu và mô hình giảm bậc - Hệ dàn 25 thanh 93

Hình 4.46 Kết quả chẩn đoán hư hỏng – Phương pháp 1 bước– Hệ dàn 25 thanh 95

Hình 4.47 Hệ dàn 64 thanh 96

Hình 4.48 Mặt đứng hệ dàn 64 thanh 96

Hình 4.49 Vị trí tải trọng tác động và vị trí các điểm đo đạc hệ dàn 64 thanh 97

Hình 4.50 Các giá trị chỉ số ASEI trường hợp tổng quát – Hệ dàn 64 thanh 98

Hình 4.51 Độ chính xác và mất mát của các mô hình DNNs - dàn 64 thanh 99

Hình 4.52 Kết quả hư hỏng dự đoán bằng DNNs – Hệ dàn 64 thanh 100

Hình 4.53 Kết quả chẩn đoán hư hỏng – Hệ dàn 64 thanh 101

Hình 4.54 So sánh tốc độ giải của phương pháp ba và một bước – Dàn 64 thanh 102

Hình 4.55 Kết quả chẩn đoán hư hỏng của phương pháp một và ba bước – Dàn 64 thanh 103

xiii

DANH MỤC CÁC CHỮ VIẾT TẮT

ACO Ant Colony Optimization

AHEFA Adaptive Hybrid Evolutionary Firefly Algorithm AI Artificial Intelligence

ASE Acceleration Based Strain Energy ASEI Acceleration Based Strain Energy Index DE Differential Evolution

DNNs Deep Neural Networks

ECBI Efficient Correlation Based Index

HBA Honey Badger Algorithm

MDLAC Multiple Damage Location Assurance Criterion MSC Modal Curvature Change

MSE Modal Strain Energy

MSEBI Modal Strain Energy Based Index MSECR Modal Strain Energy Change Ratio MSEEI Modal Strain Energy Equivalence Index PSO Particle Swarm Optimization

SDI Single Damage Indicator SHM Structural Health Monitoring XGBoost Extreme Gradient Boosting

xiv

DANH MỤC CÁC KÍ HIỆU

x Biến thể hiện mức độ hư hỏng của phần tử thứ i

A Diện tích mặt cắt ngang của thanh

A Năng lượng biến dạng dựa trên gia tốc của phần tử e tại bước thời gian t

A Năng lượng biến dạng dựa trên gia tốc chuẩn hóa của phần tử e tại bước thời gian t

x Véc tơ gia tốc nút của phần tử e

1

CHƯƠNG 1 GIỚI THIỆU

1.1 Đặt vấn đề

1.1.1 Theo dõi và chẩn đoán hư hỏng kết cấu

Cùng với sự phát triển đi lên của kỹ thuật xây dựng, càng ngày càng nhiều những công trình có quy mô lớn và hệ kết cấu phức tạp ra đời, và điều này mang lại một thách thức không nhỏ cho lĩnh vực thiết kế cũng như lĩnh vực theo dõi và bảo dưỡng kết cấu công trình Từ đó, lĩnh vực theo dõi và chẩn đoán hư hỏng kết cấu (Structural Health Monitoring - SHM) đã được nhiều sự quan tâm từ cả cộng đồng kỹ sư và các đơn vị ngành nghề khác có liên quan bởi tầm quan trọng không thể chối cãi của nó [1] Việc chẩn đoán hư hỏng sớm giúp sửa chữa, thay thế kịp thời hoặc giúp đánh giá chính xác được khả năng vận hành của công trình cũng như tuổi thọ dài hạn của công trình

Nhìn chung chẩn đoán hư hỏng kết cấu thường bao gồm hai bước chính [2] Bước một lắp đặt lưới cảm biến gắn trên các vị trí cần xét của công trình sau đó thu thập dữ liệu cần thiết Bước hai xử lý dữ liệu bằng các phương pháp và thuật toán chẩn đoán hư hỏng Mức độ hiệu quả của các phương pháp và thuật toán này ảnh hưởng lớn đến số lượng thông tin đầu vào cần thiết và độ chính xác kết quả đầu ra Do đó, thuật toán chẩn đoán hư hỏng là yếu tố then chốt, có ảnh hưởng cực lớn về chi phí và thời gian vận hành cũng như bảo dưỡng kết cấu công trình

Hai phương pháp phổ biến dùng để đánh giá phát hiện hư hỏng trên kết cấu là: phương pháp thí nghiệm phá hủy và phương pháp thí nghiệm không phá hủy [2] Phương pháp thí nghiệm phá hủy yêu cầu gây hư hỏng lên kết cấu, chỉ có tác dụng khi kiểm tra những cấu kiện cục bộ, phù hợp với các bài toán trong nghiên cứu, học thuật và rất khó có thể áp dụng được với những công trình phức tạp Những phương pháp chẩn không phá hủy truyền thống (dùng sóng âm, X quang, ) mặc dù không làm ảnh hưởng đến chất lượng công trình nhưng vẫn còn gặp nhiều trở ngại về mặt chi phí, tài nguyên vì yêu cầu lượng cảm biến và máy đo lớn Hiện nay các phương pháp chẩn đoán không phá ủy hiện đại chiếm ưu thế lớn về khả năng chẩn đoán chính xác và tiết kiệm chi phí Những phương pháp này thường dựa trên nguyên lý cơ bản là khi hệ kết cấu chịu hư hỏng vật lý thì các tính chất và ứng xử động của nó cũng thay đổi Do đó, bằng việc sử dụng dữ liệu là sự thay đổi ứng xử động và hư hỏng của kết cấu có thể được chẩn đoán Các thông số mô hình như tần số dao động tự nhiên, dạng dao động và tỷ số cản thường xuyên được chọn để áp dụng trong phương pháp chẩn đoán hư hỏng không phá hủy, đặc biệt là tần số giao động và dạng dao động Trong

2 luận văn này, thông số được xét đến sẽ là đáp ứng gia tốc theo thời gian của hệ chịu tải trọng động Giá trị này có rất nhiều ưu điểm so với các thông số giao động thông thường, đặc biệt về tính tiện dụng và tiết kiệm chi phí đo đạc mà sẽ được thảo luận trong mục 1.4 của luận văn

1.1.2 Phương pháp tối ưu hóa trong chẩn đoán hư hỏng

Nói về tối ưu, khái niệm này được dung trong rất nhiều lĩnh vực như kỹ thuật, kinh doanh, vận hành công nghiệp, v.v… Trên đời sống, chúng ta cũng luôn muốn tối ưu một khía cạnh nào đó Ví dụ như tối ưu chi phí sản xuất trong chuỗi máy móc lắp ráp, tối ưu hóa lợi nhuận thu vào hay tối ưu hóa thời gian làm việc hiệu quả nhất Tuy nhiên, những bài toán tối ưu hóa thường hay gặp phải là những bài toán phức tạp, nhiều biến thiết kế, nhiều ràng buộc và mang tính phi tuyến cao Nếu sử dụng toán học thông thường để giải thì sẽ cực kì khó khăn, thậm chí không khả thi Hơn nữa, mỗi bài toán tối ưu lại có cách giải khác nhau, dẫn đến tìm kiếm một phương pháp tổng quát cho toàn bộ là không thể [3]

Tuy nhiên, trong những thập kỷ gần đây, cùng với sự phát triển rất nhanh của sức mạnh máy tính và với sự trợ giúp của nó, con người có thể xử lý tính toán với khối lượng phép tính lớn và thời gian cực ngắn Theo đó, các lĩnh vực khoa học và kỹ thuật có nhiều bước chuyển biến để thích nghi phù hợp với thời kỳ mới này Cụ thể là rất nhiều thuật toán được sinh ra chỉ để tận dụng tối đa khả năng của máy tính hiện đại và những thuật toán tối ưu được nhắc đến trong luận văn là một ví dụ rõ ràng Đó là một số thuật toán tối ưu hóa lấy cảm hứng từ tự nhiên, được giới thiệu và áp dụng nhằm xác định vị trí và mức độ hư hỏng của kết cấu dàn

1.1.3 Trí tuệ nhân tạo và học máy

Trong thời cách mạng công nghiệp 4.0, khoa học máy tính trở thành một phần không thể thiếu trong sinh hoạt và đời sống của người dân toàn cầu Trí tuệ nhân tạo (Artificial Intelligence – AI) là bộ phận cốt lõi đưa công nghệ và khoa học vào mọi lĩnh vực trong đời sống Chúng ta đã và đang tiếp xúc với trí tuệ nhân tạo hàng ngày, hàng giờ trong khi ít người nhận ra điều đó Một số ví dụ dễ thấy như các hệ thống gợi ý sản phẩm thích hợp trong các trang thương mại điện tử Shopee, Tiki, hay là toàn bộ các hệ thống trợ lý ảo đang có trong ngôi nhà của chính mình Mặc dù trí tuệ nhân tạo thường xuyên bị thần thánh hóa trên các trang báo nhưng thực sự nó sẽ thay đổi hoàn toàn cách mà nhân loại hoạt động trong nhiều thập kỷ tiếp theo

Học máy là một tệp con của trí tuệ nhân tạo, là lĩnh vực nghiên cứu nhằm lập trình, đào tạo máy tính có khả năng học hỏi từ các tập dữ liệu mà không cần lập trình tường minh, như phương pháp truyền thống [4] Cụ thể hơn học máy giúp máy tính có thể dựa trên

3 những đặc điểm của tệp dữ liệu đầu vào để đưa ra kết quả đầu ra mà không cần một giải thuật cụ thể Có thể tưởng tượng rằng, một thuật toán học máy có thể cho chúng ta kết quả

trả về của hàm f(x) từ giá trị x mà không cần biết dạng tường minh phương trình của hàm

số này Tuy nhiên, phương pháp kể đến cần phải có một bộ dữ liệu đủ lớn để huấn luyện mô hình

Một ưu điểm khác của học máy đó là tính dễ tiếp cận Với nguồn dữ liệu, các thư viện xây dựng sẵn và thậm chí là các phần mềm cung cấp dịch vụ xây dựng mô hình AI, bất kỳ ai có thể tiếp cập và sử dụng kỹ thuật học sâu với mức am hiểu tối thiểu

Trong thời gian gần đây, với sự bùng nổ về khái niệm thành phố thông minh, nơi mà công tác theo dõi và chẩn đoán sức khỏe kết cấu (SHM) và trí tuệ nhân tạo (AI) đóng một vai trò quan trọng, chủ nhà và các bộ phận bảo trì ở những thành phố này có thể dễ dàng phát hiện và chẩn đoán trạng thái của công trình bao gồm các thiết bị, phòng ở, thậm chí là toàn bộ tòa nhà tại bất kỳ thời điểm nào trong vòng đời của công trình Từ góc nhìn của trí tuệ nhân tạo, các vấn đề liên quan đến công tác ra quyết định, chẳng hạn như chẩn đoán thiệt hại do hư hỏng, phát hiện ăn mòn cũng như phát hiện các yếu tố bất thường khác Những vấn đề đã đề cập rất khó giải quyết một cách nhanh chóng, kịp thời bởi con người, nhưng lại có thể được mô tả và giải quyết với độ chính xác rất cao bằng các mô hình trí tuệ nhân tạo Bằng cách thu thập các dữ liệu từ kinh nghiệm trong quá khứ, các mô hình AI có thể học và hiểu được các cấu trúc dựa trên cơ sở phân cấp các khái niệm và đưa ra các quyết định mang tính chất chẩn đoán và cảnh báo

Luận văn này sẽ giới thiệu và áp dụng hai trong nhiều thuật toán học máy thường được sử dụng trong môi trường công nghệ thông tin hiện đại Đó là mạng nơ ron sâu (Deep Neural Network – hay còn gọi lạ mạng nơ ron sâu) [5] và Extreme Gradient Boosting (XGBoost) [6]

1.2 Mục tiêu và nội dung nghiên cứu 1.2.1 Mục tiêu nghiên cứu

Mục tiêu nghiên cứu của đề tài là phát triển phương pháp chẩn đoán hư hỏng kết cấu dàn chịu tải trọng nhiệt độ và tải trọng động với các thiết bị đo đạc bị hạn chế và có xét nhiễu Phương pháp đề xuất gồm ba giai đoạn sử dụng phương pháp tối ưu hóa ngược kết hợp với kỹ thuật học sâu để cải tiến chi phi tính toán của quá trình tối ưu

1.2.2 Nội dung nghiên cứu

Cụ thể các nội dung của nghiên cứu trong luận văn như sau:

4 - Xây dựng mô hình giảm bậc để xác định ứng xử của hệ kết cấu dàn chịu nhiệt độ

và tải trọng động, trong trường hợp bị hạn chế thiết bị đo đạc

- Sử dụng chỉ số năng lượng biến dạng dựa trên gia tốc để xác định sơ bộ các phần tử nghi ngờ bị hư hỏng trong giai đoạn thứ nhất Từ đó giảm được số biến thiết kế sử dụng trong bài toán tối ưu hóa ngược trong giai đoạn thứ hai

- Kết hợp các kỹ thuật học sâu trong trí tuệ nhân tạo nhận dạng và chẩn đoán sơ bộ mức độ hư hỏng của các phần tử để tiếp tục giảm số biến thiết kế cần xét

- Sau cùng, sử dụng các thuật toán tối ưu hóa không đạo hàm để tối ưu hóa bài toán trên nhằm nhận dạng và chẩn đoán được các phần tử hư hỏng một cách chính xác nhất

Các bước chẩn đoán kể trên sẽ được áp dụng lên nhiều hệ dàn phẳng hoặc không gian khác nhau có số lượng thanh khác nhau Sau cùng phân tích kết quả có được và rút ra kết luận cùng kiến nghị hướng nghiên cứu tiếp theo

1.3 Đối tượng và phạm vi nghiên cứu

Trong luận văn, đối tượng nghiên cứu là các hệ kết cấu dàn phẳng và không gian chịu tải nhiệt độ và tải trọng động Ứng xử được trích xuất và phân tích đó là gia tốc của hệ dưới tác động của tải trọng động, đồng thời hoặc không đồng thời có sự ảnh hưởng của tải nhiệt độ Vật liệu hệ được xét trên miền đàn hồi, không kể đến sự thay đổi tính chất vật liệu do hư hỏng hay biến thiên nhiệt độ

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

Các hệ kết cấu dàn đã được sử dụng từ rất lâu trong lĩnh vực xây dựng, đặc biệt phổ biến nhất là dàn thép trong các công trình nhà máy công nghiệp, các kết cấu mái vượt nhịp của sân vận động, nhà triển lãm, sân ga máy bay, v.v Đặc điểm của hệ kết cấu dàn là đơn giản trong thiết kế và thi công nhưng mang lại hiệu quả lớn về kinh tế Tuy nhiên, các kết cấu dạng dàn thường vẫn còn tồn động một số nhược điểm như dễ bị hư hỏng bới ảnh hưởng của môi trường như rỉ sét, oxi hóa hoặc khả năng chịu nhiệt kém hơn so với các công trình xây dựng bằng bê công cốt thép Đặc biệt, trong suốt vòng đời của những kết cấu này, luôn có những ảnh hưởng khó có thể kể đến và kiểm soát toàn diện từ bước thiết kế ban đầu như sự chênh lệch nhiệt độ do sự ảnh hưởng của môi trường lên tổng thể dàn hoặc các tác nhân cục bộ khác gây nên như tỏa nhiệt từ máy móc, thiết bị, v.v Hơn nữa các tải trọng tác động trong hệ dàn công nghiệp và dân dụng thường được thiết kế dưới dạng tải trọng tác dụng tĩnh theo tiêu chuẩn hiện hành, nhưng trên thực tế có rất nhiều thành phần tải mang tính chất động (tải người di chuyển, máy móc làm việc,…) mà nhiều nghiên cứu trước đó vẫn chưa xét đến đầy đủ.Vì thế, việc bảo dưỡng các công trình công nghiệp

5 thường xảy ra thường xuyên và tốn kém chi phí hơn Đó cũng là lý do lĩnh vực chẩn đoán hư hỏng kết cấu đối với các hệ dàn quyết định rất nhiều đến tuổi thọ và khả năng vận hành của chúng

Trong các phương pháp SHM thì các phương pháp không phá huỷ xác định hư hỏng của kết cấu dựa trên dao động trở thành một trong những phương pháp tiếp cận cơ bản trong việc phát hiện hư hỏng và giám sát sức khỏe của kết cấu, nhờ vào tính linh hoạt, chi phí thấp và tính khả thi của việc giám sát kết cấu tổng thể trong thời gian thực Tuy nhiên, các nghiên cứu áp dụng phương pháp này trong nhiều năm qua còn hạn chế, do vậy việc mở rộng nghiên cứu là cần thiết Bên cạnh đó, việc áp dụng những thuật toán trí tuệ nhân tạo và tối ưu hóa cũng đóng vai trò quan trọng trong việc bắt kịp các xu hướng mới của thời đại, tận dụng tối đa nguồn lực hiện có để phát triển lĩnh vực chẩn đoán hư hỏng nói riêng và kỹ thuật xây dựng nói chung

1.5 Cấu trúc luận văn

Nội dung luận văn trình bày gồm 5 chương như sau: CHƯƠNG 1 GIỚI THIỆU

Chương này nhằm giới thiệu sơ lược về các vấn đề trong đề tài và lĩnh vực nghiên cứu Ngoài ra, mục tiêu, nội dung, đối tượng và tính cần thiết của nghiên cứu cũng được trình bày cụ thể

CHƯƠNG 2 TỔNG QUAN

Chương này trình bày tổng quan các nghiên cứu trong và ngoài nước có liên quan đến đề tài thực hiện Qua đó, nhận xét và tổng kết hướng đi còn thiếu để củng cố định hướng nghiên cứu trong luận văn

CHƯƠNG 3 CƠ SỞ LÝ THUYẾT

Chương này trình bày cơ sở lý thuyết về phương pháp chẩn đoán hư hỏng ba bước Trong đó, lý thuyết hệ dàn chịu tải trọng động và tải trọng nhiệt độ, mô hình giảm bậc, năng lượng biến dạng, mô hình học sâu và các kỹ thuật tối ưu hóa sẽ được trình bày một cách chi tiết

CHƯƠNG 4 CÁC BÀI TOÁN KHẢO SÁT

Trong chương này, một số ví dụ sẽ được khảo sát cho nhiều hệ dàn khác nhau để chứng minh độ tin cậy và hiệu quả của phương pháp được đề xuất ở Chương 3 Trong đó, việc lựa chọn thông số và mô hình phù hợp của phương pháp nhằm cân bằng giữa khả năng chẩn đoán hư hỏng và chi phí tính toán cũng đã được nghiên cứu một cách chi tiết

6 CHƯƠNG 5 KẾT LUẬN VÀ KIẾN NGHỊ

Từ kết quả thu được, chương này rút ra một số kết luận về điểm mạnh, điểm yếu của phương pháp kèm các kiến nghị cho những nghiên cứu về sau

7

CHƯƠNG 2 TỔNG QUAN

2.1 Tình hình nghiên cứu nước ngoài

Quá trình phát triển của những phương pháp chẩn đoán hư hỏng kết cấu đã bắt đầu từ khá lâu và hiện tại có nhiều phương pháp đã được các nhà nghiên cứu đề xuất Trong đó, nhóm các phương pháp chẩn đoán không phá hủy dựa trên dao động đang chiếm ưu thế lớn [2] Nhóm này còn có thể được chia làm 3 nhóm con chính như sau: (i) phương pháp dựa trên tần số dao động; (ii) phương pháp dựa trên dạng dao động, và (iii) phương pháp dựa trên độ cong dạng dao động hoặc biến dạng của dạng dao động

Chẩn đoán dựa trên tần số dao động là phương pháp truyền thống nhất Nổi trội có Liang và cộng sự (1991) [7] đã đề xuất sử dụng ba tần số dao động uốn của dầm để phát hiện vết nứt và mức độ hư hỏng trong dầm đơn giản và dầm công xôn Patil và Maiti (2003) [8] đã đề xuất phương pháp chẩn đoán vết nứt mới cho dầm Euler- Bernoulli với các điều kiện biên khác nhau Phương pháp này dựa vào sự dịch chuyển trong tần số dao động tự nhiên Kim và Stubbs (2003) [9] đã giới thiệu chỉ số hư hỏng đơn (Single Damage Indicator -SDI) nhằm định vị và định lượng vết nứt trong dầm sử dụng một vài tần số dao động tự nhiên đầu tiên Nhóm các phương pháp này tồn tại khá nhiều hạn chế Lớn nhất là tần số dao động của hệ dựa trên giả thuyết Euler – Bernoulli, dẫn đến chỉ áp dụng chính xác cho các cấu kiện dầm mảnh Hơn nữa, nhiều trường hợp hư hỏng trên thực tế bắt đầu với mức độ không quá lớn Do đó ảnh hưởng của hư hỏng đến tần số dao động tự nhiên đôi khi không rõ ràng và không bằng với sự sai khác tần số so với mô hình do điều kiện hoạt động của hệ kết cấu

Nhóm các phương pháp chẩn đoán dựa trên dạng dao động có nhiều lợi thế hơn khi xác định vị trí hư hỏng cục bộ vì bản thân dạng dao động có khả năng miêu tả chuyển vị toàn bộ các vị trí của hệ kết cấu Chẳng hạn như, Shi và cộng sự (2000) [10] đã mở rộng phương pháp chẩn đoán hư hỏng dầm dựa trên MDLAC (Multiple damage location assurance criterion) với dữ liệu dạng dao động thay vì tần số Lee và cộng sự (2005) [11] đã trình bày một kỹ thuật chẩn đoán hư hỏng mới dựa trên mạng nơ ron nhân tạo sự khác nhau trong dạng dao động của kết cấu nguyên vẹn và hư hỏng Abdo và Hori (2002) [12] chứng minh góc xoay (đạo hàm bậc một của chuyển vị) của dạng dao động là dữ liệu nhạy hơn so với chuyển vị trong việc chẩn đoán hư hỏng kết cấu Nhìn chung, ngoài ưu thế cho khả năng xác định hư hỏng cục bộ tốt thì các dữ liệu về dạng dao động ít bị ảnh hưởng bởi điều kiện môi trường (nhiệt đồ, thời tiết, quá trình hoạt động, ) Tuy nhiên, để có được dữ

8 liệu này cần lượng lớn cảm biến trên công trình Quá trình đo đạc cũng khó khăn và dễ bị nhiễu do sai số Đặc biệt là với các dạng dao động sau

Như đã được chứng minh bởi Abdo và Hori (2002) [12], góc xoay của dạng dao động có hiệu quả hơn chuyển vị trong chẩn đoán hư hỏng Một số chứng minh khác cho thấy độ cong cũng có tác dụng tương tự và do đó nhóm các thuật toán dựa trên độ cong dạng dao động hoặc biến dạng ra đời Đặc điểm dễ thấy của nhóm này là khả năng nhận diện hư hỏng tốt hơn nhưng các hạn chế của phương pháp trước cũng chưa được giải quyết triệt để Lần đầu tiên sự thay đổi độ cong dạng dao động (Modal Curvature Change – MSC) được đề xuất trong chẩn đoán hư hỏng bới Pandey và cộng sự (1991) [13] Li và cộng sự (2005) [14] sử dụng kết hợp tần số dao động tự nhiên và biến dạng dao động làm đầu vào cho mạng nơ ron nhân tạo nhằm xác định vị trí, mức độ vết nứt của kết cấu dạng dầm Những năm sau đó, nhóm các phương pháp này phát triển mạnh và nhận được nhiều nguồn lực đầu tư nhất từ các nhà nghiên cứu trong lĩnh vực

Ứng dụng của các phương pháp tối ưu hóa lấy cảm hứng từ tự nhiên cũng đã được trình bày bắt đầu từ những năm đầu của thế kỷ kỉ 21 Rao và cộng sự (2004) [15] sử dụng các đặc trưng dao động và thuật toán tối ưu hóa Di truyền để chẩn đoán hư hỏng kết cấu Vakil-Baghmisheh và cộng sự (2008) [16] sử dụng thuật toán tối ưu hóa Di truyền vào bài toán chẩn đoán hư hỏng các kết cấu dầm Cùng năm đó, Gomes và Silva [17] đã so sánh kết quả chẩn đoán bằng thuật toán Di truyền với phương pháp độ nhạy mô hình Nobahari và Seyedpoor (2011) [18] cải tiến thuật toán di truyền và áp dụng cùng với chỉ số tương quan hiệu quả (Efficient Correlation Based Index – ECBI) cho chẩn đoán hư hỏng

Tuy nhiên, các thuật toán tối ưu hóa không đạo hàm này đòi hỏi sức mạnh phần cứng máy tính cao vì số lượng lớn biến thiết kế cần dự đoán ngẫu nhiên Để vượt qua nhược điểm kể trên, một kỹ thuật được sử dụng nhiều đó là tìm cách giảm số lượng biến hư hỏng cần xét rồi mới áp dụng thuật toán tối ưu hóa thích hợp Có thể gọi chung các kỹ thuật này là phương pháp chẩn đoán hư hỏng hai bước dùng tối ưu hóa ngược He và Hwang (2007) [19] giới thiệu phương pháp chẩn đoán hư hỏng hai bước dựa trên thuật toán di truyền tham số thực lai với sự hỗ trợ của phân tích quan hệ xám Sau đó Guo và Li (2009) [20] áp dụng lý thuyết bằng chứng và thuật toán di truyền tìm kiếm vi mô vào cũng lĩnh vực

Seyedpoor (2012) [21] phát triển phương pháp năng lượng biến dạng truyền thống thành phương pháp Mô hình năng lượng biến dạng (Modal Strain Energy - MSE) và giới thiệu chỉ số đánh giá sự có mặt của hư hỏng dựa trên MSE (Modal Strain Energy Based Index – MSEBI) để chẩn đoán sơ bộ vị trí hư hỏng của hệ dàn trong bước một của bài toán tối ưu hóa ngược Ở bước thứ hai, mức độ hư hỏng của từng phần tử đã chọn ra trước đó

9 được xác định bằng lời giải tối ưu hóa bầy đàn (Particle Swarm Optimization - PSO) Hai ví dụ mô phỏng số được tác giả đưa ra, cho thấy kết quả nghiên cứu có độ chính xác rất cao và đáng tin cậy trên thực tế Sau đó, thuật toán tiến hóa khác biệt (Differential evolution– DE) cũng được Seyedpoor [22], Kim và cộng sự [23], áp dụng vào chẩn đoán hư hỏng Ngoài ra, Majumdar và cộng sự [24] đã sử dụng thuật đàn kiến (Ant colony optimization – ACO) để đánh giá mức độ hư hỏng của kết cấu dàn dựa trên tần số tự nhiên của hệ Thuật toán di truyền vi mô (Micro-genetic algorithm – GA) được áp dụng để chẩn đoán hư hỏng cho kết cấu dàn bởi Kim và cộng sự [25] Seyedpoor và cộng sự (2018) [26] sử dụng thuật toán tiến hóa khác biệt và ứng xử gia tốc theo thời gian của hệ kết cấu chịu tải trọng động để phát triển thêm lĩnh vực này Lieu và cộng sự (2020) [27] đề xuất thuật toán tối ưu hóa Adaptive Hybrid Evolutionary Firefly Algorithm (AHEFA) – lai tạo dựa trên thuật toán tiến hóa khác biệt và thuật con đom đóm, áp dụng trong chẩn đoán hư hỏng Ngoài ra một số nghiên cứu khác chú ý đến việc chẩn đoán hư hỏng dựa trên mô hình giảm bậc Ý tưởng chính là trên thực tế việc đo đạc toàn bộ các thông số kết cấu của các công trình là bất khả thi do hạn chế về thời gian, chi phí nguyên vật liệu cũng như chi phí tính toán Từ đó, vấn đề xác định các tham số, ứng xử của hệ dựa trên một số lượng hạn chế thông tin đầu vào là vô cùng thiết thực Nhiều nghiên cứu đã được đề xuất, trong đó có Lieu và cộng sự (2020) [28] sử dụng mô hình giảm bậc dựa trên khai triển bậc hai Neumann, phương pháp năng lượng biến dạng MSEBI và thuật toán AHEFA trong bài toán chẩn đoán hư hỏng hai bước Lee và cộng sự (2021) [5] sử dụng Mạng nơ ron sâu để xây dựng mô hình thay thế cho bài toán chẩn đoán hư hỏng truyền thống, áp dụng kèm theo phương pháp năng lượng biến dạng MSEBI để giảm thiểu số biến thiết kế cho từng trường hợp được xét Lieu và cộng sự [29] giới thiệu chỉ số ASEI kết hợp với thuật toán AHEFA trong chẩn đoán hư hỏng hệ dàn dưới tác trọng của tải trọng động Bài báo chứng minh thành công tính hiệu quả của ASEI so với các phương pháp chẩn đoán vị trí hư hỏng từ dạng dao động, đặc biệt về mặt tính khả thi trên thực tế

2.2 Tình hình nghiên cứu tại Việt Nam

Tại Việt Nam, nhiều nghiên cứu có liên quan để lĩnh vực đánh giá hư hỏng kết cấu được xuất bản và đăng trên các tạp chí, hội nghị khoa học trong nước như sau:

Lê và Nguyễn (2009) [30] đưa ra cách xác định vị trí và chiều sâu các vết nứt trong dầm bằng thuật toán di truyền (Genetic Algorithm – GA) trên cơ sở dấu hiệu chẩn đoán vết nứt là tần số dao động riêng của dầm Ma trận độ cứng của phần tử dầm có vết nứt được xây dựng trên giả thiết độ mềm cục bộ tăng lên do sự xuất hiện của vết nứt Vị trí và chiều sâu vết nứt được xác định bằng cách cực tiểu hoá hàm mục tiêu biểu diễn sự chênh

10 lệch giữa tần số riêng tính toán và đo được Kết quả nhận được cho thấy phương pháp này cho giá trị chẩn đoán có độ chính xác và tốc độ hội tụ cao

Lê và Hồ (2015) [31] trình bày phương pháp năng lượng biến dạng được phát triển cho việc chẩn đoán hư hỏng trong kết cấu dạng tấm Kết quả phân tích cho thấy phương pháp kiến nghị có khả năng chẩn đoán chính xác vết nứt trong kết cấu dạng tấm với các điều kiện biên khác nhau khi sử dụng các dạng dao động và ngưỡng hư hỏng thích hợp

Trần và Ngô (2016) [32] trình bày kết quả phân tích tấm chữ nhật dày có vết nứt xiên chịu uốn bằng phương pháp phần tử hữu hạn (PTHH), sử dụng hai loại PTHH kì dị của Barsoum: tam giác đẳng tham số bậc hai sáu nút và tứ giác đẳng tham số bậc hai tám nút Trên cơ sở đó, tác giả xác định được vị trí vết nứt bất kì trong tấm chịu uốn bằng phân tích wavelet hai chiều đối với độ võng và các dạng dao động riêng Kết quả cho thấy đây là một phương pháp chẩn đoán tốt và có thể ứng dụng hiệu quả trong thực tế

Lê (2017) [33] đã áp dụng phương pháp năng lượng biến dạng để chẩn đoán vị trí và mức độ hư hỏng cho kết cấu khung không gian thông qua hai bước thực hiện Trong bước thứ nhất, ba chỉ tiêu đánh giá sự xuất hiện của hư hỏng, bao gồm: “Modal strain energy change ratio – MSECR”, chỉ tiêu “Modal strain energy based index – MSEBI” và “Modal strain energy equivalence index – MSEEI” được trình bày để chẩn đoán vị trí xảy ra hư hỏng Trong bước thứ hai, thuật toán di truyền được sử dụng để cực tiểu hàm mục tiêu với biến số là vec tơ độ giảm độ cứng (thể hiện cho hư hỏng) của các phần tử có khả năng xảy ra hư hỏng đã ghi nhận được từ bước trước đó

Hồ và cộng sự (2018) [34] trình bày phương pháp chẩn đoán hư hỏng trong kết cấu dầm với các điều kiện biên khác nhau, sử dụng phương pháp năng lượng biến dạng được kiến nghị và áp dụng thành công cho bài toán dầm đơn giản và bài toán dầm công-xôn Kết quả phân tích cho thấy, phương pháp chẩn đoán đề xuất có khả năng chẩn đoán chính xác vị trí hư hỏng trong dầm, đặc biệt khi sử dụng dạng dao động thích hợp

Trong khuôn khổ luận văn bậc cao học, Huỳnh (2019) [35] đã tiến hành chẩn đoán hư hỏng trong kết cấu tấm thông qua phương pháp hai bước Bước một tác giả sử dụng các chỉ tiêu chẩn đoán (MSECR, MSEBI, MSEEI, MSEPI) để cảnh báo vị trí hư hỏng trong tấm Kết quả chỉ ra rằng chỉ tiêu MSEEI đem lại hiệu quả tốt nhất Kết hợp với việc sử dụng thuật toán di truyền để đánh giá mức độ hư hỏng ở bước 2; và kết quả ghi nhận được thuật toán này cho độ chính xác cao trong việc chẩn đoán mức độ hư hỏng của phần tử tấm Nguyễn (2021) [36] sử dụng nhiều phương pháp chẩn đoán phá hủy dựa vào kết quả phân tích dao động khác nhau (thay đổi tần số, thay đổi dạng dao động, thay đổi năng lượng biến dạng) để xác định trạng thái hư hỏng của khung bê tông cốt thép Phương pháp năng lượng

11 biến dạng kèm với thuật toán trí tuệ nhân tạo sau đó cũng được Võ (2022) [37] áp dụng trong chẩn đoán hư hỏng kết cấu tấm

2.3 Tổng kết

Cho đến nay, rất nhiều phương pháp chẩn đoán hư hỏng đã được phát triển, đặc biệt là các phương pháp sử dụng đặc trưng dao động nhận được rất nhiều sự chú ý Ví dụ như: phương pháp dựa trên sự thay đổi của tần số, phương pháp dựa trên sự thay đổi của dạng dao động, phương pháp dựa trên sự thay đổi của độ cong dạng dao động, phương pháp dựa trên sự thay đổi của năng lượng biến dạng (Modal Strain Energy - Based Damage Detection Method), … Tuy nhiên những phương pháp này vẫn tồn tại một điểm yếu cố hữu là các thông số đặc trưng dao động của công trình thực tế lại rất khó đo đạc và tốn nhiều chi phí Mặc dù một số bài báo cũng đã bắt đầu sử dụng gia tốc đáp ứng của hệ dưới tải trọng động để chẩn đoán hư hỏng nhưng vì trường dữ liệu đầu vào rất lớn nên chi phí tính toán từ đó cũng tăng theo

Ngoài ra, có thể thấy một số lượng lớn các thuật toán tối ưu hóa không đạo hàm hay nói cách khác là các thuật toán tối ưu dựa trên lời giải nghiệm ngẫu nhiên đã được áp dụng rất thành công trong lĩnh vực chẩn đoán hư hỏng kết cấu Bên cạnh đó, vẫn còn tồn tại song song nhiều khiếm khuyết cần được nghiên cứu kỹ lưỡng và giải quyết triệt để hơn, đặc biệt là khi yếu tố chi phí tính toán, độ ổn định và độ nhạy của bài toán được đưa lên hàng đầu Tính khái quát của các bài toán chẩn đoán hư hỏng cũng là một vấn đề đáng quan tâm

Do đó, việc đưa ra phương pháp chẩn đoán hư hỏng kết cấu dựa trên các ứng xử theo thời gian của hệ chịu tải trọng động là cần thiết Lý do chính là vì các những thông số như gia tốc, vận tốc và chuyển vị có thể dễ dàng đo được trực tiếp mà không cần qua các thuật toán xử lý kết quả Điều này dẫn đến cắt giảm bớt chi phí đo đạc và tính toán Hơn nữa, để đưa bài toán chẩn đoán trên lý thuyết gần thực tế hơn, việc xét đến vấn đề giới hạn điểm đo và nhiễu dữ liệu đo đạc cũng đóng vai trò quan trọng

Trong luận văn này, hai thuật toán học sâu (DNNs, XGBoost) cũng sẽ được áp dụng kết hợp cùng các thuật toán tối ưu hóa ngược (DE, HBA) để chẩn đoán mức độ hư hỏng của hệ kết cấu dàn thuần túy với mức chi phí tính toán thấp nhất Từ đó, phân tích và lựa chọn thuật toán phù hợp nhằm xây dựng sơ đồ chẩn đoán hư hỏng ba bước Nội dung này sẽ được trình bày chi tiết trong các chương sau

12

CHƯƠNG 3 CƠ SỞ LÝ THUYẾT

Chương này trình bày nội dung chi tiết của phương pháp chẩn đoán hư hỏng được đề xuất và các lý thuyết, thuật toán con được áp dụng Dữ liệu đầu vào để đánh giá hư hỏng là đáp ứng gia tốc của hệ chịu tải trọng động có hoặc không có chịu tải nhiệt độ Trên thực tế, để có được các bộ dữ liệu này phải dựa vào kết quả đo đạc từ nhiều cảm biến được gắn trên kết cấu cần chẩn đoán Tuy nhiên, trong khuôn khổ luận văn, ứng xử của kết cấu hư hỏng sẽ được giả định trích xuất từ mô phỏng số bằng phương pháp phần tử hữu hạn truyền thống

3.1 Hệ dàn chịu nhiệt độ và tải trọng động 3.1.1 Tải trọng động

freedom-DOF) của phần tử trong hệ tọa độ toàn cầu; f( )t là véc tơ tải nút phần tử theo

thời gian, và t là thời gian đang xét

Trong luận văn, phần tử dàn hai đầu nút tuyến tính hai chiều hoặc ba chiều được sử dụng với các ma trận độ cứng và khối lượng (lumped mass) phần tử lần lượt là

0 0 0 1

0 0 0 0 1 00 0 0 0 0 1

Có thể thấy, cách tìm kiếm lời giải cho phương trình (3.1) bằng phương pháp giải tích thông thường khá tốn thời gian và công sức Đặc biệt, việc này đòi hỏi một chi phí tính toán khá lớn đối với những công trình phức tạp có số lượng bậc tự do lớn Do đó, nhiều nhà nghiên cứu đã đưa ra các lời giải bằng phương pháp xấp xỉ với mục đích tích hợp và vận dụng khả năng tính toán của máy tính trong thời kỳ hiện đại Một trong những phương pháp thường được sử dụng nhất là phương pháp Newmark-Beta được trình bày ở mục 3.1.1.2

3.1.1.2 Phương pháp Newmark

Cách giải phương trình (3.1) bằng phương pháp Newmark - Beta được trình bày rõ trong [38], ở đây được tác giả luận văn tóm tắt như sau.Trong phương pháp Newmark, các ứng xử động của hệ theo thời gian được tính gần đúng bằng phương pháp khai triển Taylor, trình bày như sau:

14  và (=2) là các tham số quyết định sự ổn định và độ chính xác của phương pháp Theo họ beta,  = 1

3 1 2

, ta có:

(a3Ms+1+Ks+1)xs+1 =a3M bs+1 s+fs+1−C us+1 s+1 (3.13) Sử dụng phương xs+1 trong phương trình (3.9) thế vào (3.13) và rút gọn, ta được:

ˆˆ

3.1.2 Tải nhiệt độ

Trên thực tế, các công trình xây dựng trải qua hàng chục hoặc thậm chí hàng trăm năm hoạt động Trong suốt thời gian đó, môi trường xung quanh luôn thay đổi và xâm hại tới chất lượng công trình Một trong những tác nhân chính đó là sự thay đổi nhiệt độ liên tục theo thời gian Sự thay đổi này không những có khả năng làm biến đổi tính chất vật liệu mà còn gây ra nội lực không mong muốn trong hệ kết cấu Hầu hết các tiêu chuẩn thiết kế hiện đại đều có xét tới những ảnh hưởng này Đối với các bài toán chẩn đoán hư hỏng thực tế, việc không xác định được sự có mặt và ảnh hưởng của tải nhiệt độ có khả năng làm kết quả chẩn đoán không còn chính xác

Ảnh hưởng của biến thiên nhiệt độ thường được kể đến thông qua sự co giãn của vật liệu Đối với bài toán hệ dàn, sự co giãn của các tiết diện thanh chỉ được xét theo phương dài Ngoài ra, giả thiết rằng sự thay đổi nhiệt độ không làm thay các đặc tính cơ học của vật liệu như mô đun đàn hồi Young, giới hạn chảy,… Giá trị độ dài thay đổi do tải nhiệt độ có thể viết lại dưới dạng [39]:

L  L T

16 trong đó: T là hệ số giãn nở nhiệt của vật liệu (đối với thép vào khoảng 11 13 10 K~ −6 -1

); L là chiều dài thanh, và T là chênh lệch nhiệt độ so với ban đầu

Trong khuôn khổ luận văn, tác động của sự thay đổi nhiệt độ sẽ được thể hiện thông qua lực dọc trong thanh và được quy đổi thành tải tập trung tương đương tạc các nút dàn, tính qua công thức:

Phương trình (3.1) được viết lại dưới dạng phương trình (3.22) trong đó ‘m’ là kí hiệu cho các bậc tự do được gắn cảm biến đo đạc (bậc tự do chính) và ‘s’ là những bậc tự do còn lại (bậc tự do phụ thuộc)

( )( )tt

17 Rayleigh [41] Trong luận văn giả sử tỉ lệ cản chung cho các hệ kết cấu là  =5% đối với 2 tần số góc đầu tiên 1(rad/s) và 2(rad/s)

trong đó: x , R x và R x lần lượt là đáp ứng gia tốc, vận tốc và chuyển vị theo thời gian R

của mô hình rút gọn; M , R C , R K là ma trận khối lượng, ma trận cản và ma trận độ cứng R

rút gọn, được tính qua công thức (3.26) và (3.27)

1ss1ms2sssm1mm

(3.29)

Từ đó x , R x và R x giải được bằng phần tử hữu hạn kèm phương pháp Newmark-R

beta Sau cùng các đáp ứng gia tốc, vận tốc chuyển vị của hệ kết cấu ban đầu được tính ngược trở lại bằng phương trình (3.30)

 = −B K M A A+ 1 +A A  1 B K M A A+ 1 +A A  1ssss14152ssss1213

18

3.2 Chỉ số năng lượng biến dạng dựa trên đáp ứng gia tốc

Lấy ý tưởng từ chỉ số năng lượng biến dạng dựa trên dao động MSEBI (Modal Strain Energy Based Index) của Seyedpoor [21], Lieu và cộng sự [29] đã đề xuất chỉ số năng lượng biến dạng dựa trên gia tốc ASEI nhằm đánh giá khả năng hư hỏng của phần tử dựa vào các đáp ứng gia tốc của hệ dàn chịu tải trọng động theo thời gian Các bước tính toán chỉ số ASEI sẽ được trình bày chi tiết trong mục này

Năng lượng biến dạng dựa trên gia tốc (ASE) của phần tử thứ e tại bước thời gian t ,

==  1

Khi phần tử hư hỏng, giảm đi độ cứng ban đầu, ma trận độ cứng Ke sẽ giảm Giả sử ma trận khối lượng Mecủa phần tử là giữ nguyên, gia tốc đáp ứng của hệ được dự đoán là sẽ tăng so với ban đầu Từ đó, Ae của hệ hư hỏng sẽ lớn hơn và chỉ số ASEI của phần tử ethứ e trong hệ dàn được giới thiệu trong công thức (3.34) thể hiện sự khác nhau giữa phần

tử kết cấu hư hỏng và phần tử kết cấu khỏe mạnh thông qua sự sai lệch giá trị Ae

19 trong đó Ae d, và Ae h, lần lượt là năng lượng biến dạng chuẩn hóa trên khoảng thời gian đang xét của phần tử hư hỏng và phần tử khỏe mạnh Giá trị e h,

A sẽ có được bằng mô phỏng số áp dụng phương pháp Newmark và phần tử hữu hạn như đã trình bày ở mục trước Còn e d,

A sẽ được đo đạc trên hệ kết cấu thực tế

3.3 Kỹ thuật học sâu (Deep Learning) 3.3.1 Giới thiệu

Học sâu (Deep learning) là một chi của ngành học máy (Machine Learning) (Hình 3.1) Dựa trên một tập hợp các thuật toán để cố gắng mô hình dữ liệu trừu tượng hóa ở mức cao bằng cách sử dụng nhiều lớp xử lý với cấu trúc phức tạp, hoặc bằng cách khác bao gồm nhiều biến đổi phi tuyến

Hình 3.1 Mối quan hệ giữa các lĩnh vực trí tuệ nhân tạo [42]

3.3.2 Mạng nơ ron sâu (Deep Neural Network -DNNs) 3.3.2.1 Định nghĩa

Mạng nơ ron sâu (Deep Neural Network -DNNs) là một lĩnh vực con của học máy, và cũng là trọng tâm của kỹ thuật học sâu Mạng nơ ron sâu lấy cảm hứng từ mạng nơ ron sinh học cấu thành não động vật, cụ thể là cách mà các dữ liệu thần kinh được truyền đi trong một mạng lưới nơ ron phức tạp Mỗi nơ ron sinh học có hình dạng như Hình 3.2 DNNs thường được áp dụng vào việc tìm các quy luật, mối quan hệ giữa một tập dữ liệu đầu vào và một tập dữ liệu đầu ra Sau đó các mối quan hệ đó được sử dụng để xấp xỉ kết quả của các dữ liệu đầu vào khác, tượng trưng cho quá trình học của động vật

20 Hình 3.2 Hình ảnh minh họa một mạng nơ ron sinh học thực tế [43]

DNNs bao gồm các lớp phần tử, bao gồm lớp phần tử đầu vào, một hoặc nhiều lớp ẩn và lớp đầu ra Tổng số lớp của mỗi mạng DNNs được quy định là tổng số lớp ẩn cộng với một lớp đầu ra (không tính lớp đầu vào) Mỗi nút phần tử đại diện cho một nơ ron nhân tạo, liên kết của chúng với nhau bị ràng buộc bởi trọng số (weight) và các ngưỡng giới hạn (threshold) Từ Hình 3.3 có thể thấy, một nơ ron có thể nhận nhiều dữ liệu đầu vào nhưng chỉ có 1 dữ liệu đầu ra Nếu dữ liệu của một nút nào đó vượt qua khỏi ngưỡng giới hạn cho trước tương ứng của nó thì tín hiệu của dữ liệu đó sẽ được truyền đi đến lớp kế tiếp của DNNs (còn gọi là nút này được kích hoạt) Ngược lại, không có dữ liệu nào được truyền đi

Hình 3.3 Sơ đồ của một DNN [44]

Mạng nơ-ron dựa trên dữ liệu đào tạo để tìm hiểu và cải thiện độ chính xác của chúng theo thời gian Tuy nhiên, một khi các thuật toán học sâu này được tinh chỉnh về độ chính xác, chúng sẽ là công cụ mạnh mẽ trong khoa học máy tính và trí tuệ nhân tạo, cho phép chúng ta trong nhiều lĩnh vực như phân loại, phân cụm dữ liệu, xấp xỉ hồi quy với tốc độ cao

21

3.3.2.2 Các thuật ngữ, thông số cần biết

Ở phần này, một số thuật ngữ chuyên ngành về DNNs sẽ được giới thiệu Điều cốt lõi cần nắm được là tại mỗi nút trong mô hình DNN là một mô hình hồi quy tuyến tính riêng với các giá trị dữ liệu đầu vào, trọng số, bias và dữ liệu đầu ra

Hình 3.4 Tương quan toán học giữa các nơ ron trong 2 lớp liền kề [4] a) Trọng số (weight) và biases

Trọng số (weight - w ) là tham số quan trọng nhất của bài toán xây dựng mô hình DNN

Trọng số thể hiện độ mạnh liên kết giữa các nút, cụ thể là dữ liệu đầu vào đối với quá trình xử lý thông tin (từ lớp này sang lớp khác) Quá trình học của mô hình DNNs thực chất là quá trình điều chỉnh các trọng số để đưa ra kết quả dự đoán chính xác nhất

Bias ( b ) :là một hằng số luôn luôn được thêm vào trong mỗi lớp và bằng 1 Các Bias

không có dữ liệu đầu vào nhưng vẫn có dữ liệu đầu ra như một nơ ron thông thường Bias giữ cho mô hình DNN luôn có ít nhất một nút có thể kích hoạt

b) Hàm mất mát (Loss function) và Optimizer

Trong quá trình huấn luyện mô hình DNN, độ chính xác của mô hình luôn được đặt lên hàng đầu Để đánh giá độ chính xác này, khái niệm hàm mất mát được đưa ra Hàm mất mát hay được sử dụng nhất là Mean Square Error (MSE)

yyn =

11

22 trong đó

Trong một mạng nơ ron nhân tạo, hàm kích hoạt đóng vai trò là thành phần phi tuyến tại output của các nơ ron Theo một cách khác, hàm kích hoạt là những hàm phi tuyến được áp dụng vào đầu ra của các nơ-ron trong lớp ẩn của một mô hình mạng, và được sử dụng làm input data cho tầng tiếp theo Hàm kích hoạt mang yếu tố phi tuyến nhằm mục đích “học” các quy luật có độ phức tạp cao trong thực tế

Hình 3.5 Đồ thị hàm Sigmoid

Hàm Sigmoid nhận đầu vào là một số thực và chuyển thành một giá trị trong khoảng (0;1) Đầu vào là số thực âm rất nhỏ sẽ cho đầu ra tiệm cận với 0, ngược lại, nếu đầu vào là một số thực dương lớn sẽ cho đầu ra là một số tiệm cận với 1 Trong quá khứ hàm