Luận văn thạc sĩ Kỹ thuật xây dựng: Xác định trạng thái hư hỏng của khung bê tông cốt thép dựa vào kết quả phân tích dao động

GIỚI THIỆU

Đặt vấn đề

1.1.1 Tầm quan trọng của việc theo dõi và chẩn đoán kết cấu

Sự phát triển mạnh mẽ của khoa học và công nghệ trong lĩnh vực xây dựng đã để lại nhiều công trình vĩ đại, mang dấu ấn lịch sử như: tòa nhà cao nhất thế giới (828m) Burj Khalifa ở Dubai (Hình 1.1), cầu Akashi Kaikyo - Nhật Bản (cầu treo có nhịp dài nhất thế giới, 3911m) hay tháp Tokyo Sky Tree - Nhật Bản, tháp truyền hình cao nhất thế giới (634m) có thể chịu được động đất 8 độ Richter… Tại Việt Nam, cũng có những công trình nổi bật như: Keangnam Hanoi Landmark Tower (72 tầng, cao 336m), Bitexco Financial Tower - Tp HCM (68 tầng, cao 262m), tòa tháp Landmark

81 - Tp HCM (cao 461.2m, tòa nhà cao thứ 8 trên thế giới)…

Hình 1.1 Hình ảnh toàn nhà cao nhất thế giới Burj Khalifa ở Dubai

Cùng với sự phát triển của kỹ thuật xây dựng, việc theo dõi và chẩn đoán kết cấu (Structural Health Monitoring - SHM) (Hình 1.2) cũng hết sức quan trọng Việc này giúp phát hiện sớm những bất thường trên kết cấu, tạo điều kiện thuận lợi để sửa chữa hoặc thay thế những cấu kiện bị hỏng kịp thời, đánh giá tuổi thọ còn lại của công trình, hạn chế đến mức thấp nhất hậu quả có thể xảy ra

Hình 1.2 Hình ảnh về ý tưởng áp dụng SHM cho Burj Khalifa (Nguồn: Internet)

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 Với những ưu điểm như khả năng đo lường linh hoạt, chi phí tương đối thấp, phương pháp không phá hủy ngày càng trở nên phổ biến Trong đó, phương pháp phân tích dao động kết cấu trở thành một trong những phương pháp gián tiếp và hiệu quả để phát hiện, chẩn đoán hư hỏng kết cấu Khi có khuyết tật trong kết cấu sẽ dẫn đến sự thay đổi các đặc trưng dao động trong cấu kiện như: tần số dao động, dạng dao động, độ cong dạng dao động, năng lượng biến dạng…Đối với các nước phát triển, khi ngành xây dựng đã bão hòa về số lượng thì việc theo dõi, chẩn đoán và bảo trì, thay thế các cấu kiện là rất cần thiết

Ngày nay, kết cấu khung bê tông cốt thép sử dụng rộng rãi trong xây dựng dân công nghiệp Đối với các công trình nhà cao tầng, kết cấu khung cho ta mặt bằng khá linh hoạt về không gian sử dụng vì tường không chịu lực có thể phá bỏ chúng để mở rộng không gian hoặc xây thêm vách ngăn

Trong nhà cao tầng, kết cấu khung có vai trò :

+ Cùng với sàn, tạo thành hệ khung cứng, nâng đỡ các phần không chịu lực của công trình, tạo nên không gian bên trong đáp ứng nhu cầu sử dụng

+ Tiếp nhận tải trọng ngang tác dụng lên công trình (phân phối giữa các cột, vách và truyền xuống móng)

+ Giữ vai trò trong ổn định tổng thể công trình, hạn chế dao động, hạn chế gia tốc đỉnh và chuyển vị đỉnh Đóng vai trò quan trọng trong kết cấu công trình xây dựng, nên việc thiết kế, thi công, cũng như theo dõi và chẩn đoán hư hỏng trong khung bê tông cốt thép là vô cùng quan trọng; nhằm phát hiện kịp thời và xử lý các hư hỏng tìm ẩn để đảm bảo các công năng sử dụng cũng như kéo dài tuổi thọ công trình

1.1.2 Các nguyên nhân gây hư hỏng kết cấu công trình

Trong thực tế hiện nay, có nhiều nguyên nhân dẫn đến sự cố, hư hỏng công trình các nguyên nhân này có thể phân loại theo các giai đoạn hoạt động xây dựng và các yếu tố khách quan, chủ quan như sau:

Có nhiều nguyên nhân dẫn đến sự cố hư hỏng trong kết cấu công trình, các nguyên nhân này có thể phân loại theo các giai đoạn hoạt động xây dựng và các yếu tố khách quan, chủ quan như sau:

- Giai đoạn khảo sát xây dựng: Bố trí khoan địa chất không hợp lý dẫn đến đánh giá sai các thành phần địa chất

- Giai đoạn thiết kế xây dựng: Giải pháp móng không phù hợp với đất nền hay sai sót trong sơ đồ tính toán, bỏ qua điều kiện ổn định của kết cấu, …

- Giai đoạn thi công xây dựng: Không kiểm tra chất lượng, quy cách vật liệu trước khi thi công, không thực hiện đúng trình tự các bước thi công…

- Giai đoạn khai thác, vận hành, sử dụng: Sử dụng sai công năng thiết kế ban đầu, công trình không được bảo dưỡng trong điều kiện ăn mòn hóa chất,…

- Ngoài ra, còn có các nguyên nhân khách quan khác: thiên tai (động đất, gió, bão), hỏa hoạn,…

Với nhiều nguyên nhân đa dạng dẫn đến hư hỏng kết cấu như vậy, cần có biện pháp phân tích, đánh giá mức độ hư hỏng của kết cấu để quyết định khả năng tiếp tục được sử dụng, sửa chữa hoặc thay thế mới,… đảm bảo an toàn cho người sử dụng

1.1.3 Các dạng hư hỏng đối với khung bê tông cốt thép

Khung là một trong những bộ phận chịu lực chính trong một kết cấu công trình, mang tính quyết định đến khả năng chịu lực và ổn định chung của cả công trình Các hư hỏng xảy ra trong khung sẽ ảnh hưởng đến khả năng chịu lực, tính chống thấm, tuổi thọ và tính thẩm mỹ của công trình

Hình 1.3 Hình ảnh hư hỏng các nút khung BTCT do động đất (Nguồn: Internet)

Khi xảy ra hư hỏng, điều quan trọng là xác định ảnh hưởng của chúng đến khả năng chịu lực của kết cấu và công năng sử dụng của công trình Việc phân loại nứt và hư hỏng có thể dựa vào nguyên nhân hoặc cơ chế chính gây ra chúng Các dạng vết nứt kết cấu (Structural Cracks) có nguyên nhân do tải trọng sử dụng hoặc tải thi công, trong khi các dạng vết nứt phi kết cấu (Nonstructural Cracks) chủ yếu là do tính chất hóa, lý của bêtông và các vật liệu thành phần tạo ra nó, thực tế thi công, điều kiện sử dụng

1.1.3.1 Nứt, hư hỏng do nguyên nhân kết cấu

Hình 1.4 Hình ảnh hư hỏng nút khung BTCT (Nguồn: Internet)

Vết nứt ngang trong cột bê tông cốt thép được quan sát thấy bắt đầu chủ yếu ở nút khung (dầm – cột) và trên mặt cột nơi ứng suất kéo lớn Nguyên nhân do cốt thép đai không đủ hoặc lực cắt ở chân hoặc tại đầu cột quá lớn

- Các vết nứt chịu uốn

Các vết nứt trong cấu kiện bê tông cốt thép chịu uốn bắt đầu từ vùng bê tông chịu kéo Ví dụ, ở mặt dưới vùng giữa dầm, hoặc mặt trên vùng gối dầm Vết nứt do uốn có dạng thẳng góc với chiều dài dầm

Hình 1.5 Vết nứt chịu uốn trong dầm (Nguồn: Internet)

- Các vết nứt do ép ngang, nở hông

Mục tiêu và nội dung nghiên cứu

Luận văn này tiến hành đánh giá, so sánh các phương pháp chẩn đoán hư hỏng cho khung bê tông cốt thép dựa trên kết quả phân tích dao động Đánh giá tính hiệu quả của phương pháp chẩn đoán khi chẩn đoán hư hỏng trên khung bê tông cốt thép; từ đó nâng cao tính khả thi và tính ứng dụng của nghiên cứu trong thực tế

Các phương pháp được áp dụng trong nghiên cứu này:

- Phương pháp dựa trên sự thay đổi của tần số (Frequency Change - Based Damage Detection Method),

- Phương pháp dựa trên sự thay đổi của dạng dao động (Modal Assurance Criterion)

- Phương pháp dựa trên sự thay đổi của năng lượng biến dạng (Modal Strain Energy - Based Damage Detection Method)

So với các nghiên cứu đã công bố, các điểm đóng góp chính của luận văn là:

Các nghiên cứu trước đây chỉ mới chẩn đoán một hoặc một vài hư hỏng đơn lẻ cho khung đồng chất; hư hỏng được tạo ra bằng cách xóa phần tử hoặc giảm độ cứng phần tử tương ứng tại vị trí đó Trong nghiên cứu này, khung bê tông cốt thép sẽ được mô phỏng bằng phần mềm ANSYS (xét đến sự làm việc chung giữa bê tông và cốt thép), sau đó gia tải với các cấp tải khác nhau cho khung tự ứng xử và xuất hiện vết nứt Kết quả phân tích ma trận độ cứng của khung sau khi nứt được cập nhật vào chương trình phân tích dao động của ANSYS để thu thập dữ liệu đặc trưng dao động (tần số dao động và dạng dao động) phục vụ cho công tác chẩn đoán 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 các “trạng thái của công trình” (các thiết bị, phòng ở, 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, phát hiện các yếu tố bất thường Những vấn đề này rất khó giải quyết một cách nhanh chóng, kịp thời bởi con ngươi, 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, cảnh báo

- Phân tích dao động cho khung bê tông cốt thép bằng phương pháp phần tử hữu hạn (PTHH) So sánh kết quả phân tích với kết quả thực nghiệm

- Gia tải cho khung bê tông cốt thép để khảo sát ứng xử của khung, so sánh với kết quả thực nghiệm Sau đó, gia tải cho khung với các cấp tải khác nhau Cập nhật kết quả phân tích ma trận độ cứng của khung sau khi đã nứt vào chương trình phân tích dao động của ANSYS để thu thập dữ liệu đặc trưng dao động (tần số dao động và dạng dao động) phục vụ cho công tác chẩn đoán

- Áp dụng các phương pháp chẩn đoán ở trên để chẩn đoán vị trí vùng nứt trong khung bê tông cốt thép với các cấp độ nứt khác nhau (cấp tải khác nhau)

- Thực hiện đánh giá xem xét xem phương pháp nào là hiệu quả đối với việc chuẩn đoán hư hỏng trên khung Đề xuất ngưỡng hư hỏng và các chỉ số chẩn đoán thích hợp để đánh giá độ chính xác của kết quả chẩn đoán

- Thực hiện các bài toán mở rộng dựa trên ứng dụng của trí tuệ nhân tạo, các thuật toán học máy để phát triển các phương pháp chẩn đoán hư hỏng dựa trên phân tích dao động của kết cấu

- Từ các kết quả phân tích và các bài toán mở rộng, các kết luận và kiến nghị được rút ra.

Tính cần thiết và ý nghĩa thực tiễn của nghiên cứu

Kết cấu bê tông cốt thép là một dạng kết cấu rất phổ biến trong lĩnh vực xây dựng hiện nay xuất hiện ở hầu hết các công trình lớn và nhỏ Khung bê tông cốt thép là kết cấu chịu lực chính, đảm bảo độ cứng, ổn định của toàn bộ công trình Có nhiều nguyên nhân khác nhau có thể tác động và gây hư hại đến công trình, đặc biệt là những cấu kiện chịu lực chính, ảnh hưởng trực tiếp đến công năng sử dụng và tuổi thọ của công trình Vì vậy, công tác chẩn đoán hư hỏng nhằm xác định vị trí, phạm vi vùng hư hỏng nhằm đánh giá khả năng chịu lực của kết cấu hiện hữu (đặc biệt là nhà cao tầng lâu năm) là rất cần thiết

Như đã trình bày ở mục 1.2, một số phương pháp chẩn đoán hư hỏng dựa trên các đặc trưng dao động (tần số dao động, dạng dao động) đã được áp dụng với các dạng kết cấu khác nhau Tuy nhiên, những nghiên cứu trước đây mới chỉ thực hiện trên kết cấu đồng chất, các vết nứt đơn lẻ được tạo ra bằng cách giảm độ cứng hoặc xóa phần tử tại vị trí đó Việc nghiên cứu áp dụng các phương pháp chẩn đoán cho khung bê tông cốt thép bị nứt thực tế khi chịu tải là chưa được thực hiện và công bố

Vì vậy, vấn đề này sẽ được tiếp tục thực hiện trong nghiên cứu này, thông qua khung bê tông cốt thép được mô phỏng bằng phần tử hữu hạn

Việc áp dụng mô hình phần tử hữu hạn để mô phỏng và chẩn đoán vết nứt có nhiều ưu điểm: giảm chi phí thí nghiệm, có thể mô phỏng nhiều bài toán hoặc sử dụng nhiều dạng dao động khác nhau để đánh giá độ chính xác của phương pháp một cách nhanh chóng và hiệu quả.

Cấu trúc luận văn

Cấu trúc luận văn gồm có:

Trình bày mục tiêu nghiên cứu, nội dung nghiên cứu, tính cần thiết và ý nghĩa thực tiễn của nghiên cứu

Trình bày tình hình nghiên cứu ngoài nước, tình hình nghiên cứu trong nước và chỉ ra những vấn đề mà luận văn cần tập trung giải quyết

 Chương 3 Cơ sở lý thuyết

Trình bày các cơ sở lý thuyết của các phương pháp chẩn đoán, công thức để đưa ra mối liên hệ giữa tần số dao động, dạng dao động, năng lượng biến dạng và trạng thái các vùng nứt của khung; trình bày lý thuyết mô phỏng số bằng PTHH trong phần mềm ANSYS

 Chương 4 Bài toán khảo sát

Trình bày về bài toán kiểm chứng Thực hiện phân tích gia tải tĩnh và phân tích động học khung bê tông cốt thép ba chiều ứng với nhiều trạng thái nứt khác nhau (tải khác nhau), sau đó chẩn đoán bằng các phương pháp nêu trên và rút ra kết luận về độ chính xác của phương pháp chẩn đoán với từng cấp tải

 Chương 5 Kết quả chẩn đoán

Trình bày những kết quả chẩn đoán được theo các phương pháp chẩn đoán theo cơ sở lý thuyết chương 3 Sau đó, so sánh mức độ chính xác của các phương pháp ứng với các số liệu thí nghiệm thực tế, chọn ra phương pháp thích hợp, phục vụ công tác chẩn đoán trong thực tiễn

 Chương 6 Bài toán mở rộng

Trình bày các nghiên cứu mở rộng bằng việc ứng dụng các thuật toán học máy, trí tuệ nhân tạo (AI) để chẩn đoán hư hỏng trong khung bê tông cốt thép dựa trên các đặc trưng dao động, nhằm phát triển nhiều hướng nghiên cứu có tính ứng dụng cao

 Chương 7 Kết luận và kiến nghị

Trình bày những kết luận và kiến nghị của tác giả khi nghiên cứu về phân tích ứng xử khung bê tông cốt thép dựa trên kết quả phân tích dao động, đề xuất và kiến nghị cho những nghiên cứu về sau

Trích dẫn các bài báo và tài liệu tham khảo được sử dụng cho nghiên cứu trong Luận văn

Trình bày các bảng tính, kết quả tính toán cho các bài toán chi tiết trong Luận văn.

TỔNG QUAN

Tình hình nghiên cứu trên thế giới

Từ những năm 1970 đến những năm đầu 1980 bắt đầu có nhiều bài báo tiêu biểu cho việc tìm vị trí hư hỏng trên kết cấu bằng cách đo tần số tự nhiên (Measurement of Natural Frequency) của mẫu thử đã được đặt ra Một trong những nghiên cứu dò tìm hư hỏng là phương pháp do Adams và cộng sự (1978) [1]; Cawley và Adams (1979) [2] đưa ra dự đoán khuyết tật với mẫu thí nghiệm tấm nhôm phẳng Tiếp nối có các nghiên cứu của Sato (1983) [3] với việc đo tần số của dầm khi có sự thay đổi tiết diện bất kỳ và Yuen (1985) [4] dựa vào ứng xử động lực học của dầm, ông sử dụng giá trị tham số trị riêng (Eigen-parameters) cho chẩn đoán hư hỏng trên dầm công xôn bằng nhôm

Tiếp theo những thành công về nghiên cứu chẩn đoán hư hỏng trên dầm bằng tần số tự nhiên, cũng có những nhà khoa học phát triển theo một hướng khác là sử dụng dạng dao động (Mode Shape) của dầm khi dao động hay sử dụng phương pháp về thay đổi dạng dao động (Modal Assurance Criterion – MAC) Rigner [5]; D Fotsch,

D J Ewins [6]; Allemang (2003) [7]; Pastor và cộng sự (2012) [8] đã sử dụng phương pháp thay đổi dạng dao động (Modal Assurance Criterion – MAC) để đánh giá sự tương quan giữa các dạng dao động của cùng một mô hình hay giữa những mô hình với nhau Kim và cộng sự (2003) [9]; Yan và Cheng (2007) [10]; Wang và Qiao (2008) [11] dựa trên sự thay đổi về dạng dao động (Mode Shape) của dầm giữa các dạng dao động khác nhau để chẩn đoán hư hỏng

Stubbs và Kim (1995) [12]; Cornwell và cộng sự (1997) [13] là những người đầu tiên áp dụng phương pháp năng lượng biến dạng (Modal Strain Energy Based) vào chẩn đoán hư hỏng trên dầm cầu và phát triển cho các kết cấu khác

Kim (2010) [14] đã đề xuất một phương pháp hỗn hợp dao động – trở kháng để phát hiện, phân loại hai dạng hư hỏng trong dầm cầu bê tông cốt thép ứng suất trước: tổn hao lực căng và giảm độ cứng trong dầm Trong đó, vị trí và mức độ hư hỏng được xác định bằng việc sử dụng phương pháp năng lượng biến dạng

Dixit và Hanagud (2011) [15] đã đề xuất của một phương pháp đánh giá hư hỏng trong dầm có liên quan đến năng lượng biến dạng Trong đó, ngoài các thuộc tính dao động (tần số, dạng dao động) tác giả đã xét đến các đặc tính vật lý của kết cấu khi xảy ra hư hỏng là sự suy giảm độ cứng, khối lượng vào phương pháp

Ming và cộng sự (2012) [16] thí nghiệm phát hiện hư hỏng trên phần tử tấm dựa vào phương pháp năng lượng biến dạng

Seyedpoor (2012) [17] đã sử phát triển phương pháp năng lượng biến dạng cho chẩn đoán hư hỏng trên khung dàn thép nhằm chẩn đoán vị trí và mức độ hư hỏng tại nhiều vị trí qua hai bước Bước thứ nhất là chẩn đoán vị trí của hư hỏng dựa trên chỉ tiêu đánh giá sự có mặt của hư hỏng (modal strain energy based index – MSEBI) Bước thứ hai trong phương pháp là chẩn đoán mức độ của các phần tử hư hỏng được xác định từ bước một thông qua lời giải tối ưu có tên particle swarm optimization (PSO) Tác giả áp dụng phương pháp trên hai ví dụ mô phỏng số Kết cấu được dùng trong nghiên cứu này là hệ dàn phẳng Kết quả nghiên cứu cho thấy phương pháp cho kết quả có độ chính xác và tin cậy cao trong việc chẩn đoán hư hỏng nhiều vị trí trên kết cấu

Hồ cùng Kim (2012) [18] đã nghiên cứu dự đoán lực căng trước của bê tông ứng lực trước bằng đặc trưng dao động (Vibration Characteristics) và phương pháp đồng nhất (System Identification – SID).

Tình hình nghiên cứu trong nước

Một số nghiên cứu khác có liên quan được xuất bản và đăng trên các tạp chí và hội nghị khoa học trong nước như sau: Đỗ (2014) [19] đã tiến hành đánh giá và so sánh các phương pháp chẩn đoán hư hỏng kết cấu dầm từ kết quả phân tích dao động Trong nghiên cứu này, tác giả đã khảo sát năm phương pháp: phương pháp dựa trên sự thay đổi tần số; phương pháp dựa trên sự thay đổi dạng dao động; phương pháp dựa trên sự thay đổi độ cong dạng dao động; phương pháp dựa trên sự thay đổi độ cứng và tần số; phương pháp dựa trên sự thay đổi năng lượng biến dạng Các phương pháp này chỉ được thực hiện cho bài toán kết cấu dầm đơn giản

Lê và Hồ (2015) [20] 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

Lê (2017) [21] 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) [22] 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

Nguyễn (2019) [23] đã áp dụng phương pháp năng lượng biến dạng để chẩn đoán hư hỏng trong dầm bê tông cốt thép với các cấp tải khác nhau thông qua việc sử dụng phương pháp mô phỏng số bằng phần mềm ANSYS Kết quả phân tích chỉ ra rằng phương pháp chẩn đoán dựa trên sự thay đổi năng lượng biến dạng (với thông số đầu vào là tần số, dạng dao động) đã chẩn đoán tốt vị trí các vùng nứt trên dầm bê tông cốt thép với các mức độ hư hỏng khác nhau, tương ứng với các cấp tải khác nhau

Huỳnh (2019) [24] 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 Vương (2019) [25] trình bày kết quả khảo sát thực nghiệm ứng xử khung phẳng bê tông cốt thép đã hư hõng được gia cố bằng tấm FRP chịu tải đứng và ngang Nghiên cứu phân tích và so sánh ứng xử của khung trước và sau khi được gia cường tấm FRP Sau khi gia cường cho kết quả khôi phục của kết cấu rất tốt cũng như sự làm việc hiệu quả của tấm tại các vị trí liên kết.

Tổng kết

Cho đến hiện nay, một số phương pháp chẩn đoán hư hỏng kết cấu bê tông cốt thép sử dụng các đặc trưng dao động đã được nghiên cứu và phát triển; ví dụ như: phương pháp dựa trên sự thay đổi của tần số (Frequency Change - Based Damage Detection Method), phương pháp dựa trên sự thay đổi của dạng dao động (Modal Assurance Criterion), phương pháp dựa trên sự thay đổi của độ cong dạng dao động (Mode Shape Curvature - Based Damage Detection Method), phương pháp dựa trên sự thay đổi của độ cứng và tần số (Stiffness, Frequency Change - Based Damage Detection Method), phương pháp dựa trên sự thay đổi của năng lượng biến dạng (Modal Strain Energy - Based Damage Detection Method), …

Tuy nhiên, các nghiên cứu trước việc chẩn đoán chỉ mới được thực hiện với một hoặc một số vết nứt đơn lẻ được tạo ra bằng cách xóa phần tử hoặc giảm độ cứng phần tử tại vị trí đó

Do đó, việc nghiên cứu chẩn đoán vết nứt cho khung bê tông cốt thép thực tế là rất cần thiết Việc này sẽ được thực hiện gián tiếp thông qua khung bê tông cốt thép được mô phỏng bằng phần mềm ANSYS (xét đến sự làm việc chung giữa bê tông và cốt thép), sau đó gia tải với các cấp tải khác nhau cho khung tự ứng xử và xuất hiện vết nứt Kết quả phân tích ma trận độ cứng của khung sau khi nứt được cập nhật vào chương trình phân tích dao động của ANSYS để thu thập dữ liệu đặc trưng dao động (tần số dao động và dạng dao động) phục vụ cho công tác chẩn đoán, tạo tiền đề cho việc áp dụng phương pháp phân tích kết quả dao động để chẩn đoán hư hỏng khung bê tông cốt thép thực ngoài thực tiễn

Từ những tổng kết nêu trên về tình hình nghiên cứu, học viên thực hiện nghiên cứu và kiến nghị phương pháp xác định vị trí vùng nứt xảy ra trong kết cấu khung bê tông cốt thép.

CƠ SỞ LÝ THUYẾT

Phương pháp chẩn đoán hư hỏng kết cấu dựa trên sự thay đổi tần số

Theo Adams và cộng sự (1978) [1], Cawley và Adams (1979) [2] và Salawu (1997) [27],với kết cấu dầm khi hư hỏng hoặc không hư hỏng, ta đều thu được các tần số dao động riêng khi kích thích dao động Kết cấu hư hỏng có tần số dao động riêng nhỏ hơn tần số dao động riêng của kết cấu không hư hỏng Dựa vào sự thay đổi đó, có thể đánh giá được sự hư hỏng của kết cấu

Mức độ thay đổi tần số được đánh giá như sau:

f : Phần trăm độ thay đổi tần số (%); f : Tần số dao động riêng của dầm khi không hư hỏng (Hz);

* f : Tần số dao động riêng của dầm khi hư hỏng (Hz)

Dựa vào giá trị phần trăm độ thay đổi tần số f(%)ở các dạng dao động, ta vẽ đồ thị thể hiện quan hệ phần trăm độ thay đổi tần số f(%)với các dạng dao động

Từ đó, ta đánh giá sự hư hỏng trong mô hình Nếu có hư hỏng xuất hiện thì phần trăm độ thay đổi tần số f(%)sẽ khác 0.

Phương pháp chẩn đoán hư hỏng kết cấu dựa trên sự thay đổi dạng dao động

Phương pháp chẩn đoán hư hỏng kết cấu dựa vào sự thay đổi dạng dao động được giới thiệu bởi Rigner (1998) [5], Fotsch và cộng sự (2000) [6], Allemang (2003) [7], Pastor và cộng sự (2012) [8] MAC là một thống kê chỉ thị sự tương đồng giữa các mô hình, hay giữa các dạng dao động khác nhau của hai mô hình

Giá trị MAC nhận các giá trị nằm trong đoạn [0;1] Giá trị MAC bằng 0 thể hiện sự không tương đồng hay không phù hợp của các dạng dao động Giá trị MAC bằng

1 chỉ ra sự phù hợp hoàn toàn của các dạng dao động

Giá trị MAC có thể được sử dụng để:

- Xem xét tính tương đồng giữa cùng một dạng dao động của mô hình thực nghiệm và mô hình lý thuyết;

- So sánh giữa hai mô hình hay kiểm tra các mô hình khác nhau;

- Tính toán MAC giữa hai mô hình với những giải thuật phân tích khác nhau

Công thức đánh giá sự tương quan giữa cùng một dạng dao động của mô hình kết cấu hư hỏng và mô hình kết cấu không hư hỏng được đưa ra như sau:

X, X*: Mô hình kết cấu ban đầu không hư hỏng và hư hỏng;

MAC (X,X*): Giá trị MAC cho tương quan giữa mô hình không hư hỏng và hư hỏng;

 X , X * : Vector chuyển vị dao động đang xét của mô hình không hư hỏng và mô hình hư hỏng

Dựa vào giá trị MAC, ta đánh giá dấu hiệu sai khác trong hai mô hình với nhau

Từ đó, ta dự đoán được hư hỏng của kết cấu.

Phương pháp năng lượng biến dạng

Phương pháp năng lượng biến dạng đã được phát triển và áp dụng trong nhiều nghiên cứu Phương pháp này được sử dụng ban đầu cho bài toán xác định sự thay đổi độ cứng chống uốn của dầm Euler - Bernouli Ý tưởng cơ bản của phương pháp là dựa vào sự thay đổi của đường cong dạng dao động của dầm là một chỉ tiêu để đánh giá hư hỏng của kết cấu Năng lượng biến dạng (Modal strain energy: MSE) là một chỉ tiêu có độ nhạy cao hơn các chỉ tiêu dao động khác (tần số dao động và dạng dao động) trong chẩn đoán hư hỏng của kết cấu, theo Cha và Buyukozturk (2015)

Biểu thức của năng lượng biến dạng của phần tử thứ j ở dạng dao động thứ i có dạng như sau:

Trong đó,  i là vector dạng dạng dao động thứ i của phần tử thứ j; K j là ma trận độ cứng của phần tử thứ j trong hệ tọa độ tổng thể

Kim và cộng sự (2003) [9] đã đề xuất một phương pháp chẩn đoán hư hỏng cho kết cấu dầm dựa vào sự thay đổi năng lượng biến dạng của dạng dao động Phương pháp này sử dụng hai đặc trưng dao động của kết cấu là tần số và dạng dao động của hai trạng thái khác nhau cho việc chẩn đoán hư hỏng trên kết cấu Đây là một phương pháp SHM tổng thể và dựa vào kết quả đo và phân tích dao động để chẩn đoán hư hỏng cho kết cấu

Theo Kim và cộng sự (2003) [9], xét kết cấu dầm với mô hình phần tử hữu hạn là phần tử thanh (mô hình một chiều, 1-D), tiết diện không đổi với (ne) phần tử và (n) nút, Hình 3.1 Giả định ứng xử trong quá trình chịu lực của dầm là tuyến tính Ở dạng dao động thứ (i), năng lượng biến dạng của dầm K i được cho bởi công thức:

 : Vector đường cong dao động thứ (i) k(i): Độ cứng uốn của dầm (khi tiết diện không đổi, k(x) = EI)

Hình 3.1 Sơ đồ dầm với vị trí vết nứt

Năng lượng biến dạng đóng góp của phần tử thứ j vào năng lượng biến dạng của dầm ở mode thứ i là K ij

Trong đó: k j là độ cứng phần tử thứ (j) và phép tích phân thực hiện trên suốt chiều dài của phần tử thứ (j)

Hình 3.2 Minh họa về năng lượng biến dạng của dao động

Năng lượng phân đoạn của dạng dao động thứ (i) tập trung vào phần tử thứ ( j) là: ij ij i

Tương tự từ phương trình (3.4) đến (3.6), các thông số dạng tương ứng được đặc trưng bởi dấu sao (*) để nói lên trạng thái bị hư hỏng:

 là đại diện cho biến phân của năng lượng biến dạng tại phần tử thứ (j) đối với dạng dao động thứ (i), dựa vào phương trình (3.7) và giả định K i >> K ij (khi ne>>1), ta có:

* , 0 i ij ij ij ij ij

  (3.11) Đại lượng F ij có thể được đo trực tiếp từ những thay đổi của các thông số dao động Giả thiết kết cấu bị hư hỏng tại (nd) vị trí, K ij K i nd

  , điều này thể hiện yêu cầu về kích thước các vị trí (kích thước phần tử) trong mô hình phân tích phải gần bằng nhau Thương số ij i

 có thể xấp xỉ bằng phân đoạn thay đổi trong giá trị đặc trưng thứ (i) do hư hỏng:

Trong đó: g i là một hệ số không thứ nguyên đại diện cho phân đoạn thay đổi trong thông số dao động thứ (i)

Số hạng K ij đại diện cho sự thay đổi độ cứng Từ phương trình (3.5) và (3.8), K ij được xác định:

* * * ij ij ij ij j ij j

Tiếp theo, giả định EI là hằng số trên toàn bộ dầm, k j = k(x) ((j)=(1),…,ne), vế phải phương trình (3.11) được viết lại như sau:

Bằng cách áp dụng phương trình (3.12) cho phương trình (3.16), Chỉ số hư hỏng của vị trí thứ (j), được đánh giá qua mode-shape thứ (i) được tính theo công thức:

Khi tính toán chỉ số hư hỏng của vị trí thứ (j) qua nhiều dạng dao động, áp dụng công thức sau:

Hư hỏng được nhận dạng bằng thay đổi tương đối độ cứng tại vị trí thứ (j), khi đó,  j 1

Vị trí hư hỏng được xác định thông qua việc chuẩn hóa chỉ số hư hỏng β j (j

- Z j là chỉ số hư hỏng được chuẩn hóa theo quy định

 lần lượt là giá trị trung bình va độ lệch chuẩn của  j

Căn cứ để chẩn đoán các vùng hư hỏng trong khung là thông số chỉ số hư hỏng sau khi đã chuẩn hoá Trong đồ thị chỉ số hư hỏng của toàn khung, nhiều phần tử có chỉ số hư hỏng khá lớn so với các phần lại và cũng có những phần tử chưa hư hỏng nhưng có chỉ số hư hỏng lớn hơn “0” Do đó, cần có tiêu chuẩn cụ thể để đánh giá một vùng con là đã hư hỏng hay chưa Nghiên cứu này đề xuất sử dụng một khái niệm gọi là ngưỡng hư hỏng Z 0

Ngưỡng hư hỏng được tính bằng tỷ lệ phần trăm chỉ số hư hỏng lớn nhất trên toàn dầm Khi chỉ số hư hỏng lớn hơn hoặc bằng ngưỡng hư hỏng, phần tử được xem là cảnh báo hư hỏng Ngược lại, phần tử chưa hư hỏng Tuỳ vào mức độ hư hỏng cũng như sự phân bố của đồ thị chỉ số hư hỏng mà ta lựa chọn giá trị của ngưỡng hư hỏng

3.3.4 Ảnh hưởng của điều kiện biên

Trong phương pháp năng lượng biến dạng cho kết cấu dầm, giá trị độ cong dạng dao động (đạo hàm bậc hai của đường cong dạng dao động) phải được xác định Tuy nhiên, việc này sẽ gặp khó khăn khi vận dụng trong thực tiễn Thứ nhất, hàm số của đường cong dạng dao động khó xác định chính xác với số lượng cảm biến hạn chế khi đo đạc thực nghiệm Thứ hai, việc lấy tích phân xác định theo các công thức (3.14) và (3.15) là khó khả thi Vì vậy, phương pháp sai phân trung tâm bậc hai được sử dụng để xác định gần đúng độ cong dạng dao động

Xét một dầm có np điểm nút Đối với các nút ở giữa (j = 2, …, np-1), độ cong dạng dao động thứ i được xác định như sau:

Trong đó:  j i , là giá trị đường cong dạng dao động thứ i tại nút thứ j; x j là tọa độ của nút thứ j

Hình 3.3 Minh họa về đường cong dạng dao động

Như vậy, độ cong dạng dao động tại nút thứ j được xác định thông qua giá trị đường cong dạng dao động (mode shape) của 3 nút liên tiếp (nút j và hai nút liền kề j-1 và j+1), Hình 3.3 Tuy nhiên, đối với các nút ở 2 đầu biên của dầm, dữ liệu của nút j-1 là không có cho nút biên nên trái và dữ liệu của nút j+1 là không có cho nút biên bên phải Do đó, giá trị đường cong dạng dao động tại 2 nút biên này được xác định bằng phương pháp ngoại suy Một kết cấu dầm sẽ có 2 nút cận biên ảo có giá trị đường cong dạng dao động thứ i tương ứng là  0,i ,  np  1, i Kết quả là độ cong dạng dao động thứ i của nút biên bên trái (j=1) và nút biên bên phải (j=np) lần lượt được xác định như sau:

1 1 np i 2 np i np i np i np np np np x x x x

Tiếp theo, vấn đề cần giải quyết là hai giá trị  0,i ,  np  1, i phụ thuộc vào điều kiện biên của dầm Theo Hồ và cộng sự (2018) đã đề xuất phương pháp xác định hai giá trị  0,i ,  np  1, i cho các điều kiện biên phổ biến là biên tự do, biên liên kết khớp và biên liên kết ngàm Đối với điều kiện biên tự do và biên liên kết khớp, nút biên không bị ràng buộc về chuyển vị xoay (xoay tự do) Hai giá trị  0,i ,  np  1, i được đề xuất xác định theo nguyên tắc phản xứng như sau:

3.3.5 Các bước tính toán theo phương pháp năng lượng biến dạng

Bước 1: Chuẩn bị dữ liệu đặc trưng dao động (tần số và dạng dao động) ở hai trạng thái chưa hư hỏng và hư hỏng

Trong thực tế, dữ liệu đặc trưng dao động sẽ được thu thập bằng đo đạc kết cấu thực tế Tuy nhiên, trong phạm vi luận văn, dữ liệu này được trích xuất từ mô hình phần tử hữu hạn thực hiện theo 2 bước sau:

- Mô hình hóa kết cấu với hai trạng thái: Trạng thái ban đầu (chưa gia tải, chưa nứt) và trạng thái lúc sau (đã gia tải và nứt) Mức độ hư hỏng được thay đổi bằng cách thay đổi cấp tải để mở rộng vùng nứt

- Phân tích dao động khung ở hai trạng thái trên, kết quả thu được bao gồm: tần số dao động và dạng dao động

Bước 2: Tính toán độ cong dạng dao động

Do dữ liệu dạng dao động thu được là rời rạc, nên việc đạo hàm trực tiếp chuyển vị dạng dao động để tính độ cong là không khả thi Do đó độ cong được tính bằng cách sử dụng công thức sai phân trung tâm bậc hai:

- Đối với các nút phần tử ở giữa dầm:

  (3.27) Đối với 2 nút phần tử ở biên: Cần tìm giá trị chuyển vị dạng dao động tại điểm cận biên ảo bằng phương pháp ngoại suy, giá trị này phụ thuộc vào điều kiện biên của dầm Theo Hồ và cộng sự (2018) đề xuất, đối với điều kiện biên tự do và biên liên kết khớp, nút biên không bị ràng buộc về chuyển vị xoay (xoay tự do) Hai giá trị  0,i ,  np  1, i được đề xuất xác định theo nguyên tắc phản xứng theo (3.24) và (3.25)

Từ đó, tính được độ cong tại điểm biên như sau:

1 1 np i 2 np i np i np i np np np np x x x x

Các vec-tơ  " i phải được chuẩn hóa theo chuẩn Euclide Cụ thể:

Bước 3: Tính toán năng lượng biến dạng đơn vị tại phần tử thứ j ở hai trạng thái chưa hư hỏng và hư hỏng

  (i =2,nm) (nm: Số dạng dao động đang xét)

Năng lượng biến dạng đơn vị trên toàn bộ cấu kiện (dầm, cột):

Bước 4: Tính toán chỉ số hư hỏng, tổ hợp chỉ số hư hỏng, chuẩn hóa chỉ số hư hỏng

(3.35) Sau đó, các chỉ số hư hỏng sẽ được chuẩn hóa như sau: j j j

Bình thường hóa dữ liệu Z j được chẩn đoán (Normalizing Data):

So sánh Z j tính được tại các phần tử với ngưỡng hư hỏng Z 0 , xác định vị trí vùng nứt qua đồ thị chẩn đoán vị trí hư hỏng Biểu đồ Z j sẽ là hình ảnh trực quan về trạng thái của kết cấu.

Phương pháp đánh giá độ chuẩn xác chẩn đoán

3.4.1 Ngưỡng hư hỏng đề xuất Đã có nhiều nghiên cứu trước đó, trong đó có Hồ và cộng sự (2018) [22] đã đề xuất hai ngưỡng độ tin cậy của phương pháp là Z 0 = 1.5 (tương ứng với độ tin cậy chẩn đoán xuất hiện vùng hư hỏng là 93.3%) và Z 0 = 2 (tương ứng với độ tin cậy chẩn đoán xuất hiện vùng hư hỏng là 98%), Hình 3.3 Tuy nhiên, nếu sử dụng các ngưỡng này để chẩn đoán cho một vùng hư hỏng sẽ dẫn đến nghịch lý là khi Z0 càng lớn thì vùng nứt chẩn đoán lại càng nhỏ so với vùng nứt thực tế (độ chính xác càng thấp) Vì vậy, ngưỡng này chỉ phù hợp cho việc chẩn đoán những vết nứt đơn lẻ, không phù hợp cho chẩn đoán một hay nhiều vùng nứt như khung bê tông cốt thép trong thực tế

Hình 3.4 Minh họa về hai ngưỡng hư hỏng (Hồ và cộng sự 2018)

Trong luận văn này, để xác định được vùng nứt của các cấu kiện cũng như thể hiện chúng trên biểu đồ hư hỏng Các giá trị Z 0 sẽ được đề xuất cho từng cấu kiện dựa trên các giá trị Z j sau khi được bình thường hóa Chi tiết sẽ được trình bày trong mục

Trong nghiên cứu này, một mô hình đánh giá mới (dựa trên mô hình phân loại, sử dụng nhiều trong lĩnh vực học máy, trí tuệ nhân tạo) được ứng dụng để đánh giá độ chính xác của các kết quả chẩn đoán Confusion matrix [28] (Ma trận nhầm lẫn) [29] là một trong những kỹ thuật đo lường hiệu suất phổ biến nhất và được sử dụng rộng rãi cho các mô hình phân loại Nó có bản chất là một bảng phân phối tần số 2 chiều (bảng chéo) cho phép trình bày tỉ lệ tương hợp và bất xứng giữa thực tế và kết quả phân loại của quy luật cần kiểm tra (mô hình) Trong nghiên cứu này, ta chỉ xét trường hợp đơn giản nhất của Confusion matrix áp dụng cho bài toán nhị phân (Binary Classification) Khi đó, Confusion matrix trình bày tần suất của 4 tổ hợp: TP (True Positive), TN (True Positive), FP (False positive) và FN (False negetive) True (Đúng) chỉ sự tương hợp, khi kết quả phân loại phù hợp với giá trị thực tế; False (Sai) chỉ sự bất xứng hay nhầm lẫn, khi mô hình phân loại nhầm so với thực tế

Hình 3.5 Minh họa về confusion matrix [30]

- True Positive (TP): là những sự kiện được mô hình dự đoán chính xác là "Xảy ra

- True Negative (TN): là những sự kiện được mô hình dự đoán chính xác là "Không xảy ra = Không"

- False Positive (FP): là những sự kiện được dự đoán là "xảy ra = Có", nhưng trong thực tế, nó "không xảy ra = Không."

- False Negative (FN): là những sự kiện được dự đoán là "không xảy ra = Không", nhưng trong thực tế, nó đã "xảy ra = Có"

3.4.3 Các chỉ số đánh giá

Trong thực tế, vùng hư hỏng của khung là không biết trước Tuy nhiên, trong luận văn này, để đánh giá được độ chính xác của phương pháp chẩn đoán, chiều dài vùng nứt thực tế (từ mô phỏng ANSYS) sẽ được thu thập để so sánh với vùng nứt chẩn đoán bằng phương pháp năng lượng biến dạng, từ đó đánh giá được độ chính xác của phương pháp chẩn đoán

Trong các nghiên cứu trước đối với bài toán chẩn đoán hư hỏng dầm, chỉ số chẩn đoán chỉ mới xác định được phạm vi xuất hiện của các vết nứt đơn lẻ được mô phỏng bằng cách giảm độ cứng hoặc xóa phần tử trong phần mềm phần tử hữu hạn Các chỉ số này chưa phù hợp để chẩn đoán một vùng nứt (với nhiều vết nứt) của cấu kiện dầm nói chung và dầm bê tông cốt thép nói riêng trong thực tế

Các chỉ số đánh giá có thể được tính toán từ confusion matrix Cụ thể:

Chỉ số này đặc trưng cho độ chính xác tổng thể của mô hình, thể hiện tỉ lệ của tất cả trường hợp phân loại Đúng (không phân biệt Negative/Positive) trên toàn bộ trường hợp trong mẫu chẩn đoán

   (3.37) Đây là tiêu chí phổ biến nhất khi đánh giá hiệu năng của mô hình phân loại, tuy nhiên giá trị thực dụng của nó thường không rõ ràng vì nó không đặc hiệu cho một mục tiêu cụ thể

3.4.3.2 Balanced Accuracy (Tính chính xác cân bằng)

Khi 2 nhãn Positive/Negative bị mất cân đối, một tiêu chí khác phù hợp hơn là Balanced Accuracy (BAC) hay độ chính xác sau cân bằng

Là chỉ số đặc trưng cho tỷ lệ những giá trị thực sự đúng (thực tế) so với tất cả các trường hợp được mô hình dự đoán là “Có” Nói cách khác, có bao nhiêu dự đoán “Positive” là thật sự “True” trong thực tế

Là chỉ số đặc trưng cho tỷ lệ cho số dự đoán “Positive” đúng do mô hình của chúng ta đưa ra Nói cách khác, chỉ số này phản ánh số lượng “Positive” do mô hình chẩn đoán so với tất cả các trường hợp “True” xảy ra trong thực tế

3.4.3.5 Specificity (Độ đặc hiệu/ Độ chuyên biệt)

Là chỉ số đặc trưng cho tỷ lệ cho số dự đoán “Negative” đúng do mô hình của chúng ta đưa ra Nói cách khác, chỉ số này phản ánh số lượng “Negative” do mô hình chẩn đoán là thật sự “True” trong thực tế

Khi chúng ta quan tâm về cả hai chỉ số Precision và Recall, hoặc nhằm đặt được sự cân bằng của hai chỉ số này trong mô hình chẩn đoán Lúc đó chúng ta sẽ dùng giá trị trung bình điều hòa F1-Score

Trong luận văn này, đề xuất áp dụng các chỉ số chẩn đoán được trình bày trong bảng dưới

Bảng 3.1 Các chỉ số chẩn đoán được lựa chọn để đánh giá

STT CHỈ SỐ DIỄN GIẢI ÁP DỤNG

1 Accuracy Độ chính xác tổng thể của mô hình

2 Balanced Accuracy Độ chính xác tổng thể sau cân bằng của mô hình

3 Precision Khả năng chẩn đoán đúng trong vùng nứt

4 Specificity Khả năng chẩn đoán đúng trong vùng không nứt

Sáu chỉ số trong mục 3.4.3 vẫn được tính toán đầy đủ để tiện cho việc phát triển và mở rộng các nghiên cứu về sau Và 4 chỉ số trong Bảng 3.1 dùng để nhận xét về khả năng chẩn đoán của phương pháp năng lượng biến dạng cho kết cấu khung BTCT.

Mô hình phần tử hữu hạn

3.5.1.1 Mô hình phần tử bê tông

Phần tử khối SOLID65 [26] được sử dụng để mô hình bê tông Phần tử này có 8 nút với 3 bậc tự do tại mỗi nút đó là: chuyển vị theo phương x, y, z Phần tử này có khả năng mô phỏng biến dạng dẻo, vết nứt có thể xảy ra theo các phương trực giao Đặc trưng hình học và vị trí nút của loại phần tử này được chỉ ra trong Hình 3.6

Hình 3.6 Phần tử khối bê tông SOLID65 (ANSYS Manual) 3.5.1.2 Mô hình phần tử cốt thép

Phần tử BEAM188 [26] được sử dụng để mô phỏng cốt thép dọc và cốt đai trong bê tông Phần tử BEAM188 (Hình 3.7) có 2 nút, với 6 hoặc 7 bậc tự do ở mỗi nút Bao gồm các chuyển vị theo phương x, y, z và góc xoay quanh trục x, y, z Bậc tự do thứ 7 là độ vênh Phần tử phù hợp cho các bài toán tuyến tính, phi tuyến với chuyển vị, góc xoay lớn

Hình 3.7 Phần tử BEAM188 (ANSYS Manual)

3.5.2.1 Mô hình phá hoại của bê tông

ANSYS xây dựng mô hình mặt phá hoại theo mô hình William và Warnke (1975), có thể tiên đoán phá hoại của vật liệu bê tông mà cả hai kiểu phá hoại do nứt hay nén vỡ đều được xét đến Hai thông số cường độ cần thiết của mô hình là cường độ bê tông chịu nén và kéo một phương để xác định mặt phá hoại của bê tông do trạng thái ứng suất không gian gây ra như trình bày ở Hình 3.8

Hình 3.8 Mặt phá hoại của bê tông theo mô hình William và Warnke (1975)

Trong hình này, các ứng suất chính khá lớn theo hai phương x và y lần lượt là

 xp và  yp , ba mặt phá hoại thể hiện sự phụ thuộc kiểu phá hoại theo các trường hợp của ứng suất chính  zp theo phương z Giả sử nếu cả hai ứng suất chính  xp và

 yp đều âm và ứng suất chính  zp có dấu dương, phá hoại nứt bê tông (cracking) có khả năng xảy ra theo hướng vuông góc với hướng ứng suất chính  zp Tuy nhiên, nếu ứng suất chính  zp bằng không hay có dấu âm, bê tông được tiên đoán bị phát hoại nén vỡ (crushing)

Hình thái nứt bê tông trong mô hình phần tử hữu hạn được tạo ra tương ứng với các mức tải trọng khác nhau như ví dụ dầm chịu uốn được trình bày ở Hình 3.9 Các kiểu phá hoại bê tông khác nhau có thể xảy ra là nứt do uốn (flexural cracks), nứt do cắt (shear cracks), và nứt do nén vỡ (crushing) Vết nứt do uốn có dạng hướng lên so với trục dọc dầm, nứt do nén vỡ được thể hiện ở dạng các hình tròn, nứt do cắt có dạng xiên góc so với trục dọc dầm và có hướng phát triển đến tải trọng tác dụng

Hình 3.9 Các dạng vết nứt được mô phỏng trong ANSYS

(Tjitradi và cộng sự, 2017 [31] ) 3.5.2.2 Mô hình vật liệu cốt thép

Hai đặc trưng cơ bản của thép là giới hạn chảy và module đàn hồi E s Cốt thép được sử dụng trong mô hình ANSYS được giả định là vật liệu đàn hồi – dẻo tuyệt đối khi chịu kéo và nén (Hình 3.10)

Hình 3.10 Mô hình ứng suất-biến dạng của cốt thép (ANSYS Manual)

3.5.2.3 Mô hình liên kết giữa bê tông và cốt thép

Liên kết hoàn toàn giữa bê tông và cốt thép được giả định trong mô hình ANSYS Phần tử BEAM188 của cốt thép được kết nối giữa các nút của phần tử khối bê tông SOLID65 liền kề, do đó 2 vật liệu được liên kết tại 1 nút (Hình 3.11)

Hình 3.11 Mô hình liên kết giữa bê tông và cốt thép

Phương pháp phân tích được sử dụng trong bài báo cáo này là phương pháp phân tích phi tuyến dưới tác dụng của tải trọng gia tăng cho đến khi khung bị phá hoại Đối với phân tích phi tuyến trong mô hình phần tử hữu hạn, tải trọng tổng tác dụng lên mô hình sẽ được chia thành một loạt các bước gia tải nhỏ gọi là substeps Sau khi hoàn tất mỗi bước gia tải, ma trận độ cứng của mô hình được điều chỉnh để phản ánh sự thay đổi phi tuyến trong độ cứng kết cấu trước khi thực hiện bước gia tải tiếp theo Phần mềm ANSYS sử dụng trạng thái cân bằng lặp Newton-Raphson để cập nhập lại độ cứng của mô hình Trạng thái cân bằng lặp (Newton-Raphson Equilibrium Iterations) đưa ra sự hội tụ tại cuối mỗi bước gia tải trong các giới hạn cho phép Hình

3.12 thể hiện việc sử dụng phương pháp lặp Newton-Raphson trong phân tích phi tuyến một bậc tự do

Hình 3.12 Phương pháp lặp Newton-Raphson (ANSYS Manual)

Phương pháp lặp Newton-Raphson đánh giá các vector tải mất cân bằng, đó là sự khác nhau giữa tải trọng phục hồi (các tải trọng tương ứng với các ứng suất của phần tử) và tải trọng tác dụng Sau đó, chương trình phân tích tuyến tính, bằng cách sử dụng các tải trọng mất cân bằng và kiểm tra sự hội tụ Nếu tiêu chuẩn hội tụ không được thỏa mãn, vector tải mất cân bằng được đánh giá lại, ma trận độ cứng được cập nhập, và tiếp tục giải Quá trình này được lặp lại tiếp tục cho đến khi đạt được kết quả hội tụ (ANSYS Manual).

BÀI TOÁN KHẢO SÁT

Số liệu khung bê tông cốt thép

Thí nghiệm bao gồm phần khung dầm – cột giống hệt nhau, là khung phẳng một tầng một nhịp với kích thước khung, tiết diện dầm, cột và bố trí cốt thép dọc, thép đai Mặt trên dầm khung trên được chất 03 khối bê tông tiết diện bxh = 1x1.2 m với chiều dài 1.2 m mỗi khối dọc theo trục dầm (vừa lọt lòng khoảng dầm dài 3.7 m) để giả lập tải trọng đứng tác động vào dầm khung với cường độ khoảng 24 kN/m (đã kể cả trọng lượng phần sàn console đỡ khối tải) Chân cột được liên kết ngàm vào sàn cứng của Phòng thí nghiệm bằng hệ bu neo lông qua bản đế thép Số liệu và quá trình thí nghiệm tĩnh tham khảo trong luận văn thạc sĩ của Vương (2019) [25]

Hình 4.1 Sơ đồ khung thực hiện thí nghiệm [25]

- Kích thước khung: Chiều cao tầng: 2.15 m, Nhịp khung: 4.05 m

- Tiết diện cấu kiện: Cột 250x300, Dầm 200x350

- Cốt thép cột: Thép dọc 6 16 (hàm lượng khoảng 1.6%), bố trí theo sơ đồ khung chịu lực trong mặt phẳng, thép đai 8 a100/200;

- Cốt thép dầm: Thép nhịp và gối đều là 316 (hàm lượng khoảng 0.85%) chạy suốt, đai  8 a100/200

Thông số vật liệu

- Bê tông đá 1x2 cấp độ bền B30 (M400) cho dầm, cột

 Cường độ chịu nén: 33 MPa

 Cường độ chịu kéo: 2.9 MPa

 Giới hạn chảy dẻo của thép dọc: 400 MPa

 Giới hạn chảy dẻo của thép đai: 280 Mpa

Thí nghiệm đo dao động khung bê tông cốt thép [32]

4.3.1 Thí nghiệm, hình ảnh đo dao động

Thí nghiệm đo dao động cho khung bê tông cốt thép được tiến hành vào ngày 10/09/2018 cho trường hợp trước khi gia tải và ngày 11/09/2018 cho trường hợp sau khi gia tải Bốn cảm biến gia tốc được lắp đặt trên khung để ghi nhận tín hiệu gia tốc (Hình 4.2) Tín hiệu gia tốc được ghi nhận trong 300 giây với tần số lấy mẫu là 100

Hz Để kích thích khung dao động, búa được gõ vào đầu dầm bên phải cho ngày 10/09/2018 và một mẫu thép được thả rơi vào đầu dầm bên trái cho ngày 11/09/2018

Hình 4.2 Đo dao động khung bê tông cốt thép

4.3.2 Kết quả đo dao động

Kết quả phân tích dao động tự do của khung bê tông cốt thép được thể hiện trên

Hình 4.3 cho trường hợp trước khi gia tải (P = 0 kN), Hình 4.4 cho trường hợp sau khi gia tải (P = 322 kN) và được tóm tắt trong Bảng 4.1 Tần số dao động thứ nhất là

7.617 Hz cho trường hợp trước khi gia tải và 5.615 Hz cho trường hợp sau khi gia tải Kết quả thực nghiệm cho thấy, sau quá trình gia tải ngang, khung đã bị giảm yếu độ cứng, xuất hiện nhiều vết nứt Tần số dao động thứ nhất giảm 26.3%

(a) Tín hiệu gia tốc (b) Phổ tần số Hình 4.3 Đáp ứng dao động của khung trước khi gia tải

(a) Tín hiệu gia tốc (b) Phổ tần số Hình 4.4 Đáp ứng dao động của khung sau khi gia tải

Bảng 4.1 Tần số dao động thực nghiệm của khung bê tông cốt thép

Trạng thái Tần số dao động thứ nhất (Hz) Chênh lệch (%)

Mô phỏng số

ANSYS là chương trình phần tử hữu hạn ba chiều với nhiều tính năng vượt trội trong phân tích phi tuyến kết cấu, bao gồm cả phân tích phi tuyến vật liệu và phi tuyến hình học Trong nghiên cứu này, ANSYS được sử dụng để mô phỏng dao động của hệ khung và kết quả phân tích được so sánh với kết quả thí nghiệm để làm rõ mức độ chính xác của ứng xử được dự đoán bởi phân tích số Cần lưu ý rằng mô hình vật liệu của các phần tử đã được phát triển bởi ANSYS cũng có những hạn chế nhất định trong việc mô phỏng ứng xử của vật liệu thật, đặc biệt là của bê tông, nên kết quả mô phỏng chỉ mang tính tham khảo Thêm nữa, việc mô tả sự tương tác giữa các phần tử bê tông, cốt thép và điều kiện liên kết như thí nghiệm thật cũng không dễ dàng

4.4.1 Mô hình vật liệu và kiểu phần tử

Bảng 4.2 Các kiểu phần tử sử dụng trong mô phỏng

STT Loại vật liệu Kiểu phần tử Ghi chú

2 Cốt thép chịu lực BEAM 188

4 Thép tấm SOLID 185 Theo cấu tạo

Thông số phân tích đàn hồi tuyến tính:

Các thông số cơ bản được khai báo theo mục 4.2

Thông số phân tích phi tuyến:

Phân tích kết cấu bê tông cốt thép trong ANSYS là phân tích phi tuyến đàn dẻo Thông thường, để mô phỏng ứng xử đàn dẻo của bê tông, ta sử dụng một đường cong quan hệ ứng suất biến dạng được rút ra từ nhiều kết quả thí nghiệm Trong luận văn này, tham khảo đường cong ứng suất – biến dạng được đề xuất bởi Kent-Park (Tjitradi và cộng sự 2017) [31], Hình 4.5 Trong đó, cường độ chịu kéo của bê tông, được tính tương quan từ cường độ chịu nén, theo tiêu chuẩn ACI 318-11 [33]

Hình 4.5 Đường cong ứng suất - biến dạng của bê tông theo Kent – Park

Tuy nhiên, đường cong ứng suất biến dạng lý tưởng này khi được sử dụng cho mô hình phần tử hữu hạn sẽ gây rất nhiều vấn đề trong việc xử lý kết quả hội tụ do đường dốc sau giai đoạn dẻo của vật liệu Để giải quyết vấn đề này, đường cong ứng suất – biến dạng của vật liệu sẽ được đơn giản hóa bằng cách bỏ qua phần dốc sau giai đoạn dẻo, tại giá trị f’c, Hình 4.6

Hình 4.6 Đường cong ứng suất - biến dạng của bê tông đơn giản hóa được dùng cho mô hình PTHH và thể hiện trong ANSYS

Bảng 4.3 Dữ liệu đường cong ứng suất – biến dạng của bê tông trong ANSYS

STT Biến dạng ( Ứng suất () STT Biến dạng ( Ứng suất ()

Hệ số truyền lực cắt

Hệ số truyền lực cắt đối với vết nứt mở  t , đại diện cho điều kiện trên bề mặt vết nứt Giá trị  t nằm trong khoảng từ 0 tới 1, giá trị 0 để thể hiện vết nứt mượt (mất hoàn toàn khả năng truyền lực cắt) (ANSYS, 2003) Giá trị của  t được sử dụng nhiều trong các nghiên cứu mô hình PTHH của kết cấu bê tông cốt thép và được sử dụng nhiều trong khoảng 0.05 tới 0.25 (Bangash 1989, Hemmaty 1998…) Một số nghiên cứu so sánh đã được tiến hành bởi Kachlakev (2001) để đánh giá sự ảnh hưởng của hệ số truyền lực cắt Kachlakev (2001) sử dụng mô hình dầm bê tông cốt thép và một sàn cầu với hệ số βt trong khoảng 0.05-0.25, kết quả mô phỏng gặp vấn đề lớn về hội tụ khi hệ số βt nhỏ hơn 0.2 Vì vậy, hệ số truyền lực cắt 0.3 đã được sử dụng Đối với vết nứt đóng, hệ số truyền lực cắt được xác định bởi Kachlakev (2001) là gần bằng 1, tức là độ suy giảm độ cứng chống cắt của mô hình được điều chỉnh về

0 Trong luận văn này, 2 hệ số truyền lực cắt  t cho vết nứt mở và đóng được sử dụng lần lượt là 0.3 và 0.9

Giả thiết cốt thép là vật liệu đàn – dẻo tuyệt đối Thông số vật liệu được nhập vào ANSYS như sau: fy = 400 MPa, Es = 210000MPa

Hình 4.7 Đường cong ứng suất - biến dạng của cốt thép đơn giản hóa được dùng cho mô hình PTHH và thể hiện trong ANSYS

4.4.3 Mô hình khung BTCT trong ANSYS

4.4.3.1 Khung bê tông cốt thép

Mô hình khung BTCT được thực hiện bằng cách lập sơ đồ phân chia lưới phần tử có kích thước thích hợp để các phần tử bê tông, cốt thép được liên kết với nhau tại các nút dùng chung, đảm bảo cho giả định là liên kết hoàn toàn

Hình 4.8 Mô hình mô phỏng khung BTCT bằng ANSYS

Hình 4.9 Mô hình mô phỏng cốt thép trong khung

Nhằm thể hiện mô hình mô phỏng trong ANSYS tương ứng với khung BTCT trong thực nghiệm, việc mô phỏng điều kiện biên tại các gối tựa cũng cần được xem xét

Liên kết ngàm được chọn thể hiện trong mô hình ANSYS để thể hiện cho điều kiện biên trong thực tế

Hình 4.10 Khai báo điều kiện biên trong ANSYS và hình minh họa so với thực tế 4.4.3.3 Tải trọng

Trong thực nghiệm sử dụng kích thủy lực nhằm tạo một lực tập trung nằm ngang, sau đó tiến hành gia tải theo từng cấp, chi tiết gia tải như Hình 4.11

Hình 4.11 Hình ảnh khung BTCT và chi tiết của kích thủy lực tạo lực tập trung

Trong ANSYS, để đảm bảo các phần tử không bị phá hoại cục bộ, cũng như thể hiện đúng quá trình gia tải và xét ứng xử động của khung, lực tập trung trong thực tế được chia thành tải trong phân bố trên một đơn vị diện tích (vùng màu đỏ trên bề mặt dầm kích thước 200mm x 350mm)

Hình 4.12 Hình ảnh mô phỏng tải trọng tập trung khung BTCT trong ANSYS

Chi tiết biểu đồ gia tải cũng theo Luận văn Thạc Sĩ của Vương (2019) [25]

Hình 4.13 Sơ đồ bố trí chuyển vị kế của khung

Hình 4.14 Biểu đồ lực chuyển vị của khung thí nghiệm

Từ biểu đồ gia tải (Hình 4.14) ở trên, trong luận văn này sẽ chọn các cấp tải theo Bảng 4.4 bên dưới để khảo sát bài toán động, ghi nhận các số liệu tần số, mode shape của khung

Bảng 4.4 Các cấp gia tải được chọn để khảo sát bài toán động

STT CẤP TẢI DANH ĐỊNH P* (kN)

0 ORG ORG Chưa xét ba cục khối lượng

6 225 224 Cốt thép bắt đầu chảy dẻo

10 320 322 Lực tác động vào khung lớn nhất

Nhằm có sự so sánh giữa mô phỏng và thực nghiệm, các kết quả tĩnh học (vùng nứt theo cấp tải trọng) sẽ được phân tích, so sánh với thí nghiệm của Vương [25] và kết quả động học (kết quả dao động) sẽ được đối chiếu với thực nghiệm Chi tiết trình bày trong chương 5.

KẾT QUẢ CHẨN ĐOÁN

Kết quả phân tích của khung sau khi gia tải

Kết quả mô phỏng vùng nứt với các cấp tải khác nhau của khung BTCT được trình bày trong bảng bên dưới

Bảng 5.1 Biểu đồ phát triển vùng nứt theo cấp tải

- Với các cấp tải khác nhau, vùng nứt của khung cũng phát triển khác nhau và có xu hướng mở rộng Từ các kết quả trên, các vết nứt có dạng thẳng góc là chủ yếu Điều này chứng tỏ vết nứt xảy ra chủ yếu do momen uốn Ngoài ra, ở các vị trí liên kết dầm – cột và thân cột xuất hiện các vết nứt nghiêng do tác động của lực tập trung xô ngang gây ra lực cắt ở các vị trí này

- Các vùng nứt mở rộng theo từng cấp tải, rộng đến gần hết diện tích của cột, sự hình thành và phát triển của vết nứt có xu hướng giống nhau ở các góc, xu hướng nứt phá hoại, xé các liên kết tại các góc của khung

- Dầm trên của khung, tại các vị trí gần liên kết cột – dầm cũng bị nứt phá hoại hết bề mặt dầm và chiều cao dầm

- Ngoài ra, những phá hoại chủ yếu khác cũng xuất hiện ở vùng chân cột và đỉnh cột ở vùng bê tông chịu kéo

- Sự hình thành nứt trong khung bê tông cốt thép là một vùng, vì vậy cần có phương pháp chẩn đoán phù hợp Vị trí vùng nứt trong bảng trên sẽ được dùng để so sánh với vùng nứt thu được bằng các phương pháp chẩn đoán; từ đó đánh giá độ chính xác của các phương pháp chẩn đoán Để kiểm tra độ chính xác của mô phỏng, kiểm chứng vết các vết nứt trong thực tế - đối chiếu với Luận văn Thạc sĩ của Vương (2019) [25]:

Hình 5.1 Hình ảnh vết nứt mặt trước của khung sau khi gia tải

Hình 5.2 Hình ảnh vết nứt mặt sau của khung sau khi gia tải

Hình 5.3 Các vết nứt xuất hiện ở đáy dầm trên sau khi gia tải

Hình 5.4 Các vết nứt xuất hiện ở chân cột sau khi giả tải

Hình 5.5 Các vết nứt xuất hiện ở nút khung đỉnh cột sau khi gia tải

Các vùng nứt được trích xuất từ mô hình ANSYS cho kết quả tương đối phù hợp ở thực tế, từ hình dạng vết nứt, vị trí vùng nứt cho đến sự hình thành phát triển vùng nứt ở các nút khung và chân cột.

Kết quả phân tích dao động

5.2.1 Dạng dao động của khung

Sau khi phân tích các ứng xử động học, dạng dao động (Mode shape) của khung được biểu thị như các hình bên dưới

- Dạng dao động tự nhiên của khung ở trạng thái ban đầu (ORG)

Hình 5.6 Bốn dạng dao động đầu tiên của khung ở trạng thái ban đầu

- Dạng dao động ở cấp tải đầu tiên (0kN – xét đến 3 cục khối lượng)

Hình 5.7 Bốn dạng dao động đầu tiên của khung ở cấp tải đầu tiên

5.2.2 Tần số dao động của khung

Từ phương pháp mô phỏng số nêu ra ở mục 4.4, các kết quả về tần số và dạng dao động sẽ được phân tích chi tiết ở các mục bên dưới

Bảng 5.2 Kết quả tần số phân tích được từ mô hình ANSYS f (Hz) ORG 0 kN 49 kN 98 kN 147 kN 203 kN

Mode 4 121.500 83.313 76.906 67.703 62.595 59.499 f (Hz) 224 kN 252 kN 301 kN 315 kN 322 kN 329 kN

Hình 5.8 Biểu đồ thể hiện sự thay đổi tần số ở trạng thái ban đầu và các cấp tải khác nhau

Các kết quả tần số dao động phân tích từ ANSYS sẽ được so sánh với thí nghiệm đo dao động ở mục 4.3 [32]

5.2.3 So sánh với kết quả thực nghiệm

Từ kết quả phân tích tần số trong mô hình ANSYS, ta có:

- Tần số dao động thứ nhất của khung trước khi gia tải (ứng với trường hợp P 0 kN) có giá trị là 8.322 Hz

- Tần số dao động thứ nhất của khung trước khi gia tải (ứng với trường hợp P 322 kN) có giá trị là 5.420 Hz

Bảng 5.3 Tần số dao động mô phỏng của khung BTCT từ ANSYS

Trạng thái Tần số dao động thứ nhất (Hz) Chênh lệch (%)

So sánh với kết quả thực nghiệm ở mục 4.3.2, ta có:

Bảng 5.4 So sánh tần số dao động thứ nhất theo ANSYS và thực nghiệm

Trạng thái Tần số theo

Tần số theo thực nghiệm (Hz) Chênh lệch (%)

- Sau khi gia tải, khung BTCT theo mô hình ANSYS có vùng nứt thể hiện ở

Bảng 5.1 Vùng nứt mở rộng, dẫn đến độ cứng trong khung giảm khiến cho tần số dao động thu được cũng giảm theo (Bảng 5.3) Điều này phù hợp với độ giảm tần số theo kết quả thực nghiệm (Bảng 4.1)

- Tần số dao động thứ nhất thu được theo phương pháp PTHH sử dụng phần mềm ANSYS cho kết quả tương đối phù hợp với kết quả thực nghiệm (Sai số từ 3.6% – 8.5%)

Từ các nhận xét về ứng xử tĩnh học, sự phát triển vùng nứt ở mục 5.1 và các ứng xử động học về tần số dao động ở mục 5.2, nhận thấy việc áp dụng mô phỏng số khung bê tông cốt thép bằng phần mềm ANSYS là phù hợp và cho kết quả đáng tin cậy Đây là cơ sở để áp dụng cho các kết cấu phức tạp khác trong các nghiên cứu nhằm tiết kiệm chi phí và thời gian thực hiện, đồng thời có thể mở rộng bài toán phân tích dễ dàng

5.2.4 Phương pháp chẩn đoán hư hỏng dựa trên sự thay đổi tần số Áp dụng công thức (3.1), ta có kết quả theo bảng bên dưới

Bảng 5.5 Độ thay đổi tần số theo từng cấp tải, dạng dao động

 f (%) ORG 0 kN 50 kN 100 kN 150 kN 200 kN

f (%) 225 kN 250 kN 300 kN 315 kN 325 kN 330 kN

Hình 5.9 Biểu đồ thể hiện phần trăm độ thay đổi tần số ở trạng thái ban đầu và các cấp tải khác nhau cho từng dạng dao động

- Khi khung bị nứt, độ cứng dầm giảm, dẫn đến tần số giảm Ở cấp tải càng lớn, vùng nứt càng lan rộng, độ cứng giảm càng nhiều dẫn đến tần số giảm nhiều

- Trong kết cấu khung này, dạng dao động đầu tiên và thứ hai có tần số nhạy nhất, và giảm nhiều nhất so với các dạng dao động khác Nói cách khác, hai dạng dao động này đóng góp vào dao động của khung nhiều hơn các dạng dao động còn lại

- Ở cấp tải 225 kN – cấp tải mà tại đó xuất hiện sự chảy dẻo của cốt thép trong khung, tần số có sự tăng lên Điều này có thể lý giải rẳng do lúc này kết cấu hệ khung của chúng ta thay đổi trạng thái, việc phân bố độ cứng, khối lượng được cấu trúc lại theo tỷ lệ khác ban đầu

- Ở các cấp tải lớn hơn 300 kN (tiến đến gần trạng thái phá hoại của khung), các tần số có sự biến động, tuy nhiên vẫn theo xu hướng giảm dần

Phương pháp này dễ dàng chẩn đoán sự hư hỏng cho kết cấu khung Tuy nhiên, ta chỉ chẩn đoán được với những dạng dao động có độ chênh lệch về tần số lớn

Khuyết điểm của phương pháp này là đối với những dạng dao động có độ chênh lệch về tần số rất bé thì khó có thể chẩn đoán chính xác Ngoài ra, ta không thể chẩn đoán vị trí vết nứt trên khung bằng phương pháp thay đổi tần số

5.2.5 Phương pháp chẩn đoán hư hỏng dựa trên sự thay dạng dao động

Tiến hành so sánh vùng hư hỏng của khung bê tông cốt thép ở trạng thái đã nứt với các cấp tải khác nhau so với trạng thái chưa nứt (giá trị dạng dao động đã được chuẩn hóa)

Trong luận văn này, phương pháp chẩn đoán tại 12 vị trí trên 4 cấu kiện tương ứng (Hình 5.15)

Bảng 5.6 Bảng quy ước vị trí các cấu kiện dùng để chẩn đoán hư hỏng

STT VỊ TRÍ GHI CHÚ

1 DT1 Dầm trên – mặt trên

2 DT2 Dầm trên – trục giữa

3 DT3 Dầm trên – mặt dưới

4 DD1 Dầm dưới – mặt trên

5 DD2 Dầm dưới – trục giữa

6 DD3 Dầm dưới – mặt dưới

7 CT1 Cột trái – mặt trái

8 CT2 Cột trái – trục giữa

9 CT3 Cột trái – mặt phải

10 CP1 Cột phải – mặt trái

11 CP2 Cột phải – trục giữa

12 CP3 Cột phải – mặt phải

Giá trị MAC cho một trường hợp điển hình của mặt trên của dầm trên theo từng cấp tại khác nhau được trình bày trong các hình bên dưới

- Dầm trên – mặt trên (DT1)

Hình 5.10 Giá trị MAC của dạng dao động thứ nhất cho DT1

Hình 5.11 Giá trị MAC của dạng dao động thứ hai cho DT1

Hình 5.12 Giá trị MAC của dạng dao động thứ ba cho DT1

Hình 5.13 Giá trị MAC của dạng dao động thứ tư cho DT1

Giá trị MAC cho từng cấu kiện theo từng cấp tại khác nhau được trình bày chi tiết trong phụ lục 1

Từ kết quả ở phụ lục 1, ta có những nhận xét như sau:

- Các dạng dao động đang xét là dạng dao động của khung, do đó, mỗi cấu kiện riêng biệt sẽ chịu ảnh hưởng rõ rệt bởi một hoặc một số dạng dao động nhất định Vì vậy, giá trị MAC của từng cấu kiện cũng thay đổi khác nhau, tùy thuộc vào các dạng dao động khảo sát Cụ thể:

 Dạng dao động của dầm chủ yếu thể hiện ở dạng dao động thứ nhất và thứ hai của khung

 Dạng dao động của cột trái chủ yếu thể hiện ở dạng dao động thứ hai và thứ ba của khung

 Dạng dao động của cột phải chủ yếu thể hiện ở dạng dao động thứ ba và thứ tư của khung

- Ở các dạng dao động chủ yếu của từng cấu kiện, khi cấp tải trọng càng tăng, giá trị MAC có xu hướng càng giảm, và càng lúc càng xa giá trị 1 Sự suy giảm giá trị MAC ở trên chứng tỏ đã có sự hư hỏng trong các cấu kiện dầm, cột theo chiều tăng của cấp tải

Phương pháp này cho kết quả chính xác hơn phương pháp dựa vào sự thay đổi tần số (hầu hết các Mode đều cho kết quả hư hỏng) Dù vậy, kết quả chỉ thể hiện tốt ở các dạng dao động chủ yếu của từng cấu kiện riêng biệt Với các dạng dao động còn lại, sự thay đổi MAC là rất ít hoặc thay đổi không có quy luật nhất định

Phương pháp này cũng chưa xác định được vị trí hư hỏng của các cấu kiện dầm, cột trên khung mặc dù đã có yếu tố không gian trong quá trình tính toán

5.2.6 Phương pháp chẩn đoán hư hỏng bằng phương pháp năng lượng biến dạng

Trong phần này trình bày phương pháp chẩn đoán hư hỏng dựa trên phương pháp năng lượng biến dạng

Phương pháp chẩn đoán tại 12 vị trí trên 4 cấu kiện tương ứng theo Bảng 5.6

Mặt phẳng khảo sát là mặt phẳng trung hòa của khung

Hình 5.14 Mặt phẳng trung hòa của khung dùng để chẩn đoán hư hỏng

Hình 5.15 Quy ước các vị trí khảo sát và tên các bề mặt của cấu kiện

Sau khi gia tải cho khung xuất hiện vùng nứt bằng mô phỏng ANSYS như đã trình bày ở mục 5.1, tiến hành phân tích dao động để tìm các đặc trưng dao động ứng với trạng thái nứt của khung Tần số và dạng dao động (trong luận văn này sẽ xét 4 dạng dao động đầu tiên) ở 2 trạng thái khung chưa nứt và đã nứt sẽ được sử dụng để chẩn đoán vị trí vùng nứt thông qua phương pháp năng lượng biến dạng

BÀI TOÁN MỞ RỘNG

Tổng quan về trí tuệ nhân tạo, học máy, mạng nơ ron nhân tạo và học sâu

Những năm gần đây, trí tuệ nhân tạo (Artificial intelligence – AI) nổi lên như là một phần của cuộc cách mạng công nghiệp lần thứ tư Đây là một ngành thuộc lĩnh vực khoa học máy tính, với mục tiêu giúp tự động hóa các hành vi của máy móc giúp chúng thông minh như con người Trí tuệ nhân tạo đã và đang trở thành một trong các thành phần cốt lõi của các hệ thống công nghệ cao và có rất nhiều ứng dụng trong cuộc sống [34]

Học máy (Machine Learning – ML) là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc nghiên cứu và xây dựng các kĩ thuật cho phép các hệ thống "học" tự động từ dữ liệu để giải quyết những vấn đề cụ thể Trong thời gian gần đây, sự phát triển của các hệ thống tính toán cùng với lượng dữ liệu khổng lồ được thu thập đã giúp học máy đạt được những kết quả vượt bậc

Hình 6.1 Những ứng dụng phổ biến của machine learning

Mạng nơ ron nhân tạo (Artificial neuron network) là một chuỗi các thuật toán được đưa ra để nỗ lực tìm kiếm các mối quan hệ cơ bản trong một tập hợp dữ liệu, thông qua quá trình bắt chước cách thức hoạt động của bộ não con người Nó bao gồm lượng lớn các vi xử lý hoạt động cùng lúc, mỗi vi xử lý sẽ chứa đựng một vùng kiến thức riêng, có thể truy cập vào các dữ liệu trong bộ nhớ riêng của mình và sử dụng trong tình huống phù hợp

Hình 6.2 Ý tưởng hoạt động của ANN dựa trên mạng thần kinh sinh học

Học sâu (Deep learning) là một chi của ngành máy học 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 6.3 Mối hệ giữa AI, ML, ANNs và DL

6.1.1 Định nghĩa của thuật toán Machine learning [34]

Thuật toán machine learning là một thuật toán có khả năng học tập từ dữ liệu Thuật ngữ “học” của một thuật toán, chương trình máy tính được định nghĩa như sau:

Một chương trình máy tính được gọi là học từ kinh nghiệm E để hoàn thành nhiệm vụ T với hiệu quả được đo bằng phép đánh giá P, nếu hiệu quả của nó khi thực hiện nhiệm vụ T, khi được đánh giá bởi P, sẽ cải thiện theo kinh nghiệm E Để xây dựng một chương trình máy tính có khả năng học, ta cần xác định ba yếu tố: nhiệm vụ, phép đánh giá và nguồn dữ liệu huấn luyện

Các nhiệm vụ trong bài toán machine learning thường được mô tả thông qua cách thức một hệ thống machine learning xử lý một điểm dữ liệu như thế nào Mỗi điểm dữ liệu bao gồm nhiều đặc trưng (feature) khác nhau, mỗi đặc trưng thường được biểu diễn dưới dạng một con số

6.1.1.2 Phép đánh giá, P (Performance measure) Để kiểm tra năng lực của một thuật toán machine learning, chúng ta cần phải thiết kế các phép đánh giá có thể đo đạc được kết quả (Over fitting, under fitting, bias and variance, cross validation, confusion matrix…)

Kinh nghiệm trong machine learning là bộ dữ liệu được sử dụng để xây dựng mô hình Trong quá trình xây dựng mô hình, bộ dữ liệu thường được chia ra làm ba tập dữ liệu không giao nhau: tập huấn luyện, tập kiểm tra và tập xác thực

Tập huấn luyện (training set) bao gồm các điểm dữ liệu được sử dụng trực tiếp trong việc xây dựng mô hình Tập kiểm tra (test set) gồm các dữ liệu được dùng để đánh giá hiệu quả của mô hình Để đảm bảo tính tổng quát, dữ liệu kiểm tra không được sử dụng trong quá trình xây dựng mô hình Điều kiện cần để một mô hình hiệu quả là kết quả đánh gia trên cả tập huấn luyện và tập kiểm tra đều cao Tập kiểm tra đại diện cho dữ liệu mà mô hình chưa từng thấy, có thể xuất hiện trong quá trình vận hành mô hình thực tế

Mô hình hoạt động hiệu quả trên tập huấn luyện chưa chắc đã hoạt động hiệu quả trên tập kiểm tra Để tăng hiệu quả của mô hình trên dữ liệu kiểm tra, tập xác thực (validation set) thường được sử dụng Tập xác thực này được sử dụng trong việc lựa chọn các siêu tham số cho mô hình

Lưu ý rằng, ranh giới giữa tập huấn luyện, tập xác thực, và tập kiểm tra đôi khi không rõ ràng Dữ liệu thực tế thương không cố định mà thường xuyên được cập nhật Khi có thêm dữ liệu, dữ liệu kiểm thử ở mô hình cũ có thể trở thành dữ liệu huấn luyện trong mô hình mới

6.1.2 Phân nhóm các thuật toán machine learning [34]

Dựa trên tính chất của tập dữ liệu, các thuật toán machine learning có thể được chia thành hai nhóm chính là học có giám sát và học không giám sát Ngoài ra, còn có hai nhóm thuật toán khác có thể kể đến là học bán giám sát và học củng cố

Học có giám sát (supervised learning) là mô hình dự đoán mối quan hệ giữa đầu vào và đầu ra được thực hiện trên các cặp (đầu vào, đầu ra) đã biết trong tập huấn luyện Các thuật toán phân loại (classification) và hồi quy (regression) là hai ví dụ điển hình của nhóm này

Về mặt toán học, học có giám sát xảy ra khi việc dự đoán quan hệ giữa đầu ra y và dữ liệu đầu vào x được thực hiện trên các cặp {(x1,y1), (x2,y2), …., (xN,yN)} trong tập huấn luyện Việc huấn luyện là xây dựng một hàm số f sao cho với mọi i=1, 2,…,

Bài toán 1

Trong thực tế, các giá trị đo được từ thực nghiệm là gia tốc, tần số và dạng dao động của các cấu kiện cần chẩn đoán Từ đó xác định tải trọng tác động khung bê tông cốt thép và tiến hành chẩn đoán ứng xử và hư hỏng trong khung bê tông cốt thép Bài toán đặt ra:

Sử dụng thuật toán machine learning để dự đoán tải trọng ngang tác động lên khung bê tông cốt thép khi biết các giá trị tần số dao động

Bước Lưu đồ thực hiện Diễn giải

NHẬP DỮ LIỆU ĐẦU VÀO BẮT ĐẦU

CHẨN ĐOÁN TẢI TRỌNG TÁC DỤNG

Dataset bao gồm tần số dao dộng theo các mode và tải trọng tác dụng

Xem xét tương quan của các đặc trưng

Nhập giá trị của tần số đo được

NHẬP DỮ LIỆU CẦN CHẨN ĐOÁN

Thu thập kết quả tải trọng chẩn đoán được

Ghi chú: Training phase Test phase Để giải quyết bài toán này, các dữ liệu sử dụng bao gồm:

- Ngôn ngữ lập trình: Python trên môi trường Google Colab

- Thuật toán sử dụng: Linear regression và Polynomial regression (n=5)

Bảng 6.1 Dữ liệu huấn luyện để dự đoán tải trọng

X_train y_train f1 (Hz) f2 (Hz) f3 (Hz) f4 (Hz) P (kN)

Trong luận văn này, giả định các giá trị tần số sau khi phân tích mô hình ANSYS là các tần số đo đạc được trong thí nghiệm thực tế Sau đó lấy các giá trị này kiểm thử cho thuật toán machine learning để xem xét độ chính xác của mô hình dự đoán theo các thuật toán hồi quy đã đề cập bên trên

Cấp tải chẩn đoán trong mô hình trong ANSYS:

Bảng 6.2 Dữ liệu tải trọng kiểm thử

Ghi chú Chưa gặp Đã học Chưa gặp Chưa gặp

Các cấp tải trên được lấy ngẫu nhiên trong các miền tải trọng để khảo sát khả năng chẩn đoán trong từng miền ứng xử của vật liệu theo tải trọng

Bảng 6.3 Dữ liệu kiểm tra để dự đoán tải trọng

X_test y_test f1 (Hz) f2 (Hz) f3 (Hz) f4 (Hz) P (kN)

- Tương quan của bộ dữ liệu huấn luyện:

Hình 6.14 Phân phối dữ liệu của bộ dữ liệu huấn luyện

Hình 6.15 Hệ số tương quan của dữ liệu trong tập huấn luyện

Bảng 6.4 Bảng kết quả tải trọng dự đoán

X_test y_linear y_poly y_actual f1 (Hz) f2 (Hz) P (kN) f4 (Hz) P (kN) P (kN) P (kN)

Bảng 6.5 Phần trăm sai số giữa tải trọng dự đoán và tải trọng thực tế y_actual y_linear  y_linear y_poly  y_poly

1 Độ chính xác của đại lượng đo:

- Đa số các tải trọng mà thuật toán machine learning dự đoán đều cho giá trị sai số gần với thực tế, chỉ trừ trường hợp 75kN của phương pháp polymial regression

- Phương pháp chẩn đoán cho các giá trị tốt cho các vùng ứng xử của vật liệu (từ giai đoạn đàn hồi đến trạng thái phá hoại); với linear regression – độ sai số dưới 15%, với polymial regression (n=5) – độ sai số dưới 5%

2 Đề xuất áp dụng phương pháp chẩn đoán tải trọng bằng machine learning

- Trong phạm vi cấp tải nhỏ hơn 100 kN, khuyến nghị dùng thuật toán linear regression để chẩn đoán tải trọng ngang tác dụng lên khung bê tông cốt thép

- Ở các cấp tải còn lại, khuyến nghị sử dụng thuật toán polynomial regression để dự đoán tải trọng ngang tác dụng lên khung bê tông cốt thép.

Bài toán 2

Các kết cấu xây dựng đều có khả năng bị suy giảm cường độ và xuất hiện hư hỏng sau thời gian sử dụng dưới tác dụng của môi trường và tải trọng tác dụng Vì vậy, việc chẩn đoán sức khỏe và đánh giá an toàn của kết cấu ngày càng trở nên quan trọng hơn nhằm đem lại điều kiện sử dụng tốt nhất Để công tác trên ngày càng chính xác và hoàn thiện, việc thu thập, kiểm soát và khai thác các bộ dữ liệu sẵn có là hết sức quan trọng

Trong bài toán này, sẽ đề cập về mạng nơ ron nhân tạo – phương pháp tiếp cận tính toán dựa trên các thuật toán học máy để tiếp thu và đưa ra các dự đoán về các hư hỏng cũng như vị trí của chúng trong các cấu kiện trên khung bê tông cốt thép đã khảo sát ở các phần trước Điều này cũng sẽ chứng minh mạng nơ ron nhân tạo (ANNs) có khả năng học hỏi các yếu tố có tính chất phi tuyến cao (tần số, dạng dao động, sự phát triển vết nứt, các chỉ số hư hỏng theo phương pháp năng lượng biến dạng…)

Bài toán đặt ra: Áp dụng phương pháp năng lượng biến dạng kết hợp với thuật toán mạng nơ ron nhân tạo để chẩn đoán hư hỏng trong khung bê tông cốt thép theo các cấp tải trọng tác dụng dựa trên các bộ dữ liệu huấn luyện trong mục 5.2.6

Trong chương này, phương pháp kết hợp nêu trên sẽ được gọi tắt là MSE_ANNs

TIỀN XỬ LÝ DỮ LIỆU

CHẨN ĐOÁN HƯ HỎNG TRONG KHUNG BTCT

- Mã hóa dữ liệu (Encoding data)

- Chuẩn hóa dữ liệu (Feature scailing)

Nhập giá trị của bộ dữ liệu cần chẩn đoán

Thu thập kết quả hư hỏng chẩn đoán được

Sử dụng ANNs để huấn luyện:

Ghi chú: Training phase Test phase

Phân tích tương quan của các đặc trưng Để giải quyết bài toán này, các thông tin sử dụng bao gồm:

- Thuật toán sử dụng: Artificial Neural Network

 14 vector đặc trưng và 1 vector đầu ra

Hình 6.16 Thông tin về số lượng dữ liệu đầu vào

 Các cấp tải (P) theo Bảng 4.4

 Vị trí phần tử (Location)

 4 dạng dao động của cấu kiện (u)

 Ngưỡng hư hỏng của từng cấu kiện (Z0)

 Năng lượng biến dạng của phần tử đã được bình thường hóa

 Các dữ liệu vùng nứt chẩn đoán theo phương pháp MSE của các cấp tải

 Các dữ liệu vùng nứt thực tế theo từng cấp tải

Trong luận văn này, giả định các giá trị sau khi phân tích dao động mô hình ANSYS là các số liệu thu được trong thí nghiệm thực tế Sau đó lấy các giá trị này kiểm thử cho thuật toán mạng nơ ron nhân tạo để xem xét độ chính xác của mô hình chẩn đoán

Với mỗi cấp tải, tập dữ liệu chẩn đoán bao gồm:

 14 vector đặc trưng và 1 vector đầu ra chưa biết giá trị

 2412 dòng dữ liệu, 2412 giá trị đầu ra cần chẩn đoán (cho mỗi cấp tải)

 33768 dữ liệu từ 14 vector đặc trưng (cho mỗi cấp tải)

Hình 6.17 Thông tin về số lượng dữ liệu chẩn đoán

6.3.2.3 Trực quan hóa dữ liệu

Hình 6.18 Trực quan hóa thông tin của hai tập dữ liệu

Trong bài toán này, sử dụng thư viện Sweetviz trong python để phân tích mối liên hệ giữa các đặc trưng của 2 tập dữ liệu (huấn luyện và chẩn đoán)

Phân tích ảnh hưởng của các đặc trưng đến vùng nứt thực tế trong tập huấn luyện:

Hình 6.19 Tương quan giữa các đặc trưng ảnh hưởng đến vết nứt trong thực tế

Thông qua phân tích trên, ta nhận thấy:

- Phân bố số lượng vùng nứt trong tập dữ liệu huấn luyện

 Vùng nứt thực tế chiếm 32%

 Vùng không nứt thực tế chiếm 68%

- Hệ số tương quan giữa các đặc trưng tới vùng nứt thực tế:

 Những đặc trưng có ảnh hưởng nhiều đến vùng nứt (hệ số tương quan lớn hơn 10%): CR_MSE, f4, f2, P, f1, Zj

 Những đặc trưng có ít ảnh hưởng đến vùng nứt (hệ số tương quan nhỏ hơn 10%): f3, u3, Z0, u1, u2, Location, u4

6.3.3 Tiền xử lý dữ liệu

Encoding là quá trình biến đổi dữ liệu sang một hệ biểu thị khác để máy tính có thể tiếp nhận được Quá trình này còn có thể được hiểu là gắn nhãn cho dữ liệu Trong bài toán này, ta quy ước các thông số cần mã hóa như sau:

Bảng 6.7 Quy ước các dữ liệu cần mã hóa

Elements DT1 DT2 DT3 DD1 DD2 DD3 CT1 CT2 CT3 CP1 CP2 CP3

Dữ liệu sau khi mã hóa

Hình 6.20 Dữ liệu đầu vào sau khi đã mã hóa

6.3.3.2 Chuẩn hóa dữ liệu (Feature scailing – Standardization)

Khi các dữ liệu có những đơn vị khác nhau, hoặc những thành phần của vector dữ liệu chênh lệch nhau quá lớn, Do đó, mỗi loại vector đặc trưng sẽ ảnh hưởng lên vector tỷ trọng khác nhau Các đặc trưng có miền giá trị lớn có thể ảnh hưởng đến các đặc trưng có miền giá trị nhỏ, dẫn tới các đặc trưng này ít đóng góp vào kết quả đầu ra Chính vì vậy, ta cần chuẩn hóa các đặc trưng về cùng một miền giá trị trước khi thực hiện các bước tiếp theo

Sử dụng StandardScaler() từ thư viện sklearn của python:

Hình 6.21 Chuẩn hóa dữ liệu trong tập huấn luyện và tập chẩn đoán

6.3.4 Phân tích tương quan đặc trưng

Phân phối xác suất của các đặc trưng trong tập huấn luyện:

Hình 6.22 Biểu đồ phân phối xác suất của các đặc trưng trong tập huấn luyện

Hệ số tương quan của tất cả các đặc trưng trong tập huấn luyện:

Hình 6.23 Ma trận tương quan giữa các đặc trưng trong tập huấn luyện

6.3.5.1 Xây dựng mạng nơ ron nhận tạo

Trong bài toán này, đề xuất sử dụng mạng nơ ron nhân tạo có cấu tạo như sau:

- Số tầng của mạng nơ ron: 4 tầng

- Tổng số tham số của mạng nơ ron: 32986

Bảng 6.8 Cấu tạo chi tiết của mạng nơ ron nhân tạo

Input Layer Hidden Layer 1 Hidden Layer 2 Hidden Layer 3 Output Layer

Hàm kích hoạt ReLu ReLu ReLu Softmax

Hình 6.24 Minh họa về cấu tạo mạng nơ ron nhân tạo dùng trong bài toán 6.3.5.2 Huấn luyện mạng nơ ron nhân tạo

- Thuật toán tối ưu: RMSProp

- Sử dụng Drop out để huấn luyện nhanh hơn và tránh hiện tượng over-fitting

- Hàm loss function: Categorical_crossentropy

Nhằm để tăng độ chính xác và giảm hiện tượng over-fitting, chia tập dữ liệu huấn luyện thành:

- Tập huấn luyện (80%): gồm 21225 dòng dữ liệu và 14 đặc trưng

- Tập xác thực (20%): gồm 5307 dòng dữ liệu và 14 đặc trưng

Ngoài ra, việc chia nhỏ quá trình huấn luyện cũng được đề cập thông qua:

6.3.5.3 Kết quả quá trình huấn luyện

Hình 6.25 Hàm Accuracy và hàm Loss sau khi training

Tóm tắt thông tin sau quá trình huấn luyện

Hình 6.26 Tóm tắt thông tin mô hình ANNs sau khi huấn luyện

Ghi chú: Độ chính xác trong quá trình có thể thay đổi thông qua mỗi lần huấn luyện

6.3.6 Chẩn đoán hư hỏng trên khung BTCT bằng MSE_ANNs

6.3.6.1 Kết quả chẩn đoán hư hỏng trong khung BTCT

Sử dụng các dữ liệu chẩn đoán ở mục 6.3.2.2 để thực hiện chẩn đoán hư hỏng trong khung BTCT bằng mạng nơ ron nhân tạo

Bảng 6.9 Kết quả chẩn đoán hư hỏng bằng MSE_ANNs theo các cấp tải

TP 13 Precesion 72.22 TP 18 Precesion 72.00 TP 30 Precesion 96.77

FP 5 Recall 52.00 FP 7 Recall 47.37 FP 1 Recall 41.67

FN 12 F1-Score 60.47 FN 20 F1-Score 57.14 FN 42 F1-Score 58.25

TN 170 Specificity 97.14 TN 155 Specificity 95.68 TN 127 Specificity 99.22

6.3.6.2 Khảo sát độ chính xác của mô hình Độ chính xác tổng thể

Bảng 6.10 Độ chính xác tổng thể ở các cấp tải chẩn đoán bằng MSE_ANNs

CP3 76.50 82.50 73.00 68.50 Độ chính xác tổng thể sau cân bằng

Bảng 6.11 Độ chính xác tổng thể sau cân bằng theo MSE_ANNs

1 Phương pháp chẩn đoán hư hỏng khung BTCT theo phương pháp MSE_ANNs có kết quả tốt Trong đó:

- Max(Accuracy) = 96.00% và Min(Accuracy) = 58.50%

- Max(BAC) = 94.59% và Min(BAC) = 57.27%

Ta thấy, bộ chỉ số này còn có độ chính xác tối thiểu tốt hơn bộ chỉ số của tập huấn luyện ở nhận xét tại mục 5.2.6.4

2 Độ chính xác tổng thể của các cấp tải chẩn đoán có xu hướng giảm dần khi cấp tải tăng (Theo bảng Bảng 6.10)

3 Độ chính xác tổng thể (Accuracy) và độ chính xác tổng thể sau cân bằng (B.A.C ) của các cấp tải chẩn đoán cho dầm tốt hơn cho cột Trong đó:

- Max (Accuracy) của dầm = 96.00% và Min (Accuracy) của dầm = 78.50%

- Max (Accuracy) của cột = 90.50% và Min (Accuracy) của cột = 58.50% và

- Max (B.A.C) của dầm = 94.59% và Min (B.A.C) của dầm = 70.44%

- Max (B.A.C) của cột = 84.23% và Min (B.A.C) của cột = 57.27%

Khả năng chẩn đoán trong vùng nứt

Bảng 6.12 Khả năng chẩn đoán đúng trong vùng nứt theo MSE_ANNs

Xem xét các kết quả chỉ số Precision của các cấu kiện theo cấp tải chẩn đoán

Hình 6.27 Biểu đồ chỉ số Precision của dầm trên theo các cấp tải chẩn đoán

Hình 6.28 Biểu đồ chỉ số Precision của dầm dưới theo các cấp tải chẩn đoán

Hình 6.29 Biểu đồ chỉ số Precision của cột trái theo các cấp tải chẩn đoán

Hình 6.30 Biểu đồ chỉ số Precision của cột phải theo các cấp tải chẩn đoán

1 Khả năng chẩn đoán đúng trong vùng nứt trong khung BTCT theo phương pháp MSE_ANNs có kết quả tốt Trong đó:

- Max(Precision) = 96.00% và Min(Precision) = 42.86%

2 Khả năng chẩn đoán đúng trong vùng nứt trong dầm cũng tốt hơn khi chẩn đoán cho cột Cụ thể:

- Max (Precisison) của dầm = 100.00% và Min (Precision) của dầm 57.14%

- Max (Precisison) của cột = 100.00% và Min (Precisison) của cột 42.86%

3 Khả năng chẩn đoán đúng trong vùng nứt ở từng mặt của cấu kiện:

- Khả năng chẩn đoán đúng trong vùng nứt của dầm trên có giá trị trung bình tốt nhất ở vị trí DT2 và DT3: 87.55% và 85.79%

- Khả năng chẩn đoán đúng trong vùng nứt của dầm dưới có giá trị trung bình tốt nhất ở vị trí DD1 (mặt trên của dầm dưới): 82.98%

- Khả năng chẩn đoán đúng trong vùng nứt của cột trái có giá trị trung bình tốt nhất ở vị trí CT3 (mặt phải của cột trái): 83.74%

- Khả năng chẩn đoán đúng trong vùng nứt của cột phải có giá trị trung bình tốt nhất ở vị trí CP1 (mặt trái của cột phải): 85.52%

- Khả năng chẩn đoán đúng trong vùng nứt của khung phản ánh tốt nhất tại các nút khung (vị trí giao của DT3, CT3, CP1, DD1) Điều này cũng phản ánh khả năng chẩn đoán hư hỏng của khung trong điều kiện thực tế Đồng thời, các nhận xét này cũng phù hợp với các nhận xét ở mục 5.2.6.5

Khả năng chẩn đoán trong vùng không nứt

Bảng 6.13 Khả năng chẩn đoán đúng trong vùng không nứt theo MSE_ANNs

Xem xét các kết quả chỉ số Specificity của các cấu kiện theo cấp tải chẩn đoán

Hình 6.31 Biểu đồ chỉ số Specificity của dầm trên theo các cấp tải chẩn đoán

Sp e ci fi ci ty (% )

Hình 6.32 Biểu đồ chỉ số Specificity của dầm dưới theo các cấp tải chẩn đoán

Hình 6.33 Biểu đồ chỉ số Specificity của cột trái theo các cấp tải chẩn đoán

Hình 6.34 Biểu đồ chỉ số Specificity của cột phải theo các cấp tải chẩn đoán

1 Khả năng chẩn đoán đúng trong vùng không nứt trong khung BTCT theo phương pháp MSE_ANNs có kết quả rất tốt Trong đó:

- Max(Specificity) = 100% và Min(Specificity) = 75.21%

2 Khả năng chẩn đoán đúng trong vùng không nứt trong dầm cũng tốt hơn khi chẩn đoán cho cột Cụ thể:

- Max (Specificity) của dầm = 100.00% và Min (Precision) của dầm 85.29%

- Max (Specificity) của cột = 100.00% và Min (Precisison) của cột 75.21%

3 Theo sự tăng dần của cấp tải, độ chính xác trong vùng không nứt theo phương pháp ANNs có xu hướng giảm dần, tuy nhiên vẫn ở mức cao (trên 70%)

4 Giá trị trung bình của khả năng chẩn đoán trong vùng không nứt của các cấu kiện trong 4 trường hợp chẩn đoán đều lớn hơn 90% Điều này thể hiện khả năng chẩn đoán đúng trong vùng không nứt cho kết quả rất tốt

6.3.6.3 So sánh với phương pháp chẩn đoán bằng MSE

Bảng 6.14 So sánh hiệu quả chẩn đoán bằng MSE_ANNs và MSE ở cấp tải 77 kN

Chỉ số CR_MSE CR_DL Chỉ số CR_MSE CR_DL Chỉ số CR_MSE CR_DL

- Ở cấp tải 77 kN, độ chính xác tổng thể, khả năng chẩn đoán đúng trong vùng nứt, khả năng chẩn đoán đúng trong vùng không nứt của cấu kiện dầm theo phương pháp MSE_ANNs đều vượt trội hơn so với phương pháp MSE Trong khi đó, tại cấu kiện cột, chỉ có khả năng chẩn đoán trong vùng không nứt của MSE_ANNs là vượt trội hơn, các chỉ số còn lại tuy thấp hơn MSE, nhưng độ chên lệch không nhiều (Theo Bảng 6.14)

- Ở các cấp tải tiếp theo, hầu hết các chỉ số đánh giá về hiệu quả của mô hình chẩn đoán theo MSE_ANNs đều cho chỉ số tốt hơn so với MSE

- Khảo sát chỉ số Recall (chỉ số phản ánh vùng nứt của mô hình chẩn đoán so với thực tế) của phương pháp MSE_ANNs đều vượt trội hơn so với MSE, điều này chứng tỏ mô hình của chúng ta có tính “học” (khả năng nhận định các sai lầm của phương pháp MSE từ dữ liệu trong quá khứ) để đưa ra các dự đoán chính xác hơn

- Cũng như phương pháp chẩn đoán hư hỏng dự trên phương pháp sự thay đổi biến dạng năng lượng, phương pháp chẩn đoán hư hỏng dựa trên vào mạng nơ nhân tạo có thể phát hiện được vị trí và mức độ hư hỏng của khung với đối chính xác cao ngay cả ở dạng dao động tổng quát (Tổ hợp 4 dạng dao động) Ngoài ra, thuật toán này còn có tính “học”, cũng có thể rút được kinh nghiệm từ các dữ liệu trong quá khứ của phương pháp MSE, từ đó đưa ra các chẩn đoán về vị trí hư hỏng trên từng cấu kiện

- Khuyết điểm là cần phải thông qua quá trình chuẩn hóa và tính toán phức tạp và cần thêm dữ liệu chẩn đoán từ MSE; ngoài ra việc kiểm soát thuật toán và tối ưu mạng nơ ron cũng là một bài toán cần phải giải quyết

Bài toán 3

Ở bài toán trước, việc sử dụng thuật toán mạng nơ ron nhân tạo đã cho hiệu quả tốt trong việc chẩn đoán hư hỏng trong khung BTCT Tuy nhiên, dữ liệu đầu vào đưa vào khá nhiều đặc trưng chẩn đoán (các tần số, dạng dao động bậc cao), đặc trưng phức tạp cũng như vẫn phụ thuộc vào dự đoán quá khứ của phương pháp năng lượng biến dạng Điều này đòi hỏi mất rất nhiều công tác chuẩn bị trong quá trình chẩn đoán thực tế và việc tính toán, chuẩn hóa dữ liệu cũng rất phức tạp

Trong phần này, đề xuất sử dụng phương pháp chẩn đoán hư hỏng trong khung BTCT bằng thuật toán mạng nơ ron nhân tạo với ít dữ liệu đặc trưng hơn, chỉ sử dụng các đặc trưng có thể thu được từ thí nghiệm và thực tiễn

Sử dụng thuật toán mạng nơ ron nhân tạo để chẩn đoán hư hỏng trong khung bê tông cốt thép theo các cấp tải trọng tác dụng dựa vào các đặc trưng dao động của bộ dữ liệu huấn luyện trong mục 5.2.6

Trong chương này, phương pháp nêu trên sẽ được gọi tắt là ANNs

Tương tự như mục 6.3.1, lưu đồ bài toán được trình bày dưới đây:

TIỀN XỬ LÝ DỮ LIỆU

CHẨN ĐOÁN HƯ HỎNG TRONG KHUNG BTCT

- Mã hóa dữ liệu (Encoding data)

- Chuẩn hóa dữ liệu (Feature scailing)

Nhập giá trị của bộ dữ liệu cần chẩn đoán

Thu thập kết quả hư hỏng chẩn đoán được

Sử dụng ANNs để huấn luyện:

Ghi chú: Training phase Test phase

Phân tích tương quan của các đặc trưng Để giải quyết bài toán này, các thông tin sử dụng bao gồm:

- Thuật toán sử dụng: Artificial Neural Network

 7 vector đặc trưng và 1 vector đầu ra

Hình 6.35 Thông tin về số lượng dữ liệu đầu vào

 Các cấp tải (P) theo Bảng 4.4

 2 mode tần số đầu tiên (f1, f2)

 Vị trí phần tử (Location)

 2 dạng dao động đầu tiên của cấu kiện (u1, u2)

 Các dữ liệu vùng nứt thực tế theo từng cấp tải

Trong luận văn này, giả định các giá trị sau khi phân tích dao động mô hình ANSYS là các số liệu thu được trong thí nghiệm thực tế Sau đó lấy các giá trị này kiểm thử cho thuật toán mạng nơ ron nhân tạo để xem xét độ chính xác của mô hình chẩn đoán

Với mỗi cấp tải, tập dữ liệu chẩn đoán bao gồm:

 7 vector đặc trưng và 1 vector đầu ra chưa biết giá trị

 2412 dòng dữ liệu, 2412 giá trị đầu ra cần chẩn đoán (cho mỗi cấp tải)

 16884 dữ liệu từ 7 vector đặc trưng (cho mỗi cấp tải)

Hình 6.36 Thông tin về số lượng dữ liệu chẩn đoán

6.4.2.3 Trực quan hóa dữ liệu

Hình 6.37 Trực quan hóa thông tin giữa hai tập dữ liệu

Tiếp tục sử dụng thư viện Sweetviz trong python để phân tích mối liên hệ giữa các đặc trưng của 2 tập dữ liệu (huấn luyện và chẩn đoán)

Hình 6.38 Tương quan giữa các đặc trưng ảnh hưởng đến vết nứt trong thực tế

Thông qua phân tích trên, ta nhận thấy:

- Phân bố số lượng vùng nứt trong tập dữ liệu huấn luyện

 Vùng nứt thực tế chiếm 32%

 Vùng không nứt thực tế chiếm 68%

- Hệ số tương quan giữa các đặc trưng tới vùng nứt thực tế:

 Những đặc trưng có ảnh hưởng nhiều đến vùng nứt (hệ số tương quan lớn hơn 10%): f2, P, f1

 Những đặc trưng có ít ảnh hưởng đến vùng nứt (hệ số tương quan nhỏ hơn 10%): u1, u2, Location

6.4.3 Tiền xử lý dữ liệu

Tương tự mục 6.3.3.1, ta quy ước các thông số cần mã hóa như sau:

Bảng 6.19 Quy ước các dữ liệu cần mã hóa

Elements DT1 DT2 DT3 DD1 DD2 DD3 CT1 CT2 CT3 CP1 CP2 CP3

Dữ liệu sau khi mã hóa

Hình 6.39 Dữ liệu đầu vào sau khi đã mã hóa

6.4.3.2 Chuẩn hóa dữ liệu (Feature scailing – Standardization)

Sử dụng StandardScaler() từ thư viện sklearn của python:

Hình 6.40 Chuẩn hóa dữ liệu trong tập huấn luyện và tập chẩn đoán

6.4.4 Phân tích tương quan đặc trưng

Phân phối xác suất của các đặc trưng trong tập huấn luyện:

Hình 6.41 Biểu đồ phân phối xác suất của các đặc trưng trong tập huấn luyện

Hệ số tương quan của tất cả các đặc trưng trong tập huấn luyện:

Hình 6.42 Ma trận tương quan giữa các đặc trưng trong tập huấn luyện

6.4.5.1 Xây dựng mạng nơ ron nhận tạo

Trong bài toán này, đề xuất sử dụng mạng nơ ron nhân tạo có cấu tạo như sau:

- Số tầng của mạng nơ ron: 6 tầng

- Tổng số tham số của mạng nơ ron: 46398

Bảng 6.20 Cấu tạo chi tiết của mạng nơ ron nhân tạo

Hàm kích hoạt ReLu ReLu ReLu ReLu ReLu Softmax

6.4.5.2 Huấn luyện mạng nơ ron nhân tạo

- Thuật toán tối ưu: Adam

- Sử dụng Drop out để huấn luyện nhanh hơn và tránh hiện tượng over-fitting

- Hàm loss function: Categorical_crossentropy

Nhằm để tăng độ chính xác và giảm hiện tượng over-fitting, chia tập dữ liệu huấn luyện thành:

- Tập huấn luyện (80%): gồm 21225 dòng dữ liệu và 7 đặc trưng

- Tập xác thực (20%): gồm 5307 dòng dữ liệu và 7 đặc trưng

Ngoài ra, việc chia nhỏ quá trình huấn luyện cũng được đề cập thông qua:

6.4.5.3 Kết quả quá trình huấn luyện

Hình 6.43 Hàm Accuracy và hàm Loss sau khi training

Tóm tắt thông tin sau quá trình huấn luyện

Hình 6.44 Tóm tắt thông tin mô hình ANNs sau khi huấn luyện

Ghi chú: Độ chính xác trong quá trình có thể thay đổi thông qua mỗi lần huấn luyện

6.4.6 Chẩn đoán hư hỏng trên khung BTCT bằng ANNs

6.4.6.1 Kết quả chẩn đoán hư hỏng trong khung BTCT

Sử dụng các dữ liệu chẩn đoán ở mục 6.3.2.2 để thực hiện chẩn đoán hư hỏng trong khung BTCT dựa trên các đặc trưng dao động bằng mạng nơ ron nhân tạo

Bảng 6.21 Kết quả chẩn đoán hư hỏng khung BTCT bằng ANNs theo các cấp tải

6.4.6.2 Khảo sát độ chính xác của mô hình Độ chính xác tổng thể

Bảng 6.22 Độ chính xác tổng thể ở các cấp tải chẩn đoán hư hỏng bằng ANNs

CP3 79.00 60.00 69.50 71.00 Độ chính xác tổng thể sau cân bằng

Bảng 6.23 Độ chính xác tổng thể sau cân bằng theo ANNs

1 Phương pháp chẩn đoán hư hỏng khung BTCT theo phương pháp ANNs dựa trên các đặc trưng dao động có kết quả tương đối tốt Trong đó:

- Max(Accuracy) = 95.00% và Min(Accuracy) = 54.50%

- Max(BAC) = 95.42% và Min(BAC) = 51.13%

2 Độ chính xác tổng thể (Accuracy) và độ chính xác tổng thể sau cân bằng (B.A.C ) của các cấp tải chẩn đoán cho dầm tốt hơn cho cột Trong đó:

- Max (Accuracy) của dầm = 96.00% và Min (Accuracy) của dầm = 72.50%

- Max (Accuracy) của cột = 84.00% và Min (Accuracy) của cột = 54.50% và

- Max (B.A.C) của dầm = 95.42% và Min (B.A.C) của dầm = 73.02%

- Max (B.A.C) của cột = 77.06% và Min (B.A.C) của cột = 51.13%

Khả năng chẩn đoán trong vùng nứt

Bảng 6.24 Khả năng chẩn đoán đúng trong vùng nứt theo ANNs

Xem xét các kết quả chỉ số Precision của các cấu kiện theo cấp tải chẩn đoán

Hình 6.45 Biểu đồ chỉ số Precision của dầm trên theo các cấp tải chẩn đoán

Hình 6.46 Biểu đồ chỉ số Precision của dầm dưới theo các cấp tải chẩn đoán

Hình 6.47 Biểu đồ chỉ số Precision của cột trái theo các cấp tải chẩn đoán

Hình 6.48 Biểu đồ chỉ số Precision của cột phải theo các cấp tải chẩn đoán

1 Khả năng chẩn đoán đúng trong vùng nứt trong khung BTCT theo phương pháp ANNs dựa trên các đặc trưng dao động có kết quả tương đối tốt Trong đó:

- Max(Precision) = 92.11% và Min(Precision) = 25.00%

2 Khả năng chẩn đoán đúng trong vùng nứt trong dầm cũng tốt hơn khi chẩn đoán cho cột Cụ thể:

- Max (Precisison) của dầm = 92.11% và Min (Precision) của dầm 38.10%

- Max (Precisison) của cột = 64.88% và Min (Precisison) của cột 25.00%

3 Khả năng chẩn đoán đúng trong vùng nứt ở từng mặt của cấu kiện:

- Khả năng chẩn đoán đúng trong vùng nứt của dầm trên có giá trị trung bình tốt nhất ở vị trí DT2 và DT3: 83.38% và 81.09%

- Khả năng chẩn đoán đúng trong vùng nứt của dầm dưới có giá trị trung bình tốt nhất ở vị trí DD1 (mặt trên của dầm dưới): 77.03%

- Khả năng chẩn đoán đúng trong vùng nứt của cột trái có giá trị trung bình tốt nhất ở vị trí CT1 và CT3 (mặt trái, mặt phải của cột trái): 52.66% và 50.01%

- Khả năng chẩn đoán đúng trong vùng nứt: 54.10%

- Khả năng chẩn đoán đúng trong vùng nứt của nút khung chỉ phản ánh tốt tại các mặt dầm (hơn 70%) Đối với cột, khả năng chẩn đoán đúng trong vùng nứt đạt ngưỡng 50%

Khả năng chẩn đoán trong vùng không nứt

Bảng 6.25 Khả năng chẩn đoán đúng trong vùng không nứt theo ANNs

Xem xét các kết quả chỉ số Specificity của các cấu kiện theo cấp tải chẩn đoán

Hình 6.49 Biểu đồ chỉ số Specificity của dầm trên theo các cấp tải chẩn đoán

Hình 6.50 Biểu đồ chỉ số Specificity của dầm dưới theo các cấp tải chẩn đoán

Hình 6.51 Biểu đồ chỉ số Specificity của cột trái theo các cấp tải chẩn đoán

Hình 6.52 Biểu đồ chỉ số Specificity của cột phải theo các cấp tải chẩn đoán

1 Khả năng chẩn đoán đúng trong vùng không nứt trong khung BTCT theo phương pháp ANNs dựa trên các đặc trưng dao động có kết quả tốt Trong đó:

- Max(Specificity) = 96.39% và Min(Specificity) = 26.67%

2 Khả năng chẩn đoán đúng trong vùng không nứt trong dầm cũng tốt hơn khi chẩn đoán cho cột Cụ thể:

- Max (Specificity) của dầm = 95.43% và Min (Precision) của dầm = 63.04%

- Max (Specificity) của cột = 96.39% và Min (Precisison) của cột = 26.67%

3 Theo sự tăng dần của cấp tải, độ chính xác trong vùng không nứt theo phương pháp ANNs dựa trên các đặc trưng dao động có xu hướng giảm dần

4 Giá trị trung bình của khả năng chẩn đoán trong vùng không nứt của các cấu kiện dầm trong 4 trường hợp chẩn đoán đều lớn hơn 80% Trong khi đó, giá trị trung bình của khả năng chẩn đoán đúng trong vùng không nứt cho cột 60% tới 70%

6.4.6.3 So sánh với phương pháp chẩn đoán bằng MSE

Bảng 6.26 So sánh hiệu quả chẩn đoán bằng ANNs và MSE ở cấp tải 77 kN

- Ở cấp tải chẩn đoán, đa phần ở các mặt trên, mặt dưới của cấu kiện dầm hoặc mặt trái, mặt phải của cấu kiện cột cho kết quả chẩn đoán các chỉ số về hư hỏng theo phương pháp ANNs dựa trên các đặc trưng dao động cho kết quả tốt hơn so với phương pháp MSE Trong khi đó, xét các mặt phẳng trung hòa của cấu kiện, phương pháp MSE cho các chỉ số có các giá trị ổn định hơn ở các cấp tải trong giai đoạn đàn hồi

- Khảo sát chỉ số Recall (chỉ số phản ánh vùng nứt của mô hình chẩn đoán so với thực tế) của phương pháp ANNs đều vượt trội hơn so với MSE, điều này chứng tỏ mô hình của chúng ta có tính “học” (khả năng nhận định các sai lầm của phương pháp MSE từ dữ liệu trong quá khứ) để đưa ra các dự đoán chính xác hơn

- Cũng như phương pháp chẩn đoán hư hỏng dự trên phương pháp sự thay đổi biến dạng năng lượng, phương pháp chẩn đoán hư hỏng theo phương pháp mạng nơ nhân tạo dựa trên các đặc trưng dao động có thể phát hiện được vị trí và mức độ hư hỏng của khung với đối chính xác tương đối cao Ngoài ra, thuật toán này còn có tính “học”, cũng có thể rút được kinh nghiệm từ các dữ liệu trong quá khứ của phương pháp MSE, từ đó đưa ra các chẩn đoán về vị trí hư hỏng trên từng cấu kiện

- Theo kết quả chẩn đoán ở các mục 6.4.6.1 và 6.4.6.2, phương pháp ANNs dựa trên dạng dao động là cho các kết quả chẩn đoán hư hỏng trên cột chỉ ở mức tạm chấp nhận; lý giải về hạn chế này xuất phát từ các dạng dao động thứ nhất và thứ hai của khung là dạng dao động chủ yếu của dầm (theo nhận xét ở mục 5.2.5) Do đó, cần có những nghiên cứu sâu hơn về việc mở rộng dạng khảo sát của khung khi thực hiện theo phương pháp này

- Để nâng cao hiệu quả chấn đoán hư hỏng, việc tối ưu hóa mạng nơ ron nhận tạo cũng là một việc cần xem xét.

Tiêu đề	Xác định trạng thái hư hỏng của khung bê tông cốt thép dựa vào kết quả phân tích dao động
Tác giả	Nguyễn Chí Thiện
Người hướng dẫn	PGS.TS. Hồ Đức Duy
Trường học	Đại học Quốc gia Thành phố Hồ Chí Minh
Chuyên ngành	Kỹ Thuật xây dựng
Thể loại	Luận văn thạc sĩ
Năm xuất bản	2021
Thành phố	Tp. Hồ Chí Minh

Định dạng
Số trang	266
Dung lượng	8,38 MB