Nhận dạng và dự báo khuyết tật của dầm trên nền mạng neuron và logic mờ

-0- MỞ ĐẦU -1- ĐẠI HỌC QUỐC GIA TP HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA TP HCM Trên đa số hệ thống cầu giao thông, dầm cầu thành phần chịu tải bản, khuyết tật xuất dầm cầu nguyên nhân gây sập cầu Nghiên cứu xây dựng phương pháp nhận dạng khuyết tật dự báo tình trạng làm việc dầm cách tiếp cận để xây dựng hệ thống nhận dạng dự báo khuyết tật thường xuyên (ND-DBTX) cầu Chương TỔNG QUAN 1.1 GIỚI THIỆU CHUNG NGUYỄN SỸ DŨNG NHẬN DẠNG VÀ DỰ BÁO KHUYẾT TẬT CỦA DẦM TRÊN NỀN MẠNG NEURON VÀ LOGIC MỜ Chuyên ngành: Cơ kỹ thuật Mã số: 62 52 02 01 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT 1.1.1 Sơ lược nhận dạng dự báo khuyết tật Đối tượng nghiên cứu luận án phần tử dầm, luận án khuyết tật hiểu theo nghĩa thay đổi làm suy giảm độ cứng chống biến dạng hệ, chẳng hạn thay đổi đặc trưng hình học làm giảm diện tích tiết diện ngang, giảm mơ men qn tính trung tâm tiết diện ngang, suy giảm tính: giảm mơđyn đàn hồi vật liệu, tổ hợp yếu tố 1.1.1.1 Nhận dạng khuyết tật Nhận dạng khuyết tật bao gồm kiểm tra kết luận việc có hay khơng diện khuyết tật, xác định vị trí mức độ hư hỏng 1.1.1.2 Bài toán dự báo Trong quản trị cầu, công tác dự báo quan tâm nhiều tới việc xác định quy luật suy giảm độ cứng chống biến dạng cầu 1.1.2 Hai giải pháp nhận dạng dự báo khuyết tật Có thể phân hai hướng nghiên cứu Hướng thứ sâu nghiên cứu đặc điểm dạng khuyết tật riêng biệt Hạn chế giải pháp không mang tính khái qt nên khó xây dựng thuật tốn mang tính tổng qt Hướng thứ hai hướng phi cấu trúc: không quan tâm cách chi tiết đặc điểm loại khuyết tật mà nghiên cứu đặc trưng chung đáp ứng động lực học có khuyết tật để nhận dạng dự báo, nghĩa dựa vào lời giải toán ngược động lực học hệ Theo hướng xây dựng thuật tốn mang tính tổng qt 1.1.3 Quản trị cầu Quản trị cầu giao thông, theo nghĩa thông thường, bao gồm theo dõi, giám sát, kiểm tra, đo đạc để đánh giá khả tải cầu; lưu trữ liệu đưa định liên quan tới công tác khai thác cầu 1.2 MỘT SỐ CƠNG TRÌNH LIÊN QUAN Có nhiều nghiên cứu thời gian gần nhận dạng dự báo khuyết tật dựa vào lời giải toán ngược động lực học hệ, dựa vào mạng neuron nhân tạo (Artificial Neural Networks, ANN) logic mờ (Fuzzy Logic, FL) TP HCM – NĂM 2010 1.3 GIỚI THIỆU LUẬN ÁN 1.3.1 Mục đích luận án Trên đa số hệ thống cầu giao thông, dầm cầu thành phần chịu tải bản; khuyết tật xuất dầm nguyên nhân gây sập cầu Mục tiêu luận án nghiên cứu -2- xây dựng thuật toán nhận dạng dự báo khuyết tật phần tử dầm, làm sở để xây dựng hệ thống ND-DBTX cầu nghiên cứu .2 Nhiệm vụ đặt cho luận án - Nghiên cứu tổng quan nhận dạng dự báo khuyết tật cầu giao thông - Phát triển công cụ toán học cho thuật toán nhận dạng dự báo khuyết tật, bao gồm xác lập sở liệu cho hệ thống suy diễn neuro-fuzzy xây dựng thuật toán huấn luyện mạng neuro-fuzzy - Xây dựng thuật toán nhận dạng dự báo khuyết tật dầm hệ thống suy diễn neuro-fuzzy - Thí nghiệm, kiểm chứng đánh giá khả ứng dụng hệ thống cầu thực thuật toán nhận dạng dự báo khuyết tật nêu trên, làm sở cho nghiên cứu xây dựng hệ thống ND-DBTX 1.3.3 Phương pháp nghiên cứu Giải pháp phi cấu trúc nhận dạng dự báo khuyết tật sử dụng .4 Tính thực tiễn đề tài Yêu cầu thực tế đặt cần phải triển khai biện pháp khoa học công nghệ tiên tiến vào quản lý hệ thống cầu giao thơng Ngồi ra, bước làm chủ khoa học công nghệ quản trị cầu hệ lớn, chi tiết cấu máy việc làm có ý nghĩa thực tiễn cao .5 Tóm tắt nội dung Luận án trình bày chương Chương MẠNG NEURON, LOGIC MỜ VÀ HỆ THỐNG SUY DIỄN NEURO-FUZZY Chương trình bày cơng cụ tốn học sử dụng chương nhận dạng dự báo khuyết tật, ANN, FL mạng neuro-fuzzy Phần đầu trình bày tóm tắt lý thuyết chung ANN FL Phần cuối chương trình bày thuật tốn tác giả huấn luyện mạng ANN tổng hợp hệ thống suy diễn neuro-fuzzy thích nghi: thuật tốn TT* [1], CBMM, HLM [2] CSHL, HLM1, HLM2 [9] – đóng góp khoa học luận án chương 2.1 MƠ HÌNH TỐN CỦA CƠ HỆ Trong nhận dạng dự báo khuyết tật dựa vào đặc trưng ứng xử động lực học, -3- Huấn luyện ANN Luận án đề cập tới huấn luyện thông số theo luật học giám sát Thiết kế ANN Thường thực theo bước: xác định biến vào ra, thu thập xử lý liệu, chọn cấu trúc, huấn luyện mạng, thử nghiệm tinh chỉnh mạng 2.3 HỆ THỐNG SUY DIỄN MỜ 2.3.1 Cơ sở logic mờ 2.3.1.1 Khái niệm tập mờ Tập mờ mở rộng lý thuyết tập hợp cổ điển, cho phép đánh giá từ từ quan hệ thành viên phần tử tập hợp hàm liên thuộc µ → [0,1] 2.3.1.2 Một số phép toán tập mờ Phép hợp, phép giao tập mờ phép bù phép toán thường sử dụng xây dựng hệ thống suy diễn mờ 2.3.2 Hệ thống suy diễn mờ 2.3.2.1 Biến ngơn ngữ q trình mờ hóa Mỗi giá trị ngơn ngữ xác định tập mờ định nghĩa tập tập số thực dương giá trị vật lý x Mỗi giá trị vật lý tồn vecror  thể mức độ liên thuộc x vào biến ngơn ngữ, thể q trình mờ hóa giá trị rõ x 2.3.2.2 Luật suy diễn mờ Luật suy diễn mờ xác lập từ mệnh đề hợp thành, thường dạng NẾU-THÌ, thể mối liên hệ mờ 2.3.2.2.1 Quy tắc hợp thành Thường sử dụng quy tắc MIN quy tắc PROD 2.3.2.2.2 Mệnh đề hợp thành dạng SISO Một mệnh đề hợp thành SISO có dạng NẾU 1 =A THÌ  =B (2.21) 2.3.2.2.3 Mệnh đề hợp thành MISO Một mệnh đề hợp thành MISO có dạng NẾU 1 = A1 VÀ  = A2 VÀ…VÀ  p = Ap THÌ  = B (2.26) 2.3.2.3 iải mờ Đây trình xác định giá trị rõ y’ từ  B ' ( y) tập mờ B’ 2.4 HỆ THỐNG SUY DIỄN NEURO-FUZZY Việc kết hợp FL ANN tạo mơ hình có tính ưu việt so với ANN hệ mờ túy Có hai cách kết hợp: - Mờ hóa mơ hình ANN truyền thống Kết nhận hệ fuzzy-neuron - Sử dụng ANN cơng cụ mơ hình suy diễn mờ fuzzy Theo cách khuyết tật làm thay nhận hệ neuroEJ x đổi độ cứng chống fuzzy Luận án sử dụng cách thứ biến dạng hai chưa biết vị trí mức độ suy giảm việc xây được gọi mơ hình hộp dựng mơ hình tốn đối đen tượng thường dựa vào Một số cơng cụ tốn học liệu vào-ra thực nghiệm hữu dụng nhận dạng theo thơng tin chưa đầy đủ mơ hình hộp đen: mạng ANN, đối tượng, gọi nhận hệ thống suy diễn mờ, hệ dạng hệ thống, mơ hình nhận thống suy diễn neuro-fuzzy -2- M Ạ N G A N N Sơ lược ANN Mạng ANN mơ hình tốn mơ cách tổ chức -3- 2.5 MỘT SỐ THUẬT TỐN LIÊN QUAN Phần trình bày đóng góp khoa học luận án chương 2, trình bày chi tiết [1][2][9], huấn luyện ANN tổng hợp hệ thống suy diễn neurofuzzy Đây cơng cụ tốn học cho thuật tốn nhận dạng dự báo khuyết tật trình bày chương 2.5.1 Thuật tốn huấn luyện ANN Mục trình bày thuật TT* [1]: P phương thức xử lý thông tin hệ thần kinh người Đặc điểm ANN Có khả thích nghi cao, có tính phi tuyến cao, phù hợp Hàm sai số biến đổi dạng E (W ) = ∑v T = V (W ) V (W ) Từ tính i=1 với tốn nhận dạng, dự báo, điều khiển theo mơ hình hộp đen ma trận Jacobian, J(Wn), Er(W) bước lặp r -4- Bước Cho điểm xuất phát W0, hướng dịch chuyển hướng âm (-) -5- Bước Định biên cho siêu phẳng(k ở) không gian ra: Ứng dụng LMS gradient điểm p = Dùng kết bước NT2 W0, tính = để cập nhật a sau: − ,j=0…n, Ak , k=1…M −2 J g ( W )T V ( W ) | W =W0 j Bước Sắp xếp lại bó siêu phẳng: Tại vòng lặp thứ r, tính: Bước Tại  , An theo V(W) n điểm Wn, J(Wn) sau tính gn, xác định hướng dịch p chuy ển n pn: (k )a x  + a (k )  i  ij T (J (W ) V (W ) | Bước Xác  định bước dịch chuyển: = − (J (W ) V ( W )| *  j =1 (k ) W n  (a (kj ) )  , (2.54) j 1 n n W =Wn n Cực tiểu hóa theo hướng pn , xác định điểm trung gian W*n = Wn +  n pn Bước Tại điểm Wn*, tính gia số bước Tdịch chuyển: T T ) p T T p (J (W ) J (W ) | )p k = M ,i = P - Từng cặp (xi , yi ), i = P, tập mẫu gán -4- ph q -5o u ∆W =Wn n (2 38 ) A d m d mang q  ( nhãn q , ( in v q[ k ) ) b ó = ] t h ứ q , ( Γ = − q T ) c ó pn (J (W )T J * ( W ) | (r ) W =Wn sau cực tiểu hóa hàm sai số theo hướng pn nhằm xác định điểm Wn+1: Wn+1 = W*n + ∆ n pn Nếu thuật toán chưa hội tụ, quay lại bước 2H ệ i k =1 M - Tính kiểm tra theo giá trị cho phép [out ] khơng gian ra: 2.5.2.1 Chia bó liệu Tập dữcác liệu chia thành bóđược phần tử mang (r −1) tính chất chung Đây khung sườn để xây dựng tập mờ hàm liên thuộc Có nhiều phương pháp, chẳng hạn chia bó cứng HCM [64], chia bó mềm FCM [101], Hyperplane Clustering [93] Phần sau trình bày giải pháp chia bó chúng tơi trình bày [2] 2.5.2.1.1 Thuật tốn chia bó min-max, CBMM Thuật tốn CBMM [2] dùng P  (.) − ố n g s u y di ễ n n e u r of u z z y  (r  k t ∑ − ≤ _ 1 [ o (r ) u t ) ( r d d (.) )= i i (.) để xây dựng bó liệu dạng siêu hộp min-max không gian liệu vào, siêu phẳng không gian gán nhãn cho tất mẫu huấn luyện Hai nguyên tắc (NT) xây dựng CBMM NT1: số bó liệu khơng gian vào số siêu phẳng không gian số luật mờ M; NT2: ( m xi khơng gian ẫ vào thuộc bó u thứ k, Γ k) , đáp c ứng vào-ra xi di    Bước Kiểm tra điều kiện dừng: Giá trị sai lệch trung bình khơng gian vào vòng lặp thứ r xác định dựa vào (2.53) (2.56) - Nếu kt _ in ≤[in ] kt _ out ≤ [out ] : Dừng - Nếu hai bất đẳng thức (2.53) (2.56) không thỏa mãn: r < [r] : r = [r] : N ế quay lại q trình u bước 1; khơng hội s tụ ố v ò n g lặ p Tăng số luật mờ: M=M+1, quay lại bước ( [r] số vòng lặp cho phép) 2.5.2.1.2 Thuật tốn cắt siêu hộp lai, CSHL [9] Dùng để cắt siêu hộp lai hHB, thiết lập tập siêu hộp chủng phủ toàn mẫu liệu ng -4- t p huấn luyện để xây ậ TΣ , làm sở dựng gán cho siêu phẳng nhãn Ak không gian ngược lại Nội dung thuật toán CBMM sau: Chọn M Gọi ma trận phân bố liệu [64] vòng lặp (r ) (0) thứ r U Chọn U Bước Chia bó khơng gian vào - Nếu chu kỳ khởi tạo CBMM ( r = 1): Áp dụng NT1 thuật toán HCM (k ) [64] để tìm bó Γ , k = M , không gian vào t - Nếu chu kỳ r > : Sử dụng NT2 để định biên cho bó khơng gian -52j n mẫu loại loại 1/ Hàm định hướng Xét việc cắt siêu hộp lai hHB không gian ℜ n chứa Pl mẫu (xi , yi ) để thiết lập siêu hộp chủng pHB Gọi n1 số lượng mẫu nhãn nh_1 có số lượng lớn hHB – gọi tắt loại 1; n2 số lượng mẫu nhãn nh_2 có số lượng lớn thứ hai hHB – gọi tắt loại 2, ( n1 ≥ n2 ) Gọi C1 C2 theo thứ tự tâm phân bố hai loại mẫu Gọi khoảng cách C1 C2 đo trục tọa độ thứ dj vào dựa vào biên chế siêu phẳng nhãn không gian Sử dụng HCM để xếp, điều chỉnh lại biên chế bó Kiểm tra độ sai lệch khơng gian vào: M P U (r) (r-1) ij ij k ) t =∑ _ ∑ i iP=1 j =1 n (r ≤ [ in ] ; j; Cj trung điểm khoảng cách tâm phân bố C1 C2 đo trục thứ j , j = n Nếu sử dụng siêu phẳng cắt MCj qua Cj vuông góc với trục j để cắt hHB có n cách cắt khác MCj cắt hHB thành hai siêu hộp nhỏ HB1 HB2, theo 1j (2.53) thứ tự chứa n i i -6- Hàm chủng  , j = n j định nghĩa: 1j 1j n  j =n − n1 n2 -7- 2.5.2.2 Tổng hợp hệ thống suy diễn neuro-fuzzy Phần trình bày thuật tốn tổng hợp hệ thống suy diễn neuro-fuzzy HLM1, HLM2 [9] HLM [2] 2.5.2.2.1 Thuật tốn HLM1 Hàm chủng phản ánh tình trạng phân bố mẫu Cấu trúc mạng HLM1 loại loại j hình 2.16a, HB1 HB2 Giá trị  số neuron lớp vào phụ cao mức độ chủng thuộc vào không gian liệu vào, cao lớp lớp ẩn xác lập tự động trình huấn luyện mạng Hàm định vào tập xi hướng  j , j Giá i = mờ nhản trị k, = n , liên định thuộ nghĩa c P sau: j 0 + ∆) if mẫu vào (k k )pHB ) tính: =, r = R if  (đượ c dựng  jk r   (2.59) = ≥    j n  ( ) j (x ) = ∑[1 − f (xij − rj , ) − f (vrj − xij , )]  1 if (k)  : Xác định = : Qua Nếu bước 4; Nếu s i ê u t r ụ c t h ứ k s a o c h o : Ưu điể m củ a thủ tục nà y củ a [9] đư ợc thể hiệ n -7- siêu hộp chủng thứ r bị quyền tham gia vào trình lựa chọn trục cắt giải pháp cắt – trop l ngH đó,B (k ) , r = R h ộ p l a i h H B c ó s ố r ] đỉnh cực v r1 r rn -6- t h ứ h H B -7- (a) _ điểm cắt Ck Cắt trục x k Ck biên chế lại: i mẫu n u = m b t ự K ý l h i ệ u b o x _ n u m b e r t r o n g t ấ t c ả c c s i ê u h ộ p l a i n y l h H B b o x Hình 2.16 Cấu trúc mạng Neuron -fuzzy e [ x r i BhH ớH cB t x i x b o 2x _ Cnu ắm t be i n r ] t h n h t h u ộ c hHBbox x ik xi xik ∈ > _ number , ≤ Ck HB C 1, k tx h ì HB2 (b) -6C ấ u tr ú c m n g N e u r o n f u z z y c ủ a t h u ậ t t o n H L M v H L M ( a ), v B k xi = o cá M ,i c = tập mờ cù P, r ng = nh ãn k Rk c ủ a t h u ậ t hHBbox _ number , HB1 , HB2 i ; box _ number := box _ number −1 Quay lại -H vc N Bà tron g1 H L M H B ( b ) ( pHB(pHB(pHB(xi xx x ) i i )) ),, =, } a x {  c h ( 6 ) = bước k = , ( i r = P )  m (k) y ˆ ( ( ( k k k ) ) ) i  B (xi ).yki (xi i đư- D ợc ữ tín h: t o n -7- ∑ ) M - H H hai siêu hộp B B chủng: Lưu N qua tập pHB ế Xoá u ∑ - H siêu hộp B H lai: Lưu hai N B qua tập ế hHB Xóa u hHBbox _ number , HB1 , HB2 ; box _ number := box _ number +1 Quay lại bước Bước Kiểm tra tính phủ để liên kết pHB, xác lập pHBfusion lớn i (k) x i (k) B (k) (xi ) - 14 - output, (xi , z ji ), i = P Trong xi = [xi1 xi2 xin ] vector đặc trưng cho chế - 15 - giảm độ cứng chống biến dạng phần tử so với phần tử khác hệ TTDĐ Phần tử có độ lớn ∆ lớn z mức độ suy giảm độ độ kích thích dao động thứ i, j z tính theo cứng chống biến dạng phần tử lớn: vị trí xuất khuyết tật hệ (3.45) Xây dựng N mạng j neuroi fuzzy nhận cầu chưa hư dạng quan hệ cho tất (xi , z ji ) phần tử dựa 3.2.3.2 Thuật tốn KTKT-NF Sơ đồ khối thuật tốn trình bày hình 3.3 Chia dầm thành N phần tử TΣ Mạng neuro-fuzzy nhận dạng phần tử thứ j, ký hiệu ENFj, có cấu trúc hình 2.16b Mạng neuro-fuzzy nhận dạng hệ trạng thái không hư, gọi tắt mạng GNFcs, kết hợp N mạng ENFj (j=1…N) hình 3.2 Bước Nhận dạng hệ trạng thái không z ji (3.45); hư hỏng Ở trạng thái không hư hỏng dầm: - Đo biên độ dao động cầu nhiều TTDĐ khác nhau; tính - Tại thời điểm kiểm tra: Thực nhiều chế độ kích thích dao động ngẫu nhiên để tạo TTDĐtest khác Ứng với TTDĐ TTDĐtest, đo biên độ dao động hệ sử dụng (3.45) để xây dựng tập liệu gồm N tập mẫu phần tử Tập mẫu phần tử thứ j, có Ptest cặp mẫu (x i = P Trên phần c test i, tử thứ j: sử dụng tín z hiệu vào T Σtest ji ) , T - Xây dựng mạng ENFi, i=1…N, nhận dạng phần tử xây dựng mạng GNFcs nhận dạng tất phần tử dầm trạng thái không hư hỏng Bước Kiểm tra tình trạng suy giảm độ cứng chống biến dạng (h 3.3) Tại thời điểm kiểm tra: - Đo biên độ dao động dầm nhiều TTDĐ khác nhau; tính z ji (3.45); Fj xác định Ptest giá trị zˆ ji trạng thái không hư - 14 - so với dụng hệ số b c zˆ wavelet trung m ji ủ dựa phTΣtest , xác zzứ a vào ˆ 3.3định độ ENFi lớn giá trị j p 3.3.1 ji sai lệch h GNFc khuyết i tuyệt đối ầ H s ìn H h n N v Q TTDĐ, sau xác WWfh tính: lập N t =k P P ( Bước (ai t t ,b ∆z = ej = e 1; s j) j s tz tε n w h=1 i=1 j =1 i 1 ˆ ∑ ∑ Pi − Pi j Hệ l y i số hư t t= t= 1 hỏng s s tươn q z - Tính hệ số củ g đối u hư hỏng a Trong a tương đối từn Ptest n nhữn ∆z j g j ph g h ần trạng i ệ tử thái dự dao đ động j ( a [ Hệ số xi n z hư ∆∆ o g m hỏng z az (3 xk tương 46 b ] j đối ) i ế = tính (3 n 47 sau: ) D k o Bước ∆ l = zớ đ1 n ó y ˆ Chuỗi liệu dự báo 3.3.2 Dự báo khuy ết tật ∑∑∑ ( ( ) ) j sN Thời điểm e t - 15 t0 + k ∆t t0-1 đ v Mô tả chuỗ i liệu theo - 14 - t h i g i a n t0 - 15 - c tế ut0 −i - 16 - 3.3.2.1 Giới thiệu Dự báo thông số động, gọi tắt dự báo, tốn dựa tín hiệu khảo sát yi , i = Q Q i test - 17 - T Có thể sử dụng tiêu sai số bình vào số liệu phương khứ trung bình (Meanmột Squared nhóm đại lượng để Error, MSE) dự đốn giá để đánh giá trị đại độ xác lượng tương dự báo: i= ứng, đại lượng khác, tương lai (hình 3.4) Luận − yˆ ) ; án ứng dụng hệ thống suy diễn neurofuzzy thích nghi [9] để xây dựng thuật tốn dự báo thông số động theo chuỗi thời gian, thuật toán TSPA i i 3.3.2.2 Thuậ t toán liên quan HLM [2], HLM 1, HLM [9] dùng để xây dựng thuật toán dự báo 3.3.2.3 Thuật toán dự báo TSPA - 16 - 3.3.2.3.1 Xây dựng tập liệu huấn luyện mạng Việc xây dựng tập liệu thực theo hai bước: thu thập liệu tổ chức tập liệu 3.3.2.3.1.1 Thu thập xữ lý liệu Tùy theo đại lượng cần dự báo cấu trúc hệ mà giai đoạn có nét khác Ví dụ, đại lượng dự báo biên độ dao động ta thực hiện: kích thích cho hệ dao động nhiều TTDĐ khác nhau, thực việc đo biên độ dao động nút khảo sát thời điểm rời rạc, cách đều, ứng với TTDĐ, tiến hành lọc nhiễu 3.3.2.3.1.2 Tổ chức tập liệu Có thể tổ chức tập liệu input-output theo nhiều phương pháp khác nhau, trình bày hai phương pháp: phương pháp rải 3.3.2.3.3 Thuật toán dự báo TSPA Xét tham số thứ h tham số cần dự báo giá trị thời điểm tương lai: - Chọn bước thời gian ∆t , số chiều khơng gian tín hiệu vào n số lượng tập mẫu P - Tính số bước lặp cần thực k0 (hình 3.5); - Khởi tạo j=1; Bước Thu thập xử lý liệu Bước Tổ mạng liệu trn Xây dựng tậpchức huấntập luyện T hcó P xây c phầ ntử dựng ó ; tập kiểm Q tra T test p h ầ n l t Bước Xác định giá trị đại lượng dự báo Thực hiện: B3.1 Huấn luyện xác định tín hiệu mạng NFh: trn + Sử dụng c ấ u t ậ p d ữ l i ệ u c ó t r ú c g i ố n g Th n yˆ(t B , c ℜ + h j∆t i ề ) u mạn c ủ g NFh a k bướ h ô c thứ n g j g i a n d ữ l i ệ u v o , h ớc so đ a Đ ộ h q c o u+ j j N ≤ n hí ếu > h n k T 0: k gi h q0 -t0i k u: ∈ t a yq N − N\ u r l a ế t0 {0; n i B u (i−1 1}, Bư i 3ớ n ) c h= = ;4 n ả k ế u y∆ P: phư -i t, ơng Nế ( phá u p k rải t ) h − có t bướ − c = ∆ , INP UT OU TP UT - 17 - xác kết dự báo - Nếu độ xác thấp: thực kết hợp giải pháp sau: + Tăng độ mịn bước thời gian, nghĩa giảm ∆t ; + T ă n g s ố m ẫ u d ữ l i ệ - 16 -  u1 u2 u huấn luyện mạng P; u  ∆ t) ,  P  u (t0 P + Tăng không gian liệu vào, nghĩa tăng n,  n    u u(t 01  (t0 − (n −1)∆t) , − , u(t01 − ∆t) n  u(t0P − (n − 1)∆t), ,u(t0P − ∆t)  yˆ ( t 01 ) = u(t 01) yˆ ( t0P ) = u(t 0P ) − n ∆t ),      n Hình 3.5 Cấu trúc tập liệu input-output mạng neuro-fuzzy 3.3.2.3.2 Đánh giá tính xác kết dự báo Sử dụng tập liệu kiểm test tra T có Q mẫu liệu cho mạng neuro-fuzzy (NF) huấn luyện trị dự để xác định giá báo - 17 - yˆi , t  sau quay lại Bước Bước - Nếu độ xác phù hợp: kết thúc  3.3.2.4 Ứng dụng TSPA dự báo khả tải cầu 3.3.2.4.1 Tổ chức đo số liệu Khả tải hệ phân chia thành hai nhóm chính: dự trữ khả tải trọng tĩnh khả đáp ứng tải trọng động Việc kiểm tra đánh giá khả tải trọng động cầu thực cách sử dụng tải trọng động kích thích cho hệ dao động sau đo thông số dao động đánh giá khả tải cầu dựa vào tập số liệu dao động Có hai nhóm tải trọng động thường sử dụng giai đoạn này, i = Q tươ ng ứn g với t i r v ọ n g g i a o t h ô n g l t ả i t r ọ n g t ự n h i ê n d o c h í n h n g - 18 - Đây dạng tải trọng sử dụng hệ thống giám sát thường xuyên tình trạng làm việc cầu, hệ thống ND-DBTX .2 Sử dụng TSPA Tín hiệu sử dụng dự báo phân thành hai nhóm tương ứng với hai tiêu đánh giá khả tải: dự trữ khả tải trọng tĩnh khả đáp ứng tải trọng động cầu Các tín hiệu sử dụng nhóm thứ độ võng dầm cầu độ lún trụ cầu Đối với nhóm thứ hai, có nhiều tín hiệu sử dụng liên quan tới phương pháp khảo sát Chẳng hạn, sử dụng phương pháp phân tích wavelet khảo sát tín hiệu dự báo hệ số wavelet trung bình Wk (3.33) dùng để dự báo diện khuyết tật dự báo vị trí xuất khuyết tật, số mũ Lipschitz  dùng để dự báo mức độ hư hỏng hệ vị trí này; sử dụng phương pháp biến - 19 - tần để thay đổi tốc độ quay n động Khối lượng M, độ lệch tâm d, tốc độ quay n, tọa độ lắp đặt động z đại lượng điều chỉnh để thay đổi trạng thái dao động (TTDĐ) khung Sử dụng đo dao động đo độ võng dầm z thời điểm t ứng với TTDĐ Khi khung chưa bị hư Bằng cách thay đổi vị trí Đ khung, thay đổi độ lệch tâm Md thay đổi vận tốc góc ω Đ để tạo lập tập số liệu sử dụng huấn luyện ENFi [4] nhận dạng phần tử chưa bị hư Cắt khung, tạo vị trí hư khung Cắt khung làm tương tự để tạo tập mẫu liệu input-output trường hợp khung có khuyết tật Tiến hành kiểm chứng hiệu VTKT-NF [4] KTKT-WL [6] Tạo khuyết tật tải trọng động Cắt khung số vị trí Thay đổi tốc độ góc Đ cho Đ quay liên tục 500 phút Trong trình mức độ hư hỏng dầm tăng dần Đo chuyển vị biên độ dao động để xác lập tập dạng đàn hồi tín hiệu Di sau khoảng thời gian dự báo hệ số (3.41 hư hỏng cách đều, ứng với tần số ), hệ số hư dao động khác Sử hỏng dụng TSPA để dự báo chuyển trun (3.42), hệ số z (3.4 vị g biến dạng 5), bình đàn hồi hoặ j i c Di hệ số hư hỏng (3.47) tính cho tương ∆ phần tử, sử z đối dụng để dự báo 4.2.2.2 Mơ tả Thí nghiệm Kết cấu khung thí nghiệm giống trình bày j diện khuyết tật dự báo vị trí xuất khuyết tật Sử dụng TSPA cho tín hiệu nhận kết dự báo khả tải trọng tĩnh tải trọng động cầu Đây thông tin quan trọng quản trị cầu nhằm khai thác hệ cách chủ động, hiệu an tồn Các kết thí nghiệm kiểm chứng dự báo dựa ứng dụng thuật toán TSPA cho phần tử dầm dao động trình bày chương Chương THÍ NGHIỆM KIỂM CHỨNG 4.1 G I Ớ I T H I Ệ U - 18 - Chương thực thí nghiệm kiểm chứng, đánh giá độ xác, mức độ tin cậy phạm vi ứng dụng thuật toán đề xuất chương chương Số liệu sử dụng thí nghiệm kiểm chứng nhận từ ba nguồn khác nhau: Sử dụng ANSYS mơ hình tốn; đo đạc khung kim loại dạng dầm dao động cưỡng bức, chúng tơi thực Phòng thí nghiệm Cơ học ứng dụng ĐHBK ĐHQG TpHCM; Số liệu đo chuyển vị cầu Sài Gòn cầu dao động theo tải giao thông 4.2 X Â Y D Ự N G C Á C T Ậ P S Ố L I Ệ U T H Í N G H I Ệ M 4.2.1 Mơ hình tốn Sử dụng mơ hình tốn dầm cầu bị uốn ngang phẳng Dầm chia thành n=20 phần tử Tạo khuyết tật riêng lẻ đồng thời hệ Cho hệ dao động sử dụng chương trình ANSYS để tính tốn chuyển vị hệ nút 4.2.2 Mơ hình thực 4.2.2.1 Mơ tả thí nghiệm Động điện xoay chiều ba pha Đ mang khối lượng lệch tâm M gá lắp nhiều vị trí khác khung sắt Dùng biến Thí nghiệm Sự khác hai thí nghiệm thể phương pháp tạo dao động hệ hệ thống cảm biến đo dao động Ở sử dụng xe có khối lượng m chuyển động khung với vận tốc V Sử dụng cảm biến chuyển vị, cảm biến đo biến dạng, cảm biến gia tốc gắn vị trí xác định khung Thay đổi m, V để thay đổi TTDĐ Sử dụng số liệu đo chuyển vị, biến dạng gia tốc (tại vị trí hư với mức độ hư khác nhau) cho KTKT-WL [6] 4.2.3 Số liệu đo dao động cầu Sài Gòn Các tập số liệu ứng suất cầu Sài Gòn cầu dao động tác động tải giao thơng truyền thường xun Phòng Thí nghiệm Cơ học Ứng dụng (PTN CHUD) trường Đại học Bách khoa HCM qua đường truyền Internet - 19 - 4.3 XÂY DỰNG CÁC BÀI KIỂM CHỨNG 4.3.1 Phương pháp Thơng qua thuật tốn nêu nguồn liệu xây dựng mục 4.2, tác giả viết chương trình ứng dụng ngôn ngữ Matlab để đánh giá hiệu thuật toán cách kiểm chứng đáp ứng giải pháp so sánh với kết số thuật tốn cơng bố thời gian gần 4.3.1 Một số kết luận Được trình bày Chương Chương KẾT LUẬN 5.1 NHỮNG NỘI DUNG CHÍNH CỦA LUẬN ÁN - Phát triển số thuật toán huấn luyện mạng neuron tổng hợp hệ thống suy diễn neuro-fuzzy, làm cơng cụ tốn học cho toán ứng dụng - 20 - - Xác lập sở liệu cho hệ thống suy diễn neuro-fuzzy ứng dụng nhận dạng dự báo khuyết tật hệ - Nghiên cứu lý thuyết nhận dạng dự báo khuyết tật, xây dựng thuật toán nhận dạng dự báo khuyết tật dầm công cụ toán học nêu trên; - Đánh giá phạm vi ứng dụng phân tích khả ứng dụng hệ thống cầu thực thuật toán nhận dạng dự báo khuyết tật nêu 5.2 ĐÓNG GÓP KHOA HỌC CỦA LUẬN ÁN 5.2.1 Lý thuyết Luận án thực nội dung sau: 1/ Xác lập sở liệu cho hệ thống suy diễn neuro-fuzzy ứng dụng nhận dạng dự báo khuyết tật hệ, đại lượng: hệ số wavelet - 21 - KTKT-WL không nhạy với thay đổi chế độ kích thích dao động Đặc điểm quan trọng, liên quan tới khả ứng dụng thuật toán KTKT-WL hệ thống cầu thực, sử dụng tải giao thơng làm chế độ kích thích dao động Tuy nhiên thực tế, thơng số hình học tính chất học vật liệu mặt cắt ngang khác thường khác nhau, nghĩa độ cứng chống biến dạng không đồng mặt cắt dầm Đặc biệt dầm cầu thực, tính khơng đồng phần tính tốn người thiết kế: thay đổi tiết diện ngang nhằm tạo ứng suất đồng tất mặt cắt dọc theo chiều dài dầm cầu Do sử dụng KTKT-WL cho tín hiệu dao động hệ thời điểm kiểm tra để tìm điểm kỳ dị (KD) dễ đưa kết luận khơng xác trường hợp điểm KD chưa điểm khuyết tật Để khắc trung (3.33), Di (3.41), phục tình trạng ta cần phải bình hệ số hư hệ số hư (k ) so sánh đặc trưng ứng W hỏng hỏng trung xử động lực học hệ thời bình Di điểm kiểm tra với đặc trưng ứng xử động lực học (3.42), hệ số z (3.45), tương ứng hệ biến dạng hệ số hư chế độ kích thích dao động đàn hồi hỏng j thời điểm mà tương đối i (3.47) Các đại lượng nêu có đặc điểm: nhạy ∆ z tín hiệu dao động gốc hệ xem nguyên vẹn Chức thực tốt dựa j có thay đổi cấu trúc thay đổi tính vật liệu hệ Trong (k ) đó, hệ số W xác lập từ tín hiệu gia tốc biến dạng hệ dao động, đại lượng tổ chức đo dễ dàng hệ thống cầu thực với độ xác phù hợp Đặc (k ) biệt W khơng nhạy với chế độ kích thích, biến thiên đồng biến với mức độ khuyết tật Chính vậy, hệ số wavelet trung vào khả nhận dạng đáp ứng động lực học hệ hệ thống suy diễn neurofuzzy Chính mà cần kết hợp thuật toán KTKT-WL với thuật toán VTKT- NF nhằm gia tăng hiệu toán nhận dạng khuyết tật - Khi hệ có khuyết tật đáp ứng động lực học thay đổi theo Sự thay đổi đặc trưng ứng xử động lực học hệ thời điểm kiểm tra so với thời điểm hệ xem không bị hư hệ thống suy diễn - 20 - bìn sử dụng h nhận dạng dự W báo khuyết tật hệ neuro-fuzzy nhận diện Đây giải pháp xác định khuyết tật dầm thống cầu thực theo tải giao thông 2/ Đối với toán nhận dạng khuyết tật, luận án trình bày số sở lý thuyết kiểm tra khuyết tật dầm: phương pháp dựa biến dạng đàn hồi dầm chịu uốn, phương pháp định lượng trung bình hệ số wavelet, phương pháp ứng dụng kỹ thuật mạng neuron nhân tạo ANN, phương pháp ứng dụng hệ thống suy diễn neuro-fuzzy thích nghi Theo chúng tơi đề xuất ba thuật tốn mới, thuật toán VTKT-NL [3], VTKT-NF [4], KTKT-WL [6] Đồng thời thực phân tích, đánh giá ưu điểm, hạn chế, phạm vi ứng dụng, đặc biệt đánh giá khả ứng dụng hệ thống cầu thực thuật toán: - VTKT-NL xây dựng dựa biến dạng đàn hồi dầm chịu uốn Kết nhiều thí nghiệm cho thấy hiệu phương pháp đề xuất tốt, tập số liệu đo có sai số Tuy nhiên, đại lượng vật lý sử dụng phương pháp chuyển vị, tính tốn dễ dàng mơ hình số, đo dễ dàng khảo sát mơ hình thí nghiệm phòng thí nghiệm lại khó đo, với độ xác cần thiết, hệ thống cầu thực Ngoài ra, hạn chế phương pháp khơng tương thích với tải giao thơng Do thuật tốn VTKT-NL phù hợp khảo sát mơ hình - Thuật tốn KTKT-WL xây dựng dựa phân tích wavelet tín hiệu dao động hệ Ưu điểm thuật tốn độ xác tốt sử dụng tín hiệu dao động gốc Đặc biệt, hệ số wavelet trung (k ) bình W sử dụng (k ) - 21 - chúng tơi trình bày VTKT-NF Những đặc điểm VTKT-NF: ○ Tương thích với nhiều loại tín hiệu khác nhau: Tín hiệu sử dụng cho thuật tốn VTKT-NF tín hiệu dao động biến dạng, chuyển vị, biên độ dao động, tần số dao động…, tín hiệu đại lượng chuyển đổi biến dạng đàn hồi, hệ số wavelet trung bình… hiệu thuật toán cải thiện tốt kết hợp thuật tốn với cơng cụ phân tích xử lý tín hiệu sử dụng tín hiệu có độ nhạy tốt Ở góc độ cho thấy hệ thống nhận dạng dự báo khuyết tật xây dựng sở ứng dụng VTKT-NF [4] hệ thống mở dễ dàng cải tiến để hoàn thiện hơn; Đối với cầu giao thơng, đánh giá thường xun tình trạng làm việc cầu không làm ảnh hưởng tới việc lưu thông qua cầu diễn liên tục ngày? Sử dụng tải giao thông giải pháp hợp lý Theo giải pháp này, tín hiệu sử dụng cho thuật toán VTKT-NF hệ số wavelet trung bình W (k ) (3.33) ○ Phù hợp với hệ thống tự động theo dõi sức khỏe cầu (NDDBTX): Thuật toán VTKT-NF xây dựng dựa vào hệ thống suy diễn neuro-fuzzy Độ xác hệ thống suy diễn neuro-fuzzy lại phụ thuộc nhiều vào quy mô tập liệu Tập liệu phải bao quát hết không gian trạng thái đối tượng khảo sát Điều làm hạn chế phạm vi ứng dụng phương pháp neurofuzzy kiểm tra định kỳ không định kỳ khả tải hệ thống cầu giao thông việc ứng dụng công cụ đòi hỏi phải đo nhiều vị trí khác - 22 - nhiều thời điểm khác Tuy nhiên, hệ thống giám sát thường xuyên “sức khỏe” cầu khó khăn nêu dễ dàng khắc phục Chẳng hạn hệ thống ND-DBTX lắp đặt cầu Binzhou Yellow River Highway hình 1.3, hệ thống cảm biến hệ thống xử lý, truyền dẫn lưu trữ liệu lắp đặt trước nhằm tạo điều kiện để đo thường xuyên tín hiệu dao động cầu nhiều điểm đo rải khắp toàn hệ dầm nhịp cầu, trụ cầu, mặt sàn bê tông hệ dây văng… Đây điều kiện quan trọng cho phép sử dụng phát huy tính ưu việt hệ thống suy diễn neuro-fuzzy thích nghi nhận dạng dự báo thay đổi đặc trưng ứng xử động lực học hệ thông qua tín hiệu dao động Như vậy, thấy thuật toán VTKT-NF phù hợp với hệ thống ND-DBTX, tín hiệu sử dụng cho hệ thống hệ số wavelet trung bình - 23 - - Độ xác nhận dạng mờ nói riêng tốn ứng dụng hệ mờ nói chung phụ thuộc nhiều vào cấu trúc tập mờ không gian vào không gian Cần tập mờ, biên dạng hàm liên thuộc vị trí tương đối tập mờ không gian vào, không gian mối liên hệ tập mờ không gian vào để phản ánh tốt quan hệ liệu tập mẫu? Trong nghiên cứu này, chúng tơi xây dựng thuật tốn CBMM CSHL để giải vấn đề nêu CBMM CSHL có chức tự động phân chia khơng gian liệu, xây dựng bó mờ dạng siêu hộp, xác lập tập mờ hàm liên thuộc cho hệ thống suy diễn mờ Đối với thuật toán CBMM, việc chia bó liệu min-max thực mối liên hệ qua lại không gian vào khơng gian nhằm mục đích xác lập mối ràng buộc chặt chẽ tập mờ hai không gian vào-ra, phản ánh tốt quan hệ W xác lập dựa vào tín liệu tập mẫu Trong thuật hiệu dao động cầu toán CSHL, hàm ( người k ) p h n g ti ện gi ao th ô n g tạ o k hi q ua cầ u t hàm định h hướng u ầ n c h ủ n g  j - 22 - τ j đ 3/ Đối với công tác dự báo mức độ suy giảm khả tải hệ, luận án đề xuất thuật toán dự báo thơng số động theo chuỗi thời gian, thuật tốn TSPA [5], xây dựng dựa ứng dụng hệ thống suy diễn neuro-fuzzy thích nghi [2, 9] Hệ số wavelet trung (k ) bình W khơng nhạy với thay đổi chế độ kích thích dao động, biến thiên đồng biến với mức độ khuyết tật, ứng dụng để xây dựng tập liệu cho thuật toán dự báo TSPA hệ thống ND- DBTX Thuật tốn sử dụng cơng tác dự báo thông số phi tuyến, nhiều ràng buộc cho độ xác động Nghĩa quy mơ, cách tổ chức độ xác tập liệu định độ xác dự báo TSPA ứng dụng cho tốn dự báo trực tuyến không trực tuyến Để gia tăng độ xác dự báo khơng trực tuyến ta cần tăng số mẫu huấn luyện mạng neuro- fuzzy, P, tăng số chiều n không gian liệu vào tăng độ mịn bước thời gian Trong toán dự báo trực tuyến ta cần tác động theo chiều hướng ngược 4/ Các thuật toán nhận dạng dự báo khuyết tật cầu đề xuất nhằm ợ mục đích thực c việc chọn lựa giải pháp cắt tạo bó liệu có độ chủng cao hơn, làm gia tăng độ xác rút ngắn thời gian xây dựng tập mờ hệ mờ Kết hợp ANN FL nhận mơ hình tích hợp, mang ưu điểm mạng ANN ưu điểm FL Hệ thống suy diễn neurofuzzy mơ hình VTKT-NL, VTKT-NF, KTKTWL TSPA xây dựng dựa kỹ thuật mạng neuron nhân tạo (ANN), logic mờ (Fuzzy Logic) phép phân tích wavelet – sở tốn học nhiều nhà nghiên cứu ứng dụng thời gian gần Trong luận án, để gia tăng hiệu thuật toán nhận dạng dự báo khuyết tật nêu trên, sâu nghiên cứu phát triển cơng cụ tốn học sử dụng cho chúng Do đó, song song với việc giới thiệu thuật toán nhận dạng dự báo khuyết tật nêu trên, chúng tơi nghiên cứu xây dựng số thuật tốn liên quan tới cơng cụ tốn học để xây dựng thuật tốn ứng dụng này, TT* [1], CBMM, HLM [2], CSHL, HLM1, HLM2 [9]: - Thuật toán huấn luyện mạng neuron nhân tạo, thuật - 23 - toán TT* , xây dựng dựa phương pháp Conjugate Gradient (CG) Tốc độ hội tụ tính ổn định huấn luyện mạng ưu điểm TT* so với thuật toán CG chuẩn Hiệu thuật toán thể rõ vector trọng số W mạng lớn kết hợp, mạng ANN sử dụng cơng cụ tốn cho suy diễn mờ fuzzy Mơ hình đem khả học, nhớ tính tốn ANN vào hệ mờ khả suy diễn theo kiểu người hệ mờ vào ANN Kết độ xác độ ổn định hệ thống neuro-fuzzy gia tăng đáng kể so với giải pháp ANN NF Trên sở ứng dụng thuật toán CBMM, CSHL TT*, luận án xây dựng ba thuật toán tổng hợp hệ thống neuro-fuzzy HLM1, HLM2 HLM Đây công cụ tốt cho toán nhận dạng dự báo khuyết tật Các thuật tốn HLM1, HLM2 HLM ứng dụng phù hợp toán nhận dạng theo mơ hình hộp đen tốn dự báo theo chuỗi thời gian, trực tuyến không trực tuyến hệ phi tuyến Trong ba thuật toán này, độ xác đáp ứng HLM2 cao HLM1 HLM, nhiên hạn chế HLM2 thời gian huấn luyện mạng yêu cầu dung lượng nhớ máy tính cao nhiều so với sử dụng HLM1 HLM số thuật toán cơng bố So với HLM1 thuật tốn HLM có độ xác tốt hơn, nhiên HLM có tốc độ hội tụ thấp Các đặc điểm nêu liên quan tới phạm vi ứng dụng thuật toán Trong nhận dạng dự báo khuyết tật cầu, thuật toán - 22 - HLM1 phù hợp với tốn trực tuyến (online) Chẳng hạn ứng dụng HLM1 hệ thống nhận dạng dự báo thừơng xuyên để xác định nhanh xuất khuyết tật dự báo nhanh quy luật suy giảm khả tải hệ Các thuật toán HLM HLM2 – có độ xác tốt tốc độ hội tụ thấp hơn, phù hợp với tốn khơng trực tuyến (offline) – ứng dụng để định vị dự báo cách xác thông tin liên quan tới khuyết tật, sau biết tồn khuyết tật cung cấp - 23 - - 25 - - 24 - HLM1 hệ trực tuyến nêu Có thể thấy khơng có thuật tốn có ưu điểm tuyệt đối, đó, tùy yêu cầu cụ thể mà ta chọn thuật toán phù hợp 5.2.2 Thực nghiệm Về thực nghiệm, luận án thực nội dung sau: 1/ Viết chương trình ứng dụng Matlab dựa vào thuật toán TT*, CBMM, CSHL, HLM1, HLM2, HLM, VTKT-NL, VTKT-NF, KTKT-WL, TSPA; 2/ Kiểm chứng đánh giá thuật toán TT*, CBMM, CSHL, HLM1, HLM2, HLM tập số liệu khác nhau; 3/ Kiểm chứng đánh giá thuật toán nhận dạng khuyết tật mơ hình số dầm dao động xây dựng chương trình tính tốn học ANSYS; 4/ Kiểm chứng đánh giá thuật toán nhận dạng dự báo khuyết tật dầm mơ hình thực nghiệm phòng thí nghiệm, khung kim loại dạng dầm dao động cưỡng với ba loại cảm biến khác nhau: chuyển vị, gia tốc biến dạng; 5/ Tiến hành thực tính tốn với số liệu đo dao động thực tế qua tập số liệu đo dao động cầu Sài Gòn tác động tải giao thông Kết luận chung: Trên sở ứng dụng phát triển cơng cụ tốn học chặt chẽ kết khả quan thực nghiệm, tác giả tin thuật toán VTKT-NF, KTKT-WL TSPA ứng dụng nhận dạng dự báo khuyết tật thường xuyên (ND-DBTX) hệ thống cầu thực Đồng thời, thuật toán TT*, CBMM, CSHL, HLM1, HLM2, HLM công cụ toán học hữu dụng nhận dạng, dự báo, đo lường điều khiển theo hướng ứng dụng ANN FL Ngồi ra, thuật tốn mở hướng phát triển tốt 5.3 HƯỚNG PHÁT TRIỂN CỦA LUẬN ÁN - Một đặc điểm quan trọng thuật toán KTKT-WL [6] kết hợp với thuật tốn VTKT-NF [4] để xây dựng mạng Wavelet Neural Fuzzy tích hợp ưu điểm phép phân tích wavelet, nhạy với thay đổi tín hiệu vùng hẹp, với khả học, khả tính toán, khả nhớ kỹ thuật mạng neron nhân tạo khả suy diễn xấp xỉ, có tính ước lệ logic mờ Trong nghiên cứu tiếp theo, xây dựng hệ thống suy diễn Wavelet Neural Fuzzy nghiên cứu ứng dụng hệ thống với thuật toán nêu nhận dạng dự báo khuyết tật thường xuyên, ND-DBTX - Trong trường hợp tổng quát, toán ngược toán khơng chỉnh; lời giải tốn ngược phụ thuộc vào điều kiện biên Vì vậy, bước chúng tơi tiếp tục nghiên cứu hồn thiện sở liệu nhằm xây dựng tập liệu cho hệ thống ND-DBTX phản ánh tốt quan hệ đặc điểm khuyết tật xuất hệ đáp ứng động lực học tương ứng hệ nhằm gia tăng độ xác nhận dạng dự báo khuyết tật hệ thống - Trong khoa học ứng dụng, hiệu giải pháp phụ thuộc vào độ tin cậy phương pháp luận điều kiện khả công nghệ Do đó, ngồi việc nghiên cứu hồn thiện lý thuyết, sâu nghiên cứu giải pháp công nghệ để xây dụng hệ thống ND-DBTX cầu, đáp ứng yêu cầu cấp bách DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ [1] Nguyễn Sỹ Dũng, Lê Hồi Quốc (2006), “Thuật tốn thích nghi huấn luyện mạng neuron sở phương pháp Conjugate Gradient”, Tạp chí Khoa học Cơng nghệ, số 58, tr 68-73 [2] Nguyễn Sỹ Dũng, Ngô Kiều Nhi (2008), “Tổng hợp hệ thống suy diễn NeuroFuzzy thích nghi (ANFIS) từ tập liệu số”, Tạp chí Tin học Điều khiển học, tập 24, số 2, tr 126-140 [3] Nguyễn Sỹ Dũng, Lê Minh Cảnh, Ngô Kiều Nhi (2008), “Nhận dạng khuyết tật cầu mơ hình phương pháp lượng mạng Neuro-Fuzzy”, Tạp chí Phát triển KH&CN, tập 11, số 2, tr 5-17 [4] Nguyễn Sỹ Dũng, Lê Thanh Tùng, Ngơ Kiều Nhi (2009), “Thuật tốn xác định vị trí suy giảm độ cứng chống biến dạng cầu”, Tạp chí Phát triển KH&CN, tập 12, số 13, tr 57-68 [5] Nguyễn Sỹ Dũng, Ngô Kiều Nhi (2009), “TSPA, thuật toán dự báo theo chuỗi thời gian dựa hệ thống suy diễn neuro-fuzzy thích nghi”, Tạp chí Cơ khí Việt Nam, số 148 [6] Nguyễn Sỹ Dũng, Ngơ Kiều Nhi (2009), “Một thuật tốn kiểm tra khuyết tật cầu dựa phân tích Wavelet tín hiệu dao động, thuật tốn KTKT-WL”, Tạp chí Cơ khí Việt Nam, số 145, tr 25-29 [7] Nguyễn Sỹ Dũng (2007), “Một thuật toán huấn luyện mạng neuron”, Tuyển tập báo cáo khoa học, Hội nghị Khoa học Công nghệ Đào tạo Lần thứ II, Trường Đại học Công nghiệp HCM, t.I, tr 1-5 [8] Nguyễn Sỹ Dũng (2008), “Nhận dạng đáp ứng Tải - Chuyển vị cầu mơ hình sở ứng dụng hệ thống suy diễn Neuro-Fuzzy thích nghi”, Tuyển tập báo cáo khoa học, Hội nghị Khoa học Công nghệ Đào tạo Lần thứ III, Trường Đại học Công nghiệp HCM, 12-2008 [9] Sy Dzung Nguyen and Kieu Nhi Ngo (2008), “An Adaptive Input Data Space Parting Solution to the Synthesis of Neuro-Fuzzy Models”, International Journal of Control, Automation, and Systems, IJCAS, 6(6), pp 928-938 - 26 - Hướng dẫn khoa học: GS TS Ngô Kiều Nhi - 27 - ... neuro-fuzzy ứng dụng nhận dạng dự báo khuyết tật hệ - Nghiên cứu lý thuyết nhận dạng dự báo khuyết tật, xây dựng thuật toán nhận dạng dự báo khuyết tật dầm công cụ toán học nêu trên; - Đánh giá phạm... toán nhận dạng dự báo khuyết tật, bao gồm xác lập sở liệu cho hệ thống suy diễn neuro-fuzzy xây dựng thuật toán huấn luyện mạng neuro-fuzzy - Xây dựng thuật toán nhận dạng dự báo khuyết tật dầm. .. xây dựng thuật toán nhận dạng dự báo khuyết tật phần tử dầm, làm sở để xây dựng hệ thống ND-DBTX cầu nghiên cứu .2 Nhiệm vụ đặt cho luận án - Nghiên cứu tổng quan nhận dạng dự báo khuyết tật