Phương pháp đa nhiệm xác định hư hỏng trong kết cấu giàn sử dụng dữ liệu định hướng

Giàn không gian là một dạng kết cấu đặc biệt, thường có kích thước lớn và cấu tạo từ rất nhiều các bộ phận khác nhau, do đó việc theo dõi sức khỏe của kết cấu giàn là một nhiệm vụ khó và nhiều thách thức. Nghiên cứu này đề xuất một phương pháp dữ liệu định hướng có khả năng thực hiện đa nhiệm, gồm xác định sự tồn tại của hư hỏng trong kết cấu, vị trí và mức độ nghiêm trọng của hư hỏng.

Tạp chí Khoa học Cơng nghệ Xây dựng, NUCE 2021 15 (2V): 12–21 PHƯƠNG PHÁP ĐA NHIỆM XÁC ĐỊNH HƯ HỎNG TRONG KẾT CẤU GIÀN SỬ DỤNG DỮ LIỆU ĐỊNH HƯỚNG Hà Mạnh Hùnga,∗, Đặng Việt Hưnga a Khoa Xây dựng dân dụng công nghiệp, Trường Đại học Xây dựng, 55 đường Giải Phóng, quận Hai Bà Trưng, Hà Nội, Việt Nam Nhận ngày 21/04/2020, Sửa xong 16/05/2020, Chấp nhận đăng 17/05/2020 Tóm tắt Giàn khơng gian dạng kết cấu đặc biệt, thường có kích thước lớn cấu tạo từ nhiều phận khác nhau, việc theo dõi sức khỏe kết cấu giàn nhiệm vụ khó nhiều thách thức Nghiên cứu đề xuất phương pháp liệu định hướng có khả thực đa nhiệm, gồm xác định tồn hư hỏng kết cấu, vị trí mức độ nghiêm trọng hư hỏng Phương pháp đề xuất có ba bước chính: i) chuyển đổi tín hiệu dao động sang liệu chiều dạng ảnh sử dụng kĩ thuật biến đổi Fourier thời gian ngắn, ii) sử dụng thuật toán học sâu ResNet 18 để trích xuất đặc trưng từ ảnh nhận từ bước 1, iii) thiết kế hàm mát phức hợp cho việc thực đa nhiệm Hiệu độ xác phương pháp đề xuất thể thơng qua ví dụ với giàn mái vịm gồm 120 thanh, với độ xác 90% đồng thời cho tồn tại, vị trí mức độ hư hỏng Từ khố: kết cấu giàn; học máy; tính tốn số; hư hỏng kết cấu; liệu định hướng MULTI-TASKING DATA-DRIVEN APPROACH FOR DAMAGE DETECTION IN TRUSS STRUCTURE Abstract The spatial truss is a special kind of three-dimensional structure, monitoring truss structures’ health is an exhausting task due to its huge size and a large number of members This study extends this line of research by elaborating a data-driven approach that can perform multi-tasks ranging from detecting damage, localizing damage, and quantifying damage severity The main steps of the proposed approach are: i) leveraging the Short Time Fourier Transform technique for converting vibration signals into images containing information from both time and frequency domain, ii) using the powerful deep neural network ResNet 18 for feature extraction, and iii) elaborating a compound loss function for multi-tasking learning The efficiency and efficacy of the proposed approach are demonstrated via a 3D dome truss structure with 120 bars, for which detection accuracies for all tasks of interest are higher than 90% Keywords: truss structure; deep learning; numerical simulation; damage detection; data-driven https://doi.org/10.31814/stce.nuce2021-15(2V)-02 © 2021 Trường Đại học Xây dựng (NUCE) Giới thiệu Kết cấu giàn không gian dạng kết cấu có tỉ số độ cứng khối lượng cao, đồng thời có tính thẩm mĩ cao, sử dụng nhiều cho kết cấu mái có khơng gian lớn, ví dụ sân bay Changi Singapore, sân vận động Arena Đức, hay xưởng sản xuất máy bay Boeing Mĩ Các kết cấu giàn không gian thường bao gồm nhiều phần tử với kích thước, hình dạng vật liệu giống Do để theo dõi sức khỏe phát sớm hư hỏng cơng trình nhiệm vụ khó ∗ Tác giả đại diện Địa e-mail: hunghm@nuce.edu.vn (Hùng, H M.) 12 Hùng, H M., Hưng, Đ V / Tạp chí Khoa học Công nghệ Xây dựng khăn thách thức Gần phương pháp phân tích liệu dao động đo từ cảm biến gắn kết cấu mang lại nhiều kết hứa hẹn, có khả giảm đáng kể thời gian công sức so với phương pháp thủ công, sử dụng nhân công quan sát trực tiếp Ngồi với phát triển cơng nghệ cảm biến không dây, internet vạn vật liệu lớn, liệu đo thu thập cách liên tục thời gian dài [1] Tuy nhiên để chuyển liệu đo thành thơng tin hữu ích liên quan đến trạng thái làm việc kết cấu gặp nhiều khó khăn, khơng dung lượng lớn liệu, mà cịn sai số, tín hiệu nhiễu, hay tác động môi trường Thông thường, dựa vào liệu đo, thuật tốn tối ưu sử dụng để xác định đặc trưng kết cấu thời điểm Sau đó, so sánh với giá trị tương ứng thời điểm kết cấu trạng thái tồn vẹn, hư hỏng xác định Chi tiết áp dụng thuật tốn tối ưu tìm thấy công bố Mishra cs [2], Kaveh Zolghadr [3], Ding cs [4] Tuy nhiên, phương pháp có điểm chung cần bước tiền xử lý để trích xuất đặc trưng dao động gồm tần số dao động dạng dao động Kết bước tiền xử lý lại nhạy cảm với tác động mơi trường tín hiệu nhiễu, yêu cầu quy trình nghiêm ngặt từ đo đạc, số lượng vị trí cảm biến, kĩ thuật lọc nhiễu, khó áp dụng cách liên tục để theo dõi sức khỏe kết cấu theo thời gian thực Gần đây, nhà khoa học Việt Nam nhóm tác giả tập trung nhiều vào tốn tối ưu hay tính tốn độ tin cậy cơng trình thép [5–7], đặc biệt tập trung vào nghiên cứu ứng dụng thuật tốn máy học nói chung thuật tốn học sâu (Deep Learning - DL) nói riêng thiết kế cơng trình khung, giàn thép [8–12] Đồng thời phương pháp sử dụng liệu định hướng gần thu hút quan tâm nhiều nhà khoa học kĩ sư nước nhờ khả tự động trích xuất đặc trưng liên quan đến trạng thái kết cấu từ liệu ban đầu Ngồi phương pháp nâng cấp mở rộng, tự động xử lý lượng lớn liệu, mơ hình học máy huấn luyện Avci cs [13] đề xuất phương pháp sử dụng mạng tích chập kết hợp với cảm biến không dây để xác định mức độ giảm độ cứng liên kết Zhang cs [14] sử dụng kiến trúc học sâu để phân tích trạng thái kết cấu cầu thép sử dụng liệu dao động đầu vào Yuan cs [15] sử dụng mơ hình học sâu hồi quy để xác định hư hỏng kết cấu tua bin gió, đạt kết xác so với số phương pháp xác suất thống kê hay dùng Phát triển theo hướng nghiên cứu trên, báo đề xuất phương pháp liệu định hướng có khả thực đa nhiệm, gồm xác định tồn hư hỏng kết cấu, vị trí mức độ nghiêm trọng hư hỏng Phương pháp đề xuất có ba bước chính: i) chuyển đổi tín hiệu dao động sang liệu chiều dạng ảnh sử dụng kĩ thuật biến đổi Fourier thời gian ngắn (Short Time Fourier Transform), ii) sử dụng thuật tốn học sâu ResNet 18 để trích xuất đặc trưng từ ảnh nhận từ bước 1, iii) thiết kế hàm mát phức hợp cho việc thực đa nhiệm Hiệu độ xác phương pháp đề xuất thể thông qua ví dụ với giàn mái vịm gồm 120 thanh, với độ xác 90% đồng thời cho tồn tại, vị trí mức độ hư hỏng Phương pháp xác định hư hỏng kết cấu giàn sử dụng tín hiệu dao động thuật tốn học sâu 2.1 Kĩ thuật biến đổi Fourier thời gian ngắn Dao động kết cấu ghi lại dạng liệu gồm chuỗi giá trị thay đổi theo thời gian Dựa vào liệu miền thời gian ta trích xuất đặc trưng miền tần số dựa vào phương pháp biến đổi Fourier, mà giá trị cực trị tương ứng với tần số dao động riêng 13 Tạp chí Khoa học Cơng nghệ Xây dựng, NUCE 2021 p-ISSN 2615-9058; e-ISSN 2734-9489 gió, đạt kết xác so với số phương pháp xác su kê hay dùng Hùng, H M., Hưng, Đ V / Tạp chí Khoa học Cơng nghệ Xây dựng gió, đạt kết xác so với số phương pháp xác suất thống hệ kết cấu xét Để quan sát đồng thời đặc trưng dao động kết cấu miền thời gian Phát theo nghiên cứungắn trên, bài[16]báo đề xuất phương kê hay dùng miềntriển tần số, kĩ thuật hướng biến đổi Fourier thời gian (STFT) đượcnày phát triển sử dụng rộng rãi trênhướng nhiều lĩnhcó vực.khả Ý tưởng STFT làhiện chia dữđa liệunhiệm, dao động ban đầu thành nhiều đoạn liệu h liệuPhát định thực gồm xácmột định sựdữtồn triển theo hướng nghiên cứu trên, báo đề xuất phương pháp nhỏ hơn, trùng lặp phần Sau áp dụng biến đổi Fourier lên đoạn liệu để nhận kết cấu, trítrên vàmiền mức độ nghiêm Phương đề xu đặc vị tần số Cuối cáctrọng đặc trưng hư hỏng ghép lại trục thờipháp liệu địnhđược hướng cótrưng khả thực đa nhiệm, gồm xác định tồn củagian hư hỏng tương ứng, tạo thành ảnh hai chiều với trục tung thời gian trục hoành tần số với màu sắc, bước chính: chuyển tín hiệu dao động dữPhương liệuứng 2pháp chiều ảnhbasử kếtmức cấu, vịi)trí vàcủamức độ nghiêm trọng hưsang hỏng đềdạng xuất1 có độ đậm nhạt từngđổi điểm ảnh thể giá trịcủa biên độ lớn/nhỏ tương Hình Cơng củaFourier STFT đượcthời viết sau: ngắn (Short Time Fourier Transform), ii) sử dụ thuật biếnthức gian bước chính: i)đổi chuyển đổi tín hiệu dao động sang liệu chiều dạng ảnh sử dụng kĩ ∞ thuật Fourier thời18gian ngắn (Short Time sử dụng thuật1, toánbiến họcđổi sâu ResNet đểStrích xuất đặcFourier trưng Transform), từ ảnh nhậnii)được từ(1)bước T FT (τ, f ) = x(t)ψ(t − τ)e−2πi f t dt tốn ResNet trích xuất trưng ảnh nhận từHiệu bướcquả 1, iii) kế học mộtsâu hàm 18 mátđểphức hợp chođặc việc thựctừhiện đa nhiệm vàthiết độ ch −∞ kếcủa mộtphương hàmTiến mấthành mát cho thực đaqua nhiệm Hiệu vàgiàn độ xác g rờiphức rạc xuất hóahợp theo thời việc gian, là, chia đoạn thời gian thành thời điểm pháp đề thể tức thơng một[0, víT ] dụ với mái vịm [0, t1 , pháp t , , tđề bướcđược thời gian dt = T/N, thức (1) viết lại sau: N ] với phương xuất thểkhơng hiệnđổi thơng quacơng vịm thanh, với2 độ xác 90% đồng thời chovícảdụsựvới tồngiàn tại,mái vị trí vàgồm mức120 độ h thanh, với độ xác 90% đồng thờin+N−1 cho sự−2πitồn tại, vị trí mức độ hư hỏng fk (2) S T FT n, f = k−n e Phương pháp xác định hư hỏng k=n củaxk ψkết cấu giàn sử dụng tín hiệu dao đ Phương pháp xác định hư hỏng kết cấu giàn sử dụng tín hiệu dao động thuậttrong tốn họclà sâu x(t) liệu dao động kết cấu, ψ hàm cửa sổ trượt, f tần số N chiều dài thuật toán học sâu phân đoạn liệu chia nhỏ Ngoài ra, ảnh hai chiều nhận từ biến đổi STFT gọi 2.1 thuật biến đổi thờingắn gian ngắn quang phổ tín hiệuFourier dao động 2.1 Kĩ Kĩ thuật biến đổi Fourier thời gian Thời gian (a) Tín hiệu dao động kết cấu (a) Tín hiệu dao động kết cấu (b) Ảnh quang phổ (b) Ảnh quang phổ Hình Ví dụ tíndao hiệu dao động kết kết cấu ảnh quang phổ tương ứng nhận được(b) bằngẢnh kĩ thuậtquang STFT (a) 1.Tín hiệu động cấu Thời gian phổ Hình Ví dụ tín hiệu dao động kết cấu ảnh quang phổ tương ứng nhận kĩ trình trênđộng tiến vớivà trợ giúp thưphổ viện khoa học ứng Scipy nhận [17] b Hình 1.VềVímặtdụthực vềhiện, tín q hiệu dao kếthành cấu ảnh quang tương thuật STFT ngôn ngữ lập trình Python, cụ thể hàm ‘scipy.signal.stft’ Các thơng số hàm bao gồm chiều dài phân đoạn tín hiệu, phần trăm trùng thuật lặp STFT phân đoạn tần số lấy mẫu Dựa theo Dao động kết cấu ghi lại dạng liệu gồm chuỗi giá trị hệ Nyquist, đặc trưng tần số lớn trích xuất từ liệu đo, khơng vượt q 50% tần động số lấy gian mẫu phầndữ trămliệu trùng lặplại có thời thể dạng ảnhgian hưởng đến độ có phân giảitrích ảnh thay đổiDao theo thời Dựa vào miền ta thể xuất cá củaNgoài kếtra,cấu ghi liệu gồm chuỗi quang phổ nhận Nếu phần trăm trùng lặp thấp, dẫn đến độ phân giải thấp, phần trăm trùng lặp cácthay đặc đổi trưng miền tần số dựa vàothờiphương pháp biến đổi Fourier, mà giá trích trị theo Dựa thước liệu gian tanhớ cóvàthể cao độ phân thời giải gian cao, đồngvào kích ảnh cũngmiền tăng lên,thời dẫn đến tốn nhiều chậm q trìnhvới tính tốn tần Thơng trị trùng lặp 50% coi giáđang trị mặcxét định Để quan sát cực trị tương ứng sốthường dao giá động riêng củađược hệ kết cấu đặc trưng miền tần số dựa vào phương pháp biến đổi Fourier, mà cá đồng đặc ứng trưngvới daocác động củasốkết cấu14 miền số, kĩ thuật cựcthời trị tương tần dao động riêngthời củagian hệ kếtmiền cấutần xét Để q biến đổi Fourier thời gian ngắn (STFT) [16] phát triển sử dụng rộng rãi đồng thời đặc trưng dao động kết cấu miền thời gian miền tần số, nhiều lĩnh vực Ý tưởng STFT chia liệu dao động ban đầu thành nhiều đoạn biến đổi Fourier thời gian ngắn (STFT) [16] phát triển sử dụng rộng STFTn , f   k n xk k  n e 2 ifk (2) x(t ) liệu dao động kết cấu,  hàm cửa sổ trượt, f tần số N chiều dài củaHùng, phânH.đoạn liệu chia nhỏ Ngoài ra, dựng ảnh hai chiều nhận M., Hưng, Đ V.được / Tạp chí Khoa họcra Cơng nghệ Xây từtrúc biếnhọc đổisâu STFT quangtiếp phổ tín hiệu dao động 2.2 Kiến ResNet gọi họclàchuyển thựcdữhiện, động trình 1trên hành trợ thư khoa Sau Về mặt chuyển liệu dao chiều sangtiến dạng ảnhvới quang phổgiúp chiều, ảnh viện đưa học Scipy [17] ngơn ngữ lập trình Python, cụ thể hàm ’scipy.signal.stft’ Các vào mơ hình học sâu để xác định trạng thái kết cấu tương ứng, tức cho biết kết cấu có xuất hư hỏng hay khơng Mơbao hình họcchiều sâu sử dụng làtínmạng thể lặp thơng số hàm gồm dài phânởđoạn hiệu,ResNet-18 phần trămnhư trùng Hình 2, kết cấu có chứng minh đạt độ xác cao việc phân loại ảnh [18, 19], phân đoạn tần số lấy mẫu Dựa theo hệ Nyquist, đặc trưng tần số lớn kiến trúc mạng rõ ràng dễ hiểu Mạng Resnet-18 bao gồm 18 lớp mạng tích chập, trích xuất từ liệu đo, không vượt 50% tần số lấy mẫu Ngồi ra, chia thành khối, ngồi có thêm liên kết hai lớp tích chập Tuy nhiên tồn mạng phần trăm có số thểcần ảnhxác hưởng độhuấn phânluyện giải ảnh nhận ResNet-18 có trùng 11lặp triệu tham định,đến mạng nàyquang phổ từ đầu không Nếu trăm lặpgian thấp, đếnlượng độ phân giảicóthấp, phầnnhư trăm trùng khảđược thi, uphần cầu caotrùng thời tínhdẫn tốn, liệu sẵn tảnglặp máycao tính Do phântácgiải đồng pháp thời kích thước ảnh lên, dẫn đếnmạng tốn nhiều đó,độở giảsẽđãcao, sử dụng phương học chuyển tiếp để tiếntăng hành tinh chỉnh ResNet-18 chobộviệc hỏng cấu giàn Cụthường thể, cácgiá tham số củalặp mạng ResNet-18 nhớxác định chậmhưq trình tínhkếttốn Thơng trị trùng 50% coiởnhư kế giá thừatrịtừmặc việcđịnh huấn luyện trước với hàng triệu hình ảnh từ liệu ImageNet Google [20] Sau đấy, tác giả cố định hầu hết lớp mạng ResNet, ngoại trừ hai lớp cuối huấn 2.2.lại Kiến học luyện với trúc dữhọc liệusâu ResNet làm việc chuyển kết cấu tiếp giàn Tạp chí Khoa học Cơng nghệ Xây dựng, NUCE 2021 p-ISSN 2615-9058; e-ISSN 2734-9489 đưa vào mơ hình học sâu để xác định trạng thái kết cấu tương ứng, tức cho biết kết cấu có xuất hư hỏng hay khơng Mơ hình học sâu sử dụng mạng ResNet-18 thể Hình 2, kết cấu có chứng minh đạt độ xác cao việc phân loại ảnh [18, 19], kiến trúc mạng rõ ràng dễ hiểu Mạng Resnet-18 bao gồm 18 lớp mạng tích chập, chia thành khối, ngồi có thêm liên kết hai lớp tích chập Tuy nhiên tồn mạng ResNet-18 có 11 triệu tham số cần xác định, huấn luyện mạng từ Kiến trúc họcsâu sâuResNet-18 ResNet-18 HìnhHình Kiến trúc học đầu khơng khả thi, yêu cầu cao thời gian tính tốn, lượng liệu có sẵn chuyển tảng tính Dodao đó, ởtừđây giả sửcảm dụng phương pháp chuyển tiếp Thơng thường, sử máy dụng tín hiệu đođộng biến khóquang có thểhọc cung Sau liệu 1tácchiều sang dạng ảnh phổ cấp chiều, ảnhkết để tiến hành tinh chỉnh mạng ResNet-18 cho việc xác định hư hỏng kết cấu giàn xác vị trí hư hỏng, đặc biệt hư hỏng xuất gần nơi đặt cảm biến Trong việc Cụ thể, cácbiến thamsẽsốmang mạng ResNet-18 thừa từ việc luyện trước sử dụng nhiều cảm lại nhiều thơng4tin hơnđược cókếthể nâng cao huấn độ xác mơ hình hàng triệu hình ảnh từ dữviệc liệu sử ImageNet Google Saunhiều đấy, cảm tác giả dự đốn với Hình thể chu trình làm dụng đồng thời dữ[20] liệu từ biến, cốcảm địnhbiến hầu hếtđicác củamạng mạngResNet ResNet, ngoại huấn liệu từ vàolớp riêng rẽ,trừ đầuhai lớp củacuối mạngsẽResNet qua luyện lại với liệu làm việc kết cấu giàn Hình tín hiệu hiệu dao dao động động từ từnhiều nhiềucảm cảmbiến biến Hình3.3.Chu Chutrình trìnhlàm làmviệc việckết kếthợp hợp đồng đồng thời thời tín Thơng thường, sử dụng tín hiệu đo từ15 cảm biến khó cung cấp kết xác vị trí hư hỏng, đặc biệt hư hỏng xuất gần nơi đặt cảm biến Trong việc sử dụng nhiều cảm biến mang lại nhiều thơng tin nâng cao độ xác mơ hình dự đốn Hình thể chu trình làm việc sử Hùng, H M., Hưng, Đ V / Tạp chí Khoa học Cơng nghệ Xây dựng lớp trung bình trọng số, qua lớp phân loại để xác định trạng thái tương ứng kết cấu Về mặt logic, cảm biến xa vị trí hư hỏng ảnh hưởng lên kết nhỏ, trọng số tương ứng không đáng kể Ngược lại, với cảm biến gần vị trí hư hỏng, trọng số tương ứng lớn Về mặt thực hiện, thư viện học sâu Pytorch sử dụng để xây dựng khối ResNet, lớp trung bình trọng số lớp phân loại Trong giai đoạn huấn luyện, thuật tốn tối ưu hóa để xác định tham số kĩ thuật học chuyển tiếp Adam [21], bước học tập ban đầu 0,001, sau giảm 50% hàm mát không giảm qua bước lặp sau 10 bước lặp liên tiếp khơng có cải tiến trình huấn luyện dừng sớm 2.3 Hàm mát phức hợp cho việc học đa nhiệm Phương pháp xác định hư hỏng truyền thống thực riêng rẽ nhiệm vụ: xác định tồn hư hỏng, xác định vị trí hư hỏng đánh giá mức độ hư hỏng, nhiên sử dụng liệu đầu vào giống Mặt khác, nghiên cứu khoa học liệu đề xuất xây dựng mơ hình học máy đa nhiệm cho phép thực đồng thời tác vụ Ngoài ra, nhiều tác giả quan sát thấy mơ hình đa nhiệm tăng khả dự đốn xác cho nhiệm vụ, nhiên không làm tăng thời gian huấn luyện đáng kể so với mơ hình đơn nhiệm Lợi mơ hình đa nhiệm giải thích huấn luyện với tác vụ khác đặc trưng trích xuất đa dạng hơn, tránh bị trọng mức vào việc tối ưu cho nhiệm vụ, mơ hình học máy đạt kết cao hơn, áp dụng cho liệu Dựa vào phát trên, báo đề xuất hàm đa nhiệm phức hợp để đánh giá khả mơ hình học máy, dựa vào đồng thời ba tác vụ: xác định tồn hư hỏng, xác định vị trí hư hỏng mức độ hư hỏng, thể công thức (3): Ω(X) = λD LD (X) + λL LL (X) + λS LS (X) (3) Ω(X) hàm mát phức hợp, X ảnh quang phổ đầu vào nhận từ STFT, LD , LL LS hàm mát dạng cross-entropy [22] cho tác vụ tồn hư hỏng, xác định vị trí hư hỏng mức độ hư hỏng λD , λL λS trọng số tương ứng với tác vụ Giá trị trọng số xác định dựa vào nhận xét sau: việc xác định tồn hư hỏng có ảnh hưởng lớn đến việc xác định vị trí mức độ hư hỏng Tức hư hỏng khơng tồn khơng cần thiết thực hai tác vụ cịn lại Do trọng số cho LD nên có giá trị lớn so với LL LS Trong nghiên cứu này, tác giả thấy với λD = 0,5, λL = λS = 0,25, kết nhận có độ xác đáp ứng với kì vọng Ví dụ áp dụng 3.1 Dàn vịm 120 mơ hình phần tử hữu hạn Trong phần này, phương pháp đề xuất áp dụng cho kết cấu giàn vịm khơng gian gồm 120 thép Nhịp giàn 3178 cm, chiều cao tổng cộng 700 cm thể Hình Các đặc trưng vật liệu: mô đun đàn hồi E = 210 GPa, hệ số Poisson 0,3, khối lượng riêng 7850 kg/m3 Các giàn chia thành nhóm, nhóm có tiết diện liệt kê Bảng Trên Hình 4, nhóm thể với màu sắc chiều dày tương ứng tiết diện Giàn đỡ 12 gối đơn giản bị ngăn cản chuyển vị thẳng theo ba phương X, Y, Z Giàn không gian chịu tải trọng tập trung, theo phương thẳng đứng đặt đỉnh vịm Tải trọng có giá trị ngẫu nhiên thay đổi theo thời gian Kết cấu giàn lựa chọn ví dụ có độ phức tạp vừa đủ để thực kịch hư hỏng khác nhau, đồng thời trình bày 16 Tạp chí Khoa học Cơng nghệ Xây dựng, NUCE 2021 p-ISSN 2615-9058; e-ISSN 2734-9489 đặt đỉnh vòm Tải trọng có giá trị ngẫu nhiên thay đổi theo thời gian Kết cấu giàn lựa chọn ví dụ có độ phức tạp vừa đủ để thực kịch hư hỏng khácH nhau, thểCông bước Hùng, M., đồng Hưng,thời Đ có V /thể Tạptrình chí bày Khoacụhọc nghệthực Xâyhiện dựngcủa phương pháp đề xuất mà khơng u cầu q nhiều tính tốn phức tạp nhiều thời gian mô cụ thể bước thực phương pháp đề xuất mà không u cầu q nhiều tính tốn phức tạp nhiều thời gian mơ Mơ hình phần tử hữu hạn giàn thực phần mềm Abaqus [23], Mơ hình phần tử hữu Abaqus [23],của giàn giànhạn đượccủa mô giàn phỏngđược thực phần tử giàntrên loại phần T3D2 mềm [24], phản ứng động mơ phần tửtích giàn loại T3D2 [24], phản (modal kết cấuanalysis) phân tích theo kết cấu phân theo phương pháp chồng chấtứng dạngđộng dao động phương pháp Các chồng chất dạng dao động (modal analysis) Các hư hỏng đưa hư hỏng đưa vào kết cấu dạng giảm tiết diện giàn với mứcvào độ kết cấu dạng giảm tiếtgiảm diện giàn với mức độ giảm khoảng [0, 30, 60, 90]% khoảng [0, 30, 60, 90]% vị trí giảm giàn Thờivà vị trí giảm bất Thờivớigian 30 giây giâyCác vớithanh bướcdàn thời gian 0,001 giây Các giankì mơtrong phỏnggiàn 30 giây bướcmơ thờiphỏng gian là 0,001 chialànhỏ thành cácnhỏ phần tử vớicác kíchphần thướctửkhơng vượt thước q 0,5khơng m dàn chia thành với kích vượt 0,5 m Hình dụngkết kết cấu cấu giàn Hình 4.4.VíVídụdụápápdụng giàn vịm vịmkhơng khơnggian gian120 120 Bảng Các giá trị ngẫu nhiên dạng phân bố tương ứng Thông sốBảng 1.𝐸Các Vị trí hư hỏng Mức độ hư hỏng (MPa) 𝐹 (kN) giá trị ngẫu nhiên dạng phân bố tương ứng Thông số Phân bố Miền giá trị Phân bố Gaussian E (MPa) Miền giá trị 𝒩(210, 21) Gaussian N(210, 21) Gaussian F (kN) 𝒩(1, 0,1) Gaussian N(1, 0,1) Đềutrí hư hỏng Vị [1-8] Đều [1-8] Đều Mức [0, 30, 60, 90] độ hư hỏng Đều [0, 30, 60, 90] 3.2 Tập liệu cho mơ hình học máy Phương pháp mô Monte Carlo với thông số ngẫu nhiên liệt kê Bảng sử dụng để tạo sở liệu cho huấn luyện mơ hình học máy Có tất 10.000 mô thực hiện, với mô chuyển vị động tất nút giàn ghi lại, chuyển thành ảnh quang phổ gán nhãn tương ứng với vị trí hư hỏng mức độ hư hỏng theo liệu đầu vào Ở số lượng nhãn vị trí hư hỏng phân bố (10000/8, với nhãn không hư hỏng) mức độ hư hỏng phân bố (10000/4) Sau sở liệu chia thành tập liệu nhỏ không trùng với tỉ lệ 8:1:1 để huấn luyện, kiểm chứng kiểm tra Hình trình bày ví dụ tín hiệu dao động đo nút (vị trí theo Hình 4), cho ba trường hợp mức độ hư hại 0%, 30% 90% Đồng thời, ảnh quang phổ FFT tương ứng thể bên 17 phân bố (10000/4) Sau sở liệu chia thành tập liệu nhỏ không trùng với tỉ lệ 8:1:1 để huấn luyện, kiểm chứng kiểm tra Hình trình bày ví dụ tín hiệu dao động đo nút (vị trí theo Hình 4), cho ba trường hợp mức độ hư hại 0%, 30% 90% Đồng thời, ảnh quang phổ FFT Hùng, H M., Hưng, Đ V / Tạp chí Khoa học Cơng nghệ Xây dựng tương ứng thể bên phải Dựa vào quan sát nhận thấy mức độ hư hại dẫn đến phải Dựasựvào quan nhận mức hư hại dẫntần đến ảnhgiả quang phổ, khác nhausáttrên ảnhthấy quang phổ,độnhất vùng sốsự từ khác 20-30nhau Hz, tác tin vùng tần số từ 20-30 tác giả tintốn rằnghọc phương pháp thị áp dụng thuật toán máy thị phương phápHz, áp dụng thuật máy giác máy tính có thểhọc tự động giác máy nhận tính tự động nhận khác này, chí mở rộng cho trường hợp khác này, chí mở rộng cho trường hợp mắt thường khó mắt thường khó ví ảnh phổ 37 tương nút tương tự nhận ra.nhận Ngồira.ra,Ngồi ví dụra,này ảnhdụquang phổ quang tất 37 núttất củacảdàn, tự dàn, hình Hình sẽ5được trích xuất sử dụng đồng thời để xác định mức độ vị trí hư hại dàn trích xuất sử dụng đồng thời để xác định mức độ vị trí hư hại dàn Hình Ví dụdụ tíntín hiệu dao động thu Hình Ví hiệu dao động thutạitạinút nút5 5vàvàảnh ảnhquang quangphổ phổtương tương ứng ứng cho cho ba ba trường hợp mức độ hư hại 0%, 30% 90% trường hợp mức độ hư hại 0%, 30% 90% Tạp chí Khoa học Cơng nghệ Xây dựng, NUCE 2021 p-ISSN 2615-9058; e-ISSN 2734-9489 Các thông cho huấn q trình huấn cácsố thơng mơđược hình Các thơng số cho q số trình luyện baoluyện gồm:bao cácgồm: thơng số mơcủa hình khởi tạo khởi tạo phương pháp Kaiming [25], tức khởi tạo ngẫu nhiên theo bố 0, Gauss với kì vọng pháptạo tốingẫu ưu Adam tốcphân độ học 0,001 phương pháp Kaiming [25],bằng tức 0, phương khởi nhiênvới theo bốbằng Gauss vớiphân kì vọng sử dụng đểAdam xác định số mơ hình,được tốc độ giảmđịnh xuống cịn số mơ phương pháp tối ưu vớicác tốcthông độ học 0,001 sử học dụng để xác thơng 0,0001 độ xác hình khơng thiện.xác Ngồi saukhơng 10 hình, tốc độ học giảm xuống cịnmơ 0,0001 độcải ra, mơnếu hình cải vịng lặp liền nhau, độ xác khơng cải thiện q trình huấn luyện kết thiện Ngồi ra, sau 10 vịng lặp liền nhau, độ xác khơng cải thiện trình quảkết caoquả trìnhq họctrình mơ hình huấn luyệnthúc, kết kết thúc, cao nhấtquá họclưu lại lưu thông lại số cáccủa thông số mô hình ứngđiểm với thời đạt kết caosẽnhất sử sử dung cho hình mơ hình tương ứngtương với thời đạtđiểm kết caoquả dung cho mô cuốicuối Hình Đường mơhọc hìnhmáy, họctừ máy, tráiphải, sang gồm: phải, giá gồm: trịmất hàmmát mấtphức hợp Hình Đường học tậphọc củatập mơcủa hình trái từ sang trịgiá hàm tập hợp huấntrên luyện, độ xácđộtrên tập xác kiểm chứng cho tác vụ xác tồnxác mát phức tập huấn luyện, tập kiểm chứng chođịnh tác vụ hư hỏng, vị trí hư hỏng mức độ hư hỏng định tồn hư hỏng, vị trí hư hỏng mức độ hư hỏng Tiếp dữluyện liệu huấn luyện chứng kiểmđược chứng dụng để huấn mô đề xuất để Tiếp theo, tập dữtheo, liệu tập huấn kiểm sửđược dụngsửđể huấn luyệnluyện mô hình đề xuất để thực tác vụ đánh hỏng6của cấu.đường Hình học thể thực hình tác vụ đánh giáhiện hưcác hỏng kết giá cấu.hưHình thểkếthiện tập đường mơ hình gồm học tập mơ hình gồm giá trị hàm mát phức hợp biến đổi theo số vịng lặp q trình huấn luyện, độ xác trên18 tập liệu kiểm chứng với tác vụ: xác định tồn hư hỏng, vị trí mức độ hư hỏng, theo thứ tự từ trái qua phải Hình cho thấy hàm mát giảm nhanh từ đầu đến khoảng vòng lặp thứ 15, sau tốc độ giảm chậm lại đạt đến giá trị hội tụ khoảng vòng lặp 25 Tương tự, Hùng, H M., Hưng, Đ V / Tạp chí Khoa học Cơng nghệ Xây dựng giá trị hàm mát phức hợp biến đổi theo số vòng lặp q trình huấn luyện, độ xác tập liệu kiểm chứng với tác vụ: xác định tồn hư hỏng, vị trí mức độ hư hỏng, theo thứ tự từ trái qua phải Hình cho thấy hàm mát giảm nhanh từ đầu đến khoảng vòng lặp thứ 15, sau tốc độ giảm chậm lại đạt đến giá trị hội tụ khoảng vịng lặp 25 Tương tự, độ xác tác vụ tăng nhanh khoảng 20 vòng lặp đầu tiên, sau chậm lại hội tụ khoảng vịng lặp 25 Đặc Tạpđộchí Khoaxác họccuối Cơng nghệ Xây dựng, p-ISSN 2615-9058; e-ISSN 2734-9489 biệt tác vụ NUCE tập2021 kiểm chứng lớn khoảng 90% 3.3 Kết tính tốn mơ hình học máy Hình thể ví dụ kết nhận từ đầu mơ hình học máy,mơ hình đưa phần trăm xác suất cho tất trường hợp với tổng tất trường hợp 100%, sau trường hợp cóTạp phần kết củap-ISSN q trình đánh giá kết cấu, cịn trường chítrăm Khoacao học Côngsẽ nghệ Xâychọn dựng,như NUCE 2021 2615-9058; e-ISSN 2734-9489 hợp khác có phần trăm xác suất thấp đáng kể Hình Ví dụ kết đầu mơ hình học máy: xác suất tương ứng với trường hợp (nhãn) tình trạng kết cấu Để đánh giá khả mơ hình học máy cách toàn diện tập Hình Ví vềquả kết quảrađầu mơ hình máy: xácqua suất tương ứng vớihợp tra, Ví7.dụ vềdụkết đầu mơ hình học máy:học xác suất tương ứng với trường (nhãn) liệu Hình kiểm kết đánh giá kết cấu biểu diễn ma trận nhầm lẫn tình trạng kết cấu trường hợp (nhãn) tình trạng kết cấu (confusion matrix) Hình Với ma trận nhầm lẫn, kết đánh giá trênnăng đường chéo, cịnmơ số liệu chéo kếttập Đểbiễu đánhdiễn giáđánh khả củanăng mơ hình học máy máy cách tồnđường diện toàn tập liệu kiểm tra, kết Để giá khả hình học cách diện dữđánh nhầm đánh giá cấukết diễn ma trận nhầm lẫn (confusion matrix) độ Hình giá lẫn.kếtBằng cách cộng tất trị đường chéo, nhận liệu kiểm tra, quảbiểu đánh giáqua kếtcác cấugiá biểu diễn qua mộttama trậnđược nhầm lẫn Với ma trận nhầm lẫn, kết đánh giá biễu diễn đường chéo, số (confusion matrix) Với trận nhầm kết quảhiện đánh tương giá xác cho việc xác địnhnhư tồntrên Hình hư hỏng làma 978/1000 = lẫn, 97,8% Thực tự, liệu độ đường chéo kết đánh giá nhầm lẫn Bằng cách cộng tất giá trị đường chéo, biễu diễn đường chéo, số liệu ởmức ngoàiđộđường chéo cáclượt kết đánh việctrên xác địnhviệc vị xác trícịn hư vàhư hỏng 95,6% ta nhậnxác đượccho độ xác cho địnhhỏng tồn hỏng hư 978/1000 =lần 97,8% Thực tương nhầm cộngvịtất giávàtrịmức trênđộ đường chéo, nhậnlàđược độvàchính 95,4% tự, độgiá xáclẫn choBằng việc cách xác định trícả hưcác hỏng hư hỏng lầntalượt 95,6% 95,4% xác cho việc xác định tồn hư hỏng 978/1000 = 97,8% Thực tương tự, độ xác cho việc xác định vị trí hư hỏng mức độ hư hỏng 95,6% 95,4% Hình8.8.KếtKết ma nhầm trận nhầm nhận kiểm vụ: tồnhưtại Hình quảquả ma trận lẫn nhậnlẫn tập kiểm tra tập cho tác tra vụ: cho tồn hư tác hỏng, vị trí hỏng mức độvà hư mức hỏng độ hư hỏng hư hỏng, vị trí hư hỏng Hình Kết ma trận nhầm lẫn nhận tập kiểm tra cho tác vụ: tồn vềgian thờihuấn huấn chođa đahỏng nhiệm phútgồm với8000 MặtMặt khác,khác, thời luyện mơhỏng hình nhiệm 73 phút với 73 liệu mẫu, hưgian hỏng, vịcho tríluyện hư vàmơ mứchình độlàhư so sánh với8000 mơ hình đơn nhiệm (nhận cách gán (nhận trọng số tương ứng 0) trọng 62 phút liệu gồm với mô đơn nhiệm Mặt mẫu, khác, so sánh thời gian huấnhình luyện cho mơ hình đa nhiệm 73 cách phút gán với số tương ứng8000 bằngmẫu, 0) làso62 phút vậy,đơn thời gian(nhận tính tốn hình 19nhiệm liệu gồm sánh với Như mơ hình bằngmơ cách gán đa cácnhiệm trọng cao khoảng mơ hình có thể lúcđathực số tương ứng14% so 0) với 621phút Như đơn vậy, nhiệm, thời giannhưng tính tốn mơ hình nhiệm chỉđược 14%chỉ so với mơ hình có thể táccao vụ,hơn nóikhoảng khác 40% sođơn vớinhiệm, tổng thời gian 3lúc môthực hìnhhiện đơn nhiệm tác khác chỉtập với tổng thời gian 3có mơsự hình đơnbiệt nhiệm Ngồi vụ, nói áp dụng cho dữ40% liệuso kiểm tra, không khác thời Hùng, H M., Hưng, Đ V / Tạp chí Khoa học Cơng nghệ Xây dựng Như vậy, thời gian tính tốn mơ hình đa nhiệm cao khoảng 14% so với mơ hình đơn nhiệm, lúc thực tác vụ, nói khác 40% so với tổng thời gian mơ hình đơn nhiệm Ngồi áp dụng cho tập liệu kiểm tra, khơng có khác biệt thời gian tính tốn hai mơ hình (26,6s với 24,3s) Kết luận Trong nghiên cứu này, phương pháp liệu định hướng cho việc xác định hư hỏng có khả thực đa nhiệm đề xuất, thực áp dụng cho kết cấu giàn vịm khơng gian Ý tưởng phương pháp đề xuấtlà sử dụng liệu đầu vào, huấn luyện đồng thời cho tác vụ khác nhau, hướng dẫn mơ hình học máy trích xuất đặc trưng khác nhau, tránh bị tập trung vào số đăc trưng định, có khả tổng quát hóa tốt Các thành phần phương pháp bao gồm ảnh quang phổ tín hiệu dao động, mạng thần kinh tích chập, kĩ thuật học chuyển tiếp hàm mát phức hợp Kết áp dụng ví dụ giàn vịm khơng gian cho thấy phương pháp đề xuất đạt kết đánh giá hư hỏng kết cấu cao (lớn 90%) cho tất tác vụ thời gian tính tốn nhanh khoảng 40% so với tổng thời gian tác vụ riêng lẻ Lời cảm ơn Tác giả xin cảm ơn hỗ trợ tài Bộ giáo dục Đào tạo cho đề tài mã số CT.2019.03.01 Tài liệu tham khảo [1] Sun, L., Shang, Z., Xia, Y., Bhowmick, S., Nagarajaiah, S (2020) Review of Bridge Structural Health Monitoring Aided by Big Data and Artificial Intelligence: From Condition Assessment to Damage Detection Journal of Structural Engineering, 146(5):04020073 [2] Mishra, M., Barman, S K., Maity, D., Maiti, D K (2020) Performance Studies of 10 Metaheuristic Techniques in Determination of Damages for Large-Scale Spatial Trusses from Changes in Vibration Responses Journal of Computing in Civil Engineering, 34(2):04019052 [3] Kaveh, A., Ghazaan, M I (2015) Optimal design of dome truss structures with dynamic frequency constraints Structural and Multidisciplinary Optimization, 53(3):605–621 [4] Ding, Z H., Huang, M., Lu, Z R (2016) Structural damage detection using artificial bee colony algorithm with hybrid search strategy Swarm and Evolutionary Computation, 28:1–13 [5] Ha, M.-H., Vu, Q.-V., Truong, V.-H (2020) Optimization of nonlinear inelastic steel frames considering panel zones Advances in Engineering Software, 142:102771 [6] Ha, M.-H., Vu, Q.-A., Truong, V.-H (2018) Optimum Design of Stay Cables of Steel Cable-stayed Bridges Using Nonlinear Inelastic Analysis and Genetic Algorithm Structures, 16:288–302 [7] Kim, S.-E., Truong, V.-H (2020) Reliability Evaluation of Semirigid Steel Frames Using Advanced Analysis Journal of Structural Engineering, 146(5):04020064 [8] Truong, V.-H., Vu, Q.-V., Thai, H.-T., Ha, M.-H (2020) A robust method for safety evaluation of steel trusses using Gradient Tree Boosting algorithm Advances in Engineering Software, 147:102825 [9] Hung, T V., Viet, V Q., Thuat, D V (2019) A deep learning-based procedure for estimation of ultimate load carrying of steel trusses using advanced analysis Journal of Science and Technology in Civil Engineering (STCE) - NUCE, 13(3):113–123 [10] Hùng, H M., Hùng, T V., Thuật, Đ V., Việt, V Q (2020) Phương pháp xử lý tượng mơ hình q khớp xây dựng mơ hình học sâu để ước lượng khả chịu tải giàn phi tuyến Tạp chí Khoa học Cơng nghệ Xây dựng (KHCNXD) - ĐHXD, 14(1V):12–20 20 Hùng, H M., Hưng, Đ V / Tạp chí Khoa học Cơng nghệ Xây dựng [11] Hung, D V., Hung, H M., Anh, P H., Thang, N T (2020) Structural damage detection using hybrid deep learning algorithm Journal of Science and Technology in Civil Engineering (STCE) - NUCE, 14 (2):53–64 [12] Ha, M.-H., Vu, Q.-V., Truong, V.-H (2019) A Deep Learning-Based Procedure for Safety Evaluation of Steel Frames Using Advanced Analysis Lecture Notes in Civil Engineering, Springer Singapore, 1137– 1142 [13] Avci, O., Abdeljaber, O., Kiranyaz, S., Hussein, M., Inman, D J (2018) Wireless and real-time structural damage detection: A novel decentralized method for wireless sensor networks Journal of Sound and Vibration, 424:158–172 [14] Zhang, Y., Miyamori, Y., Mikami, S., Saito, T (2019) Vibration-based structural state identification by a 1-dimensional convolutional neural network Computer-Aided Civil and Infrastructure Engineering, 34 (9):822–839 [15] Yuan, M., Wu, Y., Lin, L (2016) Fault diagnosis and remaining useful life estimation of aero engine using LSTM neural network 2016 IEEE International Conference on Aircraft Utility Systems (AUS), IEEE [16] Durak, L., Arikan, O (2003) Short-time fourier transform: two fundamental properties and an optimal implementation IEEE Transactions on Signal Processing, 51(5):1231–1242 [17] Virtanen, P., Gommers, R., Oliphant, T E., Haberland, M., Reddy, T., Cournapeau, D., Burovski, E., Peterson, P., Weckesser, W., Bright, J., van der Walt, S J., Brett, M., Wilson, J., Millman, K J., Mayorov, N., Nelson, A R J., Jones, E., Kern, R., Larson, E., Carey, C J., Polat, ˙I., Feng, Y., Moore, E W., VanderPlas, J., Laxalde, D., Perktold, J., Cimrman, R., Henriksen, I., Quintero, E A., Harris, C R., Archibald, A M., Ribeiro, A H., Pedregosa, F., van Mulbregt, P (2020) SciPy 1.0: fundamental algorithms for scientific computing in Python Nature Methods, 17(3):261–272 [18] Kolesnikov, A., Beyer, L., Zhai, X., Puigcerver, J., Yung, J., Gelly, S., Houlsby, N (2019) Big transfer (bit): General visual representation learning arXiv preprint arXiv:1912.11370, 6(2):8 [19] Xie, Q., Luong, M.-T., Hovy, E., Le, Q V (2020) Self-Training With Noisy Student Improves ImageNet Classification 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), IEEE [20] Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., Fei-Fei, L (2009) ImageNet: A large-scale hierarchical image database 2009 IEEE Conference on Computer Vision and Pattern Recognition, IEEE [21] Kingma, D P., Ba, J (2014) Adam: A method for stochastic optimization arXiv preprint arXiv:1412.6980 [22] de Boer, P.-T., Kroese, D P., Mannor, S., Rubinstein, R Y (2005) A Tutorial on the Cross-Entropy Method Annals of Operations Research, 134(1):19–67 [23] Dassault, S (2016) ABAQUS analysis user’s manual [24] Dassault, S (2016) Abaqus theory guide [25] He, K., Zhang, X., Ren, S., Sun, J (2015) Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification 2015 IEEE International Conference on Computer Vision (ICCV), IEEE 21 ... hợp cho việc học đa nhiệm Phương pháp xác định hư hỏng truyền thống thực riêng rẽ nhiệm vụ: xác định tồn hư hỏng, xác định vị trí hư hỏng đánh giá mức độ hư hỏng, nhiên sử dụng liệu đầu vào giống... Kết luận Trong nghiên cứu này, phương pháp liệu định hư? ??ng cho việc xác định hư hỏng có khả thực đa nhiệm đề xuất, thực áp dụng cho kết cấu giàn vịm khơng gian Ý tưởng phương pháp đề xuấtlà sử. .. xác định hư hỏng kết cấu tua bin gió, đạt kết xác so với số phương pháp xác suất thống kê hay dùng Phát triển theo hư? ??ng nghiên cứu trên, báo đề xuất phương pháp liệu định hư? ??ng có khả thực đa