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

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 gió, đạt kết xác so với số phương pháp xác su 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 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 ệuPhát 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 ệu 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, tốnbiến họcđổi sâu ResNet đểStrích xuất đặcFourier trưng Transform), từ ảnh nhậnii)được từ(1)bước x(t)ψ(t − τ)e−2πi f t dt T FT (τ, f ) = 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 −∞ kế hàmTiến mấthành mát cho thực đaqua nhiệm Hiệu thời độ xác g rờiphức rạc xuất hóahợp theo thời việc gian, là, chia đoạn thời gian thành điểm phương pháp đề thể tức thơng một[0, víT ] dụ với mái vòm [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 tồn 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 = Phương pháp xác định hư hỏ k=nủ xk ψk−nếe ấ ụ ệu dao đ Phương pháp xác định hư hỏ ủ ế ấ ụ ệu dao độ ậ x(t)ọlà liệu dao động kết cấu, ψ hàm cửa sổ trượt, f tần số N chiều dài ậ ọ phân đoạn liệu chia nhỏ Ngoài ra, ảnh hai chiều nhận từ biến đổi STFT gọi 2.1 Kĩ thuật biến đổi thờingắn gian ngắn quang phổ tín hiệuFourier dao động 2.1 Kĩ thuật biến đổi Fourier thời gian Thời gian (a) Tín hiệu dao động kết cấu ín hiệu dao động kết cấu (b) Ảnh quang phổ Ảnh quang phổ Hình Ví tíndao hiệu dao động kết kết cấu ảnh quang phổ tương ứng nhận bằngẢnh kĩ thuậtquang STFT índụhiệu động cấu Thời gian phổ Ví dụ tín hiệu dao động kết cấu ảnh quang phổ tương ứng nhận kĩ VềVí mặtdụ thực trình trênđộng tiến vớivà trợ giúp thưphổ viện khoa học ứng Scipy nhận [17] b vềhiện, tín hiệu dao kếthành cấu ảnh quang tương thuật STFT ngơn 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, không vượt 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 Thông 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 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 phát triển sử dụng rộng     rong đ    liệu dao động kết cấu,  hàm cửa sổ trượt, tần số chiều dài củaHùng, phânH.đoạn liệu chia nhỏ Ngoài ra, dựng ảnh hai chiều nhận M., Hưng, Đ V.được / Tạp chí Khoa họcra Công 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 ngơn ngữ lập trình Python, cụ thể hàm ’scipy.signal.stft’ 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, thể trích xuất từ liệu đo, không vượt tần số lấy mẫu Ngoài ra, chia thành khối, 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 khơng Nếu trăm lặpgian thấp, đếnlượng độ phân giảicóthấp, phầnnhư trăm trùng khảđược thi, yêuphần 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 Thông 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 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 thể Hình 2, kết cấu có chứng minh đạt độ xác cao việc phân loại ảnh , 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 18 có 11 triệu tham số cần xác định, huấn luyện mạng từ HìnhKiến Kiến trúc họcsâu sâu ResNet-18 trúc học đầu không khả thi, yêu cầu cao thời gian tính tốn, lượng liệu có sẵn cũn chuyển tảng tính Dodao đó, ởtừđây giả sửcảm dụng phương pháp chuyển tiếp Thông 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 xác vị trí hư hỏng, đặc biệt hư hỏng xuất gần nơi đặt cảm biến Trong việc Cụ thể, cácbiến thamsẽsốmang mạng ResNet 18 tin thừa từ việc luyện trước sử dụng nhiều cảm lại nhiều thơng hơnđược cókếthể nâng cao huấn độ xác mơ hình hàng triệu hình ảnh từ dữviệc liệu sử ImageNet Google Saunhiều đấy, cảm tác giả thể chu trình làm dụng đồng thời liệu từ biến, dự đốn với Hình 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 dao động động từ từnhiều nhiềucảm cảmbiến biến Hình 3.Chu Chutrình trìnhlàm làmviệc việckết kếthợp hợp đồng đồng thời tín hiệu dao 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 toán 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 vòm không 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 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 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 không yêu cầu q nhiều tính tốn phức tạp nhiều thời gian mô cụ thể bước thực phương pháp đề xuất mà không yêu cầu 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 môtrong phỏnggiàn 30 giây bướcmô thờiphỏng gian là 0,001 chialànhỏ thành cácnhỏ phần tử vớicác kíchphần thướctửkhơng vượt thước 0,5không m dàn chia thành với kích vượt 0,5 m ụ kết ế cấu ấ giàn vịm khơng gian 120 Hình Ví dụụáp dụng ả Thông số Phân bố Miền giá trị ị ẫ ố tương ứ Thông sốBảng 1.𝐸Các giá trị ngẫu Vị trí hư hỏng Mức độ hư hỏng 𝐹 nhiên dạng phân bố tương ứng Phân bố E (MPa) Miền giá trị 𝒩 Gaussian N(210, 21) F (kN) Đềutrí hư hỏng Vị 𝒩 Gaussian Đều Đều [1-8] [0, 30, 60, 90] N(1, 0,1) Đều Mức độ hư hỏng 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 mơ 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 ụ ề ệu dao động đo tạ ị ba trườ ợ ủ ức độ hư hại 0%, 30% 90% Đồ ả ổ Hùng, H M., Hưng, Đ V / Tạp chí Khoa học Cơng nghệ Xây dựng tương ứng đượ ể ệ ả ự ậ ấ ức độ hư hạ ẫn đế phải Dựa ựvào quan sát nhận ảnhgiả quangằphổ, ả thấy mứcổđộ hư ấ hại dẫn ầđếnốsựừ khác tác vùng tần số từ 20-30 máy thị phương phápHz, áp dụ tác giả ậtin ọphương pháp ápị dụng thuật tốnểhọc ự độ giác máy tính tự động nhận khác này, chí mở rộng cho trường hợp ận đượ ự ậ ộng cho trườ ợ thườ mắt thường ậkhó nhận Ngồi nút tương tự ụra, ví ả dụ ảnhổ quang ấ phổ ả tấtủ 37 tương tự dàn, hình Hình trích xuất sử dụng đồng thời để xác định mức độ vị trí hư hại dàn ẽ đượ ấ ụng đồ ời để xác đị ức độ ị trí hư hạ dao độđộng thuạtại nút vàả ảnh quang phổ ổ tương Hình Víụdụ tín ệu hiệu dao tương ứứng cho ba trường hợp mức độ hư hại 0%, 30% 90% trườ ợ ức độ hư hạ Tạp chí Khoa học Cơng nghệ Xây dựng, NUCE ố ấ gồm: ệ ồthông số mô ố mơđược hình đượ Các thơng số cho q trình huấn luyện bao hình khởi tạo ằng phương pháp Kaiming ức đượ ẫ ố 0, ọ ằng pháptạo tốingẫu ưu Adam ốcphân độ ọbố ằGauss001 phương pháp Kaiming [25], tức 0, phương khởi nhiênvớtheo vớiđượ kì vọng tối ụngưu đểAdam xác đị với tốc độ họcố ủ 0,001 ốc độ ọc đượ ảmđịnh xuố phương pháp sử dụng để xác thông số mô ếu độ xuống cịn mơ hình khơng đượđộ ảchínhệ xác mơ ếhình khơng cải hình, tốc độ học giảm 0,0001 nhau, không ệ ế q trình thiện Ngồi ra,ặnếuềnsau 10 độ vịng lặp liềnẫnnhau, độđượ chínhả xácệvẫn khơng đượcấ cải thiện ế ảkết ấcao ọ trình ẽ ố ủthơng số mơ hình huấn luyện kết thúc, họclưu lạ lưu lại ứ điểm đạt ời điểm đạ cao ế ả ấ ẽ sử đượdung cho mơ hình cuối ố tương ứngtương với thời kết ọ từ trái sang phải, gồm: ả giá trị hàm ịmất mátấphức hợp Hình ĐườngĐườ học tập ọcủaậmơủhình học máy, tập xácđộtrên tập kiểm chứng ứ huấn ợ luyện, ậ độấchínhện, ậ cho ể tác ứvụ xác định tồn ụ hư hỏng, vị trí hư hỏng mức độ hư hỏng đị hư hỏ ị trí hư hỏ ức độ hư hỏ ậ ữluyện ệ ấ kiểm ệ chứng ể ứ sửđượ để luyện ấ mơ ệ hình đề xuất để Tiếp theo, tập ếdữ liệu huấn dụngửđểụng huấn đề vụấ đánh để ựgiá ệhư hỏng ụ đánh hỏ ủthể ếhiện ấ đường học ể tập ện đườ thực hình tác kết giá cấu.hưHình mơ hình gồm ọ ủ đị ậ ủ ấ ại hư hỏ ện, độ ị ấ sau đấ ốc độ ả ậ ị ủ ức độ hư hỏ ấ ả ại đạt đế ấ 18ậ ứ ữ ệ ợ ến đổ ể ứ ứ ự ả đầu đế ị ộ ụở ả ả ố ặ ụ ặ ứ ặp 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 vịng 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 vòng lặp 25 Tương tự, độ xác tác vụ tăng nhanh khoảng 20 vòng lặp đầu tiên, sau chậm lại hội tụ khoảng vòng lặp 25 Đặc Tạpđộchí Khoaxác họccuối Cơng nghệ Xây dựng, biệt tác vụ NUCE tập 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 q trình đánh giá kết cấu, cịn trường chítrăm Khoacao học Cơngsẽ nghệ Xâychọn dựng,như NUCE hợp khác có phần trăm xác suất thấp đáng kể ụ ề ế ả đầ trườ ợ ủ ọ ủ ất tương ứ ỗ ế ấ Để đánh giá khả củ ọ ộ ệ ả ậ ữ ủ ấuhọcđượ ất tương đầu ảrađầ mô máy: ọ xácể suất tương ứng vớiộ mỗiứtrường ệ Hình ể Ví dụ ế ụkết ềquả ả ếđánh giá kế hình ễ ậớ hợpỗầ(nhãn)ẫ tình trạng kết cấu trườ ợ (confusion matrix) ủ ậ ầ ếẫ ấ ế ả đánh giá đượĐể đánh ễ Để ễnđánh trênnăng đườkhả ố ảữđánh giá khả củanăng mơ hình tồn diện cảệtập liệu tra, kết giá củ học máy ọệ cách ộ đườ ảế ậkiểm đánh trận nhầm lẫn ằ ếđược ảbiểu ộ diễn ấ qua ả mộtấumađượ ị ậnậ ệầ giáẫể kết cấu đánh giá kế ể đườ ễ (confusion ộ matrix) ầ độ ẫ Hình Với ma trận nhầm lẫn, kết đánh giá biễu diễn đường chéo, số liệu (confusion matrix) ậ ầ ẫ ế ự ả đánh giá ệc xác đị ại hư ỏ ện tương tự, độ đường chéo kết đánh giá nhầm lẫn Bằng cách cộng tất giá trị đường chéo, đượ ễ ễnệctrên đườ ố ệ đườ ế ả đánh đị việcị xác trí hư ức độlà hư hỏ =ần lượ Thực tương ta nhận độ xác xác cho địnhhỏtồn hư hỏng 978/1000 97,8% ằ xác định ộ vị ấtrí hư ả hỏng ịmức trênđộ đườ độvà 95,4% tự, độ chínhầ xácẫcho việc hư hỏng lần lượtậnlàđược 95,6% ệc xác đị ại hư ỏ ự ện tương tự, độ ệc xác đị ị trí hư hỏ ức độ hư hỏ ần lượ ế maả trận nhầm ậ lẫnầnhậnẫđược ận đượ ậ cácểtác vụ: tồn hư hỏng, ụvị tríồ hư ạhỏng Hình Kết tập kiểm tra cho mức hư hỏ ị trí hư hỏ độ hư hỏng ứ độ hư hỏ ế ả ậ ầ ẫ ận đượ ậ ể ụ ặ thời ềgianờhuấn chođamô đahỏ nhiệvới liệu gồmớ 8000 ộ mẫu, ữ Mặt khác, mơện hình nhiệm 73 phút hư hỏluyệnấịcho trí hư hỏ ứhình độlàhư soệ sánh (nhận cách gán cácận trọng 0) 62 phút với môặ hìnhẫ đơnềnhiệm đơn nhiệ đượsố tương ằ ứng ới mơấ hìnhện cho mơ hình đa nhiệ ộ ữọ ố tương ằng 0) vậ đơn19ờnhiệ ỉ ệ ứồ ẫ 62 phút ới Như mơ hình ận đượ ằ mơ hình đa nhiệ ọ cao khoảứ mơ hình ự ện đượ ố tương ằng 0) làới621phút Như đơn vậ nhiệm, mô hình đa nhiệ ỉ caoụ khoả ự ện đượ ỉ ằới mơ hình đơn nhiệm, ổ ủ ả mơ hình đơn nhiệ ụ ỉậ ằ ữ ệ ủ ả 3có mơsự hình đơn nhiệ ụ ểớ ổ ầờ không ệ ề Hùng, H M., Hưng, Đ V / Tạp chí Khoa học Công 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 qt 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 toán 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 Công nghệ Xây dựng (KHCNXD) - ĐHXD, 14(1V):12–20 20 Hùng, H M., Hưng, Đ V / Tạp chí Khoa học Công 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