100 (a) Tr ng h p 1 (b) Tr ng h p 2 Hình 4.52 K t qu h h ng d đốn b ng DNNs ậ H dàn 64 thanh 4.4.3.3 B c 3 ậ T iă uăhĩa Hình 4.53 và B ng 4.27 th hi n k t qu ch n đốn h h ng sau cùng v i đ chính xác r t cao. Cĩ th k t lu n r ng ph ng pháp ba b c đ xu t đ kh n ng đ phát hi n và xác đnh m c đ h h ng c a các k t c u dàn khơng gian ph c t p.
CH NG 4. CÁC BÀI TỐN KH O SÁT
101 (a) Tr ng h p 1
(b) Tr ng h p 2
102 B ng 4.27 K t qu ch n đốn h h ng c a mơ hình t ng quát và
mơ hình cĩ xét nhi u và MOR ậ Dàn 64 thanh
Ph năt ăh ă
h ngă M căđ ăh ăh ngă K tăqu ăd ăđốnă xác ăchínhă
Tr ngăh pă 1 62 0.25 0.2489 99.56% Tr ngăh pă 2 1 0.30 0.2980 99.33% 30 0.15 0.1520 98.67% 40 0.25 0.2511 99.56% 55 0.20 0.2007 99.65% 62 0.1 0.0977 97.70% 4.4.4 Nh n xét
Nh đư đ c p, đ i v i bài tốn nhi u thanh nh dƠn khơng gian 64 thanh, ph ng pháp ch n đốn h h ng ch s d ng m t b c t i u hĩa th hi n rõ nh c đi m so v i ph ng pháp ba b c đ xu t. Ngồi th i gian gi i nghi m lơu h n g p nhi u l n (th hi n trong Hình 4.54) k t qu gi i cịn kém n đ nh h n, th hi n qua đ l ch chu n (Standard Deviation) c a m c đ h h ng các thanh trong Hình 4.55. C th lƠ đ i v i ph ng pháp s d ng HBA đ n thu n, r t nhi u ph n t b nh n di n h h ng sai l ch v i m c đ l ch gi a m i l n ch y khác nhau là r t cao (đi u này x y ra ít các bài tốn ít thanh đư xét). Do đĩ, ph ng pháp ba b c đ xu t đư giúp c i thi n tính n đnh c a bài tốn ch n đốn h h ng.
CH NG 4. CÁC BÀI TỐN KH O SÁT 103 (a) Tr ng h p 1 (b) Tr ng h p 2 Hình 4.55 K t qu ch n đốn h h ng c a ph ng pháp m t vƠ ba b c ậ Dàn 64 thanh.
104
CH NGă5. K T LU N VÀ KI N NGH
5.1. K t lu n
Trong lu n v n nƠy, ph ng pháp ch n đốn h h ng 3 b c trong bài tốn ch n đốn h h ng h dàn ch u t i nhi t đ và t i tr ng đ ng đư đ c đ xu t. V i b c th nh t áp d ng ch s n ng l ng bi n d ng d a trên đáp ng gia t c theo th i gian ASEI ch n đốn s b các v trí cĩ kh n ng x y ra h h ng. B c th hai áp d ng các mơ hình h c sâu nh m ng n ron nhơn t o (DNNs) ho c XGBoost kh nhi u s bi n c n ch n đốn, nh m m c tiêu gi m s bi n c n xét trong b c ti p theo. b c th ba, hai thu t tốn t i u hĩa khác nhau đ c s d ng vƠ so sánh đ tìm m c đ h h ng chính xác, c th là thu t tốn Con l ng m t (HBA) và thu t tốn ti n hĩa khác bi t (DE).
Bên c nh đĩ, lu n v n c ng áp d ng mơ hình gi m b c theo chu i Neumann b c hai đ k đ n v n đ gi i h n đi m đo trong ch n đốn h h ng th c t kèm v i s nhi u trong d li u đo đ c.
Qua các h dàn kh o sát t đ n gi n đ n ph c t p, ph ng vƠ khơng gian, ph ng pháp ch n đốn h h ng ba b c đư th hi n rõ đi m m nh và s hi u qu trong l nh v c SHM v i nhi u tr ng h p h h ng khác nhau. Các k t lu n đ c rút ra là:
- Ch s ASEI nh y trong vi c xác đnh các v trí h h ng s b . Tuy nhiên khi k đ n nhi u do đo đ c th c t , ch s v n cịn đi m h n ch do ch a ch n đốn đ c các m c nhi u cao. Các s l ng, v trí và th i gian đ t t i đ ng lên h dàn c n th a mãn y u t đ kh n ng gơy ra gia t c cho tồn b h vƠ đ th i gian đ đ chênh l ch n ng l ng bi n d ng tích l y.
- Hai k thu t h c sâu DNNs và XGBoost đ u cĩ kh n ng đ c áp d ng trong b c th hai c a bƠi tốn. Nhìn chung, DNNs th ng cho k t qu chính xác và n đnh h n, đ c bi t là các bài tốn ph c t p, nhi u thanh h h ng. Mơ hình XGBoost th hi n u đi m t c đ đ i v i các bài tốn ít bi n ch n đốn.
- Thu t tốn HBA m c dù t n nhi u chi phí tính tốn h n thu t tốn DE, tuy nhiên đ chính xác đ t đ c lƠ cao h n. Bên c nh đĩ, HBA lƠ thu t tốn m i, v n cịn nhi u thơng s cĩ kh n ng khai thác đ t i u và c i thi n t c đ tính tốn.
- Ph ng pháp ch n đốn h h ng ba b c đ xu t cĩ chi phí tính tốn th p h n đáng k (cĩ th gi m t i 50% th i gian tính tốn) so v i l i gi i t i u hĩa thơng th ng.
CH NG 5. K T LU N VÀ KI N NGH
105 - Nhi t đ trong bài tốn ch n đốn phá h y lƠm thay đ i gia t c ng x c a các nút. Do đĩ, trên bƠi tốn ch n đốn th c t , n u khơng xác đ nh đ c các t i tr ng nhi t đ này, k t qu ch n đốn s tr nên khơng chính xác.
- K t qu sau cùng th hi n thu t tốn đ xu t cĩ kh n ng xét nhi u kho ng 2% mà v n cho ch n đốnđáng tin c y.
5.2. Ki n ngh
T nh ng k t qu đ t đ c và nh ng h n ch trong ph ng pháp, m t s ki n ngh nh sau đ c tác gi đ xu t đ cĩ th m r ng h ng nghiên c u c a đ tƠi trong t ng lai:
- Lu n v n ch m i kh o sát ph ng pháp trên các bác dƠn. C n th nghi m thêm trên các h k t c u khác nh khung, t m và các h k t c u k t h p khác, v.v… - C n c i thi n ch s ASEI nh m m c tiêu ch n đốn đ c các tr ng h p b nhi u
đo đ c cao. Sau đĩ m i áp d ng trong th c t .
- Vi c s d ng các thu t tốn trí tu nhân t o và t i u hĩa v n cịn h n ch vì m i thu t tốn khác nhau s cĩ nh ng h s , thơng s mơ hình khác nhau phù h p v i bƠi tốn. Do đĩ, vi c nghiên c u đ đ a ra các quy lu t, thơng s chu n áp d ng cho tồn b các tr ng h p t ng quát là c n thi t.
- Vì gi i h n v kh i l ng, lu n v n m i ch xét nh h ng c a nhi t đ m c đ t i gây ra do dãn n d c tr c. Các nghiên c u sau c n xét đ n các y u t khác nh s thay đ i v tính ch t v t li u theo th i gian ch u t i, v.v…
- Tồn b các phân tích k t c u c a lu n v n đang d ng mơ hình tuy n tính. Các nghiên khác t ng đ ng áp d ng mơ hình phi tuy n là m t h ng m r ng t t. - C n th c hi n nhi u thí nghi m khác nhau đ ki m ch ng tính kh thi c a ph ng
106
TẨIăLI UăTHAMăKH O
[1] S. Chandrasekaran (2019 May), ắStructural Health Monitoring with Application to Offshore Structures,” [Online]. Available:
http://www.https://www.worldscientific.com/worldscibooks/10.1142/11302#t=abou tBook
[2] H. P. Chen, Structural health monitoring of large civil engineering structures. Hoboken, John Wiley & Sons Inc., 2018.
[3] X. S. Yang, Nature-Inspired Optimization Algorithms. London, Elsevier, 2014. [4] H. T. V , ắMachine learning c b n” (2018), [Online]. Available:
https://machinelearningcoban.com/2017/08/31/evaluation/.
[5] S. Lee, S. Park, T. Kim, Q. X. Lieu, and Jaehong Lee, ắDamage quantiẻcation in truss structures by limited sensor-based surrogate model,” Applied Acoustics, vol. 172, no. 11, 107547, Jan 2021
[6] T. Chen, ắXGBoost: A Scalable Tree Boosting System,” presented at the 22nd ACM SIGKDD Int. Conf. on Knowledge Discovery and Data Mining, San Francisco, USA, 2016.
[7] R. Y. Liang, F. K. Choy, and J. Hu, ắDetection of cracks in beam structures using measurements of natural frequencies,” Journal of the Franklin Institute-Engineering and Applied Mathematics, vol. 328, no. 4, pp. 505-518, 2002.
[8] D. P. Patil, and S. K. Maiti, ắDetection of multiple cracks using frequency measurements,” Engineering Fracture Mechanics, vol. 70, pp. 1553ậ1572, 2003. [9] J. T. Kim, and N. Stubbs, ắCrack detection in beam-type structures using frequency
data,” Journal of Sound and Vibration, vol. 259, pp. 145ậ160, 2003.
[10] Z. Y. Shi, S. S. Law, and L. M. Zhang, ắDamage localization by directly using incomplete mode shapes,” Journal of Engineering Mechanics-ASCE, vol. 126, pp. 656ậ660, 2000.
[11] J. J. Lee, J. W. Lee, J. H. Yi, C. B. Yun, and H. Y. Jung, ắNeural networks-based damage detection for bridges considering errors in baseline finite element models,” Journal of Sound and Vibration, vol. 280, pp. 555ậ578, 2005.
[12] M. A. B. Abdo, and M. Hori, ắA numerical study of structural damage detection using changes in the rotation of mode shapes,” Journal of Sound and Vibration, vol. 251, pp. 227ậ239, 2002.
107 [13] A. K. Pandey, M. Biswas, and M. M. Samman, ắDamage detection from changes in curvature mode shapes,” Journal of Sound and Vibration, vol. 145, pp. 321ậ332, 1991.
[14] H. J. Li et al., ắCrack damage detection in beam-like structures using RBF neural networks with experimental validation,” International Journal of Innovative Computing Information and Control, vol. 1, pp. 625ậ634, 2005.
[15] M. A. Rao, J. Srinivas, and B. S. N. Murthy, ắDamage detection in vibrating bodies using genetic algorithms,” Computers and Structures, vol. 82, pp. 963ậ968, 2004. [16] M. T. Vakil-Baghmisheh, M. Peimani, M. H Sadeghi, and M. M. Ettefagh, ắCrack
detection in beam-like structures using genetic algorithms,” Applied Soft Computing vol. 8, pp. 1150ậ1160, 2008.
[17] H. M. Gomes, and N. R. S. Silva, ắSome comparisons for damage detection on structures using genetic algorithms and modal sensitivity method,” Applied Mathematical Modelling, vol. 32, pp. 2216ậ2232, 2008.
[18] M. Nobahari, and S. M. Seyedpoors, ắStructural damage detection using an efẻcient correlation based index and a modiẻed genetic algorithm,” Mathematical and Computer modelling, vol. 53, pp. 1798ậ1809, 2011.
[19] R. S. He, S. F. Hwangs, ắDamage detection by a hybrid real-parameter genetic algorithm under the assistance of grey relation analysis,” Engineering Application of
Artificial Intelligence, vol. 20, pp. 980ậ992, 2007.
[20] H. Y. Guo, and Z. L. Li, ắA two-stage method to identify structural damage sites and extents by using evidence theory and micro-search genetic algorithm,” Mechanical Systems and Signal Processing, vol. 23, pp. 769ậ782, 2009.
[21] S. M. Seyedpoor, ắA two stage method for structural damage detection using a modal strain energy based index and particle swarm optimization” , International Journal of Non-Linear Mechanics, vol. 47, pp. 1-8, 2012.
[22] S. M. Seyedpoor, ắAn efẻcient method for structural damage detection using a differential evolution algorithm-based optimisation approach,” Civil Engineering and Environment Systems, vol. 32, pp. 230ậ250, 2015.
[23] N. I. Kim, S. Kim, and J. Lee, ắVibration-based damage detection of planar and space trusses using differential evolution algorithm”. Applied Acoustic, vol. 148, pp. 308ậ 321, 2019
[24] A. Majumdar, D. K. Maiti and D. Maity, ắDamage assessment of truss structures from changes in natural frequencies using ant colony optimization,” Applied Mathematics and Computation, vol. 218, pp. 9759ậ9772, 2012
108 [25] N. I. Kim, H. Kim and J. Lee, ắDamage detection of truss structures using two-stage optimization based on micro genetic algorithm,” Journal of Mechanical Science and Technology, vol. 28, pp. 3687ậ3695, 2014
[26] S. M. Seyedpoor, A. Ahmadi, and N. Pahnabi, ắStructural damage detection using time domain responses and an optimization method,” Inverse Problems in Science and Engineering, vol. 27, no. 5, pp. 669-688, 2018
[27] Q. X. Lieu, V. H. Luong, and J. Lee, ắStructural Damage Identification Using Adaptive Hybrid Evolutionary Firefly Algorithm,” in Applications of Firefly Algorithm and its Variants, vol. 4, Nilanjan Dey, Springer Nature Singapore Pte Ltd., Singapore, 2020.
[28] Q. X. Lieu, P. C Nguyen, S. Lee, J. Lee, V. H. Luong, ắStructural Damage Detection Using Model Order Reduction and Two-Stage Method,” ICSCEA 2019, pp.1179- 1187, Springer Nature, 2020
[29] Q. X. Lieu, K. D. Dang, S. Lee, V. H. Luong, T. A. Le, J. Lee, ắInverse optimization- based two-stage damage detection of trusses with limited sensors using time-history acceleration responses,”đang ph n bi n, 2022.
[30] X. H. Lê, and T. H. L. Nguy n, ắPhơn tích vƠ ch n đốn d m đƠn h i cĩ nhi u v t n t,” T p chí Phát tri n Khoa H c và Cơng Ngh , vol. 12, no. 18, 2009.
[31] T. C. Lê, and . D. H , ắCh n đốn h h ng k t c u t m s d ng ph ng pháp n ng l ng bi n d ng,” T p chí Xây D ng, vol. 6, pp. 100-105, 2015.
[32] V. L. Tr n, and T. . Ngơ, ắXác đnh v t n t xiên b t kì trong t m dày ch u u n s d ng phân tích Wavelet đ i v i đ võng và các d ng dao đ ng riêng,” T p chí Khoa H c Cơng Ngh Xây D ng, vol. 25, 2016
[33] Q. H. Lê, "Ch n đốn h h ng k t c u khung s d ng ph ng pháp n ng l ng bi n d ng k t h p thu t tốn di truy n," M.A. thesis, Ho Chi Minh city University of Technology, Ho Chi Minh city, 2017.
[34] . D. H , T. C. Lê, Q. H. Lê, M. T. A. Nguy n, and T. C. Nguy n, "Phát tri n ph ng pháp n ng l ng bi n d ng đ ch n đốn h h ng cho k t c u d m v i các đi u ki n biên khác nhau," T p chí Xây d ng Vi t Nam, vol. 9, pp. 341-347, 2018.
[35] V. P. Hu nh, "Ch n đốn h h ng trong k t c u t m s d ng ph ng pháp n ng l ng bi n d ng k t h p v i thu t tốn di truy n," M.A. thesis, Ho Chi Minh city University of Technology, Ho Chi Minh city, 2019.
[36] C. T. Nguy n, ắXác đ nh tr ng thái h h ng c a khung bê tơng c t thép d a vào k t qu phơn tích dao đ ng,” M.A. thesis, Ho Chi Minh city University of Technology, Ho Chi Minh city, 2021.
109 [37] T. S. Võ, ắCh n đốn h h ng trong k t c u t m s d ng ph ng pháp n ng l ng bi n d ng k t h p v i thu t tốn trí tu nhân t o,” M.A. thesis, Ho Chi Minh city University of Technology, Ho Chi Minh city, 2022
[38] J. N. Reddy, An Introduction to the Finite Element Method. New York, McGraw-Hill Companies Inc., 2006.
[39] S. R. Pathare, R. D. Lahane, and M. K. Upadhyay, ắCoefficient of Linear Thermal Expansion,” Physics through teaching lab, vol. 10, pp. 135-150, 2009.
[40] Q. W. Yang, ắModel reduction by Neumann series expansion,” Applied Mathematical Modelling, vol. 33, pp. 4431ậ4434, 2009.
[41] J. T. Katsikadelis, ắChapter 12 - Multi-degree-of-freedom systems: Free vibrations, in: J. T. Katsikadelis (Ed.), Dynamic Analysis of Structures,” London, Academic Press, pp. 523ậ600, 2020.
[42] M. Copeland, ắWhat’s the Difference Between Afrtificial Intelligence, Machine Learning and Deep Learning?,” Internet: https://goo.gl/NNwGCi, Jul. 29, 2016 [43] S. Raschka, ắSingle-Layer Neural Networks and Gradient Descent,” Internet:
https://goo.gl/RjBREb, Mar. 24, 2015.
[44] E. Kavlakoglu, ắAI vs. Machine Learning vs. Deep Learning vs. Neural Networks: What’s the Difference?,” Internet: https://ibm.co/3tquXlA, May 27, 2020
[45] V. Morde, and V.A. Setty, ắXGBoost Algorithm: Long May She Reign!,” Internet:https://bit.ly/3mutYNd, Apr. 8, 2019.
[46] ắCơy quy t đ nh (Decision Tree),” Trí tu nhân t o, Internet: https://trituenhantao.io/kien-thuc/decision-tree/, Jun. 06, 2019.
[47] R. Storn, ắOn the usage of differential evolution for function optimization,” Biennial conference of the North American fuzzy information processing society (NAFIPS), pp. 519ậ523, 1996.
[48] R. Storn, K. Price, ắDifferential evolution: a simple and efẻcient heuristic for global optimization over continuous spaces,” J Global Optimization 1997, vol. 11, pp. 341ậ 59, 1997.
[49] F. A. Hashim, E. H. Houssein, K. Hussain, M. S. Mabrouk, and W. Al-Atabany, ắHoney Badger Algorithm: New metaheuristic algorithm for solving optimization problems,” Mathematics and Computers in Simulation, vol. 192, pp. 84ậ110, 2022 [50] G. Premalatha, V. T. Bai, ắWireless IoT and Cyber-Physical System for Health
Monitoring Using Honey Badger Optimized Least-Squares Support-Vector Machine,” Wireless Pers Commun, vol. 124, no. 4, pp. 3013-3014, 2022.
[51] J. A. Dar, K. K. Srivastava, and S. A. Lone, "Jaya Honey Badger optimization-based deep neuro-fuzzy network structure for detection of (SARS-CoV) Covid-19 disease
110 by using respiratory sound signals,” International Journal of Intelligent Computing and Cybernetics, vol. ahead-of-print, no. ahead-of-print, 2022.
[52] A. A. Z. Diab, M. A. Tolba, A. M. El-Rifaie, and K.A. Denis, ắPhotovoltaic parameter estimation using honey badger algorithm and African vulture optimization