Luận án tiến sĩ chẩn đoán kết cấu cầu dựa trên chuỗi dữ liệu đo dao động theo thời gian kết hợp sử dụng mạng học sâu tích chập

Thực tế cho thấy, khi một đại lượng được đo, kết quả phụ thuộc vào nhiều yếu tố như hệ thống thiết bị đo, trình tự thủ tục đo, kỹ năng của người thao tác, yếu tố môi trường nhiệt độ, gió

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI

- -

HOÀNG THANH NAM

LUẬN ÁN TIẾN SĨ

HÀ NỘI – 2023

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI

- -

HOÀNG THANH NAM

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu khoa học độc lập của riêng tôi Các số liệu sử dụng phân tích trong luận án có nguồn gốc rõ ràng, đã công bố theo đúng quy định Các kết quả nghiên cứu trong luận án do tôi tự tìm hiểu, phân tích một cách trung thực Việc tham khảo các nguồn tài liệu đã được thực hiện trích dẫn và ghi nguồn tài liệu tham khảo đúng quy định

Hà Nội, ngày 11 tháng 9 năm 2023

Tác giả

Hoàng Thanh Nam

LỜI CẢM ƠN

Tác giả xin bày tỏ lòng biết ơn sâu sắc đến thầy, cô giáo hướng dẫn: PGS

TS Hoàng Hà, TS Nguyễn Thị Cẩm Nhung đã tận tình hướng dẫn, giúp đỡ, tạo điều kiện và động viên trong suốt quá trình học tập, nghiên cứu và hoàn thành luận án

Tác giả chân thành cảm ơn tập thể các thầy, cô bộ môn Cầu Hầm và khoa Đào tạo Sau đại học trường Đại học Giao thông vận tải đã tạo điều kiện thuận lợi giúp đỡ và hướng dẫn trong suốt thời gian tác giả nghiên cứu tại Bộ môn và khoa

Tác giả trân trọng cảm ơn tập thể các thầy, cô trường Đại học Giao thông vận tải đã đóng góp nhiều ý kiến quý báu và có giá trị cho nội dung đề tài luận án

Tác giả xin bày tỏ lòng biết ơn các bạn bè, đồng nghiệp tận tình giúp đỡ và động viên trong suốt quá trình tác giả học tập, nghiên cứu và hoàn thành luận án

Cuối cùng, tác giả xin bày tỏ lòng biết ơn sâu sắc tới các thành viên gia đình đã thông cảm tạo điều kiện và chia sẻ những khó khăn trong suốt quá trình

học tập, nghiên cứu và hoàn thành luận án

MỤC LỤC

DANH MỤC HÌNH VẼ v

DANH MỤC BẢNG BIỂU viii

DANH MỤC CHỮ VIẾT TẮT ix

M Ở ĐẦU 1

1 Mở đầu 1

2 Mục tiêu nghiên cứu 7

3 Phương pháp nghiên cứu 7

4 Đối tượng và phạm vi nghiên cứu 8

5 Ý nghĩa khoa học và thực tiễn 8

6 Nội dung và kết cấu của luận án 8

CHƯƠNG 1 : TỔNG QUAN VỀ NGHIÊN CỨU CHẨN ĐOÁN SỨC KHỎE KẾT CẤU CÔNG TRÌNH CẦU DỰA TRÊN PHƯƠNG PHÁP ĐO NHẬN DẠNG DAO ĐỘNG 11

1.1 Tổng quan về nghiên cứu chẩn đoán sức khỏe kết cấu công trình cầu dựa trên phương pháp đo nhận dạng dao động 11

1.1.1 Giới thiệu về chẩn đoán sức khỏe kết cấu công trình cầu dựa trên phương pháp đo nhận dạng dao động 11

1.1.2 Mục đích của chẩn đoán sức khỏe kết cấu dựa trên phương pháp đo nhận dạng dao động 13

1.1.3 Sự phát triển của các phương pháp chẩn đoán sức khỏe kết cấu dựa trên phương pháp đo nhận dạng dao động 16

1.2 Các nghiên cứu trên thế giới về chẩn đoán kết cấu dựa trên phương pháp đo nhận dạng dao động 21

1.3 Các nghiên cứu ở Việt Nam về chẩn đoán kết cấu dựa trên phương pháp đo nhận dạng dao động 27

1.4 Kết luận Chương 1 30

CHƯƠNG 2 CƠ SỞ LÝ THUYẾT VỀ GIÁM SÁT SỨC KHỎE KẾT CẤU

SỬ DỤNG DỮ LIỆU CHUỖI THỜI GIAN DỰA TRÊN CÁC ĐẶC TRƯNG

ĐỘNG HỌC 32

2.1 Khái niệm về dữ liệu chuỗi thời gian (Time series data) 32

2.2 Dữ liệu chuỗi thời gian cho giám sát sức khỏe kết cấu 34

2.3 Các loại dữ liệu chuỗi thời gian 37

2.4 Tính bất định của dữ liệu chuỗi thời gian trong giám sát sức khỏe kết cấu cầu 39

2.4.1 Phương trình dao động của kết cấu [131] 39

2.4.2 Dao động tự do [131] 41

2.4.3 Dao động tắt dần [131] 45

2.4.4 Đặc trưng bất định, ngẫu nhiên của chuỗi dữ liệu theo thời gian trong giám sát sức khỏe kết cấu cầu 47

2.5 Phương pháp xấp xỉ tổng hợp tượng trưng (Symbolic Aggregate approXimation – SAX) 51

2.6 Phương pháp phân rã sóng rời rạc đa cấp (Multilevel Discrete Wavelet Decomposition – MDWD) 54

2.7 Kết luận Chương 2 56

CHƯƠNG 3 MẠNG HỌC SÂU TRUYỀN THỐNG VÀ MẠNG HỌC SÂU TÍCH CHẬP ỨNG DỤNG TRONG CHẨN ĐOÁN KẾT CẤU CÔNG TRÌNH CẦU 57

3.1 Mạng học sâu truyền thống 57

3.1.1 Cấu trúc cơ bản của mạng học sâu truyền thống 59

3.1.2 Một số mạng học sâu truyền thống 63

3.1.3 Mạng học sâu CNN 2 chiều (2DCNN) 63

3.1.4 Mạng học sâu CNN một chiều 64

3.2 Mạng học sâu tích chập đề xuất 66

3.3 Kết luận chương 3 73

CHƯƠNG 4 ÁP DỤNG MẠNG HỌC SÂU TÍCH CHẬP KẾT HỢP PHƯƠNG PHÁP SAX-MDWD ĐỂ CHẨN ĐOÁN CÁC HƯ HỎNG CHO

MÔ HÌNH C ẦU 74

4.1 Áp dụng mạng học sâu tích chập kết hợp phương pháp SAX-MDWD để chẩn đoán các hư hỏng cho mô hình cầu thực tế 74

4.1.1 Giới thiệu mô hình cầu 74

4.1.2 Xử lý dữ liệu 79

4.1.3 Kiến trúc mạng 82

4.1.4 Huấn luyện mạng và phân tích kết quả 84

4.2 Áp dụng mạng học sâu tích chập để chẩn đoán các hư hỏng cho mô hình cầu trong phòng thí nghiệm 93

4.2.1 Mô tả mô hình 93

4.2.2 Thí nghiệm đo dao động mô hình cầu dây văng 95

4.2.3 Phân tích xử lý số liệu 99

4.2.4 Xử lý dữ liệu 103

4.2.5 Các trường hợp tạo hư hỏng 104

4.2.6 Kiến trúc mạng 105

4.2.7 Phân tích kết quả 107

4.3 Kết luận chương 4 111

KẾT LUẬN VÀ KIẾN NGHỊ 112 TÀI LIỆU THAM KHẢO PL1 DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN PL14 Phụ lục: Code PL15

DANH MỤC HÌNH VẼ

Hình 0.1 Quá trình chẩn đoán hư hỏng kết cấu công trình 5

Hình 1.1 Quá trình phát triển của hệ thống quan trắc (Wenzel, 2003) 19

Hình 1.2 Giới thiệu một hệ thống “quan trắc thông minh” 19

Hình 1.3 Hệ thống quan trắc cầu dây võng Akashi Kaikyo, Nhật Bản 20

Hình 2.1 Một số loại dữ liệu theo thời gian; (a) Dữ liệu về nhiệt độ hàng ngày thấp nhất theo thời gian, (b) Dữ liệu gia tốc theo thời gian trích xuất từ các cảm biến 32

Hình 2.2 Tính ổn định và không ổn định của dữ liệu chuỗi thời gian: (a) chuỗi thời gian ổn định, chuỗi thời gian không ổn định (b – d) 38

Hình 2.3 Hệ thống một bậc tự do lý tưởng hóa: (a) các thành phần cơ bản; (b) lực ở trạng thái cân bằng 39

Hình 2.4 Mô hình phần tử nhiều bậc tự do 41

Hình 2.5 Ứng dụng của phương pháp SAX để giảm chiều dữ liệu 53

Hình 2.6 Phân rã sóng rời rạc ba mức độ của tín hiệu 56

Hình 3.1 Kernel kích thước 3*3 57

Hình 3.2 Máy tính coi một hình ảnh là một mảng số Ma trận bên phải chứa các số từ 0 đến 255 (giá trị pixel), mỗi số tương ứng với độ sáng pixel trong hình ảnh bên trái Hình ở giữa là hình ảnh tổng hợp của ma trận bên phải và hình ảnh bên trái 58

Hình 3.3 Một kiến trúc CNN đơn giản bao gồm năm lớp 60

Hình 3.4 Max pooling với kích thước (2,2) 61

Hình 3.5 Sau lớp gộp (2*2) 62

Hình 3.6 Tích hợp tối đa và tích hợp trung bình 62

Hình 3.7 Lớp được kết nối đầy đủ 63

Hình 3.8 Hình minh họa CNN mẫu với 2 lớp chập và một lớp được kết nối đầy đủ 64

Hình 3.9 Một cấu hình 1DCNN mẫu với 3 lớp CNN và 2 ANN 66

Hình 3.10 Mô hình RNN cho bài toán 67

Hình 3.11 Mô hình LSTM 69

Hình 3.12 Băng chuyền truyền dữ liệu của LSTM 70

Hình 3.13 Kiến trúc mạng lai 1-DCNN-LSTM 72

Hình 4.1 Hình chiếu đứng và hình chiếu bằng của cầu Z24 [129] 75

Hình 4.2 (a) Hình ảnh cầu Z24 trước khi tạo hư hỏng, (b) Cắt, tạo hư hỏng ở thân trụ, (c) kích

nâng trụ, (d) tạo đứt cáp DƯL [129] 76

Hình 4.3 Sơ đồ bố trí các điểm đo (a) mặt bằng, (b) mặt đứng [129] 77

Hình 4.4 (a) – (h) Dữ liệu gia tốc theo thời gian tại các sensors 79

Hình 4.5 Quá trình tiền xử lý dữ liệu động theo thời gian 80

Hình 4.6 Dữ liệu gia tốc theo thời gian tại một sensors sau khi được xử lý bằng phương pháp MDWD và SAX 81

Hình 4.7 Dữ liệu gia tốc theo thời gian tại của 16 lớp sau khi được xử lý 82

Hình 4.8 Kiến trúc của mạng 1DCNN-LSTM đề xuất 83

Hình 4.9 Đặc trưng của mạng 1DCNN-LSTM (MDWD-SAX-1DCNN-LSTM) 83

Hình 4.10 Đặc trưng của mạng 1DCNN-LSTM 84

Hình 4.11 Đặc trưng của mạng 1DCNN 84

Hình 4.12 Giao diện của Google colab 85

Hình 4.13 Sự hội tụ của các mô hình (a) độ hội tụ quá trình huấn luyện của 3 phương pháp; (b) độ hội tụ quá trình đánh giá mạng của 3 phương pháp 85

Hình 4.14 Ma trận lỗi (a) 1DCNN; (b) 1DCNN-LSTM; (c) MDWD-SAX-1DCNN-LSTM 91 Hình 4.15 Kết quả độ chính xác của các mạng ở bước đánh giá 91

Hình 4.16 Mô hình cầu dây văng trong phòng thí nghiệm 93

Hình 4.17 Neo dây cáp được hàn cố định trên bản mặt cầu 94

Hình 4.18 Hệ thống điều chỉnh lực căng dây văng tại đỉnh tháp 94

Hình 4.19 Quả nặng được treo dưới các neo cáp tại bản dưới của kết cấu nhịp 95

Hình 4.24 Đầu đo gia tốc PCB-353B34 96

Hình 4.25 Bộ thu thập dữ liệu cDAQ-9178 và mô đun đầu vào NI-9234 96

Hình 4.26 Các sơ đồ bố trí điểm đo dao động 98

Hình 4.27 Bố trí đầu đo gia tốc tại các vị trí theo sơ đồ đo 98

Hình 4.28 Tạo lực kích thích 98

Hình 4.29 Theo dõi dữ liệu đo theo thời gian bằng phần mềm LabView 2014 99

Hình 4.30 Dữ liệu đo trên miền thời gian trước và sau khi áp dụng biến đổi Fourier 99

Hình 4.31 Dữ liệu thô thu được từ các cảm biến 103

Hình 4.32 Dữ liệu sau khi biến đổi dùng SAX-MDWD 104

Hình 4.33 Trường hợp hư hỏng trên mô hình cầu dây văng (hư hỏng cấp 2) 105

Hình 4.34 Đặc trưng của mạng 1DCNN-LSTM 106 Hình 4.35 Đặc trưng của mạng 1DCNN 106 Hình 4.36 Sự hội tụ của các mô hình (a) độ hội tụ quá trình huấn luyện; (b) độ hội tụ quá trình

đánh giá mạng của mô hình 107

Hình 4.37 Ma trận lỗi (a) 1DCNN; (b) 1DCNN-LSTM; (c) MDWD-SAX-1DCNN-LSTM 109 Hình 4.38 Kết quả độ chính xác của các mạng ở bước đánh giá 110

DANH MỤC BẢNG BIỂU

Bảng 4.1 Các trường hợp tạo ra hư hỏng và các nhãn tương ứng [130] 75

Bảng 4.2 Kết quả huấn luyện mạng sử dụng 1DCNN 88

Bảng 4.3 Kết quả huấn luyện mạng sử dụng 1DCNN-LSTM 89

Bảng 4.4 Kết quả huấn luyện mạng sử dụng MDWD-SAX-1DCNN-LSTM 89

Bảng 4.6: Đặc trưng động của 07 hình thái dao động đầu tiên của cầu 101

Bảng 4.7 Kết quả đo đặc trưng dao động trên mô hình 103

Bảng 4.8 Kết quả huấn luyện mạng sử dụng 1DCNN 108

Bảng 4.9 Kết quả huấn luyện mạng sử dụng 1DCNN-LSTM 108

Bảng 4.10 Kết quả huấn luyện mạng sử dụng MDWD-SAX-1DCNN-LSTM 109

DANH MỤC CHỮ VIẾT TẮT

Chữ

viết tắt Thuật ngữ đầy đủ tiếng Anh Tiếng Việt

ARMA AutoRegressive Moving Average Trung bình tự động hồi quy

input

Tự động hồi quy với đầu vào điện tử

BHMS Bridge Structural Health

FN False Negative Âm tính giả

MNIST Modified National Institute of

Standards and Technology

Viện tiêu chuẩn và công nghệ quốc gia

M Ở ĐẦU

1 Mở đầu

Chẩn đoán kết cấu cầu là quá trình phân tích sự thay đổi về các đặc trưng dao động như tần số và dạng dao động để phát hiện hư hỏng, khuyết tật của kết cấu dựa trên tích chất tương quan khá chặt chẽ của các đặc trưng vật lý và cơ học với các đáp ứng động học và động lực học của kết cấu

Trong quá trình khai thác, có rất nhiều nguyên nhân gây ra hư hỏng cũng như làm ảnh hưởng đến chất lượng và tuổi thọ của các công trình cầu như các tác động tự nhiên (bão, lũ, động đất,…) hoặc các tác động do con người (xe quá tải, tai nạn,…) Ngoài ra bên trong kết cấu các công trình còn có tần số dao động tự nhiên, gây ra dao động khuếch đại khi trùng hoặc là bội số với tần số của phương tiện di chuyển (cộng hưởng cơ học) sẽ làm cho kết cấu công trình bị hư hỏng

Các sự cố xảy ra đối với các công trình cầu không chỉ làm ảnh hưởng đến kinh tế mà còn gây mất an toàn cho người và phương tiện tham gia giao thông Vì vậy trong những thập kỷ vừa qua, kiểm soát an toàn của các công trình cầu là vấn

đề nhận được sự quan tâm đặc biệt của các khoa học cũng như các cơ quan quản

lý Kiểm tra thường xuyên và đánh giá tình trạng của các kết cấu công trình là rất cần thiết để phát hiện sớm các khiếm khuyết của công trình Từ đó cho phép bảo trì và sửa chữa kết cấu ở giai đoạn sớm, đảm bảo sự an toàn và độ tin cậy của kết cấu với chi phí tối thiểu

Với các phương pháp truyền thống, công việc kiểm soát an toàn khai thác của các công trình cầu được thực hiện theo các Tiêu chuẩn kỹ thuật [132], [133]

về kiểm tra, kiểm định, đánh giá tình trạng kỹ thuật của công trình theo các yêu cầu thường xuyên, định kỳ hay đột xuất nhằm phát hiện hư hỏng, đánh giá mức

độ ảnh hưởng để sử dụng các giải pháp khắc phục, sửa chữa kịp thời Trong đó phương pháp trực quan là phương pháp được áp dụng phổ biến nhất để phát hiện các hư hỏng của kết cấu

Tuy nhiên, kích thước và độ phức tạp của các kết cấu ngày nay đang tăng lên, làm giảm hiệu quả của phương pháp kiểm tra trực quan Ngoài ra, quá trình kiểm tra trực quan đòi hỏi người kiểm tra phải trực tiếp tiếp cận được những vị trí

hư hỏng của công trình để tiến hành thí nghiệm Việc này đôi khi rất khó khăn trong trường hợp các cầu không được gắn sẵn các hệ thống giúp tiếp cận vị trí cần kiểm tra, đặc biệt là ở mặt dưới của kết cấu nhịp cầu Kỹ thuật kiểm tra trực quan cũng giới hạn việc đánh giá hư hỏng của kết cấu từ những biểu hiện trên bề mặt (nứt) hoặc thay đổi về mặt hình học (nghiêng, võng), đôi khi không cung cấp đủ thông tin để đánh giá tình trạng hư hỏng bên trong của kết cấu (ví dụ như rỉ cốt thép dự ứng lực bên trong kết cấu bê tông dự ứng lực) Giám sát sức khỏe kết cấu bằng phương pháp trực quan gây tốn kém và mất thời gian, đặc biệt là khi việc tháo dỡ kết cấu (cắt, xẻ kết cấu ) là bắt buộc để có thể truy cập vào khu vực cần kiểm tra Những tác động này làm thay đổi tính chất vật lý và có thể làm giảm khả năng chịu lực của kết cấu

Bên cạnh phương pháp kiểm tra trực quan, phương pháp dựa trên các đáp ứng tĩnh học (ứng suất, biến dạng, chuyển vị) cũng được áp dụng để giám sát sức khỏe các công trình Tuy nhiên, phương pháp này không phát hiện được các hư hỏng trong kết cấu một cách trực tiếp và vẫn cần đến các phương pháp phá hủy như cưa, cắt để thu được các đặc tính hư hỏng Phương pháp này cũng có nhược điểm đó là phải tạm dừng khai thác công trình trong quá trình tiến hành thí nghiệm, gây những khó khăn cho các công trình trên tuyến giao thông quan trọng với mật

độ giao thông qua lại lớn, hoặc các cầu nằm trong thành phố

Để khắc phục những nhược điểm của phương pháp kiểm tra trực quan cũng như phương pháp thử nghiệm tĩnh, các phương pháp đánh giá, xác định hư hỏng trong kết cấu khác đã được nghiên cứu, phát triển Trong đó, phương pháp được nghiên cứu tập trung hiện nay là phương pháp đánh giá tình trạng sức khỏe kết cấu dựa trên kết quả đo các đặc trưng dao động (tần số dao động tự nhiên, dạng dao động, hệ số cản ) Do các đặc trưng dao động của kết cấu (đặc biệt là dạng dao động) phụ thuộc vào sự phân bố về độ cứng và khối lượng của nó, nên dựa

vào các đặc trưng động học có thể giúp xác định được vị trí có khả năng xuất hiện

hư hỏng trong kết cấu

Ưu điểm chính của phương pháp đánh giá tình trạng sức khỏe kết cấu dựa trên kết quả đo các đặc trưng dao động là cung cấp thông tin tổng thể về tình trạng sức khỏe kết cấu Ngoài ra, từ việc phân tích sự thay đổi về các đặc trưng dao động như tần số và dạng dao động, có thể xác định được vị trí hư hỏng Vị trí hư hỏng này không nhất thiết phải trùng với các vị trí đặt đầu đo để xác định các đặc trưng dao động Các cảm biến đo nhận dạng dao động giúp xác định các đặc trưng dao động của kết cấu có thể được gắn tạm thời trên kết cấu khi cần thực hiện phép

đo các hiệu ứng tĩnh và động hoặc được gắn sẵn trên kết cấu để tạo ra hệ thống

theo dõi sức khỏe công trình một cách liên tục Vì vậy luận án này sẽ tập trung

vào cách tiếp cận chẩn đoán hư hỏng trong kết cấu dựa trên dữ liệu động

Hiện nay, để giám giám sát các công trình cầu một cách hiệu quả, thì yêu cầu các cảm biến được lắp đặt lâu dài trên kết cấu công trình và dữ liệu được truyền liên tục về các trung tâm xử lý dữ liệu với lượng dữ liệu cần xử lý là rất lớn, đồng thời dữ liệu trình tự phổ biến nhất trong lĩnh vực giám sát sức khỏe kết cấu công trình là dữ liệu trình tự theo thời gian, thường có sự phụ thuộc từ trước

đến sau theo thứ nguyên thời gian Vì vậy, luận án này sẽ sử dụng chuỗi dữ liệu

động thu được theo thời gian để chẩn đoán hư hỏng kết cấu cầu

Trong bài toán chẩn đoán kết cấu, độ chính xác thường phụ thuộc rất lớn vào chất lượng dữ liệu Tuy nhiên, đặc tính của dữ liệu đo thường bị ảnh hưởng bởi yếu tố ngẫu nhiên vì vậy việc thu thập dữ liệu cho bài toán này thường gặp phải nhiều thách thức, bao gồm các vấn đề về chất lượng dữ liệu, bất đồng về định dạng dữ liệu, thiếu dữ liệu và đặc biệt là nhiễu Thực tế cho thấy, khi một đại lượng được đo, kết quả phụ thuộc vào nhiều yếu tố như hệ thống thiết bị đo, trình

tự thủ tục đo, kỹ năng của người thao tác, yếu tố môi trường (nhiệt độ, gió) và các ảnh hưởng khác, do đó, việc sử dụng các phương pháp cải thiện dữ liệu thô, đặc biệt là giảm tính bất định của dữ liệu là cần thiết để tăng độ chính xác của mô hình

giám sát sức khỏe kết cấu Chính vì vậy, trong luận án này, NCS đề xuất áp dụng

p hương pháp xấp xỉ tổng hợp tượng trưng (Symbolic Aggregate approXimation –

SAX) và Phân rã sóng rời rạc đa cấp (Multilevel Discrete Wavelet Decomposition – MDWD) để cải thiện dữ liệu

Bài toán chẩn đoán hư hỏng kết cấu dựa trên dữ liệu động thông thường gồm một số mô hình độc lập nhau, phổ biến như trích xuất đặc trưng, biến đổi đặc trưng và bộ phân loại (Hình 0.1) Trong quá trình trích xuất đặc trưng, có nhiều phương pháp xử lý tín hiệu như: Fourier Transform (FT), phép biến đổi Fourier thời gian ngắn (STFT), phép biến đổi sóng Wavelet (WT), Phân rã chế độ thực nghiệm (EMD), v.v Bằng cách thực hiện một số biến đổi của tín hiệu chuỗi thời gian, các phương pháp trên có thể trích xuất các đặc trưng phục vụ cho việc phân loại và chẩn đoán [1-2] Phương pháp này được đánh giá là hiệu quả đối với các kết cấu đơn giản, vì tín hiệu trạng thái thu được thường có đặc tính tần số rõ ràng Tuy nhiên, đối với kết cấu phức tạp, việc chẩn đoán kết cấu chỉ dựa trên đặc trưng tần số hoặc đặc trưng tần số - thời gian theo cách dựa trên kinh nghiệm của người

kỹ sư là rất khó khăn, độ chính xác không cao

Đồng thời, một số phương pháp trên được đánh giá còn nhiều hạn chế, ví

dụ phương pháp FT có hiện tượng rò rỉ phổ và không phù hợp với các tín hiệu không ổn định vì các đặc trưng tần số được chuyển đổi không có bất kỳ thông tin miền thời gian nào Phép biến đổi Fourier thời gian ngắn có thể thực hiện phân tích thời gian - tần số cục bộ, nhưng khi hàm cửa sổ được chọn, kích thước và hình dạng của cửa sổ là cố định và không thể điều chỉnh phù hợp với các đặc trưng thời gian – tần số của tín hiệu Phép biến đổi sóng Wavelet [3] có thể phân tích thời gian - tần số cục bộ và có tính thích ứng hơn với việc phân tích các tín hiệu biến thiên theo thời gian, tuy nhiên việc lựa chọn hàm cơ sở, xác định các lớp phân rã vẫn còn nhiều khó khăn trong quá trình ứng dụng sóng biến đổi EMD là một phương pháp xử lý thời gian - tần số được đề xuất bởi Huang và các cộng sự, đặc biệt phù hợp với các tín hiệu phi tuyến và không ổn định, nhưng về cơ bản nó

là một phương pháp phân rã tín hiệu thực nghiệm mà không có định nghĩa công thức chính xác, vì vậy rất khó phân tích về mặt lý thuyết [4-5]

Các đặc trưng thu được bằng các phương pháp xử lý tín hiệu trên thường

có kích thước lớn, không có lợi cho việc nhận dạng mẫu sau này, vì vậy nhiều nhà

nghiên cứu đã cố gắng cải thiện khả năng nhận dạng đặc trưng bằng cách sử dụng các phương pháp chuyển đổi đặc trưng như xử lý thưa thớt, giảm chiều dữ liệu Các phương pháp được nghiên cứu nhiều nhất bao gồm phương pháp phân tích thành phần độc lập (ICA) [6-7], và phương pháp phân tích suy biến (SVD) [8]

Hình 0.1 Quá trình chẩn đoán hư hỏng kết cấu công trình

Bộ phân loại được sử dụng để phân loại các kết quả của việc trích xuất và biến đổi đặc trưng, trong đó phương pháp Máy vectơ hỗ trợ (SVM) và thuật toán lan truyền ngược (BPNN) thường được sử dụng để phân loại và phân tích hồi quy Đối với kết cấu giản đơn, loại phương pháp từng bước này được đánh giá là khá hiệu quả Tuy nhiên, đối với các kết cấu phức tạp và số chiều dữ liệu ngày càng cao, sẽ xuất hiện một số lỗi mới Một mô hình chẩn đoán thông minh phải có khả năng tổng quát hóa tốt để xử lý và xác định các lỗi mới, tuy nhiên các phương pháp trên không có khả năng này Quan trọng hơn, quá trình trích xuất tính năng truyền thống không được định hướng trực tiếp đến việc phân loại lỗi, hư hỏng kết cấu, ngoài ra các mô hình trên hoạt động độc lập, nghĩa là bộ trích xuất đặc trưng

và bộ phân loại độc lập với nhau, dẫn đến khả năng xuất hiện lỗi trong việc trích xuất đặc trưng hay tính bất định trong chẩn đoán hư hỏng kết cấu

Do đó, điều quan trọng trong chẩn đoán kết cấu với chuỗi dữ liệu lớn theo thời gian là phải có được một mô hình chẩn đoán thông minh, không chỉ tối ưu hóa trích xuất đặc điểm và nhận dạng mẫu mà còn có khả năng tổng quát hóa tốt Những năm gần đây, nhiều phương pháp đã được đề xuất để nâng cao hiệu quả

và độ chính xác của các phương pháp giám sát sức khỏe công trình Trong các phương pháp được đề xuất, phương pháp sử dụng học máy (Machine learning –

ML) để hoàn thiện quy trình đánh giá sức khỏe công trình dựa trên phân tích động

đã cho thấy những hiệu quả tiềm năng Phương pháp học máy đã được ứng dụng

để giải quyết nhiều vấn đề kỹ thuật phức tạp, bao gồm nhận dạng, phân loại, hệ thống kiểm soát và xử lý hình ảnh…

Gần đây một số nhà nghiên cứu ở Việt Nam đã bắt đầu nghiên cứu sử dụng phương pháp học máy, cụ thể là mạng nơ ron nhân tạo (Artificial neural network – ANN) để giám sát sức khỏe kết cấu Mặc dù kết quả nhận được khả quan tuy nhiên các phương pháp ANN tồn tại những nhược điểm căn bản làm cho nó khó

áp dụng cho một số trường hợp thực tế, điển hình trong xử lý các dữ liệu ảnh và

xử lý dữ liệu lớn Trong thực tế, để giám sát các công trình trực tuyến, thì yêu cầu các cảm biến được lắp đặt lâu dài trên kết cấu công trình và dữ liệu được truyền liên tục về các trung tâm xử lý dữ liệu, bao gồm cả dữ liệu ảnh và dữ liệu số, vì vậy lượng dữ liệu cần xử lý là rất lớn Hiện nay, xu hướng giám sát sức khỏe kết cấu sẽ theo dõi toàn bộ công trình, thay vì chỉ tập trung vào các vị trí nghi ngờ, vì vậy lượng dữ liệu thu được tăng lên rất lớn, điều này đang tạo ra các thách thức đối với các kỹ thuật phân tích và thu thập dữ liệu Ví dụ như, cầu Vincent Thomas

ở San Pedro, California sử dụng 26 cảm biến để theo dõi sức khỏe đã tạo ra khoảng

3 terabytes (TB) dữ liệu trên một năm; dự án theo dõi cầu ở Liên bang Nga trích xuất khoảng 7 gigabytes (GB) dữ liệu mỗi ngày; hơn 20 GB dữ liệu đã thu được trong quá trình kiểm tra đường sắt tự động tại thành phố Brockton, Massachusetts hay theo dõi sức khỏe của các cánh tuabin gió ở Bỉ đã tạo ra hơn 300 GB dữ liệu trong 6 tháng Vì vậy cần thiết phát triển và áp dụng những công cụ mạnh mẽ với tính linh hoạt cao để xử lý các loại dữ liệu khác nhau, từ đó nâng cao được hiệu quả cũng như độ chính xác trong chẩn đoán kết cấu

Những năm gần đây, với sự phát triển của các hệ thống tính toán cũng như các thuật toán học máy, các mô hình học sâu (Deep Learning - DL) đã được áp dụng rộng rãi trên thế giới, đặc biệt trong những ngành công nghiệp như chế tạo máy, dầu khí, công trình,…, và nhận được nhiều sự quan tâm của các nhà nghiên cứu Ưu điểm của các mô hình học sâu là tận dụng khả năng tự trích chọn được các đặc trưng của dữ liệu từ lớp tích chập và bộ phân lớp được huấn luyện đồng

thời Cơ chế học đồng thời các đặc trưng và bộ phân lớp có thể hỗ trợ nhau trong quá trình huấn luyện và quá trình phân lớp tìm ra tham số phù hợp với các vector đặc trưng tìm được từ các lớp tích chập, ngược lại các lớp tích chập hiệu chỉnh lại các tham số của chúng để cho các vector đặc trưng thu được là tuyến tính và phù hợp với bộ phân lớp cuối cùng

Trong lĩnh vực giám sát sức khỏe kết cấu công trình, với đặc điểm nguồn

dữ liệu lớn được đo dài hạn trên các kết cấu công trình, các mô hình học sâu có thể khắc phục hạn chế của các phương pháp truyền thống để có thể đánh giá, chẩn đoán và giám sát tình trạng của cơ sở hạ tầng giao thông Các mô hình học sâu được huấn luyện và có thể phát hiện, phân loại và dự đoán chính xác vị trí, mức

độ hư hỏng đang xảy ra với kết cấu Chính vì thế việc nghiên cứu, ứng dụng các

mô hình học sâu để phát hiện hư hỏng các công trình hạ tầng giao thông là hết sức cấp thiết trong bối cảnh hiện nay Các phương pháp này sẽ giúp cho việc phát hiện

hư hỏng,… được thuận lợi, dễ dàng và tiết kiệm chi phí

Do vậy, trong nội dung nghiên cứu của mình, nghiên cứu sinh tập trung đi sâu nghiên cứu: “Chẩn đoán kết cấu cầu dựa trên chuỗi dữ liệu đo dao động theo thời gian kết hợp sử dụng mạng học sâu tích chập” làm chủ đề nghiên

cứu trong luận án của mình

2 Mục tiêu nghiên cứu

- Nghiên cứu bài toán chẩn đoán hư hỏng của kết cấu công trình cầu dựa vào các dữ liệu động thu được từ các cảm biến

- Đề xuất thuật toán học sâu tích chập kết hợp để phát hiện các hư hỏng trong kết cấu

- Thực hiện và tham khảo các thí nghiệm đo dao động của công trình cầu thực tế, sau đó áp dụng phương pháp đề xuất để chẩn đoán hư hỏng trong kết cấu

3 Phương pháp nghiên cứu

- Phương pháp tổng hợp phân tích lý thuyết;

- Phương pháp số;

- Phương pháp phân tích số kết hợp với thực nghiệm

4 Đối tượng và phạm vi nghiên cứu

- Đặc trưng động học của kết cấu công trình cầu;

- Các phương pháp xử lý số liệu

- Các phương pháp học sâu tích chập kết hợp;

- Chẩn đoán vị trí và hư hỏng của kết cấu

5 Ý nghĩa khoa học và thực tiễn

- Áp dụng các phương pháp học sâu để chẩn đoán hư hỏng kết cấu, sử dụng hiệu quả cho các dạng dữ liệu theo thời gian (là cơ sở để xây dựng công cụ

để giám sát trực tuyến các công trình)

- Đề xuất phương pháp để cải thiện dữ liệu, cùng với thuật toán kết hợp đề xuất để cải thiện độ chính xác của phương pháp học sâu

- Tạo cơ sở dữ liệu công trình như một dạng hồ sơ lưu trữ giúp giám sát sức khỏe công trình

- Kết quả của luận án có thể sử dụng làm tài liệu tham khảo hữu ích cho lĩnh vực giám sát sức khỏe công trình

6 Nội dung và kết cấu của luận án

Ngoài phần mở đầu, kết luận và kiến nghị, luận án bao gồm 04 chương với

nội dung và phụ lục có kết cấu như sau:

Mở đầu:

Phần mở đầu NCS đã phân tích một số ưu điểm và hạn chế của bài toán chẩn đoán hư hỏng kết cấu dựa trên dữ liệu đo động theo phương pháp truyền thống, những thách thức bao gồm các vấn đề về chất lượng dữ liệu, thiếu dữ liệu, đặc biệt là nhiễu của dữ liệu đo dẫn đến đặc tính ngẫu nhiên/bất định của dữ liệu với dải phân tán khá rộng, làm cho bài toán chẩn đoán hư hỏng đối với kết cấu phức tạp với nguồn dữ liệu lớn có độ chính xác không cao hoặc xuất hiện lỗi trong quá trình chẩn đoán Trên cơ sở đó, NCS định hướng phân tích một số yếu tố chính gây ra tính bất định của dữ liệu đo, từ đó đề xuất áp dụng các phương pháp

hiện đại để cải thiện dữ liệu thô, giảm tính bất định của dữ liệu đo, tăng độ chính xác của mô hình giám sát sức khỏe kết cấu, đồng thời NCS đề xuất kết hợp mô hình học sâu để giải quyết bài toán dữ liệu lớn trong chẩn đoán kết cấu sử dụng

dữ liệu động đo được theo thời gian

Chương 1 - Tổng quan về nghiên cứu chẩn đoán kết cấu công trình cầu dựa trên phương pháp đo nhận dạng dao động

Chương 1 giới thiệu tổng quan về chẩn đoán kết cấu công trình cầu dựa trên phương pháp đo nhận dạng dao động, mục đích của chẩn đoán sức khỏe kết cấu dựa trên phương pháp đo nhận dạng dao động, tình hình nghiên cứu giám sát sức khỏe kết cấu dựa trên phương pháp nhận dạng dao động trên thế giới cũng như ở Việt Nam

Chương 2 - Cơ sở lý thuyết về giám sát sức khỏe kết cấu sử dụng dữ liệu theo thời gian dựa trên các đặc trưng động học

Chương 2 giới thiệu về áp dụng dữ liệu chuỗi thời gian trong giám sát sức khỏe kết cấu, các yếu tố ảnh hưởng đến tính bất định của kết quả đo dao động, phương pháp xấp xỉ tổng hợp tượng trưng (Symbolic Aggregate approXimation – SAX) và Phân rã sóng rời rạc đa cấp (Multilevel Discrete Wavelet Decomposition– MDWD) để cải thiện dữ liệu, giảm tính bất định của dữ liệu đo Trong chương này, hiệu quả của việc kết hợp đồng thời hai phương pháp SAX-MDWD cũng được phân tích chi tiết

Chương 3 – Mạng học sâu truyền thống và mạng học sâu tích chập ứng dụng trong chẩn đoán kết cấu công trình cầu

Chương 3 giới thiệu các phương pháp học sâu truyền thống sử dụng mạng

kết hợp giữa 1DCNN và mạng hồi quy LSTM cho bài toán giám sát sức khỏe kết cấu giúp tăng độ chính xác của kết quả đáng kể so với mạng học sâu truyền thống 1DCNN khi áp dụng để giám sát sức khỏe kết cấu

Chương 4 - Áp dụng mạng học sâu tích chập kết hợp phương pháp MDWD để chẩn đoán các hư hỏng cho mô hình cầu

SAX-Chương 4 áp dụng phương pháp đề xuất (phương pháp 1DCNN-LSTM) để chẩn đoán hư hỏng cho công trình cầu thực tế (cầu Z24) với nguồn dữ liệu đo đạc được công bố công khai, đầy đủ, tin cậy trên các trang mạng phục vụ nghiên cứu khoa học Để so sánh với thuật toán được đề xuất, phương pháp 1DCNN và 1DCNN – LSTM cũng được áp dụng Ngoài ra, phương pháp đề xuất cũng được áp dụng để chẩn đoán hư hỏng với kết cấu thực là mô hình cầu dây văng được NCS và nhóm nghiên cứu thực hiện trong phòng thí nghiệm Để

SAX-MDWD-so sánh với thuật toán được đề xuất, phương pháp 1DCNN và 1DCNN – LSTM cũng được áp dụng

Kết luận và kiến nghị

Trên cơ sở kết quả đạt được của luận án, NCS rút ra một số kết luận và kiến nghị, cụ thể: Dữ liệu chuỗi thời gian trong giám sát sức khỏe cầu bị ảnh hưởng bởi rất nhiều yếu tố, do đó bộ dữ liệu động thu được có đặc tính ngẫu nhiên/bất định với dải phân tán khá rộng Việc áp dụng đồng thời phương pháp SAX-MDWD-1DCNN-LSTM đã khai thác được rất hiệu quả tính năng tiền xử lý dữ liệu và liên kết, học dữ liệu đối với chuỗi dữ liệu theo thời gian trong lĩnh vực chẩn đoán, theo dõi sức khỏe kết cấu cầu, từ đó tận dụng được khả năng của các phương pháp, nâng cao độ chính xác của kết quả dự đoán Phương pháp đề xuất này có những tiềm năng lớn để áp dụng cho việc giám sát các công trình cầu thực

tế vì phương pháp này làm việc rất hiệu quả với dữ liệu theo thời gian (là dạng dữ liệu phổ biến cho bài toán giám sát công trình cầu hiện nay)

Phần Tài liệu tham khảo:

Tổng hợp 133 tài liệu có liên quan đến những vấn đề và nội dung nghiên cứu được đề cập đến trong luận án

Phần Phụ lục:

Giới thiệu mã code chương trình phục vụ chẩn đoán kết cấu trong luận án

CHƯƠNG 1 : TỔNG QUAN VỀ NGHIÊN CỨU CHẨN ĐOÁN SỨC KHỎE KẾT CẤU CÔNG TRÌNH CẦU DỰA TRÊN PHƯƠNG PHÁP

Mặc dù ban đầu khi thiết kế, các kết cấu công trình cầu đã được tính toán

để đảm bảo các trạng thái về cường độ cũng như trạng thái sử dụng, tuy nhiên hầu hết các kết cấu công trình cầu sẽ xuống cấp theo thời gian Sự xuống cấp này là

do nhiều nguyên nhân khác nhau, bao gồm do tải trọng quá tải, ảnh hưởng của các yếu tố môi trường như ăn mòn thép, cacbon hóa bê tông cũng như sự lão hóa của vật liệu Ngoài ra, sự xuống cấp có thể do các hiện tượng cực đoan không thường xuyên như động đất, bão và lũ lụt Do đó, sức khỏe kết cấu sẽ bị ảnh hưởng bởi các yếu tố vận hành và môi trường, bao gồm điều kiện tải bình thường, môi trường hiện tại và tương lai cũng như các nguy cơ dự kiến trong suốt thời gian tồn tại Do

đó, để đánh giá một cách đáng tin cậy sức khỏe của kết cấu và duy trì sự an toàn của kết cấu, việc giám sát sức khỏe liên tục của kết cấu công trình là vô cùng cần thiết [9-14]

Trước đây, việc đánh giá tình trạng của kết cấu công trình phần lớn phụ thuộc vào việc kiểm tra trực quan Tuy nhiên, kỹ thuật kiểm tra trực quan cũng không có khả năng để xác định hư hỏng nằm sâu trong kết cấu Phương pháp đánh giá chủ quan và không chính xác này đã được xác định là rào cản kỹ thuật quan trọng để quản lý cơ sở hạ tầng hiệu quả Do đó, rất khó để đánh giá chính xác tình trạng kết cấu từ dữ liệu kiểm tra trực quan, ngay cả khi quá trình này được tiến hành bởi các chuyên gia [15] Hơn nữa, hiện nay theo các Tiêu chuẩn kỹ thuật [132], [133] chỉ hướng dẫn cho các công tác kiểm tra, giám sát kết cấu truyền thống, trực quan, thiếu đi các hướng dẫn đẩy đủ cho dữ liệu theo thời gian lớn,

hay áp dụng các công nghệ khoa học tiên tiến như học sâu để giám sát Chính vì vậy, việc nghiên cứu về chẩn đoán hư hỏng dựa trên dữ liệu chuỗi thời gian là vô cùng cần thiết

Bên cạnh phương pháp kiểm tra trực quan, phương pháp dựa trên đặc trưng

về tĩnh học (ứng suất, biến dạng) cũng được áp dụng chủ yếu ở Việt nam hiện nay

để theo dõi sức khỏe các công trình Tuy nhiên, phương pháp này không phát hiện được các hư hỏng trong kết cấu một cách trực tiếp và vẫn cần đến các phương pháp phá hủy như cưa, cắt để thu được các tham số hư hỏng Phương pháp này cũng có nhược điểm đó là phải tạm dừng khai thác công trình khi tiến hành thí nghiệm, điều này gây những khó khăn cho các công trình trên tuyến giao thông quan trong với mật độ giao thông qua lại lớn, hoặc các cầu nằm trong thành phố

Để khắc phục những nhược điểm của phương pháp kiểm tra trực quan, cũng như phương pháp kiểm tra tĩnh, các kỹ thuật phát hiện hư hỏng trong kết cấu không phá hủy đã được phát triển Một trong số ít các phương pháp theo dõi sức khỏe kết cấu không phá hủy đang được áp dụng và đạt được hiệu quả trên thế giới

đó là phương pháp dựa trên các đặc trưng về dao động của kết cấu

Phương pháp đánh giá hư hỏng sử dụng dữ liệu đo nhận dạng dao động, chẳng hạn như tần số dao động riêng, hình thái dao động, hệ số dao động tắt dần cho thấy những tiềm năng đối với việc đánh giá sức khỏe của các kết cấu công trình [16-17] Theo dõi sức khỏe có thể đánh giá hiệu suất của các kết cấu một cách chủ động bằng cách sử dụng dữ liệu đo được và các thuật toán giải thích

dữ liệu, để đánh giá chính xác tình trạng hiện tại và dự đoán tuổi thọ còn lại của công trình Ưu điểm chính của phương pháp này là chúng cung cấp thông tin tổng thể về tình trạng sức khỏe kết cấu để đánh giá trạng thái kết cấu, các phép đo tại một vị trí là đủ để đánh giá tình trạng của toàn bộ kết cấu Vị trí đo có thể khác với vị trí hư hỏng Các phương pháp dựa trên đặc trưng dao động của kết cấu có thể được áp dụng không liên tục (triển khai tạm thời các cảm biến) và hệ thống thu nhận hoặc liên tục (nhúng các cảm biến trong kết cấu)

1.1.2 Mục đích của chẩn đoán sức khỏe kết cấu dựa trên phương pháp đo nhận dạng dao động

Giám sát sức khỏe kết cấu (Structural Health Monitoring – SHM) được định nghĩa là quá trình xác định hư hỏng và đánh giá sức khỏe của kết cấu công trình SHM dựa trên phương pháp đo nhận dạng dao động sử dụng hệ thống cảm biến và các cơ sở phần cứng và phần mềm liên quan để giám sát hiệu suất kết cấu

và môi trường hoạt động của kết cấu kỹ thuật SHM liên quan đến việc quan sát kết cấu theo thời gian, sử dụng các phép đo phản ứng kết cấu và môi trường hoạt động được lấy mẫu định kỳ từ một loạt các cảm biến và sau đó đánh giá trạng thái hiện tại và hiệu suất trong tương lai của kết cấu Đối với SHM dài hạn, đầu ra của quá trình này là thông tin được cập nhật định kỳ liên quan đến khả năng của kết cấu để thực hiện chức năng dự kiến của nó, bằng cách xem xét sự lão hóa và suy thoái không thể tránh khỏi do môi trường hoạt động [18] Hơn nữa, SHM được sử dụng để đánh giá tình trạng, cung cấp thông tin nhanh chóng và đáng tin cậy về tính toàn vẹn của kết cấu sau các sự cố xảy ra, chẳng hạn như động đất hoặc tải trọng nổ SHM nhằm xác định hư hỏng kết cấu và đánh giá sức khỏe của kết cấu bằng cách sử dụng dữ liệu được giám sát Hư hỏng được định nghĩa ở đây là những thay đổi đối với vật liệu và / hoặc tính chất hình học của kết cấu, ảnh hưởng đến trạng thái hiện tại và tính năng trong tương lai của kết cấu [19]

So với các phương pháp thử tải, kiểm định, quan trắc định kỳ đối với công trình cầu cũng như so với các phương pháp kiểm tra đo đạc truyền thống khác, phương pháp SHM dựa trên các đặc tính động học có những đặc điểm khác biệt hơn như:

- Cung cấp thời gian thực trong giám sát, phân tích và liên tục phát hiện sự giảm khả năng chịu lực, hư hỏng mà không làm tổn hại đến kết cấu trong suốt quá trình khai thác của công trình

- Đặc biệt hệ thống này còn theo dõi và ghi lại các ứng xử của kết cấu trong trường hợp đặc biệt (như có bão lũ, thiên tai hoặc sự cố tai nạn nghiêm trọng) mà các phương pháp truyền thống khác không thể giám sát được

Những lợi ích rõ ràng, quan trọng nhất của quan trắc kết cấu cầu như sau:

- Việc quan trắc sẽ làm giảm các rủi ro về các nguyên nhân không lường trước giúp cho Cơ quan quản lý cầu có các quyết định kịp thời dựa trên số liệu thực tế làm việc của công trình cầu

- Công tác quan trắc giúp việc phát hiện kịp thời các khiếm khuyết về mặt kết cấu và tăng độ an toàn cho cây cầu: kết cấu cầu có thể có các khiếm khuyết

mà không thể phát hiện bằng các kiểm tra bằng mắt hoặc kiểm tra trên mô hình Trong những trường hợp này yêu cầu sống còn là phải có các biện pháp khắc phục kịp thời trước khi tình hình trở nên quá muộn Công tác sửa chữa nếu được tiến hành sớm và đúng thời điểm sẽ có chi phí thấp và thời gian phải ngừng lưu thông

là ngắn nhất Có được thông tin từ hệ thống quan trắc được gắn sẵn trên cầu sẽ làm tăng mức độ an toàn cả cho kết cấu và người sử dụng

- Công tác quan trắc giúp ích cho công tác quản lý duy tu kết cấu cầu: dữ liệu quan trắc có thể giúp cho việc thực hiện công tác “bảo dưỡng theo nhu cầu” Các hoạt động vận hành, duy tu bảo dưỡng, sửa chữa hoặc thay thế các bộ phận của kết cấu sẽ được tối ưu hóa dựa trên các số liệu tin cậy phản ánh tình trạng làm việc thực của kết cấu

- Việc quan trắc sẽ xác định được mức độ dự trữ về cường độ của cây cầu:

có nhiều hạng mục của kết cấu có tình trạng tốt hơn so với dự kiến (nguyên nhân

có thể là thiết kế với hệ số an toàn lớn hoặc sử dụng vật liệu có chỉ tiêu cơ lý tốt hơn nhiều so với số liệu tối thiểu dùng trong tính toán thiết kế) Trong những trường hợp này, công việc quan trắc sẽ xác định được biên độ cho phép có thể chịu đựng thêm của cây cầu, giúp đơn vị quản lý nắm rõ tải trọng an toàn có thể

đi trên cầu

- Ngoài ra hệ thống quan trắc sẽ cung cấp các thông tin tham khảo rất bổ ích trong công tác thực hiện các Dự án có quy mô tương tự trong tương lai: thông

tin về sự làm việc thực tế của cây cầu sẽ giúp cho các Nhà thiết kế và Đơn vị quản

lý thực hiện các đồ án thiết kế rẻ hơn, an toàn hơn và bền vững hơn với độ tin cậy

và tính năng làm việc được nâng cao Một chi phí đầu tư nhỏ thực hiện ngay từ đầu dự án sẽ có thể đạt được các tiết kiệm lớn sau này nhờ việc tối ưu hóa thiết

kế và phát hiện kịp thời các điểm yếu

Đối với công tác thiết kế thì hiệu quả cụ thể nhất của hệ thống SHM thể hiện tại những điểm sau:

- Đánh giá và hiểu được ứng xử thực tế của kết cấu

- Kiểm soát và cập nhật phương pháp tính và mô hình tính toán

- Xác minh các thông số tính toán được sử dụng

- Đo trị số thực tế của các loại tải trọng, hiệu ứng và sự phân bố tải trọng

- Nâng cấp để nâng cao khả năng chịu tải

Như đã phân tích trên đây do quá trình SHM là liên tục, không có thời gian dừng khai thác và đặt hoạt tải ở trạng thái tác động tĩnh trên cầu nên các số liệu thu thập được đều là các số liệu đặc trưng về dao động của công trình Việc thu thập, nhận dạng, phân tích các số liệu đặc trưng này chính là quá trình giám sát trạng thái kỹ thuật của công trình hay còn gọi là giám sát sức các khỏe công trình cầu Tùy theo mức độ phân tích có bốn (04) cấp độ giám sát trạng thái kỹ thuật của công trình:

Cấp độ I: Phát hiện hư hỏng, đưa ra dấu hiệu định tính rằng hư hỏng có thể

có trong kết cấu

Cấp độ II: Cung cấp thông tin về vị trí có thể xảy ra hư hỏng

Cấp độ III: Đánh giá hư hỏng, đưa ra ước tính mức độ hư hỏng

Cấp độ IV: Tiên lượng hư hỏng, cung cấp thông tin về độ an toàn của kết cấu, ví dụ: ước tính thời gian hữu ích còn lại

Mức độ theo thứ tự được đưa ra ở trên thể hiện thông tin ngày càng chi tiết

về trạng thái hư hỏng Cấp cao hơn thường yêu cầu thông tin có sẵn về tất cả các cấp thấp hơn Ba cấp độ đầu tiên, phát hiện hư hỏng, xác định vị trí và mức độ hư

hỏng, thường có thể đạt được bằng cách sử dụng các phương pháp phát hiện hư hỏng dựa trên dao động từ các phép đo phản ứng động của kết cấu Để xác định loại hư hỏng, dữ liệu từ các kết cấu với các loại hư hỏng cụ thể phải có sẵn để tương quan với dữ liệu đo được Các mô hình phân tích thường cần thiết để đạt được mức độ thứ tư Nói chung, hai mức này có thể không đạt được nếu không xác định trước loại hư hỏng hiện có Các ước tính về tải trọng trong tương lai, cùng với các mô hình dự đoán hư hỏng, là cần thiết để đạt được mức cuối cùng cho tiên lượng hư hỏng Các chiến lược SHM cung cấp thông tin hữu ích để tối

ưu hóa việc lập kế hoạch bảo trì các kết cấu kỹ thuật đang hoạt động Để đảm bảo hoạt động đáng tin cậy và lập kế hoạch để bảo trì và sửa chữa một cách hiệu quả, cần phải liên tục theo dõi và đánh giá hoạt động của kết cấu và ước tính chính xác thời gian sử dụng hữu ích còn lại Do đó, chiến lược SHM tích hợp với quản lý vòng đời là cần thiết để hiệu chỉnh đánh giá và dự đoán kết cấu, cho phép vận hành và bảo trì tối ưu các kết cấu kỹ thuật và cuối cùng, vận hành các kết cấu vượt quá tuổi thọ thiết kế ban đầu của chúng

1.1.3 Sự phát triển của các phương pháp chẩn đoán sức khỏe kết cấu dựa trên phương pháp đo nhận dạng dao động

Việc xác định hư hỏng kết cấu dựa trên những thay đổi trong phản ứng động của kết cấu đã được thực hành một cách định tính trong một thời gian dài

Sự khởi đầu của phương pháp phát hiện hư hỏng này như một lĩnh vực mà các kỹ

sư quan tâm có thể được truy ngược lại cho đến thời điểm khi những thử nghiệm đầu tiên được tiến hành (ví dụ trên bánh xe lửa) Tuy nhiên, lĩnh vực này đã không thực sự được thiết lập trong các cộng đồng nghiên cứu cho đến những năm 1980, khi người ta quan tâm nhiều đến điều kiện kết cấu của các giàn khoan ngoài khơi,

và sau đó là sức khỏe của các kết cấu hàng không vũ trụ Gần đây, sự phát triển của các phương pháp SHM có thể định lượng đã được liên kết chặt chẽ với sự phát triển và giảm chi phí của phần cứng máy tính kỹ thuật số và các hệ thống cảm biến Cùng với những phát triển này, SHM đã nhận được sự quan tâm ngày

càng sát sao của các nhà khoa học Chi tiết của các cuộc khảo sát tài liệu về sự phát triển SHM có thể được tìm thấy trong các đánh giá toàn diện của [20-21]

Các nhà khoa học đã nghiên cứu xác định hư hỏng dựa trên dao động của các kết cấu cầu và các tòa nhà từ đầu những năm 1980 Các thuộc tính phương thức và các đại lượng liên quan có được từ các đặc tính này, chẳng hạn như độ cong hình thái dao động và chỉ số ma trận độ cứng, là các đặc điểm chính được

sử dụng để xác định hư hỏng trong kết cấu công trình Sự thay đổi điều kiện hoạt động và môi trường (ví dụ sự thay đổi của nhiệt độ) gây ra những thách thức đáng

kể đối với việc giám sát sức khỏe của các công trình Kích thước vật lý của các công trình, thường ở quy mô lớn với nhiều thành phần, cũng đặt ra nhiều thách thức thực tế cho việc đánh giá hư hỏng dựa trên dao động Hơn nữa, yêu cầu đánh giá tình trạng kết cấu theo thời gian thực sau các hiện tượng tiêu cực (ví dụ như tải trọng khí động học trên cầu nhịp dài, tải trọng động đất trên cơ sở hạ tầng dân dụng) cũng là một thách thức lớn đối với công nghệ SHM Yêu cầu pháp lý ở các nước Châu Á như ở Trung Quốc đang thúc đẩy nghiên cứu hiện tại và phát triển thương mại các hệ thống SHM cho các kết cấu công trình cầu đường và dân dụng quy mô lớn Ngày nay, SHM là một lĩnh vực nghiên cứu phổ biến và vẫn đang phát triển, ngày càng trở thành tâm điểm của cộng đồng các nhà khoa học

Gần đây, nhiều tiến bộ đã được thực hiện trong các ngành công nghệ khác nhau, bao gồm thiết bị đo cảm biến, thu nhận và truyền tín hiệu, xử lý và phân tích dữ liệu cũng như mô phỏng số Những tiến bộ công nghệ này cho phép thu thập và phân tích thông tin lịch sử và hiện tại cần thiết của các công trình Các chiến lược SHM tận dụng những tiến bộ của công nghệ để đánh giá chính xác tình trạng của các công trình bằng cách sử dụng dữ liệu được giám sát theo thời gian thực

Yêu cầu kiểm tra, đánh giá tình trạng kỹ thuật để đảm bảo an toàn khai thác các công trình cầu có từ rất sớm Các cây cầu bị phá hoại lớn nhất trong thế kỷ 19

đã dẫn đến tai họa tại Mỹ, Anh và Pháp Tất cả các tai nạn đều xuất phát từ các nguyên nhân giống nhau là: sự hiểu biết chưa đầy đủ về vật liệu và kết cấu, hơn

nữa việc kiểm tra bảo dưỡng đầy đủ hiếm khi được thực hiện Các thảm họa này dẫn đến phải phát triển các Tiêu chuẩn, các bản Hướng dẫn chi tiết kỹ thuật và các Quy định kiểm tra cầu để bảo vệ người tham gia giao thông Tuy nhiên cho đến một vài thập kỷ gần đây thì việc quan trắc mới được quan tâm và áp dụng rộng rãi

Việc trải qua một phần tư thế kỷ để phát triển tốt hơn các phương pháp thiết

kế theo những cải tiến của lý thuyết phân tích ứng suất, kiến thức vật liệu tốt hơn

và đơn giản là triết lý thuận theo thiên nhiên Vì vậy, không phải cho đến giữa thế

kỷ 20, mà sau sự sụp đổ bi kịch của cầu Tacoma vào năm 1940 tại Mỹ, các đặc trưng của kết cấu cầu đã được nghiên cứu và từng bước kiểm soát

Theo Wenzel [22] lịch sử phát triển trong lĩnh vực quan trắc kết cấu và

cầu bao gồm các giai đoạn sau (Hình 1.1):

- Thế kỷ 19 : Phát triển của động lực học của kết cấu

- 1920-1945 : Thực hiện các thí nghiệm giản đơn các kết cấu thường gặp

- 1965-1970 : Phát triển của phương pháp phần tử hữu hạn tuyến tính

- 1970-1980 : Phát triển của phương pháp dao động

- 1975-1990 : Bổ sung của phương pháp phần tử hữu hạn tuyến tính

- 1990-2000 : Bổ sung phương pháp phân tích phần tử hữu hạn phi tuyến

- 1992-1995 : Giới thiệu các phương pháp dao động xung quanh

- 1993-1996 : Giới thiệu công nghệ máy tính đo dữ liệu

- Từ 1994 : Áp dụng các phương pháp đo dao động

- Từ 1995 : Phát triển thêm phương pháp thu nhận kết quả quan trắc

“quan trắc thông minh”

- Từ 1996 : Thương mại hóa các thiết bị đo

Hoạt động quan trắc đã bùng nổ mạnh trong thập kỷ gần đây, do sự phát triển không ngừng trong lĩnh vực khoa học máy tính và hệ thống theo dõi “thông minh” Thuật ngữ “thông minh” sau đó được sử dụng để nhấn mạnh ý nghĩa của

hệ thống quan trắc thông minh vì có độ bền, đáng tin cậy và kinh tế

Hình 1.1 Quá trình phát triển của hệ thống quan trắc (Wenzel, 2003)

Hiện nay với sự phát triển của khoa học kỹ thuật thì việc quan trắc kết cấu cầu đang đứng trước cơ hội lớn để phát triển và dần hướng tới các hệ thống “quan trắc thông minh” (Hình 1.2)

Việc nghiên cứu hệ thống quan trắc sức khỏe kết cấu (SHM) cho công trình cầu bắt đầu từ những năm 70 sau những sự cố sập cầu ở Mỹ (cầu Silver Creek 1967), Châu Âu (Reichsbrucke, Vienna 1976) SHM đã thực sự khả thi với sự

phát triển của máy tính và phần cứng phù hợp vào đầu năm 1990 Hiệp hội quốc

tế về quan trắc sức khỏe kết cấu hạ tầng đã được thành lập và hàng năm đều tổ chức hội thảo quốc tế giới thiệu, trao đổi về các thành tựu trong nghiên cứu và áp dụng cũng như định hướng phát triển của SHM bao gồm cả các hệ thống áp dụng

cho các công trình cầu (Hình 1.3)

Hình 1.3 Hệ thống quan trắc cầu dây võng Akashi Kaikyo, Nhật Bản

Trong phương pháp đánh giá sức khỏe kết cấu dựa trên kết quả thu thập nhận dạng và phân tích số liệu dao động, có các hướng nghiên cứu chính sau đây:

- Hướng nghiên cứu về thiết bị (cảm biến) đo dao động trên kết cấu và xử

lý (lọc nhiễu) – truyền dẫn kết quả đo về máy tính;

- Hướng nghiên cứu về các thuật toán cập nhật mô hình số hóa kết cấu (bằng cách thay đổi điều kiện biên, đặc trưng vật lý của kết cấu) dựa trên các đặc trưng dao động thực đo, từ đó xây dựng một “bản sao số” của kết cấu trên máy tính phù hợp với công trình thực tế

- Hướng nghiên cứu dựa trên các mô hình kết cấu đã được cập nhật xác định hoặc dự đoán các vị trí hư hỏng (nếu có) và dự đoán về ứng xử của kết cấu công trình

Nhận xét thấy các hướng nghiên cứu này đều rất quan trọng do có sự liên quan chặt chẽ với nhau, thu hút sự quan tâm của nhiều nhóm nghiên cứu trên thế giới Hướng nghiên cứu thứ nhất giải quyết vấn đề độ chính xác của việc thu thập

các số liệu đặc trưng dao động, hướng thứ hai thể hiện sự cần thiết của việc thu thập và lưu trữ đủ thông tin về các dữ liệu đặc trưng dao động, hướng nghiên cứu thứ ba thể hiện yêu cầu chính xác của việc tìm kiếm, phát hiện, đánh giá mức độ ảnh hưởng của các vị trí hư hỏng của kết cấu, đây cũng chính là mục đích của việc giám sát sức khỏe công trình cầu thông qua việc thu thập, phân tích, đánh giá sự biến đổi của các tham số đặc trưng dao động

1.2 Các nghiên cứu trên thế giới về chẩn đoán kết cấu dựa trên phương pháp

đo nhận dạng dao động

Trong những thập kỷ gần đây, nghiên cứu về chẩn đoán kết cấu dựa trên phương pháp đo nhận dạng dao động đang nhận được sự quan tâm sâu sắc của nhiều nhà khoa học trên thế giới Nhiều ứng dụng thành công của chẩn đoán kết cấu dựa trên phương pháp đo nhận dạng dao động đã được báo cáo trong các tài liệu Adams và cộng sự [23] đã trình bày một phương pháp xác định các khuyết tật cho kết cấu một chiều sử dụng phương pháp không phá hủy dựa trên tần số tự nhiên dao động tự nhiên Các nghiên cứu thực nghiệm được tiến hành trên thanh lăng trụ thẳng, thanh kép và trục cam của ô tô Cawley và Adams [24] đã thiết lập một công thức để phát hiện hư hỏng trong vật liệu composite do sự thay đổi tần

số dao động tự nhiên, và chỉ số quan hệ giữa sự thay đổi tần số dao động tự nhiên

đo được và sự giảm độ cứng cục bộ

Stubbs và Osegueda [25-26] đã phát triển một phương pháp phát hiện hư hỏng bằng cách sử dụng độ nhạy của sự thay đổi tần số dao động tự nhiên trong

đó ma trận độ nhạy được tính toán thông qua mô hình phần tử hữu hạn (Finite Element Model - FEM) Nandwana và Maiti [27] đã phát hiện vị trí vết nứt của kết cấu dầm liên hợp bằng cách sử dụng điểm giao nhau của ba đường cong liên quan đến tần số dao động tự nhiên và ước tính kích thước vết nứt tương ứng bằng cách sử dụng quan hệ tiêu chuẩn giữa độ cứng và kích thước vết nứt

Messina và cộng sự [28] đã sử dụng mối tương quan thống kê giữa các thay đổi tần số dao động tự nhiên phân tích và đo lường để ước tính vị trí và kích thước của các hư hỏng Morassi [29] đã áp dụng một kỹ thuật nghịch đảo để

khoanh vùng các vết nứt trong khung thép thông qua sự thay đổi tần số dao động

tự nhiên Morassi [30] đề xuất một phương pháp xác định vết nứt cho các kết cấu dạng thanh dựa trên sự thay đổi do hư hỏng gây ra trong tần số dao động tự nhiên Patil và Maiti [31] đã thiết lập mối quan hệ tuyến tính một cách rõ ràng giữa sự thay đổi tần số dao động tự nhiên của kết cấu dầm và các thông số hư hỏng, sau

đó áp dụng nó để phát hiện nhiều vết nứt hở trong dầm Euler-Bernoulli Kim và Stubbs [32] định vị và ước tính kích thước của vết nứt bằng cách sử dụng các thay đổi tần số dao động tự nhiên dựa trên hai mô hình đã được thiết lập trong kết cấu dầm thử nghiệm Zhong và cộng sự [33] đã sử dụng các dẫn xuất của đường cong tần số dao động tự nhiên để xác định các hư hỏng của kết cấu dạng dầm Yang và Wang [34] đã thiết lập cơ sở dữ liệu đặc điểm hư hỏng bằng cách tính toán vectơ tần số dao động tự nhiên của các kết cấu bị hư hỏng, và sau đó xác định tiêu chí đảm bảo vectơ tần số như một chỉ số hư hỏng

Sha và cộng sự [35] đã tạo ra một phương pháp hai bước để xác định vị trí

và định lượng hư hỏng của các dầm bê tông dựa trên các đường cong thay đổi tần

số dao động tự nhiên tương đối, trong đó cung cấp một biểu thức rõ ràng với hệ

số hư hỏng Naito và Bolander [36] đã xác định hư hỏng của các mẫu dầm bê tông cốt thép bằng cách quan sát sự phân bố tần số cộng hưởng thu được từ thử nghiệm rung cục bộ Sau đó, một mô hình tính toán cục bộ được thiết lập để dự đoán hư hỏng Yang và Oyadiji [37] đã nghiên cứu phát hiện hư hỏng dựa trên đường cong hình thái dao động, trong đó các đặc điểm khuyết tật được trích xuất bằng cách sử dụng biến đổi wavelet rời rạc Sau đó, một chỉ số vị trí hư hỏng và một công thức ước tính hư hỏng để dự đoán kích thước hư hỏng dựa vào tần số dao động tự nhiên được phát triển

Pan và cộng sự [38] cải thiện độ chính xác dự đoán hư hỏng dựa trên tần

số dao động tự nhiên bằng cách chọn các mode dao động thấp He và Ren [39] đã đưa ra một phương pháp phát hiện hư hỏng dựa trên việc cập nhật FEM bằng cách

sử dụng các tần số dao động tự nhiên đo được của hệ thống cầu-xe khi xe đỗ ở

các vị trí khác nhau Tuy nhiên, cập nhật FEM thường tiêu tốn nhiều thời gian và tài nguyên tính toán, điều này gây bất tiện cho việc phát hiện nhanh các hư hỏng

Maity và Tripathy [40] đề xuất một phương pháp dựa trên thuật toán di truyền lai (Genetic Algorithm - GA) để xác định các hư hỏng trong khung máy bay và dầm công xôn với một số trường hợp hư hỏng khác nhau Miguel và cộng

sự [41] đã xác định các trường hợp hư hỏng của dầm công xôn bằng cách áp dụng một thuật toán tối ưu hóa hỗn hợp dựa trên các nguyên tắc ngẫu nhiên Để đánh giá hiệu quả và độ tin cậy của phương pháp được đề xuất, kết quả của nó được so sánh với các thuật toán khác bao gồm thuật toán bầy đàn (Particle swarm optimization – PSO), và GA Kết quả thu được cho thấy phương pháp đề xuất cung cấp độ chính xác cao hơn so với PSO và GA Kaved và Maniat [42] đã sử dụng thuật toán PSO để xác định hư hỏng trong giàn và dầm Mares và Surace [43] đã kết hợp phương pháp lực dư với GA để phát hiện các hư hỏng trong kết cấu giàn và dầm đúc hẫng

Chou và Ghaboussi [44] xác định vị trí và mức độ hư hỏng trong kết cấu giàn bằng cách giải một bài toán nghịch đảo dựa trên GA Xu và cộng sự [45] đã

sử dụng thuật toán bầy ong cải tiến dựa trên cơ chế tìm kiếm ngẫu nhiên để phát hiện hư hỏng trong kết cấu dầm Hou và cộng sự [46] đã sử dụng PSO cải tiến bằng cách điều chỉnh hệ số trọng lượng quán tính để giải quyết các vấn đề tối ưu hóa của các hàm toán học cơ bản

Tuy nhiên, có thể thấy rằng các thuật toán nói trên phải điều chỉnh quá nhiều tham số trong quá trình tìm kiếm giải pháp tốt nhất thông qua các lần lặp, nên rất mất thời gian khi sử dụng chúng cho các vấn đề tối ưu hóa kết cấu có nhiều bậc tự do (Degree of freedom - DOFs) Điều này giảm hiệu quả khi sử dụng các thuật toán tối ưu tiến hoá cho các vấn đề tối ưu hóa của các kết cấu quy mô lớn [47]

Bên cạnh các thuật toán tối ưu tiến hoá, ANN cũng được quan tâm và sử dụng thành công cho các lĩnh vực khác nhau, chẳng hạn như chẩn đoán bệnh, nhận

dạng mục tiêu cũng như dự báo bán hàng [48] Yeung và Smith [49] đã sử dụng mạng nơ-ron không giám sát để nhận dạng mẫu với luồng dữ liệu thu được từ các cảm biến được lắp đặt trên Cầu Tsing Ma để liên tục kiểm tra các hoạt động của kết cấu Sau đó, Reda Taha và Lucero [50] đã giới thiệu một phương pháp mới bằng cách bổ sung các chỉ số nhận dạng để điều chỉnh sự không chắc chắn liên quan đến trạng thái hư hỏng dựa trên phương pháp – ANN Gia tốc thu được từ các cảm biến lắp đặt trên cầu được phân tích bằng cách sử dụng mô-đun mạng nơ-ron wavelet Tác giả đã kiểm tra thuật toán bằng cách sử dụng dữ liệu mô phỏng từ các phân tích FEM của một cây cầu bê tông dự ứng lực Kết quả chỉ ra rằng, phương pháp đề xuất có thể xác định chính xác được hư hỏng trong kết cấu.Tuy nhiên vẫn còn nhiều sai sót xảy ra khi áp dụng các phương pháp này

Li [51] đã giới thiệu mạng nơ-ron xác suất để xử lý tín hiệu động từ hệ thống thu thập dữ liệu Ông đã phân các trường hợp hư hỏng thành nhóm các phần

tử lân cận để tạo điều kiện cho các mạng nơ-ron xác suất dễ dàng thực hiện Hạn chế của nghiên cứu của Li là chỉ có thể phát hiện các hư hỏng đơn lẻ Nyarko và cộng sự [52] đã triển khai mạng nơ ron đa lớp để mô hình hóa mối quan hệ giữa các thông số kết cấu (chu kỳ dao động tự nhiên, độ cứng sau đàn hồi và hệ số giảm chấn) và hệ số tỷ lệ hư hỏng Một công thức đề xuất cho hệ số tỷ lệ hư hỏng

đã được sử dụng để thực hiện các phân tích độ nhạy trên mạng nơ-ron đa lớp để kiểm tra mức độ hư hỏng của một cây cầu sau trận động đất Li và Yang [53] đã phát triển một kỹ thuật sử dụng ANN dựa trên các đặc tính thống kê của phản ứng động học kết cấu Các ảnh hưởng của nhiễu được xem xét đầy đủ Kết quả cho thấy phương pháp được đề xuất có thể phát hiện chính xác vị trí và mức độ hư hỏng trong kết cấu

Zhou và Wahab [54] đã kết hợp hàm truyền động (transmissibility) với ANN để phát hiện các hư hỏng trong một kết cấu mười tầng Tác động của nhiễu cũng được đánh giá đầy đủ trong mô hình Abdeljaber và cộng sự [55] đã sử dụng phương pháp ANN để xác định các vị trí và mức độ hư hỏng trong một khung thép quy mô lớn Maity và Saha [56] đã sử dụng ANN dựa trên các thuật toán lan

truyền ngược để phát hiện các hư hỏng trong dầm công xôn Hakim và Razak [57]

đã sử dụng ANN để xác định hư hỏng trong một cây cầu thép, trong đó tần số dao động tự nhiên trong số năm mode dao động đầu tiên đã được chọn và sử dụng làm hàm mục tiêu để giảm thiểu sự khác biệt giữa kết quả tính toán và kết quả thực

đo Trong những năm gần đây, với sự phát triển của các khoa học kỹ thuật, các

mô hình học sâu (Deep Learning –DL), điển hình là mô hình CNN đã được áp dụng để nâng cao độ chính xác cũng như để xử lý các vấn đề phức tạp, các bài toán yêu cầu lượng dữ liệu lớn Ví dụ, Khúc Đăng Tùng [58] và cộng sự đề xuất

áp dụng thị giác máy tính kết hợp với chỉ báo hư hỏng mới (Unit influence surface – UIS) để xác định hư hỏng cho mô hình cầu lớn tại Phòng thí nghiệm kết cấu của Đại học Florida Elshafey và cộng sự [59] đề xuất phương pháp dựa trên CNN để

dự đoán chiều rộng vết nứt cho dầm bê tông Dang và cộng sự [60] đề xuất sử dụng mạng CNN để xác định hư hỏng cho kết cấu khung Cả hai mô hình số và

mô hình đo lường đều được sử dụng để xem xét tính hiệu quả của phương pháp

đề xuất Một mô hình CNN cải tiến đã được sử dụng để phân tích việc giảm độ cứng của nút giàn của một cây cầu giàn quy mô lớn [61] Để xem xét ảnh hưởng của sự không hoàn hảo của dữ liệu, 10% nhiễu đã được xem xét Nguyen và cộng

sự [62] theo dõi mất mát ứng suất trước của dầm bê tông cốt thép bằng cách sử dụng mô hình CNN được đề xuất dựa trên phương pháp hồi quy Mạng CNN đã được áp dụng thành công để xác định hư hỏng của một cây cầu quy mô lớn trong nghiên cứu của [63] Xu và cộng sự [64] đã đề xuất một framework dựa trên kiến trúc mạng nơ-ron LSTM giải quyết những hạn chế của các phương pháp hiện có

để đánh giá thiệt hại sau động đất Nó cung cấp một đánh giá nhanh chóng và chính xác về hư hại do động đất gây ra và thể hiện tính hiệu quả và tiềm năng cho các ứng dụng thực tế Sony và cộng sự [65] đã chứng minh phương pháp dựa trên LSTM đề xuất có hiệu suất tương đương với mạng nơ ron tích chập một chiều (1D CNN) trên tập dữ liệu QUGS và vượt trội hơn 1D CNN trên tập dữ liệu cầu Z24 Althubiti và cộng sự [66] đã đề xuất một phương pháp học sâu để xây dựng một hệ thống IDS, áp dụng mạng LSTM RNN và huấn luyện mô hình bằng cách

sử dụng bộ dữ liệu HTTP CSIC 2010 Một mô hình LSTM sử dụng bộ tối ưu

Adam có thể xây dựng một bộ phân loại nhị phân IDS hiệu quả với tỷ lệ chính xác 0.9997 Avci và cộng sự [67] đã giới thiệu một hệ thống phát hiện và xác định

hư hỏng kết cấu mới sử dụng mạng neural tích chập một chiều (1D CNN) trong ứng dụng giám sát sức khỏe cấu trúc thời gian thực Phương pháp đề xuất giải quyết hai vấn đề chính: năng suất tính toán cao và trích xuất đặc trưng tổn thương chính xác Sharma và cộng sự [68] đề xuất sử dụng mạng 1D CNN để tự động trích xuất đặc trưng từ tín hiệu gia tốc và xác định vị trí các điểm liên kết yếu Phương pháp này được xây dựng thí nghiệm và kiểm chứng số liệu trên các khung thép và cũng được thử nghiệm trên một cấu trúc khung thép thực tế Rai và cộng

sự [69] đã đề xuất một phương pháp phát hiện hư hỏng trong kết cấu dựa trên sóng Lamb sử dụng 1DCNN đã được huấn luyện và kiểm tra trên các tập dữ liệu thực nghiệm Kết quả cho thấy phương pháp đề xuất có độ chính xác cao và khả năng phát hiện đơn và đa hư hỏng trong thời gian thực

Mặc dù, những thập kỷ gần đây, ANN đã được áp dụng rộng rãi trong nhiều lĩnh vực, tuy nhiên, phải thừa nhận rằng, do việc áp dụng các thuật toán lan truyền ngược dựa trên kỹ thuật độ dốc giảm dần (Gradient Descent - GD), mạng có thể

bị mắc kẹt trong cực tiểu cục bộ, đặc biệt nếu điểm bắt đầu của nó không nằm cùng phía với tối ưu toàn cục hoặc mạng chứa quá nhiều cực tiểu cục bộ Nhược điểm này có thể làm giảm độ chính xác và hiệu quả của ANN [70]

Một hạn chế khác của các thuật toán ANN là không sử dụng cho việc xử lý các dữ liệu hình ảnh và có độ chính xác không cao trong trường hợp xử lý các dữ liệu lớn Trong khi xu thế hiện nay các hệ thống SHM và (Bridge Structural Health Monitoring – BHMS) được phát triển theo hướng tăng cường giám sát trong phạm

vi toàn bộ công trình thay cho việc chỉ thu thập dữ liệu ở các vị trí xung yếu, nghi ngờ tiềm ẩn hư hỏng, nên việc này sẽ gây khó khăn trong việc xử lý các dữ liệu thu thập và truyền về các trung tâm kiểm soát với dung lượng lớn bao gồm cả dữ liệu hình ảnh

Phân tích trên cho thấy xuất hiện nhu cầu của hướng nghiên cứu mới là cần thiết sử dụng và phát triển các công cụ mạnh mẽ với tính linh hoạt và đa dạng cao

hơn để xử lý bộ dữ liệu lớn với các dạng dữ liệu khác nhau, đáp ứng yêu cầu theo dõi, kiểm soát trạng thái sức khỏe của các công trình có quy mô lớn, kỹ thuật phức tạp cần bố trí số lượng thiết bị đo lớn

1.3 Các nghiên cứu ở Việt Nam về chẩn đoán kết cấu dựa trên phương pháp

đo nhận dạng dao động

Ở Việt Nam, nghiên cứu về chẩn đoán sức khỏe kết cấu đang nhận được sự quan tâm, chú ý của các nhà khoa học trong những thập kỷ gần đây Các nghiên cứu về lĩnh vực giám sát sức khỏe kết cấu trước đây tập trung vào phát hiện các vết nứt tồn tại trong kết cấu, sau đó các nghiên cứu tiếp tục đi vào phân tích sự phát triển của các vết nứt Các nghiên cứu về phát hiện hư hỏng trong kết cấu được thực hiện với nhiều loại kết cấu như cầu đường, các loại nền móng và các giàn khoan Bùi Đức Chính [71-74] giới thiệu phương pháp sử dụng phương pháp biến đổi Hilbert-Huang kết hợp với dữ liệu đo dao động để chẩn đoán hư hỏng cho một số trụ cầu Kết quả cho thấy rằng biến đổi Hilbert-Huang nhạy hơn các phương pháp biến đổi cũ như chuyển đổi nhanh Fourier (Fast Fourier Transform

- FFT), và Wavelet Transform (WT) để phân biệt được các ứng xử dao động khác nhau của các trụ cầu, và sự giảm độ cứng của các trụ Nguyễn Tiến Minh [66] đề xuất phương pháp xác định sự thay đổi của các tham số trong kết cấu cầu như mô đun đàn hồi của bê tông bằng cách so sánh kết cấu ở trạng thái chưa hư hỏng và trạng thái hư hỏng Tuy nhiên trong nghiên cứu này chưa đề cập đến khả năng phát hiện khu vực cũng như mức độ hư hỏng của kết cấu Phạm Xuân Khang và công sự [76-78] đã phát triển thuật toán để xác định vị trí hư hỏng của kết cầu bằng cách so sánh dao động riêng của các trạng thái khác nhau Phương pháp đề xuất được áp dụng cho công trình cầu thực tế, cầu I-40 và cầu Yên Bái Kết quả thu được cho thấy rằng phương pháp đề xuất có thể xác định chính xác vị trí hư hỏng trong kết cấu Nguyễn Tiến Khiêm và cộng sự [79] xác định các vết nứt sử dụng phương pháp giải bài toán ngược Trong đó, tần số dao động tự nhiên được lựa chọn là hàm mục tiêu để cập nhật mô hình Ngô Trọng Đức và cộng sự [80] xác định vết nứt trong các dầm sử dụng phương pháp phân tích các dao động