Đề tài nghiên cứu khoa học: Nghiên cứu phát triển công nghệ tự động hóa quá trình chẩn đoán kỹ thuật công trình sử dụng cảm biến thông minh và trí tuệ nhân tạo

Chính vì thế, việc đánh giá trạng thái kỹ thuật công trình, tiếng Anh gọi là Structural Health Monitoring và tiếng Việt được hiểu ngắn gọn là chan đoán kỹ thuật công trình mà trong đó cố

ĐẠI HỌC QUOC GIA HÀ NỘI

BAO CAO TONG KET

KET QUA THUC HIEN DE TAI KH&CN

CAP ĐẠI HỌC QUOC GIA

Tén dé tai:

Nghiên cứu phat triển công nghệ tự động hóa

quá trình chan đoán kỹ thuật công trình

sử dụng cảm biến thông minh và trí tuệ nhân tao

Mã số đề tài: QG21.28 Chủ nhiệm đề tài: Đỗ Nam

PHAN I THONG TIN CHUNG

1.1 Tên dé tài: Nghiên cứu phat triển công nghệ tự động hoa quá trình chân đoán kỹ thuật công trình sử dụng cảm biến thông minh và trí tuệ nhân tạo.

1.2 Mã số: QG21.28

1.3 Danh sách chủ trì, thành viên tham gia thực hiện đề tài

TT Chức danh, học vị, họ và tên Don vị công tác Vai trò thực hiện đề tài

1 |GS.TSKH Nguyễn Tiến Khiêm Viện Cơ học Thành viên chính

2 |PGS.TS Phạm Mạnh Thắng Trường ĐHCN Thành viên chính

3 |TS Trần Thanh Hải Viện Cơ học Thư ký

4 /TS Hoàng Văn Mạnh Trường ĐHCN Thành viên chính

5 |TS Trần Thanh Tùng Trường ĐHCN Thành viên chính

6 |TS Đỗ Nam Trường ĐHCN Chủ trì

1.4 Đơn vị chủ trì: Trường Đại học Công nghệ

1.5 Thời gian thực hiện:

1.5.1 Theo hợp đồng: từ tháng 04 năm 2021 đến tháng 04 năm 2023

1.5.2 Gia hạn (nếu có): đến tháng 04 năm 2024

1.5.3 Thực hiện thực tế: từ tháng 04 năm 2021 đến tháng 04 năm 2024

1.6 Những thay déi so với thuyết minh ban đầu (nếu có):

(Về mục tiêu, nội dung, phương pháp, kết quả nghiên cứu và tổ chức thực hiện;

Nguyên nhân; Y kiên của Cơ quan quan ly)

1.7 Tổng kinh phí được phê duyệt của đề tài: 400 triệu đồng.

PHAN II TONG QUAN KET QUÁ NGHIÊN CỨU

Viết theo cau trúc một bài báo khoa học tổng quan từ 6-15 trang (báo cáo này sẽ được

đăng trên tạp chí khoa học DHQGHN sau khi đề tài được nghiệm thu), nội dung gồm các

phan:

1 Đặt van đề Trong cuộc cách mang công nghiệp lần thứ tư việc kiểm soát trạng thai kỹ thuật công trình hay còn có thé gọi là chân đoán kỹ thuật công trình là hết sức quan trọng Bởi vì trong một hệ thông dây chuyền sản xuất thông minh một sai sót nhỏ của một khâu nào đó có thê dẫn đến phá vỡ toàn bộ hệ thống rộng lớn Những sai sót nhỏ đều xuất phát

từ sự sai lệch của trạng thái kỹ thuật so với trạng thái chuẩn định trước mà thường được

gọi là hư hại (damage or deterioration) giống như bệnh tật của con người Chính vì thế, việc đánh giá trạng thái kỹ thuật công trình, tiếng Anh gọi là Structural Health Monitoring

và tiếng Việt được hiểu ngắn gọn là chan đoán kỹ thuật công trình mà trong đó cốt lõi là

phát hiện các hư hại đã xuất hiện trong kết cấu công trình gọi là chân đoán hư hại công

trình (Structural Damage Detection), là rất cần thiết Việc đánh giá trạng thái kỹ thuật công trình được biết đến từ rất sớm và đã được tiến hành từ lâu nhưng mục tiêu tự động hóa quá trình này mới được đặt ra gần đây đặc biệt là khi cuộc cách mạng công nghiệp lần thứ tư mới bắt đầu Đề tài này được đề xuất theo hướng nghiên cứu tự động hóa quá trình đánh giá trang thái kỹ thuật công trình nham góp phần xây dựng cơ sở khoa học và công nghệ cho cuộc cách mạng công nghiệp lần thứ tư ở Việt Nam

Cho đến nay, bài toán chan đoán hư hỏng kết cấu được giải quyết bằng hai cách tiếp cận như sau:

Cách thứ nhất là chan đoán theo triệu chứng (Sympton-Based Method), tức là dua trên số liệu đo đạc thực của kết cấu cùng với hiểu biết trước đó (số liệu thiết kế, hoàn công hoặc kết quả khảo sát trước đó) sau khi xử lý, phân tích có thé đưa ra được các dự báo về sự thay đồi bat thường trong kết cấu công trình Cách tiếp cận này giống như việc

khám và chân đoán bệnh trong Y học, chủ yếu dựa trên số liệu thống kê hoặc khảo sát

trước đó.

Cách thứ hai, gọi là phương pháp mô hình (Model-Based Method), là việc xây

dựng một mô hình thực trạng của kết cấu dựa trên các số liệu đo đạc thực tế về ứng xử của công trình thực Đây thực chất là xây dựng mô hình thực trạng của kết cấu công trình

thực từ số liệu đo đạc hay bằng ngôn ngữ của toán học gọi là bài toán nhận dạng kết cầu

(Structural Identification) Nhiều khi cách tiếp cận này còn được hiểu như phương pháp điều chỉnh mô hình (Model Updating) đang được quan tâm nghiên cứu hiện nay.

Cách tiếp cận thứ nhất có ưu điểm là có thé phát hiện rất nhanh và chính xác vị trí của hư hỏng Tuy nhiên, ở đây rất cần các thiết bị hiện đại và thông minh mà nhiều khi chưa thé đáp ứng được Quan trọng hơn, trong một kết cấu công trình phức tạp có rất

2

nhiều vị trí mà con người hoặc thiết bị không thể tiếp cận được, đặc biệt là các hư hỏng xảy ra bên trong kết cau mà con người không thé khảo sát được, ví dụ như vết nứt

Cách tiếp cận thứ hai có ưu điểm là chủ động và tận dụng được các thành tựu của

khoa học, kỹ thuật và công nghệ hiện đại, đặc biệt là công cụ toán học và máy tính Hạn

chế lớn nhất của phương pháp mô hình là thiếu số liệu đo đạc thực tế và thường dẫn đến

bài toán ngược không chỉnh (Il-posed or Incorrect Problem), tức là không cho nghiệm

én định hoặc có vô số nghiệm Tuy nhiên, với sự phát triển rất mạnh của công cụ mô phỏng số và công cụ toán học giải các bài toán ngược, phương pháp mô hình đang được quan tâm nghiên cứu phát triển Dưới đây trình bày nội dung cơ bản của phương pháp

mô hình dé giải quyết bài toán chân đoán hư hỏng kết cau công trình

2 Mục tiêu Mục tiêu của đề tài là thiết lập cơ sở khoa học cho việc tự động hóa đánh giá trạng thái kỹ thuật công trình (Structural Helth Monitoring) và đề xuất một quy trình công nghệ tự động hóa việc chân đoán hư hại công trình (Structural Damage Detection)

sử dụng vật liệu thông minh và trí tuệ nhân tạo.

3 Phương pháp nghiên cứu Phương pháp được áp dụng trong đề tài này phương pháp

giải tích kết hợp mô phỏng số trên máy tính có sử dụng mô hình thuật toán Mạng nơ-ron nhân tao (Artificial Neural Networks-ANN)

* Phương pháp giải tích kết hop mô phỏng số trên máy tinh

Phương pháp chân đoán hư hỏng bằng mô hình mô phỏng trên máy tính đã được

các tác giả của đề tài này cụ thê hóa đề xây dựng một thuật toán gọi là phương pháp quét vết nứt (Crack Scanning Method viết tat là CSM) dé chan đoán vết nứt trong kết cấu, trong đó mục tiêu là xác định vi trí và độ sâu của vết nứt trong kết cấu dầm

Nguyên lý chan đoán vết nứt như sau : một vết nứt giả định tại vị trí e được xác nhận là

thực sự tồn tại nếu chiều sâu a của nó được dự đoán chắc chắn lớn hơn 0 Như vậy, nếu

độ sâu vết nứt được xác định là âm hoặc rất nhỏ thì coi như tại vị trí đó không có vết nứt Dựa trên nguyên lý này GS.TSKH Nguyễn Tiến Khiêm đã xây dựng được một quy trình chân đoán vét nứt dé xác định vết nứt trong kết cau bao gồm các bước sau đây

(1) Chọn một lưới chia (0 < ø¡ <e, < <e, <1) bao gồm các vị trí của các vết nứt có thể

với các độ sâu chưa biết (ø¡ ,a„) (Tạo lưới chia vết nứt giả định);

(2) Xây dụng mô hình kết cấu có các vết nứt giả định nêu trên dé thiết lập các phương

trình chân đoán cho phép xác định độ sâu vết nứt từ số liệu đo (Thiết lập phương trình chân đoán);

(3) Sử dụng các phương trình chân đoán nêu trên cùng với số liệu đo cho trước, xác định

véc tơ các tham số độ lớn vết nứt chưa biết (¡ 7„) (xác định độ lớn, tỷ lệ với độ

sâu vết nứt);

(4) Loại bỏ trong lưới chia các vị trí trong ứng với độ lớn vết nứt bằng 0 hoặc âm, ta

được một lưới chia mới với số lượng các điểm nút bé hơn (ê› ể„ ) tương ứng với

các giá trị độ lớn vết nứt xác định dương (ÿ, 7„ ) (loại bỏ các vết nứt ảo dé nhận được lưới chia vết nứt mới);

(5) Sử dụng lưới chia mới của vị trí vết nứt (ê,, ê„ ) để lặp lại các bước 2-3-4 đến khi

nào không nhận được lưới chia mới thì dừng lại (lặp lại đến khi nào không xuất hiện

lưới chia mới thì dứng lại);

(6) Lưới chia cuối cùng nhận được ở bước 5 chính là vị trí các vết nứt có thé (, ,2,),

tương ứng với các độ lớn vết nứt xác định dương (% ,7,) (kết quả chân đoán vị trí

và số lượng vết nứt);

(7) Từ độ lớn vết nứt đã tìm được (Œ¡ 7„) sử dụng công thức của cơ học phá hủy dé

tính độ sâu vết nứt (Z, z,) (tính độ sâu vêt nứt từ độ lớn vết nứt đã chân đoán

được);

(8) Cuối cùng ta tìm được vị trí (ø e,) và độ sâu (Z¡ ,Z,„) cùng với số lượng vét nứt r

và bài toán đặt ra đã được giải quyết (Kết quả cuối cùng)

Như vậy, cốt lõi trong phương pháp quét vết nứt là việc xây dựng một mô hình kết

cấu có số lượng vết nứt bất kỳ, cho phép ta xác định độ lớn vết nứt từ số liệu đo và được

gọi là mô hình chan đoán Thông thường, mô hình chan đoán được thiết lập ở dạng

phương trình A x = b, trong đó x là ấn cần tìm, b là số liệu đo và ma trận A là các số liệu

mô hình kết cấu cho trước Dưới đây sẽ trình bày một phương pháp đề giải phương trình

này với A là ma trận bat kỳ và về phải có thé có sai số.

Phương pháp CSM nêu trên rất thuận tiện dé giải quyết bài toán chan đoán nhiều vết nứt thậm chí là chưa biết được số lượng vết nứt có thể xuất hiện trong dầm Lúc này, một lưới chia các vị trí giả định có vết nứt cần phải đủ mịn để có thé quét hết kết cau không bỏ sót những khu vực có thể có vết nứt Một hướng nghiên cứu tiếp theo của các tác giả là xây dựng một mô hình kết cấu với lưới chia vết nứt có thé thay đổi hoặc ngẫu nhiên Tuy vậy, các tác giả của phương pháp quét vẫn chưa thé thiết lập được cơ sở toán học chặt chẽ cho phương pháp quét bằng cách đánh giá sai số và chứng minh duy nhất nghiệm của lời giải

về vị trí vết nứt

Sơ đồ khối dé giải bài toán chan đoán hư hỏng trong kết cấu công trình được mô ta

như bên dưới:

Mô hình kết cấu không Do đạc phản ứng động kết

nguyên vẹn cấu

Chương trình Chương trình

cố 5 opr KX yen

phan tich dong xứ lý số liệu

Cơ sở dữliệu chẩn đoán hư Các đặc trưng động lực học

hỏng kết cấu thực

Nhận dạng hư hỏng

Chương trình nhận dạng

hu hỏng

Hư hỏng

* Ứng dụng mô hình thuật toán Mạng no-ron nhân tao (ANN)

Mang ANN là một mô hình xử lý thông tin gồm các no-ron nhân tao có cách thức hoạt động và xử lý tương tự như các nơ-ron sinh học trong bộ não người ANN được

hình thành từ số lượng lớn các nơ-ron liên kết với nhau theo cấu trúc lớp ANN thường

dùng nhất là mạng nhận thức nhiều lớp (Multilayer Layer Perceptron — MLP) và mạng

hàm cơ sở bán kính (Radial Basis Function — RBF), dưới đây ta chỉ nghiên cứu mạng

MLP.

Xk 6,

Hình 1.3.1 Một nút (nơ-ron nhân tạo) trong mang MLP

Hình 1.3.1 thể hiện nút 7 là một nơ-ron nhân tao trong mạng MLP Nơ-ron bao gồm các đầu vào x; với trọng SỐ My; tương ứng, độ lệch đ và hàm truyền ƒ (hay hàm kích hoạt,

hàm hoạt động) [2] Hàm truyền được dùng chung cho các lớp Việc lựa chọn hàm truyền

5

phụ thuộc loại bài toán cần sử dụng mạng ANN để giải quyết, trong đó các hàm truyền

Sigmoid và Tan-Sigmoid hay được dùng trong các mạng MLP sử dụng các thuật toán lan

truyền ngược dé huấn luyện do tính khả vi liên tục của nó (Hình 2) No ron sẽ thực hiện lay tong cua tich cac gia tri đầu vào x;, „x„ với các trọng SỐ Wy tương ứng và cộng với

độ lệch 6 Cac trọng số và độ lệch là các số ngẫu nhiên lúc khởi tạo mạng và chúng được cập nhật trong quá trình học mạng Kết quả n; là giá trị đầu vào cho hàm truyền ƒ cho trước Đầu ra của nut i là:

ciel Paes (1)

Kết nối các nơ ron theo mô hình song song và nối tiếp sẽ hình thành mang MLP.

Một mạng MLP bao gồm một lớp vào, một số xác định các lớp ẩn và một lớp ra Dựa

vào số lớp và liên kết giữa các lớp mà người ta phân ANN thành các nhóm khác nhau [2]:

e Phân loại dua theo số lớp

Mạng một lớp cấu thành từ một lớp nơ ron, nó vừa là lớp đầu vào vừa là lớp đầu ra (Hình 1.3.2) Mạng nhiều lớp (n lớp với >2) như Hình 1.3.3 gồm: lớp đầu vào; lớp đầu

ra là lớp thứ n; các lớp nằm giữa lớp đầu vào và lớp đầu ra gọi là lớp ấn (có n-/ lớp an) Thường lớp đầu tiên chỉ có tác dụng chuyền tín hiệu vào lớp tiếp theo

Hình 1.3.2 Cầu trúc mạng một lớp

; Lop vao Lop an | Lớp an n-1 Lớp ra

(input layer) (hidden layer) (hiddenlayer) (output layer)

Hinh 1.3.3 Cau tric mang nhiéu lop

Hình 1.3.4 là một mạng MLP điển hình gồm k đầu vào, 1 lớp ân có 3 nơ ron và lớp

ra có 2 no ron với hàm truyền ƒ Giá trị đầu ra y;, ¿=7,2, của mạng MLP này là:

3 3 k

š>/|[S206039]= [S2 Soha v2 ee] @

j=l j=l j=l

Như vậy mạng MLP là một ánh xa phi tuyến từ không gian đầu vào xeR* đến

không gian đầu ra yERTM Các tham số mang ANN cần xác định là trọng số wi, và độ lệch

k ` x ` ik ` sk r x

0; Hàm truyền f thường được giả thiệt là biệt trước và như nhau trong mang ANN.

Lớp vào Lớp ân Lớp ra

Hình 1.3.4 Mạng MLP nhiều lớp với một lớp an

e - Phân loại dua theo cách thức liên kết

Mạng truyền thang (feedforward neural networks): Dòng dit liệu từ lớp đầu vào đến lớp đầu ra chỉ được truyền thăng, không có các liên kết ngược

Mạng hồi quy (recurrent neural network): Mang hồi quy chứa các liên kết ngược, nghĩa là có sự kết nối giữa nơ ron đầu ra với nơ ron đầu vào như Hình 1.3.5 ANN lưu lại các trạng thái trước đó, và trạng thái tiếp theo không chỉ phụ thuộc vào các tín hiệu đầu

vào mà còn phụ thuộc vào các trạng thái trước đó của ANN.

Hình 1.3.5 Minh hoa mạng hồi quy

* Bộ công cụ ANN của MatLab

Các lệnh của MATLAB sử dụng trong quá trình tao mang là newff, train, va sim

[1].

Lệnh tao ra một mang MLP có tên là net có dạng như sau:

net = newff (PR, [ S1 S2 SNI], [ TF1 TF2 TFNI], BTF) (3)

Các giá trị đầu vào trong (3) là:

R: Số lượng phần tử trong véc tơ số liệu vào

xR: Rx2 ma trận của giá tri nhỏ nhất và lớn nhất của các phần tử vào R.

Si: Số lượng no ron (kích cỡ) của lớp thứ i, ¡=1,2, ,MI

NI: Số lượng lớp

TFi: Ham truyén (hay ham hoạt động) cua lớp thứ i, mặc định là tansig BTF: Ham huấn luyện mang, mặc định là trainlm tương ứng với việc sử dung

thuật toán Levenberg-Marquardt.

Với mang ANN trên hình 4.5, R=k, S7=3, S2=2, Nl=2 và TFi=g Gia tri ban dau các tham số được khởi tao ngẫu nhiên nên kết quả có thể khác nhau nếu lặp lại thuật

toán.

Sau khi khởi tạo mạng, việc huấn luyện mạng được thực hiện bằng lệnh train cho kết qua là net]

netl = train( net, x,y) (4) trong do:

net: Mang MLP khởi tao bằng lệnh newff x: Véc tơ số liệu vào (kích cỡ k)

y: Véc tơ số liệu ra (kích cỡ m)

Đề kiểm tra kha năng xấp xi dữ liệu của mạng MLP net/, ta sử dụng lệnh sim Ký

8

hiệu y là số liệu ra đo được, ytest là số liệu ra của mạng MLP được mô phỏng bằng lệnh

sim

ytest = sim( netl , x ) (5)

Thực hiện tính sai số e = y — ytest tại mỗi điểm do, ta có thé đánh giá được độ chính xác của việc mô phỏng Việc xác định độ chính xác cuối cùng của mạng phải được thực

hiện với dữ liệu độc lập.

* So đồ khối quy trình chan đoán vết nứt trong dam FGM sử dụng ANN

SỐ LIỆU ĐẦU VÀO ỨNG XỬ ĐỘNG ĐO

(TAN SO, DANG DAO DONG ĐƯỢC

RIÊNG, CHUYEN VỊ ĐỘNG) TỪ CÔNG TRÌNH THỰC

(TÀN SÓ, DẠNG DAO ĐỘNG RIENG, CHUYEN CAU TRUC MANG ANN

MANG ANN

XÁC ĐỊNH VET NUT P

VỊ TRÍ

Thiết kế, huấn luyện và kiểm VÉT NỨT

tra mạng ANN

Hình 1.3.6 Sơ đồ phương pháp chân đoán vết nứt bằng ANN

4 Tổng kết kết quả nghiên cứu Kết quả nhận được của đề tài này là:

- Đã xây dựng được cơ sở khoa học (mô hình kết cấu được gắn với các cảm biến áp điện) để thiết lập bài toán chan đoán hư hỏng kết cấu sử dụng trí tuệ nhân tạo và cảm biến thông minh (áp điện liên tục);

- Đã nghiên cứu trí tuệ nhân tạo và áp dụng thử nghiệm vào việc chân đoán vết nứt

trong kết cau khung, dầm bằng tan số và dang dao động riêng Kết quả cho thấy trí tuệ

nhân tạo có tiềm năng cao dé chân đoán hư hỏng từ xa, tự động hóa, thời gian thực của kết cầu như vết nứt;

- Đã nghiên cứu ứng xử của vật liệu áp điện được gắn kết vào kết cấu như các cảm

biến thông minh cùng làm việc với kết câu nhưng lại cung cấp cho chúng ta trạng thái kỹ

thuật của kết cấu, phục vụ đắc lực việc chan đoán hư hỏng kết cau sử dụng cảm biến

thông minh;

- Đã dé xuất và phát triển một phương pháp gọi là phương pháp đò tìm vết nứt (Crack Scanning Method - CSM) phục vụ việc chan đoán vết nứt trong kết cấu công trình

9