LUẬN ÁN TIẾN SĨ KỸ THUẬT - Nhận dạng và dự báo khuyết tật của dầm trên nền mạng neuron và logic mờ

Lời cám ơn Trước hết tôi xin gửi lời cám ơn chân thành và sâu sắc tới cán bộhướng dẫn khoa học, GS. TS. Ngô Kiều Nhi. Nhờ sự hướng dẫn tận tâm và có hiệu quả của Giáo sưmà tôi mới có thể hoàn thành được công trình nghiên cứu này. Xin đượcgửi lời tri ân sâu sắc tới cố GS. TSKH. Nguyễn Thúc Loan, người đã định hướng khoa học cho những bước đi quan trọng đầu tiên trong quá trình nghiên cứu luận án. Xingửi lời cám ơn chân thành tới PGS. TS. Lê Hoài Quốc về những gợi ý khoa học ban đầu. Xin được gửi lời cám ơn tới tất cả các thầy cô khoa Cơ khí Động lực của trường Đại học Thủy sản Nha Trang, tới tất cả các thầy cô khoa Cơ khí trường Đại học Bách khoa thành phố Hồ Chí Minh, tới các giáo sư tại IPC -Ede, VBMO Christiaan Huygens -Barneveld và Van Amsterdam University (Netherlands) vì đã truyền đạt cho tôi những kiến thức nền tảnghết sức quý báuđểthực hiện công tác nghiên cứu. Tôi xin gửi lời cám ơn tới các thầy cô trong Hội đồng đánh giá các Chuyên đề Tiến sĩ,Hội đồng đánh giá Luận án Tiến sĩ cấp Cơ sở, và các cán bộ phản biện độc lập. Những ý kiến đóng góp của các thầy cô thật thiết thực, giúp tôi hoàn chỉnh luận án. X in gửi lời cám ơn tới các thầy cô trong bộ môn Cơ kỹ thuậtvà Phòng Thí nghiệm Cơ học Ứngdụng thuộc trường Đại học Bách khoa thành phố Hồ Chí Minh, đặc biệt là PGS. TS. Trương Tích Thiện, TS. Vũ Công Hòa và GS. TS. Ngô Kiều Nhi vì đã tạo điều kiện tốt để tôi có thể hoàn thành công việc nghiên cứu. Cám ơn các thầy cô, các kỹ thuật viên, nhóm học viên cao học và sinh viên tham gia thực hiện các bài thí nghiệm đo dao động tại Phòng Thí nghiệm Cơ học Ứng dụng và tại cầu Sài Gòn vì đã tạo ra các cơ sở dữ liệu cho các kiểm chứng khoa học của luận án. Xin cám ơn các thầy cô thuộc bộ môn Cơ Điện tử và khoa Công nghệ Cơ khí của trường Đại học Công nghiệp thành phố Hồ Chí Minh đã chia sẽ công việc ở bộ môn và ở khoa để tôi có thể tập trung vào công tác nghiện cứu. Cuối cùng, con xin gửi lời tri ân tới Ba, cố NGƯT. Nguyễn Cao Hùng và Mẹ, Nguyễn Thị Lài, Người đã ươm mầm cho những thành côngcủa chúng con. Bavà Mẹ đã dành cho con sự quan tâm và kỳ vọng, khơi dậy trong con những hy vọng và ước mơ, (3) những hoài bão và quyết tâm ngay từ những ngày thơ ấu và dõi theo con cho tới mãi bây giờ. Xin được gửi lời cám ơn tới tất cả những người thân, tới anh chị và các emtrong đại gia đình yêu dấu của tôi. Trong quá trình thực hiện, có những khó khăn tưởng chừng không thể vượtqua. Gia đình nhỏ của tôi, vợ Võ Thị Bích Liên và hai con Nguyễn Vũ Tuấn Anh và Nguyễn Vũ Song Thủy, là động lực lớn giúp tôi vững bước đểđi tới thành công. Cám ơn em đã chia sẻ những khó khăn, đã gánh vác công việc gia đình để anh an tâm trong công tác nghiên cứu, đã động viên anh hoàn thành luận án. Cám ơn hai con đã tạo ra niềm vui, niềm hy vọng và tạo ra động lực lớn cho mọi nỗ lực của ba và mẹ. Thành phố Hồ Chí Minh, năm 2010 Tác giả luận án:

ĐẠI HỌC QUỐC GIA TP HCM

TRƯỜNG ĐẠI HỌC BÁCH KHOA

NGUYỄN SỸ DŨNG

NHẬN DẠNG VÀ DỰ BÁO KHUYẾT TẬT CỦA DẦM TRÊN NỀN MẠNG NEURON

VÀ LOGIC MỜ

LUẬN ÁN TIẾN SĨ KỸ THUẬT

TP HCM – NĂM 2010

ĐẠI HỌC QUỐC GIA TP HCM

TRƯỜNG ĐẠI HỌC BÁCH KHOA

LUẬN ÁN TIẾN SĨ KỸ THUẬT

NGƯỜI HƯỚNG DẪN KHOA HỌC: GS TS NGÔ KIỀU NHI

TP HCM – NĂM 2010

Lời cam đoan

Tôi cam đoan rằng tất cả những nội dung được nêu trong phần đóng góp khoa học của luận án này là của chính tôi và chưa từng được công bố trong bất kỳ một công trình nghiên cứu của một tác giả nào khác; các ý tưởng tham khảo và các trích dẫn từ kết quả nghiên cứu công bố trong các công trình khác đều được nêu rõ trong luận án Các kết quả

mô phỏng và thực nghiệm được trình bày trong luận án này đều được phản ánh một cách trung thực Các chương trình phần mềm đều do tôi thực hiện

Thành phố Hồ Chí Minh, năm 2010

Tác giả luận án:

NGUYỄN SỸ DŨNG

Lời cám ơn

Trước hết tôi xin gửi lời cám ơn chân thành và sâu sắc tới cán bộ hướng dẫn khoa học,

GS TS Ngô Kiều Nhi Nhờ sự hướng dẫn tận tâm và có hiệu quả của Giáo sư mà tôi mới

có thể hoàn thành được công trình nghiên cứu này Xin được gửi lời tri ân sâu sắc tới

cố GS TSKH Nguyễn Thúc Loan, người đã định hướng khoa học cho những bước đi

quan trọng đầu tiên trong quá trình nghiên cứu luận án Xin gửi lời cám ơn chân thành tới

PGS TS Lê Hoài Quốc về những gợi ý khoa học ban đầu

Xin được gửi lời cám ơn tới tất cả các thầy cô khoa Cơ khí Động lực của trường

Đại học Thủy sản Nha Trang, tới tất cả các thầy cô khoa Cơ khí trường Đại học Bách

khoa thành phố Hồ Chí Minh, tới các giáo sư tại IPC - Ede, VBMO Christiaan Huygens -

Barneveld và Van Amsterdam University (Netherlands) vì đã truyền đạt cho tôi những

kiến thức nền tảng hết sức quý báu để thực hiện công tác nghiên cứu

Tôi xin gửi lời cám ơn tới các thầy cô trong Hội đồng đánh giá các Chuyên đề

Tiến sĩ, Hội đồng đánh giá Luận án Tiến sĩ cấp Cơ sở, và các cán bộ phản biện độc lập

Những ý kiến đóng góp của các thầy cô thật thiết thực, giúp tôi hoàn chỉnh luận án Xin

gửi lời cám ơn tới các thầy cô trong bộ môn Cơ kỹ thuật và Phòng Thí nghiệm Cơ học

Ứng dụng thuộc trường Đại học Bách khoa thành phố Hồ Chí Minh, đặc biệt là PGS TS

Trương Tích Thiện, TS Vũ Công Hòa và GS TS Ngô Kiều Nhi vì đã tạo điều kiện tốt

để tôi có thể hoàn thành công việc nghiên cứu Cám ơn các thầy cô, các kỹ thuật viên,

nhóm học viên cao học và sinh viên tham gia thực hiện các bài thí nghiệm đo dao động

tại Phòng Thí nghiệm Cơ học Ứng dụng và tại cầu Sài Gòn vì đã tạo ra các cơ sở dữ liệu

cho các kiểm chứng khoa học của luận án Xin cám ơn các thầy cô thuộc bộ môn Cơ

Điện tử và khoa Công nghệ Cơ khí của trường Đại học Công nghiệp thành phố Hồ Chí

Minh đã chia sẽ công việc ở bộ môn và ở khoa để tôi có thể tập trung vào công tác nghiện

cứu

Cuối cùng, con xin gửi lời tri ân tới Ba, cố NGƯT Nguyễn Cao Hùng và Mẹ,

Nguyễn Thị Lài, Người đã ươm mầm cho những thành công của chúng con Ba và Mẹ đã

dành cho con sự quan tâm và kỳ vọng, khơi dậy trong con những hy vọng và ước mơ,

những hoài bão và quyết tâm ngay từ những ngày thơ ấu và dõi theo con cho tới mãi bây giờ Xin được gửi lời cám ơn tới tất cả những người thân, tới anh chị và các em trong đại gia đình yêu dấu của tôi Trong quá trình thực hiện, có những khó khăn tưởng chừng không thể vượt qua Gia đình nhỏ của tôi, vợ Võ Thị Bích Liên và hai con Nguyễn Vũ Tuấn Anh và Nguyễn Vũ Song Thủy, là động lực lớn giúp tôi vững bước để đi tới thành công Cám ơn em đã chia sẻ những khó khăn, đã gánh vác công việc gia đình để anh an tâm trong công tác nghiên cứu, đã động viên anh hoàn thành luận án Cám ơn hai con đã tạo ra niềm vui, niềm hy vọng và tạo ra động lực lớn cho mọi nỗ lực của ba và mẹ

Thành phố Hồ Chí Minh, năm 2010

Tác giả luận án:

NGUYỄN SỸ DŨNG

MỤC LỤC

Mở đầu

Chương 1 TỔNG QUAN

1.1 GIỚI THIỆU CHUNG ……… 02

1.1.1 Sơ lược về nhận dạng và dự báo khuyết tật ………02

1.1.1.1 Nhận dạng khuyết tật ……… 02

1.1.1.2 Bài toán dự báo .……… 05

1.1.2 Hai giải pháp nhận dạng và dự báo khuyết tật trên dầm ………06

1.1.3 Quản trị cầu ………07

1.2 MỘT SỐ CÔNG TRÌNH LIÊN QUAN ……… 09

1.3 GIỚI THIỆU LUẬN ÁN .15

1.3.1 Mục đích của luận án ……… 15

1.3.2 Nhiệm vụ đặt ra cho luận án ……… 17

1.3.3 Phương pháp nghiên cứu ………17

1.3.4 Tính thực tiễn của đề tài nghiên cứu … ……… 18

1.3.5 Tóm tắt nội dung của luận án ………….………18

Chương 2 MẠNG NEURON, LOGIC MỜ VÀ HỆ THỐNG SUY DIỄN NEURO-FUZZY 2.1 MÔ HÌNH TOÁN CỦA CƠ HỆ ……… …22

2.1.1 Khái niệm ……….…22

2.1.2 Sử dụng mạng ANN ……….24

2.1.3 Sử dụng hệ thống suy diễn mờ ………24

2.1.4 Sử dụng mô hình kết hợp ……… 25

2.2 MẠNG NEURON ……… 26

2.2.1 Sơ lược về ANN ……… …26

2.2.2 Đặc điểm của ANN ……… …29

2.2.3 Huấn luyện ANN .30

2.2.4 Thiết kế ANN ……… 31

2.3 HỆ THỐNG SUY DIỄN MỜ ……… 33

2.3.1 Cơ sở logic mờ ……….33

2.3.1.1 Khái niệm về tập mờ ……….33

2.3.1.2Một số phép toán trên tập mờ ………34

2.3.2 Hệ thống suy diễn mờ ………39

2.3.2.1 Biến ngôn ngữ và quá trình mờ hóa ……… 39

2.3.2.2 Luật suy diễn mờ ……… ……….41

2.3.2.2.1 Quy tắc hợp thành ……… ………….42

2.3.2.2.2 Mệnh đề hợp thành dạng SISO ………42

2.3.2.2.3 Mệnh đề hợp thành MISO ……… ………45

2.3.2.3 Giải mờ ………46

2.4 HỆ THỐNG SUY DIỄN NEURO-FUZZY ……… ………47

2.5 MỘT SỐ THUẬT TOÁN LIÊN QUAN ……….49

2.5.1 Thuật toán huấn luyện ANN ……… 49

2.5.1.1 Giới thiệu về TT* ……….49

2.5.1.2 Thuật toán TT* ……… 50

2.5.2 Hệ thống suy diễn neuro-fuzzy ………50

2.5.2.1 Chia bó không gian dữ liệu ……… 50

2.5.2.1.1 Chia bó cứng, Hard C-mean (HCM) ……… 51

2.5.2.1.2 Chia bó mờ, Fuzzy C-mean (FCM) ……… 52

2.5.2.1.3 Chia bó mờ dạng siêu hộp (hyper-box) ……… 53

2.5.2.1.3.1 Một số khái niệm và thuật toán liên quan ……… 53

2.5.2.1.3.2 Xác lập siêu phẳng bằng phương pháp…(LMS) …55 2.5.2.1.3.3 Xây dựng các tập mờ tối ưu ……….56

2.5.2.1.3.3.1 Thuật toán Hyperplane Clustering ………56

2.5.2.1.3.3.2 Thuật toán chia bó min-max, CBMM ……57

2.5.2.1.3.3.3 Thuật toán cắt siêu hộp lai, CSHL ……….59

2.5.2.2 Tổng hợp hệ thống suy diễn neuro-fuzzy ………64

2.5.2.2.1 Thuật toán HLM1 ……….64

2.5.2.2.1.1 Cấu trúc mạng neuro-fuzzy của HLM1 ………64

2.5.2.2.1.2 Thuật toán HLM1 ……… 66

2.5.2.2.2 Thuật toán huấn luyện mạng neuro-fuzzy HLM2 …………66

2.5.2.2.2.1 Cấu trúc mạng neuro-fuzzy của HLM2 ………66

2.5.2.2.2.2 Thuật toán HLM2 ……… 68

2.5.2.2.3 Thuật toán HLM ……….69

Chương 3 NHẬN DẠNG VÀ DỰ BÁO KHUYẾT TẬT 3.1 CƠ SỞ LÝ THUYẾT ………72

3.1.1 Phương pháp phân tích wavelet ………72

3.1.1.1 Khái niệm về phân tích wavelet ………72

3.1.1.2 Sơ lược về ứng dụng wavelet ……… 73

3.1.2 Ứng dụng phương pháp giải bài toán ngược ………74

3.1.2.1 Ứng xử động lực học của cơ hệ………74

3.1.2.2 Hàm mục tiêu ………75

3.1.2.3 Một số phương pháp giải ……… … 78

3.1.2.3.1 Phương pháp tối ưu ……… 78

3.1.2.3.2 Sử dụng mạng ANN và neuro-fuzzy ……….83

3.2 MỘT SỐ THUẬT TOÁN VỀ NHẬN DẠNG KHUYẾT TẬT ……….85

3.2.1 Sử dụng phân tích wavelet, thuật toán KTKT-WL [6] ……….85

3.2.1.1 Một số khái niệm và nhận xét liên quan ………85

3.2.1.2 Thuật toán KTKT-WL ……….86

3.2.2 Phương pháp năng lượng, thuật toán VTKT-NL [3]……….88

3.2.3 Ứng dụng hệ thống … neuro-fuzzy, thuật toán VTKT-NF [4] ………89

3.3 XÁC ĐỊNH MỨC ĐỘ KHUYẾT TẬT VÀ DỰ BÁO ……… 94

3.3.1 Xác định mức độ hư hỏng ……… 94

3.3.2 Dự báo khuyết tật ……….94

3.3.2.1 Giới thiệu ……… 94

3.3.2.2 Thuật toán liên quan ………96

3.3.2.3 Thuật toán dự báo TSPA ……… 96

3.3.2.4 Ứng dụng TSPA trong dự báo khả năng tải của cầu ………….98

3.3.2.4.1 Tổ chức đo số liệu ……….98

3.3.2.4.2 Sử dụng TSPA ……….99

Chương 4 THÍ NGHIỆM KIỂM CHỨNG 4.1 TỔNG HỢP MẠNG NEURON VÀ NEURO-FUZZY ……….… 101

4.1.1 Kiểm chứng thuật toán TT* ………101

4.1.1.1 Nhận dạng vector đặc trưng của ảnh ………101

4.1.1.2 Nhận dạng hàm số ………103

4.1.2 Kiểm chứng các thuật toán HLM1, HLM2 và HLM ….………104

4.1.2.1 Khảo sát … HLM1 và HLM2 …dùng tập mẫu ngẫu nhiên……104

4.1.2.2 Đánh giá HLM1 và HLM2 qua nhận dạng hàm số …………105

4.1.2.3 Kiểm chứng HLM1, HLM2 và HLM …từ tập dữ liệu số ……106

4.1.2.4 Đánh giá HLM1, HLM2 và HLM qua nhận dạng hàm số …….108

4.1.2.5 Khảo sát hiệu quả của HLM qua nhận dạng hàm số ………….108

4.1.2.6 Đánh giá hiệu quả của HLM qua nhận dạng dầm cầu ………109

4.2 CÁC THÍ NGHIỆM TRÊN MÔ HÌNH TOÁN ………112

4.2.1 Xác định vị trí hỏng dựa vào …VTKT-NF… ……….112

4.2.2 Nhận dạng mức độ hư hỏng dựa trên … HLM và … neuro-fuzzy … 115

4.3 CÁC THÍ NGHIỆM TRÊN MÔ HÌNH THỰC ………118

4.3.1 Mô tả thí nghiệm 1 ……… 118

4.3.2 Ứng dụng Phương pháp Năng lượng và mạng Neuro-Fuzzy ………….119

4.3.2.1 Ứng dụng VTKT-NF xác định vị trí hư hỏng đơn trên khung ….119

4.3.2.2 So sánh kết quả của VTKT-NF và phương pháp năng lượng ….121 4.3.3 Ứng dụng phân tích Wavelet trong kiểm tra khuyết tật ………122

4.3.3.1 Ảnh hưởng của scale a tới độ chính xác định vị khuyết tật ……122

4.3.3.2 Ảnh hưởng của hàm wavelet  ………124

4.3.3.3 Sử dụng hệ số hư hỏng xác định sự tồn tại khuyết tật ………….125

4.3.3.4 Xác định vị trí hư hỏng đơn ………128

4.3.3.5 Xác định vị trí hư hỏng kép ……….131

4.3.3.6 Sử dụng KTKT-WL xác định sự hiện diện và vị trí khuyết tật… 131

4.3.3.6.1 Sử dụng số liệu của Thí nghiệm 1 ……….131

4.3.3.6.2 Sử dụng số liệu của Thí nghiệm 2 ……… 133

4.3.3.7 Xác định mức độ khuyết tật dựa vào hệ số wavelet trung bình …135 4.3.4 Ứng dụng mạng neuro-fuzzy trong dự báo ……… 137

4.4 THÍ NGHIỆM TRÊN CẦU THỰC ……… 142

4.4.1 Tổ chức thí nghiệm đo dao động trên cầu Sài Gòn ………142

4.4.2 Tín hiệu dao động theo tải giao thông và thuật toán KTKT-WL …….143

Chương 5 KẾT LUẬN 5.1 NHỮNG NỘI DUNG CHÍNH CỦA LUẬN ÁN ……… 145

5.2 ĐÓNG GÓP KHOA HỌC CỦA LUẬN ÁN ……… 145

5.3 HƯỚNG PHÁT TRIỂN CỦA LUẬN ÁN ……… 151

DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ ……….152

TÀI LIỆU THAM KHẢO ……….152

Phụ lục 1 Các chương trình về chia bó … và tổng hợp mạng neuro-fuzzy …… 166

Phụ lục 2 Tập dữ liệu nhận dạng khung … khi chưa hư ……….194

Phụ lục 3 Xây dựng tập dữ liệu cho bài toán dự báo ………212 Phụ lục 4 Ứng dụng mạng neuro-fuzzy trong dự báo ………213 Phụ lục 5 Hệ số wavelet chuẩn hóa…trên dầm bê tông…cầu Sài Gòn ………… 214

DANH MỤC CÁC KÝ HIỆU

a hệ số tỷ lệ (scale), phản ánh tần số wavelet địa phương

A k vector scale a trên đường cực đại của phần tử thứ k

A q siêu phẳng thứ q

Ặ) ma trận Hessian

A , B tập mờ A và B trên tập nền là giao của hai tập nền M×N

b khoảng dịch chuyển thời điểm phân tích wavelet hàm khảo sát (thông số vị trí)

d khoảng cách từ trọng tâm khối lượng lệch tâm tới đường tâm của trục quay

i

D hệ số hư hỏng của phần tử thứ i tính theo phương pháp năng lượng (3.41)

i

D hệ số hư hỏng trung bình của phần tử i tính theo phương pháp năng lượng (3.42)

E môđyn đàn hồi của vật liệu

M 0 ma trận khối lượng

0

n tốc độ quay

N w vector scale a trong phép phân tích wavelet cho tất cả các phần tử

N số phần tử được chia trên cơ hệ

p i hướng di chuyển tại vòng lặp thứ i (Conjugate Gradient)

pHB siêu hộp liên kết của các siêu hộp cùng nhãn k

P số mẫu dữ liệu trong tập dữ liệu

P test số mẫu dữ liệu trong tập dữ liệu kiểm tra

n

 không gian dữ liệu n chiều

S diện tích tiết diện ngang của dầm



T tập dữ liệu huấn luyện mạng

test

T tập dữ liệu kiểm tra

U ma trận phân bố các mẫu dữ liệu

W hệ số wavelet trung bình của phần tử thứ k sau nhiều lần khảo sát

( ,x y i i),i1 P cặp mẫu dữ liệu vào-ra thứ i (điểm mẫu thứ i)

X  tập dữ liệu gồm P mẫu trong một không gian dữ liệu

(nếu là không gian vào thì x  i x i, nếu là không gian ra thì x  i y i)

y i dữ liệu ra thứ i trong tập mẫu dữ liệu

yˆ tín hiệu ra thứ i của mạng neuron, hoặc của hệ mờ, hoặc của hệ suy

diễn neuro-fuzzy

Yi biên độ dao động tại vị trí i trên cơ hệ

z0 tọa độ trên trục Oz0 dọc theo chiều dài của dầm

ji

z hệ số thế năng biến dạng đàn hồi của phần tử thứ j ở trạng thái dao động thứ

i tại thời điểm kiểm tra (3.45)

ˆji

z hệ số thế năng biến dạng đàn hồi của phần tử thứ j ở trạng thái dao động thứ

i khi cơ hệ chưa hư, được tính dựa vào mạng neuro-fuzzy (hình 3.3)

 hàm liên thuộc của giao hai tập mờ A và B khác tập nền (tập nền của A và B,

theo thứ tự, là M và N) được xác định trên tập nền tích M×N

i

 là bước dịch chuyển theo hướng p i tại vòng lặp thứ i trong quà trình tìm kiếm

điểm cực tiểu hàm sai số theo phương pháp Conjugate Gradient

( )t

 hàm mother wavelet

CỤM TỪ VIẾT TẮT

ANN Artificial Neural Networks

Mạng neuron nhân tạo

BEM Boundary Element Method

Phương pháp phần tử biên

CBMM Thuật Toán Chia Bó Min-Max

CĐKT Chế Độ Kích Thích Dao Động

CG Conjugate Gradient

Thuật toán Conjugate Gradient

CSHL Thuật toán Cắt Siêu Hộp Lai

CWT Continuous Wavelet Transform

Phân tích wavelet lien tục

DWT Discrete Wavelet Transform

Phân tích wavelet rời rạc

Thuật toán di truyền

GNFcs Global Neuro-Fuzzy Net

Mạng neuro-fuzzy cơ sở nhận dạng toàn bộ cơ hệ HCM Hard C-Mean

Thuật toán chia bó cứng

HLM Thuật Toán Huấn Luyện Mạng Neuro-Fuzzy

HLM1 Thuật Toán Huấn Luyện Mạng Neuro-Fuzzy 1

HLM2 Thuật Toán Huấn Luyện Mạng Neuro-Fuzzy 2

KD Điểm Kỳ Dị

KTKT-WL Thuật Toán Kiểm Tra Khuyết Tật Bằng Phương Pháp Phân Tích Wavelet LMS Least-Mean-Square Method

Phương pháp trung bình bình phương cực tiểu

MISO Multi Input Single Output

Nhiều đầu vào một đầu ra

MPE Mean Percent Error

Sai số phần trăm trung bình

MSE Mean-Squared Error

Sai số bình phương trung bình (còn được gọi là chuẩn L2)

ND-DBTX Hệ Thống Nhận Dạng và Dự Báo Thường Xuyên “sức khỏe” của cơ hệ NDKTBDĐ Phương pháp nhận dạng khuyết tật bằng dao động

SEM Strip Element Method

Phương pháp phần tử dải

SISO Single Input Single Output

TSPA Time-Series-Prediction Algorithm

Thuật toán dự báo các thông số động theo chuỗi thời gian

TTDĐ Trạng Thái Dao Động

TT* Thuật Toán *

VTKT-NL Thuật Toán Xác Định Vị Trí Khuyết Tật Bằng Phương Pháp Năng Lượng VTKT-NF Thuật Toán Xác Định Vị Trí Khuyết Tật Bằng Mạng Neuro-Fuzzy

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ VÀ BIỂU ĐỒ

Hình 1.1 Lưu đồ thuật toán giải bài toán ngược trong cơ học

Hình 1.2 Cầu dây văng Đông Hải

Hình 1.3 Hệ thống ND-DBTX trên cầu Shandong Binzhou

Hình 1.4 Cầu Rạch Sỏi(a), cầu Đắk Wet 2 trên QL24 (b), và cầu Cần Thơ (c) sau khi sập

Hình 2.1 Dầm dao động cưỡng bức

Hình 2.2 Sơ đồ huấn luyện ANN trong học giám sát

Tín hiệu vào và tín hiệu ra của mạng x , ˆ ( i y W , i=1…P; tín hiệu ra tương ứng của đối i )

tượng y i ,

Hình 2.3 Cấu trúc của bộ nhận dạng mờ và quy trình xây dựng bộ nhận dạng mờ

Hình 2.4 Mô hình một neuron sinh học

Hình 2.5 Mô hình toán của một neuron nhân tạo

Hình 2.6 Mô hình toán của neuron nhiều ngõ vào

Hình 2.7 Tập mờ

Hình 2.8 Hợp hai tập mờ có cùng không gian nền

a) Hàm thuộc của hai tập mờ A và B, b) Hợp hai tập mờ theo luật max, c) Hợp hai tập mờ theo luật sum

Hình 2.9 Phép hợp hai tập mờ không cùng nền

a) Hàm thuộc của hai tập mờ A, B b) Đưa hai tập mờ về chung một nền M×N

c) Hợp hai tập mờ trên nền M×N

Hình 2.10 Hàm thuộc của giao hai tập hợp có cùng không gian nền

a) Hàm thuộc của hai tập mờ A và B, b) Giao hai tập mờ theo luật min,

c) Giao hai tập mờ theo luật tích đại số

Hình 2.11 Biến ngôn ngữ và quá trình mờ hóa

Hình 2.15 Chọn giải pháp cắt theo ARC [93] và CSHL [9]

Hình 2.16a Cấu trúc mạng Neuron-fuzzy của thuật toán HLM1 và HLM

Hình 2.16b Cấu trúc mạng Neuron-fuzzy của thuật toán HLM2

Hình 3.1 Cấu trúc mạng neuro-fuzzy sử dụng cho một phần tử, ENF j , j=1…N

Hình 3.2 Cấu trúc mạng Neuro-Fuzzy sử dụng cho cầu, GNF

Hình 3.3 Nhận dạng vị trí khuyết tật dựa vào GNF cs

N là số phần tử được chia trên cơ hệ; P test là số TTDĐ được sử dụng để kiểm tra

Hình 3.4 Mô tả chuỗi dữ liệu tuần tự theo thời gian

Hình 4.1 Dùng hàm sai số tự tương quan để huấn luyện mạng neuron nhận dạng vector đặc trưng

của ảnh

Hình 4.2 a/ ANN 5-5-1, v=[13 24 21 56 44]: so sánh tốc độ hôi tụ của TT*,TT**[1], CG ([111])

b/ ANN 5-5-1, v=[3 7 25 5 9]: so sánh tốc độ hôi tụ của TT*,TT**[1], CG ([111]) Sự phụ thuộc tốc độ hội tụ của TT**[1] vào hệ số học thích nghi:1=0.05,2=-0,05 (3); 1=- 0.07, 2=0,05 (4); 1=-0.1,2=0,05 (5)

Hình 4.3 ANN 5-5-5-1, v=[91 18 26 4 50], Emin=0.01

- So sánh tốc độ hội tụ của ba thuật toán: thời gian hội tụ của TT* là 360s (5); của TT**[1] là 65,78s (1= -0,2;2=0,1) (3); [111] vẫn chưa hội tụ sau 5000s, tại đó Er=2,473.10 7

- Thời gian hội tụ của TT**[1] phụ thuộc vào hệ số học thích nghi, cụ thể: 1=-0.2;

2

 =0,1, t=65,8 (3); 1=-0,15;2=0,1, t=87,6s (2); 1=-0.25;2=0,1, t=148 (1);

1

 =0,1;2=-0,1 t=342,2s (4)

Hình 4.4 Tốc độ hội tụ của các thuật toán

Kết quả xấp xỉ hàm y=1+sin(x) tại hai thời điểm 150 giây và 225 giây được thể hiện qua các giá trị hàm sai số tương ứng với từng thuật toán E của[111] (trên hình này ký kiệu [1] ứng với thuật toán [111]), E(TT*), E(TT**) và các đồ thị xấp xỉ của hàm y bởi tín hiệu ra của mạng tại từng thời điểm (hình 4.5)

Hình 4.5 Đồ thị hàm y được xấp xỉ bởi tín hiệu ra của mạng tại thời điểm a/ 150s và b/ 225s ứng

với từng thuật toán (trên hình, ký kiệu [1] ứng với thuật toán [111])

Hình 4.6 So sánh sai số đáp ứng Error i y iyˆ ,i i 1 100 và giá trị sai số bình phương trung bình

E của thuật tóan [93], HLM1 và HLM2 ứng với tập mẫu tr_set2 với số luật mờ M=30 Hình 4.7 Tín hiệu ra của tập mẫu tập tr_set2 y i ( ) và của mạng y i ˆ ,i 1 100( ) ứng với hai

thuật toán [93] (a) và HLM2 (b)

Hình 4.8 Giá trị sai lệch Error i y iyˆi và giá trị sai số bình phương trung bình E của các thuật

toán [93] HLM1, HLM2 và HLM khi số luật mờ M=12, tập mẫu “Daily Data of Stock A” của [95]

Hình 4.9 Giá trị sai lệch Error i y iyˆi và giá trị sai số bình phương trung bình E của các thuật

toán [93] và HLM khi số luật mờ M=18, sử dụng tập mẫu “Daily Data of Stock A” [95] Hình 4.10 So sánh sai số đáp ứng Error i y iyˆ ,i i 1 100 và giá trị sai số bình phương trung bình

E của thuật toán [93] và HLM ứng với tập mẫu tr_set với số luật mờ M=30

Hình 4.11 Mô hình thí nghiệm đo độ võng của dầm cầu trên hai gối khi tải thay đổi

Hình 4.12 Sai lệch Error i y iyˆi và sai số bình phương trung bình E ứng với từng thuật toán Hình 4.13 Khả năng đáp ứng của mạng neuro-fuzzy được huấn luyện bởi thuật toán HLM

Hình 4.14 Xây dựng các phần tử theo phương pháp phần tử hữu hạn

Hình 4.15 Độ chính định vị khuyết tật của [67] phụ thuộc vào tần số kích thích dao động (đường 4)

Hiệu quả của giải pháp được đề xuất (đường 3)

(a): phần tử số 17 hư 20%; (b): phần tử 6 hư 20%, 12 hư 20% và 18 hư 30%

Hình 4.16 Mức độ hư hỏng càng cao thì độ gia tăng của hệ số hư hỏng D i và D i tại phần tử bị hư

càng lớn Phần tử số 5 bị hư 10% (a); 30% (b) và 50%(c)

Hình 4.17 Hệ số hư hỏng D i và D i – trong trường hợp tập giá trị độ võng Y X không có sai số - ( )

phản ánh chính xác vị trí hư hỏng của cầu

Phần tử số 10 bị hư 20% (a); phần tử 15 bị hư 20% (b); và hai phần tử 6, 12 cùng bị hư

10%(c)

Hình 4.18 Khả năng xác định vị trí hư hỏng của hệ số hư hỏng x và i D i trong trường hợp cơ hệ hư

tại nhiều vị trí đồng thời và tập giá trị độ võng Y X có sai số với những mức độ khác ( )

Hình 4.19 Thiết bị và mô hình thí nghiệm

Hình 4.20 Sơ đồ cấu trúc của mô hình thí nghiệm 1 (a) và vị trí các nút phần tử (b)

Hình 4.21 Chia 4 phần tử Hư tại Y 4+ (phần tử 2) với bốn mức độ khác nhau a-a, b-b, c-c, d-d Hình 4.22 Chia 4 phần tử, hư tại Y 6+ (phần tử 2) với bốn mức độ khác nhau a-a, b-b, c-c, d-d Hình 4.23 Chia 3 phần tử Hư tại Y 6+ (phần tử 2) với bốn mức độ khác nhau a-a, b-b, c-c, d-d Hình 4.24 Chia 3 phần tử Hư đồng thời tại Y 6+ (phần tử 2) và tại Y 10+ (phần tử 3)

Hình 4.25 Ảnh hưởng của scale a tới việc định vị các điểm kỳ dị

Hình 4.26 Ảnh hưởng của  tới việc định vị các điểm kỳ dị KD

(a) hỏng 4,9% tại Y 8 , tần số dao động f=3,8Hz; (b) hỏng 23,9% tại Y6+, tần số f=2,6Hz Hình 4.27 Chênh lệch độ võng y tại Y 4 và Y 6 khi tần số f=4Hz và biến đổi wavelet W(y) của y

Hình 4.28 Hư tại Y 8 Hệ số hư hỏng ( )

k k

Z  f Y (3.38) ứng với ba TTDĐ và ba mức độ hư hỏng (a): hư 1,56% tại Y 8 , tần số 3 Hz; (b): hư 4,90% tại Y8, tần số 3,8 Hz; (c): hư 11,16% tại Y 8 , tần số 3,6 Hz

Hình 4.29 Hư tại Y 6+ (trung điểm Y 6 Y 7 ) Hệ số hư hỏng Z( )k  f Y( k) ứng với sáu TTDĐ và mức độ

hư hỏng (a): hư 11,6%, tần số 2,6 Hz; (b): hư 11,6%, tần số 3,4 Hz; (c): hư 1,56%, tần số 3,6 Hz; (d): hư 1,56%, tần số 3,4Hz; (e): hư 1,56%, tần số 4 Hz; (f): hư 4,9%, tần số 4Hz Hình 4.30 Hư tại Y 6+ và Y 9+

Số liệu trong các bảng trên mỗi hình: hàng thứ nhất là thứ tự các điểm đo từ Y 2 tới Y 12 , hàng thứ hai thể hiện hệ số hư hỏng ( )

k k

Z  f Y tương ứng Hình 4.31 Xác định sự hiện diện của khuyết tật trên cơ hệ cũng như định vị vị trí của chúng

(a) Hư tại Y 6 với 4 cấp độ khác nhau aa, bb, cc, dd; khung dao động cùng tần số f=3,6Hz trong cả bốn trường hợp (b) Tương tự như trường hợp trên nhưng tần số dao động ứng với từng mức khuyết tật aa, bb, cc, dd theo thứ tự là 3,4Hz, 3,6Hz, 3,1Hz và 3,0 Hz (c) Khung hư đồng thời tại hai điểm Y 4 và Y 6 cùng cấp độ aa, bb, cc, và dd; ứng với từng cấp

độ hư nêu trên là các tần số dao động tương ứng 3,6Hz, 2,9Hz, 3,2Hz và 4,0Hz

Hình 4.32 Vị trí hư (A) và các vị trí gắn các cảm biến CV1, CV2, MEM1, MEM2, MEM3 trên dầm Hình 4.33 Vị trí hư (C) và vị trí gắn các cảm biến MEM1, MEM2, MEM3, SG2, SG3, CV1, CV2

trên dầm

Hình 4.34 Phương pháp xác định mức độ khuyết tật dựa vào (k)

W Các đường (1) và (2), theo thứ tự, là độ biến thiên của hệ số wavelet trung bình ( 6 )

) 4

(

W khi dầm hư tại Y 6 ở các mức độ khác nhau Các đường (3) và (4), theo thứ tự, là độ biến thiên của hệ số wavelet trung bình W(4)và W(6)khi dầm hư đồng thời tại Y 4 và Y 6 ở các mức độ khác nhau

Hình 4.35 Dự báo biên độ dao động tại nút Y 5 khi khung dao động tần số 1,1Hz với n=3 và n=4

Hình 4.36 Dự báo biên độ dao động tại nút Y 7 khi khung dao động với tần số 1,8Hz với n=3 và n=4

Hình 4.37 Dự báo biên độ dao động tại nút Y 8 khi khung dao động với tần số 1,4Hz với n=3 và n=4 Hình 4.38 Khảo sát gián tiếp 1/ Camera , 2/ Time Properties , 3/ DaqView – Trigger

Hình 4.39 Khảo sát đáp ứng động lực của cầu Sài Gòn dựa vào số liệu trong các ngày 9-12/4/2009

Các hình (1), (2), và (3) là tín hiệu biến dạng của dầm cầu ở ba lần đo tại cùng một điểm

đo Y 1 Hình (4) là tín hiệu wavelet Wf(a, b) của (3) Hình (5) là hệ số wavelet trung bình

DANH MỤC CÁC BẢNG

Bảng 1.1 Thống kê các số liệu về hệ thống cầu tại Việt nam, năm 2007

Bảng 4.1 Thời gian huấn luyện ứng với ANN 5-5-1, Emin=0.01

Bảng 4.2 Sai số bình phương trung bình của từng thuật toán

Bảng 4.3 Sai số bình phương trung bình của từng thuật toán

Bảng 4.4 Sai số E của [93], HLM1, HLM2 và HLM khi M=10, 12, 14, 18, 20

Bảng 4.5 Sai số E của [112], [133], [143], [93], HLM1, HLM2 và HLM khi M=6, 8, 10

Bảng 4.6 Sai số E của [93] và HLM khi M=10, 15, 20, 25, 30

W (3.37) và W( )k (3.38) của độ võng tuyệt đối k( , )z t tại Y 4 ,Y 6 trong từng CĐKT

Bảng 4.13 ( )

i

k a

W (3.37) và W( )k (3.38) của hiệu chênh lệch độ võng y k( , )z t tại Y 4 ,Y 6 trong từng CĐKT

Bảng 4.14 Hư 12.5% tại A

Bảng 4.15 Hư 6.25% tại C

Bảng 4.16 Hư 12.5% tại C Bảng 4.17 Hư 18.75% tại C

Bảng 4.18 Số liệu dự báo biên độ dao động của TSPA khi n=3

Bảng 4.19 Số liệu dự báo biên độ dao động khi n=4 của TSPA và của DENFIS [98]

MỞ ĐẦU

Cầu giao thông chịu tác động của các chế độ tải trọng phức tạp Ngoài tác động của tải trọng phân

bố do trọng lượng của chính cơ hệ, hệ còn chịu tác động của tải trọng tĩnh và tải trọng động do nhiều nguyên nhân khác nhau, chẳng hạn tải trọng do con người và các phương tiện giao thông lưu thông qua cầu tạo ra, tải trọng do tác động của sóng nước, của gió và/hoặc tải trọng động do địa chấn [176] Trong tính toán thiết kế, trên cơ sở phân tích ảnh hưởng của từng yếu tố tới công trình [158-159][170-171][174-175][177] chúng ta tiến hành tính toán theo nguyên lý cộng tác dụng dựa trên những tiêu chuẩn thiết kế khác nhau [151-152][171] Thực tế cho thấy rằng khó có thể đưa ra một tiêu chuẩn thiết kế phù hợp một cách hoàn hảo với tất cả các chế độ tải trọng thực tác động lên cầu Ngoài ra, khả năng tải của cầu cũng thay đổi theo thời gian do xuất hiện khuyết tật – với nhiều loại hình khác nhau [154][156][165][167] ở các cấp độ khác nhau – có thể gây ra tình trạng quá tải cho cơ hệ nếu xét theo khả năng tải thực tế Kết quả là, mặc dù đã được các nhà chuyên môn thiết

kế một cách chi tiết dựa theo các tiêu chuẩn thiết kế chặt chẽ nhưng vẫn xảy ra những sự cố đáng tiếc trong quá trình khai thác cầu

Ở nước ta, hệ thống cầu giao thông có tổng chiều dài cũng như chủng loại cầu là rất lớn, trong đó nhiều cây cầu nằm trên những trục đường huyết mạch Xét về tình trạng kỹ thuật: khả năng tải và dự trữ tuổi thọ của từng cây cầu trong hệ thống có sự khác biệt nhau; nhiều cây cầu làm việc quá tải trong thời gian dài Bên cạnh những cầu có dự trữ về tuổi thọ không cao lại có rất nhiều cây cầu có dự trữ về tuổi thọ khá cao nhưng chất lượng của chúng đang xuống cấp nhanh chóng theo thời gian Nguyên nhân chính của tình trạng này là do chế độ quá tải trầm trọng kéo dài liên tục trong khoảng thời gian dài; đặc biệt, các phương tiện vận tải tải trọng lớn đang được đưa vào sử dụng với tốc độ gia tăng hầu như không kiểm soát được trong thời gian gần đây Bên cạng đó, hệ thống nhận dạng khuyết tật cầu ở nước ta chưa theo kịp với yêu cầu thực tế, hệ thống dự báo khả năng tải của cầu chưa được quan tâm đúng mực Việc khai thác cầu không thỏa đáng cùng với việc thiếu hệ thống nhận dạng và dự báo khuyết tật, thiếu cơ sở dữ liệu đủ tin cậy trong công tác quản trị

cầu đã dẫn tới tình trạng sập cầu diễn ra nhiều trong thời gian gần đây

Xét ở góc độ kỹ thuật ta có thể thấy rằng trên đa số các hệ thống cầu giao thông, dầm cầu là một trong những thành phần chịu tải cơ bản, khuyết tật xuất hiện trên dầm cầu là một trong những nguyên nhân chính gây ra sập cầu Vì vậy, nghiên cứu xây dựng phương pháp nhận dạng và dự báo khuyết tật của dầm là công tác cần thiết góp phần vào việc xây dựng hệ thống nhận dạng khuyết tật

và dự báo thường xuyên khả năng tải của cầu (ND-DBTX), phục vụ cho công tác quản trị cầu một cách khoa học và hiệu quả Đây chính là động lực để tác giả thực hiện luận án

Chương 1

TỔNG QUAN

1.1 GIỚI THIỆU CHUNG

1.1.1 Sơ lược về nhận dạng và dự báo khuyết tật

Dầm cầu được chế tạo từ nhiều loại vật liệu khác nhau dựa trên các phương pháp công nghệ khác nhau sẽ mang những nét đặc trưng riêng trong ứng xử động lực học, do đó cần có những giải pháp tính toán khác nhau trong thiết kế khi ứng dụng từng loại Chẳng hạn, các tính toán cho dầm thép liên hợp được trình bày trong [162-163], cho dầm bê tông cốt thép được đề cập trong [168-169], hoặc cho dầm bê tông cốt thép dự ứng lực được đề xuất trong [155] Mặc dù mỗi loại dầm có những nét đặc thù riêng, tuy nhiên, nếu xét ở góc độ khả năng chịu tải thì có thể thấy rằng đại lượng đặc trưng chung cho các loại dầm cầu là độ cứng chống biến dạng Vì mục tiêu nghiên cứu của luận án

là nhận dạng và dự báo khuyết tật của phần tử dầm, do đó trong luận án khuyết tật được hiểu theo nghĩa: là bất kỳ những thay đổi nào làm suy giảm độ cứng chống biến dạng, E J x, của cơ hệ Như vậy, khuyết tật có thể do sự thay đổi đặc trưng hình học làm giảm diện tích tiết diện ngang, giảm

mô men quán tính chính trung tâm của tiết diện ngang, cũng có thể là sự suy giảm về cơ tính, nghĩa

là làm giảm mođyn đàn hồi của vật liệu, hoặc là tổ hợp của các yếu tố nêu trên

1.1.1.1 Nhận dạng khuyết tật

Nhận dạng khuyết tật trên dầm và trên cầu giao thông bao gồm kiểm tra và kết luận về việc có hay không sự hiện diện khuyết tật, xác định vị trí xuất hiện khuyết tật, nếu có, và xác định mức độ hư hỏng tại các vị trí xuất hiện khuyết tật này Có nhiều phương pháp thực hiện:

- Kỹ thuật siêu âm là một trong những phương pháp được sử dụng sớm nhất Nguyên tắc chung của phương pháp này là truyền nguồn xung siêu âm vào bề mặt của vật thể cần kiểm tra, phân tích sóng phản hồi từ vật thể được kiểm tra và bề mặt mẫu Sự sai khác giữa hai nguồn xung phản hồi cho biết vị trí xuất hiện khuyết tật trên bề mặt kiểm tra Phương pháp này có ưu điểm là khá đơn giản, tuy nhiên, hạn chế là không cho kết quả chính xác khi khuyết tật nằm sâu bên trong

- Một hướng tiếp cận khác là dựa vào dao động của cơ hệ Phương pháp nhận dạng khuyết tật bằng dao động (NDKTBDĐ) được xây dựng dựa trên đặc điểm: độ cứng chống biến dạng E J xcủa

dầm là đại lượng ảnh hưởng trực tiếp tới đáp ứng động lực học của dầm khi dao động [164] Khuyết tật xuất hiện trong cơ hệ sẽ làm giảm độ cứng chống biến dạng tại những nhu vực có khuyết tật, do

đó sẽ làm thay đổi các thông số đặc trưng cho dao động, chẳng hạn làm giảm tần số dao động tự nhiên và làm thay đổi dạng dao động (mode shape)…của hệ Vì vậy, để tìm khuyết tật ta tìm những khu vực trên cơ hệ xuất hiện các dấu hiệu nêu trên

- Phương pháp kết hợp: Mặc dù phương pháp NDKTBDĐ có nhiều ưu điểm trong khảo sát

mô hình, tuy nhiên khi ứng dụng vào thực tế thường gặp một số hạn chế Với mức độ hư hỏng không cao, các đại lượng vật lý như tần số riêng hoặc các mode dao động rất dễ xác định trên mô hình lại rất khó xác định trên cấu trúc thực bằng phương pháp đo đạc bởi sai số vượt quá giới hạn cần đo Vì vậy thường các tín hiệu dao động được chuyển qua những tín hiệu khác có độ nhạy cao hơn, chẳng hạn tín hiệu dao động được chuyển qua vector Ritz, hoặc chuyển qua thế năng biến dạng đàn hồi, hoặc chuyển qua tín hiệu wavelet Một hướng tiếp cận khác đó là NDKTBDĐ được kết hợp với các công cụ khác nhằm gia tăng hiệu quả khảo sát Ví dụ sự kết hợp giữa NDKTBDĐ với các phương pháp thống kê, với phương pháp tối ưu, hoặc sự kết hợp giữa NDKTBDĐ với FL, gọi tắt là phương pháp FL, hoặc kết hợp giữa NDKTBDĐ với kỹ thuật mạng ANN, gọi tắt là phương pháp ANN, hoặc sự kết hợp NDKTBDĐ với hệ thống suy diễn neuro-fuzzy, gọi tắt là phương pháp neuro-fuzzy

Cơ sở lý thuyết thường được sử dụng trong nghiên cứu về nhận dạng khuyết tật trên cơ hệ là phương pháp giải bài toán ngược động lực học, và đặc trưng ứng xử của cơ hệ thường được sử dụng trong khảo sát là dao động Quy trình tổng quát giải bài toán ngược được thể hiện trên hình 1.1 [84], trong đó:

Xác định rõ vấn đề cần giải quyết

Xác định mục tiêu của bài toán trên cơ sở phân tích những dữ liệu đã có trong miền thời gian Nên xác định đường hướng tổng quát và khả thi khi giải quyết vấn đề đặt ra Luôn tìm cách giảm bớt những điều chưa biết và giới hạn miền khảo sát trong phạm vi nhỏ nhất có thể

Xây dựng mô hình bài toán thuận

Một mô hình vật lý nên được thiết lập để diễn tả quan hệ vật lý của các đại lượng liên quan trực tiếp, độc lập, và có ảnh hưởng lớn tới mối quan hệ dữ liệu giữa các đại lượng vào và ra của hệ thống Dựa vào mô hình vật lý để xây dựng mô hình toán của hệ trên cơ sở chọn và ứng dụng các

phương pháp tính phù hợp, chẳng hạn FEM, SEM, BEM, MFM…

Phân tích độ nhạy mối liên hệ giữa các đại lượng ra và các tham số

Phải bảo đảm rằng các đại lượng ra của hệ và các tham số có mối liên hệ tương quan lẫn nhau Mối tương quan đủ nhạy giữa chúng là cần thiết nhằm tránh hiện tượng không ổn định trong kết quả bài toán ngược Quá trình phân tích này nên được thực hiện trên bài toán thuận vì không cần phải thực

Bắt đầu

Xác định rõ vấn đề cần giải quyết

Xây dựng mô hình bài toán thuận

Phân tích độ nhạy input-output

Xây dựng bài thí nghiệm, đo số liệu

Chọn giải pháp

hiện các thí nghiệm phức tạp và tốn kém Dựa trên phép phân tích độ nhạy để điều chỉnh lại mô

hình bài toán thuận và chọn lại các đại lượng cần đưa vào mô hình

Xây dựng bài thí nghiệm

Lựa chọn và quyết định phương pháp thí nghiệm, phương pháp đo và thiết bị đo, phương pháp lưu trữ và phân tích dữ liệu phù hợp

Giảm thiểu ảnh hưởng của nhiễu

Bộ lọc nhiễu có độ chính xác phù hợp nên được sử dụng để khử sai số trong tập dữ liệu đo đạc trước khi tập dữ liệu được đưa vào sử dụng để giải bài toán ngược Việc này là cần thiết nhằm gia tăng độ chính xác, tăng tính ổn định của giải pháp

Thí nghiệm đo trên rất nhiều cầu đường bộ cho thấy rằng tần số dao động của hệ thống cầu

đường bộ thường không lớn hơn 5Hz Đây là cơ sở quan trọng để thiết kế các bộ lọc phù hợp

Xây dựng lời giải bài toán ngược

Nên mô hình hóa hệ thống bằng cách thiết lập các hàm mục tiêu, thông thường là hàm sai số Xây dựng các hàm ràng buộc phù hợp với điều kiện biên, sử dụng các kỹ thuật tối ưu hoặc các công cụ được phát triển từ các kỹ thuật tối ưu để tìm những giải pháp tốt nhằm cực tiểu hóa hàm sai số

Một điều quan trọng là phải đảm bảo rằng giải pháp được chọn có ý nghĩa vật lý phù hợp với đối tượng được khảo sát Tất cả các phương pháp có thể nên được cân nhắc để chọn phương pháp phù hợp nhất Kiểm tra chất lượng của giải pháp dựa trên khả năng xác lập lại ma trận dữ liệu input-output của hệ Điều chỉnh quy trình ngược và quy trình thực nghiệm nếu cần, sau đó thực hiện vòng lặp cho tới khi giải pháp thỏa mãn

1.1.1.2 Bài toán dự báo

Đối với cơ hệ, nhiệm vụ đặt ra cho bài toán dự báo là dựa vào tình trạng ứng xử của cơ hệ ở quá khứ và/hoặc ở hiện tại để dự báo đặc điểm ứng xử của cơ hệ trong tương lai [5][22][58][98][157] Trong quản trị cầu, công tác dự báo quan tâm nhiều tới việc xác định quy luật suy giảm độ cứng chống biến dạng của cầu trong tương lai

Về nguyên tắc, từ một cấu trúc mô hình hợp lý ta hoàn toàn có thể xây dựng được bộ dự báo

tín hiệu ra tương lai của hệ Mô hình hộp đen có cấu trúc tổng quát là hệ MIMO p ngõ vào q ngõ ra thường được sử dụng trong hệ thống dự báo Hệ có thể được mô hình hoá bởi q mô hình MISO ghép

song song Công cụ thường được sử để xây dựng các mô hình hộp đen MISO hoặc MIMO cho các

hệ thống dự báo là mạng ANN, hoặc FL, hoặc sự kết hợp giữa ANN, FL và tín hiệu wavelet Kết hợp giữa ANN và FL sẽ nhận được một hệ thống tích hợp được gọi là mạng neuro-fuzzy hoặc mạng fuzzy-neron Kết hợp giữa wavelet với ANN và FL sẽ nhận được hệ tích hợp wavelet-neuro-fuzzy hoặc wavelet-fuzzy-neuron Việc xác lập mô hình kết hợp một cách hợp lý thường sẽ tạo ra những công cụ toán có nhiều ưu điểm hơn so với các mô hình đơn

1.1.2 Hai giải pháp nhận dạng và dự báo khuyết tật trên dầm

Liên quan tới nhận dạng và dự báo khuyết tật trên dần và trên cầu, có thể phân ra hai hướng nghiên cứu chính Hướng thứ nhất là đi sâu nghiên cứu đặc điểm của từng loại khuyết tật riêng biệt mang tính đặc thù và dựa vào những nét đặc trưng của từng loại khuyết tật để xây dựng lý thuyết về nhận dạng và dự báo khuyết tật Nhóm thứ hai, ngược lại, xây dựng giải pháp theo hướng phi cấu trúc, nghĩa là không quan tâm một cách chi tiết về đặc điểm từng loại khuyết tật mà chỉ đi sâu tìm hiểu về đặc trưng chung về đáp ứng động lực học cơ hệ khi có khuyết tật để nhận dạng và dự báo, nghĩa là dựa vào lời giải bài toán ngược động lực học cơ hệ Đối với đối tượng khảo sát là dầm thì hướng nghiên cứu này dựa vào đặc điểm: sự xuất hiện khuyết tật sẽ làm suy giảm độ cứng chống biến dạng

x

J

E của dầm, do đó sẽ làm thay đổi đặc trưng đáp ứng động lực học của cơ hệ Chính vì vậy mà dựa vào sự thay đổi đặc trưng ứng xử động lực học của cơ hệ sẽ xác định được các thông tin liên quan tới sự xuất hiện khuyết tật, vị trí khuyết tật và mức độ suy giảm khả năng tải của cơ hệ

Hướng nghiên cứu thứ nhất có ưu điểm là có thể xác định khá chính xác các thông tin liên quan tới khuyết tật khi loại khuyết tật xuất hiện trên cơ hệ đang được kiểm tra trùng hoặc gần trùng với loại khuyết tật đã được khảo sát trước đó Tuy nhiên, nếu loại khuyết tật này chưa được khảo sát trước thì tình hình sẽ trở nên khó khăn Trong thực tế có rất nhiều dạng khuyết tật [167] và các khuyết tật có thể xuất hiện ở nhiều vị trí khác nhau trên dầm với những mức độ khác nhau, đặc biệt

là các khuyết tật có thể xuất hiện đồng thời Khi đó, tổ hợp các loại khuyết tật có thể có là con số rất lớn, khó có thể được khảo sát đầy đủ Hơn thế nữa, trên các cơ hệ phức tạp hơn thì tình hình lại càng khó khăn hơn Có thể thấy rằng, hạn chế của hướng nghiên cứu này là chỉ giải quyết được các trường hợp riêng biệt, không mang tính khái quát, do đó khó có thể xây dựng được các thuật toán mang tính tổng quát

Ở hướng nghiên cứu thứ hai, ưu điểm chính là đơn giản hơn và có tính ứng dụng cao hơn bởi không quan tâm tới các chi tiết riêng biệt của từng loại khuyết tật mà chỉ quan tâm tới đặc điểm chung của các khuyết tật nằm trong nhóm các khuyết tật nguy hiểm Nếu xét ở góc độ là khả năng

tải của phần tử dầm thì đặc điểm chung của các khuyết tật nằm trong nhóm các khuyết tật nguy hiểm được sử dụng để khảo sát khuyết tật chính là sự suy giảm độ cứng chống biến dạng của dầm khi xuất hiện khuyết tật Hướng tiếp cận này có tính khái quát cao hơn, do đó có thể sử dụng để nghiên cứu xây dựng các thuật toán mang tính tổng quát hơn về nhận dạng và dự báo khuyết tật trên dầm cầu Đồng thời dựa vào kết quả nghiên cứu trên dầm cầu có thể xác lập được hướng ứng dụng cho toàn bộ cầu cũng như cho các cơ hệ phức tạp Hạn chế của giải pháp này là không phát hiện được nhóm các khuyết tật không làm thay đổi, hoặc thay đổi bé độ cứng chống biến dạng Tuy nhiên dễ thấy rằng nhóm khuyết tật này không phải là nguyên nhân trực tiếp gây ra sập cầu Hiện nay, phương pháp này được rất nhiều nhà nghiên cứu ứng dụng trong nhận dạng khuyết tật của dầm, của cầu và của các công trình xây dựng…[56][70-72][84][100][104-105][107-109][114][116][118] [120][122-124][135-137] cũng như ứng dụng trong dự báo quy luật phát triển khuyết tật và sự suy giảm khả năng tải của cơ hệ [5][34][83][125]

1.1.3 Quản trị cầu

Quản trị cầu giao thông, theo nghĩa thông thường, bao gồm theo dõi, giám sát, kiểm tra, đo đạc để đánh giá khả năng tải của cầu; lưu trữ dữ liệu và đưa ra những quyết định liên quan tới công tác khai thác cầu Biện pháp chung về đánh giá khả năng tải của cầu thường là: kiểm tra thủ công, kiểm định không định kỳ, kiểm định định kỳ, và khảo sát thường xuyên tình trạng ứng xử động lực học của cầu

Kiểm tra thủ công

Kiểm tra thủ công được thực hiện bằng phương pháp trực quan nhằm phát hiện các vết nứt, các khu vực bị đập vỡ, mất mát vật liệu; đánh giá sơ bộ về tình trạng làm việc của cầu; tìm kiếm các nguồn nước, các chất ăn mòn làm phân hủy vật liệu xây dựng cầu Đây là biện pháp có nhiều nhược điểm Trước hết, độ chính xác của biện pháp này khá thấp và không phát hiện hay đánh giá được các hư hỏng bên trong của cầu Sự thay đổi cơ tính của vật liệu được phát hiện rất chậm và mang tính cảm quan Dựa trên biện pháp này sẽ khó xác định khả năng chịu tải hiện tại của công trình cũng như định lượng sự suy yếu của cầu theo thời gian Ngoài ra, đây là biện pháp không cho phép khảo sát

bề mặt các bộ phận cầu bị che khuất tầm mắt hay bị hạn chế bởi tiếp cận của thiết bị Tuy nhiên, đây lại là phương pháp đơn giản và chi phí đầu tư ban đầu cho công tác kiểm tra thấp nên kiểm tra thủ công là biện pháp không thể thiếu trong công tác quản trị cầu Ở mọi nước, dù trình độ kỹ thuật hiện đại hay lạc hậu, đều duy trì đội ngũ công nhân làm nhiệm vụ này

Kiểm định định kỳ và không định kỳ

Biện pháp này được dùng để đánh giá khả năng làm việc thực tế của cầu Nội dung chi tiết của công tác này phụ thuộc vào tiêu chuẩn kiểm định được sử dụng, chẳng hạn các tiêu chuẩn được trình bày trong [153][161] Có thể nêu một số điểm cơ bản của công tác kiểm định như sau Tác động vào cầu các tải trọng tĩnh và tải trọng động có giá trị xác định và tăng dần đến mức cao nhất cho phép, được quy định bởi tài liệu thiết kế (đối với cầu mới) hay được ước lượng (đối với cầu cũ) Đối với tải trọng tĩnh, ở mỗi giá trị tải ta thực hiện đo độ võng, đo biến dạng, và đo độ xê dịch các bộ phận của cầu Đối với tải trọng động, cho cầu dao động ở nhiều chế độ kích thích khác nhau và tiến hành đo tín hiệu dao động – chẳng hạn đo biên độ, chuyển vị, biến dạng, tần số dao động, gia tốc, hệ số giảm chấn…– để đánh giá khả năng chịu tải trọng động của cầu Kiểm tra định kỳ thường được thực hiện cách nhau từ 2 đến 5 năm Kiểm tra không định kỳ được tiến hành khi cầu có dấu hiệu không bình thường về khả năng tải, hoặc khi nghiệm thu công trình cầu mới sửa, mới xây, hoặc khi kiểm tra để quyết định phá bỏ cầu cũ Kiểm định cầu là biện pháp cho phép đánh giá khá chính xác “tình trạng sức khỏe” của cầu tại chính thời điểm kiểm định Biện pháp này cung cấp số liệu về ứng xử của cầu dưới tác dụng của các tải trọng đã biết rõ về giá trị ở các phương án tác động được xem là nguy hiểm nhất Nhược điểm của biện pháp này là các trường hợp thử tải (giá trị, phương án đặt tải) không thể bao trùm mọi tình huống thực có thể xảy ra, đặc biệt là khoảng thời gian giữa hai lần

kiểm định khá xa, do vậy tình trạng thực của cầu ở các trạng thái trung gian khó xác định

Khảo sát thường xuyên tình trạng ứng xử động lực học của cầu

Biện pháp này cho phép ghi được các tín hiệu về dao động và các giá trị biến dạng thực tế gây ra bởi tải trọng thực, rất đa dạng và là các tín hiệu động Từ đó cho phép theo dõi thường xuyên tình trạng làm việc của cầu dựa vào tải giao thông (là tải do chính người và các phương tiện giao thông lưu thông qua cầu tạo ra) Đồng thời hệ thống còn có khả năng dự báo khả năng tải của cầu, nhờ đó

cơ quan quản lý cầu có thể chủ động trong công tác khai thác cầu Để thực hiện biện pháp này cần

có hệ thống các thiết bị cho phép đo đạc tự động các thông số cơ học của cầu trong thời gian dài với

số lượng điểm đo lớn và được truyền đi xa Ưu điểm của biện pháp này là cho phép phát hiện kịp thời thời điểm quá tải; ghi nhận các diễn biến của các thông số cơ học; tập hợp các số liệu cùng diễn biến của chúng nhằm tạo ra khả năng tìm kiếm khu vực suy giảm khả năng tải của cầu và mức độ của sự suy yếu ấy; cung cấp thông tin ứng xử động lực học của cơ hệ cho hệ thống dự báo Biện pháp này được sử dụng để xây dựng hệ thống ND-DBTX, hay hệ thống cảnh báo sớm, hay hệ thống giám sát sức khỏe của công trình Kết quả nhận được từ hệ thống ND-DBTX có thể được cơ quan

quản lý cầu sử dụng trực tiếp để quyết định kế hoạch khai thác cầu, hoặc kết quả này là cơ sở dữ liệu giúp cơ quan quản lý cầu quyết định công tác kiểm định không định kỳ

1.2 MỘT SỐ CÔNG TRÌNH LIÊN QUAN

Hiện nay, rất nhiều các công trình nghiên cứu về nhận dạng và dự báo khuyết tật trên dầm, trên cầu, trên các chi tiết máy, trên các kết cấu và trên các công trình xây dựng được thực hiện dựa trên dao động của cơ hệ (NDKTBDĐ), chẳng hạn: [45-46][54][72][74][81-82][109][115-116][121][129] [138][140][142][145] Theo hướng nghiên cứu này, tần số dao động tự nhiên, dạng dao động (mode shape) và biên độ dao động là các tín hiệu thường được sử dụng [17][36][57][66][96][107][128] [146] Một hướng tiếp cận khác: nhằm gia tăng độ nhạy của tín hiệu cũng như cải thiện độ chính xác của phương pháp, các tín hiệu dao động của cơ hệ được chuyển qua những tín hiệu trung gian, chẳng hạn chuyển qua vector tải [28], chuyển qua vector Ritz [60-61][63][124], hoặc chuyển qua thế năng biến dạng đàn hồi [3][67][144], hoặc chuyển qua tín hiệu wavelet [43][49][53][59] [70][126][130-131][137] Phương pháp NDKTBDĐ cũng có thể được kết hợp với các công cụ toán học khác nhằm gia tăng hiệu quả khảo sát Ví dụ kết hợp NDKTBDĐ với phương pháp thống kê [107][148], hoặc kết hợp NDKTBDĐ với các phương pháp tối ưu [21][56][92], hoặc kết hợp với FL [27][56], hoặc kết hợp với ANN [31-33][50-51][67][160], hoặc kết hợp với ANN và phép phân tích wavelet [119][136], hoặc kết hợp với kỹ thuật neuron-fuzzy [8][20][56][105]

Zhang [107] sử dụng đáp ứng biên độ dao động và phương pháp thống kê để xác định vị trí

khuyết tật Tinh thần chung của nghiên cứu này là chia cơ hệ thành các phần tử theo cách chia của FEM; khảo sát mối tương quan giữa biên độ dao động từng phần tử bằng phương pháp thống kê khi

sử dụng các chế độ kích thích cho hệ dao động giống nhau trong hai trường hợp: hệ không hư và hệ

ở thời điểm kiểm tra Sai lệch giữa hai đại lượng này trên cùng một phần tử giúp xác định vị trí khuyết tật Hearn và Testa [66] bằng phương pháp xử lý tình trạng đáp ứng động lực học của khung kim loại trong phòng thí nghiệm đã thấy rằng sự thay đổi tần số tự nhiên và thời gian tắt dần của dao động là cơ sở tốt để so sánh và phát hiện ra hỏng hóc Tuy nhiên, từ việc kiểm tra động lực học trên cầu thực, Alamplli và Fu [23] và Salawu cùng các cộng sự [116] thấy rằng sự thay đổi tần số dao động tự nhiên không đủ nhạy để xác định hỏng hóc cục bộ trên cầu thực, vấn đề ở chỗ thiết bị

đo không đủ chính xác để đo những lượng thay đổi nhỏ này, đồng thời do tần số là đại lượng toàn cục, không nhạy với các thay đổi cục bộ trên cơ hệ Trong [79], Koh và các cộng sự sử dụng ma trận cứng tổng thể [K] để đánh giá hiện tượng hư hỏng của công trình Furukawa và Otsuka [17] sử dụng ma trận cứng tổng thể [K] và ma trận hệ số giảm chấn [C] của cơ hệ để xác định vị trí và mức

độ hư hỏng Hư hỏng xuất hiện trong cơ hệ làm giảm một lượng [K] trong ma trận cứng tổng thể

và tăng một lượng [C] trong ma trận giảm chấn Như vậy, các phần tử ij có [K ij]0 và [C ij]0 là các phần tử có dấu hiệu xuất hiện khuyết tật; đồng thời mức độ hư hỏng được xác định dựa vào độ lớn của các sai lệch này Để xác định [K]và [C] nhóm nghiên cứu này dựa vào phương pháp thống kê, phương pháp Bootstrap Loland and Dodds [86] sử dụng sự thay đổi tần số cộng hưởng, dạng dao động (mode shapes) và đáp ứng quang phổ để xác định khuyết tật trên các dàn khoan biển Kết quả nghiên cứu cho thấy rằng quang phổ có thể được sử dụng để giám sát tính nguyên vẹn của một cơ hệ Bằng phương pháp số với các tập dữ liệu thí nghiệm trên dầm, Fox và cộng sự [57] thấy rằng sự thay đổi tần số dao động cộng hưởng khi xuất hiện khuyết tật trên dầm là dấu hiệu có độ nhạy thấp Trong một số mode dao động, sử dụng tín hiệu này hoàn toàn cho kết quả sai lệch Trong [87], Meneghetti và các cộng sự trình bày những kết quả về nhận dạng khuyết tật trên cơ hệ dựa trên phương pháp phân tích sự thay đổi tần số dao động khi xuất hiện khuyết tật trên

hệ Sự thay đổi tần số dao động ở các mode dao động khác nhau với những mức độ khuyết tật khác nhau được sử dụng để vẽ đường đặc tính, trong đó sự thay đổi tần số được xem như là hàm số của

vị trí hư hỏng Giao giữa các đường sai lệch tần số từ số liệu đo khảo sát và số liệu từ mô hình cho biết vị trí khuyết tật trên cơ hệ Trong [96] Man và các cộng sự đã trình bày một giải pháp kiểm tra khuyết tật trên dầm dựa trên mức độ thay đổi tần số dao động giữa hai trạng thái: không hư và trạng

bị hư của dầm Trong nghiên cứu này các tác giả cho thấy rằng phương pháp này có thể xác định tương đối chính xác sự tồn tại khuyết tật trên dầm nếu mức độ hư hỏng không nhỏ hơn 10% Một cách giải quyết khác được trình bày trong [38], trong đó Choy và các cộng sự đã sử dụng hàm truyền dạng ma trận thể hiện mối liên hệ giữa lực và chuyển vị trên các phần tử dạng dầm Nhóm tác giả thấy rằng khuyết tật có thể được mô hình hóa thông qua độ suy giảm môđyn đàn hồi của một hoặc một số phần tử Do đó một thuật toán lặp được đề xuất để tìm các phần tử bị suy giảm môđyn đàn hồi, với giả thiết đã biết trước môđyn đàn hồi của các phần tử khi chưa bị hư Thủ tục Newton-Raphson được sử dụng để tìm kiếm các vị trí khuyết tật trong trường hợp nhiều hư hỏng xuất hiện đồng thời nhưng đã biết trước số lượng các vị trí hư hỏng này Hạn chế của phương pháp này là không thể nhận ra được khuyết tật xuất hiện ngẫu nhiên trên các cơ hệ đối xứng

Theo thời gian, lý thuyết ANN không ngừng hoàn thiện và đã trở thành một công cụ hữu dụng trong nhiều lĩnh vực khác nhau Có rất nhiều nghiên cứu liên quan tới nhận dạng khuyết tật và

dự báo khả năng làm việc của dầm, của các hệ thống cầu theo hướng ứng dụng mạng ANN theo những cách khác nhau [33][88][97][100][104][108][118][120][123][135][147][149] Đặc điểm

chung của các nghiên cứu này là giải quyết bài toán nhận dạng đối tượng theo mô hình black-box

thông qua mạng neuron Wu và các cộng sự [135] sử dụng mạng neuron lan tỏa ngược để phát hiện trạng thái hư hỏng khung ba tầng mô hình, trong đó gia tốc và ma trận độ cứng kết cấu được sử dụng làm tập dữ liệu huấn luyện mạng Szewczyk và Hajela [120] sử dụng mạng neuron lan tỏa ngược để đánh giá độ suy giảm các phần tử trong ma trận cứng kết cấu khung thông qua độ chuyển

vị của kết cấu Pandey và Barai [104] tìm hư hỏng của cầu bằng cách sử dụng mạng lan tỏa ngược nhiều lớp, trong đó sử dụng chuyển vị tĩnh, tần số dao động tự nhiên của cầu làm tín hiệu huấn luyện mạng Zhao và các cộng sự [147] sử dụng mạng ANN để khảo sát sự thay đổi các thông số dự báo, bao gồm chuyển vị tĩnh, tần số dao động tự nhiên, các dạng dao động (mode shape) Thí nghiệm trên mô hình toán của một thanh dầm liên tục cho thấy ANN hoàn toàn có thể được sử dụng cho bài toán dự báo các thông số động lực học cơ hệ khi dao động Masri và các cộng sự [97] sử dụng mạng ANN để xây dựng lý thuyết phát hiện hư hỏng của kết cấu trên cơ sở nhận dạng hệ thống phi tuyến, trong đó chuyển vị, gia tốc, vận tốc đáp ứng và lực tác động được sử dụng để huấn luyện mạng Trong [33], Huang và các cộng sự trình bày về vấn đề nhận dạng đặc tính động học của công trình bằng mạng ANN để kiểm tra nhằm xác định có hay không tình trạng hư hỏng trong các công trình sau cơn địa chấn Đặc tính động học của kết cấu được xác định trực tiếp qua ma trận trọng số mạng, được huấn luyện theo các tín hiệu vào-ra là các tín hiệu đáp ứng gia tốc

Ưu điểm của phương pháp ANN là đặc tính động lực học của kết cấu được xác định gián tiếp qua ma trận trọng số và được xác định tối ưu thông qua quá trình huấn luyện mạng dựa trên tập

các mẫu dữ liệu thực nghiệm input-output Tuy nhiên, khó khăn cơ bản của phương pháp này là khó

có thể xác định được một cấu trúc mạng tối ưu cho một đối tượng cụ thể Thường phải sử dụng phương pháp thử, nghĩa là phải thay đổi cấu trúc mạng nhiều lần để chọn ra một đại diện phù hợp nhất Điều này làm giảm độ chính xác và mức độ tiện ích của bài toán nhận dạng và dự báo khuyết tật, đặc biệt là khi ứng dụng mạng ANN có ma trận trọng số lớn cho các bài toán phức tạp Mạng neuro-fuzzy và fuzzy-neuron là các mô hình tích hợp những ưu điểm của mô hình fuzzy và kỹ thuật mạng neuron Các mô hình này có khả năng thích nghi tốt, tốc độ hội tụ và độ chính xác cao Hiện phương pháp này đã được nhiều nhà nghiên cứu ứng dụng để nhận dạng khuyết tật của công trình [3-6][20][56][69][105] Việc xây dựng mô hình neuro-fuzzy được thực hiện qua hai bước chính:

nhận dạng cấu trúc và nhận dạng thông số Khi nhận dạng cấu trúc, các luật mờ được xác lập dựa

trên tập dữ liệu huấn luyện, nhận được trong khảo sát mô hình hoặc đo trên đối tượng thực Tiếp theo, nhằm gia tăng độ chính xác của mô hình, các luật mờ được điều chỉnh và cập nhật thông qua quá trình huấn luyện mạng neuron trong giai đoạn nhận dạng thông số [2][9] Anantha Ramu và Johnson [20] sử dụng mạng fuzzy-neuron để kiểm tra, phân lớp và đánh giá mức độ khuyết tật dựa

trên đáp ứng dao động của hệ Furuta và các cộng sự [56] sử dụng hệ thống chuyên gia kết hợp với thuật toán di truyền GA và mạng ANN để đánh giá khuyết tật của cầu bê tông dự ứng lực

Nhìn chung, rất nhiều nghiên cứu nhận được những kết quả có độ tin cậy tương đối tốt khi ứng dụng cho các mô hình tính toán trên máy tính [24-25][37][66][75][122] Tuy nhiên khi ứng dụng trên các mô hình thí nghiệm hoặc trên các hệ thống cầu thực thông qua số liệu đo lại không cho kết quả như mong muốn, vấn đề liên quan tới sai số lớn trong số liệu đo vượt quá độ chính xác cho phép của phương pháp Gần đây, khi các thiết bị liên quan tới công nghệ đo đã có những bước phát triển nhất định, việc ứng dụng các phương pháp này trên các mô hình thí nghiệm trong phòng thí nghiệm hoặc trên các hệ thống cầu thực, thông qua số liệu đo, đã thu được những kết quả nhất định [29][47][62][68][76][85][91][141] Với giải pháp ứng dụng số liệu đo, Y Robert-Nicoud và các cộng sự [141] giới thiệu phương pháp xác định khuyết tật của cầu theo hướng tìm nguyên nhân tạo ra sự thay đổi đặc điểm ứng xử của cơ hệ Tuy nhiên vì ứng với một ứng xử của cơ hệ có thể do tác động của nhiều nguyên nhân nên các tác giả tiến hành xây dựng các mô hình cầu, mỗi mô hình ứng với một nguyên nhân chính, sau đó kiểm tra và chọn mô hình có quan hệ dữ liệu vào-ra phù hợp nhất với tập số liệu đo Các bước chẩn đoán khuyết tật và dự báo khả năng tải của hệ, tiếp theo, sẽ được thực hiện dựa trên mô hình cầu đã được xác lập Thí nghiệm kiểm chứng được thực hiện trên cầu Lutrive của Switzerland, trong đó hệ thống cảm biến quang học cùng với các thiết bị chuyên dụng đã được sử dụng

Nhằm gia tăng hiệu quả trong xác định khuyết tật, một số nhà nghiên cứu đã sử dụng tín hiệu dao động của hệ một cách gián tiếp thông qua các tín hiệu trung gian có độ nhạy tốt hơn, hoặc sử dụng các mô hình xấp xỉ, nội suy có chức năng lọc nhiễu, hoặc xây dựng những mô hình kết hợp Trong số những giải pháp xác lập tín hiệu trung gian giúp gia tăng độ nhạy của tín hiệu và cải thiện

độ chính xác của bài toán nhận dạng và dự báo khuyết tật trên cơ hệ, phép phân tích wavelet là một trong những lựa chọn điển hình Đây là một công cụ toán học nhằm giải quyết nhiều vấn đề liên quan tới xử lý tín hiệu trong miền thời gian Ưu điểm cơ bản của công cụ này là khả năng phân tích tín hiệu trong vùng hẹp [39-43][48][73][89][113][139] do đó thông qua phân tích wavelet ta có thể phát hiện sự xuất hiện những nét riêng biệt nhỏ của tín hiệu trong từng miền địa phương Trong [90], Mallat và các cộng sự sử dụng đặc tính địa phương của phép biến đổi wavelet để phát hiện những điểm KD trên đặc tính Trong [39], khi nghiên cứu trên các phần tử dạng tấm, Douka và các cộng sự thấy rằng khuyết tật xuất hiện trên cơ hệ làm thay đổi đặc tính dao động của hệ, do đó tại các điểm bị nứt rạn tín hiệu wavelet của tín hiệu dao động bị thay đổi đột ngột Trong [137], khi nghiên cứu dao động của dầm dưới tác dụng của tải trọng động, Zhu và Law thấy rằng tương ứng

với các điểm dầm bị hư, trên đặc tính wavelet xuất hiện điểm KD Một số nghiên cứu khác cũng cho những kết luận tương tự: sự xuất hiện khuyết tật gây ra sự thay đổi đột ngột trên đường đặc tính wavelet [6][49][71][115][130-131] Trong [49] tác giả trình bày các khảo sát trên mô hình toán của một trục dao động về ảnh hưởng của dạng dao động cũng như ảnh hưởng của hệ số scale trong phép biến đổi wavelet tới độ chính xác dự báo vị trí khuyết tật xuất hiện trên trục Kết quả cho thấy ở các dạng dao động càng cao thì độ tin cậy trong định vị khuyết tật càng gia tăng, ngược lại rất khó phát hiện khuyết tật khi hệ dao động ở tần số thấp Đặc biệt, không thể phát hiện chúng bằng cách xử dụng dao động dạng thứ nhất và cho kết quả sai ở nếu sử dụng dao động dạng thứ hai Ngòai ra, độ chính xác của kết quả định vị khuyết tật ở cả hai dạng khuyết tật: suy giảm về khối lượng riêng và suy giảm độ cứng chống biến dạng phụ thuộc nhiều vào hệ số (scale) trong biến đổi wavelet tín hiệu hàm chuyển vị Khi scale có giá trị quá lớn hoặc quá bé thì độ chính xác định vị khuyết tật sẽ giảm ở

cả hai dạng khuyết tật nêu trên Trong [6], các tác giả đề xuất một phương pháp phát hiện sự có mặt khuyết tật và định vị vị trí của chúng trên cơ hệ dạng dầm chịu uốn bằng phương pháp phân tích wavelet hàm chuyển vị khi cơ hệ dao động cưỡng bức Tư tưởng chính của phương pháp là định lượng trung bình mức độ thay đổi hệ số wavelet trong miền giá trị thấp của hệ số scale nhằm tìm ra các điểm KD khi cơ hệ dao động cưỡng bức ở các dạng (mode) dao động thấp, dạng xảy ra phổ biến

ở các công trình Thí nghiệm trên khung dao động cưỡng bức ở các tần số dao động thấp cho thấy phương pháp có thể xác định sự hiện diện và định vị chính xác cho trường hợp khuyết tật ở mức độ không cao, và có thể xác định đúng vị trí các khuyết tật tồn tại đồng thời khi khung dao động trong dãy tần số thấp, từ 2 đến 4,7 Hz

Hình 1.2 Cầu dây văng Đông Hải

Hình 1.3 Hệ thống ND-DBTX trên cầu Shandong Binzhou

Hệ thống được lắp đặt trong quá trình thi công Tín hiệu đáp ứng động lực học cơ hệ được truyền về trung tâm xử lý thông qua hệ thống truyền dẫn Wireless Transmission System, Internet

Phương pháp theo dõi thường xuyên khả năng tải của cầu dựa vào tải giao thông, hệ thống ND-DBTX, chỉ mới ra đời trong vòng khoảng 20 năm gần đây, khi xuất hiện các cầu dây văng với chiều dài nhịp lớn, chẳng hạn cầu dây văng Đông Hải ở Trung quốc (hình 1.2) Cầu Đông Hải nối Thượng Hải với đảo Yang Shan với chiều dài tổng cộng 32,5km, trong đó 25,32km trên mặt biển, nhịp chính dài 420m; môi trường làm việc của cầu rất khắc nghiệt: gió, bão, sóng biển, nước mặn Với điều kiện làm việc khắc nghiệt như trên nên việc giám sát thường xuyên tình trạng làm việc của cầu đã được đăt lên hàng đầu, vì vậy mà trên cầu Đông Hải một hệ thống ND-DBTX đã được thiết lập Cũng tại Trung Quốc, cầu dây văng Shandong Binzhou [150] cũng được giám sát bởi hệ thống ND-DBTX (hình 1.3) Trên cầu này hệ thống ND-DBTX được lặp đặt ngay trong quá xây dựng cầu Dữ liệu được truyền về trung tâm xử lý qua đường truyền Internet Tương tự, hệ thống ND-DBTX cũng đã được thiết lập cho các cầu dây văng Tsing Ma, Kap Shui mun, Ting Kau (Hồng Kông) Ngày nay, ở một số nước trên thế giới các hệ thống ND-DBTX không những được thiết lập cho cầu dây văng nhịp dài mà còn được thiết lập cho đa số những chiếc cầu trọng yếu, và thậm chí

đã mở rộng cho các cây cầu gỗ cũ được xây dựng đã lâu song vẫn còn được sử dụng Đặc biệt, việc nghiên cứu ứng dụng và phát triển hệ thống ND-DBTX cho các cơ hệ lớn nói chung và cho các hệ thống cầu giao thông nói riêng đang được rất nhiều nhà khoa học quan tâm

1.3 GIỚI THIỆU LUẬN ÁN 1.3.1 Mục đích của luận án

Theo báo cáo tại Hội thảo chuyên đề “Các vấn đề kỹ thuật phục vụ công tác quản lý cầu”, được tổ chức tại Công ty Quản lý Cầu phà tp HCM (2008) của Phân viện Khoa học Công nghệ Giao thông Vận tải Phía Nam, thuộc Viện Khoa học Công nghệ Giao thông Vận tải Việt Nam, và các tài liệu liên quan chúng ta có thể thấy một bức tranh khái quát về hệ thống cầu cũng như công tác quản trị cầu ở nước ta như sau:

- Số lượng, chủng loại và tổng chiều dài cầu ở nước ta là rất lớn (bảng 1.1), trong đó có rất nhiều chiếc cầu nằm trên những trục đường huyết mạch;

Bảng 1.1 Thống kê các số liệu về hệ thống cầu tại Việt nam, năm 2007

- Hệ thống nhận dạng khuyết tật cầu ở nước ta chưa theo kịp với yêu cầu thực tế Cho đến nay chỉ có một số cây cầu lớn, được xây dựng trong thời gian gần đây, được lắp đặt hệ thống quan trắc thường xuyên đối với kết cấu nhưng các thuật toán điều khiển và xử lý thông tin phục vụ chẩn đoán làm việc chưa hiệu quả, cần phải được cải tiến

Có thể thấy rằng mặc dù công tác thiết kế, thi công cũng như công tác quản trị cầu ở nước ta

đã có những bước tiến lớn, tuy nhiên vẫn còn nhiều vấn đề bất cập – đặc biệt trong công tác quản trị cầu – đây là các nguyên nhân chính gây ra tình trạng sập cầu đã diễn ra nhiều trong thời gian gần đây, chẳng hạn: sập cầu Bưng Sen trên quốc lộ 53 thuộc tỉnh Trà Vinh ngày 26/12/2006, sập cầu Rạch Sỏi ở Kiên Giang ngày 26/04/2007, sập cầu Đắk Wet 2 trên QL24 vào ngày 7/8/2008, sập cầu

Lý Quàn ở huyện Gò Công Đông (Tiền Giang) ngày 14/01/2007, sập cầu Cần Thơ (Cần Thơ) lúc 8 giờ 26/09/2007 khi đang thi công, đã gây ra nhiều thiệt hại về người (58 người chết và 181 người bị thương) và vật chất (hình 1.5)

Từ những đặc điểm và thực trạng của hệ thống cầu giao thông tại nước ta như đã nêu trên, một yêu cầu thực tế đặt ra là cần phải nghiên cứu ứng dụng và phát triển hệ thống quản trị cầu có

Hình 1.4 Cầu Rạch Sỏi(a), cầu Đắk Wet 2 trên QL24 (b), và cầu Cần Thơ (c) sau khi sập