Tổng quan nghiên cứu

Theo ước tính, việc theo dõi sức khỏe kết cấu (Structural Health Monitoring - SHM) ngày càng trở nên cấp thiết trong bối cảnh phát triển nhanh chóng của các công trình xây dựng hiện đại. Các kết cấu khung phẳng (2D) và khung không gian (3D) được sử dụng phổ biến trong xây dựng, tuy nhiên, quá trình vận hành lâu dài dẫn đến sự suy giảm độ cứng, gây ảnh hưởng nghiêm trọng đến an toàn và tuổi thọ công trình. Mục tiêu nghiên cứu của luận văn là cải tiến phương pháp chẩn đoán sự xuất hiện, vị trí và mức độ hư hỏng trong kết cấu khung bằng cách kết hợp phương pháp năng lượng biến dạng (Modal Strain Energy - MSE) với mạng nơ-ron tích chập (Convolutional Neural Network - CNN). Nghiên cứu tập trung vào việc giảm thiểu dữ liệu đầu vào cần thiết, đặc biệt là sử dụng dạng dao động thứ nhất làm dữ liệu đầu vào, nhằm đơn giản hóa quy trình khảo sát trong thực tế. Phạm vi nghiên cứu bao gồm các mô hình kết cấu khung phẳng và khung không gian được mô phỏng bằng phương pháp phần tử hữu hạn (Finite Element Method - FEM) trong điều kiện lý tưởng, không xét đến các tác động môi trường và yếu tố nhiễu. Ý nghĩa của nghiên cứu được thể hiện qua việc nâng cao độ chính xác và tốc độ chẩn đoán hư hỏng, đồng thời giảm chi phí và phức tạp trong quá trình giám sát kết cấu, góp phần đảm bảo an toàn và hiệu quả khai thác công trình.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên ba nền tảng lý thuyết chính:

  1. Phương pháp phần tử hữu hạn (FEM): Được sử dụng để mô phỏng dao động tự do không cản của kết cấu khung phẳng và khung không gian. Phương trình chuyển động được biểu diễn dưới dạng ma trận với ma trận khối lượng, ma trận độ cứng, và véc-tơ chuyển vị nút. Tần số và dạng dao động được xác định thông qua bài toán trị riêng, với các ma trận độ cứng và khối lượng được thiết lập theo hệ tọa độ địa phương và tổng thể.

  2. Chỉ số năng lượng biến dạng (Modal Strain Energy - MSE): Là chỉ số nhạy cảm với sự thay đổi độ cứng của phần tử trong kết cấu, được tính toán dựa trên dạng dao động và ma trận độ cứng của phần tử. MSE giúp xác định sự xuất hiện, vị trí và mức độ hư hỏng thông qua sự thay đổi năng lượng biến dạng giữa trạng thái không hư hỏng và có hư hỏng.

  3. Mạng nơ-ron tích chập (CNN): Thuộc lĩnh vực học sâu (Deep Learning), CNN được sử dụng để xử lý và phân tích dữ liệu dạng ma trận từ các đặc trưng dao động. Cấu trúc CNN gồm các lớp tích chập, lớp tổng hợp và lớp kết nối đầy đủ, giúp trích xuất đặc trưng quan trọng từ dữ liệu đầu vào, giảm kích thước dữ liệu mà vẫn giữ được thông tin cần thiết cho việc chẩn đoán.

Các khái niệm bổ sung bao gồm vùng nhạy và vùng không nhạy, được xác định dựa trên tỉ lệ giá trị MSE trong trạng thái không hư hỏng, giúp phân tích hiệu quả tác động của chỉ số MSE trong chẩn đoán.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu được tạo ra từ mô phỏng các mô hình kết cấu khung phẳng và khung không gian bằng phương pháp phần tử hữu hạn, sử dụng ngôn ngữ lập trình Python để phân tích dao động tự do không cản. Dữ liệu đầu vào cho mạng CNN là các dạng dao động (mode shapes) và chỉ số năng lượng biến dạng MSE được tính toán từ mô hình FEM.

Phương pháp phân tích bao gồm:

  • Xây dựng mô hình mạng CNN với cấu trúc gồm lớp đầu vào, các lớp tích chập, lớp tổng hợp và lớp kết nối đầy đủ, được huấn luyện trên bộ dữ liệu MSE và dạng dao động.
  • Áp dụng thuật toán chẩn đoán một bước để xác định sự xuất hiện, vị trí và mức độ hư hỏng trong kết cấu.
  • Đề xuất thuật toán cải tiến sử dụng chỉ dạng dao động thứ nhất làm dữ liệu đầu vào, kết hợp chỉ số MSER (Modal Strain Energy Ratio) và quy trình chẩn đoán hai bước nhằm nâng cao hiệu quả chẩn đoán trong kết cấu khung không gian.
  • Kiểm chứng kết quả bằng so sánh với các nghiên cứu trước đây và phần mềm SAP2000.
  • Timeline nghiên cứu kéo dài từ tháng 9 đến tháng 12 năm 2023, bao gồm các giai đoạn thu thập dữ liệu, xây dựng mô hình, huấn luyện mạng CNN, đánh giá kết quả và cải tiến thuật toán.

Cỡ mẫu dữ liệu huấn luyện được xây dựng từ các kịch bản hư hỏng giả định với số lượng phần tử hư hỏng từ 1 đến 5, đảm bảo đa dạng và bao phủ các trường hợp thực tế. Phương pháp chọn mẫu dựa trên các kịch bản hư hỏng có mức độ và vị trí khác nhau để đánh giá toàn diện hiệu quả thuật toán.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả chẩn đoán với thuật toán đề xuất: Thuật toán kết hợp MSE và CNN cho kết quả chẩn đoán chính xác sự xuất hiện, vị trí và mức độ hư hỏng trong cả kết cấu khung phẳng và khung không gian. Ví dụ, trong bài toán khảo sát khung phẳng với 4 dạng dao động, độ chính xác chẩn đoán vị trí đạt trên 90%, mức độ hư hỏng được xác định với sai số trung bình dưới 5%. Tương tự, với khung không gian sử dụng 6 dạng dao động, độ chính xác vị trí đạt khoảng 88%, mức độ hư hỏng sai số trung bình dưới 7%.

  2. Ảnh hưởng của vùng nhạy và vùng không nhạy: Phân tích chỉ số MSE cho thấy vùng nhạy đóng vai trò quan trọng trong việc phát hiện hư hỏng. Vùng không nhạy làm giảm hiệu quả chẩn đoán, đặc biệt rõ ràng trong kết cấu khung không gian khi chỉ sử dụng dạng dao động thứ nhất. Kết quả cho thấy vùng nhạy chiếm khoảng 60-70% tổng số phần tử trong mô hình, ảnh hưởng trực tiếp đến độ chính xác chẩn đoán.

  3. Hiệu quả của thuật toán cải tiến sử dụng dạng dao động thứ nhất: Thuật toán cải tiến với chỉ số MSER và quy trình chẩn đoán hai bước cho phép sử dụng dữ liệu dạng dao động thứ nhất duy nhất làm đầu vào, vẫn đạt được độ chính xác chẩn đoán vị trí trên 85% và mức độ hư hỏng sai số trung bình dưới 8% trong khung không gian. Điều này giảm đáng kể yêu cầu về dữ liệu đầu vào so với phương pháp truyền thống.

  4. Giới hạn và thách thức: Thuật toán cải tiến phụ thuộc nhiều vào kết quả chẩn đoán vùng nhạy. Một số vị trí đặc biệt như giao nhau có cột hư hỏng hoặc hư hỏng mức độ thấp gây khó khăn trong việc xác định chính xác vị trí và mức độ hư hỏng. Sai số lớn nhất trong các kịch bản này có thể lên đến 12%, tuy nhiên vẫn nằm trong giới hạn chấp nhận được cho ứng dụng thực tế.

Thảo luận kết quả

Nguyên nhân chính của hiệu quả cao trong chẩn đoán là sự kết hợp giữa chỉ số MSE nhạy với sự thay đổi độ cứng và khả năng trích xuất đặc trưng mạnh mẽ của mạng CNN. Việc sử dụng CNN giúp giảm kích thước dữ liệu đầu vào mà vẫn giữ được các đặc trưng quan trọng, từ đó nâng cao độ chính xác và tốc độ chẩn đoán.

So sánh với các nghiên cứu trước đây, kết quả của luận văn vượt trội hơn về khả năng sử dụng ít dạng dao động đầu vào mà vẫn duy trì độ chính xác cao, đồng thời giảm thời gian xử lý nhờ thuật toán chẩn đoán một bước và hai bước được đề xuất. Các biểu đồ so sánh độ chính xác và sai số chẩn đoán giữa các phương pháp được trình bày rõ ràng trong luận văn, minh họa sự cải tiến đáng kể.

Ý nghĩa của kết quả nghiên cứu là tạo tiền đề cho việc ứng dụng thực tế trong giám sát sức khỏe kết cấu, đặc biệt trong các công trình lớn và phức tạp, nơi việc đo đạc nhiều dạng dao động là khó khăn và tốn kém. Thuật toán cải tiến giúp đơn giản hóa quy trình khảo sát, giảm chi phí và tăng tính khả thi trong triển khai thực tế.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống giám sát sử dụng thuật toán cải tiến: Áp dụng thuật toán CNN kết hợp chỉ số MSER trong các hệ thống giám sát kết cấu thực tế nhằm phát hiện sớm hư hỏng với dữ liệu dạng dao động thứ nhất. Thời gian thực hiện đề xuất trong vòng 12 tháng, chủ thể thực hiện là các đơn vị quản lý công trình và các trung tâm nghiên cứu xây dựng.

  2. Phát triển phần mềm hỗ trợ chẩn đoán tự động: Xây dựng phần mềm tích hợp thuật toán chẩn đoán để tự động phân tích dữ liệu dao động thu thập được từ cảm biến, giúp giảm thiểu sự can thiệp của con người và tăng tính chính xác. Mục tiêu giảm thời gian xử lý xuống dưới 5 phút cho mỗi lần kiểm tra.

  3. Mở rộng nghiên cứu với dữ liệu thực tế và điều kiện phi tuyến: Tiến hành thu thập và phân tích dữ liệu dao động thực tế từ các công trình đang vận hành, đồng thời nghiên cứu mở rộng thuật toán cho các kết cấu phi tuyến và chịu tác động môi trường phức tạp. Thời gian nghiên cứu dự kiến 18-24 tháng.

  4. Đào tạo và nâng cao năng lực nhân lực: Tổ chức các khóa đào tạo chuyên sâu về ứng dụng học sâu và phân tích dao động trong giám sát kết cấu cho kỹ sư và cán bộ kỹ thuật nhằm nâng cao hiệu quả triển khai công nghệ mới. Chủ thể thực hiện là các trường đại học và viện nghiên cứu chuyên ngành xây dựng.

Đối tượng nên tham khảo luận văn

  1. Các nhà nghiên cứu và sinh viên ngành kỹ thuật xây dựng: Luận văn cung cấp cơ sở lý thuyết và phương pháp nghiên cứu tiên tiến về chẩn đoán hư hỏng kết cấu, giúp phát triển các đề tài nghiên cứu tiếp theo và nâng cao kiến thức chuyên môn.

  2. Kỹ sư thiết kế và giám sát công trình: Áp dụng các phương pháp chẩn đoán hư hỏng để đánh giá tình trạng kết cấu trong quá trình vận hành, từ đó đưa ra các giải pháp bảo trì, sửa chữa kịp thời, đảm bảo an toàn công trình.

  3. Các đơn vị quản lý và bảo trì công trình xây dựng: Sử dụng kết quả nghiên cứu để xây dựng quy trình giám sát sức khỏe kết cấu hiệu quả, giảm thiểu rủi ro và chi phí bảo trì không cần thiết.

  4. Các nhà phát triển phần mềm và công nghệ giám sát kết cấu: Tham khảo cấu trúc mạng CNN và thuật toán cải tiến để phát triển các công cụ phần mềm hỗ trợ chẩn đoán tự động, nâng cao tính ứng dụng trong thực tế.

Câu hỏi thường gặp

  1. Phương pháp năng lượng biến dạng (MSE) là gì và tại sao được sử dụng trong chẩn đoán hư hỏng?
    MSE là chỉ số đo lường năng lượng biến dạng trong phần tử kết cấu dựa trên dạng dao động. Nó rất nhạy với sự thay đổi độ cứng do hư hỏng, giúp phát hiện vị trí và mức độ hư hỏng chính xác hơn so với chỉ sử dụng tần số hoặc dạng dao động riêng lẻ.

  2. Tại sao mạng nơ-ron tích chập (CNN) được chọn để xử lý dữ liệu dao động?
    CNN có khả năng trích xuất đặc trưng quan trọng từ dữ liệu dạng ma trận, giảm kích thước dữ liệu đầu vào mà vẫn giữ được thông tin cần thiết. Điều này giúp nâng cao độ chính xác và tốc độ chẩn đoán hư hỏng trong kết cấu.

  3. Việc sử dụng chỉ dạng dao động thứ nhất làm dữ liệu đầu vào có ưu điểm gì?
    Sử dụng dạng dao động thứ nhất giúp giảm đáng kể số lượng dữ liệu cần thu thập và xử lý, đơn giản hóa quy trình khảo sát thực tế mà vẫn duy trì độ chính xác chẩn đoán ở mức chấp nhận được.

  4. Thuật toán cải tiến có thể áp dụng cho các kết cấu phi tuyến không?
    Hiện tại, thuật toán chủ yếu áp dụng cho kết cấu tuyến tính và trong điều kiện lý tưởng. Việc mở rộng cho kết cấu phi tuyến và điều kiện thực tế phức tạp là hướng nghiên cứu tiếp theo cần được phát triển.

  5. Làm thế nào để triển khai thuật toán này trong thực tế?
    Cần xây dựng hệ thống cảm biến thu thập dữ liệu dao động, phần mềm xử lý và phân tích dữ liệu tích hợp thuật toán CNN và MSE. Đồng thời đào tạo nhân lực kỹ thuật và thiết lập quy trình giám sát định kỳ để đảm bảo hiệu quả và độ tin cậy.

Kết luận

  • Luận văn đã phát triển thành công thuật toán kết hợp phương pháp năng lượng biến dạng và mạng nơ-ron tích chập để chẩn đoán sự xuất hiện, vị trí và mức độ hư hỏng trong kết cấu khung phẳng và khung không gian.
  • Thuật toán cải tiến sử dụng dạng dao động thứ nhất làm dữ liệu đầu vào giúp giảm thiểu yêu cầu dữ liệu mà vẫn đảm bảo độ chính xác chẩn đoán.
  • Phân tích vùng nhạy và vùng không nhạy cung cấp cái nhìn sâu sắc về ảnh hưởng của chỉ số MSE trong chẩn đoán hư hỏng.
  • Kết quả nghiên cứu có ý nghĩa thực tiễn cao, tạo tiền đề cho việc ứng dụng trong giám sát sức khỏe kết cấu thực tế, giảm chi phí và nâng cao hiệu quả bảo trì.
  • Các bước tiếp theo bao gồm mở rộng nghiên cứu với dữ liệu thực tế, phát triển phần mềm hỗ trợ và đào tạo nhân lực để triển khai rộng rãi trong ngành xây dựng.

Quý độc giả và các nhà nghiên cứu được khuyến khích áp dụng và phát triển thêm các phương pháp dựa trên nền tảng này nhằm nâng cao an toàn và tuổi thọ công trình xây dựng.