Tổng quan nghiên cứu

Theo ước tính, trong lĩnh vực xây dựng dân dụng và công nghiệp, kết cấu dầm chiếm vai trò quan trọng trong việc chịu tải trọng và truyền lực từ sàn, cột xuống móng. Tuy nhiên, trong quá trình sử dụng, kết cấu dầm thường xuyên chịu tác động của các yếu tố vật lý, hóa học và môi trường khắc nghiệt dẫn đến hư hỏng như nứt, giảm độ cứng, ăn mòn. Việc phát hiện và chẩn đoán kịp thời các hư hỏng này là cần thiết để đảm bảo an toàn và tuổi thọ công trình. Nghiên cứu này tập trung phát triển phương pháp chẩn đoán hư hỏng trong kết cấu dầm thép sử dụng hàm đáp ứng tần số (Frequency Response Function - FRF) kết hợp với thuật toán mạng nơ-ron nhân tạo (Artificial Neural Networks - ANNs). Phạm vi nghiên cứu thực hiện trên mô hình dầm thép hai đầu gối tựa, với hư hỏng được tạo ra bằng cách giảm độ cứng chống uốn của phần tử. Mục tiêu cụ thể gồm: đánh giá sự xuất hiện hư hỏng qua hệ số tương quan của FRF, xác định vị trí hư hỏng bằng chỉ số định vị hư hỏng FRFBI, và chẩn đoán mức độ hư hỏng thông qua mạng nơ-ron nhân tạo. Nghiên cứu được thực hiện trong khoảng thời gian từ tháng 2 đến tháng 6 năm 2022 tại Trường Đại học Bách Khoa, Đại học Quốc gia TP. Hồ Chí Minh. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc nâng cao độ chính xác và hiệu quả của công tác theo dõi sức khỏe kết cấu (Structural Health Monitoring - SHM), góp phần giảm thiểu rủi ro và chi phí bảo trì công trình.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình sau:

  • Phân tích dao động tự do: Sử dụng phương trình chuyển động dạng ma trận với ma trận khối lượng, ma trận cản và ma trận độ cứng để xác định tần số góc riêng và dạng dao động của kết cấu dầm.

  • Hàm đáp ứng tần số (FRF): Là hàm đặc trưng ứng xử động lực học của kết cấu, biểu diễn mối quan hệ giữa lực kích thích và phản ứng chuyển vị tại các bậc tự do, giúp xác định tần số cộng hưởng và dạng dao động.

  • Hệ số tương quan của hàm đáp ứng tần số (CC of FRF): Được sử dụng để đánh giá sự xuất hiện hư hỏng bằng cách so sánh dữ liệu FRF trước và sau khi hư hỏng.

  • Chỉ số định vị hư hỏng FRFBI: Dựa trên độ cong (đạo hàm bậc hai) của hàm đáp ứng tần số, chỉ số này giúp xác định vị trí hư hỏng trong kết cấu dầm.

  • Mạng nơ-ron nhân tạo (ANNs): Mô hình học máy mô phỏng hệ thần kinh sinh học, được xây dựng để chẩn đoán mức độ hư hỏng dựa trên dữ liệu FRF đầu vào.

Các khái niệm chính bao gồm: tần số góc riêng, hàm đáp ứng tần số, hệ số tương quan, chỉ số FRFBI, mạng nơ-ron nhân tạo, độ chính xác chẩn đoán (chỉ số A, B, C).

Phương pháp nghiên cứu

Nghiên cứu sử dụng mô hình dầm thép hai đầu gối tựa đơn giản được xây dựng và phân tích bằng phần mềm ANSYS. Hư hỏng được mô phỏng bằng cách giảm độ cứng chống uốn của các phần tử dầm. Dữ liệu đầu vào là hàm đáp ứng tần số thu thập từ mô hình ở hai trạng thái: chưa hư hỏng và đã hư hỏng.

Phương pháp phân tích gồm ba bước chính:

  1. Đánh giá sự xuất hiện hư hỏng: Tính hệ số tương quan của FRF (CC of FRF) tại các nút dầm để cảnh báo sự xuất hiện hư hỏng.

  2. Xác định vị trí hư hỏng: Tính chỉ số định vị hư hỏng FRFBI dựa trên độ cong của FRF, chuẩn hóa và so sánh với ngưỡng hư hỏng đề xuất (10% giá trị FRFBI max) để xác định vùng hư hỏng.

  3. Chẩn đoán mức độ hư hỏng: Xây dựng mạng nơ-ron nhân tạo (ANNs) với dữ liệu FRF làm đầu vào để dự đoán mức độ suy giảm độ cứng của phần tử dầm.

Cỡ mẫu dữ liệu huấn luyện và kiểm tra được lấy từ các trường hợp hư hỏng khác nhau trên mô hình dầm chia thành 20 hoặc 100 phần tử để đánh giá ảnh hưởng đến độ chính xác. Phương pháp chọn mẫu là mô phỏng các trường hợp hư hỏng có mức độ và vị trí khác nhau. Phân tích dữ liệu sử dụng các chỉ số đánh giá độ chính xác: A (độ chính xác vùng hư hỏng), B (độ chính xác vùng không hư hỏng), C (độ chính xác tổng thể). Timeline nghiên cứu kéo dài từ tháng 2 đến tháng 6 năm 2022.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Đánh giá sự xuất hiện hư hỏng qua hệ số tương quan FRF: Kết quả cho thấy hệ số tương quan FRF tại các nút dầm giảm đáng kể khi xuất hiện hư hỏng, với mức giảm trung bình khoảng 15-25% so với trạng thái chưa hư hỏng, giúp cảnh báo hiệu quả sự xuất hiện hư hỏng.

  2. Xác định vị trí hư hỏng bằng chỉ số FRFBI: Chỉ số FRFBI chuẩn hóa vượt ngưỡng 10% FRFBI max tại các vị trí hư hỏng, cho phép xác định chính xác vùng hư hỏng. Độ chính xác vùng hư hỏng (chỉ số A) đạt khoảng 90%, độ chính xác vùng không hư hỏng (chỉ số B) đạt trên 95%, và độ chính xác tổng thể (chỉ số C) đạt trên 92%.

  3. Chẩn đoán mức độ hư hỏng bằng mạng nơ-ron nhân tạo: Mạng ANNs được huấn luyện với dữ liệu FRF đầu vào cho kết quả dự đoán mức độ suy giảm độ cứng với sai số trung bình bình phương (MSE) dưới 5%. Độ chính xác chẩn đoán mức độ hư hỏng đạt trên 90% trong các trường hợp thử nghiệm.

  4. Ảnh hưởng của số lượng phần tử mô hình: Mô hình dầm chia 100 phần tử cho kết quả chẩn đoán chính xác hơn khoảng 5% so với mô hình chia 20 phần tử, cho thấy độ phân giải mô hình ảnh hưởng tích cực đến độ chính xác.

Thảo luận kết quả

Nguyên nhân của các phát hiện trên là do hàm đáp ứng tần số phản ánh chính xác đặc tính dao động của kết cấu, trong đó sự thay đổi về độ cứng do hư hỏng làm biến đổi rõ rệt các đặc trưng FRF. Việc sử dụng độ cong của FRF giúp tăng độ nhạy trong phát hiện vị trí hư hỏng, đồng thời chuẩn hóa chỉ số FRFBI giúp loại bỏ nhiễu và tăng tính ổn định của kết quả. Mạng nơ-ron nhân tạo với khả năng học từ dữ liệu phức tạp đã hỗ trợ hiệu quả trong việc dự đoán mức độ hư hỏng, giảm thiểu sai số so với các phương pháp truyền thống.

So sánh với các nghiên cứu trước đây, phương pháp này chỉ sử dụng duy nhất dữ liệu FRF mà vẫn đạt độ chính xác cao, trong khi nhiều nghiên cứu khác cần kết hợp nhiều loại dữ liệu hoặc phương pháp phức tạp hơn. Kết quả có thể được trình bày qua biểu đồ hệ số tương quan FRF, đồ thị chỉ số FRFBI chuẩn hóa dọc theo chiều dài dầm, và bảng so sánh độ chính xác chẩn đoán giữa các trường hợp hư hỏng và mô hình khác nhau.

Ý nghĩa của kết quả là phương pháp đề xuất có thể ứng dụng thực tế trong công tác theo dõi sức khỏe kết cấu, giúp phát hiện sớm và chính xác vị trí cũng như mức độ hư hỏng, từ đó hỗ trợ công tác bảo trì, sửa chữa kịp thời, giảm thiểu rủi ro và chi phí.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống đo đạc FRF thực tế: Thiết lập mạng lưới cảm biến gia tốc và lực kích thích trên các kết cấu dầm công trình để thu thập dữ liệu FRF liên tục, nhằm theo dõi sức khỏe kết cấu theo thời gian thực. Chủ thể thực hiện: các đơn vị quản lý công trình, thời gian: 6-12 tháng.

  2. Phát triển phần mềm chẩn đoán tự động: Xây dựng phần mềm tích hợp thuật toán tính toán hệ số tương quan FRF, chỉ số FRFBI và mạng nơ-ron nhân tạo để tự động cảnh báo và chẩn đoán hư hỏng. Mục tiêu nâng cao độ chính xác chẩn đoán trên 90%. Chủ thể: các công ty công nghệ xây dựng, thời gian: 12 tháng.

  3. Mở rộng nghiên cứu cho các loại kết cấu khác: Áp dụng và điều chỉnh phương pháp cho kết cấu bê tông cốt thép, kết cấu tấm và khung để đa dạng hóa ứng dụng. Chủ thể: các viện nghiên cứu, thời gian: 18 tháng.

  4. Đào tạo và nâng cao năng lực chuyên môn: Tổ chức các khóa đào tạo về kỹ thuật SHM và ứng dụng trí tuệ nhân tạo trong xây dựng cho kỹ sư và cán bộ quản lý công trình. Chủ thể: các trường đại học và trung tâm đào tạo, thời gian: liên tục.

Đối tượng nên tham khảo luận văn

  1. Kỹ sư kết cấu và quản lý công trình: Nắm bắt phương pháp chẩn đoán hư hỏng hiện đại để áp dụng trong giám sát và bảo trì công trình, giảm thiểu rủi ro kết cấu.

  2. Nhà nghiên cứu và sinh viên ngành kỹ thuật xây dựng: Tham khảo cơ sở lý thuyết và phương pháp ứng dụng trí tuệ nhân tạo trong chẩn đoán kết cấu, phục vụ nghiên cứu và phát triển đề tài.

  3. Các công ty công nghệ xây dựng và phát triển phần mềm SHM: Áp dụng thuật toán và mô hình mạng nơ-ron nhân tạo để phát triển sản phẩm chẩn đoán tự động, nâng cao hiệu quả và độ chính xác.

  4. Cơ quan quản lý và bảo trì công trình: Sử dụng kết quả nghiên cứu để xây dựng quy trình kiểm tra, đánh giá sức khỏe kết cấu định kỳ, đảm bảo an toàn và tuổi thọ công trình.

Câu hỏi thường gặp

  1. Phương pháp sử dụng hàm đáp ứng tần số có ưu điểm gì so với các phương pháp khác?
    Phương pháp này tận dụng dữ liệu dao động động lực học, có độ nhạy cao với các thay đổi về độ cứng kết cấu, cho phép phát hiện hư hỏng sớm và chính xác mà không cần phá hủy kết cấu. Ví dụ, việc sử dụng độ cong của FRF giúp tăng độ nhạy trong xác định vị trí hư hỏng.

  2. Mạng nơ-ron nhân tạo được áp dụng như thế nào trong chẩn đoán mức độ hư hỏng?
    Mạng ANNs được huấn luyện với dữ liệu FRF đầu vào để học các mẫu biến đổi đặc trưng của kết cấu khi có hư hỏng. Sau khi huấn luyện, mạng có thể dự đoán mức độ suy giảm độ cứng dựa trên dữ liệu mới, giúp đánh giá chính xác mức độ hư hỏng.

  3. Ngưỡng hư hỏng FRFBI o = 10% FRFBI max được lựa chọn dựa trên cơ sở nào?
    Ngưỡng này được đề xuất dựa trên phân tích thực nghiệm và mô phỏng, nhằm cân bằng giữa việc phát hiện vùng hư hỏng chính xác và loại bỏ nhiễu. Kết quả cho thấy ngưỡng này giúp xác định vùng hư hỏng gần sát với thực tế mà không gây ra cảnh báo sai.

  4. Phương pháp này có thể áp dụng cho các loại kết cấu khác ngoài dầm thép không?
    Có thể áp dụng với điều chỉnh phù hợp cho các kết cấu khác như bê tông cốt thép, kết cấu tấm hoặc khung, tuy nhiên cần nghiên cứu thêm về đặc tính dao động và dữ liệu FRF tương ứng của từng loại kết cấu.

  5. Độ chính xác của phương pháp chẩn đoán phụ thuộc vào yếu tố nào?
    Độ chính xác phụ thuộc vào chất lượng dữ liệu FRF, số lượng và vị trí cảm biến, độ phân giải mô hình phần tử hữu hạn, cũng như cấu trúc và huấn luyện mạng nơ-ron nhân tạo. Ví dụ, mô hình chia 100 phần tử cho kết quả chính xác hơn mô hình chia 20 phần tử khoảng 5%.

Kết luận

  • Phương pháp chẩn đoán hư hỏng kết cấu dầm sử dụng hàm đáp ứng tần số kết hợp mạng nơ-ron nhân tạo cho kết quả chính xác cao về vị trí và mức độ hư hỏng.
  • Hệ số tương quan FRF hiệu quả trong việc cảnh báo sự xuất hiện hư hỏng với mức giảm trung bình 15-25%.
  • Chỉ số định vị hư hỏng FRFBI chuẩn hóa giúp xác định vùng hư hỏng với độ chính xác vùng hư hỏng đạt khoảng 90%.
  • Mạng nơ-ron nhân tạo dự đoán mức độ hư hỏng với sai số trung bình dưới 5%, nâng cao hiệu quả chẩn đoán.
  • Nghiên cứu mở ra hướng phát triển ứng dụng trí tuệ nhân tạo trong theo dõi sức khỏe kết cấu, đề xuất các bước tiếp theo gồm triển khai thực tế, phát triển phần mềm và mở rộng ứng dụng cho các loại kết cấu khác.

Hãy áp dụng phương pháp này để nâng cao hiệu quả quản lý và bảo trì công trình, đảm bảo an toàn và kéo dài tuổi thọ kết cấu.