CHƯƠNG 1. Tầm quan trọng của việc theo dõi và chẩn đoán kết cấu Trong những năm gần đây, lĩnh vực theo dõi và chẩn đoán sức khỏe kết cấu (Structural Health Monitoring: SHM) đã và đang đóng vai trò quan trọng đối với sự an toàn, tuổi thọ, quá trình hoạt động bền vững của kết cấu công trình. Thuật ngữ “SHM” đề cập đến việc đánh giá ứng xử đang làm việc của kết cấu bằng các kỹ thuật đo lường khác nhau. Các phương pháp SHM được áp dụng để đưa ra cảnh báo về sự xuất hiện hư hỏng từ những tín hiệu đáp ứng ghi nhận trong kết cấu, nhận dạng vị trí và độ lớn của hư hỏng trong kết cấu, đánh giá được ảnh hưởng của hư hỏng đến toàn bộ kết cấu, minh họa như Hình 1.1: Hình ảnh về hệ thống xác định hư hỏng trong SHM (Nguồn: Internet) SHM là một hướng nghiên cứu quan trọng trong lĩnh vực xây dựng, được áp dụng để theo dõi và kiểm soát quá trình thi công, xác nhận đặc điểm thiết kế của công trình, xác nhận tải trọng trong công trình, phát hiện hư hỏng kịp thời,… Trong khoảng vài thập niên trở lại đây, số lượng các nghiên cứu về SHM có sự phát triển nhanh chóng.
Qua đó, nhiều nghiên cứu đã đưa ra các cơ sơ lý thuyết, đề xuất các hệ thống và phương pháp để theo dõi một cách hiệu quả, linh hoạt về thực trạng của kết cấu xây dựng. Việc này giúp kỹ sư phát hiện sớm những tình huống bất lợi cho kết cấu, từ đó tạo điều kiện thuận lợi cho việc sửa chữa hoặc thay thế những cấu kiện hư hỏng một cách kịp thời; đánh giá thực trạng công trình về công năng, tuổi thọ và hạn chế tối đa các thiệt hại có thể xảy ra. Các kỹ sư sử dụng hai phương pháp Giới thiệu 2 phổ biến để khảo sát và phát hiện hư hỏng, như sau: phương pháp thí nghiệm phá hủy và phương pháp thí nghiệm không phá hủy. Với những ưu điểm như khả năng đo lường có thể thích ứng linh hoạt, chi phí thí nghiệm tương đối thấp nên phương pháp thí nghiệm không phá hủy ngày càng trở nên phổ biến.
Trong phương pháp thí nghiệm không phá hủy, phương pháp phân tích các đặc trưng dao động của kết cấu trở thành một trong những phương pháp gián tiếp hiệu quả để phát hiện và chẩn đoán hư hỏng kết cấu. Khi hư hỏng xuất hiện trong kết cấu dẫn đến những biến đổi các đặc trưng về thông số dao động như tần số dao động, dạng dao động, năng lượng biến dạng, hàm đáp ứng tần số… Sự thay đổi trên được sử dụng để phát hiện và chẩn đoán hư hỏng trong phương pháp phân tích các đặc trưng dao động.2: Minh họa bốn cấp độ trong lĩnh vực theo dõi và chẩn đoán sức khỏe kết cấu (SHM) Hiện nay, lĩnh vực theo dõi và chẩn đoán sức khỏe kết cấu chia thành bốn cấp độ như Hình 1.2, bao gồm: (cấp độ 1) ghi nhận tín hiệu từ đáp ứng của kết cấu, (cấp độ 2) cảnh báo sự xuất hiện của hư hỏng từ tín hiệu được ghi nhận, (cấp độ 3) nhận dạng vị trí và độ lớn của hư hỏng trong kết cấu và (cấp độ 4) đánh giá ảnh hưởng của hư hỏng đến toàn bộ kết cấu. Trong luận văn này, phương pháp chẩn đoán hư hỏng sử dụng hàm đáp ứng tần số đã thực hiện đến cấp độ 3. Giới thiệu 3 Trong lĩnh vực xây dựng nói chung và ngành xây dựng dân dụng nói riêng, kết cấu dầm là một phần không thể thiếu trong tổng thể công trình.
Trong quá trình sử dụng, không thể tránh khỏi hư hỏng tạo thành vết nứt do nhiều nguyên nhân như: tác động vật lý, hoá học, môi trường khắc nghiệt,… Các hư hỏng này có khả năng gia tăng theo thời gian do sự xuống cấp của kết cấu hoặc sự gia tăng của tác động gây hư hỏng. Ngoài ra, kết cấu dầm thường là thành phần liên kết giữa kết cấu cột, sàn và móng. Kết cấu dầm giữ một vị trí quan trọng trong việc chịu tải trọng từ sàn và truyền các tải trọng này lên cột, sau đó tải trọng từ cột truyền xuống móng. Vì tính chất quan trọng này, những phương pháp chẩn đoán để phát hiện hư hỏng kịp thời là vô cùng cần thiết.
Kết cấu dầm và một số dạng hư hỏng thường gặp Dầm là cấu kiện cơ bản, thường phổ biến là dạng lăng trụ hình chữ nhật hoặc hình vuông, các tiết diện minh họa trong Hình 1. Dầm được xem như thanh chịu lực (chịu uốn là chủ yếu), có vai trò dùng để đỡ các bản dầm, sàn, tường, mái phía trên. Dầm có cấu tạo đơn giản, chi phí chế tạo tương đối thấp nên kết cấu dầm được sử dụng khá rộng rãi trong công trình xây dựng như dầm sàn, dầm móng, dầm mái, dầm cầu trục, dầm cầu… Hình 1.3: Một số hình dạng cơ bản của kết cấu dầm (Nguồn: Internet) Kết cấu dầm có thể là dầm bê tông cốt thép, thép hình, gỗ. Có hai loại dầm chính và dầm phụ, dầm phụ thường gối lên dầm chính để chia nhỏ kích thước tấm sàn hoặc dầm phụ vuông góc với hai đầu dầm chính để làm giằng (dầm cấu tạo).
Dầm chính là dầm được thiết kế đi qua các cột, gác chân cột, vách. Dầm chính có kích thước lớn hơn các dầm khác, quan niệm phổ biến xem dầm chính là dầm theo phương chịu lực chính của công trình và thường phải gánh chịu nhiều lực hơn dầm Giới thiệu 4 phụ bởi dầm chính là dầm gánh đỡ dầm phụ. Hệ dầm chính thông thường gác lên cột, hệ dầm phụ đỡ tường WC và tường lô gia. Trong quá trình sử dụng, những hư hỏng trong kết cấu dầm có thể xảy ra ở nhiều dạng khác nhau như: phần tử trong kết cấu chịu lực quá giới hạn dẫn đến bị nứt, làm cho độ cứng suy giảm; vật liệu bị tác động của môi trường xung quanh làm giảm cường độ và đặc tính ban đầu của vật liệu (ăn mòn, bị sự cố do tác động bởi con người,…); kết cấu bị khuyết tật trong quá trình thi công,… Các hư hỏng này có khả năng gia tăng theo thời gian do sự xuống cấp của kết cấu hay do sự gia tăng của tác động gây hư hỏng.4 thể hiện một số hư hỏng đã xảy ra trong thực tế.
Kết cấu bị nứt Kết cấu bị khuyết tật Hình 1.4: Hư hỏng xảy ra trong kết cấu tấm (Nguồn: Internet) Trong một hệ kết cấu, kết cấu dầm trực tiếp nhận tải trọng thẳng đứng để truyền xuống cột, sau đó xuống móng; đồng thời dầm còn có vai trò rất quan trọng là cấu kiện cứng nằm ngang cùng với kết cấu sàn tiếp nhận tải trọng ngang (gió, động đất) để truyền vào các kết cấu thẳng đứng (cột, vách), qua đó truyền xuống móng. Do các tính chất quan trọng như trên, việc đề xuất và phát triển các phương pháp chẩn đoán hư hỏng trong kết cấu dầm là điều cấp bách. Hàm đáp ứng tần số (Frequency Response Function – FRF) Việc phát triển các phương pháp chẩn đoán hư hỏng, đặc biệt là phương pháp sử dụng các đáp ứng dao động từ kết cấu nhận được sự quan tâm của rất nhiều nhà nghiên cứu. Trong đó, phương pháp hàm đáp ứng tần số (Frequency Response Function: FRF) đã chứng tỏ là một trong những phương pháp có tính hiệu quả cao cho việc chẩn đoán hư hỏng trong kết cấu.
Giới thiệu 5 Việc sử dụng FRF trong chẩn đoán hư hỏng dần trở nên phổ biến hơn. Hàm đáp ứng tần số trong phân tích dao động là một hàm dựa trên sự đo lường tần số và xác định đặc trưng của ứng xử động lực học kết cấu, được sử dụng để xác định miền tần số và dạng dao động của một kết cấu ở hai trạng thái trước và sau hư hỏng, dưới tác dụng của lực điều hòa. Tổng quan về trí tuệ nhân tạo, học máy, mạng nơ-ron nhân tạo 1. Trí tuệ nhân tạo Trí tuệ nhân tạo (Artificial Intelligence: AI) là một ngành thuộc lĩnh vực khoa học máy tính (Computer Science), là trí thông minh của máy do con người lập trình tạo nên với mục tiêu giúp máy tính có thể tự động hóa thực hiện các hành vi thông minh như con người.
Ví dụ như mô phỏng các quá trình suy nghĩ và học tập của con người cho máy móc, đặc biệt là các hệ thống máy tính.5, các quá trình này bao gồm việc học tập (thu thập thông tin và các quy tắc sử dụng thông tin), lập luận (sử dụng các quy tắc để đạt được kết luận gần đúng) và tự sửa lỗi… Trí tuệ nhân tạo khác với việc lập trình logic trong các ngôn ngữ lập trình là ở việc ứng dụng các hệ thống học máy (Machine Learning) để mô phỏng trí tuệ của con người trong các tình huống xử lý mà con người làm tốt hơn máy tính. Cụ thể, trí tuệ nhân tạo giúp máy tính có được những trí tuệ của con người như: biết suy nghĩ và lập luận để giải quyết vấn đề, biết giao tiếp do hiểu ngôn ngữ, tiếng nói, biết học và tự thích nghi.5: Mối quan hệ giữa AI, Machine Learning và Deep Learning (Nguồn: Internet) Giới thiệu 6 Học máy (Machine Learning: ML) là một công nghệ phát triển từ lĩnh vực của trí tuệ nhân tạo liên quan đến việc nghiên cứu và xây dựng các kĩ thuật cho phép hệ thống có khả năng tự học hỏi từ những bộ dữ liệu lớn để giải quyết những vấn đề cụ thể. Thuật toán học máy là chương trình máy tính có khả năng học hỏi về cách hoàn thành các nhiệm vụ và cải thiện hiệu suất theo thời gian. Trong vài thập kỷ trở lại đây, ngành công nghệ thông tin ngày càng phát triển đi cùng với sự phát triển là khả năng tính toán của máy tính ngày càng nâng lên một tầm cao mới và số lượng dữ liệu khổng lồ được thu thập.
Machine Learning đã tiến thêm một bước dài giúp cho một lĩnh vực mới được ra đời gọi là Học Sâu (Deep Learning). Học sâu (Deep learning) là một nhánh của ngành học máy dựa trên một tập hợp các thuật toán để cố gắng mô hình hóa dữ liệu trừu tượng ở mức cao bằng cách sử dụng nhiều lớp xử lý với cấu trúc phức tạp hoặc thực hiện nhiều biến đổi phi tuyến. Deep Learning đã giúp máy tính thực thi những việc không khả thi như phân loại cả ngàn vật thể khác nhau trong các bức ảnh, tự tạo chú thích cho ảnh, mô phỏng giọng nói và chữ viết của con người, giao tiếp với con người hay thậm chỉ cả sáng tác văn học hay âm nhạc.