Tổng quan nghiên cứu

Trong bối cảnh phát triển nhanh chóng của kỹ thuật xây dựng, các công trình có quy mô lớn và kết cấu phức tạp ngày càng phổ biến, đặt ra thách thức lớn trong việc theo dõi và chẩn đoán hư hỏng kết cấu. Theo ước tính, việc phát hiện sớm hư hỏng kết cấu giúp giảm thiểu chi phí bảo trì và kéo dài tuổi thọ công trình. Luận văn tập trung nghiên cứu phương pháp chẩn đoán hư hỏng kết cấu dàn chịu tác động đồng thời của tải trọng động và biến đổi nhiệt độ, trong phạm vi các hệ dàn phẳng và không gian với số lượng thanh từ 10 đến 64, thực hiện trong giai đoạn từ tháng 12/2021 đến tháng 6/2022 tại Trường Đại học Bách Khoa, Đại học Quốc gia TP. Hồ Chí Minh. Mục tiêu chính là phát triển phương pháp chẩn đoán hư hỏng ba bước dựa trên tối ưu hóa ngược kết hợp kỹ thuật học sâu, nhằm nâng cao độ chính xác và giảm chi phí tính toán trong điều kiện thiết bị đo đạc hạn chế và dữ liệu nhiễu. Nghiên cứu có ý nghĩa thực tiễn lớn trong việc bảo dưỡng và quản lý kết cấu dàn, đặc biệt trong các công trình công nghiệp và dân dụng chịu tải trọng động phức tạp và biến đổi nhiệt độ môi trường.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên ba lý thuyết và mô hình chính:

  1. Mô hình giảm bậc kết cấu: Sử dụng phương pháp khai triển Neumann bậc hai để rút gọn ma trận độ cứng và khối lượng, từ đó giảm số bậc tự do cần tính toán, phù hợp với điều kiện giới hạn cảm biến đo đạc. Mô hình giảm bậc giúp cân bằng giữa độ chính xác và chi phí tính toán.

  2. Chỉ số năng lượng biến dạng dựa trên đáp ứng gia tốc (ASEI): Đây là chỉ số đánh giá sơ bộ vị trí hư hỏng dựa trên sự khác biệt năng lượng biến dạng tích lũy của phần tử kết cấu, được tính từ dữ liệu gia tốc theo thời gian. ASEI cho phép phát hiện nhanh các phần tử nghi ngờ hư hỏng.

  3. Kỹ thuật học sâu và tối ưu hóa ngược: Áp dụng hai mô hình học sâu gồm Mạng nơ ron sâu (Deep Neural Network - DNN) và thuật toán Extreme Gradient Boosting (XGBoost) để khử nhiễu và giảm số biến thiết kế trong bài toán tối ưu hóa. Tiếp đó, hai thuật toán tối ưu hóa không đạo hàm là Thuật toán Con lửng mật (Honey Badger Algorithm - HBA) và Thuật toán tiến hóa khác biệt (Differential Evolution - DE) được sử dụng để xác định chính xác mức độ hư hỏng từng phần tử.

Các khái niệm chuyên ngành quan trọng bao gồm: bậc tự do (DOF), ma trận độ cứng (K), ma trận khối lượng (M), ma trận cản (C), hàm mất mát (Loss function), hàm kích hoạt (Activation function), overfitting, underfitting, mô hình giảm bậc, và các thuật toán tối ưu hóa bầy đàn.

Phương pháp nghiên cứu

Nguồn dữ liệu đầu vào là các đáp ứng gia tốc của hệ kết cấu dàn dưới tác động của tải trọng động và biến đổi nhiệt độ, được mô phỏng bằng phương pháp phần tử hữu hạn kết hợp phương pháp Newmark-Beta để giải phương trình chuyển động. Các hệ dàn phẳng và không gian với số lượng thanh từ 10 đến 64 được khảo sát với các trường hợp hư hỏng giả định khác nhau, trong đó mức độ hư hỏng được mô phỏng bằng cách giảm mô đun đàn hồi Young (E) của từng phần tử.

Phương pháp phân tích gồm ba bước:

  1. Tính chỉ số ASEI để xác định sơ bộ vị trí hư hỏng.
  2. Áp dụng mô hình học sâu (DNN hoặc XGBoost) để dự đoán mức độ hư hỏng và giảm số biến thiết kế.
  3. Sử dụng thuật toán tối ưu hóa ngược (HBA hoặc DE) để xác định chính xác mức độ hư hỏng từng phần tử.

Cỡ mẫu dữ liệu huấn luyện và kiểm định được xây dựng từ các mô phỏng số với các trường hợp hư hỏng và tải trọng khác nhau. Phương pháp chọn mẫu là mô phỏng có kiểm soát, đảm bảo bao phủ các tình huống thực tế. Quá trình nghiên cứu kéo dài 6 tháng, từ tháng 12/2021 đến tháng 6/2022.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả của chỉ số ASEI trong phát hiện vị trí hư hỏng: ASEI cho phép xác định chính xác các phần tử có khả năng hư hỏng với độ nhạy cao, giảm số biến thiết kế cần xét trong bước tối ưu hóa xuống khoảng 30-50% so với phương pháp một bước truyền thống.

  2. So sánh mô hình học sâu DNN và XGBoost: DNN đạt độ chính xác dự đoán mức độ hư hỏng trung bình trên 92%, trong khi XGBoost đạt khoảng 89%. Tuy nhiên, thời gian huấn luyện của XGBoost nhanh hơn DNN khoảng 20-30%. Cả hai mô hình đều giúp giảm đáng kể chi phí tính toán trong bước tối ưu hóa.

  3. Hiệu quả của thuật toán tối ưu hóa HBA và DE: Thuật toán HBA cho kết quả hội tụ nhanh hơn DE khoảng 15-25% và có độ chính xác chẩn đoán mức độ hư hỏng cao hơn, với sai số trung bình dưới 5%. DE tuy có tốc độ chậm hơn nhưng vẫn đảm bảo độ chính xác tốt, phù hợp với các bài toán có không gian nghiệm phức tạp.

  4. Ảnh hưởng của nhiễu và giới hạn số điểm đo: Khi xét đến nhiễu đo đạc và giới hạn số lượng cảm biến, phương pháp ba bước vẫn duy trì độ chính xác trên 85%, trong khi phương pháp một bước giảm xuống dưới 70%. Mô hình giảm bậc giúp cải thiện đáng kể khả năng xử lý dữ liệu nhiễu và hạn chế cảm biến.

Thảo luận kết quả

Nguyên nhân chính của hiệu quả cao là do sự kết hợp giữa chỉ số ASEI giúp phát hiện nhanh vị trí hư hỏng, mô hình học sâu giảm số biến thiết kế và thuật toán tối ưu hóa ngược tìm kiếm mức độ hư hỏng chính xác. So với các nghiên cứu trước đây chỉ sử dụng tần số dao động hoặc dạng dao động, phương pháp dựa trên đáp ứng gia tốc theo thời gian có ưu điểm về tính khả thi và chi phí đo đạc thấp hơn. Kết quả cũng phù hợp với các nghiên cứu quốc tế về ứng dụng học sâu và thuật toán bầy đàn trong chẩn đoán hư hỏng kết cấu. Việc xét đến tải trọng nhiệt độ đồng thời với tải trọng động giúp mô hình gần thực tế hơn, nâng cao độ tin cậy của kết quả chẩn đoán. Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác và thời gian tính toán giữa các phương pháp, bảng tổng hợp sai số chẩn đoán và biểu đồ hội tụ hàm mục tiêu của các thuật toán tối ưu.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống giám sát kết cấu tự động: Áp dụng phương pháp ba bước kết hợp cảm biến gia tốc và mô hình học sâu để xây dựng hệ thống giám sát sức khỏe kết cấu theo thời gian thực, nhằm phát hiện sớm hư hỏng và giảm thiểu chi phí bảo trì. Thời gian triển khai dự kiến 12-18 tháng, chủ thể thực hiện là các đơn vị quản lý công trình và doanh nghiệp công nghệ.

  2. Mở rộng nghiên cứu cho các loại kết cấu khác: Nghiên cứu áp dụng phương pháp cho kết cấu bê tông cốt thép và kết cấu hỗn hợp, nhằm đa dạng hóa ứng dụng và nâng cao tính tổng quát của phương pháp. Thời gian nghiên cứu 18-24 tháng, chủ thể là các viện nghiên cứu và trường đại học.

  3. Tối ưu hóa thuật toán học sâu và tối ưu hóa: Phát triển các mô hình học sâu nhẹ hơn, tăng tốc độ huấn luyện và dự đoán, đồng thời cải tiến thuật toán tối ưu hóa để giảm thời gian hội tụ mà vẫn đảm bảo độ chính xác. Thời gian thực hiện 6-12 tháng, chủ thể là nhóm nghiên cứu công nghệ thông tin và kỹ thuật xây dựng.

  4. Tăng cường thu thập và xử lý dữ liệu thực tế: Xây dựng cơ sở dữ liệu lớn về đáp ứng gia tốc và hư hỏng thực tế từ các công trình để huấn luyện và kiểm định mô hình, nâng cao độ tin cậy và khả năng ứng dụng thực tiễn. Chủ thể thực hiện là các cơ quan quản lý xây dựng và các tổ chức nghiên cứu.

Đối tượng nên tham khảo luận văn

  1. Kỹ sư và chuyên gia giám sát kết cấu: Nắm bắt phương pháp chẩn đoán hư hỏng hiện đại, áp dụng trong công tác bảo trì và quản lý công trình nhằm nâng cao hiệu quả và giảm chi phí.

  2. Nhà nghiên cứu và sinh viên ngành kỹ thuật xây dựng: Tham khảo các lý thuyết, mô hình và thuật toán học sâu kết hợp tối ưu hóa trong lĩnh vực chẩn đoán kết cấu, phục vụ cho nghiên cứu và phát triển đề tài khoa học.

  3. Doanh nghiệp công nghệ phát triển giải pháp SHM: Áp dụng các thuật toán học sâu và tối ưu hóa để phát triển sản phẩm giám sát sức khỏe kết cấu thông minh, đáp ứng nhu cầu thị trường về công trình bền vững.

  4. Cơ quan quản lý và bảo trì công trình: Sử dụng kết quả nghiên cứu để xây dựng chính sách bảo dưỡng dựa trên dữ liệu thực tế, nâng cao an toàn và tuổi thọ công trình trong điều kiện tải trọng động và biến đổi nhiệt độ.

Câu hỏi thường gặp

  1. Phương pháp chẩn đoán hư hỏng ba bước gồm những gì?
    Phương pháp gồm: (1) sử dụng chỉ số ASEI để xác định sơ bộ vị trí hư hỏng; (2) áp dụng mô hình học sâu (DNN hoặc XGBoost) để dự đoán mức độ hư hỏng và giảm số biến thiết kế; (3) sử dụng thuật toán tối ưu hóa ngược (HBA hoặc DE) để xác định chính xác mức độ hư hỏng từng phần tử.

  2. Tại sao chọn đáp ứng gia tốc làm dữ liệu đầu vào?
    Gia tốc dễ dàng đo đạc trực tiếp, chi phí thấp hơn so với các thông số dao động truyền thống như tần số hay dạng dao động. Gia tốc cũng chứa nhiều thông tin về trạng thái kết cấu, giúp phát hiện hư hỏng hiệu quả.

  3. Ưu điểm của mô hình giảm bậc trong nghiên cứu này là gì?
    Mô hình giảm bậc giúp giảm số bậc tự do cần tính toán, giảm chi phí tính toán và xử lý dữ liệu trong điều kiện số lượng cảm biến hạn chế, đồng thời vẫn giữ được độ chính xác cao trong dự đoán ứng xử kết cấu.

  4. So sánh hiệu quả giữa hai thuật toán tối ưu hóa HBA và DE?
    HBA có tốc độ hội tụ nhanh hơn khoảng 15-25% và độ chính xác cao hơn, phù hợp với bài toán có không gian nghiệm phức tạp. DE có độ chính xác tốt nhưng tốc độ chậm hơn, thích hợp với các bài toán cần tìm nghiệm toàn cục.

  5. Phương pháp này có thể áp dụng cho các loại kết cấu khác không?
    Có thể mở rộng áp dụng cho các kết cấu bê tông cốt thép hoặc kết cấu hỗn hợp, tuy nhiên cần điều chỉnh mô hình và thuật toán phù hợp với đặc tính vật liệu và hình học của từng loại kết cấu.

Kết luận

  • Phương pháp chẩn đoán hư hỏng ba bước kết hợp ASEI, học sâu và tối ưu hóa ngược cho kết quả chính xác và hiệu quả trong phát hiện vị trí và mức độ hư hỏng kết cấu dàn chịu tải trọng động và nhiệt độ.
  • Mô hình giảm bậc giúp giảm đáng kể chi phí tính toán và xử lý dữ liệu trong điều kiện giới hạn cảm biến và nhiễu đo đạc.
  • Thuật toán HBA vượt trội về tốc độ hội tụ và độ chính xác so với DE trong bài toán tối ưu hóa ngược.
  • Việc áp dụng kỹ thuật học sâu (DNN, XGBoost) giúp giảm số biến thiết kế và tăng độ ổn định của quá trình chẩn đoán.
  • Nghiên cứu mở ra hướng phát triển hệ thống giám sát sức khỏe kết cấu tự động, góp phần nâng cao an toàn và tuổi thọ công trình trong thực tế.

Tiếp theo, cần triển khai thử nghiệm thực tế trên các công trình thực tế và phát triển phần mềm ứng dụng tích hợp phương pháp này. Đề nghị các đơn vị quản lý công trình và doanh nghiệp công nghệ quan tâm phối hợp nghiên cứu và ứng dụng.