I. Giới thiệu
Nghiên cứu về chẩn đoán khung thép là một lĩnh vực quan trọng trong kỹ thuật xây dựng, đặc biệt là trong bối cảnh các công trình xây dựng ngày càng phức tạp. Luận văn này tập trung vào việc phát hiện phá hủy khung thép phi tuyến thông qua các kỹ thuật học sâu. Việc áp dụng học sâu không chỉ tăng cường độ chính xác trong việc phát hiện hư hỏng mà còn giảm thiểu thời gian tính toán, điều này rất quan trọng trong các ứng dụng thực tế. Theo học sâu, việc phát hiện khớp dẻo trong khung thép phi tuyến dưới tác động của tải trọng tĩnh được thực hiện bằng cách sử dụng tập dữ liệu ngẫu nhiên được tạo ra thông qua phương pháp phân tích nâng cao. Tính phi tuyến trong cấu trúc được xem xét qua các hiệu ứng P-δ và P-Δ, cho thấy tầm quan trọng của việc sử dụng mô hình học sâu để cải thiện khả năng chẩn đoán.
II. Tính cần thiết và ý nghĩa thực tiễn
Việc chẩn đoán phá hủy khung thép có ý nghĩa rất lớn trong việc bảo đảm an toàn cho các công trình xây dựng. Những công trình lớn thường phải chịu nhiều loại tải trọng khác nhau, và việc phát hiện sớm các dấu hiệu hư hỏng sẽ giúp giảm thiểu rủi ro và chi phí bảo trì. Luận văn này đề xuất một phương pháp mới sử dụng học sâu để phát hiện hư hỏng kết cấu mà không cần phải dừng hoạt động của công trình. Phương pháp này có thể được áp dụng trong thực tế để theo dõi sức khỏe của các công trình xây dựng, từ đó giúp các kỹ sư đưa ra quyết định kịp thời về việc sửa chữa hoặc thay thế các bộ phận hư hỏng. Điều này không chỉ tiết kiệm chi phí mà còn kéo dài tuổi thọ của công trình.
III. Phương pháp nghiên cứu
Luận văn sử dụng các kỹ thuật học sâu như Mạng nơ-ron sâu (DNN), Tăng cường độ dốc cực cao (XGBoost), và mô hình học tập dữ liệu dạng bảng (TabNet) để phát hiện khớp dẻo trong khung thép phi tuyến. Dữ liệu được thu thập từ các mô hình mô phỏng và được sử dụng để huấn luyện các mô hình học sâu. Kết quả cho thấy mô hình TabNet cho độ chính xác cao nhất trong việc phát hiện hư hỏng, đồng thời tiết kiệm thời gian tính toán so với các mô hình khác. Việc áp dụng các mô hình này không chỉ mang lại kết quả khả quan mà còn có thể mở rộng cho các ứng dụng khác trong lĩnh vực xây dựng, từ đó nâng cao hiệu quả của các hệ thống chẩn đoán hư hỏng.
IV. Kết quả và thảo luận
Kết quả từ các bài toán khảo sát cho thấy khả năng phát hiện hư hỏng của mô hình TabNet vượt trội hơn so với DNN và XGBoost. Các mô hình này đã được kiểm nghiệm trên các khung thép với số tầng khác nhau, từ hai tầng đến hai mươi tầng, cho thấy tính linh hoạt và khả năng áp dụng rộng rãi của phương pháp. Việc sử dụng Python trong lập trình cho phép thực hiện các thuật toán một cách hiệu quả, đồng thời dễ dàng trong việc điều chỉnh và mở rộng cho các nghiên cứu sau này. Những phát hiện này không chỉ có giá trị trong nghiên cứu lý thuyết mà còn có thể được áp dụng trực tiếp vào thực tiễn, góp phần nâng cao độ an toàn và hiệu quả cho các công trình xây dựng.
