CHƯƠNG 1. GIỚI THIỆU pháp thí nghiệm phá hủy chỉ có tác dụng khi kiểm tra những cấu kiện cục bộ, phù hợp với các bài toán trong nghiên cứu, học thuật, khó có thể áp dụng được với những công trình cụ thể, phức tạp. Bên cạnh đó, đối với những phương pháp chẩn đoán không phá hủy truyền thống như dùng sóng âm, X quang,… cũng mang tính cục bộ và nếu áp dụng cho cả công trình sẽ rất tốn kém về mặt tài nguyên (cảm biến, máy đo,…). Tuy nhiên, các phương pháp chẩn đoán không phá hủy hiện đại như chẩn đoán hư hỏng dựa vào chuyển vị của hệ kết cấu lại nổi lên vì tình tiện dụng của nó.
Các phương pháp này dựa trên nguyên lý là khi hệ kết cấu chịu hư hỏng vật lý thì các tính chất, ứng xử cũng như chuyển vị của nó cũng thay đổi. Do đó bằng việc sử dụng dữ liệu là sự thay đổi chuyển vị, hư hỏng của kết cấu có thể được chẩn đoán. Trong luận văn này, thông số được xét đến sẽ là các ứng xử chuyển vị của hệ chịu tải trọng tĩnh. Trí tuệ nhân tạo và học sâu Trong thời cách mạng công nghiệp 4.0, khoa học sâu tính trở thành một phần không thể thiếu trong sinh hoạt và đời sống của người dân toàn cầu.
Trí tuệ nhân tạo (Artificial Intelligence – AI) là bộ phận cốt lõi đưa công nghệ và khoa học vào mọi lĩnh vực trong đời sống. Chúng ta đã và đang tiếp xúc với trí tuệ nhân tạo hàng ngày, hàng giờ trong khi ít người nhận ra điều đó. Một số ví dụ dễ thấy như các hệ thống gợi ý sản phẩm thích hợp trong các trang thương mại điện tử Shoppee, Tiki, hay là toàn bộ các hệ thống trợ lý ảo đang có trong ngôi nhà của chúng ta hoặc những rô bốt vận hành tự động trong các nhà máy sản xuất tiên tiến. Học sâu là một tệp con của trí tuệ nhân tạo, là lĩnh vực nghiên cứu nhằm lập trình, đào tạo máy tính có khả năng học hỏi từ các tập dữ liệu mà không cần lập trình tường minh, như phương pháp truyền thống.
Cụ thể hơn học sâu giúp máy tính có thể dựa trên những đặc điểm của tệp dữ liệu đầu vào để đưa ra kết quả đầu ra mà không cần một giải thuật cụ thể. Có thể tưởng tượng rằng, một thuật toán học sâu có thể cho chúng ta kết quả trả về của hàm f(x) từ giá trị x mà không cần biết dạng tường minh phương trình của hàm số này. Tuy nhiên phương pháp này cần phải có một bộ dữ liệu đủ lớn để huấn luyện mô hình. GIỚI THIỆU Trong thời gian gần đây, với sự bùng nổ về khái niệm thành phố thông minh, nơi mà công tác theo dõi và chẩn đoán sức khỏe kết cấu (SHM) và trí tuệ nhân tạo (AI) đóng một vai trò quan trọng.
Chủ nhà và các bộ phận bảo trì ở những thành phố này có thể dễ dàng phát hiện và chẩn đoán các “trạng thái của công trình” (các thiết bị, phòng ở, tòa nhà…) tại bất kỳ thời điểm nào trong vòng đời của công trình. Những vấn đề này rất khó giải quyết một cách nhanh chóng, kịp thời bởi con người, nhưng lại có thể được mô tả và giải quyết với độ chính xác rất cao bằng các mô hình trí tuệ nhân tạo. Bằng cách thu thập các dữ liệu từ kinh nghiệm trong quá khứ, các mô hình AI có thể học và hiểu được các cấu trúc dựa trên cơ sở phân cấp các khái niệm và đưa ra các quyết định mang tính chất chẩn đoán, cảnh báo. Mục tiêu và nội dung nghiên cứu 1.
Mục tiêu nghiên cứu Mục tiêu nghiên cứu của đề tài là Chẩn đoán phá hủy khung thép phi tuyến sử dụng học sâu. Nội dung nghiên cứu Cụ thể các mục tiêu của nghiên cứu này như sau: - Xây dựng bài toán phân tích khung thép phi tuyến. - Xây dựng tải trọng đầu vào của bài toàn kết cấu. - Kết hợp các kỹ thuật học sâu trong trí tuệ nhân tạo để dự đoán các ứng xử kết cấu.
Ngoài ra, mô hình này có thể nhận dạng và chẩn đoán các phần tử bị hư hỏng. Tính cần thiết và ý nghĩa thực tiễn của nghiên cứu Các hệ kết cấu khung kết cấu thép nhiều tầng đã được ứng dụng từ lâu đời tuy nhiên vẫn còn nhiều hạn chế về mặt bảo trì bảo dưỡng so với kết cấu bê tông cốt thép, vì hệ kết cấu thép thường dễ bị ô xi hóa và mất ổn định, cũng như các chi tiết liên kết thường phải được kiểm tra định kỳ thường xuyên. Trong các phương pháp SHM thì các phương pháp không phá huỷ xác định hư hỏng của kết cấu dựa trên dao động trở thành một trong những phương pháp tiếp cận 3 CHƯƠNG 1. GIỚI THIỆU cơ bản trong việc phát hiện hư hỏng và giám sát sức khoẻ của kết cấu, nhờ vào tính linh hoạt, chi phí thấp và tính khả thi của việc giám sát kết cấu tổng thể trong thời gian thực.
Tuy nhiên, các nghiên cứu áp dụng phương pháp này trong nhiều năm qua còn hạn chế, do vậy việc mở rộng nghiên cứu là cần thiết. Bên cạnh đó, việc áp dụng những thuật toán trí tuệ nhân tạo cũng đóng vai trò quan trọng trong việc bắt kịp các xu hướng mới của thời đại, tận dụng tối đa nguồn lực hiện có để phát triển lĩnh vực chẩn đoán hư hỏng nói riêng và kỹ thuật xây dựng nói chung. TỔNG QUAN CHƯƠNG 2. TỔNG QUAN Trong chương này, các nghiên cứu liên quan đến đề tài cả trong và ngoài nước sẽ được trình bày.
Từ đó, khái quát được tổng tình hình còn lại và các hướng đi còn trống nhằm định hướng cho luận văn này. Tình hình nghiên cứu nước ngoài G. Hearn và cộng sự vào năm 1991 [1] đã Báo cáo kiểm tra không phá hủy kết cấu bằng phương thức phản ứng rung đánh giá sự hư hỏng dựa trên tần số tự nhiên và hệ số giảm chấn. Thay đổi tần số tự nhiên liên quan đến mức độ và vị trí hư hỏng, được chuẩn hóa để chỉ ra vị trí suy giảm.
Pandey và cộng sự vào năm 1994 [2] đã trình bày về việc một hư hỏng trong kết cấu gây thay đổi đặc tính động của nó, biểu hiện qua các tham số phương thức như tần số, giảm chấn, và hình dạng phương thức. Đánh giá thay đổi trong ma trận linh hoạt của kết cấu được đề xuất là một phương pháp tiềm năng để không chỉ xác định sự hư hỏng mà còn định vị vị trí hư hỏng. Hjelmstad và cộng sự vào năm 1997 [3] đã phát triển thuật toán phát hiện và đánh giá thiệt hại được phát triển dựa trên ước tính tham số, sử dụng sơ đồ nhóm tham số thích ứng. Thiệt hại được xác định qua việc giảm thuộc tính cấu thành của mô hình phần tử hữu hạn, với tham số hóa giữa hai suy luận phân tách theo thời gian.
Fritzen và cộng sự vào năm 1998 [4] đã tập trung vào vấn đề phát hiện vị trí và mức độ hư hỏng trong kết cấu thông qua số liệu thử nghiệm rung. Phương pháp sử dụng mô hình toán học để mô tả cấu trúc rung không hư hỏng và cục bộ về hư hỏng, như là các phần tử hữu hạn của dầm có vết nứt. Bài báo thảo luận về lỗi mô hình hóa và cách chúng ảnh hưởng đến độ chính xác của việc xác định vị trí thiệt hại, đồng thời đề xuất các cách tiếp cận để đảm bảo kết quả đáng tin cậy. Worden và cộng sự vào năm 2000 [5] đã thực hiện một nghiên cứu về phương pháp thống kê để phát hiện thiệt hại, với mục tiêu đạt được mức độ phát hiện lỗi thấp nhất bằng cách sử dụng các phương pháp đơn giản để báo hiệu sự sai lệch so với điều 5 CHƯƠNG 2.
TỔNG QUAN kiện bình thường, hay phát hiện tính mới. Khái niệm về sự không phù hợp từ nguyên tắc thống kê của phân tích ngoại lệ được áp dụng để báo hiệu sự khác biệt so với chuẩn mực. Chou và cộng sự vào năm 2001 [6] đã đề xuất biến bài toán thành bài toán tối ưu hóa và sử dụng thuật toán di truyền (GA) để giải quyết. Sử dụng các phép đo tĩnh của chuyển vị ở một số bậc tự do để xác định sự thay đổi trong các đặc tính kết cấu.
GA được áp dụng để xác định các chuyển vị ở các bậc tự do không đo được, giúp tránh phải thực hiện phân tích cấu trúc chi tiết. Kim và cộng sự vào năm 2004 [7] đã thực hiện mục tiêu của bài viết là đánh giá nghiên cứu đã tiến hành về phát hiện thiệt hại bằng phân tích wavelet. Bài viết bắt đầu bằng việc giới thiệu lý thuyết phân tích wavelet, sau đó tập trung vào ứng dụng của nó trong SHM. Cuối cùng, các ứng dụng cụ thể như phát hiện vết nứt trong dầm và hư hỏng bánh răng cơ khí và con lăn được trình bày.
Quá trình phát triển của các phương pháp chẩn đoán hư hỏng kết cấu đã bắt đầu từ khá lâu. Krishnan Nair và cộng sự vào năm 2007 [8] đã trình bày một thuật toán phát hiện dựa trên chuỗi thời gian được đề xuất sử dụng mô hình hỗn hợp Gaussian hai khía cạnh quan trọng của chẩn đoán thiệt hại được điều tra là phát hiện và mức độ. Luke Bornn và cộng sự vào năm 2009 [9] đề xuất lập mô hình dữ liệu đầu ra của cảm biến rung kết cấu bằng cách sử dụng các mô hình chuỗi thời gian phi tuyến. Chang và cộng sự vào năm [10].
Costas Papadimitriou và cộng sự vào năm 2012 [11] đã nghiên cứu điển hình về khung phương tiện trong phòng thí nghiệm quy mô nhỏ được sử dụng để điều tra tính biến thiên của các mô hình phần tử hữu hạn (FE) được cập nhật phát sinh từ các lỗi đo lường và mô hình, đồng thời chứng minh tác động của tính biến thiên này đối với các dự đoán phản hồi. Fassois và cộng sự vào năm 2013 [12] sử dụng các phương pháp chuỗi thời gian thống kê để theo dõi sức khỏe của kết cấu dựa trên rung động sử dụng các 6 CHƯƠNG 2. TỔNG QUAN tín hiệu kích thích và/hoặc rung động ngẫu nhiên, xây dựng mô hình thống kê và ra quyết định thống kê để suy ra tình trạng sức khỏe của cấu trúc.
