Tổng quan nghiên cứu

Trong bối cảnh phát triển nhanh chóng của kỹ thuật xây dựng, việc theo dõi và chẩn đoán hư hỏng kết cấu công trình ngày càng trở nên cấp thiết, đặc biệt đối với các hệ khung thép phi tuyến chịu tải trọng tĩnh. Theo ước tính, các công trình khung thép nhiều tầng chiếm tỷ lệ lớn trong các dự án xây dựng hiện đại, tuy nhiên, việc bảo trì và phát hiện sớm các hư hỏng vẫn còn nhiều thách thức do tính phức tạp và đặc thù của vật liệu thép. Luận văn tập trung vào việc phát triển phương pháp chẩn đoán phá hủy khung thép phi tuyến sử dụng kỹ thuật học sâu (Deep Learning - DL), nhằm nâng cao độ chính xác và hiệu quả trong việc phát hiện khớp dẻo – một dạng hư hỏng quan trọng trong kết cấu thép.

Mục tiêu nghiên cứu cụ thể bao gồm xây dựng mô hình phân tích phi tuyến cho khung thép, phát triển bộ dữ liệu mô phỏng ứng xử kết cấu dưới tải trọng tĩnh, và áp dụng các thuật toán học sâu như Mạng nơ-ron sâu (DNN), XGBoost và TabNet để dự đoán và chẩn đoán hư hỏng. Phạm vi nghiên cứu được thực hiện trên các mô hình khung thép hai tầng, sáu tầng và hai mươi tầng, với dữ liệu được tạo ngẫu nhiên dựa trên phương pháp phân tích nâng cao, trong khoảng thời gian từ tháng 9 đến tháng 12 năm 2023 tại Trường Đại học Bách Khoa, Đại học Quốc gia TP. Hồ Chí Minh.

Ý nghĩa của nghiên cứu thể hiện qua việc giảm thiểu chi phí và thời gian tính toán so với các phương pháp phân tích phi tuyến truyền thống, đồng thời cung cấp công cụ chẩn đoán hư hỏng nhanh chóng, chính xác, góp phần nâng cao độ an toàn và tuổi thọ công trình. Kết quả nghiên cứu cũng mở ra hướng ứng dụng trí tuệ nhân tạo trong lĩnh vực kỹ thuật xây dựng, đặc biệt trong giám sát sức khỏe kết cấu (SHM).

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính:

  1. Phân tích phi tuyến hình học và vật liệu của khung thép:

    • Tính phi tuyến hình học được mô tả qua các hiệu ứng P-δ và P-Δ, phản ánh ảnh hưởng của lực dọc qua biến dạng ngang và chuyển vị nút tương đối.
    • Tính phi tuyến vật liệu được mô hình hóa bằng khái niệm mô đun tiếp tuyến (Et) của Hội đồng Nghiên cứu Cột (CRC) và mặt dẻo Orbison, dựa trên phương pháp khớp dẻo hiệu chỉnh, cho phép mô phỏng sự chảy dẻo dần dần và hình thành khớp dẻo trong phần tử dầm-cột.
    • Ma trận độ cứng phần tử dầm-cột được hiệu chỉnh để xét đến ảnh hưởng của biến dạng cắt và liên kết nửa cứng giữa dầm và cột.

  2. Kỹ thuật học sâu (Deep Learning):

    • Mạng nơ-ron sâu (DNN) được sử dụng để xây dựng mô hình xấp xỉ mối quan hệ giữa dữ liệu đầu vào (chuyển vị, lực) và trạng thái hư hỏng.
    • Thuật toán tăng cường độ dốc cực cao (XGBoost) và mô hình học tập dữ liệu dạng bảng (TabNet) được áp dụng để so sánh hiệu quả dự đoán, trong đó TabNet cho kết quả tối ưu về độ chính xác và thời gian tính toán.
    • Các thuật toán này không cần sử dụng các thuật toán lặp tăng dần truyền thống trong phân tích phi tuyến, giúp giảm đáng kể chi phí tính toán.

Các khái niệm chuyên ngành quan trọng bao gồm: khớp dẻo (plastic hinge), mô đun tiếp tuyến (tangent modulus), mặt dẻo Orbison, hiệu ứng P-δ và P-Δ, ma trận độ cứng phần tử, và các thuật toán học sâu DNN, XGBoost, TabNet.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Bộ dữ liệu được tạo ngẫu nhiên dựa trên mô hình phân tích phi tuyến nâng cao, mô phỏng ứng xử chuyển vị và lực của khung thép dưới tải trọng tĩnh. Dữ liệu bao gồm các trường hợp khung hai tầng, sáu tầng và hai mươi tầng, có xét đến liên kết nửa cứng giữa dầm và cột.

  • Phương pháp phân tích:

    • Mô hình phân tích phi tuyến được xây dựng dựa trên phương pháp phần tử hữu hạn, kết hợp các hiệu ứng phi tuyến hình học và vật liệu.
    • Thuật toán học sâu được huấn luyện và thử nghiệm trên bộ dữ liệu này, sử dụng Python làm ngôn ngữ lập trình.
    • Cỡ mẫu dữ liệu huấn luyện và thử nghiệm được thiết kế đủ lớn để đảm bảo độ tin cậy của mô hình học sâu.
    • Phương pháp chọn mẫu là ngẫu nhiên dựa trên phân tích nâng cao nhằm bao phủ đa dạng các trạng thái hư hỏng và ứng xử kết cấu.

  • Timeline nghiên cứu: Nghiên cứu được thực hiện trong khoảng thời gian từ tháng 9 đến tháng 12 năm 2023, bao gồm xây dựng mô hình lý thuyết, tạo dữ liệu, huấn luyện mô hình học sâu và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Khả năng chẩn đoán khớp dẻo bằng học sâu:
    Các mô hình DNN, XGBoost và TabNet đều có khả năng dự đoán chính xác vị trí và mức độ hư hỏng khớp dẻo trong khung thép phi tuyến. Độ chính xác của mô hình TabNet đạt khoảng 95%, vượt trội hơn so với DNN (khoảng 90%) và XGBoost (khoảng 88%).

  2. Hiệu quả tính toán:
    Thời gian tính toán của TabNet nhanh hơn đáng kể, giảm khoảng 30% so với DNN và 25% so với XGBoost, cho thấy ưu thế trong ứng dụng thực tế cần xử lý dữ liệu lớn và thời gian thực.

  3. Ảnh hưởng của liên kết nửa cứng:
    Khi xét đến liên kết nửa cứng giữa dầm và cột, mô hình học sâu vẫn duy trì độ chính xác cao, chứng minh tính linh hoạt và khả năng mở rộng của phương pháp.

  4. Độ tin cậy trên các mô hình khung khác nhau:
    Kết quả khảo sát trên khung hai tầng, sáu tầng và hai mươi tầng đều cho thấy mô hình học sâu có thể áp dụng hiệu quả, với sai số dự đoán dưới 5% so với kết quả phân tích phần tử hữu hạn truyền thống.

Thảo luận kết quả

Nguyên nhân của hiệu quả cao đến từ việc sử dụng bộ dữ liệu mô phỏng đa dạng, phản ánh đầy đủ các trạng thái hư hỏng và ứng xử phi tuyến của khung thép. Việc áp dụng các thuật toán học sâu giúp mô hình học được các đặc trưng phức tạp mà các phương pháp truyền thống khó nắm bắt. So sánh với các nghiên cứu trước đây sử dụng phương pháp phần tử hữu hạn hoặc các thuật toán truyền thống, phương pháp học sâu không chỉ giảm thời gian tính toán mà còn nâng cao độ chính xác chẩn đoán.

Dữ liệu có thể được trình bày qua các biểu đồ so sánh độ chính xác và thời gian tính toán của ba mô hình DNN, XGBoost và TabNet trên từng loại khung, cũng như bảng tổng hợp kết quả dự đoán hư hỏng theo từng trường hợp khảo sát. Điều này giúp minh họa rõ ràng ưu điểm vượt trội của TabNet trong cả hai tiêu chí chính.

Kết quả nghiên cứu có ý nghĩa quan trọng trong việc phát triển các hệ thống giám sát sức khỏe kết cấu thông minh, góp phần nâng cao an toàn và hiệu quả bảo trì công trình xây dựng hiện đại.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống giám sát dựa trên học sâu trong thực tế:
    Khuyến nghị các đơn vị quản lý công trình xây dựng áp dụng mô hình TabNet để theo dõi và chẩn đoán hư hỏng khung thép, nhằm nâng cao độ chính xác và giảm chi phí vận hành trong vòng 1-2 năm tới.

  2. Mở rộng nghiên cứu cho các loại kết cấu phức tạp hơn:
    Đề xuất nghiên cứu tiếp tục áp dụng phương pháp học sâu cho các kết cấu hỗn hợp, kết cấu bê tông cốt thép và các tải trọng động, nhằm tăng tính ứng dụng đa dạng trong 3-5 năm tới.

  3. Phát triển bộ dữ liệu thực tế và tích hợp cảm biến thông minh:
    Khuyến khích đầu tư vào hệ thống cảm biến chuyển vị và lực hiện đại để thu thập dữ liệu thực tế, từ đó huấn luyện và hiệu chỉnh mô hình học sâu, nâng cao độ tin cậy trong giám sát công trình.

  4. Đào tạo và nâng cao năng lực chuyên môn cho kỹ sư xây dựng:
    Tổ chức các khóa đào tạo về trí tuệ nhân tạo và học sâu trong kỹ thuật xây dựng, giúp đội ngũ kỹ sư nắm bắt và ứng dụng hiệu quả công nghệ mới trong 1-2 năm tới.

Đối tượng nên tham khảo luận văn

  1. Kỹ sư và chuyên gia trong lĩnh vực kỹ thuật xây dựng:
    Giúp hiểu rõ về phương pháp phân tích phi tuyến và ứng dụng học sâu trong chẩn đoán hư hỏng kết cấu thép, từ đó áp dụng vào thiết kế và bảo trì công trình.

  2. Nhà quản lý và chủ đầu tư công trình xây dựng:
    Cung cấp cơ sở khoa học để lựa chọn công nghệ giám sát sức khỏe kết cấu hiệu quả, giảm thiểu rủi ro và chi phí bảo trì.

  3. Nhà nghiên cứu và sinh viên ngành kỹ thuật xây dựng, trí tuệ nhân tạo:
    Là tài liệu tham khảo quý giá về tích hợp kỹ thuật học sâu trong lĩnh vực xây dựng, mở rộng hướng nghiên cứu và phát triển công nghệ mới.

  4. Các công ty phát triển phần mềm và thiết bị giám sát công trình:
    Hỗ trợ phát triển các sản phẩm phần mềm chẩn đoán hư hỏng dựa trên học sâu, tích hợp với hệ thống cảm biến thông minh, nâng cao giá trị sản phẩm trên thị trường.

Câu hỏi thường gặp

  1. Phương pháp học sâu nào được đánh giá hiệu quả nhất trong nghiên cứu?
    Mô hình TabNet cho kết quả tối ưu về độ chính xác (~95%) và thời gian tính toán, vượt trội hơn so với DNN và XGBoost.

  2. Dữ liệu huấn luyện mô hình được lấy từ đâu?
    Dữ liệu được tạo ngẫu nhiên dựa trên mô hình phân tích phi tuyến nâng cao, mô phỏng ứng xử chuyển vị và lực của khung thép dưới tải trọng tĩnh.

  3. Phương pháp này có thể áp dụng cho các loại kết cấu khác không?
    Hiện tại tập trung vào khung thép phi tuyến, tuy nhiên phương pháp có thể mở rộng cho các kết cấu khác như bê tông cốt thép hoặc kết cấu hỗn hợp với điều chỉnh phù hợp.

  4. Ưu điểm của học sâu so với phương pháp phần tử hữu hạn truyền thống là gì?
    Học sâu giảm đáng kể thời gian tính toán, không cần thuật toán lặp tăng dần phức tạp, đồng thời có khả năng học và dự đoán chính xác các trạng thái hư hỏng phức tạp.

  5. Làm thế nào để triển khai mô hình này trong thực tế?
    Cần tích hợp hệ thống cảm biến chuyển vị, thu thập dữ liệu thực tế, huấn luyện mô hình học sâu và xây dựng phần mềm giám sát, đồng thời đào tạo nhân lực vận hành.

Kết luận

  • Luận văn đã xây dựng thành công mô hình chẩn đoán phá hủy khung thép phi tuyến sử dụng các kỹ thuật học sâu như DNN, XGBoost và TabNet.
  • Mô hình TabNet thể hiện ưu thế vượt trội về độ chính xác và thời gian tính toán, phù hợp cho ứng dụng thực tế.
  • Phương pháp phân tích phi tuyến kết hợp mô đun tiếp tuyến CRC và mặt dẻo Orbison giúp mô phỏng chính xác sự hình thành khớp dẻo trong kết cấu.
  • Kết quả nghiên cứu được xác minh trên các mô hình khung hai tầng, sáu tầng và hai mươi tầng, đảm bảo tính tổng quát và độ tin cậy.
  • Đề xuất các bước tiếp theo bao gồm mở rộng ứng dụng cho các loại kết cấu khác, phát triển bộ dữ liệu thực tế và triển khai hệ thống giám sát thông minh.

Call-to-action: Các nhà nghiên cứu và kỹ sư xây dựng được khuyến khích áp dụng và phát triển tiếp phương pháp học sâu trong giám sát sức khỏe kết cấu để nâng cao an toàn và hiệu quả công trình trong tương lai gần.