I. Tổng Quan Chẩn Đoán Phá Hủy Khung Thép Phi Tuyến Học Sâu
Trong bối cảnh kỹ thuật xây dựng ngày càng phát triển, việc xây dựng các công trình quy mô lớn với hệ kết cấu phức tạp đặt ra những thách thức đáng kể trong thiết kế, theo dõi và bảo dưỡng. Do đó, lĩnh vực theo dõi và chẩn đoán hư hỏng kết cấu (Structural Health Monitoring – SHM) trở nên vô cùng quan trọng để đảm bảo hiệu quả hoạt động của kết cấu trong suốt vòng đời thiết kế và kéo dài tuổi thọ. Nhiệm vụ chính của SHM là theo dõi, phân tích và chẩn đoán tình trạng kết cấu, phát hiện sớm các dấu hiệu phá hủy khung thép dựa trên dữ liệu chuyển vị và các thông số đo đạc. Điều này cho phép đánh giá mức độ nghiêm trọng của hư hỏng trước khi đưa ra quyết định bảo trì, sửa chữa. Một phương pháp hiệu quả là phân tích ứng xử chuyển vị của công trình, một phương pháp gián tiếp phát hiện hư hỏng thông qua phân tích số liệu đo từ chuyển vị kết cấu. Phương pháp này được ưa chuộng nhờ chi phí thấp, dễ triển khai và độ chính xác cao mà không cần ngừng hoạt động kết cấu.
1.1. Tầm quan trọng của Chẩn đoán kết cấu thép
Việc chẩn đoán kết cấu sớm là yếu tố then chốt. Nó cho phép sửa chữa hoặc thay thế kịp thời, đồng thời giúp đánh giá chính xác khả năng vận hành và tuổi thọ của công trình. Quá trình này thường bao gồm hai bước chính: lắp đặt mạng lưới cảm biến trên các vị trí quan trọng của công trình và thu thập, xử lý dữ liệu bằng các phương pháp và thuật toán chẩn đoán hư hỏng. Việc ứng dụng các phương pháp tiên tiến, đặc biệt là học sâu, trong chẩn đoán hư hỏng khung thép phi tuyến đang mở ra những tiềm năng to lớn.
1.2. Ứng dụng học sâu trong phát hiện hư hỏng kết cấu
Ứng dụng học sâu trong chẩn đoán kết cấu đang nổi lên như một giải pháp đầy hứa hẹn. Các mô hình mạng nơ-ron có khả năng học từ dữ liệu lớn và phức tạp, cho phép phát hiện các mẫu hư hỏng tiềm ẩn mà các phương pháp truyền thống khó có thể nhận biết. Luận văn này tập trung vào việc áp dụng các kỹ thuật học sâu để phát hiện khớp dẻo trong khung thép phi tuyến chịu tải trọng tĩnh. Phương pháp này sử dụng tập dữ liệu được tạo ngẫu nhiên bằng phân tích nâng cao để huấn luyện và thử nghiệm các mô hình deep learning (DL).
II. Thách Thức Phân Tích Phi Tuyến Khung Thép Giải Pháp
Phân tích khung thép phi tuyến là một bài toán phức tạp, đòi hỏi phải xem xét cả tính phi tuyến hình học và vật liệu. Tính phi tuyến hình học bao gồm các hiệu ứng P-δ và P-Δ, có thể được tính đến thông qua hàm ổn định. Tính phi tuyến vật liệu thường được mô hình hóa bằng các khái niệm như mô đun tiếp tuyến của Hội đồng Nghiên cứu Cột (CRC) và mặt dẻo Orbison dựa trên phương pháp khớp dẻo hiệu chỉnh. Trong bài toán nghiên cứu về khung thép phi tuyến, các yếu tố như liên kết nửa cứng giữa dầm và cột cũng cần được xem xét để đảm bảo tính chính xác của mô hình. Việc xây dựng mô hình phân tích chính xác là bước quan trọng để có thể áp dụng hiệu quả các kỹ thuật học sâu trong chẩn đoán phá hủy.
2.1. Mô hình hóa phi tuyến hình học và vật liệu trong khung thép
Việc mô hình hóa chính xác phi tuyến hình học và phi tuyến vật liệu là yếu tố then chốt để đảm bảo độ tin cậy của phân tích. Luận văn này sử dụng hàm ổn định để tính đến các hiệu ứng P-δ và P-Δ. Đồng thời, tính phi tuyến vật liệu được mô hình hóa theo khái niệm mô đun tiếp tuyến của Hội đồng Nghiên cứu Cột (CRC) và mặt dẻo Orbison. "Theo đó, thông tin về khớp dẻo có thể dễ dàng được truy tìm thông qua bề mặt chảy dẻo Orbison."
2.2. Ảnh hưởng của liên kết nửa cứng đến độ tin cậy kết cấu
Liên kết giữa các cấu kiện trong khung thép có ảnh hưởng đáng kể đến ứng xử của toàn bộ kết cấu. Xem xét đến sự làm việc của liên kết nửa cứng giữa dầm và cột là yếu tố quan trọng để tăng cường độ chính xác của mô hình phân tích. Việc bỏ qua yếu tố này có thể dẫn đến sai lệch trong dự đoán độ tin cậy kết cấu và khả năng chịu tải của khung thép.
III. Phương Pháp Học Sâu Chẩn Đoán Phá Hủy Khung Thép 55 60
Luận văn này sử dụng ba kỹ thuật học sâu chính để chẩn đoán phá hủy khung thép: Mạng nơ-ron sâu (DNN), Tăng cường độ dốc cực cao (XGBoost) và mô hình học tập dữ liệu dạng bảng (TabNet). Các mô hình này được huấn luyện trên tập dữ liệu được tạo ra từ phân tích phi tuyến của khung thép. Mục tiêu là xây dựng các mô hình có khả năng dự đoán chính xác vị trí và mức độ hư hỏng (khớp dẻo) trong khung thép dưới tác dụng của tải trọng tĩnh. Việc so sánh hiệu suất của ba mô hình này sẽ giúp xác định phương pháp phù hợp nhất cho bài toán chẩn đoán kết cấu thép.
3.1. Mạng Nơ ron Sâu DNN trong Chẩn đoán kết cấu
Mạng nơ-ron sâu (DNN) là một trong những kiến trúc mạng nơ-ron phổ biến nhất, được sử dụng rộng rãi trong nhiều bài toán khác nhau, bao gồm cả chẩn đoán kết cấu. DNN có khả năng học các biểu diễn phức tạp của dữ liệu, cho phép nó phát hiện các mối quan hệ phi tuyến giữa các thông số đầu vào (ví dụ: tải trọng, chuyển vị) và đầu ra (ví dụ: vị trí khớp dẻo).
3.2. XGBoost và TabNet Các Phương Pháp Học Sâu Tiên Tiến
Ngoài DNN, luận văn còn khám phá các kỹ thuật học sâu tiên tiến hơn như XGBoost và TabNet. XGBoost là một thuật toán tăng cường độ dốc, nổi tiếng với khả năng đạt được độ chính xác cao trong nhiều bài toán phân loại và hồi quy. TabNet là một mô hình học tập theo bảng được thiết kế đặc biệt để xử lý dữ liệu dạng bảng, thường gặp trong các bài toán kỹ thuật.
3.3. Lựa chọn hàm kích hoạt và tối ưu hóa mô hình học sâu
Việc lựa chọn hàm kích hoạt phù hợp và tối ưu hóa các siêu tham số của mô hình là rất quan trọng để đạt được hiệu suất tốt nhất. Các hàm kích hoạt phổ biến bao gồm Sigmoid, Tanh và ReLU. Quá trình tối ưu hóa mô hình thường được thực hiện bằng các thuật toán như Adam hoặc SGD.
IV. Ứng Dụng Thực Tiễn Kết Quả Chẩn Đoán Khung Thép
Để đánh giá độ tin cậy của phương pháp đề xuất, luận văn trình bày các bài toán khảo sát trên khung thép hai tầng, sáu tầng và hai mươi tầng. Các kết quả cho thấy rằng khớp dẻo trong khung thép phi tuyến có thể được chẩn đoán trực tiếp bằng các kỹ thuật DL mà không cần sử dụng thuật toán lặp tăng dần trong phân tích phi tuyến. Mô hình TabNet thường cho kết quả tối ưu hơn về độ chính xác cũng như thời gian tính toán so với mô hình DNN và XGBoost.
4.1. Khảo sát độ tin cậy phương pháp trên khung thép nhiều tầng
Việc áp dụng phương pháp chẩn đoán bằng học sâu trên các khung thép có số tầng khác nhau (2, 6 và 20 tầng) giúp đánh giá khả năng tổng quát hóa của mô hình. Các bài toán khảo sát bao gồm cả trường hợp có và không có liên kết nửa cứng để đánh giá ảnh hưởng của yếu tố này đến độ chính xác của chẩn đoán.
4.2. So sánh hiệu suất các mô hình học sâu trong dự đoán hư hỏng
Kết quả từ các bài toán khảo sát cho thấy mô hình TabNet có xu hướng vượt trội so với DNN và XGBoost về độ chính xác và thời gian tính toán. Tuy nhiên, hiệu suất của mỗi mô hình có thể khác nhau tùy thuộc vào đặc điểm của từng bài toán cụ thể. Việc so sánh chi tiết kết quả của các mô hình sẽ giúp đưa ra lựa chọn phù hợp nhất cho ứng dụng thực tế.
4.3. Đánh giá kết quả chẩn đoán và xác định vị trí phá hủy
Kết quả chẩn đoán từ các mô hình học sâu được đánh giá dựa trên khả năng xác định chính xác vị trí và mức độ hư hỏng (khớp dẻo) trong khung thép. Việc trực quan hóa kết quả chẩn đoán giúp kỹ sư dễ dàng nhận biết các vị trí tiềm ẩn nguy cơ phá hủy và đưa ra các biện pháp can thiệp kịp thời.
V. Kết Luận Hướng Phát Triển Chẩn Đoán Phá Hủy
Luận văn đã chứng minh tiềm năng của học sâu trong chẩn đoán phá hủy khung thép phi tuyến. Phương pháp đề xuất có thể được sử dụng để phát hiện sớm các dấu hiệu hư hỏng, giúp nâng cao độ tin cậy kết cấu và kéo dài tuổi thọ công trình. Trong tương lai, nghiên cứu có thể được mở rộng để xem xét các yếu tố như ảnh hưởng môi trường, tải trọng gió, động đất và sử dụng chẩn đoán bằng hình ảnh để tăng cường tính chính xác và hiệu quả.
5.1. Tổng kết đóng góp và hạn chế của phương pháp
Luận văn đã đóng góp vào việc phát triển một phương pháp chẩn đoán tự động và hiệu quả cho khung thép phi tuyến dựa trên học sâu. Tuy nhiên, phương pháp này cũng có một số hạn chế, chẳng hạn như yêu cầu lượng dữ liệu lớn để huấn luyện mô hình và khả năng tổng quát hóa có thể bị ảnh hưởng bởi sự khác biệt giữa dữ liệu huấn luyện và dữ liệu thực tế.
5.2. Đề xuất hướng nghiên cứu tiếp theo
Các hướng nghiên cứu tiềm năng bao gồm: tích hợp thêm thông tin từ các nguồn khác nhau (ví dụ: dữ liệu cảm biến, kết quả kiểm tra không phá hủy), phát triển các mô hình học sâu mạnh mẽ hơn có khả năng xử lý dữ liệu nhiễu và không đầy đủ, và khám phá các ứng dụng của phương pháp trong các loại kết cấu khác nhau (ví dụ: cầu, nhà cao tầng).
5.3. Ứng dụng tiềm năng và tác động thực tế của nghiên cứu
Phương pháp chẩn đoán bằng học sâu có tiềm năng ứng dụng rộng rãi trong ngành xây dựng, giúp giảm thiểu chi phí bảo trì, nâng cao độ an toàn kết cấu và kéo dài tuổi thọ công trình. Ứng dụng phương pháp này sẽ giúp quản lý và vận hành kết cấu hiệu quả và bền vững.
