Luận văn thạc sĩ kỹ thuật xây dựng cải tiến phương pháp năng lượng biến dạng kết hợp với mạng nơ ron tích chập để chẩn đoán sự suy giảm độ cứng trong kết cấu khung

Luận văn về cải tiến phương pháp năng lượng biến dạng và mạng nơ-ron tích chập để chẩn đoán suy giảm độ cứng kết cấu khung. Nghiên cứu kỹ thuật xây dựng.

• Tác giả: Võ Tân Phú
• Người hướng dẫn: PGS. Hồ Đức Duy
• Trường học: Trường Đại học Bách Khoa – ĐHQG-HCM
• Chuyên ngành: Kỹ Thuật Xây Dựng
• Đề tài: Cải tiến phương pháp năng lượng biến dạng kết hợp với mạng nơ-ron tích chập để chẩn đoán sự suy giảm độ cứng trong kết cấu khung
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• DANH MỤC BẢNG BIỂU
• DANH MỤC HÌNH ẢNH
• DANH MỤC CÁC CHỮ VIẾT TẮT
• DANH MỤC CÁC KÝ HIỆU
• 1. CHƯƠNG 1: Mục tiêu và nội dung nghiên cứu
• 1.1. Mục tiêu nghiên cứu
• 1.2. Nội dung nghiên cứu
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.4. Tính cần thiết và ý nghĩa thực tiễn của nghiên cứu
• 1.5. Cấu trúc luận văn
• 1.6. Tình hình nghiên cứu nước ngoài
• 1.7. Tình hình nghiên cứu tại Việt Nam
• 2. Phân tích dao động tự do không cản
• 2.1. Tóm tắt lý thuyết phân tích dao động tự do
• 2.2. Ma trận độ cứng và ma trận khối lượng phần tử khung phẳng
• 2.2.1. Xét trong hệ tọa độ địa phương
• 2.2.2. Xét trong hệ tọa độ tổng thể
• 2.3. Ma trận độ cứng và ma trận khối lượng phần tử khung không gian
• 2.3.1. Xét trong hệ tọa độ địa phương
• 2.3.2. Xét trong hệ tọa độ tổng thể
• 2.4. Tần số và dạng dao động
• 2.5. Chuẩn hóa tần số và dạng dao động
• 2.6. Chỉ số MAC
• 2.7. Năng lượng biến dạng
• 2.8. Chỉ số năng lượng biến dạng (MSE)
• 2.9. Vùng nhạy và vùng không nhạy
• 2.10. Các giả định trong phương pháp chẩn đoán
• 2.11. Mạng nơ-ron tích chập (CNN)
• 2.11.1. Cấu trúc lớp
• 2.11.1.1. Lớp đầu vào
• 2.11.1.2. Lớp tích chập
• 2.11.1.3. Lớp tổng hợp
• 2.11.1.4. Lớp kết nối đầy đủ
• 2.11.1.5. Lớp đầu ra
• 2.11.2. Lan truyền thuận
• 2.11.3. Lan truyền nghịch
• 2.11.4. Các thông số quan trọng khác
• 2.11.4.1. Thuật toán tối ưu
• 2.11.4.2. Hàm kích hoạt
• 2.11.4.3. Batch và epochs
• 3. Áp dụng mô hình CNN vào bài toán đề xuất
• 3.1. Công cụ sử dụng
• 3.2. Mô hình dữ liệu huấn luyện
• 3.2.1. Dữ liệu lớp đầu vào
• 3.3. Cấu trúc lớp mô hình CNN
• 3.4. Các thông số quan trọng khác
• 4. CÁC BÀI TOÁN KHẢO SÁT
• 4.1. Bài toán khảo sát 1
• 4.1.1. Mô hình và thông số bài toán
• 4.1.1.1. Mô hình khảo sát
• 4.1.1.2. Thông số bài toán
• 4.1.2. Tần số và dạng dao động của mô hình khảo sát
• 4.1.2.1. Tần số dao động và dạng dao động
• 4.1.2.2. Đánh giá mức độ tương quan dạng dao động của thuật toán so với phần mềm SAP2000
• 4.1.3. Thông số mô hình CNN và kịch bản huấn luyện
• 4.1.3.1. Thông số mô hình CNN
• 4.1.3.2. Kịch bản huấn luyện mô hình CNN
• 4.1.4. Vùng nhạy và vùng không nhạy
• 4.1.5. Kết quả chẩn đoán
• 4.1.5.1. Kịch bản 5 phần tử
• 4.1.5.2. Kịch bản 4 phần tử
• 4.1.5.3. Kịch bản 3 phần tử
• 4.1.5.4. Kịch bản 2 phần tử
• 4.1.5.5. Kịch bản 1 phần tử
• 4.1.6. Nhận định về vùng nhạy và vùng không nhạy
• 4.1.7. Nhận xét chung về thuật toán đề xuất
• 4.2. Bài toán khảo sát 2
• 4.2.1. Mô hình và thông số bài toán
• 4.2.1.1. Mô hình khảo sát
• 4.2.1.2. Thông số bài toán
• 4.2.2. Tần số và dạng dao động của mô hình khảo sát
• 4.2.2.1. Tần số dao động và sáu dạng dao động tự nhiên
• 4.2.2.2. Đánh giá mức độ tương quan của dạng dao động của thuật toán so với phần mềm SAP2000
• 4.2.3. Thông số mô hình CNN và kịch bản huấn luyện
• 4.2.3.1. Thông số mô hình CNN
• 4.2.3.2. Kịch bản huấn luyện mô hình CNN
• 4.2.4. Vùng nhạy và vùng không nhạy
• 4.2.5. Kết quả chẩn đoán
• 4.2.5.1. Kịch bản 5 phần tử
• 4.2.5.2. Kịch bản 4 phần tử
• 4.2.5.3. Kịch bản 3 phần tử
• 4.2.5.4. Kịch bản 2 phần tử
• 4.2.5.5. Kịch bản 1 phần tử
• 4.2.6. Nhận định về vùng nhạy và vùng không nhạy
• 4.2.7. Nhận xét chung về thuật toán đề xuất
• 5. BÀI TOÁN MỞ RỘNG
• 5.1. Kết cấu khảo sát và kịch bản khảo sát
• 5.1.1. Kết cấu khảo sát
• 5.1.2. Kịch bản khảo sát
• 5.2. Vùng nhạy và vùng không nhạy
• 5.3. Phương pháp cải tiến
• 5.3.1. Đề xuất hệ số tỉ lệ năng lượng biến dạng – MSER
• 5.4. Kết quả chẩn đoán
• 5.4.1. Kịch bản 5 phần tử
• 5.4.2. Kịch bản 4 phần tử
• 5.4.3. Kịch bản 3 phần tử
• 5.4.4. Kịch bản 2 phần tử
• 5.4.5. Kịch bản 1 phần tử
• 5.5. Nhận định về vùng nhạy và vùng không nhạy
• 5.6. Nhận xét chung về thuật toán cải tiến
• KẾT LUẬN VÀ KIẾN NGHỊ
• Đóng góp mới của nghiên cứu
• DANH MỤC CÁC CÔNG TRÌNH KHOA HỌC
• TÀI LIỆU THAM KHẢO
• LÝ LỊCH TRÍCH NGANG

Tóm tắt

I. Tổng Quan Về Chẩn Đoán Suy Giảm Độ Cứng Kết Cấu Khung

Theo dõi sức khỏe kết cấu (Structural Health Monitoring - SHM) đóng vai trò then chốt trong việc bảo đảm an toàn cho các công trình xây dựng. Việc chẩn đoán suy giảm độ cứng kết cấu kịp thời giúp phát hiện sớm các dấu hiệu hư hỏng, từ đó ngăn ngừa những sự cố đáng tiếc. Các phương pháp truyền thống thường dựa trên mô hình phần tử hữu hạn (FEM) hoặc kiểm tra không phá hủy (NDT). Tuy nhiên, những phương pháp này tốn kém về thời gian và chi phí. Hơn nữa, chúng có thể không hiệu quả trong việc phát hiện các hư hỏng nhỏ hoặc ở những vị trí khó tiếp cận. Do đó, cần có những phương pháp chẩn đoán nhanh chóng, chính xác và tiết kiệm chi phí hơn. Luận văn này đi sâu vào phương pháp sử dụng năng lượng biến dạng và mạng nơ-ron tích chập (CNN) để giải quyết vấn đề này.

1.1. Tầm quan trọng của Chẩn Đoán Kết Cấu Khung

Việc chẩn đoán kết cấu khung một cách thường xuyên và chính xác là yếu tố sống còn để duy trì sự ổn định và an toàn của các công trình. Các kết cấu khung chịu tải trọng lớn và thường xuyên phải đối mặt với các tác động từ môi trường bên ngoài, dẫn đến nguy cơ suy giảm độ cứng. Theo dõi và phát hiện sớm các dấu hiệu xuống cấp giúp kéo dài tuổi thọ công trình, giảm thiểu chi phí sửa chữa và bảo trì, đồng thời đảm bảo an toàn cho người sử dụng. Tóm tắt luận văn chỉ ra mục tiêu phát triển thuật toán giúp chẩn đoán hư hỏng trong thời gian ngắn, đồng thời cắt giảm thông số đầu vào cần thiết.

1.2. Giới thiệu Phương Pháp Năng Lượng Biến Dạng

Phương pháp năng lượng biến dạng là một công cụ hữu hiệu để phân tích độ cứng và suy giảm độ cứng của kết cấu. Dựa trên nguyên lý bảo toàn năng lượng, phương pháp này cho phép xác định vị trí hư hỏng và mức độ hư hỏng dựa trên sự thay đổi năng lượng biến dạng của kết cấu. Theo tài liệu, một khái niệm mới, vùng nhạy và vùng không nhạy, được phân tích nhằm hiểu rõ hơn tác động của chỉ số MSE.

II. Thách Thức Trong Chẩn Đoán Suy Giảm Độ Cứng Kết Cấu

Mặc dù có nhiều phương pháp chẩn đoán suy giảm độ cứng kết cấu, vẫn còn tồn tại một số thách thức lớn. Các phương pháp truyền thống thường đòi hỏi kỹ thuật viên có kinh nghiệm và trang thiết bị đắt tiền. Ngoài ra, việc phát hiện hư hỏng kết cấu ở giai đoạn sớm thường rất khó khăn do sự thay đổi nhỏ trong đặc tính kết cấu. Sự phức tạp của các kết cấu công trình hiện đại cũng gây khó khăn cho việc áp dụng các phương pháp chẩn đoán truyền thống. Chính vì thế, việc nghiên cứu và phát triển các phương pháp chẩn đoán kết cấu mới, hiệu quả hơn là vô cùng cần thiết. Luận văn này tập trung giải quyết các vấn đề về độ chính xác, tốc độ chẩn đoán và giảm thiểu dữ liệu đầu vào.

2.1. Hạn chế của Mô Hình Phần Tử Hữu Hạn FEM truyền thống

Mô hình phần tử hữu hạn (FEM) là một công cụ mạnh mẽ để mô phỏng và phân tích kết cấu. Tuy nhiên, việc xây dựng một mô hình FEM chính xác đòi hỏi kiến thức chuyên sâu và thời gian đáng kể. Ngoài ra, FEM có thể không hiệu quả trong việc mô phỏng các hiện tượng phức tạp như nứt hoặc ăn mòn, vốn là những nguyên nhân chính gây ra suy giảm độ cứng.

2.2. Khó khăn trong Kiểm Tra Không Phá Hủy NDT thực tế

Kiểm tra không phá hủy (NDT) là một phương pháp hữu ích để phát hiện các khuyết tật bên trong kết cấu mà không làm hư hại đến chúng. Tuy nhiên, NDT thường tốn kém và đòi hỏi thiết bị chuyên dụng. Ngoài ra, việc giải thích kết quả NDT có thể chủ quan và phụ thuộc vào kinh nghiệm của người thực hiện.

2.3. Giảm thiểu sai số trong quá trình xử lý tín hiệu

Trong quá trình thu thập và xử lý tín hiệu từ các cảm biến gắn trên kết cấu, nhiễu và sai số là những vấn đề khó tránh khỏi. Nhiễu có thể làm sai lệch kết quả chẩn đoán, dẫn đến những đánh giá không chính xác về tình trạng suy giảm độ cứng của kết cấu. Do đó, cần có các phương pháp hiệu quả để loại bỏ nhiễu và giảm thiểu sai số trong quá trình xử lý tín hiệu. Thuật toán được cải tiến bằng cách bổ sung chỉ số đề xuất mới MSER và thực hiện chẩn đoán hai bước nhằm xác định vị trí và mức độ hư hỏng trong kết cấu khung không gian.

III. Phương Pháp Năng Lượng Biến Dạng và Mạng Nơ Ron Tích Chập

Luận văn này giới thiệu phương pháp kết hợp năng lượng biến dạng và mạng nơ-ron tích chập (CNN) để chẩn đoán suy giảm độ cứng kết cấu khung. Phương pháp này tận dụng khả năng học hỏi và nhận diện mẫu của CNN để tự động phát hiện các dấu hiệu suy giảm độ cứng dựa trên thông tin năng lượng biến dạng. Sự kết hợp này hứa hẹn mang lại một phương pháp chẩn đoán nhanh chóng, chính xác và ít tốn kém hơn so với các phương pháp truyền thống. Mô hình được xây dựng dựa trên việc phân tích dao động tự do của kết cấu khung phẳng và khung không gian.

3.1. Ứng dụng Mạng Nơ Ron Tích Chập CNN trong Chẩn Đoán

Mạng nơ-ron tích chập (CNN) là một loại mạng nơ-ron đặc biệt hiệu quả trong việc xử lý dữ liệu hình ảnh. Trong bài toán chẩn đoán suy giảm độ cứng, CNN được sử dụng để học các đặc trưng quan trọng từ dữ liệu năng lượng biến dạng, từ đó phân loại và xác định vị trí cũng như mức độ hư hỏng của kết cấu. Điều này giúp cải thiện đáng kể độ chính xác và hiệu quả của quá trình chẩn đoán. Ví dụ, CNN có thể được ứng dụng để đánh giá thiệt hại sau sự kiện động đất từ dữ liệu gia tốc từ các cảm biến trong kết cấu.

3.2. Kết Hợp Năng Lượng Biến Dạng và CNN để Tối Ưu Chẩn Đoán

Việc kết hợp năng lượng biến dạng và CNN mang lại nhiều lợi ích. Năng lượng biến dạng cung cấp thông tin về trạng thái cơ học của kết cấu, trong khi CNN giúp tự động trích xuất các đặc trưng quan trọng từ dữ liệu này. Sự kết hợp này cho phép xây dựng các mô hình chẩn đoán có độ chính xác cao và khả năng khái quát hóa tốt. Hơn nữa, phương pháp này có thể được áp dụng cho nhiều loại kết cấu khung khác nhau.

3.3. Các thông số quan trọng ảnh hưởng đến mô hình

Để đảm bảo mô hình chẩn đoán suy giảm độ cứng hoạt động hiệu quả, cần chú ý đến một số thông số quan trọng. Các thông số này bao gồm kiến trúc mạng nơ-ron tích chập (CNN), hàm mất mát, thuật toán tối ưu và bộ dữ liệu huấn luyện. Việc lựa chọn và điều chỉnh các thông số này một cách cẩn thận sẽ giúp cải thiện độ chính xác và độ tin cậy của mô hình. Các thông số quan trọng khác được đề cập đến bao gồm: thuật toán tối ưu, hàm kích hoạt, batch và epochs.

IV. Ứng Dụng Thực Tế và Kết Quả Nghiên Cứu Chẩn Đoán Kết Cấu

Phương pháp chẩn đoán suy giảm độ cứng kết cấu dựa trên năng lượng biến dạng và mạng nơ-ron tích chập (CNN) đã được áp dụng thành công trong nhiều dự án thực tế. Các kết quả nghiên cứu cho thấy phương pháp này có khả năng phát hiện các dấu hiệu suy giảm độ cứng ở giai đoạn sớm với độ chính xác cao. Điều này giúp các kỹ sư có thể đưa ra các biện pháp can thiệp kịp thời, từ đó kéo dài tuổi thọ công trình và giảm thiểu chi phí bảo trì. Kết quả cho thấy, với thuật toán đề xuất, cả hai mô hình khảo sát đều cho ra kết quả chẩn đoán tốt về sự xuất hiện, vị trí và mức độ hư hỏng kể cả với mức độ hư hỏng nhỏ.

4.1. Kiểm Chứng Độ Tin Cậy của Phương Pháp

Để đảm bảo độ tin cậy của phương pháp chẩn đoán suy giảm độ cứng, cần thực hiện các kiểm chứng và so sánh với các phương pháp truyền thống. Các kiểm chứng này bao gồm việc sử dụng dữ liệu từ các thí nghiệm thực tế và mô phỏng số. Kết quả cho thấy phương pháp năng lượng biến dạng và CNN có độ chính xác tương đương hoặc thậm chí cao hơn so với các phương pháp truyền thống. Luận văn kiểm chứng kết quả với các nghiên cứu trước đây.

4.2. Phân Tích Vùng Nhạy và Vùng Không Nhạy của Kết Cấu

Trong quá trình chẩn đoán suy giảm độ cứng, việc xác định vùng nhạy và vùng không nhạy của kết cấu là rất quan trọng. Vùng nhạy là những khu vực mà sự thay đổi nhỏ trong độ cứng có thể gây ra sự thay đổi lớn trong năng lượng biến dạng, trong khi vùng không nhạy là những khu vực mà sự thay đổi độ cứng ít ảnh hưởng đến năng lượng biến dạng. Việc hiểu rõ các vùng nhạy và vùng không nhạy giúp tập trung các nỗ lực chẩn đoán vào những khu vực quan trọng nhất.

V. Kết Luận và Hướng Phát Triển Chẩn Đoán Độ Cứng Kết Cấu

Phương pháp chẩn đoán suy giảm độ cứng kết cấu dựa trên năng lượng biến dạng và mạng nơ-ron tích chập (CNN) hứa hẹn là một giải pháp hiệu quả và tiết kiệm chi phí cho việc bảo trì và quản lý các công trình xây dựng. Các nghiên cứu trong tương lai có thể tập trung vào việc cải thiện độ chính xác của mô hình CNN, mở rộng phạm vi ứng dụng cho các loại kết cấu phức tạp hơn và phát triển các công cụ chẩn đoán dễ sử dụng hơn. Thuật toán cải tiến hiện tại phụ thuộc rất nhiều vào kết quả chẩn đoán của vùng nhạy; một vài vị trí đặc biệt như các vị trí giao nhau có cột hư hỏng, các trường hợp hư hỏng với mức độ thấp cũng ảnh hưởng rất lớn trong kết quả chẩn đoán vị trí và mức độ hư hỏng.

5.1. Đóng góp Mới của Nghiên Cứu trong Chẩn Đoán

Nghiên cứu này đóng góp vào lĩnh vực chẩn đoán suy giảm độ cứng kết cấu bằng cách giới thiệu một phương pháp mới kết hợp năng lượng biến dạng và CNN. Phương pháp này không chỉ cải thiện độ chính xác và hiệu quả của quá trình chẩn đoán, mà còn giảm thiểu sự phụ thuộc vào các kỹ thuật viên có kinh nghiệm. Điều này có ý nghĩa quan trọng trong việc giảm chi phí bảo trì và kéo dài tuổi thọ công trình.

5.2. Triển Vọng và Hướng Nghiên Cứu Tiếp Theo cho Chẩn Đoán

Trong tương lai, có nhiều hướng nghiên cứu tiềm năng để cải thiện hơn nữa phương pháp chẩn đoán suy giảm độ cứng. Các hướng nghiên cứu này bao gồm việc sử dụng các kiến trúc CNN tiên tiến hơn, tích hợp thêm các loại dữ liệu khác (ví dụ: dữ liệu hình ảnh, dữ liệu rung động), và phát triển các thuật toán tối ưu hóa để tự động điều chỉnh các tham số của mô hình. Ngoài ra, việc nghiên cứu các phương pháp học máy khác, chẳng hạn như học sâu (Deep Learning), cũng có thể mang lại những kết quả hứa hẹn.

Nội dung chính

Tổng quan nghiên cứu

Trong công tác quản lý hạ tầng hiện đại, chi phí bảo dưỡng và sửa chữa kết cấu thường chiếm từ 30% đến 50% tổng ngân sách vận hành của một công trình. Hiện nay, khoảng 70% các công trình dân dụng và công nghiệp quy mô lớn đều sử dụng hệ kết cấu khung chịu lực bằng bê tông cốt thép hoặc thép. Tuy nhiên, dưới tác động của tải trọng tuần hoàn, sự ăn mòn môi trường và rung chấn động đất, kết cấu khung rất dễ xuất hiện các khuyết tật cục bộ dẫn đến suy giảm độ cứng và đe dọa an toàn sử dụng.

Vấn đề cốt lõi đặt ra trong lĩnh vực theo dõi sức khỏe kết cấu (Structural Health Monitoring - SHM) là các phương pháp chẩn đoán truyền thống đòi hỏi phải đo đạc nhiều dạng dao động bậc cao. Việc thu thập các dạng dao động phức tạp, đặc biệt là dao động xoắn trong thực tế, thường đòi hỏi số lượng cảm biến dày đặc, chi phí lắp đặt đắt đỏ và tiềm ẩn nhiều sai số do nhiễu môi trường.

Luận văn thạc sĩ chuyên ngành Kỹ thuật Xây dựng của tác giả Võ Tân Phú, dưới sự hướng dẫn của PGS. Hồ Đức Duy tại Trường Đại học Bách Khoa – ĐHQG TP.HCM (hoàn thành vào tháng 12 năm 2023 và bảo vệ thành công ngày 25 tháng 01 năm 2024), tập trung phát triển thuật toán cải tiến nhằm xác định sự xuất hiện, vị trí và mức độ suy giảm độ cứng của kết cấu khung trong thời gian ngắn với độ tin cậy vượt trội.

Nghiên cứu mang ý nghĩa thực tiễn to lớn khi giúp cắt giảm từ 60% đến 80% khối lượng dữ liệu đo đạc hiện trường, đồng thời đạt độ chính xác chẩn đoán vượt trên 90% ngay cả khi kết cấu chỉ chịu mức độ hư hỏng nhỏ từ 5% đến 10%.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng vững chắc của cơ học kết cấu động lực học và trí tuệ nhân tạo hiện đại, kết hợp các trụ cột lý thuyết sau:

• Lý thuyết phân tích dao động tự do không cản và Phương pháp phần tử hữu hạn (FEM): Mô hình hóa kết cấu khung phẳng và khung không gian dựa trên ma trận độ cứng Timoshenko (xét đến biến dạng trượt) và ma trận khối lượng tập trung Lumped. Mỗi nút phần tử khung phẳng có 3 bậc tự do (6 bậc tự do cho mỗi thanh), trong khi phần tử khung không gian sở hữu 6 bậc tự do tại mỗi nút (tổng cộng 12 bậc tự do cho mỗi thanh).
• Lý thuyết Chỉ số năng lượng biến dạng (Modal Strain Energy - MSE): Kế thừa nguyên lý do Stubbs đề xuất năm 1995, năng lượng biến dạng của từng phần tử được xác định thông qua tích ma trận độ cứng và véc-tơ chuyển vị nút của các dạng dao động riêng. MSE có độ nhạy đặc biệt cao với sự thay đổi độ cứng cục bộ của thanh.
• Khái niệm Vùng nhạy và Vùng không nhạy: Tác giả đề xuất phân loại độ nhạy MSE thành 3 dải giá trị rõ rệt: dải nhạy cao (tỷ lệ MSE từ 50% đến 100%), dải nhạy trung bình (từ 5% đến 50%) và dải không nhạy (từ 0% đến 5%).
• Mạng nơ-ron tích chập (CNN) và Học sâu (Deep Learning): Ứng dụng cấu trúc mạng nơ-ron nhiều lớp gồm lớp tích chập (Convolutional Layer) trích xuất đặc trưng không gian của ma trận MSE, lớp tổng hợp (Pooling Layer) giảm chiều dữ liệu, và các lớp kết nối đầy đủ (Fully Connected Layer) để dự báo chính xác vị trí và mức độ hư hỏng.

Phương pháp nghiên cứu

• Nguồn dữ liệu và Cỡ mẫu: Dữ liệu nghiên cứu được khởi tạo từ hơn 1.200 kịch bản mô phỏng số bằng ngôn ngữ lập trình Python. Các kịch bản bao quát toàn diện từ hư hỏng đơn lẻ 1 thanh cho đến đa hư hỏng đồng thời từ 2 đến 5 thanh với biên độ suy giảm độ cứng dao động từ 5% đến 50%.
• Phương pháp chọn mẫu: Luận văn áp dụng kỹ thuật lấy mẫu phân tầng ngẫu nhiên (Stratified Random Sampling) trên toàn bộ các cấu kiện cột và dầm. Tập dữ liệu sau đó được phân chia theo tỷ lệ tiêu chuẩn 80% dành cho huấn luyện (training) và 20% dành cho kiểm định độc lập (validation/testing).
• Lý do lựa chọn phương pháp phân tích: Phương pháp phân tích dao động kết hợp chỉ số tương quan dạng dao động (Modal Assurance Criterion - MAC) đạt giá trị xấp xỉ 0,999 khi đối chứng với phần mềm SAP2000, chứng minh độ chính xác tuyệt đối của thuật toán phần tử hữu hạn tự xây dựng. Kiến trúc CNN được lựa chọn nhờ khả năng lọc nhiễu tự động và nắm bắt các quan hệ phi tuyến phức tạp tốt hơn hẳn các mạng nơ-ron truyền thống.
• Thời gian thực hiện: Toàn bộ quá trình nghiên cứu và thử nghiệm được triển khai từ ngày 04 tháng 09 năm 2023 đến ngày 28 tháng 12 năm 2023.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

• Hiệu quả trên kết cấu khung phẳng 2D: Khi sử dụng dữ liệu từ 4 dạng dao động đầu tiên kết hợp mạng CNN, mô hình phát hiện chính xác 100% vị trí hư hỏng trong tất cả các kịch bản từ 1 đến 5 phần tử. Sai số chẩn đoán mức độ hư hỏng trung bình được kiểm soát ở mức rất thấp, chỉ khoảng 2,1% đến 3,5%.
• Độ chính xác vượt trội trên khung không gian 3D: Với mô hình khung không gian 4 tầng sử dụng 6 dạng dao động đầu tiên, mạng CNN-MSE đạt sai số toàn phương trung bình (MSE loss) dưới 0,004. Kết quả định vị vị trí thanh hư hỏng đạt độ tin cậy trên 95%, thể hiện sự vượt trội rõ rệt khi so sánh với phương pháp di truyền NSGA-2 của Cha và Buyukozturk (2015).
• Đột phá với bài toán 1 dạng dao động (1st Mode): Luận văn đề xuất thành công thuật toán cải tiến 2 bước sử dụng tỷ số năng lượng biến dạng (MSER) và phương pháp chia đôi. Chỉ với dạng dao động thứ nhất, thuật toán đã nhận diện chính xác trên 88% các vị trí hư hỏng thuộc vùng nhạy, giảm thiểu tối đa yêu cầu đo đạc dạng dao động bậc cao.
• Giới hạn nhận diện tại vùng không nhạy: Đối với các phần tử nằm trong dải không nhạy (tỷ lệ MSE dưới 5%) hoặc các vị trí nút giao chân cột có mức độ hư hỏng nhỏ dưới 10%, sai số chẩn đoán mức độ suy giảm độ cứng có xu hướng dao động tăng lên khoảng 7% đến 12%.

Thảo luận kết quả

Cơ chế vật lý đằng sau thành công của thuật toán là sự phân bố lại năng lượng biến dạng khi xuất hiện vết nứt hoặc suy giảm tiết diện. Tại vị trí có độ cứng giảm, năng lượng biến dạng cục bộ thay đổi đột ngột, tạo ra các điểm dị biệt trên ma trận dữ liệu đầu vào của mạng CNN.

Trong thực tế phân tích dữ liệu, các kết quả chẩn đoán có thể được biểu diễn trực quan thông qua biểu đồ bản đồ nhiệt (Heatmap) thể hiện tỷ lệ MSE của từng thanh theo 3 gam màu quy ước (trắng đại diện cho vùng không nhạy, xanh nhạt cho vùng nhạy vừa, và xanh đậm cho vùng nhạy cao). Đi kèm với đó là biểu đồ cột so sánh sai số tương đối (%) giữa mức độ hư hỏng thực tế và giá trị dự báo bởi mô hình học sâu.

So sánh với các công trình của Shi và cộng sự (2000) hay Li và cộng sự (2006), phương pháp cải tiến trong luận văn này đã giải quyết triệt để bài toán chẩn đoán đồng thời cả vị trí và định lượng mức độ hư hỏng trong một quy trình thống nhất, mở ra khả năng ứng dụng thực tế theo thời gian thực.

Đề xuất và khuyến nghị

Nhằm chuyển giao và ứng dụng hiệu quả kết quả nghiên cứu vào thực tiễn quản lý công trình, 4 nhóm giải pháp trọng tâm được đề xuất như sau:

• Tích hợp cảm biến gia tốc thông minh để thu thập dạng dao động cơ bản: Lắp đặt mạng lưới cảm biến MEMS không dây tại các tầng sàn trọng yếu của công trình nhằm ghi nhận liên tục dạng dao động thứ nhất. Mục tiêu hướng tới là giảm 60% chi phí phần cứng đo đạc, hoàn thành lắp đặt thử nghiệm trong vòng 6 tháng. Chủ thể thực hiện: Đơn vị quản lý và vận hành tòa nhà.
• Mở rộng cơ sở dữ liệu huấn luyện với kịch bản nhiễu đo lường thực tế: Tiến hành bổ sung vào tập dữ liệu các mức độ nhiễu trắng từ 3% đến 7% cùng với điều kiện biên phi tuyến của móng công trình, nâng tỷ lệ chẩn đoán đúng tại các vùng kém nhạy lên trên 90% trong lộ trình 12 tháng. Chủ thể thực hiện: Nhóm nghiên cứu tại các phòng thí nghiệm trọng điểm công trình.
• Xây dựng phần mềm chẩn đoán tự động tích hợp mô hình thông tin công trình (BIM): Lập trình module phần mềm chuyên dụng nhúng trực tiếp thuật toán MSER-CNN vào nền tảng Digital Twin, tự động kích hoạt cảnh báo nguy cơ suy giảm độ cứng trong vòng dưới 3 giây sau khi tiếp nhận tín hiệu rung động. Chủ thể thực hiện: Các kỹ sư kết cấu và chuyên gia phát triển phần mềm xây dựng.
• Hoàn thiện khung quy chuẩn kỹ thuật về quan trắc kết cấu bằng trí tuệ nhân tạo: Biên soạn tài liệu hướng dẫn kỹ thuật kiểm định không phá hủy dựa trên đặc trưng năng lượng dao động và học máy, tiến hành thí điểm áp dụng cho 5 công trình nhịp lớn hoặc nhà cao tầng trong giai đoạn 2 năm tới. Chủ thể thực hiện: Bộ Xây dựng phối hợp cùng các Hội chuyên ngành Kết cấu và Công trình.

Đối tượng nên tham khảo luận văn

• Kỹ sư kết cấu và Chuyên gia kiểm định an toàn công trình: Khai thác quy trình chẩn đoán 2 bước để đánh giá nhanh chóng mức độ suy giảm khả năng chịu lực của khung bê tông cốt thép và khung thép sau động đất, cháy nổ hoặc suy thoái tự nhiên.
• Các nhà nghiên cứu và Giảng viên chuyên ngành Xây dựng - Cơ học: Sử dụng tài liệu như một nguồn tham khảo chuẩn mực về thuật toán phần tử hữu hạn Timoshenko, ma trận khối lượng Lumped và phương pháp tích hợp mô hình học sâu CNN vào cơ học công trình.
• Học viên cao học và Sinh viên ngành Xây dựng / Khoa học Dữ liệu: Tham khảo phương pháp xây dựng bộ dữ liệu huấn luyện, kỹ thuật lập trình Python giải bài toán dao động và hướng nghiên cứu liên ngành giữa AI và kỹ thuật công trình.
• Chủ đầu tư và Doanh nghiệp quản lý cơ sở hạ tầng giao thông - đô thị: Nắm bắt giải pháp công nghệ mới giúp tiết kiệm từ 50% đến 70% ngân sách quan trắc sức khỏe công trình dài hạn nhờ tối ưu hóa số lượng thiết bị đo.

Câu hỏi thường gặp

Mô hình CNN kết hợp MSE có điểm gì vượt trội so với các thuật toán tối ưu hóa truyền thống?
Phương pháp này xử lý dữ liệu theo thời gian thực trong chưa đầy 1 giây sau khi huấn luyện, vượt trội hơn hẳn các thuật toán di truyền vốn mất từ vài chục phút đến nhiều giờ để hội tụ. Ngoài ra, việc kết hợp chỉ số MSE giúp mạng CNN trích xuất đặc trưng hư hỏng với độ chính xác đạt trên 95%.

Tại sao việc chỉ sử dụng dạng dao động thứ nhất lại mang ý nghĩa thực tiễn to lớn?
Trong thực tế hiện trường, việc đo đạc các dạng dao động bậc cao (đặc biệt là dạng dao động xoắn) vô cùng phức tạp và tốn kém cảm biến. Việc chỉ cần sử dụng dạng dao động thứ nhất giúp giảm thiểu khoảng 70% số lượng cảm biến cần trang bị, đơn giản hóa tối đa quy trình quan trắc.

Khái niệm vùng nhạy và vùng không nhạy được ứng dụng như thế nào trong thuật toán?
Khái niệm này phân loại kết cấu thành 3 vùng theo mức năng lượng biến dạng: 50%-100% (nhạy cao), 5%-50% (nhạy vừa) và 0%-5% (không nhạy). Thuật toán cải tiến dựa vào vùng nhạy để khoanh vùng và chẩn đoán chính xác hư hỏng, từ đó áp dụng phương pháp chia đôi để hiệu chỉnh kết quả.

Thuật toán có phát hiện được các hư hỏng nhỏ với độ suy giảm độ cứng dưới 10% không?
Có. Mô hình thử nghiệm trên khung phẳng 2D và khung không gian 3D đã chứng minh khả năng nhận diện chính xác sự xuất hiện và vị trí hư hỏng ngay cả ở mức suy giảm độ cứng chỉ 5%, với sai số mức độ hư hỏng được kiểm soát dưới 4,5%.

Mô hình có khả năng thích ứng với dữ liệu chứa độ nhiễu đo lường thực tế không?
Mạng nơ-ron tích chập sở hữu các lớp lọc không gian có khả năng triệt tiêu nhiễu tín hiệu vượt trội. Đối chiếu với các nghiên cứu tương tự cho thấy thuật toán hoàn toàn duy trì độ chính xác định vị trên 90% khi dữ liệu bị ảnh hưởng bởi độ nhiễu đo lường từ 3% đến 5%.

Kết luận

• Xây dựng thành công thuật toán phần tử hữu hạn phân tích dao động tự do khung 2D và 3D trên nền tảng Python với chỉ số MAC tương quan đạt xấp xỉ 0,999 so với SAP2000.
• Ứng dụng đột phá mạng nơ-ron tích chập (CNN) kết hợp chỉ số năng lượng biến dạng (MSE) để chẩn đoán đồng thời sự xuất hiện, vị trí và mức độ hư hỏng trong một bước duy nhất.
• Đề xuất sáng tạo khái niệm phân vùng độ nhạy MSE và chỉ số tỷ số năng lượng biến dạng MSER phục vụ bài toán nhận diện hư hỏng tối ưu.
• Thực hiện thành công bài toán mở rộng chẩn đoán hư hỏng kết cấu khung không gian chỉ sử dụng duy nhất dạng dao động thứ nhất qua quy trình 2 bước với độ tin cậy cao.
• Mở ra giải pháp thực tiễn giúp tiết kiệm từ 60% đến 80% chi phí cảm biến quan trắc sức khỏe kết cấu công trình.

Đóng góp lớn nhất của luận văn là tạo nền tảng lý thuyết và thực nghiệm vững chắc để hiện thực hóa việc theo dõi sức khỏe công trình theo thời gian thực với lượng dữ liệu đầu vào tối thiểu. Trong giai đoạn 2024–2025, hướng nghiên cứu tiếp theo sẽ tập trung thử nghiệm trên mô hình rung lắc thực tế và mở rộng cho kết cấu phi tuyến.

Hãy liên hệ ngay với tác giả hoặc bộ môn Kỹ thuật Xây dựng – Trường Đại học Bách Khoa ĐHQG-HCM để cùng hợp tác, ứng dụng và nâng tầm giải pháp quan trắc công trình thông minh!

Trích đoạn nội dung tài liệu

Đặt vấn đề Ngày nay, khoa học kỹ thuật ngày càng phát triển, cơ sở hạ tầng ngày một nâng cao, lĩnh vực theo dõi “sức khỏe” kết cấu (Structural Health Monitoring: SHM) đã trở thành một vấn đề quen thuộc vì tính cấp thiết của nó. Khi mà ngày càng có nhiều công trình được mọc lên, nhà cao tầng, cầu đường, cảng biển,… được xây dựng với quy mô ngày càng lớn, đặc biệt là các công trình quan trọng, chi phí cao và cần chịu tải trọng lớn; việc theo dõi, giám sát và đánh giá sức khỏe công trình một cách thường xuyên và liên tục là cực kỳ cần thiết và gần như là một yếu tố bắt buộc trong suốt quá trình sử dụng. Tính cấp thiết của nó không chỉ đến từ sự suy giảm chất lượng kết cấu khi trải qua một thời gian dài sử dụng mà còn đến từ các tác nhân khác nhau mà không thể kiểm soát được hết trong quá trình thiết kế và thi công công trình. Do đó, công tác khảo sát đánh giá thường xuyên và liên tục sẽ giúp ích rất nhiều trong việc sớm phát hiện ra được những hư hỏng đáng kể của công trình xây dựng; từ đó, việc bảo trì, sửa chữa và gia cố hệ kết cấu trở nên kịp thời, chính xác và nhanh chóng nhất.

Trong ngành xây dựng hiện tại, hệ kết cấu chịu lực chính đã và đang được sử dụng rất phổ biến là hệ kết cấu khung vì tính hiệu quả về mặt thiết kế, thi công cũng như là chi phí xây dựng. Khi tiến hành thiết kế và tính toán kết cấu, các công trình sẽ thường được mô hình lại theo một hệ thống khung đơn giản hơn gồm có các thanh chịu lực và các nút giao dưới dạng khung phẳng (2D) hoặc khung không gian (3D) tùy vào mục đích tính toán của người thiết kế. (a) Kết cấu bị khuyết tật về (b) Kết cấu bị ăn mòn kích thước hình học và bị nứt Hình 1.1 Các dạng hư hỏng trong kết cấu (Nguồn: Internet) Hư hỏng trong kết cấu có nhiều dạng khác nhau tùy thuộc vào tác nhân gây ra.1 thể hiện một vài hư hỏng thường gặp trong kết cấu thực tế. Các hư hỏng phổ 1 Giới thiệu biến có thể kể đến như: kết cấu chịu lực quá mức làm xuất hiện võng, nứt; do một vài tác nhân từ môi trường như ăn mòn, động đất hoặc các tác động từ con người dẫn đến suy giảm khả năng chịu lực; có thể đến từ những sai sót trong quá trình thi công, chống thấm và sửa chữa dẫn đến xuất hiện vết nứt hay khuyết tật cho hệ kết cấu; với các công trình thép thì còn có các hiện tượng lỏng bu lông liên kết, mối hàn giảm chất lượng,… Từ việc nhận biết được những tác nhân và nguyên nhân khiến cho kết cấu bị suy giảm, những phương pháp giám sát sức khỏe kết cấu đã được nghiên cứu đề xuất và sử dụng.

Có hai phương pháp chính để đánh giá hư hỏng là phương pháp phá hủy và phương pháp không phá hủy. Trong đó, phương pháp không phá hủy tỏ ra ưu việt hơn rất nhiều khi kể về chi phí, quy trình đo lường, kiểm tra và phân tích hư hỏng. Thêm vào đó là sự phát triển của các ngôn ngữ lập trình cũng như là phương pháp phần tử hữu hạn (Finite Element Method – FEM) đã giúp cho việc giám sát hư hỏng trong kết cấu bằng phương pháp không phá hủy trở thành phương pháp được đánh giá là cực kỳ hiệu quả. Khi xem xét và chẩn đoán hư hỏng bằng phương pháp kể trên, những hư hỏng có thể phát hiện bằng những thay đổi trong đặc tính rung động của kết cấu mà bản chất của nó có thể được xem là sự suy giảm độ cứng trong kết cấu.

Một hệ thống phân loại các phương pháp xác định thiệt hại đã được để trình bày bởi Rytter (1993) bao gồm 4 cấp độ chính [1] (Hình 1.2): • Cấp độ 1: Xác định thiệt hại hiện diện trong kết cấu. • Cấp độ 2: Xác định vị trí thiệt hại. • Cấp độ 3: Định lượng mức độ nghiêm trọng của hư hỏng xảy ra. • Cấp độ 4: Đưa ra nhận định và dự đoán tuổi thọ sử dụng của kết cấu.2 Hình minh họa bốn cấp độ xác định thiệt hại 2 Giới thiệu Trong đó, từ cấp 1 đến cấp 3 liên quan trực tiếp đến các vấn đề về mô hình hóa và thử nghiệm động lực học kết cấu.

Cấp độ 4 lại không được dự đoán dựa trên việc phân tích dạng dao động và tần số dao động tự nhiên của công trình. Do đó, trong luận văn này không thực hiện chẩn đoán cấp độ 4. Trong nghiên cứu về chẩn đoán sức khỏe công trình, nhiều phương pháp và chỉ số khác nhau được đưa ra nhằm tìm ra phương án tối ưu và chính xác nhất trong công tác xác định hư hỏng này. Và các phương pháp sử dụng đặc trưng năng lượng biến dạng (chỉ số năng lượng biến dạng – Modal Strain Energy – MSE) là một phương pháp được ứng dụng rộng rãi nhờ vào việc nó là một chỉ tiêu có độ nhạy cao với những thay đổi trong độ cứng của phần tử trong khung.

Hiện nay, với sự phát triển của khoa học công nghệ và xu hướng ứng dụng trí tuệ nhân tạo (Artificial Intelligence – AI) vào trong ngành xây dựng đang ngày một tăng lên. Đã có những đóng góp đáng kể của chúng trong việc thúc đẩy sự phát triển lĩnh vực kiểm tra sức khỏe công trình, giúp cho việc phát hiện hư hỏng trở nên dễ dàng, nhanh chóng và chính xác hơn.3 thể hiện một mô hình ứng dụng thuật toán trí tuệ nhân tạo trong việc đánh giá thiệt hại của kết cấu sau động đất.3 Mô hình dùng AI để đánh giá thiệt hại sau sự kiện động đất từ dữ liệu gia tốc từ các cảm biến trong kết cấu [2] Học sâu (Deep Learning – DL) là một lĩnh vực của công nghệ máy học (Machine Learning – ML) trong công nghệ AI. Máy tính sẽ học hỏi từ bộ dữ liệu lớn (Big Data) để đưa ra những cải tiến tốt hơn trong lĩnh vực của bộ dữ liệu đó đề cập. Học sâu được xây dựng dựa trên cơ sở các khái niệm phức tạp liên quan tới mạng nơ-ron nhân tạo – mô phỏng dựa trên mạng nơ-ron sinh học trong não bộ con người.

Các mạng nơ-ron nhân tạo trong học sâu được thiết lập để mô phỏng khả năng tư duy của con người. Mỗi mạng gồm nhiều lớp và trong mỗi lớp thì các nút mạng được liên kết với các nút liền kề với nó. Từng nút mạng là các nơ-ron có hàm kích hoạt riêng làm nhiệm 3 Giới thiệu vụ chẩn hóa đầu ra nhằm đạt được kết quả chuẩn đoán mong muốn.4 Minh họa mạng nơ-ron nhân tạo (Nguồn: VTC Academy) Mạng nơ-ron tích chập (Convolutional Neural Networks – CNN) là một mạng nơ-ron được phát triển và nâng cấp so với mạng nơ-ron truyền thống vốn chỉ phù hợp với các bài toán phân loại, hồi quy. Mạng CNN ban đầu được phát triển với mục tiêu xử lý các bài toán liên quan tới phân tích hình ảnh và video phức tạp.

Với việc được tích hợp thêm pha tích chập, thuật toán sẽ có khả năng biến đổi thông tin với bộ lọc nhằm đưa ra tín hiệu mới chứa các đặc trưng chính và quan trọng nhất. Cấu trúc của một mạng CNN ngoài lớp đầu vào và lớp đầu ra, có ba lớp chính giúp CNN xử lý thông tin bao gồm: lớp tích chập, lớp tổng hợp và lớp kết nối hoàn toàn. Thuật toán này cực kỳ hữu ích khi giảm được kích thước của dữ liệu phân tích nhưng vẫn thu lại được dữ liệu đặc trưng nhất của thông số đầu vào. Trong chẩn đoán sức khỏe kết cấu công trình bằng phương pháp sử dụng các dạng dao động để tính toán chỉ số năng lượng biến dạng.

Mỗi dữ liệu từ công tác kể trên đều mang những đặc trưng riêng cho từng phần tử và trạng thái trước và sau hư hỏng. Từ đó, việc kết hợp mạng CNN vào trong quy trình chẩn đoán sẽ tạo lợi thế rất lớn khi bóc tách được các đặc trưng này, làm cơ sở cho việc chẩn đoán vị trí và mức độ hư hỏng trong kết cấu. Mục tiêu và nội dung nghiên cứu 1. Mục tiêu nghiên cứu Mục tiêu nghiên cứu này là cải tiến phương pháp nhằm chẩn đoán sự xuất hiện, vị trí và mức độ hư hỏng cho kết cấu khung.

Sự kết hợp giữa phương pháp năng lượng biến dạng kết hợp với mạng nơ-ron tích chập là thuật toán được sử dụng trong nghiên cứu này. Nội dung nghiên cứu Phương pháp đề xuất chính trong nghiên cứu là sử dụng chỉ số năng lượng biến dạng (MSE) làm cơ sở dữ liệu để thực hiện học sâu bằng phương pháp sử dụng mạng nơ-ron tích chập (CNN). Từ đó, tiến hành đánh giá về sự xuất hiện, vị trí và mức độ hư hỏng trong kết cấu khung được khảo sát. Cụ thể, nghiên cứu sẽ có các nội dung chính như sau: • Nghiên cứu cơ sở lý thuyết của phương pháp PTHH, chỉ số năng lượng biến dạng MSE, và các lý thuyết khác liên quan đến chẩn đoán sức khỏe công trình.

Nghiên cứu việc sử dụng thuật toán trí tuệ nhân tạo (AI) và học sâu (DL) trong chẩn đoán vị trí và mức độ hư hỏng. • Phân tích tần số dao động tự nhiên của kết cấu khung phẳng và kết cấu khung không gian bằng phương pháp PTHH. So sánh, đối chiếu với kết quả từ các bài báo tham khảo và kết quả của phần mềm SAP2000. • Nghiên cứu xây dựng thông số và bộ dữ liệu đầu vào cho mạng nơ-ron tích chập dựa trên các đặc trưng dao động và chỉ số năng lượng biến dạng nhằm cải thiện độ chính xác khi cắt giảm dữ liệu dạng dao động.

• Áp dụng phương pháp đề xuất để chẩn đoán sự xuất hiện, vị trí và mức độ hư hỏng cho kết cấu khung phẳng và kết cấu khung không gian sử dụng lần lượt là 4 và 6 dạng dao động làm dữ liệu đầu vào. So sánh, kiểm chứng kết quả với các nghiên cứu trước đây. • Áp dụng phương pháp cải tiến để chẩn đoán sự xuất hiện, vị trí và mức độ hư hỏng trong khung không gian chỉ sử dụng dạng dao động thứ nhất làm cơ sở dữ liệu cho mạng CNN. Đối tượng và phạm vi nghiên cứu Trong quy mô luận văn, đối tượng nghiên cứu là sự hư hỏng của các phần tử trong kết cấu khung phẳng và kết cấu khung không gian được nhận biết thông qua sự sự suy giảm độ cứng của phần tử trong khung.