Tổng quan nghiên cứu

Trong bối cảnh phát triển nhanh chóng của ngành xây dựng hiện đại, kết cấu nhôm ngày càng được ứng dụng rộng rãi nhờ đặc tính nhẹ, bền, khả năng chịu lực tốt và tính linh hoạt cao. Theo ước tính, việc sử dụng kết cấu nhôm trong các công trình kiến trúc lớn như tòa nhà Petronas Twin Towers (Malaysia), Burj Khalifa (UAE), The Gherkin (Anh) và Taipei 101 (Đài Bắc) đã minh chứng cho hiệu quả và tiềm năng của vật liệu này. Tuy nhiên, các vết nứt và hư hỏng tiềm ẩn trong kết cấu nhôm không thể phát hiện bằng mắt thường, gây nguy cơ an toàn và giảm tuổi thọ công trình. Do đó, việc phát triển các phương pháp chẩn đoán hư hỏng chính xác, nhanh chóng và không phá hủy là rất cần thiết.

Nghiên cứu này nhằm mục tiêu phát triển phương pháp chẩn đoán vết nứt trong kết cấu nhôm dựa trên đáp ứng trở kháng cơ-điện kết hợp với mạng nơ-ron tích chập (CNN). Phạm vi nghiên cứu tập trung vào mô phỏng các mẫu dầm và tấm tròn nhôm trong điều kiện không hư hỏng và có hư hỏng, sử dụng phần mềm ANSYS APDL 19.2 để thu thập tín hiệu trở kháng. Mục tiêu cụ thể là so sánh dữ liệu mô phỏng với số liệu thực nghiệm đã công bố, từ đó xây dựng mạng 1D-CNN để chẩn đoán mức độ và vị trí hư hỏng. Nghiên cứu có ý nghĩa quan trọng trong việc nâng cao hiệu quả giám sát sức khỏe kết cấu (SHM), giúp phát hiện sớm hư hỏng, giảm thiểu chi phí bảo trì và đảm bảo an toàn công trình xây dựng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lý thuyết chính: phương pháp đáp ứng trở kháng cơ-điện và mạng nơ-ron tích chập (CNN).

  • Phương pháp đáp ứng trở kháng cơ-điện: Sử dụng cảm biến áp điện PZT (Lead Zirconate Titanate) gắn trên kết cấu nhôm để kích thích và đo tín hiệu trở kháng cơ-điện. Trở kháng này phản ánh đặc tính cơ học của kết cấu, bao gồm khối lượng, độ cứng và hệ số cản. Khi kết cấu xuất hiện vết nứt hoặc hư hỏng, các đặc tính này thay đổi, dẫn đến sự biến đổi trong đáp ứng trở kháng. Chỉ số RMSD (Root Mean Square Deviation) được sử dụng để đánh giá mức độ sai khác giữa tín hiệu trở kháng ở trạng thái không hư hỏng và có hư hỏng, từ đó xác định sự xuất hiện của vết nứt.

  • Mạng nơ-ron tích chập (CNN): Thuật toán học sâu này có khả năng tự động trích xuất đặc trưng từ dữ liệu đầu vào mà không cần thiết kế bộ lọc thủ công. CNN gồm các lớp tích chập, lớp gộp (pooling), lớp dropout và lớp kết nối đầy đủ (fully connected), giúp mô hình hóa các mối quan hệ phức tạp trong dữ liệu. Trong nghiên cứu, mạng 1D-CNN được xây dựng để phân loại mức độ và vị trí hư hỏng dựa trên tín hiệu trở kháng thu thập được.

Các khái niệm chuyên ngành quan trọng bao gồm: trở kháng cơ-điện, cảm biến PZT, chỉ số RMSD, mạng nơ-ron tích chập, lớp tích chập, lớp gộp cực đại (max pooling), lớp dropout và lớp fully connected.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Dữ liệu được thu thập từ mô phỏng các mẫu dầm và tấm tròn nhôm bằng phần mềm ANSYS APDL 19.2, bao gồm các trạng thái không hư hỏng và có hư hỏng với các kích thước vết nứt khác nhau. Dữ liệu mô phỏng được so sánh với số liệu thực nghiệm đã công bố để đánh giá độ tin cậy.

  • Phương pháp phân tích: Tín hiệu trở kháng thu thập được xử lý để tính chỉ số RMSD nhằm phát hiện sự khác biệt do hư hỏng gây ra. Sau đó, mạng 1D-CNN được xây dựng và huấn luyện trên tập dữ liệu tín hiệu trở kháng để chẩn đoán mức độ và vị trí vết nứt. Mạng CNN được thiết kế với các lớp tích chập, gộp, dropout và fully connected, sử dụng hàm kích hoạt ReLU và softmax.

  • Timeline nghiên cứu: Nghiên cứu được thực hiện trong khoảng thời gian từ tháng 2 đến tháng 6 năm 2023, bao gồm các bước: mô phỏng mô hình kết cấu, thu thập và xử lý dữ liệu trở kháng, xây dựng và huấn luyện mạng CNN, đánh giá kết quả và so sánh với dữ liệu thực nghiệm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Độ tin cậy của mô phỏng đáp ứng trở kháng: Kết quả mô phỏng tín hiệu trở kháng của dầm nhôm và tấm tròn nhôm có độ tương đồng cao với số liệu thực nghiệm đã công bố, với sai số RMSD trong khoảng 5-10%, chứng minh tính khả thi của phương pháp mô phỏng sử dụng ANSYS APDL 19.2.

  2. Khả năng phát hiện mức độ hư hỏng: Mạng 1D-CNN đạt độ chính xác trên 95% trong việc phân loại mức độ hư hỏng của dầm nhôm với các vết nứt kích thước từ 2 mm đến 7 mm. Chỉ số RMSD tăng dần theo kích thước vết nứt, cho thấy tín hiệu trở kháng phản ánh rõ ràng mức độ hư hỏng.

  3. Chẩn đoán vị trí vết nứt trên tấm tròn nhôm: Mạng CNN xác định chính xác vị trí vết nứt trên tấm tròn nhôm bán kính 50 mm và 100 mm với độ chính xác trên 90%, ngay cả khi vết nứt cách cảm biến PZT từ 5 mm đến gần 100 mm. Độ chính xác giảm nhẹ khi khoảng cách tăng, nhưng vẫn duy trì hiệu quả cao.

  4. Xác định vùng ảnh hưởng của cảm biến PZT: Phân tích tín hiệu trở kháng cho thấy vùng ảnh hưởng của cảm biến PZT giới hạn trong phạm vi khoảng 40-50 mm, phù hợp với các kết quả thực nghiệm và lý thuyết. Điều này giúp tối ưu vị trí đặt cảm biến trong thực tế.

Thảo luận kết quả

Nguyên nhân chính của các phát hiện trên là do phương pháp đáp ứng trở kháng cơ-điện nhạy bén với các thay đổi cơ học nhỏ trong kết cấu nhôm, đặc biệt ở miền tần số cao (10-40 kHz). Việc sử dụng mạng 1D-CNN giúp tự động trích xuất đặc trưng từ tín hiệu trở kháng phức tạp, vượt qua giới hạn của các phương pháp truyền thống dựa trên chỉ số thống kê đơn giản.

So sánh với các nghiên cứu trước đây, kết quả của luận văn phù hợp với các báo cáo quốc tế về ứng dụng cảm biến PZT và mạng CNN trong giám sát sức khỏe kết cấu. Việc mô phỏng bằng ANSYS APDL 19.2 cung cấp dữ liệu đầu vào chất lượng cao, giúp mạng CNN học hiệu quả và đạt độ chính xác cao.

Dữ liệu có thể được trình bày qua các biểu đồ so sánh tín hiệu trở kháng giữa mô phỏng và thực nghiệm, bảng kết quả phân loại mức độ và vị trí hư hỏng của mạng CNN, cũng như biểu đồ thể hiện chỉ số RMSD theo kích thước và vị trí vết nứt.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống giám sát trực tiếp trên công trình: Áp dụng cảm biến PZT gắn trực tiếp lên kết cấu nhôm tại các vị trí trọng yếu, kết hợp với hệ thống thu thập và phân tích tín hiệu trở kháng theo thời gian thực để phát hiện sớm vết nứt. Chủ thể thực hiện: các đơn vị quản lý công trình, kỹ sư giám sát. Thời gian: 6-12 tháng.

  2. Phát triển phần mềm chẩn đoán tự động dựa trên mạng CNN: Xây dựng giao diện phần mềm tích hợp mô hình CNN đã huấn luyện để hỗ trợ kỹ thuật viên trong việc phân tích và đánh giá mức độ, vị trí hư hỏng nhanh chóng và chính xác. Chủ thể thực hiện: các nhóm nghiên cứu công nghệ, doanh nghiệp phần mềm. Thời gian: 12 tháng.

  3. Mở rộng nghiên cứu với các loại kết cấu và vật liệu khác: Áp dụng phương pháp đáp ứng trở kháng và mạng CNN cho các kết cấu thép, composite hoặc bê tông cốt thép để đa dạng hóa ứng dụng và nâng cao hiệu quả giám sát. Chủ thể thực hiện: các viện nghiên cứu, trường đại học. Thời gian: 18-24 tháng.

  4. Nâng cao độ bền và khả năng chống chịu của cảm biến PZT: Nghiên cứu và phát triển lớp bảo vệ cảm biến PZT chống ẩm, chống ăn mòn và chịu được điều kiện môi trường khắc nghiệt nhằm đảm bảo độ ổn định và tuổi thọ cảm biến trong giám sát dài hạn. Chủ thể thực hiện: các nhà sản xuất vật liệu và thiết bị cảm biến. Thời gian: 12 tháng.

Đối tượng nên tham khảo luận văn

  1. Kỹ sư xây dựng và quản lý công trình: Nắm bắt phương pháp chẩn đoán hư hỏng kết cấu nhôm hiện đại, áp dụng trong giám sát và bảo trì công trình nhằm đảm bảo an toàn và kéo dài tuổi thọ công trình.

  2. Nhà nghiên cứu và sinh viên chuyên ngành kỹ thuật xây dựng, cơ khí: Tham khảo cơ sở lý thuyết, phương pháp mô phỏng và ứng dụng mạng nơ-ron tích chập trong lĩnh vực giám sát sức khỏe kết cấu.

  3. Doanh nghiệp sản xuất và cung cấp thiết bị cảm biến: Hiểu rõ về ứng dụng cảm biến PZT và các yêu cầu kỹ thuật để phát triển sản phẩm phù hợp với nhu cầu giám sát kết cấu.

  4. Chuyên gia công nghệ thông tin và trí tuệ nhân tạo: Tìm hiểu cách ứng dụng mạng CNN trong xử lý tín hiệu kỹ thuật, mở rộng nghiên cứu về học sâu trong lĩnh vực kỹ thuật xây dựng.

Câu hỏi thường gặp

  1. Phương pháp đáp ứng trở kháng cơ-điện là gì và tại sao được sử dụng trong chẩn đoán kết cấu nhôm?
    Phương pháp này sử dụng cảm biến áp điện PZT để đo tín hiệu trở kháng cơ-điện, phản ánh đặc tính cơ học của kết cấu. Khi kết cấu bị hư hỏng, tín hiệu trở kháng thay đổi, giúp phát hiện vết nứt sớm mà không làm ảnh hưởng đến kết cấu.

  2. Mạng nơ-ron tích chập (CNN) có vai trò gì trong nghiên cứu này?
    CNN tự động trích xuất đặc trưng từ tín hiệu trở kháng phức tạp, giúp phân loại mức độ và vị trí hư hỏng chính xác hơn so với các phương pháp truyền thống dựa trên chỉ số thống kê.

  3. Dữ liệu mô phỏng có đáng tin cậy không so với thực nghiệm?
    Kết quả mô phỏng bằng ANSYS APDL 19.2 có độ tương đồng cao với số liệu thực nghiệm, sai số RMSD trong khoảng 5-10%, chứng minh tính khả thi và độ tin cậy của mô phỏng.

  4. Phạm vi ảnh hưởng của cảm biến PZT là bao nhiêu?
    Vùng ảnh hưởng của cảm biến PZT giới hạn trong phạm vi khoảng 40-50 mm, phù hợp với các kết quả thực nghiệm, giúp xác định vị trí đặt cảm biến tối ưu.

  5. Phương pháp này có thể áp dụng cho các loại kết cấu khác không?
    Có thể mở rộng áp dụng cho các kết cấu thép, composite hoặc bê tông cốt thép với điều chỉnh phù hợp, giúp nâng cao hiệu quả giám sát sức khỏe kết cấu đa dạng.

Kết luận

  • Phương pháp kết hợp đáp ứng trở kháng cơ-điện và mạng nơ-ron tích chập (1D-CNN) hiệu quả trong chẩn đoán mức độ và vị trí vết nứt trong kết cấu nhôm.
  • Mô phỏng bằng ANSYS APDL 19.2 cung cấp dữ liệu tín hiệu trở kháng có độ tin cậy cao, tương đồng với số liệu thực nghiệm.
  • Mạng CNN đạt độ chính xác trên 90% trong việc phân loại hư hỏng và xác định vị trí vết nứt trên các mẫu dầm và tấm tròn nhôm.
  • Phương pháp này giúp phát hiện sớm hư hỏng, giảm thiểu chi phí bảo trì và nâng cao an toàn công trình xây dựng.
  • Đề xuất triển khai ứng dụng thực tế, phát triển phần mềm chẩn đoán tự động và mở rộng nghiên cứu cho các loại kết cấu khác trong thời gian tới.

Hành động tiếp theo: Khuyến khích các đơn vị quản lý công trình và nhà nghiên cứu áp dụng phương pháp này trong giám sát thực tế, đồng thời phát triển các công cụ hỗ trợ phân tích dữ liệu để nâng cao hiệu quả chẩn đoán.