Tổng quan nghiên cứu

Trong lĩnh vực kỹ thuật xây dựng, việc phát hiện và đánh giá mức độ hư hỏng của dầm bê tông cốt thép (BTCT) đóng vai trò quan trọng trong đảm bảo an toàn kết cấu công trình. Theo ước tính, các phương pháp giám sát sức khỏe kết cấu (Structural Health Monitoring - SHM) ngày càng được ứng dụng rộng rãi nhằm phát hiện các vết nứt và hư hỏng sớm, từ đó nâng cao hiệu quả bảo trì và kéo dài tuổi thọ công trình. Nghiên cứu này tập trung vào việc phát triển phương pháp phát hiện vết nứt trên dầm BTCT dựa trên dữ liệu chuyển vị nút thu thập từ mô hình phần tử hữu hạn trong phần mềm ANSYS APDL, kết hợp với mạng nơ-ron nhân tạo (Artificial Neural Network - ANNs) để chẩn đoán chiều cao vết nứt tối đa. Phạm vi nghiên cứu bao gồm mô phỏng và phân tích dầm BTCT chịu tải uốn trong khoảng thời gian thực nghiệm và mô phỏng tương ứng, với dữ liệu chuyển vị nút được thu thập ở các mức độ nứt khác nhau. Mục tiêu chính là xây dựng chỉ số đánh giá tổn thương dựa trên chuyển vị nút và phát triển mô hình ANNs nhằm nâng cao độ chính xác trong việc xác định vị trí và mức độ hư hỏng. Kết quả nghiên cứu có ý nghĩa thiết thực trong việc ứng dụng công nghệ SHM để giám sát và bảo trì các công trình BTCT, góp phần giảm thiểu rủi ro và chi phí sửa chữa.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lý thuyết và mô hình chính:

  1. Lý thuyết chuyển vị nút và chỉ số đánh giá tổn thương (Displacement-Based Damage Detection Methods): Sử dụng dữ liệu chuyển vị nút thu thập từ mô hình phần tử hữu hạn để xây dựng các chỉ số như Displacement Assurance Criterion (DAC), Displacement Variation Index (DVI) và Displacement-Based Index (DBI). Các chỉ số này giúp đánh giá sự thay đổi chuyển vị tại các nút kết cấu, từ đó xác định vị trí và mức độ hư hỏng.

  2. Mạng nơ-ron nhân tạo đa lớp (Multi-Layer Perceptron - MLP): Mô hình ANNs được sử dụng để phân tích dữ liệu chuyển vị nút nhằm dự đoán chiều cao vết nứt tối đa trên dầm BTCT. Mạng MLP gồm các lớp input, hidden và output với các hàm kích hoạt như sigmoid, tanh và ReLU, được huấn luyện bằng thuật toán lan truyền ngược (backpropagation) để tối ưu hóa trọng số mạng.

Các khái niệm chính bao gồm:

  • Chuyển vị nút (Nodal Displacement): Biến số đầu vào phản ánh sự biến dạng tại các điểm nút của mô hình phần tử hữu hạn.
  • Chỉ số đánh giá tổn thương (Damage Indices): DAC, DVI, DBI được tính toán dựa trên sự khác biệt chuyển vị giữa trạng thái không hư hỏng và trạng thái có hư hỏng.
  • Mạng nơ-ron nhân tạo (ANNs): Hệ thống học máy mô phỏng cấu trúc não người, dùng để dự đoán các đặc trưng tổn thương dựa trên dữ liệu đầu vào.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là kết quả mô phỏng dầm BTCT chịu tải uốn bằng phần mềm ANSYS APDL, với mô hình phần tử hữu hạn Solid65 cho bê tông và Beam188 cho cốt thép. Mô hình được xây dựng theo tiêu chuẩn ACI 318-11, mô phỏng các mức độ nứt từ 0 đến 10 kN tải trọng uốn, thu thập chuyển vị nút tại các vị trí quan trọng.

Phương pháp phân tích bao gồm:

  • Tính toán các chỉ số tổn thương DAC, DVI, DBI dựa trên dữ liệu chuyển vị nút.
  • Xây dựng và huấn luyện mạng nơ-ron nhân tạo MLP với cấu trúc gồm 3 lớp (input, hidden, output), sử dụng hàm kích hoạt sigmoid và thuật toán lan truyền ngược.
  • So sánh kết quả dự đoán chiều cao vết nứt của ANNs với dữ liệu mô phỏng và thí nghiệm thực tế để đánh giá độ chính xác.

Timeline nghiên cứu kéo dài từ tháng 02/2021 đến tháng 08/2021, bao gồm các giai đoạn mô phỏng, phân tích dữ liệu, xây dựng mô hình ANNs và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Chỉ số tổn thương DAC thể hiện sự khác biệt rõ rệt giữa trạng thái không nứt và có nứt: DAC giảm từ giá trị gần 1 (trạng thái không hư hỏng) xuống khoảng 0.6 khi tải trọng đạt 10 kN, cho thấy sự biến dạng tăng lên tại các nút bị nứt.

  2. Chỉ số DVI và DBI phản ánh chính xác vị trí và mức độ tổn thương: DVI tăng lên đến 0.4 tại các nút gần vị trí nứt lớn nhất, trong khi DBI cho thấy độ lệch chuyển vị trung bình và chuẩn tại các nút, giúp xác định vùng tổn thương với độ chính xác trên 90%.

  3. Mạng nơ-ron nhân tạo MLP dự đoán chiều cao vết nứt với độ chính xác trên 95%: Mô hình ANNs được huấn luyện với dữ liệu chuyển vị nút cho kết quả dự đoán chiều cao vết nứt tương ứng với mô phỏng và thí nghiệm, sai số trung bình dưới 5%.

  4. So sánh với các nghiên cứu trước đây: Kết quả phù hợp với báo cáo của ngành và các nghiên cứu quốc tế về ứng dụng ANNs trong giám sát kết cấu, đồng thời cải thiện độ chính xác nhờ sử dụng dữ liệu chuyển vị nút chi tiết và mô hình phần tử hữu hạn chính xác.

Thảo luận kết quả

Nguyên nhân chính của các phát hiện trên là do chuyển vị nút phản ánh trực tiếp sự biến dạng cục bộ của kết cấu khi xuất hiện vết nứt, giúp xây dựng các chỉ số tổn thương hiệu quả. Việc kết hợp mô hình phần tử hữu hạn với ANNs cho phép khai thác tối đa dữ liệu chuyển vị, nâng cao khả năng dự đoán và chẩn đoán tổn thương. Biểu đồ thể hiện sự thay đổi DAC theo tải trọng và bản đồ nhiệt chuyển vị nút giúp trực quan hóa vùng tổn thương, hỗ trợ công tác bảo trì. So với các phương pháp truyền thống chỉ dựa vào quan sát hoặc đo đạc đơn giản, phương pháp này cung cấp giải pháp tự động, chính xác và có thể áp dụng rộng rãi trong giám sát kết cấu BTCT.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống giám sát chuyển vị nút thực tế: Lắp đặt cảm biến đo chuyển vị tại các vị trí nút quan trọng trên dầm BTCT để thu thập dữ liệu thời gian thực, nhằm áp dụng các chỉ số tổn thương DAC, DVI, DBI trong giám sát liên tục. Thời gian thực hiện: 6-12 tháng; chủ thể: các đơn vị quản lý công trình.

  2. Phát triển phần mềm phân tích dữ liệu tích hợp ANNs: Xây dựng phần mềm chuyên dụng kết hợp mô hình ANNs để tự động phân tích dữ liệu chuyển vị và dự đoán mức độ tổn thương, hỗ trợ quyết định bảo trì. Thời gian: 12 tháng; chủ thể: các viện nghiên cứu và doanh nghiệp công nghệ.

  3. Đào tạo nhân lực chuyên sâu về SHM và ANNs: Tổ chức các khóa đào tạo kỹ thuật viên và kỹ sư vận hành hệ thống SHM, sử dụng phần mềm ANNs để nâng cao năng lực phân tích và xử lý dữ liệu. Thời gian: liên tục; chủ thể: các trường đại học và trung tâm đào tạo.

  4. Mở rộng nghiên cứu áp dụng cho các loại kết cấu khác: Nghiên cứu và thử nghiệm phương pháp trên các kết cấu cầu, tòa nhà cao tầng để đánh giá tính khả thi và hiệu quả, từ đó hoàn thiện giải pháp toàn diện. Thời gian: 18-24 tháng; chủ thể: các viện nghiên cứu và doanh nghiệp xây dựng.

Đối tượng nên tham khảo luận văn

  1. Kỹ sư kết cấu và quản lý công trình: Nắm bắt phương pháp giám sát và đánh giá tổn thương kết cấu BTCT hiện đại, áp dụng trong công tác bảo trì và sửa chữa.

  2. Nhà nghiên cứu và sinh viên ngành xây dựng: Tham khảo mô hình phần tử hữu hạn kết hợp ANNs trong phân tích tổn thương kết cấu, phục vụ nghiên cứu khoa học và luận văn.

  3. Doanh nghiệp công nghệ SHM: Phát triển sản phẩm và dịch vụ giám sát kết cấu dựa trên dữ liệu chuyển vị nút và trí tuệ nhân tạo.

  4. Cơ quan quản lý nhà nước về xây dựng: Xây dựng tiêu chuẩn và quy trình giám sát an toàn kết cấu công trình dựa trên các chỉ số tổn thương và công nghệ mới.

Câu hỏi thường gặp

  1. Phương pháp sử dụng dữ liệu chuyển vị nút có ưu điểm gì so với phương pháp truyền thống?
    Dữ liệu chuyển vị nút cung cấp thông tin chi tiết về biến dạng cục bộ, giúp phát hiện tổn thương sớm và chính xác hơn so với quan sát bằng mắt thường hoặc đo đạc đơn giản. Ví dụ, chỉ số DAC giảm rõ rệt khi xuất hiện vết nứt, phản ánh chính xác mức độ hư hỏng.

  2. Mạng nơ-ron nhân tạo được huấn luyện như thế nào trong nghiên cứu này?
    Mạng MLP được huấn luyện bằng thuật toán lan truyền ngược với dữ liệu chuyển vị nút thu thập từ mô hình phần tử hữu hạn ở các mức tải khác nhau, nhằm dự đoán chiều cao vết nứt. Độ chính xác dự đoán đạt trên 95%, sai số trung bình dưới 5%.

  3. Phần mềm ANSYS APDL có vai trò gì trong nghiên cứu?
    ANSYS APDL được sử dụng để mô phỏng mô hình phần tử hữu hạn của dầm BTCT, tính toán chuyển vị nút tương ứng với các mức độ nứt khác nhau, cung cấp dữ liệu đầu vào chính xác cho phân tích tổn thương và huấn luyện ANNs.

  4. Các chỉ số tổn thương DAC, DVI, DBI được tính toán như thế nào?
    Các chỉ số này dựa trên sự khác biệt chuyển vị nút giữa trạng thái không hư hỏng và có hư hỏng, được chuẩn hóa để đánh giá mức độ tổn thương. Ví dụ, DAC đo độ tương đồng chuyển vị giữa hai trạng thái, giảm khi xuất hiện vết nứt.

  5. Phương pháp này có thể áp dụng cho các kết cấu khác ngoài dầm BTCT không?
    Có thể. Phương pháp dựa trên dữ liệu chuyển vị nút và ANNs có tính linh hoạt cao, có thể mở rộng áp dụng cho cầu, tòa nhà cao tầng và các kết cấu phức tạp khác sau khi hiệu chỉnh mô hình và huấn luyện lại mạng.

Kết luận

  • Nghiên cứu đã phát triển thành công phương pháp phát hiện vết nứt trên dầm BTCT dựa trên dữ liệu chuyển vị nút và mạng nơ-ron nhân tạo, nâng cao độ chính xác chẩn đoán tổn thương.
  • Các chỉ số tổn thương DAC, DVI, DBI được xây dựng và chứng minh hiệu quả trong việc xác định vị trí và mức độ hư hỏng.
  • Mô hình ANNs MLP dự đoán chiều cao vết nứt với độ chính xác trên 95%, phù hợp với dữ liệu mô phỏng và thực nghiệm.
  • Phương pháp kết hợp mô hình phần tử hữu hạn ANSYS APDL và ANNs mở ra hướng ứng dụng công nghệ SHM hiện đại trong giám sát kết cấu.
  • Đề xuất triển khai hệ thống giám sát thực tế, phát triển phần mềm phân tích và đào tạo nhân lực để ứng dụng rộng rãi trong ngành xây dựng.

Next steps: Triển khai thử nghiệm thực tế, hoàn thiện phần mềm hỗ trợ và mở rộng nghiên cứu cho các loại kết cấu khác.

Call-to-action: Các đơn vị quản lý công trình và doanh nghiệp công nghệ nên hợp tác nghiên cứu và ứng dụng phương pháp để nâng cao hiệu quả giám sát và bảo trì kết cấu BTCT.