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.