Khảo sát ứng dụng deep learning trong theo dõi sức khỏe kết cấu cầu và quản lý năng lượng

Luận văn thạc sĩ kỹ thuật phân tích cơ kỹ thuật ứng dụng deep learning khảo sát mức độ mất mát năng lượng phục vụ công tác theo dõi sức, đánh giá thực trạng, chỉ ra hạn chế, đề

• Tác giả: Nguyễn Nhật Tâm
• Người hướng dẫn: GS. Ngô Kiều Nhi
• Trường học: Đại học Bách Khoa
• Chuyên ngành: Cơ Kỹ Thuật
• Đề tài: Nghiên Cứu Ứng Dụng Deep Learning Trong Theo Dõi Sức Khỏe Kết Cấu Cầu Và Giảm Mất Mát Năng Lượng
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI MỞ ĐẦU
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: ĐẶT VẤN ĐỀ
• 1.1. Mục đích nghiên cứu
• 1.2. Mục tiêu nghiên cứu, đối tượng và phạm vi nghiên cứu
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về nghiên cứu

Nghiên cứu ứng dụng deep learning trong việc theo dõi sức khỏe của kết cấu cầu là một lĩnh vực đang thu hút sự quan tâm lớn trong cộng đồng khoa học kỹ thuật. Việc giám sát sức khỏe kết cấu cầu không chỉ đảm bảo an toàn giao thông mà còn góp phần bảo vệ tài sản và tính mạng con người. Các cầu thường xuyên phải chịu tải trọng lớn và tác động từ môi trường, dẫn đến sự suy giảm cơ tính vật liệu theo thời gian. Luận văn này nhấn mạnh tầm quan trọng của việc phát hiện sớm các hư hại và suy yếu thông qua việc đánh giá mức độ tiêu tán năng lượng trong kết cấu cầu. Theo đó, việc sử dụng mô hình học sâu như mạng nơ-ron tích chập (CNN) sẽ giúp phân loại tình trạng sức khỏe của cầu một cách chính xác hơn. Đặc biệt, nghiên cứu này cũng đề xuất một phương pháp mới trong việc phân tích dữ liệu từ các cảm biến, nhằm nâng cao độ chính xác trong việc theo dõi sức khỏe kết cấu cầu.

II. Phương pháp nghiên cứu

Luận văn này áp dụng phương pháp phân tích dữ liệu kết hợp với deep learning để theo dõi sức khỏe kết cấu cầu. Cụ thể, các thông số dao động của cầu sẽ được thu thập và xử lý để xác định hệ số tiêu tán năng lượng (Loss Factor). Hệ số này không chỉ phản ánh tính đàn hồi mà còn thể hiện tính cản nhớt của vật liệu, từ đó cho phép đánh giá chính xác hơn về tình trạng kết cấu. Sử dụng giải thuật LF-CI-CNN, nghiên cứu sẽ xây dựng mô hình để phân loại các mức độ suy yếu của kết cấu cầu dựa trên dữ liệu thu thập được. Một trong những điểm nổi bật của phương pháp này là khả năng xử lý và phân tích dữ liệu lớn, giúp giảm thiểu thời gian và chi phí cho việc kiểm tra sức khỏe cầu. Việc áp dụng công nghệ AI trong giám sát kết cấu cầu sẽ mở ra hướng đi mới trong việc đảm bảo an toàn giao thông.

III. Kết quả nghiên cứu

Kết quả nghiên cứu cho thấy rằng việc ứng dụng deep learning trong việc theo dõi sức khỏe kết cấu cầu đã đạt được những thành công nhất định. Các mô hình CNN được xây dựng có khả năng phân loại tình trạng kết cấu cầu với độ chính xác cao. Qua việc phân tích các hình ảnh đặc trưng từ hệ số tiêu tán năng lượng, nghiên cứu đã chỉ ra rằng các cầu có mức độ suy yếu khác nhau được phân loại một cách rõ ràng. Hệ thống đánh giá này không chỉ giúp phát hiện sớm các hư hại mà còn cung cấp thông tin cần thiết cho việc bảo trì và sửa chữa. Điều này có ý nghĩa quan trọng trong việc giảm thiểu mất mát năng lượng và đảm bảo an toàn cho người sử dụng cầu. Hơn nữa, nghiên cứu cũng mở ra hướng đi mới cho việc ứng dụng công nghệ học sâu trong các lĩnh vực khác liên quan đến giám sát kết cấu.

IV. Ý nghĩa và ứng dụng thực tiễn

Nghiên cứu này không chỉ mang lại giá trị lý thuyết mà còn có ứng dụng thực tiễn cao trong việc giám sát sức khỏe kết cấu cầu. Việc áp dụng deep learning và hệ thống giám sát thông minh giúp cải thiện hiệu quả trong việc phát hiện và quản lý các hư hại trên cầu. Điều này đặc biệt quan trọng trong bối cảnh Việt Nam, nơi mà hạ tầng giao thông đang ngày càng phát triển nhưng cũng đối mặt với nhiều thách thức về an toàn. Hệ thống giám sát sức khỏe cầu dựa trên các công nghệ tiên tiến không chỉ giúp tiết kiệm chi phí bảo trì mà còn nâng cao độ an toàn cho người dân. Như vậy, nghiên cứu này mở ra một hướng đi mới cho việc nâng cao chất lượng và độ tin cậy của các công trình cầu, góp phần phát triển bền vững cho xã hội.

Nội dung chính

Tổng quan nghiên cứu

Giám sát sức khỏe kết cấu cầu là một vấn đề cấp thiết trong bối cảnh phát triển hạ tầng giao thông và kinh tế. Theo ước tính, Việt Nam với hệ thống sông ngòi dày đặc có số lượng cầu lớn, chịu tải trọng phức tạp, tác động môi trường, lão hóa và quá tải, dẫn đến nguy cơ suy giảm cơ tính vật liệu và hư hại kết cấu. Việc kiểm tra sức khỏe cầu truyền thống dựa trên tải trọng tĩnh có nhiều hạn chế như chi phí cao, thời gian kiểm định dài và không phản ánh đầy đủ trạng thái dao động thực tế của kết cấu. Mục tiêu nghiên cứu của luận văn là phát triển một phương pháp giám sát sức khỏe kết cấu cầu dựa trên đánh giá mức độ mất mát năng lượng của dầm cầu thông qua dữ liệu dao động thực tế tại thành phố Hồ Chí Minh. Phạm vi nghiên cứu tập trung vào dầm cầu tựa hai đầu, khảo sát mức độ tiêu tán năng lượng bằng hàm hệ số tiêu tán (Loss Factor function - LF) được tính từ phổ mật độ công suất (PSD) của tín hiệu gia tốc. Ý nghĩa nghiên cứu thể hiện qua việc ứng dụng kỹ thuật deep learning, cụ thể là mạng nơ-ron tích chập (CNN), để phân loại mức độ suy yếu cơ tính vật liệu, từ đó hỗ trợ công tác theo dõi sức khỏe kết cấu cầu một cách chính xác, tự động và hiệu quả.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên mô hình phi tuyến Kelvin-Voigt (mô hình đàn-nhớt) mở rộng từ định luật Hooke, mô tả cơ tính vật liệu gồm mô đun đàn hồi $E$ và hệ số cản nhớt $C$. Mô hình này cho phép đánh giá đồng thời tính đàn hồi và tính cản nhớt của vật liệu bê tông cốt thép trong kết cấu cầu. Hàm hệ số tiêu tán (Loss Factor function - LF) được xây dựng từ phổ mật độ công suất (PSD) của đáp ứng gia tốc, phản ánh mức độ tiêu tán năng lượng trong quá trình dao động của dầm cầu. Phương pháp nội suy khối (Cubic Interpolation - CI) được sử dụng để tạo mặt phẳng phân bố LF từ các giá trị tính toán, hình thành hình ảnh đặc trưng đại diện cho tình trạng kết cấu. Mạng nơ-ron tích chập (Convolutional Neural Network - CNN) được áp dụng để tự động trích xuất đặc trưng và phân loại các hình ảnh phân bố LF thành các mức độ suy yếu cơ tính vật liệu khác nhau, giúp tăng độ chính xác và tính khách quan trong giám sát.

Phương pháp nghiên cứu

Nguồn dữ liệu chính bao gồm tín hiệu gia tốc đo được từ các kết cấu cầu thực tế tại thành phố Hồ Chí Minh và dữ liệu mô phỏng các mức độ suy yếu cơ tính vật liệu bê tông cốt thép. Cỡ mẫu mô phỏng gồm 5500 hình ảnh đặc trưng phân bố LF, tương ứng với 11 mức độ suy yếu cơ tính, mỗi mức độ có 500 mẫu. Phương pháp chọn mẫu là tạo tải kích thích ngẫu nhiên đa dạng, mô phỏng dao động dầm cầu theo mô hình đàn-nhớt. Phân tích dữ liệu sử dụng biến đổi Fourier nhanh (FFT) để tính PSD, sau đó tính toán LF và nội suy CI để tạo hình ảnh đặc trưng. Mạng CNN được thiết kế gồm 3 lớp tích chập và 3 lớp gộp, với bộ phân loại gồm 3 lớp ẩn và lớp softmax đầu ra, được đào tạo bằng thuật toán giảm dần độ dốc theo lô nhỏ (Mini-Batch Gradient Descent - MBGD) với kích thước lô 50 mẫu, tỉ lệ dữ liệu đào tạo và xác nhận lần lượt là 80% và 20%. Quá trình nghiên cứu kéo dài từ tháng 02 đến tháng 12 năm 2021.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Xây dựng hình ảnh đặc trưng phân bố LF: Từ dữ liệu gia tốc đo thực tế, LF được tính toán và nội suy CI tạo thành các mặt phẳng phân bố LF với màu sắc thể hiện giá trị tiêu tán năng lượng. Hình ảnh đường biên của mặt phẳng này được sử dụng làm đầu vào cho CNN, giúp phân biệt các trạng thái kết cấu khác nhau.

2. Mô phỏng số quá trình suy yếu cơ tính: Mô hình dầm cầu bê tông cốt thép với 11 mức độ suy yếu cơ tính (bao gồm điều kiện ban đầu) được mô phỏng với 500 trường hợp tải kích thích ngẫu nhiên mỗi mức. Các tần số riêng mô phỏng có sai số dưới 7% so với cầu Sài Gòn thực tế, đảm bảo tính thực tiễn của mô hình. Hình ảnh phân bố LF thay đổi rõ rệt theo mức độ suy yếu, thể hiện sự dịch chuyển và phân bố giá trị tiêu tán năng lượng.

3. Phân loại mức độ suy yếu bằng CNN: Kiến trúc CNN đề xuất đạt độ chính xác gần 100% trên dữ liệu đào tạo và xác nhận, với độ chính xác kiểm tra trên bộ dữ liệu mới đạt 98.1%. Mức độ suy yếu cơ tính vật liệu được phân loại chính xác, trong đó mức độ 3 có sai số nhận dạng thấp nhất 5%.

4. Ứng dụng thực tế: Giải thuật được áp dụng cho ba kết cấu cầu tại TP. Hồ Chí Minh gồm cầu dây văng Phú Mỹ (mới, cơ tính tốt), cầu Sài Gòn (lâu đời, đã bảo trì) và cầu Cống Đập Rạch Chiếc (cũ, có dấu hiệu hư hại). Dữ liệu gia tốc thực tế được xử lý và phân tích, kết quả phân loại mức độ suy yếu cơ tính phù hợp với tình trạng thực tế của từng cầu, hỗ trợ quyết định bảo trì và theo dõi sức khỏe kết cấu.

Thảo luận kết quả

Kết quả cho thấy việc sử dụng hàm hệ số tiêu tán LF kết hợp với nội suy CI tạo ra hình ảnh đặc trưng có khả năng phản ánh chính xác sự thay đổi cơ tính vật liệu trong kết cấu cầu. Mô hình đàn-nhớt Kelvin-Voigt mở rộng giúp đánh giá đồng thời tính đàn hồi và tính cản nhớt, cung cấp cái nhìn toàn diện hơn so với mô hình tuyến tính truyền thống. Việc áp dụng CNN giúp tự động hóa quá trình phân loại, giảm thiểu sự chủ quan và tăng độ chính xác so với các phương pháp trích xuất đặc trưng thủ công. So sánh với các nghiên cứu trước đây sử dụng phương pháp Vibration-Based Damage Detection (VBDD) truyền thống, giải thuật này nâng cao hiệu quả phân loại và khả năng ứng dụng thực tế. Dữ liệu thực tế từ các cầu tại TP. Hồ Chí Minh chứng minh tính khả thi và hiệu quả của phương pháp trong điều kiện vận hành thực tế, góp phần nâng cao độ an toàn và hiệu quả quản lý kết cấu cầu.

Đề xuất và khuyến nghị

1. Triển khai hệ thống giám sát tự động: Áp dụng giải thuật LF-CI-CNN vào hệ thống giám sát sức khỏe kết cấu cầu tại các thành phố lớn, nhằm theo dõi liên tục mức độ suy yếu cơ tính vật liệu, giảm thiểu rủi ro hư hỏng bất ngờ. Thời gian thực hiện: 1-2 năm; Chủ thể: các cơ quan quản lý hạ tầng giao thông.

2. Mở rộng phạm vi khảo sát: Nghiên cứu áp dụng phương pháp cho các loại kết cấu cầu khác nhau như cầu thép, cầu dây văng, cầu bê tông cốt thép có cấu trúc phức tạp hơn để đánh giá tính tổng quát của giải thuật. Thời gian: 2 năm; Chủ thể: các viện nghiên cứu và trường đại học.

3. Tích hợp dữ liệu môi trường và tải trọng: Kết hợp dữ liệu môi trường (nhiệt độ, độ ẩm) và tải trọng thực tế để nâng cao độ chính xác trong dự đoán mức độ suy yếu, phục vụ cho việc bảo trì dự báo. Thời gian: 1-2 năm; Chủ thể: phòng thí nghiệm cơ học ứng dụng và các đơn vị vận hành cầu.

4. Phát triển giao diện người dùng: Xây dựng phần mềm trực quan cho phép các kỹ sư và quản lý dễ dàng theo dõi, phân tích và ra quyết định dựa trên kết quả phân loại của CNN. Thời gian: 1 năm; Chủ thể: các công ty công nghệ và đơn vị quản lý cầu.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và sinh viên ngành cơ kỹ thuật, kỹ thuật xây dựng: Nắm bắt phương pháp ứng dụng deep learning trong giám sát sức khỏe kết cấu, mở rộng nghiên cứu về vật liệu và kết cấu.

2. Cơ quan quản lý hạ tầng giao thông và cầu đường: Áp dụng giải pháp giám sát tự động, nâng cao hiệu quả quản lý, bảo trì và đảm bảo an toàn giao thông.

3. Các công ty tư vấn và thiết kế cầu: Tích hợp công nghệ mới vào quy trình đánh giá và bảo trì kết cấu, giảm thiểu chi phí và thời gian kiểm định.

4. Phòng thí nghiệm và trung tâm nghiên cứu về cơ học ứng dụng: Phát triển thêm các mô hình vật liệu, thuật toán học máy và ứng dụng thực tế trong lĩnh vực giám sát kết cấu.

Câu hỏi thường gặp

1. Phương pháp deep learning được sử dụng trong nghiên cứu là gì?
   Nghiên cứu sử dụng mạng nơ-ron tích chập (CNN) để phân loại mức độ suy yếu cơ tính vật liệu dựa trên hình ảnh phân bố hàm hệ số tiêu tán (LF). CNN tự động trích xuất đặc trưng từ dữ liệu đầu vào, giúp tăng độ chính xác và giảm sự chủ quan.

2. Hàm hệ số tiêu tán (LF) được tính toán như thế nào?
   LF được tính từ phổ mật độ công suất (PSD) của tín hiệu gia tốc đo được trên kết cấu cầu, phản ánh mức độ tiêu tán năng lượng do tính đàn hồi và cản nhớt của vật liệu, giúp đánh giá tình trạng cơ tính vật liệu.

3. Dữ liệu mô phỏng có phù hợp với thực tế không?
   Mô hình dầm cầu bê tông cốt thép mô phỏng có tần số riêng sai số dưới 7% so với cầu Sài Gòn thực tế, đảm bảo tính thực tiễn và độ tin cậy của dữ liệu mô phỏng trong đào tạo mạng CNN.

4. Giải thuật có thể áp dụng cho các loại cầu khác không?
   Phương pháp có thể mở rộng cho các loại kết cấu cầu khác nhau, tuy nhiên cần điều chỉnh mô hình vật liệu và thu thập dữ liệu phù hợp để đảm bảo độ chính xác trong từng trường hợp cụ thể.

5. Lợi ích của việc sử dụng deep learning trong giám sát kết cấu là gì?
   Deep learning giúp tự động hóa quá trình phân loại, khai thác đặc trưng tiềm ẩn trong dữ liệu, nâng cao độ chính xác, giảm thiểu sai số do con người và tăng khả năng ứng dụng thực tế trong giám sát sức khỏe kết cấu.

Kết luận

• Luận văn đã phát triển thành công giải thuật LF-CI-CNN ứng dụng deep learning để khảo sát mức độ mất mát năng lượng phục vụ theo dõi sức khỏe kết cấu cầu.
• Mô hình đàn-nhớt Kelvin-Voigt được áp dụng hiệu quả trong đánh giá đồng thời tính đàn hồi và cản nhớt của vật liệu bê tông cốt thép.
• Bộ dữ liệu mô phỏng 5500 mẫu hình ảnh phân bố LF được sử dụng để đào tạo mạng CNN với độ chính xác kiểm tra đạt 98.1%.
• Giải thuật được ứng dụng thành công cho các kết cấu cầu thực tế tại TP. Hồ Chí Minh, hỗ trợ đánh giá mức độ suy yếu cơ tính vật liệu và quyết định bảo trì.
• Đề xuất các bước tiếp theo bao gồm triển khai hệ thống giám sát tự động, mở rộng phạm vi nghiên cứu và phát triển phần mềm hỗ trợ người dùng nhằm nâng cao hiệu quả quản lý kết cấu cầu.

Hành động tiếp theo là phối hợp với các cơ quan quản lý và đơn vị vận hành cầu để triển khai thử nghiệm thực tế, đồng thời mở rộng nghiên cứu ứng dụng cho các loại kết cấu khác nhằm nâng cao độ an toàn và bền vững của hệ thống giao thông.

Trích đoạn nội dung tài liệu

Đặt vấn đề Trong cuộc sống hiện đại, có nhiều công trình xây dựng được sử dụng cho nhiều mục đích phục vụ xã hội. Kết cấu cầu là một loại công trình được sử dụng rộng rãi giúp tăng cường mức độ giao thông, vận tải từ đó mà góp một phần lớn cho sự phát triển kinh tế, thị trường. Việt Nam là một quốc gia có hệ thống sông ngòi lớn vì vậy mà số lượng cầu được xây dựng và khai thác cũng rất nhiều. Từ đó mà một vấn đề cấp thiết cần được chú trọng thực hiện và nâng cao độ chính xác đó là công tác giám sát kiểm tra sức khỏe kết cấu cầu.

Do cầu là kết cấu được khai thác cho mục đích giao thông nên phải chịu những trường hợp tải trọng lớn, ngẫu nhiên, bất ổn định và đa dạng. Những trường hợp tải trọng này có thể gây ra những hư hại cho kết cấu một cách nhanh chóng. Ngoài ra, tác động của môi trường, lão hóa, thiên tai cũng ảnh hưởng lớn đến kết cấu cầu theo nhiều phương diện. Có thể gây ra suy giảm về cơ tính vật liệu hay hư hại về mặt kết cấu của cầu.

Như vậy, việc giám sát độ bền của cầu càng trở nên quan trọng vì sự an toàn của kết cấu cầu có thể ảnh hưởng tới kinh tế, giao thông và đặc biệt là tính mạng con người.2 Mục đích nghiên cứu Công trình cầu là kết cấu chịu dao động khi tải động đi qua. Trong điều kiện làm việc thực tế, hầu hết các phương tiện tải trọng đủ lớn đều có khả năng làm dầm cầu dao động. Những đặc trưng dao động thể hiện tình trạng của kết cấu cầu. Tuy nhiên, với việc thực hiện kiểm tra dưới trường hợp tải tĩnh cố định sẽ tạo ra những chuyển vị khác biệt với biên độ khi cầu dao động.

Điều này khiến cho việc kiểm định bằng tải trọng tĩnh không đánh giá được tổng thể tình trạng của kết cấu cầu. Hơn nữa, hiện nay công tác thực hiện kiểm định bằng những tải trọng tĩnh tiền định (biết trước) đòi hỏi quá trình thực hiện phức tạp, kinh phí lại rất cao, do đó thời gian giữa các lần thực hiện kiểm định là rất dài. Những vấn đề này có thể được giải quyết nếu có thể xác định tình trạng kết cấu thông Cơ kỹ thuật Nguyễn Nhật Tâm 1970362 2 qua tín hiệu đo dao động cầu dưới tải trọng động thực tế. Với ưu điểm đo đạc dễ dàng và chi phí thấp.

Những đáp ứng đo dao động được chứng minh là bao hàm các đặc trưng có độ nhạy cao với sự thay đổi cơ học của kết cấu. Phương pháp nhận diện hư hại kết cấu dựa trên dao động được tiếp cận dựa trên hai nhánh chính: các phương pháp dựa trên mô hình (model-based methods) và các phương pháp không dựa trên mô hình (non-model based methods). Các quá trình trích xuất đặc trưng có thể được thực hiện trong ba miền cơ bản: miền thời gian, miền tần số và miền thời gian – tỉ lệ. Nhiều thông số dao động được đề xuất để phục vụ các mức độ giám sát hư hại như: nhận diện hư hại, định vị hư hại, xác định loại hư hại, định lượng hư hại.

Những biện pháp giám sát kết cấu dựa trên tín hiệu dao động hiện đang được nghiên cứu và phát triển rộng rãi bên cạnh các phương pháp cục bộ khác ( Hình 1. Các bài toán giám sát, chuẩn đoán hư hại [1] Cơ kỹ thuật Nguyễn Nhật Tâm 1970362 3 Có nhiều phương pháp nhận diện hư hại kết cấu dựa trên dao động được nghiên cứu và phát triển. Những phương pháp này đề xuất những kỹ thuật trích xuất đặc trưng dao động từ những đáp ứng đo lường (chuyển vị, biến dạng, gia tốc, …) để phục vụ công tác nhận diện hư hại kết cấu. Và các nghiên cứu này chứng minh rằng dữ liệu dao động của kết cấu là cơ sở dữ liệu chứa đựng nhiều đặc trưng tiềm năng cho việc giám sát tình trạng kết cấu.

Đáp ứng lại sự cần thiết của công tác giám sát kiểm tra kết cấu cầu, luận văn được thực hiện với mục đích nghiên cứu là thành lập được một phương pháp chuyên dụng để giám sát tình trạng kết cấu của cầu dựa trên đánh giá tình trạng của cơ tính vật liệu.3 Mục tiêu nghiên cứu, đối tượng và phạm vi nghiên cứu Trong phạm vi giới hạn về thời gian, nhân lực và yêu cầu của một luận văn thạc sĩ nên đối tượng chủ yếu trong nghiên cứu này là dầm cầu thực tế (dầm tựa hai đầu). Phạm vi nghiên cứu là khảo sát mức độ mất mát năng lượng của dao động dầm. Đối với mức độ mất mát năng lượng dưới tải trọng ngẫu nhiên của dầm cầu thực tế thì sự phân bố giá trị là một đặc tính quan trọng và sẽ được chú trọng xử lý. Sự phân bố các giá trị mất mát năng lượng được đánh giá thông qua một thông số là hệ số tiêu tán (loss factor).

Sự thay đổi về giá trị và phân bố của các hệ số tiêu tán này sẽ thể hiện tình trạng hiện tại của kết cấu. Thông số này được xác định bởi ảnh hưởng của cả hai đặc trưng cơ tính bao gồm tính đàn hồi và tính cản nhớt của vật liệu và kết cấu. Trong nghiên cứu này, hệ số tiêu tán được tính toán xác định từ những đặc trưng dao động (liên hệ thông qua mối quan hệ với các đặc trưng cơ tính). Với một kết cấu dầm cầu trong thực tế, việc sử dụng cảm biến để đo đạc các tín hiệu dao động là đơn giản và chi phí thấp.

Kết cấu cầu là một loại kết cấu quan trọng làm việc dưới tải trọng lớn dẫn đến nguy cơ suy giảm cơ tính vật liệu và kết cấu có khả năng xảy ra rất nhanh. Vì đó mà việc giám sát sức khỏe kết cấu đối với cầu trở nên cấp thiết và quan trọng. Quá trình giám sát chú trọng đến sự hư hỏng về mặt kết cấu với thông số điển hình là độ cứng đã được thực hiện nhiều. Tuy nhiên, việc giám sát về mặt suy giảm cơ tính vật liệu thì còn rất ít được nghiên Cơ kỹ thuật Nguyễn Nhật Tâm 1970362 4 cứu.

Do đó, nghiên cứu này sẽ thực hiện khảo sát sự suy giảm cơ tính vật liệu của kết cấu cầu thông qua độ mất mát năng lượng theo phương thức. Thông số được sử dụng khảo sát là hàm hệ số tiêu tán năng lượng. Đáng chú ý, thông số này thể hiện ảnh hưởng của cả tính đàn hồi và tính cản nhớt của vật liệu từ đó mà sự đánh giá trở nên toàn diện hơn. Dữ liệu dao động là phổ mật độ công suất được sử dụng làm cơ sở tính toán hàm hệ số tiêu tán.

Luận văn thực hiện với số liệu mô phỏng các tình trạng suy yếu vật liệu bê tông cốt thép. Ứng với mỗi tín hiệu dao động sẽ cho một tập giá trị các hệ số tiêu tán và sự phân bố tập giá trị này được xem xét để đánh giá mức độ cơ tính vật liệu. Với dữ liệu mẫu từ mô phỏng các mức độ cơ tính vật liệu, luận văn đề xuất kỹ thuật học sâu (deep learning) là mạng nơ-ron tích chập để đào tạo một hệ thống phân loại tình trạng kết cấu thành các mức độ tương ứng như trên. Với đầu vào được xây dựng là hình ảnh phân bố tập hệ số tiêu tán được hồi quy thành một mặt phẳng thông qua phép nội suy khối.

Như vậy, các tình trạng cơ tính vật liệu sẽ được phân thành các tình trạng tương ứng với các mức độ cơ tính vật liệu được khảo sát mô phỏng và dùng làm cơ sở dữ liệu. Kết quả phân loại này phục vụ cho quá trình giám sát và quyết định bảo trì, sửa chữa. Mục tiêu nghiên cứu là sử dụng deep learning để khảo sát được mức độ mất mát năng lượng của dầm cầu khi chịu tải tự nhiên (tải làm việc của cầu). Luận văn sử dụng deep learning để phân loại các tình trạng kết cấu của cầu đặc trưng cho các mức độ suy yếu về cơ tính vật liệu và kết cấu.

Phương pháp được xây dựng để đánh giá tình trạng của kết cấu dầm cầu và phục vụ cho công thác theo dõi sức khỏe kết cấu cầu: - Dựa trên dữ liệu dao động thực tế của kết cấu cầu tại thành phố Hồ Chí Minh, Việt Nam. - Khảo sát thay đổi quan hệ thay đổi cơ tính với thay đổi các đặc trưng dao động. - Đánh giá độ mất mát năng lượng và xác định mức độ tối ưu. - Deep learning phân loại tình trạng kết cấu cầu dựa trên mạng nơ-ron tích chập.

Cơ kỹ thuật Nguyễn Nhật Tâm 1970362 5 Chương 2. Tổng quan tài liệu Theo dõi sức khỏe kết cấu (Structural Health Monitoring—SHM) tập trung vào cải thiện hiệu suất và an toàn kết cấu, và có rất nhiều các nghiên cứu liên quan vấn đề này trong nhiều lĩnh vực kỹ thuật [2-5]. Tổng thể, những suy yếu hoặc hư hại trong kết cấu dẫn đến những sự thay đổi bất thường trong những đáp ứng đo được [6-9]. Những đáp ứng dao động (như chuyển vị, biến dạng, gia tốc, …) thường được chọn là các đáp ứng được đo đạc.

Các đại lượng này được đo lường dễ dàng và chứa đựng các đặc trưng dao động thể hiện điều kiện hiện tại của kết cấu. Nhiều nghiên cứu đã chứng minh rằng các đặc trưng dao động có độ nhạy cao với hư hại và suy yếu kết cấu [10-14]. Theo đó, nhận diện hư hại dựa trên dao động (Vibration-Based Damage Detection—VBDD) đã được phát triển và được nghiên cứu, ứng dụng rộng rãi. VBDD tập trung vào khai thác các đặc trưng có độ nhạy cao với hư hại để xác định điều kiện hiện tại của kết cấu [15, 16].

Với các phương pháp và công nghệ hiện đại, VBDD kết hợp với các mạng thần kinh nhân tạo (artificial neural network) ngày càng được phát triển [17-19]. Hầu hết các phương pháp VBDD có thể được phân loại thành hai dạng: dựa trên mô hình (model-based methods) và không dựa trên mô hình (non-model-based methods). Các phương pháp dựa trên mô hình [20-22] thường được sử dụng nhiều hơn do phương pháp này dễ dàng trong việc điều khiển các thay đổi cơ học và từ đó dẫn đến các thay đổi tương ứng của các đặc trưng dao động. Tuy nhiên, hạn chế chính của cách tiếp cận này đó là các kịch bản thay đổi cơ học trong nghiên cứu có thể không phù hợp với những diễn biến xảy ra trong kết cấu thực tế.

Ngược lại, các phương pháp không dựa trên mô hình gặp khó khăn trong việc xây dựng một cơ sở dữ liệu lớn tương ứng với các điều kiện kết cấu thực tế [23].