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

• 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

• 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

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.

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.