Chẩn đoán kết cấu cầu dựa trên chuỗi dữ liệu đo dao động theo thời gian kết hợp sử dụng mạng học sâu tích chập

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI
----------------------

HỒNG THANH NAM

CHẨN ĐỐN KẾT CẤU CẦU DỰA TRÊN CHUỖI DỮ LIỆU ĐO
DAO ĐỘNG THEO THỜI GIAN KẾT HỢP SỬ DỤNG MẠNG HỌC
SÂU TÍCH CHẬP

LUẬN ÁN TIẾN SĨ

HÀ NỘI – 2023


BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI
----------------------

HỒNG THANH NAM

CHẨN ĐỐN KẾT CẤU CẦU DỰA TRÊN CHUỖI DỮ LIỆU ĐO
DAO ĐỘNG THEO THỜI GIAN KẾT HỢP SỬ DỤNG MẠNG HỌC
SÂU TÍCH CHẬP

Ngành

: Kỹ thuật xây dựng cơng trình giao thơng

Mã số

: 9580205

LUẬN ÁN TIẾN SĨ
NGƯỜI HƯỚNG DẪN KHOA HỌC:
1. PGS.TS. Hoàng Hà
2. TS. Nguyễn Thị Cẩm Nhung

HÀ NỘI – 2023


LỜI CAM ĐOAN
Tơi xin cam đoan đây là cơng trình nghiên cứu khoa học độc lập của riêng
tôi. Các số liệu sử dụng phân tích trong luận án có nguồn gốc rõ ràng, đã công bố
theo đúng quy định. Các kết quả nghiên cứu trong luận án do tôi tự tìm hiểu, phân
tích một cách trung thực. Việc tham khảo các nguồn tài liệu đã được thực hiện trích
dẫn và ghi nguồn tài liệu tham khảo đúng quy định.

Hà Nội, ngày 11 tháng 9 năm 2023
Tác giả

Hoàng Thanh Nam


-i-

LỜI CẢM ƠN
Tác giả xin bày tỏ lòng biết ơn sâu sắc đến thầy, cơ giáo hướng dẫn: PGS. TS.
Hồng Hà, TS. Nguyễn Thị Cẩm Nhung đã tận tình hướng dẫn, giúp đỡ, tạo điều kiện
và động viên trong suốt q trình học tập, nghiên cứu và hồn thành luận án.
Tác giả chân thành cảm ơn tập thể các thầy, cô bộ môn Cầu Hầm và khoa Đào

tạo Sau đại học trường Đại học Giao thông vận tải đã tạo điều kiện thuận lợi giúp đỡ và
hướng dẫn trong suốt thời gian tác giả nghiên cứu tại Bộ môn và khoa.
Tác giả trân trọng cảm ơn tập thể các thầy, cơ trường Đại học Giao thơng vận tải
đã đóng góp nhiều ý kiến quý báu và có giá trị cho nội dung đề tài luận án.
Tác giả xin bày tỏ lịng biết ơn các bạn bè, đồng nghiệp tận tình giúp đỡ và động
viên trong suốt quá trình tác giả học tập, nghiên cứu và hoàn thành luận án.
Cuối cùng, tác giả xin bày tỏ lòng biết ơn sâu sắc tới các thành viên gia đình đã
thơng cảm tạo điều kiện và chia sẻ những khó khăn trong suốt quá trình học tập, nghiên
cứu và hồn thành luận án.


- ii -

MỤC LỤC
DANH MỤC HÌNH VẼ.........................................................................................v
DANH MỤC BẢNG BIỂU................................................................................ viii
DANH MỤC CHỮ VIẾT TẮT............................................................................ ix
MỞ ĐẦU...............................................................................................................1
1. Mở đầu............................................................................................................. 1
2. Mục tiêu nghiên cứu..........................................................................................7
3. Phương pháp nghiên cứu....................................................................................7
4. Đối tượng và phạm vi nghiên cứu.......................................................................8
5. Ý nghĩa khoa học và thực tiễn.............................................................................8
6. Nội dung và kết cấu của luận án..........................................................................8
CHƯƠNG 1 : TỔNG QUAN VỀ NGHIÊN CỨU CHẨN ĐOÁN SỨC KHỎE
KẾT CẤU CƠNG TRÌNH CẦU DỰA TRÊN PHƯƠNG PHÁP ĐO NHẬN
DẠNG DAO ĐỘNG............................................................................................11
1.1 Tổng quan về nghiên cứu chẩn đoán sức khỏe kết cấu cơng trình cầu dựa trên
phương pháp đo nhận dạng dao động...................................................................... 11
1.1.1 Giới thiệu về chẩn đốn sức khỏe kết cấu cơng trình cầu dựa trên phương

pháp đo nhận dạng dao động............................................................................ 11
1.1.2 Mục đích của chẩn đoán sức khỏe kết cấu dựa trên phương pháp đo nhận
dạng dao động.................................................................................................13
1.1.3 Sự phát triển của các phương pháp chẩn đoán sức khỏe kết cấu dựa trên
phương pháp đo nhận dạng dao động................................................................16
1.2 Các nghiên cứu trên thế giới về chẩn đoán kết cấu dựa trên phương pháp đo nhận
dạng dao động....................................................................................................... 21
1.3 Các nghiên cứu ở Việt Nam về chẩn đoán kết cấu dựa trên phương pháp đo nhận
dạng dao động....................................................................................................... 27
1.4 Kết luận Chương 1...........................................................................................30


- iii
-

CHƯƠNG 2 CƠ SỞ LÝ THUYẾT VỀ GIÁM SÁT SỨC KHỎE KẾT CẤU SỬ
DỤNG DỮ LIỆU CHUỖI THỜI GIAN DỰA TRÊN CÁC ĐẶC TRƯNG
ĐỘNG HỌC........................................................................................................32
2.1 Khái niệm về dữ liệu chuỗi thời gian (Time series data)......................................32
2.2 Dữ liệu chuỗi thời gian cho giám sát sức khỏe kết cấu........................................ 34
2.3 Các loại dữ liệu chuỗi thời gian.........................................................................37
2.4 Tính bất định của dữ liệu chuỗi thời gian trong giám sát sức khỏe kết cấu cầu.......... 39
2.4.1 Phương trình dao động của kết cấu [131].................................................39
2.4.2 Dao động tự do [131]............................................................................. 41
2.4.3 Dao động tắt dần [131]...........................................................................45
2.4.4 Đặc trưng bất định, ngẫu nhiên của chuỗi dữ liệu theo thời gian trong giám
sát sức khỏe kết cấu cầu................................................................................... 47
2.5 Phương pháp xấp xỉ tổng hợp tượng trưng (Symbolic Aggregate
approXimation – SAX).......................................................................................... 51
2.6 Phương pháp phân rã sóng rời rạc đa cấp (Multilevel Discrete Wavelet

Decomposition – MDWD)..................................................................................... 54
2.7 Kết luận Chương 2...........................................................................................56
CHƯƠNG 3 MẠNG HỌC SÂU TRUYỀN THỐNG VÀ MẠNG HỌC SÂU
TÍCH CHẬP ỨNG DỤNG TRONG CHẨN ĐỐN KẾT CẤU CƠNG TRÌNH
CẦU.....................................................................................................................57
3.1 Mạng học sâu truyền thống...............................................................................57
3.1.1 Cấu trúc cơ bản của mạng học sâu truyền thống....................................... 59
3.1.2 Một số mạng học sâu truyền thống..........................................................63
3.1.3 Mạng học sâu CNN 2 chiều (2DCNN)....................................................63
3.1.4 Mạng học sâu CNN một chiều................................................................64
3.2 Mạng học sâu tích chập đề xuất.........................................................................66
3.3 Kết luận chương 3............................................................................................73


- iv
-

CHƯƠNG 4 ÁP DỤNG MẠNG HỌC SÂU TÍCH CHẬP KẾT HỢP PHƯƠNG
PHÁP SAX-MDWD ĐỂ CHẨN ĐOÁN CÁC HƯ HỎNG CHO MƠ HÌNH CẦU
.............................................................................................................................74
4.1 Áp dụng mạng học sâu tích chập kết hợp phương pháp SAX-MDWD để chẩn đoán
các hư hỏng cho mơ hình cầu thực tế.......................................................................74
4.1.1 Giới thiệu mơ hình cầu...........................................................................74
4.1.2 Xử lý dữ liệu......................................................................................... 79
4.1.3 Kiến trúc mạng......................................................................................82
4.1.4 Huấn luyện mạng và phân tích kết quả.................................................... 84
4.2 Áp dụng mạng học sâu tích chập để chẩn đốn các hư hỏng cho mơ hình cầu trong
phịng thí nghiệm...................................................................................................93
4.2.1 Mơ tả mơ hình....................................................................................... 93
4.2.2 Thí nghiệm đo dao động mơ hình cầu dây văng....................................... 95

4.2.3 Phân tích xử lý số liệu............................................................................ 99
4.2.4 Xử lý dữ liệu....................................................................................... 103
4.2.5 Các trường hợp tạo hư hỏng................................................................. 104
4.2.6 Kiến trúc mạng....................................................................................105
4.2.7 Phân tích kết quả..................................................................................107
4.3 Kết luận chương 4..........................................................................................111
KẾT LUẬN VÀ KIẾN NGHỊ........................................................................... 112
TÀI LIỆU THAM KHẢO................................................................................PL1
DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ CỦA LUẬN ÁN............PL14
Phụ lục: Code................................................................................................. PL15


-v -

DANH MỤC HÌNH VẼ
Hình 0.1 Q trình chẩn đốn hư hỏng kết cấu cơng trình.................................................................. 5
Hình 1.1 Q trình phát triển của hệ thống quan trắc (Wenzel, 2003)................................................19
Hình 1.2 Giới thiệu một hệ thống “quan trắc thơng minh”................................................................19
Hình 1.3 Hệ thống quan trắc cầu dây võng Akashi Kaikyo, Nhật Bản...............................................20
Hình 2.1. Một số loại dữ liệu theo thời gian; (a) Dữ liệu về nhiệt độ hàng ngày thấp nhất theo thời gian,
(b) Dữ liệu gia tốc theo thời gian trích xuất từ các cảm biến..............................................................32
Hình 2.2. Tính ổn định và không ổn định của dữ liệu chuỗi thời gian: (a) chuỗi thời gian ổn định, chuỗi
thời gian không ổn định (b – d)......................................................................................................38
Hình 2.3. Hệ thống một bậc tự do lý tưởng hóa: (a) các thành phần cơ bản; (b) lực ở trạng thái cân bằng.
...................................................................................................................................................39
Hình 2.4. Mơ hình phần tử nhiều bậc tự do.....................................................................................41
Hình 2.5. Ứng dụng của phương pháp SAX để giảm chiều dữ liệu................................................... 53
Hình 2.6. Phân rã sóng rời rạc ba mức độ của tín hiệu......................................................................56
Hình 3.1. Kernel kích thước 3*3....................................................................................................57
Hình 3.2. Máy tính coi một hình ảnh là một mảng số. Ma trận bên phải chứa các số từ 0 đến 255 (giá trị

pixel), mỗi số tương ứng với độ sáng pixel trong hình ảnh bên trái. Hình ở giữa là hình ảnh tổng hợp của
ma trận bên phải và hình ảnh bên trái.............................................................................................58
Hình 3.3. Một kiến trúc CNN đơn giản bao gồm năm lớp................................................................60
Hình 3.4. Max pooling với kích thước (2,2)....................................................................................61
Hình 3.5. Sau lớp gộp (2*2)..........................................................................................................62
Hình 3.6. Tích hợp tối đa và tích hợp trung bình..............................................................................62
Hình 3.7. Lớp được kết nối đầy đủ.................................................................................................63
Hình 3.8. Hình minh họa CNN mẫu với 2 lớp chập và một lớp được kết nối đầy đủ...........................64
Hình 3.9. Một cấu hình 1DCNN mẫu với 3 lớp CNN và 2 ANN......................................................66
Hình 3.10. Mơ hình RNN cho bài tốn...........................................................................................67
Hình 3.11. Mơ hình LSTM...........................................................................................................69
Hình 3.12. Băng chuyền truyền dữ liệu của LSTM.........................................................................70
Hình 3.13. Kiến trúc mạng lai 1-DCNN-LSTM..............................................................................72
Hình 4.1 Hình chiếu đứng và hình chiếu bằng của cầu Z24 [129]..................................................... 75


- vi Hình 4.2 (a) Hình ảnh cầu Z24 trước khi tạo hư hỏng, (b) Cắt, tạo hư hỏng ở thân trụ, (c) kích nâng trụ,
(d) tạo đứt cáp DƯL [129]............................................................................................................ 76
Hình 4.3 Sơ đồ bố trí các điểm đo (a) mặt bằng, (b) mặt đứng [129]................................................. 77
Hình 4.4 (a) – (h) Dữ liệu gia tốc theo thời gian tại các sensors......................................................... 79
Hình 4.5 Quá trình tiền xử lý dữ liệu động theo thời gian................................................................. 80
Hình 4.6 Dữ liệu gia tốc theo thời gian tại một sensors sau khi được xử lý bằng phương pháp MDWD
và SAX.......................................................................................................................................81
Hình 4.7 Dữ liệu gia tốc theo thời gian tại của 16 lớp sau khi được xử lý........................................... 82
Hình 4.8 Kiến trúc của mạng 1DCNN-LSTM đề xuất.....................................................................83
Hình 4.9 Đặc trưng của mạng 1DCNN-LSTM (MDWD-SAX-1DCNN-LSTM)..............................83
Hình 4.10 Đặc trưng của mạng 1DCNN-LSTM............................................................................. 84
Hình 4.11 Đặc trưng của mạng 1DCNN........................................................................................ 84
Hình 4.12 Giao diện của Google colab...........................................................................................85
Hình 4.13 Sự hội tụ của các mơ hình (a) độ hội tụ quá trình huấn luyện của 3 phương pháp; (b) độ hội tụ

quá trình đánh giá mạng của 3 phương pháp...................................................................................85
Hình 4.14. Ma trận lỗi (a) 1DCNN; (b) 1DCNN-LSTM; (c) MDWD-SAX-1DCNN-LSTM. 91
Hình 4.15 Kết quả độ chính xác của các mạng ở bước đánh giá........................................................91
Hình 4.16 Mơ hình cầu dây văng trong phịng thí nghiệm................................................................93
Hình 4.17 Neo dây cáp được hàn cố định trên bản mặt cầu.............................................................. 94
Hình 4.18 Hệ thống điều chỉnh lực căng dây văng tại đỉnh tháp........................................................94
Hình 4.19 Quả nặng được treo dưới các neo cáp tại bản dưới của kết cấu nhịp...................................95
Hình 4.24 Đầu đo gia tốc PCB-353B34......................................................................................... 96
Hình 4.25 Bộ thu thập dữ liệu cDAQ-9178 và mơ đun đầu vào NI-9234...........................................96
Hình 4.26. Các sơ đồ bố trí điểm đo dao động.................................................................................98
Hình 4.27 Bố trí đầu đo gia tốc tại các vị trí theo sơ đồ đo................................................................ 98
Hình 4.28 Tạo lực kích thích.........................................................................................................98
Hình 4.29 Theo dõi dữ liệu đo theo thời gian bằng phần mềm LabView 2014................................... 99
Hình 4.30 Dữ liệu đo trên miền thời gian trước và sau khi áp dụng biến đổi Fourier........................... 99
Hình 4.31 Dữ liệu thơ thu được từ các cảm biến............................................................................103
Hình 4.32 Dữ liệu sau khi biến đổi dùng SAX-MDWD.................................................................104
Hình 4.33 Trường hợp hư hỏng trên mơ hình cầu dây văng (hư hỏng cấp 2)....................................105


- vii Hình 4.34 Đặc trưng của mạng 1DCNN-LSTM........................................................................... 106
Hình 4.35 Đặc trưng của mạng 1DCNN...................................................................................... 106
Hình 4.36 Sự hội tụ của các mơ hình (a) độ hội tụ q trình huấn luyện; (b) độ hội tụ quá trình đánh giá
mạng của mơ hình..................................................................................................................... 107
Hình 4.37 Ma trận lỗi (a) 1DCNN; (b) 1DCNN-LSTM; (c) MDWD-SAX-1DCNN-LSTM 109
Hình 4.38 Kết quả độ chính xác của các mạng ở bước đánh giá......................................................110


- viii -

DANH MỤC BẢNG BIỂU

Bảng 4.1. Các trường hợp tạo ra hư hỏng và các nhãn tương ứng [130].............................................75
Bảng 4.2. Kết quả huấn luyện mạng sử dụng 1DCNN.....................................................................88
Bảng 4.3. Kết quả huấn luyện mạng sử dụng 1DCNN-LSTM..........................................................89
Bảng 4.4. Kết quả huấn luyện mạng sử dụng MDWD-SAX-1DCNN-LSTM................................... 89
Bảng 4.6: Đặc trưng động của 07 hình thái dao động đầu tiên của cầu.............................................101
Bảng 4.7. Kết quả đo đặc trưng dao động trên mơ hình..................................................................103
Bảng 4.8. Kết quả huấn luyện mạng sử dụng 1DCNN...................................................................108
Bảng 4.9. Kết quả huấn luyện mạng sử dụng 1DCNN-LSTM........................................................108
Bảng 4.10. Kết quả huấn luyện mạng sử dụng MDWD-SAX-1DCNN-LSTM................................109


- ix
-

DANH MỤC CHỮ VIẾT TẮT
Chữ
viết tắt
1DCNN
2D
2DCNN
ANN
AR
ARMA
ARX
BP
BHMS

Thuật ngữ đầy đủ tiếng Anh
One-dimensional convolutional
neural network

Two Dimension
Two-dimensional convolutional
neural network

Tiếng Việt

Mạng học sâu CNN 1 chiều
Lưới hai chiều
Mạng học sâu CNN 2 chiều

Artificial Neural Network

Mạng nơ ron nhân tạo

AutoRegressive

Tự động hồi quy

AutoRegressive Moving Average

Trung bình tự động hồi quy

AutoRegressive with eXogenous

Tự động hồi quy với đầu vào

input

điện tử

Back-propagation

Thuật toán lan truyền ngược

Bridge Structural Health
Monitoring

Giám sát sức khỏe kết cấu cầu

CNN

Convolutional Neural Network

Mạng nơ-ron tích chập

DSF

Damage-Sensitive Features

Các hư hỏng

DL

Deep Learning

Mơ hình học sâu

DOFs

Degree of freedom

Bậc tự do

SDOF

Single degree of freedom

Một bậc tự do

MDOF

Multi degree of freedom

Nhiều bậc tự do

FFT

Fast Fourier Transform

Chuyển đổi nhanh Fourier


-x -

FN

False Negative

Âm tính giả

FP

False Positive

Dương tính giả

GD

Gradient Descent

Độ dốc đi xuống

GA

Genetic Algorithm

Thuật toán di truyền

Long Short-Term Memory

Bộ nhớ ngắn dài hạn

Machine Learning

Học máy

Modified National Institute of

Viện tiêu chuẩn và công nghệ

Standards and Technology

quốc gia

NCS

Postgraduate

Nghiên cứu sinh

PSO

Particle swarm optimization

Tối ưu bầy đàn

PCA

Principal Component Analysis

Phân tích thành phần chính

RNN

Recurrent Neural Networks

Mạng nơ ron hồi quy

SHM

Structural Health Monitoring

Giám sát sức khỏe kết cấu

TN

True Negative

Âm tính thực

TP

True Positive

Dương tính thực

Vector AutoRegressive

Vector tự động hồi quy

LSTM
ML
MNIST

VAR


-1 -

MỞ ĐẦU

1. Mở đầu
Chẩn đoán kết cấu cầu là q trình phân tích sự thay đổi về các đặc trưng dao
động như tần số và dạng dao động để phát hiện hư hỏng, khuyết tật của kết cấu dựa trên
tích chất tương quan khá chặt chẽ của các đặc trưng vật lý và cơ học với các đáp ứng
động học và động lực học của kết cấu.
Trong quá trình khai thác, có rất nhiều nguyên nhân gây ra hư hỏng cũng như
làm ảnh hưởng đến chất lượng và tuổi thọ của các cơng trình cầu như các tác động tự
nhiên (bão, lũ, động đất,…) hoặc các tác động do con người (xe quá tải, tai nạn,…).
Ngoài ra bên trong kết cấu các cơng trình cịn có tần số dao động tự nhiên, gây ra dao
động khuếch đại khi trùng hoặc là bội số với tần số của phương tiện di chuyển (cộng
hưởng cơ học) sẽ làm cho kết cấu cơng trình bị hư hỏng.
Các sự cố xảy ra đối với các cơng trình cầu khơng chỉ làm ảnh hưởng đến kinh tế
mà cịn gây mất an tồn cho người và phương tiện tham gia giao thơng. Vì vậy trong
những thập kỷ vừa qua, kiểm sốt an tồn của các cơng trình cầu là vấn đề nhận được sự
quan tâm đặc biệt của các khoa học cũng như các cơ quan quản lý. Kiểm tra thường
xuyên và đánh giá tình trạng của các kết cấu cơng trình là rất cần thiết để phát hiện sớm
các khiếm khuyết của cơng trình. Từ đó cho phép bảo trì và sửa chữa kết cấu ở giai đoạn
sớm, đảm bảo sự an toàn và độ tin cậy của kết cấu với chi phí tối thiểu.
Với các phương pháp truyền thống, cơng việc kiểm sốt an tồn khai thác của
các cơng trình cầu được thực hiện theo các Tiêu chuẩn kỹ thuật [132], [133] về kiểm
tra, kiểm định, đánh giá tình trạng kỹ thuật của cơng trình theo các u cầu thường
xun, định kỳ hay đột xuất nhằm phát hiện hư hỏng, đánh giá mức độ ảnh hưởng để sử
dụng các giải pháp khắc phục, sửa chữa kịp thời. Trong đó phương pháp trực quan là
phương pháp được áp dụng phổ biến nhất để phát hiện các hư hỏng của kết cấu.


-2 -

Tuy nhiên, kích thước và độ phức tạp của các kết cấu ngày nay đang tăng lên,
làm giảm hiệu quả của phương pháp kiểm tra trực quan. Ngoài ra, q trình kiểm tra

trực quan địi hỏi người kiểm tra phải trực tiếp tiếp cận được những vị trí hư hỏng của
cơng trình để tiến hành thí nghiệm. Việc này đơi khi rất khó khăn trong trường hợp các
cầu khơng được gắn sẵn các hệ thống giúp tiếp cận vị trí cần kiểm tra, đặc biệt là ở mặt
dưới của kết cấu nhịp cầu. Kỹ thuật kiểm tra trực quan cũng giới hạn việc đánh giá hư
hỏng của kết cấu từ những biểu hiện trên bề mặt (nứt) hoặc thay đổi về mặt hình học
(nghiêng, võng), đơi khi khơng cung cấp đủ thơng tin để đánh giá tình trạng hư hỏng
bên trong của kết cấu (ví dụ như rỉ cốt thép dự ứng lực bên trong kết cấu bê tông dự ứng
lực). Giám sát sức khỏe kết cấu bằng phương pháp trực quan gây tốn kém và mất thời
gian, đặc biệt là khi việc tháo dỡ kết cấu (cắt, xẻ kết cấu...) là bắt buộc để có thể truy cập
vào khu vực cần kiểm tra. Những tác động này làm thay đổi tính chất vật lý và có thể
làm giảm khả năng chịu lực của kết cấu.
Bên cạnh phương pháp kiểm tra trực quan, phương pháp dựa trên các đáp ứng
tĩnh học (ứng suất, biến dạng, chuyển vị) cũng được áp dụng để giám sát sức khỏe các
cơng trình. Tuy nhiên, phương pháp này không phát hiện được các hư hỏng trong kết
cấu một cách trực tiếp và vẫn cần đến các phương pháp phá hủy như cưa, cắt để thu
được các đặc tính hư hỏng. Phương pháp này cũng có nhược điểm đó là phải tạm dừng
khai thác cơng trình trong q trình tiến hành thí nghiệm, gây những khó khăn cho các
cơng trình trên tuyến giao thơng quan trọng với mật độ giao thông qua lại lớn, hoặc các
cầu nằm trong thành phố.
Để khắc phục những nhược điểm của phương pháp kiểm tra trực quan cũng như
phương pháp thử nghiệm tĩnh, các phương pháp đánh giá, xác định hư hỏng trong kết
cấu khác đã được nghiên cứu, phát triển. Trong đó, phương pháp được nghiên cứu tập
trung hiện nay là phương pháp đánh giá tình trạng sức khỏe kết cấu dựa trên kết quả đo
các đặc trưng dao động (tần số dao động tự nhiên, dạng dao động, hệ số cản...). Do các
đặc trưng dao động của kết cấu (đặc biệt là dạng dao động) phụ thuộc vào sự phân bố về
độ cứng và khối lượng của nó, nên dựa


-3 -

vào các đặc trưng động học có thể giúp xác định được vị trí có khả năng xuất hiện hư
hỏng trong kết cấu.
Ưu điểm chính của phương pháp đánh giá tình trạng sức khỏe kết cấu dựa trên
kết quả đo các đặc trưng dao động là cung cấp thông tin tổng thể về tình trạng sức khỏe
kết cấu. Ngồi ra, từ việc phân tích sự thay đổi về các đặc trưng dao động như tần số và
dạng dao động, có thể xác định được vị trí hư hỏng. Vị trí hư hỏng này khơng nhất thiết
phải trùng với các vị trí đặt đầu đo để xác định các đặc trưng dao động. Các cảm biến đo
nhận dạng dao động giúp xác định các đặc trưng dao động của kết cấu có thể được gắn
tạm thời trên kết cấu khi cần thực hiện phép đo các hiệu ứng tĩnh và động hoặc được
gắn sẵn trên kết cấu để tạo ra hệ thống theo dõi sức khỏe cơng trình một cách liên tục.
Vì vậy luận án này sẽ tập trung vào cách tiếp cận chẩn đoán hư hỏng trong kết cấu dựa
trên dữ liệu động.
Hiện nay, để giám giám sát các cơng trình cầu một cách hiệu quả, thì u cầu các
cảm biến được lắp đặt lâu dài trên kết cấu cơng trình và dữ liệu được truyền liên tục về
các trung tâm xử lý dữ liệu với lượng dữ liệu cần xử lý là rất lớn, đồng thời dữ liệu trình
tự phổ biến nhất trong lĩnh vực giám sát sức khỏe kết cấu cơng trình là dữ liệu trình tự
theo thời gian, thường có sự phụ thuộc từ trước đến sau theo thứ nguyên thời gian. Vì
vậy, luận án này sẽ sử dụng chuỗi dữ liệu động thu được theo thời gian để chẩn đoán
hư hỏng kết cấu cầu.
Trong bài tốn chẩn đốn kết cấu, độ chính xác thường phụ thuộc rất lớn vào
chất lượng dữ liệu. Tuy nhiên, đặc tính của dữ liệu đo thường bị ảnh hưởng bởi yếu tố
ngẫu nhiên vì vậy việc thu thập dữ liệu cho bài toán này thường gặp phải nhiều thách
thức, bao gồm các vấn đề về chất lượng dữ liệu, bất đồng về định dạng dữ liệu, thiếu dữ
liệu và đặc biệt là nhiễu. Thực tế cho thấy, khi một đại lượng được đo, kết quả phụ
thuộc vào nhiều yếu tố như hệ thống thiết bị đo, trình tự thủ tục đo, kỹ năng của người
thao tác, yếu tố môi trường (nhiệt độ, gió) và các ảnh hưởng khác, do đó, việc sử dụng
các phương pháp cải thiện dữ liệu thô, đặc biệt là giảm tính bất định của dữ liệu là cần
thiết để tăng độ chính xác của mơ hình giám sát sức khỏe kết cấu. Chính vì vậy, trong
luận án này, NCS đề xuất áp dụng phương pháp xấp xỉ tổng hợp tượng trưng (Symbolic
Aggregate approXimation –

-4 -

SAX) và Phân rã sóng rời rạc đa cấp (Multilevel Discrete Wavelet Decomposition
– MDWD) để cải thiện dữ liệu.
Bài toán chẩn đoán hư hỏng kết cấu dựa trên dữ liệu động thơng thường gồm
một số mơ hình độc lập nhau, phổ biến như trích xuất đặc trưng, biến đổi đặc trưng và
bộ phân loại (Hình 0.1). Trong quá trình trích xuất đặc trưng, có nhiều phương pháp xử
lý tín hiệu như: Fourier Transform (FT), phép biến đổi Fourier thời gian ngắn (STFT),
phép biến đổi sóng Wavelet (WT), Phân rã chế độ thực nghiệm (EMD), v.v. Bằng cách
thực hiện một số biến đổi của tín hiệu chuỗi thời gian, các phương pháp trên có thể trích
xuất các đặc trưng phục vụ cho việc phân loại và chẩn đoán [1-2]. Phương pháp này
được đánh giá là hiệu quả đối với các kết cấu đơn giản, vì tín hiệu trạng thái thu được
thường có đặc tính tần số rõ ràng. Tuy nhiên, đối với kết cấu phức tạp, việc chẩn đoán
kết cấu chỉ dựa trên đặc trưng tần số hoặc đặc trưng tần số - thời gian theo cách dựa trên
kinh nghiệm của người kỹ sư là rất khó khăn, độ chính xác không cao.
Đồng thời, một số phương pháp trên được đánh giá cịn nhiều hạn chế, ví dụ
phương pháp FT có hiện tượng rị rỉ phổ và khơng phù hợp với các tín hiệu khơng ổn
định vì các đặc trưng tần số được chuyển đổi khơng có bất kỳ thơng tin miền thời gian
nào. Phép biến đổi Fourier thời gian ngắn có thể thực hiện phân tích thời gian - tần số
cục bộ, nhưng khi hàm cửa sổ được chọn, kích thước và hình dạng của cửa sổ là cố định
và không thể điều chỉnh phù hợp với các đặc trưng thời gian – tần số của tín hiệu. Phép
biến đổi sóng Wavelet [3] có thể phân tích thời gian - tần số cục bộ và có tính thích ứng
hơn với việc phân tích các tín hiệu biến thiên theo thời gian, tuy nhiên việc lựa chọn
hàm cơ sở, xác định các lớp phân rã vẫn cịn nhiều khó khăn trong q trình ứng dụng
sóng biến đổi. EMD là một phương pháp xử lý thời gian - tần số được đề xuất bởi
Huang và các cộng sự, đặc biệt phù hợp với các tín hiệu phi tuyến và khơng ổn định,
nhưng về cơ bản nó là một phương pháp phân rã tín hiệu thực nghiệm mà khơng có
định nghĩa cơng thức chính xác, vì vậy rất khó phân tích về mặt lý thuyết [4-5].

Các đặc trưng thu được bằng các phương pháp xử lý tín hiệu trên thường có kích
thước lớn, khơng có lợi cho việc nhận dạng mẫu sau này, vì vậy nhiều nhà


-5 -

nghiên cứu đã cố gắng cải thiện khả năng nhận dạng đặc trưng bằng cách sử dụng các
phương pháp chuyển đổi đặc trưng như xử lý thưa thớt, giảm chiều dữ liệu. Các phương
pháp được nghiên cứu nhiều nhất bao gồm phương pháp phân tích thành phần độc lập
(ICA) [6-7], và phương pháp phân tích suy biến (SVD) [8].

Hình 0.1 Q trình chẩn đốn hư hỏng kết cấu cơng trình

Bộ phân loại được sử dụng để phân loại các kết quả của việc trích xuất và biến
đổi đặc trưng, trong đó phương pháp Máy vectơ hỗ trợ (SVM) và thuật toán lan truyền
ngược (BPNN) thường được sử dụng để phân loại và phân tích hồi quy. Đối với kết cấu
giản đơn, loại phương pháp từng bước này được đánh giá là khá hiệu quả. Tuy nhiên,
đối với các kết cấu phức tạp và số chiều dữ liệu ngày càng cao, sẽ xuất hiện một số lỗi
mới. Một mơ hình chẩn đốn thơng minh phải có khả năng tổng qt hóa tốt để xử lý và
xác định các lỗi mới, tuy nhiên các phương pháp trên khơng có khả năng này. Quan
trọng hơn, q trình trích xuất tính năng truyền thống không được định hướng trực tiếp
đến việc phân loại lỗi, hư hỏng kết cấu, ngồi ra các mơ hình trên hoạt động độc lập,
nghĩa là bộ trích xuất đặc trưng và bộ phân loại độc lập với nhau, dẫn đến khả năng xuất
hiện lỗi trong việc trích xuất đặc trưng hay tính bất định trong chẩn đốn hư hỏng kết
cấu.
Do đó, điều quan trọng trong chẩn đốn kết cấu với chuỗi dữ liệu lớn theo thời
gian là phải có được một mơ hình chẩn đốn thơng minh, khơng chỉ tối ưu hóa trích
xuất đặc điểm và nhận dạng mẫu mà cịn có khả năng tổng qt hóa tốt. Những năm
gần đây, nhiều phương pháp đã được đề xuất để nâng cao hiệu quả và độ chính xác của
các phương pháp giám sát sức khỏe cơng trình. Trong các phương pháp được đề xuất,

phương pháp sử dụng học máy (Machine learning –


-6 -

ML) để hồn thiện quy trình đánh giá sức khỏe cơng trình dựa trên phân tích động đã
cho thấy những hiệu quả tiềm năng. Phương pháp học máy đã được ứng dụng để giải
quyết nhiều vấn đề kỹ thuật phức tạp, bao gồm nhận dạng, phân loại, hệ thống kiểm sốt
và xử lý hình ảnh…
Gần đây một số nhà nghiên cứu ở Việt Nam đã bắt đầu nghiên cứu sử dụng
phương pháp học máy, cụ thể là mạng nơ ron nhân tạo (Artificial neural network
– ANN) để giám sát sức khỏe kết cấu. Mặc dù kết quả nhận được khả quan tuy nhiên
các phương pháp ANN tồn tại những nhược điểm căn bản làm cho nó khó áp dụng cho
một số trường hợp thực tế, điển hình trong xử lý các dữ liệu ảnh và xử lý dữ liệu lớn.
Trong thực tế, để giám sát các cơng trình trực tuyến, thì yêu cầu các cảm biến được lắp
đặt lâu dài trên kết cấu cơng trình và dữ liệu được truyền liên tục về các trung tâm xử lý
dữ liệu, bao gồm cả dữ liệu ảnh và dữ liệu số, vì vậy lượng dữ liệu cần xử lý là rất lớn.
Hiện nay, xu hướng giám sát sức khỏe kết cấu sẽ theo dõi tồn bộ cơng trình, thay vì chỉ
tập trung vào các vị trí nghi ngờ, vì vậy lượng dữ liệu thu được tăng lên rất lớn, điều này
đang tạo ra các thách thức đối với các kỹ thuật phân tích và thu thập dữ liệu. Ví dụ như,
cầu Vincent Thomas ở San Pedro, California sử dụng 26 cảm biến để theo dõi sức khỏe
đã tạo ra khoảng 3 terabytes (TB) dữ liệu trên một năm; dự án theo dõi cầu ở Liên bang
Nga trích xuất khoảng 7 gigabytes (GB) dữ liệu mỗi ngày; hơn 20 GB dữ liệu đã thu
được trong quá trình kiểm tra đường sắt tự động tại thành phố Brockton, Massachusetts
hay theo dõi sức khỏe của các cánh tuabin gió ở Bỉ đã tạo ra hơn 300 GB dữ liệu trong 6
tháng. Vì vậy cần thiết phát triển và áp dụng những công cụ mạnh mẽ với tính linh hoạt
cao để xử lý các loại dữ liệu khác nhau, từ đó nâng cao được hiệu quả cũng như độ
chính xác trong chẩn đốn kết cấu.
Những năm gần đây, với sự phát triển của các hệ thống tính tốn cũng như các
thuật tốn học máy, các mơ hình học sâu (Deep Learning - DL) đã được áp dụng rộng

rãi trên thế giới, đặc biệt trong những ngành cơng nghiệp như chế tạo máy, dầu khí,
cơng trình,…, và nhận được nhiều sự quan tâm của các nhà nghiên cứu. Ưu điểm của
các mơ hình học sâu là tận dụng khả năng tự trích chọn được các đặc trưng của dữ liệu
từ lớp tích chập và bộ phân lớp được huấn luyện đồng


-7 -

thời. Cơ chế học đồng thời các đặc trưng và bộ phân lớp có thể hỗ trợ nhau trong quá
trình huấn luyện và quá trình phân lớp tìm ra tham số phù hợp với các vector đặc trưng
tìm được từ các lớp tích chập, ngược lại các lớp tích chập hiệu chỉnh lại các tham số của
chúng để cho các vector đặc trưng thu được là tuyến tính và phù hợp với bộ phân lớp
cuối cùng.
Trong lĩnh vực giám sát sức khỏe kết cấu cơng trình, với đặc điểm nguồn dữ liệu
lớn được đo dài hạn trên các kết cấu cơng trình, các mơ hình học sâu có thể khắc phục
hạn chế của các phương pháp truyền thống để có thể đánh giá, chẩn đốn và giám sát
tình trạng của cơ sở hạ tầng giao thơng. Các mơ hình học sâu được huấn luyện và có thể
phát hiện, phân loại và dự đốn chính xác vị trí, mức độ hư hỏng đang xảy ra với kết
cấu. Chính vì thế việc nghiên cứu, ứng dụng các mơ hình học sâu để phát hiện hư hỏng
các cơng trình hạ tầng giao thông là hết sức cấp thiết trong bối cảnh hiện nay. Các
phương pháp này sẽ giúp cho việc phát hiện hư hỏng,… được thuận lợi, dễ dàng và tiết
kiệm chi phí.
Do vậy, trong nội dung nghiên cứu của mình, nghiên cứu sinh tập trung đi sâu
nghiên cứu: “Chẩn đoán kết cấu cầu dựa trên chuỗi dữ liệu đo dao động theo thời
gian kết hợp sử dụng mạng học sâu tích chập” làm chủ đề nghiên cứu trong luận án
của mình.
2. Mục tiêu nghiên cứu
- Nghiên cứu bài toán chẩn đoán hư hỏng của kết cấu cơng trình cầu dựa vào các dữ
liệu động thu được từ các cảm biến.
- Đề xuất thuật tốn học sâu tích chập kết hợp để phát hiện các hư hỏng trong kết

cấu.
- Thực hiện và tham khảo các thí nghiệm đo dao động của cơng trình cầu thực tế,
sau đó áp dụng phương pháp đề xuất để chẩn đoán hư hỏng trong kết cấu.
3. Phương pháp nghiên cứu
- Phương pháp tổng hợp phân tích lý thuyết;
- Phương pháp số;