chẩn đoán phá hủy khung thép phi tuyến sử dụng học sâu

Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (4.98 MB, 155 trang )

<span class="text_page_counter">Trang 1</span><div class="page_container" data-page="1">

TRƯỜNG ĐẠI HỌC BÁCH KHOA <small>--- </small>

</div><span class="text_page_counter">Trang 2</span><div class="page_container" data-page="2">

TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP. HỒ CHÍ MINH

Cán bộ hướng dẫn: TS. Liêu Xuân Quí Chữ ký:……….

Cán bộ chấm nhận xét 1: TS. Nguyễn Hữu Anh Tuấn Chữ ký:……….

</div><span class="text_page_counter">Trang 3</span><div class="page_container" data-page="3">

<small>ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA </small>

<small>CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc Lập - Tự Do - Hạnh Phúc</small>

NHIỆM VỤ LUẬN VĂN THẠC SĨ

Họ và tên học viên: LÝ MINH NGUYỆT MSHV: 2170806 Ngày, tháng, năm sinh: 07/08/1994 Nơi sinh: TP.HCM Chuyên ngành: Kỹ thuật Xây dựng Mã số: 8580201 I. TÊN ĐỀ TÀI: CHẨN ĐOÁN PHÁ HỦY KHUNG THÉP PHI TUYẾN SỬ

DỤNG HỌC SÂU

DAMAGE DETECTION OF NONLINEAR STEEL FRAMES USING DEEP LEARNING

II. NHIỆM VỤ VÀ NỘI DUNG

1. Xây dựng lý thuyết khung thép phi tuyến.

2. Xây dựng bài toán chẩn đoán phá hủy kết cấu chịu tải trọng tĩnh bằng các kỹ thuật học sâu.

3. Xây dựng chương trình tính tốn bằng ngơn ngữ lập trình Python. III. NGÀY GIAO NHIỆM VỤ : 05/09/2023

IV. NGÀY HOÀN THÀNH NHIỆM VỤ : 24/12/2023

V. HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN : TS. Liêu Xuân Quí

TP.HCM, ngày 28 tháng 12 năm 2023

TS. Liêu Xuân Quí

TRƯỞNG KHOA KỸ THUẬT XÂY DỰNG

</div><span class="text_page_counter">Trang 4</span><div class="page_container" data-page="4">

LỜI CẢM ƠN

Quãng thời gian theo học chương trình Thạc sĩ Kỹ thuật Xây dựng đã đối mặt với nhiều thách thức, tuy nhiên, đây cũng là giai đoạn quý báu giúp tôi phát triển bản thân, tiếp thu kiến thức mới và đặc biệt là làm chủ các kỹ năng nghiên cứu và giải quyết vấn đề, để từ đó có nhiều cơ hội cho bước tiến mạnh mẽ trên hành trình phát triển cá nhân.

Đầu tiên, tơi xin chân thành cảm ơn Thầy TS. Liêu Xuân Quí đã định hướng ý tưởng đề tài, truyền đạt kiến thức mới nhằm hỗ trợ quá trình nghiên cứu luận văn của tơi. Mơn học Tối ưu hóa kết cấu và Phương pháp số, mà Thầy Quí chủ giảng, đặc biệt là có ảnh hưởng tích cực, giúp tơi nhìn nhận sâu sắc vấn đề nghiên cứu trong lĩnh vực xây dựng, đồng thời cung cấp phương pháp tiếp cận và làm việc hiệu quả.

Kế đến, tơi muốn bày tỏ lịng biết ơn đặc biệt đến Thầy ThS. Đặng Duy Khanh, người đã hướng dẫn tôi những bước khởi đầu quan trọng trong sự nghiệp, học vấn, và nghiên cứu.

Ngoài ra, tôi cũng trân trọng cảm ơn quý Thầy Cô Khoa Kỹ thuật Xây dựng, Trường Đại học Bách khoa-Đại học Quốc gia TP.HCM, đã chia sẻ những kiến thức quý giá, đó là nền tảng khơng thể thiếu cho hành trình nghiên cứu khoa học và sự nghiệp của tôi.

Cuối cùng, tôi chân thành gửi lời cảm ơn đến gia đình người thân và bạn bè, nguồn động viên và hỗ trợ tinh thần, vật chất khơng ngừng trong q trình học tập và thực hiện luận văn này.

Trong quá trình nghiên cứu, khơng tránh khỏi những sai sót, tơi trân trọng nhận mọi góp ý từ q Thầy Cơ, nhằm hồn thiện cả đề tài lẫn bản thân.

Xin trân trọng cảm ơn.

Thành phố Hồ Chí Minh, ngày 28 tháng 12 năm 2023

</div><span class="text_page_counter">Trang 5</span><div class="page_container" data-page="5">

TÓM TẮT

Tên đề tài: “Chẩn đoán phá hủy khung thép phi tuyến sử dụng học sâu”Luận văn này trình bày một phương pháp số dựa trên kỹ thuật học sâu để phát hiện khớp dẻo trong khung thép phi tuyến dưới tác dụng của tải trọng tĩnh. Trong đó, tập dữ liệu được tạo ngẫu nhiên bằng phương pháp phân tích nâng cao được sử dụng cho quá trình huấn luyện và thử nghiệm của deep learning (DL). Tính phi tuyến hình học bao gồm các hiệu ứng P- và P- được xem xét bởi hàm ổn định, trong khi tính phi tuyến vật liệu được tính đến theo khái niệm mô đun tiếp tuyến của Hội đồng Nghiên cứu Cột (CRC) và mặt dẻo Orbision dựa trên phương pháp khớp dẻo hiệu chỉnh. Theo đó, thơng tin về khớp dẻo có thể dễ dàng được truy tìm thơng qua bề mặt chảy dẻo Orbison. Khung hai tầng, sáu tầng và hai mươi tầng được trình bày để chứng minh độ tin cậy của phương pháp được đề xuất. Ngồi ra, luận văn cịn xét thêm trường hợp kể đến sự làm việc của liên kết nửa cứng giữa dầm và cột. Thông qua các bài toán khảo sát kết luận khớp dẻo trong khung thép phi tuyến có thể được chẩn đốn trực tiếp bằng các kỹ thuật DL như Mạng nơ-ron sâu (DNN), Tăng cường độ dốc cực cao (XGBoost) và mơ hình học tập dữ liệu dạng bảng (TabNet) mà khơng cần sử dụng thuật các tốn lặp tăng dần trong phân tích phi tuyến. Kết quả có được từ khảo sát cho thấy mơ hình TabNet cho kết quả tối ưu hơn về độ chính xác cũng như thời gian tính tốn so với mơ hình DNN và XGBoost. Tất cả các trường hợp khảo sát đều được lập trình bằng Python.

</div><span class="text_page_counter">Trang 7</span><div class="page_container" data-page="7">

LỜI CAM ĐOAN

Tơi xin cam đoan nghiên cứu được trình bày ở đây do chính tơi thực hiện dưới sự hướng dẫn của Thầy TS. Liêu Xuân Quí.

Các kết quả trong Luận văn là đúng sự thật và chưa được công bố ở các nghiên cứu khác.

Tôi xin chịu trách nhiệm về cơng việc thực hiện nghiên cứu của mình.

Thành phố Hồ Chí Minh, ngày 28 tháng 12 năm 2023

Lý Minh Nguyệt

</div><span class="text_page_counter">Trang 8</span><div class="page_container" data-page="8">

DANH MỤC CÁC CHỮ VIẾT TẮT ... xiii

DANH MỤC CÁC KÍ HIỆU ... xiv

CHƯƠNG 1. GIỚI THIỆU ... 1

1.1. Đặt vấn đề……….1

1.1.1. Theo dõi và chẩn đoán hư hỏng kết cấu ... 1

1.1.2. Trí tuệ nhân tạo và học sâu ... 2

1.2. Mục tiêu và nội dung nghiên cứu ……….3

1.2.1. Mục tiêu nghiên cứu ... 3

1.2.2. Nội dung nghiên cứu ... 3

1.3. Tính cần thiết và ý nghĩa thực tiễn của nghiên cứu………..3

CHƯƠNG 2. TỔNG QUAN ... 5

2.1. Tình hình nghiên cứu nước ngồi……….5

2.2. Tình hình nghiên cứu tại Việt Nam………10

2.3. Tổng kết………..12

CHƯƠNG 3. CƠ SỞ LÝ THUYẾT ... 13

3.1. Hệ khung thép chịu tải trọng tĩnh ………...13

3.2. Xây dựng mơ hình phân tích phi tuyến về hình học và vật liệu ……….13

3.2.1. Giới thiệu phương pháp ... 13

</div><span class="text_page_counter">Trang 9</span><div class="page_container" data-page="9">

3.2.3. Phi tuyến vật liệu... 22

3.2.4. Liên kết nửa cứng ... 34

3.2.5. Ma trận độ cứng phần tử dầm cột ... 35

3.2.6. Phương pháp giải phi tuyến ... 35

3.3. Kỹ thuật học sâu (Deep Learning)………..40

3.3.1. Giới thiệu ... 40

3.3.2. Mạng nơ ron sâu (Deep Neural Network-DNN) ... 40

3.3.3. Kỹ thuật học kết hợp - XGBoost ... 46

3.3.4. Mơ hình học tập theo bảng (TabNet) ... 49

CHƯƠNG 4. CÁC BÀI TOÁN KHẢO SÁT ... 53

4.1. Xác minh bài tốn khung khơng gian 2 tầng………..53

4.2. Khung không gian 2 tầng………55

4.3. Xác minh bài tốn khung khơng gian 6 tầng………..89

4.4. Khung khơng gian 6 tầng………90

4.5. Xác minh bài tốn khung khơng gian 6 tầng kể đến liên kết nửa cứng …...108

4.6. Khung không gian 6 tầng có liên kết nữa cứng……….110

4.7. Xác minh bài tốn khung khơng gian 20 tầng………118

4.8. Khung khơng gian 20 tầng……….120

CHƯƠNG 5. KẾT LUẬN VÀ KIẾN NGHỊ ... 130

5.1. Kết luận……….130

5.2. Kiến nghị………...131

DANH MỤC CƠNG TRÌNH KHOA HỌC ... 132

TÀI LIỆU THAM KHẢO ... 133

LÝ LỊCH TRÍCH NGANG ... 137

</div><span class="text_page_counter">Trang 10</span><div class="page_container" data-page="10">

DANH MỤC CÁC HÌNH VẼ

Hình 3-1: Ảnh hưởng của hiệu ứng P



và <small>P </small> cho phần tử dầm-cột. ... 14

Hình 3-2: Biểu đồ ứng suất biến dạng của vật liệu đàn dẻo tuyệt đối. ... 15

Hình 3-3: Phần tử dầm-cột chịu moment và lực dọc 2 đầu. ... 16

Hình 3-4: Hàm ổn định với kL <sub>n</sub> . ... 20

Hình 3-5: Mặt dẻo AISC-LRFD và Orbison. ... 26

Hình 3-6: So sánh mặt dẻo Orbison với mặt dẻo của Chen và Atsuta [33]. ... 27

Hình 3-7: Moment gây ra góc xoay ở 2 đầu phần tử. ... 28

Hình 3-8: Ảnh hưởng của biến dạng cắt làm tăng giá trị góc xoay. ... 28

Hình 3-9: Các thành phần lực và chuyển vị của phần tử dầm-cột. ... 31

Hình 3-10: Biểu đồ phương pháp Newton – Raphson. ... 38

Hình 3-11: Lưu đồ thuật tốn phương pháp lặp gia tăng. ... 39

Hình 3-12: Mối quan hệ giữa các lĩnh vực trí tuệ nhân tạo. ... 40

Hình 3-13: Hình ảnh minh họa một mạng nơ ron sinh học thực tế. ... 41

Hình 3-19: Ví dụ về mơ hình “Học kết hợp” trong phân loại dữ liệu. ... 47

Hình 3-20: Bagging và Boosting trong kỹ thuật Học kết hợp. ... 48

Hình 3-21: Ví dụ về cây quyết định. ... 49

Hình 3-22: Bộ cấu trúc mã hóa Tabnet [38]... 51

Hình 3-23: Bộ giải mã TabNet [38]. ... 51

Hình 3-24: Khối biến áp đặc trưng [38]. ... 52

Hình 3-25: Khối biến áp chu đáo [38]. ... 52

</div><span class="text_page_counter">Trang 11</span><div class="page_container" data-page="11">

Hình 4-2: : Hệ số tải trọng và chuyển vị trục x tại nút 13 và vị trí xuất hiện khớp

dẻo. ... 55

Hình 4-3 : Vị trí tiết diện nguy hiểm tình huống hư hỏng số 1. ... 57

Hình 4-4: Vị trí tiết diện nguy hiểm tình huống hư hỏng số 2. ... 58

Hình 4-5: Vị trí tiết diện nguy hiểm tình huống hư hỏng số 3. ... 59

Hình 4-6: Chỉ số α trong các trường hợp giả định khung khơng gian 2 tầng. ... 61

Hình 4-7: Chỉ số α trong các trường hợp giả định khung không gian 2 tầng sau khi loại bỏ các vị trí khơng hư hỏng. ... 63

Hình 4-12: Kết quả hư hỏng dự đoán bằng XGBoost - khung không gian 2 tầng. ... 73

Hình 4-13: Kết quả hư hỏng dự đốn bằng XGBoost - khung khơng gian 2 tầng sau khi giảm phần tử hư hỏng. ... 75

Hình 4-14: Kết quả hư hỏng dự đoán bằng TabNet - khung khơng gian 2 tầng. ... 77

Hình 4-15: Kết quả hư hỏng dự đoán bằng TabNet - khung không gian 2 tầng sau khi giảm phần tử hư hỏng. ... 78

Hình 4-16: Kết quả hư hỏng dự đốn khung khơng gian 2 tầng trường hợp 1. . 85

Hình 4-17: Kết quả hư hỏng dự đốn khung khơng gian 2 tầng trường hợp 1 đã loại bỏ phần tử khơng hư hỏng. ... 85

Hình 4-18: Kết quả hư hỏng dự đốn khung khơng gian 2 tầng trường hợp 2. . 86

Hình 4-19: Kết quả hư hỏng dự đốn khung không gian 2 tầng trường hợp 2 đã loại bỏ phần tử khơng hư hỏng. ... 86

Hình 4-20: Kết quả hư hỏng dự đốn khung khơng gian 2 tầng trường hợp 3. . 87

Hình 4-21: Kết quả hư hỏng dự đốn khung khơng gian 2 tầng trường hợp 3 đã loại bỏ phần tử không hư hỏng. ... 87

</div><span class="text_page_counter">Trang 12</span><div class="page_container" data-page="12">

Hình 4-22: Mơ hình khung khơng gian 6 tầng-Orbison. ... 89Hình 4-23: Hệ số tải trọng và chuyển vị trục x tại nút 13 và vị trí xuất hiện khớp dẻo. ... 90Hình 4-24: Chỉ số α trong các trường hợp giả định khung không gian 6 tầng. . 92Hình 4-25: Chỉ số α trong các trường hợp giả định khung không gian 6 tầng sau khi loại bỏ các vị trí khơng hư hỏng. ... 93Hình 4-26: Độ chính xác và mất mát của các mơ hình DNN - khung khơng gian 6 tầng trường hợp 1. ... 95Hình 4-27: Kết quả hư hỏng dự đốn của các mơ hình DNN - khung khơng gian 6 tầng trường hợp 1. ... 97Hình 4-28: Kết quả hư hỏng dự đốn các mơ hình XGBoost - khung khơng gian 6 tầng trường hợp 1. ... 99Hình 4-29: Độ chính xác và mất mát của các mơ hình TabNet - khung không gian 6 tầng trường hợp 1. ... 101Hình 4-30: Độ chính xác và mất mát của các mơ hình DNN - khung khơng gian 6 tầng trường hợp 2. ... 103Hình 4-31: Kết quả hư hỏng dự đốn của các mơ hình DNN - khung khơng gian 6 tầng trường hợp 2. ... 104Hình 4-32: Kết quả hư hỏng dự đốn của các mơ hình XGBoost - khung khơng gian 6 tầng trường hợp 2. ... 105Hình 4-33: Kết quả hư hỏng dự đốn của các mơ hình TabNet - khung khơng gian 6 tầng trường hợp 2. ... 107Hình 4-34: Mơ hình khung khơng gian 6 tầng-Orbison. ... 109Hình 4-35: Chỉ số α trong các trường hợp giả định khung khơng gian 6 tầng. 111Hình 4-36: Chỉ số α trong các trường hợp giả định khung không gian 6 tầng sau khi loại bỏ các vị trí khơng hư hỏng. ... 112Hình 4-37: Độ chính xác và mất mát của các mơ hình DNN - khung khơng gian 6 tầng trường hợp 1. ... 113Hình 4-38: Kết quả hư hỏng dự đốn của các mơ hình DNN - khung không gian 6 tầng trường hợp 1. ... 114

</div><span class="text_page_counter">Trang 13</span><div class="page_container" data-page="13">

Hình 4-39: Kết quả hư hỏng dự đốn của các mơ hình XGBoost - khung khơng gian 6 tầng trường hợp 1. ... 115Hình 4-40: Kết quả hư hỏng dự đốn của các mơ hình DNN - khung không gian 6 tầng trường hợp 1. ... 117Hình 4-41: Mơ hình khung khơng gian 20 tầng-Orbison. ... 119Hình 4-42: Hệ số tải trọng và chuyển vị tại A và B và vị trí xuất hiện khớp dẻo. ... 120Hình 4-43: Chỉ số α trong các trường hợp giả định khung không gian 20 tầng. ... 122Hình 4-44: Độ chính xác và mất mát của các mơ hình DNN - khung khơng gian 6 tầng trường hợp 1. ... 123Hình 4-45: Kết quả hư hỏng dự đốn mơ hình DNN - khung khơng gian 20 tầng trường hợp 1. ... 123Hình 4-46: Kết quả hư hỏng dự đốn của các mơ hình DNN - khung khơng gian 20 tầng trường hợp 1. ... 124Hình 4-47: Kết quả hư hỏng dự đốn của các mơ hình DNN - khung không gian 20 tầng trường hợp 1. ... 125Hình 4-48: Độ chính xác và mất mát của các mơ hình DNN - khung khơng gian 20 tầng trường hợp 1. ... 126Hình 4-49: Kết quả hư hỏng dự đốn của các mơ hình DNN - khung khơng gian 20 tầng trường hợp 2. ... 127Hình 4-50: Kết quả hư hỏng dự đốn các mơ hình DNN - khung khơng gian 20 tầng trường hợp 2. ... 128Hình 4-51: Kết quả hư hỏng dự đốn các mơ hình DNN - khung không gian 20 tầng trường hợp 2. ... 129

</div><span class="text_page_counter">Trang 14</span><div class="page_container" data-page="14">

DANH MỤC CÁC BẢNG BIỂU

Bảng 4-1: So sánh tải cuối cùng thu được bởi các nghiên cứu khác nhau. ... 55

Bảng 4-2: Các tình huống hư hỏng giả định cho hệ. ... 56

Bảng 4-3: Kết quả phân tích hư hỏng tình huống 1. ... 57

Bảng 4-4: Kết quả phân tích hư hỏng tình huống 2. ... 58

Bảng 4-5: Kết quả phân tích hư hỏng tình huống 3. ... 59

Bảng 4-6: Các thơng số của bộ dữ liệu huấn luyện. ... 65

Bảng 4-7: Các thông số của mơ hình DNN. ... 66

Bảng 4-8: Các thơng số cho mơ hình XGBoost. ... 72

Bảng 4-9: Các thơng số cho mơ hình TabNet. ... 75

Bảng 4-10: Tổng hợp kết quả của DNN, XGBoost và TabNet ... 79

Bảng 4-11: Tổng hợp kết quả của DNN, XGBoost và TabNet ... 80

Bảng 4-12: Tổng hợp kết quả của DNN, XGBoost và TabNet ... 81

Bảng 4-13: Tổng hợp kết quả của DNN, XGBoost và TabNet ... 82

Bảng 4-14: Tổng hợp kết quả của DNN, XGBoost và TabNet ... 83

Bảng 4-15: Tổng hợp kết quả của DNN, XGBoost và TabNet ... 84

Bảng 4-16: So sánh hiệu xuất của mơ hình học sâu DNNs, XGBoost và TabNet. ... 88

Bảng 4-17: Thời gian chạy mơ hình học sâu của DNNs, XGBoost và TabNet. 88Bảng 4-18: So sánh tải cuối cùng thu được bởi các nghiên cứu khác nhau. ... 89

Bảng 4-19: Các tình huống hư hỏng giả định cho hệ. ... 91

Bảng 4-20: Các thơng số cho mơ hình XGBoost. ... 97

Bảng 4-21: Các thơng số cho mơ hình TabNet. ... 99

Bảng 4-22: So sánh hiệu xuất của mơ hình học sâu DNNs, XGBoost và TabNet. ... 101

Bảng 4-23: Thời gian chạy mô hình học sâu của DNNs, XGBoost và TabNet. ... 101

</div><span class="text_page_counter">Trang 15</span><div class="page_container" data-page="15">

Bảng 4-25: Các thơng số cho mơ hình TabNet. ... 106Bảng 4-26: So sánh hiệu xuất của mơ hình học sâu DNNs, XGBoost và TabNet. ... 107Bảng 4-27: Thời gian chạy mô hình học sâu của DNNs, XGBoost và TabNet. ... 107Bảng 4-28: Các thông số kể đến liên kết nữa cứng. ... 109Bảng 4-29: So sánh tải cuối cùng thu được bởi các nghiên cứu khác nhau. ... 110Bảng 4-30: Các tình huống hư hỏng giả định cho hệ. ... 110Bảng 4-31: Các thông số cho mơ hình XGBoost. ... 114Bảng 4-32: Các thơng số cho mơ hình TabNet. ... 116Bảng 4-33: So sánh hiệu xuất của mô hình học sâu DNNs, XGBoost và TabNet. ... 117Bảng 4-34: Thời gian chạy mơ hình học sâu của DNNs, XGBoost và TabNet. ... 117Bảng 4-35: So sánh tải cuối cùng thu được bởi các nghiên cứu khác nhau. ... 120Bảng 4-36: Các tình huống hư hỏng giả định cho hệ. ... 121Bảng 4-37: Các thơng số cho mơ hình XGBoost. ... 124Bảng 4-38: Các thơng số cho mơ hình TabNet. ... 125Bảng 4-39: So sánh hiệu xuất của mơ hình học sâu DNNs, XGBoost và TabNet. ... 125Bảng 4-40: Thời gian chạy mô hình học sâu của DNNs, XGBoost và TabNet. ... 126Bảng 4-41: Các thông số cho mơ hình XGBoost. ... 127Bảng 4-42: Các thơng số cho mơ hình TabNet. ... 128Bảng 4-43: So sánh hiệu xuất của mô hình học sâu DNNs, XGBoost và TabNet. ... 129Bảng 4-44: Thời gian chạy mơ hình học sâu của DNNs, XGBoost và TabNet. ... 129

</div><span class="text_page_counter">Trang 16</span><div class="page_container" data-page="16">

DANH MỤC CÁC CHỮ VIẾT TẮT

AI Artificial Intelligence

CNN Convolutional Neural Network

</div><span class="text_page_counter">Trang 17</span><div class="page_container" data-page="17">

F <small></small> Tổng các nội lực tại các nút của phần tử trong hệ tọa độ tổng thể tương ứng với từng thành phần lực ở vòng lặp thứ j-1, tại bước thứ i

x<small>K</small> Ma trận độ cứng

Ma trận độ cứng phần tử <small>e</small>K<small>ns</small>

<small>e</small> Ma trận độ cứng phần tử không xét đến dịch chuyển ngang ở 2 đầu phần tử

<small>e</small> Ma trận kể đến chuyển vị ngang

K <small>ji</small>

<small></small> Toàn bộ tải trọng tác dụng ở vòng lặp thứ j-1, tại bước thứ i trong hệ tọa độ tổng thể

P Khả năng chịu lực dọc

<small></small> Thành phần lực dư giữa ngoại lực và nội lực

</div><span class="text_page_counter">Trang 18</span><div class="page_container" data-page="18">

d Thành phần chuyển vị gia tăng chưa biết trong vòng lặp j, bước gia tăng i



Hệ số tải trọng trong thuật toán lặp phi tuyến dP<small>j</small>

<small>i</small> Tải trọng tác dụng vào tại mỗi bước gia tăng thứ i

<small>1</small>f<small>e</small> Lực nút của phần tử e tại cấu hình đã biết trước đó C<small>1</small>

<small>G</small> Ma trận độ cứng hình học của phần tử e

</div><span class="text_page_counter">Trang 19</span><div class="page_container" data-page="19">

CHƯƠNG 1. GIỚI THIỆU

1.1. Đặt vấn đề

1.1.1. Theo dõi và chẩn đoán hư hỏng kết cấu

Cùng với sự phát triển đi lên của kỹ thuật xây dựng, càng ngày càng nhiều những cơng trình có quy mơ lớn và hệ kết cấu phức tạp ra đời, mang lại một thách thức không nhỏ cho lĩnh vực thiết kế cũng như lính vực theo dõi, bảo dưỡng cơng trình. Từ đó lĩnh vực theo dõi và chẩn đoán hư hỏng kết cấu (Structural Health Monitoring – SHM) là một công cụ quan trọng để đảm bảo rằng kết cấu hoạt động hiệu quả trong vịng đời thiết kế và có thể kéo dài tuổi thọ vượt ra ngoài tuổi thọ thiết kế. Nhiệm vụ của hệ thống chẩn đoán sức khỏe kết cấu cơng trình là theo dõi, phân tích và chẩn đốn sức khỏe cơng trình nhằm phát hiện sớm những hư hỏng dựa trên dữ liệu chuyển vị của kết cấu và các dữ liệu đo đạc, từ đó đánh giá mức độ nghiêm trọng của những hư hỏng này trước khi đưa ra các quyết định sửa chữa và bảo trì. Phương pháp trong chẩn đốn sức khỏe kết cấu cơng trình dựa trên ứng xử chuyển vị của cơng trình là phương pháp gián tiếp phát hiện hư hỏng thơng qua việc phân tích các số liệu đo được thông qua chuyển vị của kết cấu. Đây là phương pháp được quan tâm và ứng dụng nhiều trên thế giới do chí phí thấp, dễ triển khai với độ chính xác cao trong khi kết cấu khơng cần phải dừng hoạt động. Việc chẩn đoán hư hỏng sớm giúp sửa chữa, thay thế kịp thời hoặc giúp đánh giá chính xác được khả năng vận hành của cơng trình cũng như tuổi thọ dài hạn của cơng trình đó. Nhìn chung chẩn đốn hư hỏng kết cấu thường bao gồm hai bước là sử dụng một mạng lưới cảm biến gắn trên các vị trí cần xét của cơng trình sau đó thu thập và xử lý dữ liệu bằng các phương pháp, thuật toán chẩn đoán hư hỏng. Mức độ hiệu quả của các phương pháp, thuật tốn này ảnh hưởng lớn đến số lượng thơng tin đầu vào cần thiết và độ chính xác kết quả đầu ra. Do đó thuật tốn chẩn đốn hư hỏng là yếu tố then chốt, có ảnh hưởng cực lớn về chi phí và thời gian vận hành cũng như bảo dưỡng cơng trình về mặt kết cấu.

Hai phương pháp phổ biến dùng để đánh giá phát hiện hư hỏng trên kết cấu là: phương pháp thí nghiệm phá hủy và phương pháp thí nghiệm khơng phá hủy. Phương

</div><span class="text_page_counter">Trang 20</span><div class="page_container" data-page="20">

pháp thí nghiệm phá hủy chỉ có tác dụng khi kiểm tra những cấu kiện cục bộ, phù hợp với các bài toán trong nghiên cứu, học thuật, khó có thể áp dụng được với những cơng trình cụ thể, phức tạp. Bên cạnh đó, đối với những phương pháp chẩn đốn khơng phá hủy truyền thống như dùng sóng âm, X quang,… cũng mang tính cục bộ và nếu áp dụng cho cả cơng trình sẽ rất tốn kém về mặt tài nguyên (cảm biến, máy đo,…). Tuy nhiên, các phương pháp chẩn đốn khơng phá hủy hiện đại như chẩn đoán hư hỏng dựa vào chuyển vị của hệ kết cấu lại nổi lên vì tình tiện dụng của nó. Các phương pháp này dựa trên nguyên lý là khi hệ kết cấu chịu hư hỏng vật lý thì các tính chất, ứng xử cũng như chuyển vị của nó cũng thay đổi. Do đó bằng việc sử dụng dữ liệu là sự thay đổi chuyển vị, hư hỏng của kết cấu có thể được chẩn đốn. Trong luận văn này, thơng số được xét đến sẽ là các ứng xử chuyển vị của hệ chịu tải trọng tĩnh.

1.1.2. Trí tuệ nhân tạo và học sâu

Trong thời cách mạng công nghiệp 4.0, khoa học sâu tính trở thành một phần khơng thể thiếu trong sinh hoạt và đời sống của người dân tồn cầu. Trí tuệ nhân tạo (Artificial Intelligence – AI) là bộ phận cốt lõi đưa công nghệ và khoa học vào mọi lĩnh vực trong đời sống. Chúng ta đã và đang tiếp xúc với trí tuệ nhân tạo hàng ngày, hàng giờ trong khi ít người nhận ra điều đó. Một số ví dụ dễ thấy như các hệ thống gợi ý sản phẩm thích hợp trong các trang thương mại điện tử Shoppee, Tiki, hay là tồn bộ các hệ thống trợ lý ảo đang có trong ngôi nhà của chúng ta hoặc những rô bốt vận hành tự động trong các nhà máy sản xuất tiên tiến.

Học sâu là một tệp con của trí tuệ nhân tạo, là lĩnh vực nghiên cứu nhằm lập trình, đào tạo máy tính có khả năng học hỏi từ các tập dữ liệu mà khơng cần lập trình tường minh, như phương pháp truyền thống. Cụ thể hơn học sâu giúp máy tính có thể dựa trên những đặc điểm của tệp dữ liệu đầu vào để đưa ra kết quả đầu ra mà không cần một giải thuật cụ thể. Có thể tưởng tượng rằng, một thuật tốn học sâu có thể cho chúng ta kết quả trả về của hàm f(x) từ giá trị x mà khơng cần biết dạng tường minh phương trình của hàm số này. Tuy nhiên phương pháp này cần phải có một bộ dữ liệu

</div><span class="text_page_counter">Trang 21</span><div class="page_container" data-page="21">

Trong thời gian gần đây, với sự bùng nổ về khái niệm thành phố thông minh, nơi mà công tác theo dõi và chẩn đốn sức khỏe kết cấu (SHM) và trí tuệ nhân tạo (AI) đóng một vai trị quan trọng. Chủ nhà và các bộ phận bảo trì ở những thành phố này có thể dễ dàng phát hiện và chẩn đốn các “trạng thái của cơng trình” (các thiết bị, phòng ở, tòa nhà…) tại bất kỳ thời điểm nào trong vịng đời của cơng trình. Những vấn đề này rất khó giải quyết một cách nhanh chóng, kịp thời bởi con người, nhưng lại có thể được mơ tả và giải quyết với độ chính xác rất cao bằng các mơ hình trí tuệ nhân tạo. Bằng cách thu thập các dữ liệu từ kinh nghiệm trong quá khứ, các mơ hình AI có thể học và hiểu được các cấu trúc dựa trên cơ sở phân cấp các khái niệm và đưa ra các quyết định mang tính chất chẩn đốn, cảnh báo.

1.2. Mục tiêu và nội dung nghiên cứu 1.2.1. Mục tiêu nghiên cứu

Mục tiêu nghiên cứu của đề tài là Chẩn đoán phá hủy khung thép phi tuyến sử dụng học sâu.

1.2.2. Nội dung nghiên cứu

Cụ thể các mục tiêu của nghiên cứu này như sau: - Xây dựng bài tốn phân tích khung thép phi tuyến. - Xây dựng tải trọng đầu vào của bài toàn kết cấu.

- Kết hợp các kỹ thuật học sâu trong trí tuệ nhân tạo để dự đốn các ứng xử kết cấu. Ngồi ra, mơ hình này có thể nhận dạng và chẩn đốn các phần tử bị hư hỏng.

1.3. Tính cần thiết và ý nghĩa thực tiễn của nghiên cứu

Các hệ kết cấu khung kết cấu thép nhiều tầng đã được ứng dụng từ lâu đời tuy nhiên vẫn còn nhiều hạn chế về mặt bảo trì bảo dưỡng so với kết cấu bê tơng cốt thép, vì hệ kết cấu thép thường dễ bị ơ xi hóa và mất ổn định, cũng như các chi tiết liên kết thường phải được kiểm tra định kỳ thường xuyên.

Trong các phương pháp SHM thì các phương pháp khơng phá huỷ xác định hư hỏng của kết cấu dựa trên dao động trở thành một trong những phương pháp tiếp cận

</div><span class="text_page_counter">Trang 22</span><div class="page_container" data-page="22">

cơ bản trong việc phát hiện hư hỏng và giám sát sức khoẻ của kết cấu, nhờ vào tính linh hoạt, chi phí thấp và tính khả thi của việc giám sát kết cấu tổng thể trong thời gian thực. Tuy nhiên, các nghiên cứu áp dụng phương pháp này trong nhiều năm qua còn hạn chế, do vậy việc mở rộng nghiên cứu là cần thiết. Bên cạnh đó, việc áp dụng những thuật tốn trí tuệ nhân tạo cũng đóng vai trị quan trọng trong việc bắt kịp các xu hướng mới của thời đại, tận dụng tối đa nguồn lực hiện có để phát triển lĩnh vực chẩn đốn hư hỏng nói riêng và kỹ thuật xây dựng nói chung.

</div><span class="text_page_counter">Trang 23</span><div class="page_container" data-page="23">

CHƯƠNG 2. TỔNG QUAN

Trong chương này, các nghiên cứu liên quan đến đề tài cả trong và ngoài nước sẽ được trình bày. Từ đó, khái qt được tổng tình hình còn lại và các hướng đi còn trống nhằm định hướng cho luận văn này.

2.1. Tình hình nghiên cứu nước ngoài

G. Hearn và cộng sự vào năm 1991 [1] đã Báo cáo kiểm tra không phá hủy kết cấu bằng phương thức phản ứng rung đánh giá sự hư hỏng dựa trên tần số tự nhiên và hệ số giảm chấn. Thay đổi tần số tự nhiên liên quan đến mức độ và vị trí hư hỏng, được chuẩn hóa để chỉ ra vị trí suy giảm.

A. Pandey và cộng sự vào năm 1994 [2] đã trình bày về việc một hư hỏng trong kết cấu gây thay đổi đặc tính động của nó, biểu hiện qua các tham số phương thức như tần số, giảm chấn, và hình dạng phương thức. Đánh giá thay đổi trong ma trận linh hoạt của kết cấu được đề xuất là một phương pháp tiềm năng để không chỉ xác định sự hư hỏng mà còn định vị vị trí hư hỏng.

K. D. Hjelmstad và cộng sự vào năm 1997 [3] đã phát triển thuật toán phát hiện và đánh giá thiệt hại được phát triển dựa trên ước tính tham số, sử dụng sơ đồ nhóm tham số thích ứng. Thiệt hại được xác định qua việc giảm thuộc tính cấu thành của mơ hình phần tử hữu hạn, với tham số hóa giữa hai suy luận phân tách theo thời gian.

C.-P. Fritzen và cộng sự vào năm 1998 [4] đã tập trung vào vấn đề phát hiện vị trí và mức độ hư hỏng trong kết cấu thông qua số liệu thử nghiệm rung. Phương pháp sử dụng mơ hình tốn học để mô tả cấu trúc rung không hư hỏng và cục bộ về hư hỏng, như là các phần tử hữu hạn của dầm có vết nứt. Bài báo thảo luận về lỗi mơ hình hóa và cách chúng ảnh hưởng đến độ chính xác của việc xác định vị trí thiệt hại, đồng thời đề xuất các cách tiếp cận để đảm bảo kết quả đáng tin cậy.

K. Worden và cộng sự vào năm 2000 [5] đã thực hiện một nghiên cứu về phương pháp thống kê để phát hiện thiệt hại, với mục tiêu đạt được mức độ phát hiện lỗi thấp nhất bằng cách sử dụng các phương pháp đơn giản để báo hiệu sự sai lệch so với điều

</div><span class="text_page_counter">Trang 24</span><div class="page_container" data-page="24">

kiện bình thường, hay phát hiện tính mới. Khái niệm về sự không phù hợp từ nguyên tắc thống kê của phân tích ngoại lệ được áp dụng để báo hiệu sự khác biệt so với chuẩn mực.

J.-H. Chou và cộng sự vào năm 2001 [6] đã đề xuất biến bài tốn thành bài tốn tối ưu hóa và sử dụng thuật toán di truyền (GA) để giải quyết. Sử dụng các phép đo tĩnh của chuyển vị ở một số bậc tự do để xác định sự thay đổi trong các đặc tính kết cấu. GA được áp dụng để xác định các chuyển vị ở các bậc tự do không đo được, giúp tránh phải thực hiện phân tích cấu trúc chi tiết.

H. Kim và cộng sự vào năm 2004 [7] đã thực hiện mục tiêu của bài viết là đánh giá nghiên cứu đã tiến hành về phát hiện thiệt hại bằng phân tích wavelet. Bài viết bắt đầu bằng việc giới thiệu lý thuyết phân tích wavelet, sau đó tập trung vào ứng dụng của nó trong SHM. Cuối cùng, các ứng dụng cụ thể như phát hiện vết nứt trong dầm và hư hỏng bánh răng cơ khí và con lăn được trình bày. Quá trình phát triển của các phương pháp chẩn đoán hư hỏng kết cấu đã bắt đầu từ khá lâu.

K. Krishnan Nair và cộng sự vào năm 2007 [8] đã trình bày một thuật tốn phát hiện dựa trên chuỗi thời gian được đề xuất sử dụng mơ hình hỗn hợp Gaussian hai khía cạnh quan trọng của chẩn đoán thiệt hại được điều tra là phát hiện và mức độ.

Luke Bornn và cộng sự vào năm 2009 [9] đề xuất lập mơ hình dữ liệu đầu ra của cảm biến rung kết cấu bằng cách sử dụng các mơ hình chuỗi thời gian phi tuyến. F. K. Chang và cộng sự vào năm [10].

Costas Papadimitriou và cộng sự vào năm 2012 [11] đã nghiên cứu điển hình về khung phương tiện trong phịng thí nghiệm quy mơ nhỏ được sử dụng để điều tra tính biến thiên của các mơ hình phần tử hữu hạn (FE) được cập nhật phát sinh từ các lỗi đo lường và mơ hình, đồng thời chứng minh tác động của tính biến thiên này đối với các dự đoán phản hồi.

Spilios D. Fassois và cộng sự vào năm 2013 [12] sử dụng các phương pháp chuỗi thời gian thống kê để theo dõi sức khỏe của kết cấu dựa trên rung động sử dụng các

</div><span class="text_page_counter">Trang 25</span><div class="page_container" data-page="25">

tín hiệu kích thích và/hoặc rung động ngẫu nhiên, xây dựng mơ hình thống kê và ra quyết định thống kê để suy ra tình trạng sức khỏe của cấu trúc.

M Döhler và cộng sự vào năm 2014 [13] đưa ra hai phương pháp dựa trên không gian con được xem xét có tính đến độ khơng đảm bảo thống kê, tham số phương thức đầu tiên là ước tính độ tin cậy của chúng để so sánh trực tiếp các trạng thái kết cấu và thứ hai là thử nghiệm phát hiện thiệt hại dựa trên không gian trống thống kê hoàn toàn tránh được bước nhận dạng.

Srivastava và cộng sự vào năm 2014 [14] đưa ra giải pháp đơn giản cho vấn đề mơ hình q khớp trong việc học có giám sát của trí tuệ nhân tạo.

NazihMechbal và cộng sự vào năm 2015 [15] đã đề xuất thuật toán phân cụm đa lớp máy vectơ hỗ trợ (SVM) ban đầu dựa trên cây quyết định xác suất (PDT) tạo ra xác suất hậu nghiệm liên quan đến sự tồn tại, vị trí và mức độ nghiêm trọng của thiệt hại.

AdamSantos và cộng sự vào năm 2016 [16] đã trình bày bốn thuật toán dựa trên kernel để phát hiện hư hỏng trong các điều kiện hoạt động và môi trường khác nhau, cụ thể là dựa trên máy vectơ hỗ trợ một lớp, mơ tả dữ liệu vectơ hỗ trợ, phân tích thành phần chính của kernel.

OsamaAbdeljaber và cộng sự vào năm 2017 [17] đã theo dõi tình trạng sực khỏe kết cấu (SHM) và phát hiện hư hỏng kết cấu dựa trên rung động bằng mạng thần kinh chuyển đổi 1D (CNNs).

Chathurdara Sri Nadith Pathirage và cộng sự vào năm 2018 [18] đề xuất một khung dựa trên bộ mã hóa tự động để xác định thiệt hại về kết cấu, có thể hỗ trợ các mạng lưới thần kinh sâu và được sử dụng để có được các giải pháp tối ưu cho các vấn đề nhận dạng mẫu có tính chất phi tuyến tính cao, chẳng hạn như tìm hiểu ánh xạ giữa các đặc tính rung động và thiệt hại về kết cấu.

Yang Yu và cộng sự vào năm 2019 [19] đề xuất một phương pháp mới dựa trên mạng nơ-ron học sâu để xác định và khoanh vùng hư hỏng của kết cấu cơng trình được trang bị thiết bị điều khiển thông minh. Mạng nơ-ron học sâu được đề xuất có

</div><span class="text_page_counter">Trang 26</span><div class="page_container" data-page="26">

khả năng tự động trích xuất các tính năng cấp cao từ tín hiệu thơ hoặc các tính năng cấp thấp và lựa chọn tối ưu sự kết hợp của các tính năng được trích xuất thơng qua phản ứng tổng hợp nhiều lớp để đáp ứng bất kỳ mục tiêu xác định thiệt hại nào.

Seventekidis và cộng sự vào năm 2020 [20] đã đề xuất phương pháp xác định thiệt hại kết cấu (SHM) thông qua việc tối ưu mơ hình dữ liệu được sinh ra từ phương pháp phần tử hữu hạn (FE) và sử dụng mạng thần kinh học sâu CNNs để đưa ra chẩn đoán đáng tin cậy cho kết cấu.

F.-G. Yuan và cộng sự vào năm 2020 [21] đã đề xuất một phương pháp học không giám sát sáng tạo bằng cách kết hợp thuật toán mạng thần kinh nhân tạo hai cấp (TLANN) và phân cụm K-means (KMC) để chuẩn hóa dữ liệu và phát hiện thiệt hại. Trong thuật toán TLANN, mẫu đặc trưng được đưa vào mạng thần kinh để tạo đầu ra và xác định ma trận dư từ sự khác biệt giữa đầu vào và đầu ra.

W. Dong và cộng sự vào năm 2020 [22] đã cho thấy sự tiến bộ của công nghệ, bao gồm điện thoại thông minh, camera HD, máy bay không người lái, và cảm biến, đã tạo điều kiện cho sự xuất hiện của hệ thống giám sát xây dựng thông minh. Việc đánh giá cơ sở trên độ rung trở thành phương pháp phổ biến để đánh giá các cơng trình xây dựng lớn. Các loại polyme gia cố như polypropylen, thủy tinh, và sợi thép ngày càng được sử dụng trong kỹ thuật dân dụng để cải thiện độ bền của cấu trúc.

J. L. Tabjula và cộng sự vào năm 2021 [23] đã trình bày về triển khai rộng rãi của Hệ thống Giám sát Sức khỏe Kết cấu (SHM) trong cơ sở hạ tầng như cầu và nhà cao tầng, sử dụng Công nghệ Vệ tinh Định vị Toàn cầu (GNSS) kết hợp với gia tốc kế. Tuy nhiên, do nhiều nguồn lỗi trong đo lường GNSS và gia tốc kế, độ chính xác thường khơng đáp ứng được yêu cầu của SHM. Bài viết đề xuất tích hợp GNSS nhiều ăng-ten và gia tốc kế với bộ lọc Kalman đa tốc độ không mùi để sửa lỗi sai lệch hệ thống, tạo ra công nghệ đo dịch chuyển thời gian thực chính xác hơn.

A. Sivasuriyan và cộng sự vào năm 2021 [24] trình bày một phương pháp sử dụng mạng lưới thần kinh nhân tạo (ANN) để theo dõi sức khỏe cấu trúc, có khả năng

</div><span class="text_page_counter">Trang 27</span><div class="page_container" data-page="27">

xuất sử dụng mơ hình ANN giám sát với đầu vào từ các tham số phương thức (tần số tự nhiên hoặc hình dạng chế độ) và đầu ra biểu thị tình trạng hư hỏng của các phần tử hoặc vùng trong hệ thống kết cấu. Nghiên cứu đánh giá phương pháp này không chỉ trong các mô phỏng số mà còn trong cấu trúc thử nghiệm thực và cây cầu thực.

M. Gordan vào năm 2022 [25] bàn về phương pháp tiếp cận dựa trên vật lý để theo dõi tình trạng kết cấu (SHM). Mặc dù phương pháp này có nhược điểm khi áp dụng cho các kết cấu đơn giản trong mơi trường kiểm sốt tốt, nhưng với tiến bộ trong công nghệ thông tin và cảm biến, việc giám sát số lượng lớn/đa dạng các tham số trên các cấu trúc phức tạp trở nên khả thi.

S. Shivangi và cộng sự vào năm 2023 [26] viết tập trung vào việc đánh giá và phân loại các kỹ thuật khai thác dữ liệu (DM), bao gồm trí tuệ nhân tạo, học máy và phương pháp thống kê, đã được sử dụng trong ứng dụng theo dõi sức khỏe cấu trúc (SHM). Tác giả thực hiện đánh giá sâu rộng để phân loại các kỹ thuật DM dựa trên nền tảng, mơ hình, chức năng và ứng dụng trong SHM. Bằng cách tổng hợp nhiều nghiên cứu, bài viết chiếu sáng sự phát triển của các kỹ thuật DM, xác định các kỹ thuật phổ biến nhất và so sánh khả năng ứng dụng của chúng trong lĩnh vực SHM.

X. Qu và cộng sự vào năm 2023 [27] tập trung vào giám sát tình trạng vận hành và kết cấu (SHM) cũng như đánh giá thiệt hại cho các kết cấu tòa nhà. Bằng cách đặt cảm biến và giả định về các khu vực yếu kém, nghiên cứu đề cập đến phát hiện và đánh giá thiệt hại, kết hợp với các tình huống đánh giá và tự giám sát. Sử dụng công nghệ cảm biến và kỹ thuật thu thập dữ liệu tiên tiến, nghiên cứu này đề xuất một cách giám sát hệ thống theo thời gian thực cho các tòa nhà.

X. Lei và cộng sự vào năm 2023 [28] giới thiệu một phương pháp thống kê dựa trên phát hiện ngoại lệ để xác định và định vị khiếm khuyết trên tấm composite, sử dụng ít điểm cảm biến hơn so với các kỹ thuật hình ảnh thơng thường. Các bước chính của phương pháp bao gồm việc chọn thưa thớt ngẫu nhiên các điểm cảm biến bằng cách sử dụng lấy mẫu đĩa Poisson, sau đó áp dụng quy trình phát hiện ngoại lệ hai bước dựa trên ngưỡng và tính tốn độ lệch tuyệt đối trung bình.

</div><span class="text_page_counter">Trang 28</span><div class="page_container" data-page="28">

D. Kauctz Monteiro vào năm 2023 [29] tập trung vào sử dụng phương pháp đo điện trở suất (ERM) để đánh giá tình trạng kết cấu, đặc biệt là độ bền của bê tông, thường được biểu thị qua độ thấm clorua và sự ăn mòn của cốt thép. Tuy nhiên, nghiên cứu trước đó chỉ ra rằng kết quả ERM có thể bị sai lệch do nhiều yếu tố như tỷ lệ nước/xi măng của bê tông và môi trường bảo dưỡng kết cấu bằng thuật toán XGBoost.

C. Gragnaniello và cộng sự vào năm 2024 [30] đề cập đến việc áp dụng phương pháp tiếp cận dựa trên Mô hình thơng tin tịa nhà (BIM) để thiết kế và triển khai hệ thống Giám sát Sức khỏe kết cấu (SHM), một chủ đề chưa được khám phá trong nghiên cứu khoa học. Phương pháp này tối ưu hóa quản lý thơng tin trong tồn bộ quy trình, sử dụng BIM, xác định yêu cầu trao đổi thông tin, Sơ đồ quy trình và Mức độ cần thơng tin. Để đảm bảo tính nhất qn của thơng tin trao đổi, bài viết sử dụng tiêu chuẩn đặc tả phân phối thơng tin (IDS) và mơ hình BIM, kiểm tra các yêu cầu ở từng giai đoạn của quy trình.

2.2. Tình hình nghiên cứu tại Việt Nam

Tại Việt Nam, nhiều nghiên cứu có liên quan để lĩnh vực đánh giá hư hỏng kết cấu được xuất bản và đăng trên các tạp chí, hội nghị khoa học trong nước như sau:

Lê và Nguyễn (2009) [45] đưa ra cách xác định vị trí và chiều sâu các vết nứt trong dầm bằng thuật toán di truyền (Genetic Algorithm – GA) trên cơ sở dấu hiệu chẩn đoán vết nứt là tần số dao động riêng của dầm. Ma trận độ cứng của phần tử dầm có vết nứt được xây dựng trên giả thiết độ mềm cục bộ tăng lên do sự xuất hiện của vết nứt. Vị trí và chiều sâu vết nứt được xác định bằng cách cực tiểu hoá hàm mục tiêu biểu diễn sự chênh lệch giữa tần số riêng tính tốn và đo được. Kết quả nhận được cho thấy phương pháp này cho giá trị chẩn đốn có độ chính xác và tốc độ hội tụ cao.

Lê và Hồ (2015) [46] trình bày phương pháp năng lượng biến dạng được phát triển cho việc chẩn đoán hư hỏng trong kết cấu dạng tấm. Kết quả phân tích cho thấy phương pháp kiến nghị có khả năng chẩn đốn chính xác vết nứt trong kết cấu dạng

</div><span class="text_page_counter">Trang 29</span><div class="page_container" data-page="29">

tấm với các điều kiện biên khác nhau khi sử dụng các dạng dao động và ngưỡng hư hỏng thích hợp.

Trần và Ngơ (2016) [47] trình bày kết quả phân tích tấm chữ nhật dày có vết nứt xiên chịu uốn bằng phương pháp phần tử hữu hạn (PTHH), sử dụng hai loại PTHH kì dị của Barsoum: tam giác đẳng tham số bậc hai sáu nút và tứ giác đẳng tham số bậc hai tám nút. Trên cơ sở đó, tác giả xác định được vị trí vết nứt bất kì trong tấm chịu uốn bằng phân tích wavelet hai chiều đối với độ võng và các dạng dao dộng riêng. Kết quả cho thấy đây là một phương pháp chẩn đoán tốt và có thể ứng dụng hiệu quả trong thực tế.

Lê (2017) [48] đã áp dụng phương pháp năng lượng biến dạng để chẩn đốn vị trí và mức độ hư hỏng cho kết cấu khung không gian thông qua hai bước thực hiện. Trong bước thứ nhất, ba chỉ tiêu đánh giá sự xuất hiện của hư hỏng, bao gồm: “Modal strain energy change ratio – MSECR”, chỉ tiêu “Modal strain energy based index – MSEBI” và “Modal strain energy equivalence index – MSEEI” được trình bày để chẩn đốn vị trí xảy ra hư hỏng. Trong bước thứ hai, thuật toán di truyền được sử dụng để cực tiểu hàm mục tiêu với biến số là vectơ độ giảm độ cứng (thể hiện cho hư hỏng) của các phần tử có khả năng xảy ra hư hỏng đã ghi nhận được từ bước trước đó.

Hồ và cộng sự (2018) [49] trình bày phương pháp chẩn đốn hư hỏng trong kết cấu dầm với các điều kiện biên khác nhau, sử dụng phương pháp năng lượng biến dạng được kiến nghị và áp dụng thành công cho bài tốn dầm đơn giản và bài tốn dầm cơng-xơn. Kết quả phân tích cho thấy, phương pháp chẩn đốn đề xuất có khả năng chẩn đốn chính xác vị trí hư hỏng trong dầm, đặc biệt khi sử dụng dạng dao động thích hợp.

Huỳnh (2019) [50] đã tiến hành chẩn đốn hư hỏng trong kết cấu tấm thơng qua phương pháp hai bước. Bước một tác giả sử dụng các chỉ tiêu chẩn đoán (MSECR, MSEBI, MSEEI, MSEPI) để cảnh báo vị trí hư hỏng trong tấm. Kết quả chỉ ra rằng chỉ tiêu MSEEI đem lại hiệu quả tốt nhất. Kết hợp với việc sử dụng thuật toán di

</div><span class="text_page_counter">Trang 30</span><div class="page_container" data-page="30">

truyền để đánh giá mức độ hư hỏng ở bước 2; và kết quả ghi nhận được thuật tốn này cho độ chính xác cao trong việc chẩn đoán mức độ hư hỏng của phần tử tấm 2.3. Tổng kết

Cho đến nay, rất nhiều phương pháp chẩn đoán hư hỏng đã được phát triển, ngồi ra có thể mạng thần kinh nhân tạo rất thành công trong mảng học thuật của lĩnh vực chẩn đoán hư hỏng kết cấu. Bên cạnh đó, vẫn cịn tồn tại song song nhiều khiếm khuyết cần được nghiên cứu kỹ lưỡng và giải quyết triệt để hơn, đặc biệt là khi yếu tố chi phí tính tốn, độ ổn định và độ nhạy của bài tốn được đưa lên hàng đầu. Tính khái quát của các bài toán chẩn đoán hư hỏng cũng là một vấn đề đáng quan tâm.

Do đó, việc đưa ra phương pháp chẩn đoán hư hỏng kết cấu là cần thiết. Lý do chính là vì chuyển vị có thể dễ dàng đo được trực tiếp mà khơng cần qua các thuật tốn xử lý kết quả. Dẫn đến cắt giảm bớt chi phí đo đạc, tính toán.

Trong luận văn này, các thuật toán học sâu cũng sẽ được đề cập và áp dụng nhằm xây dựng mơ hình thay thế thích hợp cho phương pháp phần tử hữu hạn truyền thống với mục đích cuối cùng là giảm độ lớn mơ hình tính và thời gian tính tốn. Cụ thể là một mơ hình xấp xỉ bằng Mạng nơ ron sâu (Deep Neural Networks – DNN) sẽ được huấn luyện để dự đoán kết quả chẩn đoán hư hỏng trong các bài toán khảo sát. Ngồi ra các thuật tốn học sâu đang phổ biến khác như XGBoost, TabNet cũng sẽ được sử dụng để tham khảo và so sánh kết quả với nhau.

</div><span class="text_page_counter">Trang 31</span><div class="page_container" data-page="31">

CHƯƠNG 3. CƠ SỞ LÝ THUYẾT

Bài toán theo dõi và chẩn đoán hư hỏng được đề xuất trong luận văn sử dụng thông số đầu vào là ứng xử của hệ chịu tác động của tải trọng tĩnh, cụ thể là chuyển vị của hệ. Trên thực tế, để có được các bộ dữ liệu này phải dựa vào kết quả dữ liệu đo đạc từ nhiều cảm biến được gắn trên kết cấu cần chẩn đoán. Tuy nhiên, trong khuôn khổ luận văn, dữ liệu ứng xử của kết cấu hư hỏng sẽ được trích xuất từ mơ hình phân tích giả định mà trong đó hư hỏng của từng cấu kiện thể hiện bằng độ giảm mô đun đàn hồi. Mơ hình này được giải bằng phương pháp phần tử hữu hạn quen thuộc.

3.1. Hệ khung thép chịu tải trọng tĩnh

Trong phân tích tĩnh, các hệ kết cấu thường được thể hiện dưới dạng rời rạc và phương trình chủ đạo có dạng

3.2. Xây dựng mơ hình phân tích phi tuyến về hình học và vật liệu 3.2.1. Giới thiệu phương pháp

Hiệu ứng P



và <small>P </small>

</div><span class="text_page_counter">Trang 32</span><div class="page_container" data-page="32">

Hình 3-1: Ảnh hưởng của hiệu ứng P



và <small>P </small> cho phần tử dầm-cột. Hiệu ứng P



(P



) là sự ảnh hưởng của lực dọc thông qua các biến dạng ngang trong phần tử làm thay đổi giá trị moment. Và nó có ảnh hưởng đối với các hệ kết cấu có dịch chuyển ngang và không dịch chuyển ngang (khung không giằng và khung giằng). Hiệu ứng này có thể kể đến một cách chính xác bằng cách sử dụng hàm ổn định [19], và khi chia nhỏ phần tử thì hiệu ứng P



có thể chuyển sang hiệu ứng

<small>P </small>.

Hiệu ứng <small>P </small> (<small>P </small>) là sự ảnh hưởng của lực dọc thông qua các chuyển vị nút tương đối ở 2 đầu phần tử. Hiệu ứng này chỉ tồn tại đối với các hệ kết cấu có dịch chuyển ngang (khung khơng giằng) cịn đối với các hệ kết cấu khơng dịch chuyển ngang (khung giằng) thì hiệu ứng này khơng ảnh hưởng.

Một số giả thiết

Phân tích dẻo bậc hai là phương pháp phân tích xét đến cả phi tuyến về hình học (P



và <small>P </small>) và phi tuyến vật liệu (sự chảy dẻo dần dần do moment uốn và ứng suất dư). Những giả thiết cơ bản sau đây để xây dựng mơ hình phân tích phi tuyến cho phần tử dầm-cột (beam-column element):

 Vật liệu được giả thiết là đàn dẻo tuyệt đối khơng có các hiện tượng tái bền

</div><span class="text_page_counter">Trang 33</span><div class="page_container" data-page="33">

 Phần tử dầm-cột có tiết diện không đổi dọc theo chiều dài phần tử và không xét đến độ cong ban đầu.

 Mặt phẳng tiết diện vẫn thẳng trước và sau biến dạng.  Chuyển vị có thể lớn nhưng biến dạng phải bé.

 Bỏ qua ảnh hưởng của hiện tượng xoắn vênh.

 Không xét đến chuyển vị tương đối giữa 2 đầu phần tử nghĩa là phần tử không bị dịch chuyển ngang.

 Phần tử chỉ chịu lực tập trung tại 2 đầu phần tử mà không chịu bất cứ thành phần lực ngang hay lực phân bố dọc trục trong phần tử.



Hình 3-2: Biểu đồ ứng suất biến dạng của vật liệu đàn dẻo tuyệt đối. 3.2.2. Phi tuyến hình học

Phương trình độ dốc-độ lệch (the slope-deflection equation) [31]

Phương trình độ dốc-độ lệch là phương trình dùng để mô tả mối quan hệ giữa moment tại 2 đầu phần tử (M<small>A</small>, M<small>B</small>) và góc xoay ,  <sub>A</sub> <sub>B</sub> tương ứng tại 2 đầu phần tử đó.

</div><span class="text_page_counter">Trang 34</span><div class="page_container" data-page="34">

Hình 3-3: Phần tử dầm-cột chịu moment và lực dọc 2 đầu. (Bỏ qua dịch chuyển ngang tương đối tại A và B).

Phương trình dùng để để mơ tả biến dạng của phần tử dầm-cột có dạng như sau [31]:

</div><span class="text_page_counter">Trang 35</span><div class="page_container" data-page="35">

    

</div><span class="text_page_counter">Trang 37</span><div class="page_container" data-page="37">

Ma trận độ cứng phi tuyến hình học



P



phần tử dầm-cột 2D Khi kể đến biến dạng dọc trục, phương trình (3.19) được viết lại như sau:

A IEI

      

<small>, </small> (3.29)

</div><span class="text_page_counter">Trang 38</span><div class="page_container" data-page="38">

PEI L

</div><span class="text_page_counter">Trang 39</span><div class="page_container" data-page="39">







</div><span class="text_page_counter">Trang 40</span><div class="page_container" data-page="40">

Sự chảy dẻo dần dần do ảnh hưởng của ứng suất dư

Khi lực dọc tác dụng lên phần tử, một phần của tiết diện sẽ bị chảy dẻo do ảnh hưởng của ứng suất dư và phần bị chảy dẻo này không thể chịu thêm tải trọng nào được nữa. Như vậy chỉ có phần tiết diện cịn đàn hồi mới có khả năng chịu thêm tải trọng và khi đó phải sử dụng phần tiết diện còn lại để đặc trưng cho độ cứng phần tử, tuy nhiên nếu tính các đặc trưng tiết diện cịn lại cho mỗi q trình gia tăng tải trọng thì rất khó khăn và khơng thích hợp cho phương pháp thực hành. Để giải quyết vấn đề trên, CRC đã đưa ra khái niệm module tiếp tuyến E<small>t</small>. Thực chất của module tiếp tuyến E<small>t</small> là dùng để chỉ sự giảm dần độ cứng do ảnh hưởng của ứng suất dư dọc theo chiều dài phần tử dưới tác dụng của lực dọc giữa 2 đầu khớp dẻo. Moment qn tính I thay vì phải được giảm lại ứng với phần lõi cịn đàn hồi thì module đàn hồi E sẽ được giảm, bởi vì sự giảm moment quán tính I sẽ phức tạp hơn giảm module đàn hồi E.

Theo Chen và Lui (1987) [31], module tiếp tuyến E<small>t</small> CRC đã được đề xuất:

</div>