LUẬN ÁN TIẾN SĨ KỸ THUẬT - Nhận dạng và dự báo khuyết tật của dầm trên nền mạng neuron và logic mờ

ĐẠI HỌC QUỐC GIA TP. HCM
TRƯỜNG ĐẠI HỌC BÁCH KHOA

NGUYỄN SỸ DŨNG

NHẬN DẠNG VÀ DỰ BÁO KHUYẾT TẬT
CỦA DẦM TRÊN NỀN MẠNG NEURON
VÀ LOGIC MỜ

LUẬN ÁN TIẾN SĨ KỸ THUẬT

TP. HCM – NĂM 2010


ĐẠI HỌC QUỐC GIA TP. HCM

TRƯỜNG ĐẠI HỌC BÁCH KHOA

NGUYỄN SỸ DŨNG

NHẬN DẠNG VÀ DỰ BÁO KHUYẾT TẬT CỦA
DẦM TRÊN NỀN MẠNG NEURON VÀ LOGIC MỜ

Chuyên ngành: Cơ kỹ thuật
Mã số: 62 52 02 01

LUẬN ÁN TIẾN SĨ KỸ THUẬT

NGƯỜI HƯỚNG DẪN KHOA HỌC: GS. TS NGÔ KIỀU NHI

TP. HCM – NĂM 2010

(1)

Lời cam đoan
Tôi cam đoan rằng tất cả những nội dung được nêu trong phần đóng góp khoa học của
luận án này là của chính tơi và chưa từng được cơng bố trong bất kỳ một cơng trình
nghiên cứu của một tác giả nào khác; các ý tưởng tham khảo và các trích dẫn từ kết quả
nghiên cứu cơng bố trong các cơng trình khác đều được nêu rõ trong luận án. Các kết quả
mô phỏng và thực nghiệm được trình bày trong luận án này đều được phản ánh một cách
trung thực. Các chương trình phần mềm đều do tơi thực hiện.

Thành phố Hồ Chí Minh, năm 2010
Tác giả luận án:

NGUYỄN SỸ DŨNG


(2)

Lời cám ơn
Trước hết tôi xin gửi lời cám ơn chân thành và sâu sắc tới cán bộ hướng dẫn khoa học,
GS. TS. Ngô Kiều Nhi. Nhờ sự hướng dẫn tận tâm và có hiệu quả của Giáo sư mà tơi mới
có thể hồn thành được cơng trình nghiên cứu này. Xin được gửi lời tri ân sâu sắc tới
cố GS. TSKH. Nguyễn Thúc Loan, người đã định hướng khoa học cho những bước đi
quan trọng đầu tiên trong quá trình nghiên cứu luận án. Xin gửi lời cám ơn chân thành tới
PGS. TS. Lê Hoài Quốc về những gợi ý khoa học ban đầu.
Xin được gửi lời cám ơn tới tất cả các thầy cơ khoa Cơ khí Động lực của trường
Đại học Thủy sản Nha Trang, tới tất cả các thầy cơ khoa Cơ khí trường Đại học Bách
khoa thành phố Hồ Chí Minh, tới các giáo sư tại IPC - Ede, VBMO Christiaan Huygens Barneveld và Van Amsterdam University (Netherlands) vì đã truyền đạt cho tơi những

kiến thức nền tảng hết sức quý báu để thực hiện công tác nghiên cứu.
Tôi xin gửi lời cám ơn tới các thầy cô trong Hội đồng đánh giá các Chuyên đề
Tiến sĩ, Hội đồng đánh giá Luận án Tiến sĩ cấp Cơ sở, và các cán bộ phản biện độc lập.
Những ý kiến đóng góp của các thầy cơ thật thiết thực, giúp tơi hồn chỉnh luận án. Xin
gửi lời cám ơn tới các thầy cô trong bộ môn Cơ kỹ thuật và Phịng Thí nghiệm Cơ học
Ứng dụng thuộc trường Đại học Bách khoa thành phố Hồ Chí Minh, đặc biệt là PGS. TS.
Trương Tích Thiện, TS. Vũ Cơng Hịa và GS. TS. Ngơ Kiều Nhi vì đã tạo điều kiện tốt
để tơi có thể hồn thành cơng việc nghiên cứu. Cám ơn các thầy cô, các kỹ thuật viên,
nhóm học viên cao học và sinh viên tham gia thực hiện các bài thí nghiệm đo dao động
tại Phịng Thí nghiệm Cơ học Ứng dụng và tại cầu Sài Gịn vì đã tạo ra các cơ sở dữ liệu
cho các kiểm chứng khoa học của luận án. Xin cám ơn các thầy cô thuộc bộ môn Cơ
Điện tử và khoa Cơng nghệ Cơ khí của trường Đại học Cơng nghiệp thành phố Hồ Chí
Minh đã chia sẽ cơng việc ở bộ mơn và ở khoa để tơi có thể tập trung vào công tác nghiện
cứu.
Cuối cùng, con xin gửi lời tri ân tới Ba, cố NGƯT. Nguyễn Cao Hùng và Mẹ,
Nguyễn Thị Lài, Người đã ươm mầm cho những thành công của chúng con. Ba và Mẹ đã
dành cho con sự quan tâm và kỳ vọng, khơi dậy trong con những hy vọng và ước mơ,


(3)
những hoài bão và quyết tâm ngay từ những ngày thơ ấu và dõi theo con cho tới mãi bây
giờ. Xin được gửi lời cám ơn tới tất cả những người thân, tới anh chị và các em trong đại
gia đình u dấu của tơi. Trong q trình thực hiện, có những khó khăn tưởng chừng
khơng thể vượt qua. Gia đình nhỏ của tơi, vợ Võ Thị Bích Liên và hai con Nguyễn Vũ
Tuấn Anh và Nguyễn Vũ Song Thủy, là động lực lớn giúp tôi vững bước để đi tới thành
cơng. Cám ơn em đã chia sẻ những khó khăn, đã gánh vác cơng việc gia đình để anh an
tâm trong công tác nghiên cứu, đã động viên anh hoàn thành luận án. Cám ơn hai con đã
tạo ra niềm vui, niềm hy vọng và tạo ra động lực lớn cho mọi nỗ lực của ba và mẹ.

Thành phố Hồ Chí Minh, năm 2010

Tác giả luận án:

NGUYỄN SỸ DŨNG


(4)

MỤC LỤC

Mở đầu
Chương 1

TỔNG QUAN
1.1 GIỚI THIỆU CHUNG

………………………………………………………..02

1.1.1 Sơ lược về nhận dạng và dự báo khuyết tật
1.1.1.1 Nhận dạng khuyết tật
1.1.1.2 Bài toán dự báo

…………………………02

………………………………………...02

.……………………………………………..05

1.1.2 Hai giải pháp nhận dạng và dự báo khuyết tật trên dầm ……………06
1.1.3 Quản trị cầu

………………………………………………………07

1.2 MỘT SỐ CƠNG TRÌNH LIÊN QUAN

……………………………………..09

1.3 GIỚI THIỆU LUẬN ÁN ...................................................................................15
1.3.1 Mục đích của luận án …………………………………………………..15
1.3.2 Nhiệm vụ đặt ra cho luận án
1.3.3 Phương pháp nghiên cứu

…………………………………………..17
……………………………………………17

1.3.4 Tính thực tiễn của đề tài nghiên cứu …...……………………………..18
1.3.5 Tóm tắt nội dung của luận án ………….………………………………18

Chương 2

MẠNG NEURON, LOGIC MỜ
VÀ HỆ THỐNG SUY DIỄN NEURO-FUZZY
2.1 MƠ HÌNH TỐN CỦA CƠ HỆ
2.1.1 Khái niệm

………………………………………..…22

……………………………………………………….…22

2.1.2 Sử dụng mạng ANN

………………………………………………….24

2.1.3 Sử dụng hệ thống suy diễn mờ …………………………………………24


(5)
2.1.4 Sử dụng mơ hình kết hợp ………………………………………………..25
2.2 MẠNG NEURON

…………………………………………………..26

2.2.1 Sơ lược về ANN

……………………………………………..…26

2.2.2 Đặc điểm của ANN …………………………………………………..…29
2.2.3 Huấn luyện ANN ......................................................................................30
2.2.4 Thiết kế ANN

…………………………………………………………..31

2.3 HỆ THỐNG SUY DIỄN MỜ
2.3.1 Cơ sở logic mờ

………………………………………...33

……………………………………………………….33

2.3.1.1 Khái niệm về tập mờ

.………………………………………….33

2.3.1.2 Một số phép toán trên tập mờ ……………………………………34
2.3.2 Hệ thống suy diễn mờ

…………………………………………………39

2.3.2.1 Biến ngơn ngữ và q trình mờ hóa ……………………………..39
2.3.2.2 Luật suy diễn mờ

………………………………..…………….41

2.3.2.2.1 Quy tắc hợp thành

…………………………..………….42

2.3.2.2.2 Mệnh đề hợp thành dạng SISO …………………………42
2.3.2.2.3 Mệnh đề hợp thành MISO ………………..………………45
2.3.2.3 Giải mờ ……………………………………………………………46
2.4 HỆ THỐNG SUY DIỄN NEURO-FUZZY

………..………………………47

2.5 MỘT SỐ THUẬT TỐN LIÊN QUAN …………………………………….49
2.5.1 Thuật tốn huấn luyện ANN …………………………………………..49
2.5.1.1 Giới thiệu về TT*

……………………………………………….49

2.5.1.2 Thuật toán TT*

………………………………………………..50

2.5.2 Hệ thống suy diễn neuro-fuzzy …………………………………………50
2.5.2.1 Chia bó khơng gian dữ liệu ………………………………………..50
2.5.2.1.1 Chia bó cứng, Hard C-mean (HCM) ……………………..51
2.5.2.1.2 Chia bó mờ, Fuzzy C-mean (FCM)

……………………...52

2.5.2.1.3 Chia bó mờ dạng siêu hộp (hyper-box) …………………...53
2.5.2.1.3.1 Một số khái niệm và thuật toán liên quan ………...53
2.5.2.1.3.2 Xác lập siêu phẳng bằng phương pháp…(LMS) …55
2.5.2.1.3.3 Xây dựng các tập mờ tối ưu ……………………….56
2.5.2.1.3.3.1 Thuật toán Hyperplane Clustering ………56


(6)
2.5.2.1.3.3.2 Thuật tốn chia bó min-max, CBMM ……57
2.5.2.1.3.3.3 Thuật tốn cắt siêu hộp lai, CSHL ……….59
2.5.2.2 Tổng hợp hệ thống suy diễn neuro-fuzzy …………………………64
2.5.2.2.1 Thuật toán HLM1 ………………………………………….64
2.5.2.2.1.1 Cấu trúc mạng neuro-fuzzy của HLM1 ……………64
2.5.2.2.1.2 Thuật toán HLM1 ………………………………...66
2.5.2.2.2 Thuật toán huấn luyện mạng neuro-fuzzy HLM2 …………66
2.5.2.2.2.1 Cấu trúc mạng neuro-fuzzy của HLM2 ……………66
2.5.2.2.2.2 Thuật toán HLM2 ………………………………...68
2.5.2.2.3 Thuật toán HLM

………………………………………….69

Chương 3

NHẬN DẠNG VÀ DỰ BÁO KHUYẾT TẬT
3.1 CƠ SỞ LÝ THUYẾT

………………………………………………72

3.1.1 Phương pháp phân tích wavelet ………………………………………72
3.1.1.1 Khái niệm về phân tích wavelet ………………………………72
3.1.1.2 Sơ lược về ứng dụng wavelet ………………………………..73
3.1.2 Ứng dụng phương pháp giải bài toán ngược …………………………74
3.1.2.1 Ứng xử động lực học của cơ hệ………………………………74
3.1.2.2 Hàm mục tiêu

………………………………………75

3.1.2.3 Một số phương pháp giải ………………………………..…..78
3.1.2.3.1 Phương pháp tối ưu ………………………………..78
3.1.2.3.2 Sử dụng mạng ANN và neuro-fuzzy ……………….83
3.2 MỘT SỐ THUẬT TOÁN VỀ NHẬN DẠNG KHUYẾT TẬT ……………….85
3.2.1 Sử dụng phân tích wavelet, thuật tốn KTKT-WL [6] ……………….85
3.2.1.1 Một số khái niệm và nhận xét liên quan
3.2.1.2 Thuật toán KTKT-WL

………………………85

………………………………….86

3.2.2 Phương pháp năng lượng, thuật toán VTKT-NL [3]………………….88

3.2.3 Ứng dụng hệ thống … neuro-fuzzy, thuật toán VTKT-NF [4] ………89


(7)
3.3 XÁC ĐỊNH MỨC ĐỘ KHUYẾT TẬT VÀ DỰ BÁO ………………………..94
3.3.1 Xác định mức độ hư hỏng

……………………………………..94

3.3.2 Dự báo khuyết tật

………………………………………….94

3.3.2.1 Giới thiệu

……………………………………………..94

3.3.2.2 Thuật toán liên quan

……………………………………96

3.3.2.3 Thuật toán dự báo TSPA

………………………………...96

3.3.2.4 Ứng dụng TSPA trong dự báo khả năng tải của cầu ………….98
3.3.2.4.1 Tổ chức đo số liệu

………………………………….98

3.3.2.4.2 Sử dụng TSPA

………………………………….99

Chương 4

THÍ NGHIỆM KIỂM CHỨNG
4.1 TỔNG HỢP MẠNG NEURON VÀ NEURO-FUZZY
4.1.1 Kiểm chứng thuật toán TT*

…………….…..101

………………………………………101

4.1.1.1 Nhận dạng vector đặc trưng của ảnh …………………………101
4.1.1.2 Nhận dạng hàm số ……………………………………………103
4.1.2 Kiểm chứng các thuật toán HLM1, HLM2 và HLM ….……………104
4.1.2.1 Khảo sát … HLM1 và HLM2 …dùng tập mẫu ngẫu nhiên……104
4.1.2.2 Đánh giá HLM1 và HLM2 qua nhận dạng hàm số

…………105

4.1.2.3 Kiểm chứng HLM1, HLM2 và HLM …từ tập dữ liệu số ..……106
4.1.2.4 Đánh giá HLM1, HLM2 và HLM qua nhận dạng hàm số …….108
4.1.2.5 Khảo sát hiệu quả của HLM qua nhận dạng hàm số ………….108
4.1.2.6 Đánh giá hiệu quả của HLM qua nhận dạng dầm cầu
4.2 CÁC THÍ NGHIỆM TRÊN MƠ HÌNH TỐN

………109

……………………………112

4.2.1 Xác định vị trí hỏng dựa vào …VTKT-NF…...……………………….112
4.2.2 Nhận dạng mức độ hư hỏng dựa trên … HLM và … neuro-fuzzy …..115
4.3 CÁC THÍ NGHIỆM TRÊN MƠ HÌNH THỰC ………………………………118
4.3.1 Mơ tả thí nghiệm 1

………………………………………………..118


(8)
4.3.2 Ứng dụng Phương pháp Năng lượng và mạng Neuro-Fuzzy ………….119
4.3.2.1 Ứng dụng VTKT-NF xác định vị trí hư hỏng đơn trên khung ….119
4.3.2.2 So sánh kết quả của VTKT-NF và phương pháp năng lượng ….121
4.3.3 Ứng dụng phân tích Wavelet trong kiểm tra khuyết tật ………………122
4.3.3.1 Ảnh hưởng của scale a tới độ chính xác định vị khuyết tật ……122
4.3.3.2 Ảnh hưởng của hàm wavelet  …………………………………124
4.3.3.3 Sử dụng hệ số hư hỏng xác định sự tồn tại khuyết tật ………….125
4.3.3.4 Xác định vị trí hư hỏng đơn

…………………………………128

4.3.3.5 Xác định vị trí hư hỏng kép

………………………………….131

4.3.3.6 Sử dụng KTKT-WL xác định sự hiện diện và vị trí khuyết tật…..131
4.3.3.6.1 Sử dụng số liệu của Thí nghiệm 1

…………………….131

4.3.3.6.2 Sử dụng số liệu của Thí nghiệm 2 ……………………..133
4.3.3.7 Xác định mức độ khuyết tật dựa vào hệ số wavelet trung bình …135
4.3.4 Ứng dụng mạng neuro-fuzzy trong dự báo …………………………...137
4.4 THÍ NGHIỆM TRÊN CẦU THỰC

…………………………………………...142

4.4.1 Tổ chức thí nghiệm đo dao động trên cầu Sài Gịn ……………………142
4.4.2 Tín hiệu dao động theo tải giao thơng và thuật tốn KTKT-WL …….143

Chương 5

KẾT LUẬN
5.1 NHỮNG NỘI DUNG CHÍNH CỦA LUẬN ÁN …………………………….....145
5.2 ĐĨNG GĨP KHOA HỌC CỦA LUẬN ÁN …………………………………..145
5.3 HƯỚNG PHÁT TRIỂN CỦA LUẬN ÁN ……………………………………...151
DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG BỐ ……………………………….152
TÀI LIỆU THAM KHẢO

…………………………………………………….152

Phụ lục 1. Các chương trình về chia bó … và tổng hợp mạng neuro-fuzzy ……...166
Phụ lục 2. Tập dữ liệu nhận dạng khung … khi chưa hư ………………………….194


(9)
Phụ lục 3. Xây dựng tập dữ liệu cho bài toán dự báo

……………………………212

Phụ lục 4. Ứng dụng mạng neuro-fuzzy trong dự báo ……………………………213
Phụ lục 5. Hệ số wavelet chuẩn hóa…trên dầm bê tơng…cầu Sài Gịn …………..214


(10)

DANH MỤC CÁC KÝ HIỆU
a

hệ số tỷ lệ (scale), phản ánh tần số wavelet địa phương

Ak

vector scale a trên đường cực đại của phần tử thứ k

Aq

siêu phẳng thứ q

A(.)

ma trận Hessian

A, B

tập mờ A và B trên tập nền là giao của hai tập nền M×N

b

khoảng dịch chuyển thời điểm phân tích wavelet hàm khảo sát (thơng số vị trí)

d

khoảng cách từ trọng tâm khối lượng lệch tâm tới đường tâm của trục quay

Di

hệ số hư hỏng của phần tử thứ i tính theo phương pháp năng lượng (3.41)

Di

hệ số hư hỏng trung bình của phần tử i tính theo phương pháp năng lượng (3.42)

E

môđyn đàn hồi của vật liệu

E

hàm sai số

Er

hàm sai số ở dạng khai triển Taylor

f

tần số dao động

F

ngoại lực tập trung hoặc vector biên độ ngoại lực

g

vector gradient

hHBt

siêu hộp lai thứ t

H

độ thỏa mãn mệnh đề điều kiện trong quy tắc hợp thành mờ

HBt

siêu hộp thứ t

Jx

mơ men qn tính chính trung tâm của tiết diện ngang

J

ma trận Jacobian

Ki

ma trận độ cứng phần tử của phần tử thứ i

K

ma trận độ cứng tổng thể

Lh

tập chứa tất cả các siêu hộp lai được tạo thành từ tập dữ liệu huấn luyện T

Lp ,

tập chứa tất cả các siêu hộp thuần chủng được tạo thành từ tập dữ liệu T

m

khối lượng

md

độ lệch tâm

M

số luật mờ dạng T-S


(11)
M0

ma trận khối lượng

n0

tốc độ quay

Nw

vector scale a trong phép phân tích wavelet cho tất cả các phần tử

N

số phần tử được chia trên cơ hệ

pi

hướng di chuyển tại vòng lặp thứ i (Conjugate Gradient)

pHBt(k ) (hoặc H t(k ) ) siêu hộp thuần chủng thứ t trong các siêu hộp thuần chủng nhãn k
pHB (k )
f

siêu hộp liên kết của các siêu hộp cùng nhãn k

P

số mẫu dữ liệu trong tập dữ liệu

Ptest

số mẫu dữ liệu trong tập dữ liệu kiểm tra

n

khơng gian dữ liệu n chiều

S

diện tích tiết diện ngang của dầm

T

tập dữ liệu huấn luyện mạng

Ttest

tập dữ liệu kiểm tra

U

ma trận phân bố các mẫu dữ liệu

uij

phần tử hàng i cốt j của ma trận U

UE
ji

thế năng biến dạng đàn hồi của phần tử j ở trạng thái dao động thứ i

w(.)

trọng số của mạng neuron

Wi

điểm trọng số của mạng neuron ở vòng lặp thứ i

Wf (a, b)

biến đổi wavelet hàm f theo scale a và thông số vị trí b

Wa( k )

hệ số wavelet trung bình địa phương của phần tử thứ k ứng với a=ai

W (k )

hệ số wavelet trung bình của phần tử thứ k sau một lần khảo sát

W (k )

hệ số wavelet trung bình của phần tử thứ k sau nhiều lần khảo sát

( xi , yi ), i  1...P

cặp mẫu dữ liệu vào-ra thứ i (điểm mẫu thứ i)

i

xi  [ xi1 xi1...xin ]
i  1...P

X  {x1 ,...xP }

dữ liệu vào (n chiều) thứ i trong tập dữ liệu có P mẫu dữ liệu
tập dữ liệu gồm P mẫu trong một không gian dữ liệu
(nếu là không gian vào thì xi  xi , nếu là khơng gian ra thì xi  yi )

yi

dữ liệu ra thứ i trong tập mẫu dữ liệu


(12)
ˆ
yi

tín hiệu ra thứ i của mạng neuron, hoặc của hệ mờ, hoặc của hệ suy
diễn neuro-fuzzy

Yi

biên độ dao động tại vị trí i trên cơ hệ

0

z

tọa độ trên trục Oz0 dọc theo chiều dài của dầm

z ji

hệ số thế năng biến dạng đàn hồi của phần tử thứ j ở trạng thái dao động thứ
i tại thời điểm kiểm tra (3.45)

ˆ
z ji

hệ số thế năng biến dạng đàn hồi của phần tử thứ j ở trạng thái dao động thứ
i khi cơ hệ chưa hư, được tính dựa vào mạng neuro-fuzzy (hình 3.3)

z j

hệ số hư hỏng tương đối, tính theo thuật tốn VTKT-NF (3.47)

Z (k )

hệ số wavelet chuẩn hóa của phần tử thứ k theo wavelet trung bình (3.38)

(k
Z ai )

hệ số wavelet chuẩn hóa của phần tử thứ k khi scale a=ai (3.37)

 A (.)

là hàm liên thuộc của tập mờ A

 A B (.)

hàm liên thuộc của hợp hai tập mờ A và B

 A B (.)

hàm liên thuộc của giao hai tập mờ A và B

 A B ( x, y ) hàm liên thuộc của giao hai tập mờ A và B khác tập nền (tập nền của A và B,
theo thứ tự, là M và N) được xác định trên tập nền tích M×N

i

là bước dịch chuyển theo hướng pi tại vịng lặp thứ i trong quà trình tìm kiếm
điểm cực tiểu hàm sai số theo phương pháp Conjugate Gradient

 op

bước dịch chuyển cận tối ưu

 i

gia số của bước dịch chuyển tại vòng lặp thứ i

i

chuyển vị nút phần tử tại vị trí i



là hệ số học thích nghi



khối lượng riêng của vật liệu

t

đỉnh cực trị cực đại của siêu hộp HBt

vt

đỉnh cực trị cực tiểu của siêu hộp HBt

 (.)

hàm thuần chủng

 (.)

hàm định hướng


(13)
(t )

hàm mother wavelet

CỤM TỪ VIẾT TẮT
ANN

Artificial Neural Networks
Mạng neuron nhân tạo

BEM

Boundary Element Method
Phương pháp phần tử biên

CBMM

Thuật Toán Chia Bó Min-Max

CĐKT

Chế Độ Kích Thích Dao Động

CG

Conjugate Gradient
Thuật tốn Conjugate Gradient

CSHL

Thuật tốn Cắt Siêu Hộp Lai

CWT

Continuous Wavelet Transform
Phân tích wavelet lien tục

DWT

Discrete Wavelet Transform
Phân tích wavelet rời rạc

FCM

Fuzzy C-mean
Chia bó mờ

FEM

Finite Element Method
Phương pháp phần tử hữu hạn

FL

Fuzzy Logic
Logic mờ

ENF

Element Neuro-Fuzzy Net
Mạng neuro-fuzzy nhận dạng một phần tử

GA

Genetic Algorithm
Thuật toán di truyền

GNFcs

Global Neuro-Fuzzy Net
Mạng neuro-fuzzy cơ sở nhận dạng toàn bộ cơ hệ

HCM

Hard C-Mean
Thuật tốn chia bó cứng

HLM

Thuật Tốn Huấn Luyện Mạng Neuro-Fuzzy


(14)
HLM1

Thuật Toán Huấn Luyện Mạng Neuro-Fuzzy 1

HLM2

Thuật Toán Huấn Luyện Mạng Neuro-Fuzzy 2

KD

Điểm Kỳ Dị

KTKT-WL Thuật Toán Kiểm Tra Khuyết Tật Bằng Phương Pháp Phân Tích Wavelet

LMS

Least-Mean-Square Method
Phương pháp trung bình bình phương cực tiểu

MISO

Multi Input Single Output
Nhiều đầu vào một đầu ra

Max

Maximum
Cực đại

MFM

Mesh-Free Method
Phương pháp mắt lưới

Min

Minimum
Cực tiểu

MPE

Mean Percent Error
Sai số phần trăm trung bình

MSE

Mean-Squared Error
Sai số bình phương trung bình (cịn được gọi là chuẩn L2)

ND-DBTX

Hệ Thống Nhận Dạng và Dự Báo Thường Xuyên “sức khỏe” của cơ hệ

NDKTBDĐ Phương pháp nhận dạng khuyết tật bằng dao động
SEM

Strip Element Method
Phương pháp phần tử dải

SISO

Single Input Single Output

TSPA

Time-Series-Prediction Algorithm
Thuật tốn dự báo các thơng số động theo chuỗi thời gian

TTDĐ

Trạng Thái Dao Động

TT*

Thuật Toán *

VTKT-NL

Thuật Toán Xác Định Vị Trí Khuyết Tật Bằng Phương Pháp Năng Lượng

VTKT-NF

Thuật Tốn Xác Định Vị Trí Khuyết Tật Bằng Mạng Neuro-Fuzzy


(15)


(15)
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ VÀ BIỂU ĐỒ
Hình 1.1 Lưu đồ thuật toán giải bài toán ngược trong cơ học
Hình 1.2 Cầu dây văng Đơng Hải
Hình 1.3 Hệ thống ND-DBTX trên cầu Shandong Binzhou
Hình 1.4 Cầu Rạch Sỏi(a), cầu Đắk Wet 2 trên QL24 (b), và cầu Cần Thơ (c) sau khi sập
Hình 2.1 Dầm dao động cưỡng bức
Hình 2.2 Sơ đồ huấn luyện ANN trong học giám sát
ˆ
Tín hiệu vào và tín hiệu ra của mạng xi , yi (W ) , i=1…P; tín hiệu ra tương ứng của đối
tượng yi,
Hình 2.3 Cấu trúc của bộ nhận dạng mờ và quy trình xây dựng bộ nhận dạng mờ
Hình 2.4 Mơ hình một neuron sinh học
Hình 2.5 Mơ hình tốn của một neuron nhân tạo
Hình 2.6 Mơ hình tốn của neuron nhiều ngõ vào
Hình 2.7 Tập mờ

Hình 2.8 Hợp hai tập mờ có cùng khơng gian nền
a) Hàm thuộc của hai tập mờ A và B,
b) Hợp hai tập mờ theo luật max, c) Hợp hai tập mờ theo luật sum
Hình 2.9 Phép hợp hai tập mờ khơng cùng nền
a) Hàm thuộc của hai tập mờ A, B. b) Đưa hai tập mờ về chung một nền M×N.
c) Hợp hai tập mờ trên nền M×N
Hình 2.10 Hàm thuộc của giao hai tập hợp có cùng khơng gian nền
a) Hàm thuộc của hai tập mờ A và B, b) Giao hai tập mờ theo luật min,
c) Giao hai tập mờ theo luật tích đại số
Hình 2.11 Biến ngơn ngữ và q trình mờ hóa


(16)
Hình 2.12 (a) Hàm thuộc  l (x ) và  c ( y )
(b) Hàm  B ' ( y ) theo quy tắc hợp thành MIN,

(c) Hàm  B ' ( y ) theo quy tắc hợp thành

PROD
Hình 2.13 Độ thỏa mãn: (a) giá trị đầu vào rõ, (b) Giá trị đầu vào mờ
Hình 2.14 Siêu hộp trong 3
Hình 2.15 Chọn giải pháp cắt theo ARC [93] và CSHL [9]
Hình 2.16a Cấu trúc mạng Neuron-fuzzy của thuật tốn HLM1 và HLM
Hình 2.16b Cấu trúc mạng Neuron-fuzzy của thuật tốn HLM2
Hình 3.1 Cấu trúc mạng neuro-fuzzy sử dụng cho một phần tử, ENFj , j=1…N
Hình 3.2 Cấu trúc mạng Neuro-Fuzzy sử dụng cho cầu, GNF
Hình 3.3 Nhận dạng vị trí khuyết tật dựa vào GNFcs
N là số phần tử được chia trên cơ hệ; Ptest là số TTDĐ được sử dụng để kiểm tra
Hình 3.4 Mơ tả chuỗi dữ liệu tuần tự theo thời gian
Hình 4.1 Dùng hàm sai số tự tương quan để huấn luyện mạng neuron nhận dạng vector đặc trưng

của ảnh
Hình 4.2 a/ ANN 5-5-1, v=[13 24 21 56 44]: so sánh tốc độ hôi tụ của TT*,TT**[1], CG ([111])
b/ ANN 5-5-1, v=[3 7 25 5 9]: so sánh tốc độ hôi tụ của TT*,TT**[1], CG ([111]) . Sự phụ
thuộc tốc độ hội tụ của TT**[1] vào hệ số học thích nghi: 1 =0.05, 2 =-0,05 (3); 1 =0.07, 2 =0,05 (4); 1 =-0.1, 2 =0,05 (5)
Hình 4.3 ANN 5-5-5-1, v=[91 18 26 4 50], Emin=0.01
- So sánh tốc độ hội tụ của ba thuật toán: thời gian hội tụ của TT* là 360s (5); của
TT**[1] là 65,78s ( 1 = -0,2; 2 =0,1) (3); [111] vẫn chưa hội tụ sau 5000s, tại đó
Er=2,473.107.
- Thời gian hội tụ của TT**[1] phụ thuộc vào hệ số học thích nghi, cụ thể: 1 =-0.2;
 2 =0,1, t=65,8 (3);

1 =-0,15;  2 =0,1, t=87,6s (2);

1 =0,1;  2 =-0,1 t=342,2s (4).

1 =-0.25;  2 =0,1, t=148 (1);


(17)
Hình 4.4 Tốc độ hội tụ của các thuật tốn
Kết quả xấp xỉ hàm y=1+sin(x) tại hai thời điểm 150 giây và 225 giây được thể hiện qua
các giá trị hàm sai số tương ứng với từng thuật toán E của[111] (trên hình này ký kiệu [1]
ứng với thuật tốn [111]), E(TT*), E(TT**) và các đồ thị xấp xỉ của hàm y bởi tín hiệu ra
của mạng tại từng thời điểm (hình 4.5)
Hình 4.5 Đồ thị hàm y được xấp xỉ bởi tín hiệu ra của mạng tại thời điểm a/ 150s và b/ 225s ứng
với từng thuật toán (trên hình, ký kiệu [1] ứng với thuật tốn [111])
ˆ
Hình 4.6 So sánh sai số đáp ứng Errori  yi  yi , i  1...100 và giá trị sai số bình phương trung bình

E của thuật tóan [93], HLM1 và HLM2 ứng với tập mẫu tr_set2 với số luật mờ M=30

Hình 4.7 Tín hiệu ra của tập mẫu tập tr_set2 yi (

ˆ
) và của mạng yi , i  1...100 (----) ứng với hai

thuật tốn [93] (a) và HLM2 (b)
ˆ
Hình 4.8 Giá trị sai lệch Errori  yi  yi và giá trị sai số bình phương trung bình E của các thuật

toán [93] HLM1, HLM2 và HLM khi số luật mờ M=12, tập mẫu “Daily Data of Stock A”
của [95]
ˆ
Hình 4.9 Giá trị sai lệch Errori  yi  yi và giá trị sai số bình phương trung bình E của các thuật

toán [93] và HLM khi số luật mờ M=18, sử dụng tập mẫu “Daily Data of Stock A” [95]
ˆ
Hình 4.10 So sánh sai số đáp ứng Errori  yi  yi , i  1...100 và giá trị sai số bình phương trung bình

E của thuật tốn [93] và HLM ứng với tập mẫu tr_set với số luật mờ M=30
Hình 4.11 Mơ hình thí nghiệm đo độ võng của dầm cầu trên hai gối khi tải thay đổi
ˆ
Hình 4.12 Sai lệch Errori  yi  yi và sai số bình phương trung bình E ứng với từng thuật tốn

Hình 4.13 Khả năng đáp ứng của mạng neuro-fuzzy được huấn luyện bởi thuật tốn HLM
Hình 4.14 Xây dựng các phần tử theo phương pháp phần tử hữu hạn
Hình 4.15 Độ chính định vị khuyết tật của [67] phụ thuộc vào tần số kích thích dao động (đường 4).
Hiệu quả của giải pháp được đề xuất (đường 3).
(a): phần tử số 17 hư 20%; (b): phần tử 6 hư 20%, 12 hư 20% và 18 hư 30%

(18)
Hình 4.16 Mức độ hư hỏng càng cao thì độ gia tăng của hệ số hư hỏng Di và Di tại phần tử bị hư
càng lớn. Phần tử số 5 bị hư 10% (a); 30% (b) và 50%(c)
Hình 4.17 Hệ số hư hỏng Di và Di – trong trường hợp tập giá trị độ võng Y ( X ) không có sai số phản ánh chính xác vị trí hư hỏng của cầu .
Phần tử số 10 bị hư 20% (a); phần tử 15 bị hư 20% (b); và hai phần tử 6, 12 cùng bị hư
10%(c)
Hình 4.18 Khả năng xác định vị trí hư hỏng của hệ số hư hỏng xi và Di trong trường hợp cơ hệ hư
tại nhiều vị trí đồng thời và tập giá trị độ võng Y ( X ) có sai số với những mức độ khác
Hình 4.19 Thiết bị và mơ hình thí nghiệm
Hình 4.20 Sơ đồ cấu trúc của mơ hình thí nghiệm 1 (a) và vị trí các nút phần tử (b)
Hình 4.21 Chia 4 phần tử. Hư tại Y4+ (phần tử 2) với bốn mức độ khác nhau a-a, b-b, c-c, d-d
Hình 4.22 Chia 4 phần tử, hư tại Y6+ (phần tử 2) với bốn mức độ khác nhau a-a, b-b, c-c, d-d
Hình 4.23 Chia 3 phần tử. Hư tại Y6+ (phần tử 2) với bốn mức độ khác nhau a-a, b-b, c-c, d-d
Hình 4.24 Chia 3 phần tử. Hư đồng thời tại Y6+ (phần tử 2) và tại Y10+ (phần tử 3)
Hình 4.25 Ảnh hưởng của scale a tới việc định vị các điểm kỳ dị
Hình 4.26 Ảnh hưởng của  tới việc định vị các điểm kỳ dị KD
(a) hỏng 4,9% tại Y8, tần số dao động f=3,8Hz; (b) hỏng 23,9% tại Y6+, tần số f=2,6Hz
Hình 4.27 Chênh lệch độ võng y tại Y4 và Y6 khi tần số f=4Hz và biến đổi wavelet W(y) của y

 not ,2 4  not,14  tại Y ứng với các CĐKT2 và CĐKT1 khi hệ không hư, và W(y);
(b) y  6   not ,2 6  not ,1 6  tại Y ứng với các CĐKT2 và CĐKT1 khi hệ không hư, và W(y);
(c) y  4   damage,1 4  not ,1 4  tại Y ứng với CĐKT1 khi Y hư 4,9% và không hư, và W(y);
(d) y  6   damage,1 6  not ,1 6  tại Y ứng với CĐKT1 khi Y hư 4,9% và không hư, và W(y).
(a) y  4 

4

6

4

4

6

4


(19)
Hình 4.28 Hư tại Y8. Hệ số hư hỏng Z (k )  f (Yk ) (3.38) ứng với ba TTDĐ và ba mức độ hư hỏng
(a): hư 1,56% tại Y8, tần số 3 Hz; (b): hư 4,90% tại Y8, tần số 3,8 Hz; (c): hư 11,16%
tại Y8, tần số 3,6 Hz
Hình 4.29 Hư tại Y6+ (trung điểm Y6Y7). Hệ số hư hỏng Z (k )  f (Yk ) ứng với sáu TTDĐ và mức độ
hư hỏng (a): hư 11,6%, tần số 2,6 Hz; (b): hư 11,6%, tần số 3,4 Hz; (c): hư 1,56%, tần số
3,6 Hz; (d): hư 1,56%, tần số 3,4Hz; (e): hư 1,56%, tần số 4 Hz; (f): hư 4,9%, tần số 4Hz.
Hình 4.30 Hư tại Y6+ và Y9+
Số liệu trong các bảng trên mỗi hình: hàng thứ nhất là thứ tự các điểm đo từ Y2 tới Y12,
hàng thứ hai thể hiện hệ số hư hỏng Z (k )  f (Yk ) tương ứng
Hình 4.31 Xác định sự hiện diện của khuyết tật trên cơ hệ cũng như định vị vị trí của chúng
(a) Hư tại Y6 với 4 cấp độ khác nhau aa, bb, cc, dd; khung dao động cùng tần số f=3,6Hz
trong cả bốn trường hợp. (b) Tương tự như trường hợp trên nhưng tần số dao động ứng
với từng mức khuyết tật aa, bb, cc, dd theo thứ tự là 3,4Hz, 3,6Hz, 3,1Hz và 3,0 Hz. (c)
Khung hư đồng thời tại hai điểm Y4 và Y6 cùng cấp độ aa, bb, cc, và dd; ứng với từng cấp
độ hư nêu trên là các tần số dao động tương ứng 3,6Hz, 2,9Hz, 3,2Hz và 4,0Hz.
Hình 4.32 Vị trí hư (A) và các vị trí gắn các cảm biến CV1, CV2, MEM1, MEM2, MEM3 trên dầm
Hình 4.33 Vị trí hư (C) và vị trí gắn các cảm biến MEM1, MEM2, MEM3, SG2, SG3, CV1, CV2
trên dầm
Hình 4.34 Phương pháp xác định mức độ khuyết tật dựa vào W (k )
Các đường (1) và (2), theo thứ tự, là độ biến thiên của hệ số wavelet trung bình W ( 6) và

W ( 4) khi dầm hư tại Y6 ở các mức độ khác nhau. Các đường (3) và (4), theo thứ tự, là độ
biến thiên của hệ số wavelet trung bình W ( 4) và W ( 6) khi dầm hư đồng thời tại Y4 và Y6 ở
các mức độ khác nhau
Hình 4.35 Dự báo biên độ dao động tại nút Y5 khi khung dao động tần số 1,1Hz với n=3 và n=4
Hình 4.36 Dự báo biên độ dao động tại nút Y7 khi khung dao động với tần số 1,8Hz với n=3 và n=4
Hình 4.37 Dự báo biên độ dao động tại nút Y8 khi khung dao động với tần số 1,4Hz với n=3 và n=4
Hình 4.38 Khảo sát gián tiếp. 1/ Camera , 2/ Time Properties , 3/ DaqView – Trigger


(20)
Hình 4.39 Khảo sát đáp ứng động lực của cầu Sài Gòn dựa vào số liệu trong các ngày 9-12/4/2009.
Các hình (1), (2), và (3) là tín hiệu biến dạng của dầm cầu ở ba lần đo tại cùng một điểm
đo Y1. Hình (4) là tín hiệu wavelet Wf(a, b) của (3). Hình (5) là hệ số wavelet trung bình
W (k ) tại năm điểm khảo sát Y1, Y2, Y3, Y4, và Y5 trên một dầm cầu ở cùng những thời điểm

trong các ngày 9-12/4/2009. Hình (6) là hệ số wavelet trung bình W (k ) tại năm điểm khảo
sát tiếp theo Y6, Y7, Y8, Y9, và Y10 trên chính dầm cầu này trong các ngày 9-12/4/2009.


(15)

DANH MỤC CÁC BẢNG
Bảng 1.1 Thống kê các số liệu về hệ thống cầu tại Việt nam, năm 2007
Bảng 4.1 Thời gian huấn luyện ứng với ANN 5-5-1, Emin=0.01
Bảng 4.2 Sai số bình phương trung bình của từng thuật tốn
Bảng 4.3 Sai số bình phương trung bình của từng thuật toán
Bảng 4.4 Sai số E của [93], HLM1, HLM2 và HLM khi M=10, 12, 14, 18, 20
Bảng 4.5 Sai số E của [112], [133], [143], [93], HLM1, HLM2 và HLM khi M=6, 8, 10
Bảng 4.6 Sai số E của [93] và HLM khi M=10, 15, 20, 25, 30
Bảng 4.7 Phần tử số 8 hư 30%

Bảng 4.8 Phần tử số 6 hư 10% và phần tử số 12 hư 10%
Bảng 4.9 Phần tử số 6 hư 40% và phần tử số 12 hư 20%
Bảng 4.10 Hệ số hư hỏng Zai(k) và Z(k)
Bảng 4.11 Hệ số hư hỏng Zai(k) và Z(k)
Bảng 4.12 Wa(k ) (3.37) và W (k ) (3.38) của độ võng tuyệt đối k ( z , t ) tại Y4,Y6 trong từng CĐKT
i

Bảng 4.13 Wa(k ) (3.37) và W (k ) (3.38) của hiệu chênh lệch độ võng y  k ( z , t ) tại Y4,Y6 trong
i

từng CĐKT
Bảng 4.14 Hư 12.5% tại A
Bảng 4.15 Hư 6.25% tại C
Bảng 4.16 Hư 12.5% tại C
Bảng 4.17 Hư 18.75% tại C
Bảng 4.18 Số liệu dự báo biên độ dao động của TSPA khi n=3
Bảng 4.19 Số liệu dự báo biên độ dao động khi n=4 của TSPA và của DENFIS [98]


1

Luận án Tiến sĩ Kỹ thuật

MỞ ĐẦU
Cầu giao thông chịu tác động của các chế độ tải trọng phức tạp. Ngoài tác động của tải trọng phân
bố do trọng lượng của chính cơ hệ, hệ cịn chịu tác động của tải trọng tĩnh và tải trọng động do
nhiều nguyên nhân khác nhau, chẳng hạn tải trọng do con người và các phương tiện giao thông lưu
thông qua cầu tạo ra, tải trọng do tác động của sóng nước, của gió và/hoặc tải trọng động do địa
chấn...[176]. Trong tính tốn thiết kế, trên cơ sở phân tích ảnh hưởng của từng yếu tố tới cơng trình
[158-159][170-171][174-175][177] chúng ta tiến hành tính toán theo nguyên lý cộng tác dụng dựa

trên những tiêu chuẩn thiết kế khác nhau [151-152][171]... Thực tế cho thấy rằng khó có thể đưa ra
một tiêu chuẩn thiết kế phù hợp một cách hoàn hảo với tất cả các chế độ tải trọng thực tác động lên
cầu. Ngoài ra, khả năng tải của cầu cũng thay đổi theo thời gian do xuất hiện khuyết tật – với nhiều
loại hình khác nhau [154][156][165][167] ở các cấp độ khác nhau – có thể gây ra tình trạng q tải
cho cơ hệ nếu xét theo khả năng tải thực tế. Kết quả là, mặc dù đã được các nhà chuyên môn thiết
kế một cách chi tiết dựa theo các tiêu chuẩn thiết kế chặt chẽ nhưng vẫn xảy ra những sự cố đáng
tiếc trong quá trình khai thác cầu.
Ở nước ta, hệ thống cầu giao thơng có tổng chiều dài cũng như chủng loại cầu là rất lớn,
trong đó nhiều cây cầu nằm trên những trục đường huyết mạch. Xét về tình trạng kỹ thuật: khả năng
tải và dự trữ tuổi thọ của từng cây cầu trong hệ thống có sự khác biệt nhau; nhiều cây cầu làm việc
quá tải trong thời gian dài. Bên cạnh những cầu có dự trữ về tuổi thọ khơng cao lại có rất nhiều cây
cầu có dự trữ về tuổi thọ khá cao nhưng chất lượng của chúng đang xuống cấp nhanh chóng theo
thời gian. Nguyên nhân chính của tình trạng này là do chế độ quá tải trầm trọng kéo dài liên tục
trong khoảng thời gian dài; đặc biệt, các phương tiện vận tải tải trọng lớn đang được đưa vào sử
dụng với tốc độ gia tăng hầu như khơng kiểm sốt được trong thời gian gần đây. Bên cạng đó, hệ
thống nhận dạng khuyết tật cầu ở nước ta chưa theo kịp với yêu cầu thực tế, hệ thống dự báo khả
năng tải của cầu chưa được quan tâm đúng mực. Việc khai thác cầu không thỏa đáng cùng với việc
thiếu hệ thống nhận dạng và dự báo khuyết tật, thiếu cơ sở dữ liệu đủ tin cậy trong công tác quản trị
cầu đã dẫn tới tình trạng sập cầu diễn ra nhiều trong thời gian gần đây.
Xét ở góc độ kỹ thuật ta có thể thấy rằng trên đa số các hệ thống cầu giao thông, dầm cầu là
một trong những thành phần chịu tải cơ bản, khuyết tật xuất hiện trên dầm cầu là một trong những
nguyên nhân chính gây ra sập cầu. Vì vậy, nghiên cứu xây dựng phương pháp nhận dạng và dự báo
khuyết tật của dầm là công tác cần thiết góp phần vào việc xây dựng hệ thống nhận dạng khuyết tật
và dự báo thường xuyên khả năng tải của cầu (ND-DBTX), phục vụ cho công tác quản trị cầu một
cách khoa học và hiệu quả. Đây chính là động lực để tác giả thực hiện luận án.
Nguyễn Sỹ Dũng