Chẩn đoán sức khỏe kết cấu sử dụng chuỗi gia tốc và học sâu

Bài báo "Chẩn đoán sức khỏe kết cấu sử dụng chuỗi gia tốc và học sâu" giới thiệu một mạng thần kinh học sâu (DNN) mới để đánh giá vị trí và mức độ hư hỏng của các các phần tử dàn dựa trên chuỗi gia tốc. Với mục đích đó, dữ liệu đầu vào để xây dựng mô hình là gia tốc tương ứng tại các điểm đo đạc, trong khi đó dữ liệu đầu ra là tỉ lệ phá hủy của các phần tử dàn. Mời các bạn cùng tham khảo!
Nội dung trích xuất từ tài liệu:
Chẩn đoán sức khỏe kết cấu sử dụng chuỗi gia tốc và học sâu 470 Tuyển tập công trình Hội nghị Cơ học toàn quốc lần thứ XI, Hà Nội, 02-03/12/2022 Chẩn đoán sức khỏe kết cấu sử dụng chuỗi gia tốc và học sâu Đặng Duy Khanh1,2,3, Trương Hiệp Hòa1,2, Lý Minh Nguyệt1,2, Lương Văn Hải1,2, Nguyễn Công Huân4, Liêu Xuân Quí1,2* 1 Khoa Kỹ thuật Xây dựng, Trường Đại học Bách Khoa TP.HCM 2 Đại học Quốc gia Thành phố Hồ Chí Minh 3 Khoa Kỹ thuật Xây dựng, Trường Đại học Nguyễn Tất Thành 4 Khoa Kỹ thuật Công trình, Trường Đại học Công nghệ Sài Gòn *Email: lieuxuanqui@hcmut.edu.vn Tóm tắt. Bài báo này giới thiệu một mạng thần kinh học sâu (DNN) mới để đánh giá vị trí và mức độ hư hỏng của các các phần tử dàn dựa trên chuỗi gia tốc. Với mục đích đó, dữ liệu đầu vào để xây dựng mô hình là gia tốc tương ứng tại các điểm đo đạc, trong khi đó dữ liệu đầu ra là tỉ lệ phá hủy của các phần tử dàn. Tập dữ liệu này được tạo ra một cách ngẫu nhiên từ mô phỏng phần tử hữu hạn. Bằng cách sử dụng một mô hình thay thế như vậy, phương pháp đề xuất có thể xác định được mức độ và vị trí hư hỏng của kết cấu một cách sơ bộ. Độ chính xác của mô hình DNN sau đó sẽ được cải tiến liên tục bằng cách loại đi các phần tử dàn được dự báo không chính xác của mô hình trước đó. Sự cập nhật liên tục như vậy sẽ tạo ra một mô hình DNN sau đó có độ chính xác và tin cậy cao hơn. Ngôn ngữ Python sẽ được sử dụng để lập trình bài toán. Một dàn 21 thanh sẽ được trình bày để minh họa hiệu quả và mức độ chính xác của mô hình đề xuất. Từ khóa: Chẩn đoán phá hủy, mô hình thay thế, mạng thần kinh học sâu, chuỗi gia tốc, dàn.1. Giới thiệu Trong thực tế, hầu hết các kết cấu xây dựng thường bị ảnh hưởng bởi các tác động môi trường,sự lão hóa của vật liệu và các vấn đề về lỗi kỹ thuật thi công, hoặc thậm chí là vượt tải trọng so với thiếtkế, v.v… Và điều này có thể dẫn đến sự phá hủy cục bộ của một bộ phận kết cấu hoặc làm cho sụp đổhoàn toàn hệ. Để phát hiện sớm những vấn đề trên để đưa ra các giải pháp phù hợp như sửa chữa, giacố hoặc thay thế mới các vị trí hư hỏng, lĩnh vực chẩn đoán sức khỏe kết cấu (SHM) đã ra đời và thuhút được sự quan tâm của nhiều nhà nghiên cứu. Theo đó, nhiều phương pháp đã được đề xuất và đượcáp dụng rộng rãi. Điển hình có thể kể đến như Seyedpoor [1] đã sử dụng thuật toán tối ưu bầy đàn (PSO)để xác định hư hỏng của kết cấu dàn theo phương pháp hai bước. Lieu và cộng sự [2] đã đề xuất phươngpháp chẩn đoán phá hủy dàn dựa trên tối ưu hóa ngược. Dinh-Cong và cộng sự cũng đã sử dụng cácthuật toán tối ưu khác để xác định hư hỏng của các kết cấu [3]. Kaveh và Zolghadr đã dùng thuật toáncải tiến Charged System Search (CSS) cho chẩn đoán hư hỏng kết cấu dàn dựa trên thay đổi tần số vàdao động riêng [4], v.v … Bên cạnh các nghiên cứu chẩn đoán hư hỏng dựa trên tối ưu hóa ngược, gần đây với sự phát triểncủa khoa học máy tính, các thuật toán trí tuệ nhân tạo (AI) đã phát triển rất mạnh mẽ và đã được áp dụngtrong rất nhiều ngành khác nhau. Trong đó, lĩnh vực SHM cũng gặt hái được nhiều những thành tựuđáng kể. Về vần đề này, có thể thấy qua nghiên cứu của Lee và cộng sự [5], trong nghiên cứu đó, cáctác giả đã dùng mạng thần kinh học sâu để phát hiện vị trí và đánh giá được mức độ hư hỏng của kếtcấu dàn. Truong và cộng sự cũng đã ứng dụng DNN cho phát hiện sự phá hủy của kết cấu dàn dùng cácdữ liệu bị nhiễu và khuyết [6], v.v… Có thể nhận thấy rằng, các nghiên cứu hiện có hầu như sử dụngcác kỹ thuật học sâu như một mô hình thay thế để dự đoán tổng thể thay vì tập trung vào việc xây dựngcác mô hình chỉ dựa trên các dữ liệu quan trọng nhằm tăng độ chính xác và giảm bộ dữ liệu cần thiết.Vì vậy, các nghiên cứu đó thường đòi hỏi một tập dữ liệu rất lớn cho quá trình huấn luyện và kiểm tramô hình DNN. Điều này làm cho mô hình DNN cần một cấu trúc mạng phức tạp với nhiều lớp và nơron hơn. Kết quả là, bài toán cần một chi phí tính toán khá lớn để đạt được mô hình dự đoán tổng thểnhư vậy. Xuất phát từ ý tưởng của Lieu và cộng sự [7] trong một công bố về phân tích độ tin cậy kết 471 Đặng Duy Khanh, Trương Hiệp Hòa, Lý Minh Nguyệt, Lương Văn Hải, Nguyễn Công Huân, Liêu Xuân Quícấu dùng mô hình DNN tương thích dựa trên các dữ liệu quan trọng. Trong nghiên cứu đó, mô hình thaythế chỉ cần một tập dữ liệu nhỏ cho quá trình huấn luyện và kiểm tra, bởi vì nó chỉ tập trung vào việc dựđoán cục bộ các vùng cần thiết và nhạy. Với một tập dữ liệu như vậy, mô hình DNN chỉ cần một cấutrúc mô hình đơn giản với ít số lớp và nơ ron, nhưng vẫn cho ra được những kết quả dự đoán tốt. Do đó,nghiên cứu này sẽ dựa trên ý tưởng của công bố trên, nhưng sẽ xây dựng cho bài toán chẩn đoán pháhủy kết cấu. Một đóng góp khác biệt của phương pháp này là dùng chuỗi gia tốc đo được trong một vàivị trí quan trọng thay vì dùng các dữ liệu đo đạc từ các tần số và dao động bậc cao, mà việc đo đạc cácthông tin bậc cao như vậy cho một kết cấu lớn là hoàn toàn không khả thi.2. Cơ sở lý thuyết2.1. Mô hình phần tử hữu hạn Mô hình phần tử hữu hạn để phân tích tuyến tính của kết cấu dàn chịu tải phụ thuộc thời gianđược cho bởi MU + CU + KU =) ,   F (t (1)  trong đó, K , M và C lần lượt là ma trận độ cứng tổng thể, khối lượng và ma trận cản; U, U và U tươngứng là các vectơ tổng thể ...