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

TĨM TẮT LUẬN ÁN TIẾN SĨ

HÀ NỘI – 2023


0

Cơng trình được hồn thành tại: Đại học Giao thơng vận tải
Người hướng dẫn khoa học 1: PGS.TS. Hoàng Hà
Người hướng dẫn khoa học 2: TS. Nguyễn Thị Cẩm Nhung

Phản biện 1: GS.TSKH Nguyễn Đông Anh
Phản biện 2: PGS. TS Nguyễn Bình Hà
Phản biện 3: TS. Nguyễn Việt Khoa

Luận án sẽ được bảo vệ trước Hội đồng chấm luận án cấp Trường theo
Quyết định Số 2089/QĐ-ĐHGTVT ngày 21 tháng 9 năm 2023
họp tại: Trường Đại học Giao thông vận tải
Vào hồi

ngày

tháng

năm 20

Có thể tìm hiểu luận án tại thư viện:
- Thư viện Trường Đại học Giao thông vận tải;
- Thư viện Quốc Gia.


1

MỞ ĐẦU
1. Mở đầu
Chẩn đoán kết cấu cầu là quá 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 lĩnh vực giám sát sức khỏe kết cấu cơng trình, với đặc điểm
nguồn dữ liệu lớn được đo dài hạn theo thời gian, các mơ hình học sâu có thể
khắc phục hạn chế của các phương pháp truyền thống để 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 thơng 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 toán 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;
- Phương pháp phân tích số kết hợp với thực nghiệm.
4. Đối tượng và phạm vi nghiên cứu
- Đặc trưng động học của kết cấu cơng trình cầu;
- Các phương pháp xử lý số liệu.
- Các phương pháp học sâu tích chập kết hợp;
- Chẩn đốn vị trí và hư hỏng của kết cấu.


2

5. Ý nghĩa khoa học và thực tiễn
- Áp dụng các phương pháp học sâu để chẩn đoán hư hỏng kết cấu, sử
dụng hiệu quả cho các dạng dữ liệu theo thời gian (là cơ sở để xây
dựng công cụ để giám sát trực tuyết các cơng trình).
- Đề xuất phương pháp để cải thiện dữ liệu, cùng với thuật tốn kết hợp
đề xuất để cải thiện độ chính xác của phương pháp học sâu.

- Tạo cơ sở dữ liệu cơng trình như một dạng hồ sơ lưu trữ giúp giám sát
sức khoẻ cơng trình.
- Kết quả của luận án có thể sử dụng làm tài liệu tham khảo hữu ích cho
lĩnh vực giám sát sức khoẻ cơng trình.
6. Nội dung và kết cấu của luận án
Ngoài phần mở đầu, kết luận và kiến nghị, luận án bao gồm 04 chương với nội
dung và phụ lục có kết cấu như sau:
Mở đầu:
Chương 1 - Tổng quan về nghiên cứu chẩn đốn kết cấu cơng trình cầu dựa
trên phương pháp đo nhận dạng dao động.
Chương 2 - Cơ sở lý thuyết về giám sát sức khoẻ kết cấu sử dụng dữ liệu
theo thời gian dựa trên các đặc trưng động học.
Chương 3 – Mạng học sâu truyền thống và mạng học sâu tích chập ứng
dụng trong chẩn đốn kết cấu cơng trình cầu
Chương 4 - Áp dụng mạng học sâu tích chập kết hợp phương pháp SAXMDWD để chẩn đoán các hư hỏng cho mơ hình cầu
Kết luận và kiến nghị
Phần Tài liệu tham khảo:
Tổng hợp 133 tài liệu có liên quan đến những vấn đề và nội dung nghiên cứu
được đề cập đến trong luận án.
CHƯƠNG 1: TỔNG QUAN VỀ NGHIÊN CỨU CHẨN ĐỐN SỨC
KHOẺ KẾT CẤU CƠNG TRÌNH CẦU DỰA TRÊN PHƯƠNG PHÁP
ĐO NHẬN DẠNG DAO ĐỘNG
1.1 Tổng quan về nghiên cứu chẩn đốn sức khoẻ kết cấu cơng trình cầu
dựa trên phương pháp đo nhận dạng dao động
1.1.1 Giới thiệu về chẩn đốn sức khoẻ kết cấu cơng trình cầu dựa trên
phương pháp đo nhận dạng dao động
Theo dõi sức khỏe có thể đánh giá hiệu suất của các kết cấu một cách
chủ động bằng cách sử dụng dữ liệu đo được và các thuật tốn giải thích dữ



3

liệu, để đánh giá chính xác tình trạng hiện tại và dự đốn tuổi thọ cịn lại của
cơng trình. Ưu điểm chính của phương pháp này là chúng cung cấp thơng tin
tổng thể về tình trạng sức khỏe kết cấu để đánh giá trạng thái kết cấu, các phép
đo tại một vị trí là đủ để đánh giá tình trạng của tồn bộ kết cấu. Vị trí đo có
thể khác với vị trí hư hỏng. Các phương pháp dựa trên đặc trưng dao động của
kết cấu có thể được áp dụng không liên tục (triển khai tạm thời các cảm biến)
và hệ thống thu nhận hoặc liên tục (nhúng các cảm biến trong kết cấu).
1.1.2 Mục đích của chẩn đốn sức khoẻ kết cấu dựa trên phương pháp đo
nhận dạng dao động
- Cung cấp thời gian thực trong giám sát, phân tích và liên tục phát
hiện sự giảm khả năng chịu lực, hư hỏng mà không làm tổn hại đến kết cấu
trong suốt q trình khai thác của cơng trình.
- Đặc biệt hệ thống này còn theo dõi và ghi lại các ứng xử của kết cấu
trong trường hợp đặc biệt (như có bão lũ, thiên tai hoặc sự cố tai nạn nghiêm
trọng) mà các phương pháp truyền thống khác không thể giám sát được.
1.1.3 Sự phát triển của các phương pháp chẩn đoán sức khoẻ kết cấu dựa
trên phương pháp đo nhận dạng dao động
Gần đây, nhiều tiến bộ đã được thực hiện trong các ngành công nghệ
khác nhau, bao gồm thiết bị đo cảm biến, thu nhận và truyền tín hiệu, xử lý và
phân tích dữ liệu cũng như mô phỏng số. Những tiến bộ công nghệ này cho
phép thu thập và phân tích thơng tin lịch sử và hiện tại cần thiết của các cơng
trình. Các chiến lược SHM tận dụng những tiến bộ của công nghệ để đánh giá
chính xác tình trạng của các cơng trình bằng cách sử dụng dữ liệu được giám
sát theo thời gian thực.
Hoạt động quan trắc đã bùng nổ mạnh trong thập kỷ gần đây, do sự
phát triển không ngừng trong lĩnh vực khoa học máy tính và hệ thống theo dõi
“thơng minh”. Thuật ngữ “thơng minh” sau đó được sử dụng để nhấn mạnh ý
nghĩa của hệ thống quan trắc thơng minh vì có độ bền, đáng tin cậy và kinh tế.

Hiện nay với sự phát triển của khoa học kỹ thuật thì việc quan trắc kết
cấu cầu đang đứng trước cơ hội lớn để phát triển và dần hướng tới các hệ thống
“quan trắc thông minh”.
Trong phương pháp đánh giá sức khỏe kết cấu dựa trên kết quả thu thập nhận
dạng và phân tích số liệu dao động, có các hướng nghiên cứu chính sau đây:
- Hướng nghiên cứu về thiết bị (cảm biến) đo dao động trên kết cấu và
xử lý (lọc nhiễu) – truyền dẫn kết quả đo về máy tính;


4

- Hướng nghiên cứu về các thuật toán cập nhật mơ hình số hóa kết cấu
(bằng cách thay đổi điều kiện biên, đặc trưng vật lý của kết cấu) dựa trên các
đặc trưng dao động thực đo, từ đó xây dựng một “bản sao số” của kết cấu trên
máy tính phù hợp với cơng trình thực tế.
- Hướng nghiên cứu dựa trên các mơ hình kết cấu đã được cập nhật
xác định hoặc dự đốn các vị trí hư hỏng (nếu có) và dự đốn về ứng xử của
kết cấu cơng trình.
Nhận xét thấy các hướng nghiên cứu này đều rất quan trọng do có sự
liên quan chặt chẽ với nhau. Hướng nghiên cứu thứ nhất giải quyết vấn đề độ
chính xác của việc thu thập các số liệu đặc trưng dao động, hướng thứ hai thể
hiện sự cần thiết của việc thu thập và lưu trữ đủ thông tin về các dữ liệu đặc
trưng dao động, hướng nghiên cứu thứ ba thể hiện u cầu chính xác của việc
tìm kiếm, phát hiện, đánh giá mức độ ảnh hưởng của các vị trí hư hỏng của kết
cấu, đây cũng chính là mục đích của việc giám sát sức khỏe cơng trình cầu
thơng qua việc thu thập, phân tích, đánh giá sự biến đổi của các tham số đặc
trưng dao động.
1.2 Các nghiên cứu trên thế giới về chẩn đoán kết cấu dựa trên phương
pháp đo nhận dạng dao động
Messina và cộng sự đã sử dụng mối tương quan thống kê giữa các

thay đổi tần số dao động tự nhiên phân tích và đo lường để ước tính vị trí và
kích thước của các hư hỏng. Morassi đã áp dụng một kỹ thuật nghịch đảo để
khoanh vùng các vết nứt trong khung thép thông qua sự thay đổi tần số dao
động tự nhiên. Morassi đề xuất một phương pháp xác định vết nứt cho các kết
cấu dạng thanh dựa trên sự thay đổi do hư hỏng gây ra trong tần số dao động
tự nhiên.
Tuy nhiên, các thuật tốn nói trên phải điều chỉnh quá nhiều tham số
trong quá trình tìm kiếm giải pháp tốt nhất thông qua các lần lặp, nên rất mất
thời gian khi sử dụng chúng cho các vấn đề tối ưu hóa kết cấu có nhiều bậc tự
do. Điều này giảm hiệu quả khi sử dụng các thuật toán tối ưu tiến hoá cho các
vấn đề tối ưu hóa của các kết cấu quy mơ lớn.
Bên cạnh các thuật toán tối ưu tiến hoá, ANN cũng được quan tâm và
sử dụng thành công cho các lĩnh vực khác nhau. Yeung và Smith đã sử dụng
mạng nơ-ron không giám sát để nhận dạng mẫu với luồng dữ liệu thu được từ
các cảm biến được lắp đặt trên Cầu Tsing Ma để liên tục kiểm tra các hoạt
động của kết cấu. Sau đó, Reda Taha và Lucero đã giới thiệu một phương pháp
mới bằng cách bổ sung các chỉ số nhận dạng để điều chỉnh sự không chắc chắn


5

liên quan đến trạng thái hư hỏng dựa trên phương pháp – ANN. Gia tốc thu
được từ các cảm biến lắp đặt trên cầu được phân tích bằng cách sử dụng môđun mạng nơ-ron wavelet. Kết quả chỉ ra rằng, phương pháp đề xuất có thể
xác định chính xác được hư hỏng trong kết cấu.Tuy nhiên vẫn cịn nhiều sai
sót xảy ra khi áp dụng các phương pháp này.
Những thập kỷ gần đây, ANN đã được áp dụng rộng rãi trong nhiều
lĩnh vực, tuy nhiên, do việc áp dụng các thuật toán lan truyền ngược dựa trên
kỹ thuật độ dốc đi xuống (Gradient Descent - GD), mạng có thể bị mắc kẹt
trong cực tiểu cục bộ, làm giảm độ chính xác và hiệu quả của ANN. Một hạn
chế khác của thuật tốn ANN là khơng sử dụng cho xử lý các dữ liệu hình ảnh

và có độ chính xác khơng cao trong trường hợp xử lý các dữ liệu lớn.
Phân tích trên cho thấy xuất hiện nhu cầu của hướng nghiên cứu mới là cần
thiết sử dụng và phát triển các cơng cụ mạnh mẽ với tính linh hoạt và đa dạng
cao hơn để xử lý bộ dữ liệu lớn với các dạng dữ liệu khác nhau, đáp ứng yêu
cầu theo dõi, kiểm soát trạng thái sức khỏe của các cơng trình có quy mơ lớn,
kỹ thuật phức tạp cần bố trí số lượng thiết bị đo lớn.
1.3 Các nghiên cứu ở Việt Nam về chẩn đoán kết cấu dựa trên phương
pháp đo nhận dạng dao động.
Ở Việt Nam, nghiên cứu về chẩn đoán sức khoẻ kết cấu đang nhận được
sự quan tâm, chú ý của các nhà khoa học trong những thập kỷ gần đây. Các
nghiên cứu về phát hiện hư hỏng trong kết cấu được thực hiện với nhiều loại
kết cấu như cầu đường, các loại nền móng và các giàn khoan. Bùi Đức Chính
giới thiệu phương pháp sử dụng phương pháp biến đổi Hilbert-Huang kết hợp
với dự liệu đo dao động để chẩn đoán hư hỏng cho một số trụ cầu. Kết quả cho
thấy rằng biến đổi Hilbert-Huang nhạy hơn các phương pháp biến đổi cũ như
chuyển đổi nhanh Fourier (Fast Fourier Transform - FFT), và Wavelet
Transform (WT) để phân biệt được các ứng xử dao động khác nhau của các
trụ cầu, và sự giảm độ cứng của các trụ.
Nguyễn Hữu Thuấn và cộng sự đã tiến hành đo thực nghiệm hiện trường
kết hợp với xây dựng FEM để giám sát sức khỏe cho cầu dây văng Mỹ Thuận.
Tần số dao động riêng và hình thái dao động được chọn làm hàm mục tiêu để
giảm sự khác biệt giữa kết quả tính tốn và kết quả đo. Nguyễn Trọng Nghĩa
và cộng sự đề xuất sử dụng phương pháp đồ thị để tính tốn lực căng trong các
dây cáp của cầu dây văng Phú Mỹ.
Tuy nhiên các nghiên cứu về giám sát sức khỏe kết cấu bằng nhận dang
dao động đã thực hiện ở Việt Nam chủ yếu phân tích hoặc xác định các đặc


6


trưng động học của kết cấu như tần số dao động riêng, hình thái dao động...mà
chưa hồn tồn xác định được giá trị của các thông số bất định của kết cấu có
thể thay đổi theo thời gian như các đặc trưng của vật liệu (mơ đun đàn hồi...),
hình dạng mặt cắt, và điều kiện biên. Ngoài ra, mặc dù gần đây trên thế giới
các nghiên cứu sử dụng các thuật toán tối ưu, hay các phương pháp học máy
đã được áp dụng rộng rãi và hiệu quả để giám sát sức khỏe các cơng trình, tuy
nhiên ở Việt Nam, các kỹ thuật này vẫn cịn mới, chưa có nhiều nghiên cứu sử
dụng các thuật toán tối ưu, hay các phương pháp học máy, mơ hình học sâu để
phân tích dữ liệu trong giám sát sức khỏe các cơng trình. Gần đây nhất, Hồ
Khắc Hạnh đã áp dụng phương pháp ANN kết hợp với PSO để chuẩn đoán hư
hỏng cho các kết cấu cơng trình.
CHƯƠNG 2 CƠ SỞ LÝ THUYẾT VỀ GIÁM SÁT SỨC KHOẺ KẾT
CẤU SỬ DỤNG DỮ LIỆU CHUỖI THỜI GIAN DỰA TRÊN CÁC
ĐẶC TRƯNG ĐỘNG HỌC
2.1 Khái niệm về dữ liệu chuỗi thời gian (time series data)
Trong toán học, dữ liệu chuỗi thời gian được định nghĩa là một chuỗi
các điểm dữ liệu, được đo theo từng khoảng khắc thời gian liền nhau theo một
tần suất thời gian thống nhất
Dự đoán chuỗi thời gian là việc sử dụng mơ hình để dự đốn các sự
kiện thời gian dựa vào các sự kiện đã biết trong quá khứ để từ đó dự đốn các
dữ liệu trước khi nó xảy ra (dự đoán tương lai).
Dữ liệu chuỗi thời gian có những tính chất đặc trưng riêng, cơ bản như:
tính xu hướng, tính chu kỳ, tính ngẫu nhiên, tính dừng, tính nhiễu, tính khơng
đồng nhất.
2.2 Dữ liệu chuỗi thời gian cho giám sát sức khỏe kết cấu
Khoa học về giám sát sức khỏe liên tục và trực tuyến của các kết cấu
dựa trên các đặc trưng động học để đánh giá các điều kiện vận hành của kết
cấu đang nhận được sự quan tâm sâu sắc của các nhà khoa học cũng như các
cơ quan quản lý [Error! Reference source not found.]. Giám sát sức khoẻ
kết cấu dựa trên dao động có thể được phân loại theo miền thời gian, miền tần

số và miền tần số - thời gian. Trong đó phương pháp dựa trên miền thời gian,
thơng qua việc sử dụng phân tích chuỗi dữ liệu theo thời gian thu được từ hệ
thống cảm biến để đánh giá tình trạng sức khoẻ kết cấu đang chứng tỏ được
những hiệu quả tiềm năng [Error! Reference source not found.].


7

2.3 Các loại dữ liệu chuỗi thời gian
Loại và bản chất của dữ liệu chuỗi thời gian đóng vai trị nổi bật trong phân
tích chuỗi thời gian. Từ đó có thể xác định mơ hình chuỗi thời gian thích hợp
nhất, mơ hình này phải tương thích với dữ liệu và trích xuất được các tính năng
nhạy cảm với các hư hỏng (Damage-Sensitive Features – DSF) đáng tin cậy.
Trên cơ sở này, có thể phân tích dữ liệu chuỗi thời gian thành bốn nhóm
[Error! Reference source not found.].
 Chuỗi thời gian ổn định so với chuỗi thời gian không ổn định.
 Chuỗi thời gian tuyến tính và chuỗi thời gian phi tuyến tính.
 Chuỗi thời gian đơn biến so với chuỗi thời gian đa biến.
 Chuỗi thời gian Gaussian so với chuỗi thời gian không phải
Gaussian.
 Chuỗi thời gian ổn định so với chuỗi thời gian khơng ổn định.
2.4 Tính bất định của dữ liệu chuỗi thời gian trong giám sát sức khỏe kết
cấu cầu
2.4.1 Phương trình dao động của kết cấu
Dao động của kết cấu liên tục được rời rạc hóa với số bậc tự do - 𝑛 (degreeof-freedom-DOF) được thể hiện bởi phương trình vi phân bậc hai (phương
trình vi phân chuyển động tổng quát) được thể hiện như phương trình 2.1:
(2.1)
𝑀𝑥̈ (𝑡) + 𝐶𝑥̇ (𝑡) + C𝑥(𝑡) = p(𝑡)
2.4.2 Phân tích hình thái dao động
Ma trận vng gồm 𝑁 các hình thái dao động sẽ được biểu diễn bằng 𝚽 như sau:


𝚽 = [𝜙1

𝜙2

𝜙3

𝜙11
𝜙21
𝜙
⋯ 𝜙𝑁 ] = 31
𝜙41
⋯
[𝜙𝑁1

𝜙12
𝜙22
𝜙32
𝜙42
⋯
𝜙𝑁2

⋯
⋯
⋯
⋯
⋯
⋯

𝜙1𝑁

𝜙2𝑁
𝜙3𝑁
𝜙4𝑁
⋯
𝜙𝑁𝑁 ]

(2.2)

2.4.3 Dao động tắt dần
Đầu tiên để phân tích dao động tắt dần tỷ lệ, phương trình vi phân chuyển
động tổng quát (2-1) sẽ được phát triển bằng cách nhân hai vế của phương
trình với ϕ𝑇
𝜙𝑛𝑇 𝑚𝛷𝑌̈(𝑡) + 𝜙𝑛𝑇 𝑐𝛷𝑌̇(𝑡) + 𝜙𝑛𝑇 𝑘𝛷𝑌(𝑡) = 𝜙𝑛𝑇 𝑝(𝑡)
(2.3)


8

Nếu phương trình Error! Reference source not found. được chia cho khối lượng tổ
trình
chuyển động dạng thức này có thể được biểu diễn dưới dạng thay thế:
𝑃𝑛 (𝑡)
𝑌𝑛̈ (𝑡) + 2𝜉𝑛 𝜔𝑛 𝑌𝑛̇ (𝑡) + 𝜔𝑛2 𝑌𝑛 (𝑡) = 𝑀
(2.4)
𝑛

2.4.4 Đặc trưng bất định, ngẫu nhiên của chuỗi dữ liệu theo thời gian trong
giám sát sức khỏe kết cấu cầu
Chuỗi dữ liệu theo thời gian trong giám sát sức khỏe kết cấu cầu có
một số đặc trưng cơ bản sau:

Tính tương quan thời gian, động lực học, tính chất chu kỳ, tính nhiễu,
tính dễ bị ảnh hưởng bởi mơi trường
Có hai loại đại lượng sai số đo, hệ thống và ngẫu nhiên. Sai số hệ thống
(độ chệch đo) là giá trị đại lượng đo được có sự dịch chuyển. Sai số ngẫu nhiên
là khi phép đo được lặp lại thì nó thường cho giá trị đại lượng đo được khác
với giá trị trước đó. Trong cơng tác đo đạc kết cấu cơng trình cầu, nói chung,
có thể có một số thành phần đóng góp vào tính bất định của kết quả đo dao
động.
Theo đó, để cải thiện dữ liệu thơ, giảm nhiễu, NCS nghiên cứu áp dụng
phương pháp xấp xỉ tổng hợp tượng trưng (SAX) kết hợp Phân rã sóng rời rạc
đa cấp (MDWD) trong bước tiền xử lý dữ liệu. Đồng thời, để phân tích dữ
liệu lớn, NCS nghiên cứu áp dụng phương pháp học máy trong chẩn đoán kết
cấu. Các nội dung này được làm rõ trong các phần tiếp theo của luận án.
2.5 Phương pháp xấp xỉ tổng hợp tượng trưng (Symbolic Aggregate
approXimation – SAX).
Phương pháp SAX là một phương pháp quan trọng trong lĩnh vực xử
lý dữ liệu chuỗi thời gian, đặc biệt là trong việc giảm số chiều dữ liệu và giảm
thiểu sự phức tạp tính tốn.
Với một chuỗi dữ liệu có độ dài n, nó được biến đổi thành 𝑤 ký hiệu.
Q trình này bao gồm việc chia dữ liệu chuỗi thời gian thành w đoạn có kích
thước bằng nhau bằng cách sử dụng thuật tốn Piecewise Aggregate
Approximation (PAA). Giá trị trung bình của mỗi đoạn thời gian, được ký hiệu
là 𝑋‾ = ̅̅̅
𝑋1 , ̅̅̅
𝑋2 , … , ̅̅̅̅
𝑋𝑤 , được tính bằng cách lấy trung bình của đoạn thứ 𝑖 bằng
phương trình sau (2.5):
𝑛

( )𝑖


𝑤
𝑋̅𝑖 = 𝑛 ∑𝑗𝑤   𝑋𝑗

(2.5)


9
𝑛

j= (𝑤)(𝑖 + 1) + 1
Để chia không gian thành α vùng có xác suất bằng nhau, ta sử dụng các
điểm phân chia, trong đó 𝑋𝑗 đại diện cho một điểm thời gian trong chuỗi thời
gian 𝑋. Việc xác định các điểm phân chia này bao gồm việc sắp xếp chúng
thành một danh sách, được ký hiệu là 𝐶 = 𝑐1 , 𝑐2 , … , 𝑐𝛼−1 . Hơn nữa, các điểm
phân chia này tuân theo phân phối Gaussian, và khoảng cách giữa hai điểm
phân chia liên tiếp, 𝑐𝑖 và 𝑐𝑖+1 , bằng 1/𝛼.
Phương pháp SAX có một số ưu điểm vượt trội như: Giảm kích thước
dữ liệu, giữ lại đặc trưng quan trọng, tính nhất quán và khả diễn giải, độc lập
với độ dài của chuỗi thời gian, tính ứng dụng rộng rãi
2.6 Phương pháp phân rã sóng rời rạc đa cấp (Multilevel Discrete
Wavelet Decomposition – MDWD)
MDWD [Error! Reference source not found.] là một trong những
tiến bộ gần đây nhất trong phương pháp phân rã sóng rời rạc - DWT (Discrete
Wavelet Transform). Nó cho phép trích xuất các đặc trưng thời gian-tần số ở
nhiều mức độ khác nhau từ một chuỗi thời gian cho trước bằng cách phân rã
lặp lại chuỗi thành các chuỗi con tần số thấp và cao ở mỗi mức độ.
Quá trình chuyển đổi dữ liệu sử dụng phương pháp MDWD được thực
hiện bằng cách cho 𝑖 = {𝑖1 , … , 𝑖𝑡 , … , 𝑖𝑇 } là chuỗi thời gian đầu vào. Ở mức độ
𝑎, chuỗi con tần số thấp và tần số cao được ký hiệu lần lượt là 𝑖𝑙 (𝑎) và 𝑖ℎ (𝑎).

Chuyển sang mức độ (𝑎 + 1), MDWD sử dụng bộ lọc tần số thấp được ký hiệu
là 𝑚 = {𝑚1 ,… , 𝑚𝑗 , … , 𝑚𝐽 } và một bộ lọc tần số cao được ký hiệu là 𝑛 =
{𝑛1 , … , 𝑛𝑗 , … , 𝑛𝐽 }. Để tính tích chập của chuỗi con tần số thấp ở mức độ cao
hơn, 𝑃 phải nhỏ hơn 𝑇.
𝑚
𝑓𝑐𝑚 (𝑎 + 1) = ∑𝑃𝑗=1    𝑖𝑐+𝑗−1
(𝑎) ⋅ 𝑚𝑗
(2.6)
𝑛
𝑃
𝑛
𝑓𝑐 (𝑎 + 1) = ∑𝑗=1    𝑖𝑐+𝑗−1 (𝑎) ⋅ 𝑛𝑗
Trong đó, 𝑓𝑐𝑚 (𝑎) đại diện cho phần tử thứ 𝑐 của chuỗi con tần số thấp ở
mức độ 𝑎, và 𝑖 𝑚 (0) biểu thị cho chuỗi ban đầu đầu vào, các chuỗi con tần số
thấp và tần số cao 𝑖 𝑚 (𝑎) và 𝑖 𝑛 (𝑎) được tạo ra từ quá trình lấy mẫu giảm của
các chuỗi biến số trung gian 𝑣 𝑚 (𝑎) = {𝑣1𝑚 (𝑎), 𝑣2𝑚 (𝑎), … } và 𝑣 𝑛 (𝑎) =
{𝑣1𝑛 (𝑎), 𝑣2𝑛 (𝑎), … } với hệ số giảm 0.5.


10

CHƯƠNG 3 MẠNG HỌC SÂU TRUYỀN THỐNG VÀ MẠNG HỌC
SÂU TÍCH CHẬP ỨNG DỤNG TRONG CHẨN ĐỐN KẾT CẤU
CƠNG TRÌNH CẦU
3.1 Mạng học sâu truyền thống
Mạng nơ-ron (CNN – Convolutiona Neural Network), là một loại mơ
hình học sâu để xử lý dữ liệu có dạng lưới, chẳng hạn như hình ảnh, được lấy
cảm hứng từ tổ chức vỏ não thị giác của động vật [Error! Reference source
not found., Error! Reference source not found.] và được thiết kế để học tự
động và thích ứng các cấu trúc phân cấp khơng gian của các đối tượng, từ mức

thấp - đến cao.
3.1.1 Cấu trúc cơ bản của mạng học sâu truyền thống
CNN bao gồm năm loại lớp. Đây là các đầu vào, lớp phức hợp, các lớp
gộp, các lớp được kết nối đầy đủ, và các lớp đầu ra. Khi các lớp này được xếp
chồng lên nhau, một kiến trúc CNN đã được hình thành. Kiến trúc CNN đơn
giản hóa để phân loại MNIST (Cơ sở dữ liệu MNIST - Modified National
Institute of Standards and Technology, là một cơ sở dữ liệu lớn gồm các chữ
số viết tay thường được sử dụng để đào tạo các hệ thống xử lý ảnh khác nhau
3.1.2 Một số mạng học sâu truyền thống
3.1.3 Mạng học sâu CNN 2 chiều (2DCNN)
Mặc dù đã gần 30 năm sau khi các mơ hình 2DCNN đầu tiên được đề xuất
[Error! Reference source not found.], các kiến trúc 2DCNN hiện đại vẫn giữ
nguyên các thuộc tính giống như với kiến trúc đầu tiên như các lớp phức hợp
và gộp. Sự phổ biến và phạm vi ứng dụng rộng rãi của các mơ hình CNN có
được do những ưu điểm sau:
1. Các mơ hình CNN hợp nhất q trình trích xuất và phân loại đối tượng trong
một bước sử lý chung. Mạng có thể học cách tối ưu hóa các tính năng trong
giai đoạn đào tạo trực tiếp từ dữ liệu đầu vào.
2. Vì các nơ-ron của mạng CNN chỉ kết nối với một số các dữ liệu đầu có cùng
tính chất (các dữ liệu lân cận), các CNN có thể xử lý các đầu vào lớn với hiệu
quả tính tốn lớn so với các mạng ANN được kết nối đầy đủ.
3. CNN không chịu nhiều ảnh hưởng của các biến đổi nhỏ trong dữ liệu đầu
vào bao gồm nhiễu hoặc các dữ liệu khơng hồn chỉnh.


11

4. CNN có thể thích ứng với các kích thước đầu vào khác nhau.
3.1.4 Mạng học sâu CNN một chiều
Cấu hình của 1DCNN được hình thành bởi các siêu tham số sau:

1) Số lượng lớp /tế bào thần kinh CNN và ANN trong mẫu 1DCNN được hiển
thị trong hình 3.2, có 3 lớp CNN và và 2 lớp ANN, tương ứng.
2) Kích thước bộ lọc (kernel) trong mỗi lớp CNN.
3) Hệ thống lấy mẫu trong mỗi lớp CNN.
4) Sự lựa chọn các chức năng gộp (pooling layer) và hàm kích hoạt (activation
function).

Hình 3.1. Một cấu hình 1DCNN mẫu với 3 lớp CNN và 2 ANN
3.2 Mạng học sâu tích chập đề xuất
Trong thực tế, để giám sát các cơng trình cầu 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, lượng dữ liệu cần xử lý là rất lớn và theo trình tự thời
gian. Tuy nhiên, các mạng này khơng thể xử lý hiệu quả các dữ liệu lớn hoặc
các dạng dữ liệu tuần tự theo thời gian, vì chúng khơng có tính năng ghi nhớ
cũng như liên kết các dữ liệu ở các thời điểm khác nhau. Để khắc phục các
nhược điểm này, NCS đề xuất một cách tiếp cận dựa trên nguyên tắc làm việc
kết hợp của mạng học sâu 1DCNN và mạng hồi quy, cụ thể là phương pháp
bộ nhớ ngắn dài hạn (Long Short-Term Memory - LSTM) để xử lý các dữ liệu
theo thời gian thu được từ các cảm biến, để từ đó theo dõi sức khoẻ, chẩn đoán
các hư hỏng xuất hiện trong kết cấu. LSTM được thiết kế để tránh được vấn
đề quên mất các thông tin.


12
ht
Ct-1

Ct
tanh


ht-1

Ot

it

ft




Ct
tanh



ht

X1dcnn

Hình 3.2. Mơ hình LSTM
Ở trạng thái thứ 𝑡 của mơ hình LSTM:
 Đầu ra: 𝑐𝑡 ; ℎ𝑡 , ta gọi 𝑐 là trạng thái ô (cell state), ℎ là trạng thái
ẩn (hidden state).
 Đầu vào: 𝑐𝑡−1 ; ℎ𝑡−1; 𝑋1dcnn . Trong đó 𝑋1dcnn là đầu vào ở
trạng thái thứ 𝑡 của mơ hình. 𝑐𝑡−1 ; ℎ𝑡−1là đầu ra của lớp (layer) trước.
𝑓𝑡 ; 𝑖𝑡 ; 𝑜𝑡 tương ứng với cổng quên (forget gate), cổng đầu vào (input
gate) và cổng đầu ra (output gate).
Cổng quên: 𝑓𝑡 = 𝑠(𝑈f ∗ 𝑋1dcnn + 𝑊f ∗ ℎt−1 + 𝑏f )
Cổng đầu vào: 𝑖𝑡 = 𝑠(𝑈i ∗ 𝑋1dcnn + 𝑊i ∗ ℎt−1 + 𝑏i )

Cổng đầu ra: 𝑜𝑡 = 𝑠(𝑈o ∗ 𝑋1dcnn + 𝑊o ∗ ℎt−1 + 𝑏o )
Nhận xét: 0 < 𝑓𝑡 ; 𝑖𝑡 ; 𝑜𝑡 < 1; 𝑏f ; 𝑏i , 𝑏olà các hệ số bias; hệ số 𝑊, 𝑈 tham
số huấn luyện.
𝑐̃𝑡 =𝑡𝑎𝑛ℎ(𝑈c ∗ 𝑋1dcnn + 𝑊c ∗ ℎt−1 + 𝑏c ),
𝑐𝑡 = 𝑓𝑡 ∗ 𝑐𝑡−1 + 𝑖𝑡 ∗ 𝑐̃𝑡 , cổng quên quyết định xem cần lấy bao nhiêu từ
trạng thái trước và cổng đầu vào sẽ quyết định lấy bao nhiêu từ đầu vào của
các lớp trước đó.
ℎ𝑡 =𝑜𝑡 ∗ tanh(𝑐𝑡 ), cổng đầu ra quyết định xem cần lấy bao nhiêu từ cell
state để trở thành đầu ra của trạng thái ẩn. Ngoài ra ℎ𝑡 cũng được dùng để tính
ra đầu ra 𝑦𝑡 cho trạng thái 𝑡. 𝑐𝑡 giống như một băng chuyền, thông tin nào cần
quan trọng và dùng ở sau sẽ được gửi vào và dùng khi cần => có thể mang
thơng tin từ đi xa=> bộ nhớ dài hạn (long term memory). Do đó mơ hình LSTM
có cả bộ nhớ ngắn hạn (short term memory) và bộ nhớ dài hạn.
Khi dữ liệu được đưa vào mạng, nó được chia thành các đoạn có độ dài
cố định, sau đó lớp 1-DCNN sẽ trích xuất các mối quan hệ cục bộ giữa các
điểm dữ liệu và các điểm xung quanh của chúng trước khi chuyển sang LSTM,
tại đây các phụ thuộc dài hạn được xác định và lưu giữ theo thời gian. Đầu ra


Nhãn
0
1
2

13

của ô LSTM cuối cùng sẽ được làm phẳng và đưa vào lớp kết nối hoàn chỉnh
trước khi được chuyển đến lớp đầu ra có hàm kích hoạt softmax để cung cấp
kết quả xác định hư hỏng. Thuật toán lai DL này được thực hiện với sự trợ
giúp của mã nguồn mở của Tensorflow.

CHƯƠNG 4: ÁP DỤNG MẠNG HỌC SÂU TÍCH CHẬP KẾT HỢP
PHƯƠNG PHÁP SAX-MDWD ĐỂ CHẨN ĐỐN CÁC HƯ HỎNG
CHO MƠ HÌNH CẦU
4.1 Áp dụng mạng học sâu tích chập kết hợp phương pháp SAX-MDWD
để chẩn đốn các hư hỏng cho mơ hình cầu thực tế
4.1.1 Giới thiệu mơ hình cầu
Để đánh giá tính hiệu quả của phương án đề xuất, NCS sẽ sử dụng các thuật
toán để xác định các hư hỏng của cầu Z24 trên cơ sở dữ liệu động thu được
theo thời gian. Cầu Z24 (Hình 0.1) nằm ở bang Bern gần Solothurn.

Hình 0.1 Hình chiếu đứng và hình chiếu bằng của cầu Z24 [Error!
Reference source not found.].
Bảng 4.1. Các trường hợp tạo ra hư hỏng và các nhãn tương ứng [Error!
Reference source not found.]
Ngày Tháng (Năm 1998)
Trường hợp hư hỏng
04 tháng 8
Xác lập điều kiện đầu (điều kiện chưa hỏng)
9 tháng 8
Lắp đặt thiết bị trên trụ
10 tháng 8
Cắt, tạo khuyết tật trên trụ (20 mm)


14

3
4
5
6

7
8
9
10
11
12
13
14
15

12 tháng 8
Cắt, tạo khuyết tật trên trụ (40 mm)
17 tháng 8
Cắt, tạo khuyết tật trên trụ (80 mm)
18 tháng 8
Cắt, tạo khuyết tật trên trụ (95 mm)
19 tháng 8
Nâng trụ, tao độ nghiêng của móng
20 tháng 8
Xác lập trạng thái chưa hư hỏng mới
25 tháng 8
Đập vỡ bê tông mặt cầu (12 m2)
26 tháng 8
Đập vỡ bê tông mặt cầu (24 m2)
27 tháng 8
Sạt lở 1 m tại mố
31 tháng 8
Tạo hư hỏng khớp nối
02 tháng 9
Tạo hư hỏng 2 đầu neo

03 tháng 9
Tạo hư hỏng 4 đầu neo
07 tháng 9
Đứt 2 trong số 16 cáp
08 tháng 9
Đứt 4 trong số 16 cáp
Đối với mỗi trạng thái hư hỏng, 9 thiết lập (setup) đã được tiến hành
để thu thấp các dữ liệu, trong đó 8 thiết lập sử dụng 33 cảm biến (sensors),
1 thiết lập còn lại sử dụng 27 cảm biến, tổng cộng có 291 cảm biến đo để đo
dao động trên các trụ (chủ yếu theo phương dọc và ngang cầu) và dao động
trên mặt cầu.

(a)

(b)

(c )

(d)

(e)

(f)


15

(g)
(h)
Hình 0.2 (a) – (h) Dữ liệu gia tốc theo thời gian tại các sensors tương

ứng với các trường hợp hư hỏng từ 1 đến 8.
4.1.2 Xử lý dữ liệu
Để cải thiện dữ liệu trước khi sử dụng để huấn luyện mạng, phương pháp
SAX và MDWD sẽ được áp dụng. Cụ thể, quá trình chuyển đổi từ dữ liệu
chuỗi thời gian liên tục sang dữ liệu rời rạc bằng phương pháp MDWD được
thực hiện bằng các bước sau:
- Bước 1: chọn một hàm sóng cơ bản để phân tích tín hiệu.
- Bước 2: Thực hiện phép biến đổi sóng trên tín hiệu bằng cách sử dụng
hàm sóng đã chọn. Kết quả của phép biến đổi là tín hiệu phân tích và các hệ
số phân tích.
- Bước 3: Lặp lại các bước 1 và 2 trên tín hiệu phân tích để tạo ra các thành
phần sóng mới. Các thành phần sóng này sẽ được sử dụng để xây dựng mơ
hình và phân tích tín hiệu.
- Bước 4: Lặp lại các bước 1-3 cho tới khi khơng cịn có thành phần sóng
nào được tạo ra hoặc đạt được mức độ phân giải mong muốn.
Các bước này tạo ra một cây phân giải cho tín hiệu, trong đó mỗi node
tương ứng với một thành phần sóng. Các node ở mức cao hơn tương ứng với
các thành phần sóng có tần số thấp hơn và có độ trễ lớn hơn, trong khi các
node ở mức thấp hơn tương ứng với các thành phần sóng có tần số cao hơn và
có độ trễ nhỏ hơn.
SAX thực hiện phân tích tín hiệu theo các bước sau:
 Bước 1: Chia chuỗi dữ liệu thành các phân đoạn với độ dài bằng nhau
 Bước 2: Tính giá trị trung bình của mỗi phân đoạn
 Bước 3: Tính độ lệch chuẩn của mỗi phân đoạn
 Bước 4: Chuyển đổi giá trị của mỗi phân đoạn thành một ký hiệu tương
ứng sử dụng hàm chuyển đổi
 Bước 5: Tạo ra một chuỗi ký tự rời rạc bằng cách sắp xếp các ký hiệu
được tạo ra từ các phân đoạn theo thứ tự.



16

Hình 0.3 Dữ liệu gia tốc theo thời gian tại một sensors sau khi được xử lý
bằng phương pháp MDWD và SAX

Hình 0.4 Dữ liệu gia tốc theo thời gian tại của 16 lớp sau khi được xử lý
Dữ liệu sau khi áp dụng phương pháp SAX-MDWD, ma trận từ dạng sóng
chuyển về dạng thời gian biến động, tức thời gian sẽ khơng biến thiên theo
dạng sóng liên tục, mà sẽ được mịn màng và chỉ tập trung vào những phần dao
động nhiều) và ma trận mới sẽ có kích thước là (4000, 5) thay vì kích thước
ban đầu là (8000,5).
4.1.3 Kiến trúc mạng
Đầu tiên là một lớp 1DCNN sử dụng với mục đích trích xuất các tính năng
quan trọng của mơ hình, lớp CNN này gồm các đặc điểm như sau: số lượng
Kernel là 128 và kích thước của kernerl là 3x3. Sau khi các dữ liệu đầu vào đã
được trích xuất, mạng LSTM sẽ được sử dụng để học và phân loại. Mạng
LSTM gồm 2 lớp, xen kẽ các lớp sẽ sử dụng các lớp Dropout để ngăn hiện
tượng over fitting và các Maxpooling để trích xuất những đặc trưng quan trọng.
Điều đó giúp giảm được kích thước ma trận, giảm số phép tính và giảm thời
gian tính toán. Cuối cùng mạng được làm phẳng với số đầu ra là 16 lớp đã
được dán nhãn.


17

4.1.4 Huấn luyện mạng và phân tích kết quả
Thuật tốn Adam được sử dụng để huấn luyện mạng với tổng số bước lặp là
100 bước. Tổng tham số cần huấn luyện là 8.287.280 tham số. Hình 0.5 cho
thấy sự hội tụ của quá trình huấn luyện và thử nghiệm của cả 3 phương pháp
1DCNN, 1DCNN-LSTM, và MDWD-SAX-1DCNN-LSTM.

Trong luận án này, NCS cũng đánh giá tính hiệu quả của các phương pháp đề
xuất qua giá trị Ground truth maps và ma trận lỗi, đây là công cụ được sử dụng
để đánh giá hiệu quả của các thuật toán xử lý ảnh và thị giác máy tính, giúp
đánh giá khả năng của mơ hình phân loại đúng hoặc sai trên từng lớp.

(b)
(a)
Hình 0.5 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
Ngồi ra, để đánh giá hiệu suất của mơ hình, NCS sử dụng kết hợp phương
pháp trên thơng qua: giá trị “macro avg”, “Loss validate”.
Bảng 4.2. Kết quả huấn luyện mạng sử dụng phương pháp
1DCNN-LSTM
MDWD-SAXSố lớp
1DCNN
1DCNN-LSTM
prec rec f1-sc prec rec
f1-sc prec rec f1-sc
0
0.6 0.38 0.46 0.53 0.81 0.64 0.83 0.78 0.64
1
0.51 0.73
0.6 0.69 0.69 0.69 0.85 0.88 0.65
2
0.67 0.76 0.71 0.92 0.79 0.85
0.9 0.93 0.81
3
0.68 0.66 0.67 0.45 0.62 0.53 0.84 0.84 0.69
4
0.71 0.56 0.63 0.85 0.81 0.83 0.87 0.94 0.79

5
0.69 0.67 0.68 0.88 0.85 0.87
0.8 0.89 0.83
6
0.6 0.75 0.67 0.39 0.91 0.55
1
0.88 0.81
7
0.62 0.71 0.67 0.51 0.71
0.6
0.8 0.86 0.65
8
0.67 0.6
0.63 0.93 0.65 0.76 0.81 0.72 0.75
9
0.75 0.8
0.77 0.66 0.83 0.74 0.69 0.97 0.69
10
0.63 0.52 0.57 0.94 0.52 0.67 0.87 0.82 0.7
11
0.56 0.58 0.57 0.76 0.61 0.68 0.72 0.74 0.76


18

12
0.57 0.74
13
0.81 0.65
14

0.71 0.53
15
0.53 0.66
acc
macavg 0.65 0.64
Ghi chú: pre: precision;

0.65
1
0.72
1
0.61 0.72
0.59 0.74
0.64
0.64 0.75
rec: recall;

Ma trận lỗi: 1DCNN

0.32
0.47
0.41
0.8

0.49 0.76 0.84
0.64 0.83 0.71
0.52 0.81 0.66
0.77 0.94 0.86
0.67
0.68

0.83 0.83
f1-sc: f1-score

0.68

Ma trận lỗi: 1DCNNLSTM

0.61
0.77
0.58
0.72
0.83
0.83

Ma trận lỗi: MDWDSAX-1DCNN-LSTM

So sánh các phương pháp
5
0
Accuracy Validate

0.64

0.68

1DCNN

1DCNN-LSTM

0.64


0.68

Loss Validate
3.3
Accuracy Validate

2.1
Loss Validate

0.83
MWD-SAX-…
0.83
0.69

Hình 0.6 Kết quả ma trận lỗi và độ chính xác của các mạng ở bước đánh giá
Nhận xét:
Mơ hình MDWD-SAX-1DCNN-LSTM tốt hơn hồn tồn so với mơ
hình 1DCNN và mơ hình 1DCNN-LSTM về các chỉ số Ground truth maps và
ma trận lỗi, bao gồm các giá trị Recall (độ nhạy), Precision (độ chính xác), F1score và Macro avg.
Error! Reference source not found.6 biểu diễn ma trận lỗi với cột
đứng là giá trị thực (true lable) và cột ngang là giá trị dự đoán (predicted label),


19

các giá trị trên ma trận lỗi cho thấy giá trị trên đường chéo chính càng cao thì
kết quả càng chính xác vì giá trị dự đốn trùng khớp với giá trị thực.
Hình 0.6 cũng cho thấy trực quan sự vượt trội của phương pháp
MDWD-SAX-1DCNN-LSTM so với phương pháp 1DCNN và 1DCNNLSTM trong chẩn đoán các trạng thái hư hỏng của kết cấu từ dữ liệu chuỗi thời

gian với giá trị độ chính xác đến 83% và giá trị Loss Validate <1 cho thấy mơ
hình hoạt động tốt trên tập dữ liệu thử nghiệm.
Đánh giá:
Mạng học sâu tích chập kết hợp phương pháp SAX-MDWD đã giải
quyết rất hiệu quả đối với bài toán chẩn đoán kết cấu dựa trên dữ liệu động
theo thời gian. Các kết quả huấn luyện mạng sử dụng của mơ hình 1DCNN,
1DCNN-LSTM và MDWD-SAX-1DCNN-LSTM sử dụng dữ liệu động theo
thời gian của cầu Z24 được đánh giá thông qua chỉ số Ground truth maps và
ma trận lỗi đều cho thấy mơ hình MDWD-SAX-1DCNN-LSTM có độ chính
xác cao hơn nhiều so với hai mơ hình cịn lại. Việc sử dụng các cơng cụ để
trích lọc, kết nối dữ liệu trong chuỗi dữ liệu thời gian giúp cải thiện đáng kể
kết quả học của mơ hình.
Trong chẩn đốn kết cấu cơng trình cầu sử dụng dữ liệu động theo thời
gian, yếu tố bất định của dữ liệu đo (nhiễu) ảnh hưởng rất lớn đến kết quả chẩn
đoán kết cấu. Việc sử dụng các phương pháp (MDWD-SAX) trong giai đoạn
tiền xử lý dữ liệu đã cải thiện đáng kể chất lượng dữ liệu, giảm độ phức tạp,
kích thước dữ liệu giúp nâng cao độ tin cậy của kết quả chẩn đốn.
4.2 Áp dụng mạng học sâu tích chập để chẩn đốn các hư hỏng cho mơ
hình cầu trong phịng thí nghiệm
4.2.1 Mơ tả mơ hình
Mơ hình một mặt phẳng dây với tổng cộng sáu dây văng được bố trí
đối xứng theo sơ đồ rẻ quạt. Dây văng là dây cáp mạ kẽm có đường kính danh
định 2 mm, được liên kết với dầm bằng các neo cố định được hàn trực tiếp lên
bề mặt cầu


20

Hình 0.7 Mơ hình cầu dây văng trong phịng thí nghiệm
4.2.2 Thí nghiệm đo dao động mơ hình cầu dây văng

Nhằm xác định đặc trưng dao động của mơ hình cầu dây văng trong phịng thí
nghiệm trước khi tăng cường, một hệ thống thu thập và phân tích dữ liệu đo
dao động đã được triển khai.
Lưới đo được chia thành 10 sơ đồ đo, mỗi sơ đồ đo bao gồm 8 đầu đo gia tốc
như được hiển thị trong Hình 4.8 dưới đây. Có hai loại điểm đo chính: điểm
đo tham chiếu và điểm đo lưu động. Các điểm lưu động trong mỗi trường hợp
đo được sử dụng để thu thập phản ứng động của các điểm khác nhau trong lưới
đo. Mỗi sơ đồ đo sẽ được tiến hành thu thập dữ liệu đo trong vịng 20 phút.

Hình 0.8 Bố trí đầu đo gia tốc
Hình 0.9 Theo dõi dữ liệu đo
4.2.3 Xử lý dữ liệu
Dữ liệu sau khi sử dụng phương pháp SAX và MDWD đã được cải thiện rất
đáng kể. Dữ liệu sau khi áp dụng phương pháp SAX-MDWD, ma trận từ dạng
sóng chuyển về dạng thời gian biến động, tức thời gian sẽ khơng biến thiên
theo dạng sóng liên tục, mà sẽ được mịn màng và chỉ tập trung vào những phần
dao động nhiều và ma trận mới sẽ có kích thước là (1500, 8).


21

Hình 0.10 Dữ liệu thơ thu được từ các cảm biến
Dữ liệu trước khi được đưa vào huấn luyện sẽ được xử lý sử dụng phương
pháp SAX-MDWD như Hình 0.1.

Hình 0.11 Dữ liệu sau khi biến đổi dùng SAX-MDWD.
4.2.4 Các trng hp to h hng
TRƯờNG HợP 3

10 kg

100

250

30 kg
500

10 kg
500

10 kg
500

60

500

10 kg
500

10 kg
500

250

100

3760

Hình 0.12 Trường hợp hư hỏng trên mơ hình cầu dây văng (hư hỏng cấp 2)

4.2.5 Kiến trúc mạng
Dữ liệu động thu được từ các kịch bản về tình huống hư hỏng (04 tình huống)
bao gồm 1892 bộ dữ liệu được chia thành tập huấn luyện và thử nghiệm một
cách ngẫu nhiên, với 70% dữ liệu dành cho huấn luyện và 30% dữ liệu dành
cho thử nghiệm. Trong giai đoạn đào tạo, các tính năng và nhãn được cung cấp


22

cho tất cả các chuỗi thời gian trong nhóm đào tạo. Sau đó, mơ hình đã được
xây dựng để nắm bắt mối quan hệ giữa các tính năng và nhãn lớp.
4.2.6 Phân tích kết quả

Hình 0.13 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.
Bảng 4.3. Kết quả huấn luyện mạng sử dụng phương pháp
1DCNN-LSTM
MDWD-SAXSố lớp
1DCNN
1DCNN-LSTM
prec rec f1-sc prec rec f1-sc prec rec f1-sc
0
0.95 1.00 0.98 0.97 1.00 0.98 0.99
1
0.99
1
0.54 0.92 0.68 0.73 0.37 0.49 0.83 0.59 0.69
2
0.96 0.67 0.79 0.87 0.91 0.89 0.91 0.92 0.91
3

0.96 0.89 0.92 0.82 0.81 0.81 0.85 0.94 0.89
Acc
0.91
0.93
0.95
macavg 0.85 0.87 0.84 0.85 0.77
0.8
0.89 0.86 0.87

Ma trận lỗi: 1DCNN

Ma trận lỗi: 1DCNNLSTM

Ma trận lỗi: MDWDSAX-1DCNN-LSTM


23

So sánh các phương pháp
0.91

1
0
Accuracy Validate
Loss Validate

0.92

1DCNN


1DCNN-LSTM

0.91

0.92

0.7
Accuracy Validate

0.6
Loss Validate

0.95
MWD-SAX-…
0.95
0.05

Hình 0.14 Kết quả ma trận lỗi và độ chính xác của các mạng ở bước đánh giá
Nhận xét:
Bảng 4.3 cho thấy mơ hình MDWD-SAX-1DCNN-LSTM tốt hơn
nhiều so với mơ hình 1DCNN và mơ hình 1DCNN-LSTM về các chỉ số
Ground truth maps và ma trận lỗi, bao gồm các giá trị Recall (độ nhạy),
Precision (độ chính xác), F1-score và Macro avg.
Error! Reference source not found.14 biểu diễn ma trận lỗi cho thấy
giá trị trên đường chéo chính càng cao thì kết quả càng chính xác vì giá trị dự
đốn trùng khớp với giá trị thực, cụ thể mơ hình MDWD-SAX-1DCNNLSTM có giá trị dự đoán trùng khớp với giá trị thực cao nhất so với hai mơ
hình cịn lại. Ngồi ra Hình 0.14 cũng cho thấy trực quan sự vượt trội của
phương pháp MDWD-SAX-1DCNN-LSTM so với phương pháp 1DCNN và
1DCNN-LSTM trong chẩn đoán các trạng thái hư hỏng của kết cấu từ dữ liệu
chuỗi thời gian với giá trị độ chính xác đến 95% và giá trị Loss Validate tiệm

cận về 0 cho thấy mơ hình hoạt động rất tốt trên tập dữ liệu thử nghiệm.
Đánh giá:
Các kết quả huấn luyện mạng sử dụng của mơ hình 1DCNN, 1DCNNLSTM và MDWD-SAX-1DCNN-LSTM sử dụng dữ liệu động theo thời gian
của mơ hình cầu dây văng được đánh giá thông qua chỉ số Ground truth maps
và ma trận lỗi đều cho thấy mơ hình MDWD-SAX-1DCNN-LSTM có độ
chính xác cao hơn nhiều so với hai mơ hình cịn lại, hứa hẹn tiềm năng trong
việc ứng dụng mơ hình MDWD-SAX-1DCNN-LSTM trong chẩn đốn kết cấu
đối với cơng trình cầu trên thực tế.
Việc sử dụng các phương pháp (MDWD-SAX) trong giai đoạn tiền xử
lý dữ liệu đã cải thiện đáng kể chất lượng dữ liệu, giảm độ phức tạp, kích thước
dữ liệu giúp nâng cao độ tin cậy của kết quả chẩn đoán.
Các chỉ số Ground truth maps và ma trận lỗi của phương pháp 1DCNN
và 1DCNN-LSTM khi phân tích dữ liệu chuỗi thời gian của mơ hình cầu dây
văng được đo đạc trong phịng thí nghiệm đều tốt hơn kết quả của cầu Z24