THÔNG TIN TÓM TẮT VỀ NHỮNG ĐÓNG GÓP MỚI

CỦA LUẬN ÁN TIẾN SĨ

Tên luận án: 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.

Ngành: Kỹ thuật Xây dựng Công trình giao thông                                

Mã số: 9580205

Nghiên cứu sinh: Hoàng Thanh Nam

Cán bộ hướng dẫn:

1: PGS.TS. Hoàng Hà– Trường Đại học Giao thông vận tải

2: TS. Nguyễn Thị Cẩm Nhung – Trường Đại học Giao thông vận tải

Cơ sở đào tạo: Trường Đại học Giao thông vận tải

TÓM TẮT ĐÓNG GÓP MỚI CỦA LUẬN ÁN

Các kết quả đã đạt được, nêu những đóng góp mới về giá trị khoa học, thực tiễn của các đóng góp đó (chưa từng được tác giả nào trong và ngoài nước công bố).

  1. Phân tích đặc trưng bất định, ngẫu nhiên của chuỗi dữ liệu theo thời gian trong giám sát sức khỏe kết cấu cầu, từ đó cho thấy các yếu tố trên luôn luôn tồn tại trong quá trình đo, xử lý dữ liệu dao động kết cấu cầu, làm cho bộ dữ liệu động thu được có đặc tính ngẫu nhiên/bất định với dải phân tán khá rộng. Do đó, việc sử dụng các phương pháp cải thiện dữ liệu thô, giảm chiều dữ liệu nhằm tăng khả năng tính toán, phân tích dữ liệu một cách hiệu quả là cần thiết để tăng độ chính xác của mô hình giám sát sức khoẻ kết cấu. Cùng với đó, việc sử dụng các phương pháp học máy để nâng cao hiệu suất chẩn đoán trở nên cần thiết và tất yếu.
  2.  Đề xuất ứng dụng hai phương pháp xử lý dữ liệu tiên tiến bao gồm phương pháp xấp xỉ tổng hợp tượng trưng (Symbolic Aggregate approXimation – SAX) và phương pháp phân rã sóng rời rạc đa cấp (Multilevel Discrete Wavelet Decomposition – MDWD) để giảm độ phức tạp và kích thước của dữ liệu chuỗi thời gian, giúp giảm nhiễu hiệu quả, nâng cao tốc độ xử lý dữ liệu, đặc biệt là các chuỗi dữ liệu quan trắc lớn đòi hỏi nguồn tài nguyên bộ vi xử lý lớn.
  3. Đề xuất thuật toán kết hợp mạng nơ ron tích chập 1 chiều (1DCNN) và bộ nhớ ngắn – dài hạn (Long – short term memory -LSTM) để cải thiện độ chính xác cũng như giảm thời gian tính toán của phương pháp học sâu.
  4. Đề xuất áp dụng đồng thời phương pháp SAX-MDWD-1DCNN-LSTM để khai thác được hiệu quả tính năng tiền xử lý dữ liệu và liên kết, học dữ liệu đối với chuỗi dữ liệu theo thời gian trong lĩnh vực chẩn đoán, theo dõi sức khỏe kết cấu cầu, từ đó tận dụng được khả năng của các phương pháp, nâng cao độ chính xác của kết quả dự đoán.
  5. Tiến hành xây dựng mô hình thí nghiệm cầu dây văng trong phòng làm đối chứng cho việc xây dựng các mô hình tương tự cho bài toán quan trắc sức khỏe kết cấu công trình cầu. Mô hình này có thể sử dụng như là mô hình mẫu cho bài toán chẩn đoán hư hỏng kết cấu cho các nhà nghiên cứu ở Việt Nam.
  6. Áp dụng phương pháp đề xuất SAX-MDWD-1DCNN-LSTM để đánh giá trên cơ sở dữ liệu của cầu Z24 và dữ liệu đo đạc của mô hình cầu dây văng. Luận án cũng đã so sánh với phương pháp truyền thống 1DCNN và 1DCNN-LSTM. Kết quả được đánh giá có độ tin cậy và có tính thực tiễn cao, cụ thể độ chính xác của huấn luyện và đào tạo mạng sử dụng phương pháp SAX-MDWD-1DCNN-LSTM đạt 83% với cầu Z24 và 95% với cầu dây văng trong phòng thí nghiệm. Độ chính xác của phương pháp này hoàn toàn vượt trội so với phương pháp truyền thống 1DCNN và 1DCNN-LSTM.
  7. Đã xây dựng được chương trình (code) trên nền tảng chương trình python cho bài toán giám sát sức khỏe kết cấu sử dụng phương pháp học sâu, bộ code này có thể áp dụng để xác định các hư hỏng cho nhiều dạng kết cấu khác nhau.
  8. Phương pháp đề xuất trong luận án có những tiềm năng lớn để áp dụng cho việc giám sát các công trình cầu thực tế, làm việc rất hiệu quả với dữ liệu theo thời gian (là dạng dữ liệu phổ biến cho bài toán giám sát công trình cầu hiện nay). Kết quả của luận án có thể sử dụng làm tài liệu tham khảo hữu ích cho lĩnh vực giám sát sức khoẻ công trình cũng như trong công tác quản lý, bảo trì kết cấu cầu.

 

INFORMATION ON THE NEW CONTRIBUTIONS OF THE THESIS

Name of dissertation: Diagnosis of bridge structures based on time-series vibration data using convolutional deep learning network

Major: Transport Construction Engineering

Code No: 9580205

Name of Ph.D. Student: Hoang Thanh Nam

Name of Supervisor

1: Assoc.Prof. Dr. Hoang Ha - University of Transport and Communications

2: Dr. Nguyen Thi Cam Nhung - University of Transport and Communications

Training Institution: University of Transport and Communications

SUMMARY OF THE NEW CONTRIBUTIONS OF THE THESIS

Present the achieved results and outline the novel contributions to the scientific and practical value of these contributions (which have not been previously published by any authors both domestically and internationally)

  1. Analyze the uncertain and random characteristics of time-series data in structural health monitoring of bridges reveals that these factors are always present during the data collection and processing of structural vibration data, resulting in the obtained dynamic dataset having random/uncertain characteristics with a wide range of dispersion. Therefore, it is necessary to use methods to enhance raw data, reduce data dimensionality to improve computational efficiency, and analyze the data effectively to increase the accuracy of the structural health monitoring model. Along with this, the use of machine learning methods to enhance diagnostic performance becomes essential and indispensable.
  2. Propose the application of two advanced data processing methods, including Symbolic Aggregate approXimation (SAX) and Multilevel Discrete Wavelet Decomposition (MDWD), to reduce the complexity and size of time-series data effectively. These methods help reduce noise, enhance data processing speed, especially for large-scale monitoring datasets that demand significant computing resources.
  3. Propose an algorithm that combines 1D Convolutional Neural Networks (1DCNN) and Long-Short Term Memory (LSTM) to enhance both accuracy and computation time in deep learning methods.
  4. Suggest simultaneously applying the SAX-MDWD-1DCNN-LSTM method to effectively utilize data preprocessing and feature extraction, as well as data learning for time-series data in the field of diagnosis and structural health monitoring of bridges. This allows us to leverage the capabilities of these methods and improve prediction accuracy.
  5. Construct an experimental model for a cable-stayed bridge in a controlled environment, which can serve as a template model for structural damage diagnosis problems for researchers in Vietnam.
  6. Apply the proposed SAX-MDWD-1DCNN-LSTM method to evaluate it using data from the Z24 bridge and data collected from the cable-stayed bridge model. We also compared it with traditional methods such as 1DCNN and 1DCNN-LSTM. The results were reliable and highly practical. Specifically, the accuracy of training and testing using the SAX-MDWD-1DCNN-LSTM method achieved 83% for the Z24 bridge and 95% for the cable-stayed bridge in the laboratory. This method's accuracy significantly outperformed the traditional 1DCNN and 1DCNN-LSTM methods.
  7. Develop code in Python for structural health monitoring using deep learning methods. This code can be applied to identify faults in various types of structures.
  8. Propose method has great potential for real-world bridge monitoring, working effectively with time-series data, which is common in today's bridge monitoring problems. The results of this thesis can be used as valuable references in the field of structural health monitoring and in the management and maintenance of bridge structures.