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.
