Chẩn đoán hư hỏng cầu giàn thép sử dụng mạng hồi quy cải tiến dựa trên mô hình số được cập nhật từ dữ liệu thu được từ cảm biến quang
Email:
ncnhung@utc.edu.vn
Từ khóa:
Mạng GRU, chẩn đoán hư hỏng, dữ liệu theo thời gian, cầu giàn thép, Mạng RNN
Tóm tắt
Giám sát sức khỏe công trình cầu bằng các biến thể nâng cấp của mạng hồi quy RNN (Recurrent Neural Network) trong xử lý dữ liệu chuỗi đã thu hút sự quan tâm lớn từ cộng đồng quốc tế. Bài báo này đề xuất sử dụng GRU (Gated Recurrent Unit), một biến thể cải tiến của RNN, để phát hiện và xác định vị trí hư hỏng trong kết cấu cầu thông qua dữ liệu chuỗi thời gian từ các cảm biến ảo. Dữ liệu này được trích xuất từ một mô hình số của cầu D2, được cập nhật dựa trên dữ liệu đo bằng cáp quang. Bộ dữ liệu được đưa vào mô hình GRU, được thiết kế đặc biệt để phân loại các nhãn hư hỏng tương ứng với dữ liệu đầu vào. Hiệu suất của mô hình GRU được so sánh với RNN truyền thống. Kết quả cho thấy cả RNN và GRU đều có khả năng làm việc trên tập dữ liệu, tuy nhiên GRU vượt trội hơn với độ chính xác trên tập kiểm tra và kiểm thử lần lượt là 81,8% và 84,3%. Điều này chứng minh rằng mô hình GRU đề xuất có khả năng chẩn đoán nhanh chóng và chính xác các trường hợp hư hỏng có thể xảy ra trong kết cấu cầuTài liệu tham khảo
[1]. B.T. Thanh , N.C. Thanh, L.X. Thang, T.N. Hoa, Enhancing bridge damage assessment: Adaptive cell and deep learning approaches in time-series analysis, Construction and Building Materials, 439 (2024) 137240. https://doi.org/10.1016/j.conbuildmat.2024.137240
[2]. T.V. Hung, N.C. Thanh, L.X. Thang, N.T.C. Nhung, N.V. Thuc, T.N. Hoa, Enhancing salp swarm optimization with orthogonal diagonalization transformation for damage detection in truss bridge, KSCE J Civ Eng, 28 (2024) 2355–2365. https://doi.org/10.1007/s12205-024-2048-6
[3]. B.T. Thanh, B.N. Dung, N.T. Hieu, N.N. Long, T.N. Hoa, T.V. Hung, Damage detection in structural health monitoring using hybrid convolution neural network and recurrent neural network, Frattura Ed Integrità Strutturale, 16 (2022) 461–470. https://doi.org/10.3221/IGF-ESIS.59.30
[4]. K. Lee, M. Chung, S. Kim, D.H. Shin, Damage detection of catenary mooring line based on recurrent neural networks, Ocean Engineering, 227 (2021) 108898. https://doi.org/10.1016/j.oceaneng.2021.108898
[5]. H. Fathnejat, B. Ahmadi-Nedushan, S. Hosseininejad, M. Noori, W.A. Altabey, A data-driven structural damage identification approach using deep convolutional-attention-recurrent neural architecture under temperature variations, Engineering Structures, 276 (2023) 115311. https://doi.org/10.1016/j.engstruct.2022.115311
[6]. J. Yang, L. Zhang, C. Chen, Y. Li, R. Li, G. Wang, S. Jiang, Z. Zeng, A hierarchical deep convolutional neural network and gated recurrent unit framework for structural damage detection, Information Sciences, 540 (2020) 117–130. https://doi.org/10.1016/j.ins.2020.05.090
[7]. L.X. Thang, B.T. Thanh, T.N. Hoa, A novel approach model design for signal data using 1DCNN combing with LSTM and ResNet for damaged detection problem, Structures, 59 (2024) 105784. https://doi.org/10.1016/j.istruc.2023.105784
[8]. S. Hochreiter, J. Schmidhuber, Long Short-Term Memory, Neural Computation 9 (1997) 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
[9]. K. Cho, B. van Merrienboer, C. Gulcehre, D. Bahdanau, F. Bougares, H. Schwenk, Y. Bengio, Learning phrase representations using rnn encoder-decoder for statistical machine translation, arXiv preprint arXiv, 1406.1078 (2014). https://doi.org/10.48550/arXiv.1406.1078
[10]. S.François, M.Schevenels , D.Dooms, M.Jansen, J.Wambacq, G.Lombaert, G.De Roeck, Stabil: An educational Matlab toolbox for static and dynamic structural analysis, Computer Applications in Engineering Education, 29 (2021) 1372-1389. https://doi.org/10.1002/cae.22391
[11]. S. Qin, Y.-L. Zhou, H. Cao, M.A. Wahab, Model updating in complex bridge structures using kriging model ensemble with genetic algorithm, KSCE J Civ Eng, 22 (2018) 3567–3578. https://doi.org/10.1007/s12205-017-1107-7
[12]. T. Liu, Q. Zhang, T. Zordan, B. Briseghella, Finite element model updating of canonica bridge using experimental modal data and genetic algorithm, Structural Engineering International, 26 (2016) 27–36. https://doi.org/10.2749/101686616X14480232444405
[13]. K. Lin, Y.-L. Xu, X. Lu, Z. Guan, J. Li, Cluster computing-aided model updating for a high-fidelity finite element model of a long-span cable-stayed bridge, Earthquake Engineering & Structural Dynamics, 49 (2020) 904–923. https://doi.org/10.1002/eqe.3270
[14]. J. Kennedy, R. Eberhart, Particle swarm optimization, in: Proceedings of ICNN’95 - International Conference on Neural Networks, 4 (1995) 1942–1948. https://doi.org/10.1109/ICNN.1995.488968
[2]. T.V. Hung, N.C. Thanh, L.X. Thang, N.T.C. Nhung, N.V. Thuc, T.N. Hoa, Enhancing salp swarm optimization with orthogonal diagonalization transformation for damage detection in truss bridge, KSCE J Civ Eng, 28 (2024) 2355–2365. https://doi.org/10.1007/s12205-024-2048-6
[3]. B.T. Thanh, B.N. Dung, N.T. Hieu, N.N. Long, T.N. Hoa, T.V. Hung, Damage detection in structural health monitoring using hybrid convolution neural network and recurrent neural network, Frattura Ed Integrità Strutturale, 16 (2022) 461–470. https://doi.org/10.3221/IGF-ESIS.59.30
[4]. K. Lee, M. Chung, S. Kim, D.H. Shin, Damage detection of catenary mooring line based on recurrent neural networks, Ocean Engineering, 227 (2021) 108898. https://doi.org/10.1016/j.oceaneng.2021.108898
[5]. H. Fathnejat, B. Ahmadi-Nedushan, S. Hosseininejad, M. Noori, W.A. Altabey, A data-driven structural damage identification approach using deep convolutional-attention-recurrent neural architecture under temperature variations, Engineering Structures, 276 (2023) 115311. https://doi.org/10.1016/j.engstruct.2022.115311
[6]. J. Yang, L. Zhang, C. Chen, Y. Li, R. Li, G. Wang, S. Jiang, Z. Zeng, A hierarchical deep convolutional neural network and gated recurrent unit framework for structural damage detection, Information Sciences, 540 (2020) 117–130. https://doi.org/10.1016/j.ins.2020.05.090
[7]. L.X. Thang, B.T. Thanh, T.N. Hoa, A novel approach model design for signal data using 1DCNN combing with LSTM and ResNet for damaged detection problem, Structures, 59 (2024) 105784. https://doi.org/10.1016/j.istruc.2023.105784
[8]. S. Hochreiter, J. Schmidhuber, Long Short-Term Memory, Neural Computation 9 (1997) 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
[9]. K. Cho, B. van Merrienboer, C. Gulcehre, D. Bahdanau, F. Bougares, H. Schwenk, Y. Bengio, Learning phrase representations using rnn encoder-decoder for statistical machine translation, arXiv preprint arXiv, 1406.1078 (2014). https://doi.org/10.48550/arXiv.1406.1078
[10]. S.François, M.Schevenels , D.Dooms, M.Jansen, J.Wambacq, G.Lombaert, G.De Roeck, Stabil: An educational Matlab toolbox for static and dynamic structural analysis, Computer Applications in Engineering Education, 29 (2021) 1372-1389. https://doi.org/10.1002/cae.22391
[11]. S. Qin, Y.-L. Zhou, H. Cao, M.A. Wahab, Model updating in complex bridge structures using kriging model ensemble with genetic algorithm, KSCE J Civ Eng, 22 (2018) 3567–3578. https://doi.org/10.1007/s12205-017-1107-7
[12]. T. Liu, Q. Zhang, T. Zordan, B. Briseghella, Finite element model updating of canonica bridge using experimental modal data and genetic algorithm, Structural Engineering International, 26 (2016) 27–36. https://doi.org/10.2749/101686616X14480232444405
[13]. K. Lin, Y.-L. Xu, X. Lu, Z. Guan, J. Li, Cluster computing-aided model updating for a high-fidelity finite element model of a long-span cable-stayed bridge, Earthquake Engineering & Structural Dynamics, 49 (2020) 904–923. https://doi.org/10.1002/eqe.3270
[14]. J. Kennedy, R. Eberhart, Particle swarm optimization, in: Proceedings of ICNN’95 - International Conference on Neural Networks, 4 (1995) 1942–1948. https://doi.org/10.1109/ICNN.1995.488968
Tải xuống
Chưa có dữ liệu thống kê
Nhận bài
21/04/2024
Nhận bài sửa
26/07/2024
Chấp nhận đăng
08/08/2024
Xuất bản
15/08/2024
Chuyên mục
Công trình khoa học
Kiểu trích dẫn
Phạm HồngQ., Hồ XuânN., Mai ĐứcA., & Nguyễn Thị CẩmN. (1723654800). Chẩn đoán hư hỏng cầu giàn thép sử dụng mạng hồi quy cải tiến dựa trên mô hình số được cập nhật từ dữ liệu thu được từ cảm biến quang. Tạp Chí Khoa Học Giao Thông Vận Tải, 75(6), 2000-2014. https://doi.org/10.47869/tcsj.75.6.6
Số lần xem tóm tắt
131
Số lần xem bài báo
61
