Khôi phục dữ liệu cho hệ thống giám sát sức khoẻ công trình cầu sử dụng mô hình mạng tích chập đồ thị và mạng bộ nhớ ngắn dài hạn
Email:
ncnhung@utc.edu.vn
Từ khóa:
Mạng đồ thị tích chập (GCN), mạng bộ nhớ ngắn dài hạn (LSTM), hệ thống giám sát sức khoẻ công trình (SHM)
Tóm tắt
Hệ thống giám sát sức khỏe kết cấu (SHM) thường phải đối mặt với vấn đề mất mát dữ liệu, điều này làm giảm hiệu quả và độ chính xác trong quá trình phân tích, đánh giá tình trạng của các công trình. Bài báo đề xuất một mô hình kết hợp giữa mạng nơ-ron tích chập đồ thị (GCN) và mạng bộ nhớ ngắn dài hạn (LSTM) để giải quyết vấn đề này. Mô hình này tận dụng khả năng của GCN trong việc nắm bắt các mối quan hệ không gian giữa các cảm biến và khả năng của LSTM trong việc xử lý dữ liệu chuỗi thời gian, giúp mô hình dự đoán chính xác các giá trị bị thiếu dựa trên dữ liệu lịch sử và vị trí của các cảm biến. Mô hình được thử nghiệm trên dữ liệu gia tốc thu thập từ 8 cảm biến gắn trên cầu dây văng trong phòng thí nghiệm. Kết quả thực nghiệm cho thấy mô hình đạt được hiệu suất dự đoán tốt với sai số toàn phương trung bình (MSE) là 0,0003 và sai số tuyệt đối trung bình (MAE) là 0,007 sau 500 bước lặp. Các biểu đồ so sánh dữ liệu thực thế và dữ liệu được khôi phục cũng cho thấy các biến động của hai chuỗi dữ liệu là khá tương đồng, chứng tỏ mô hình có khả năng nắm bắt xu hướng của dữ liệu thực tếTài liệu tham khảo
[1]. H. Tran-Ngoc, S. Khatir, T. Le-Xuan, G. De Roeck, T. Bui-Tien, M. Abdel Wahab, Finite element model updating of a multispan bridge with a hybrid metaheuristic search algorithm using experimental data from wireless triaxial sensors, Eng. Comput, (2021) 1–19. https://doi.org/10.1007/s00366-021-01307-9
[2]. T. Bui Tien, T. Vu Quang, L. Nguyen Ngoc, H. Tran Ngoc, Time series data recovery in SHM of large-scale bridges: Leveraging GAN and Bi-LSTM networks, Structures 63 (2024). https://doi.org/10.1016/j.istruc.2024.106368
[3]. H.M. Lee, J.M. Kim, K. Sho, H.S. Park, A wireless vibrating wire sensor node for continuous structural health monitoring, Smart Mater. Struct, 19 (2010). https://doi.org/10.1088/0964-1726/19/5/055004
[4]. Y. Yu, F. Han, Y. Bao, J. Ou, A study on data loss compensation of WiFi-based wireless sensor networks for structural health monitoring, IEEE Sens. J, 16 (2015) 3811–3818. https://doi.org/10.1109/JSEN.2015.2512846
[5]. S.M. O’Connor, J.P. Lynch, A.C. Gilbert, Compressed sensing embedded in an operational wireless sensor network to achieve energy efficiency in long-term monitoring applications, Smart Mater. Struct, 23 (2014). https://doi.org/10.1088/0964-1726/23/8/085014
[6]. Z. Chen, H. Li, Y. Bao, Analyzing and modeling inter-sensor relationships for strain monitoring data and missing data imputation: a copula and functional data-analytic approach, Struct. Health Monit., 18 (2019) 1168–1188. https://doi.org/10.1177/1475921718788703
[7]. Y. Bao, Z. Tang, H. Li, Y. Zhang, Computer vision and deep learning–based data anomaly detection method for structural health monitoring, Struct. Health Monit., 18 (2019) 401–421. https://doi.org/10.1177/1475921718757405
[8]. B.K. Oh, B. Glisic, Y. Kim, H.S. Park, Convolutional neural network–based data recovery method for structural health monitoring, Struct. Health Monit, 19 (2020) 1821–1838. https://doi.org/10.1177/1475921719897571
[9]. G. Fan, J. Li, H. Hao, Lost data recovery for structural health monitoring based on convolutional neural networks, Struct. Control Health Monit, 26 (2019). https://doi.org/10.1002/stc.2433
[10]. X. Xu, X. Zhao, M. Wei, Z. Li, X. Xu, X. Zhao, M. Wei, Z. Li, A comprehensive review of graph convolutional networks: approaches and applications, Electron. Res. Arch., 31 (2023) 4185–4215. https://doi.org/10.3934/era.2023213
[11]. B. Yu, H. Yin, Z. Zhu, Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting, in: Proc. Twenty-Seventh Int. Jt. Conf. Artif. Intell., (2018) 3634–3640. https://doi.org/10.24963/ijcai.2018/50
[12]. L. Zhao, Y. Song, C. Zhang, Y. Liu, P. Wang, T. Lin, M. Deng, H. Li, T-gcn: A temporal graph convolutional network for traffic prediction, IEEE Trans. Intell. Transp. Syst, 21 (2019) 3848–3858. https://doi.org/10.1109/TITS.2019.2935152
[13]. S. Sun, Z. Wang, Z. Xia, L. Yi, Z. Yue, Y. Ding, The Temperature-Induced Deflection Data Missing Recovery of a Cable-Stayed Bridge Based on Bayesian Robust Tensor Learning, Symmetry, 15 (2023). https://doi.org/10.3390/sym15061234
[14]. S. Hochreiter, J. Schmidhuber, Long short-term memory, Neural Comput, 9 (1997) 1735–1780.
[15]. J. Bruna, W. Zaremba, A. Szlam, Y. LeCun, Spectral Networks and Locally Connected Networks on Graphs, 2014. http://arxiv.org/abs/1312.6203
[16]. T.N. Kipf, M. Welling, Semi-Supervised Classification with Graph Convolutional Networks, 2017. http://arxiv.org/abs/1609.02907
[2]. T. Bui Tien, T. Vu Quang, L. Nguyen Ngoc, H. Tran Ngoc, Time series data recovery in SHM of large-scale bridges: Leveraging GAN and Bi-LSTM networks, Structures 63 (2024). https://doi.org/10.1016/j.istruc.2024.106368
[3]. H.M. Lee, J.M. Kim, K. Sho, H.S. Park, A wireless vibrating wire sensor node for continuous structural health monitoring, Smart Mater. Struct, 19 (2010). https://doi.org/10.1088/0964-1726/19/5/055004
[4]. Y. Yu, F. Han, Y. Bao, J. Ou, A study on data loss compensation of WiFi-based wireless sensor networks for structural health monitoring, IEEE Sens. J, 16 (2015) 3811–3818. https://doi.org/10.1109/JSEN.2015.2512846
[5]. S.M. O’Connor, J.P. Lynch, A.C. Gilbert, Compressed sensing embedded in an operational wireless sensor network to achieve energy efficiency in long-term monitoring applications, Smart Mater. Struct, 23 (2014). https://doi.org/10.1088/0964-1726/23/8/085014
[6]. Z. Chen, H. Li, Y. Bao, Analyzing and modeling inter-sensor relationships for strain monitoring data and missing data imputation: a copula and functional data-analytic approach, Struct. Health Monit., 18 (2019) 1168–1188. https://doi.org/10.1177/1475921718788703
[7]. Y. Bao, Z. Tang, H. Li, Y. Zhang, Computer vision and deep learning–based data anomaly detection method for structural health monitoring, Struct. Health Monit., 18 (2019) 401–421. https://doi.org/10.1177/1475921718757405
[8]. B.K. Oh, B. Glisic, Y. Kim, H.S. Park, Convolutional neural network–based data recovery method for structural health monitoring, Struct. Health Monit, 19 (2020) 1821–1838. https://doi.org/10.1177/1475921719897571
[9]. G. Fan, J. Li, H. Hao, Lost data recovery for structural health monitoring based on convolutional neural networks, Struct. Control Health Monit, 26 (2019). https://doi.org/10.1002/stc.2433
[10]. X. Xu, X. Zhao, M. Wei, Z. Li, X. Xu, X. Zhao, M. Wei, Z. Li, A comprehensive review of graph convolutional networks: approaches and applications, Electron. Res. Arch., 31 (2023) 4185–4215. https://doi.org/10.3934/era.2023213
[11]. B. Yu, H. Yin, Z. Zhu, Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting, in: Proc. Twenty-Seventh Int. Jt. Conf. Artif. Intell., (2018) 3634–3640. https://doi.org/10.24963/ijcai.2018/50
[12]. L. Zhao, Y. Song, C. Zhang, Y. Liu, P. Wang, T. Lin, M. Deng, H. Li, T-gcn: A temporal graph convolutional network for traffic prediction, IEEE Trans. Intell. Transp. Syst, 21 (2019) 3848–3858. https://doi.org/10.1109/TITS.2019.2935152
[13]. S. Sun, Z. Wang, Z. Xia, L. Yi, Z. Yue, Y. Ding, The Temperature-Induced Deflection Data Missing Recovery of a Cable-Stayed Bridge Based on Bayesian Robust Tensor Learning, Symmetry, 15 (2023). https://doi.org/10.3390/sym15061234
[14]. S. Hochreiter, J. Schmidhuber, Long short-term memory, Neural Comput, 9 (1997) 1735–1780.
[15]. J. Bruna, W. Zaremba, A. Szlam, Y. LeCun, Spectral Networks and Locally Connected Networks on Graphs, 2014. http://arxiv.org/abs/1312.6203
[16]. T.N. Kipf, M. Welling, Semi-Supervised Classification with Graph Convolutional Networks, 2017. http://arxiv.org/abs/1609.02907
Tải xuống
Chưa có dữ liệu thống kê
Nhận bài
14/09/2024
Nhận bài sửa
05/12/2024
Chấp nhận đăng
12/12/2024
Xuất bản
15/12/2024
Chuyên mục
Công trình khoa học
Kiểu trích dẫn
Lê Văn, V., Nguyễn Đức, L., Trần Thế, H., Bùi Tiến, T., & Nguyễn Thị Cẩm, N. (1734195600). Khôi phục dữ liệu cho hệ thống giám sát sức khoẻ công trình cầu sử dụng mô hình mạng tích chập đồ thị và mạng bộ nhớ ngắn dài hạn. Tạp Chí Khoa Học Giao Thông Vận Tải, 75(9), 2385-2399. https://doi.org/10.47869/tcsj.75.9.12
Số lần xem tóm tắt
42
Số lần xem bài báo
17
