Phát hiện hư hỏng cầu giàn thép sử dụng mô hình lai 1DCNN-BIGRU và kỹ thuật tăng cường dữ liệu chuỗi thời gian
Email:
hxnam@utc.edu.vn
Từ khóa:
Giám sát sức khỏe kết cấu, học sâu, mạng nơ ron tích chập một chiều, mạng đơn vị hồi quy có cổng hai chiều, kỹ thuật tăng cường dữ liệu
Tóm tắt
Trong công tác quản lý chất lượng cầu, các giải pháp theo dõi sức khỏe công trình sử dụng dữ liệu biến thiên theo thời gian giữ vị trí trọng yếu. Mặc dù vậy, sự khan hiếm nguồn dữ liệu mẫu lớn và phong phú thường khiến các thuật toán học sâu rơi vào tình trạng học vẹt (overfitting) cũng như hạn chế khả năng thích nghi. Bài báo này giới thiệu một chiến lược toàn diện nhằm giải quyết song song bài toán về dữ liệu và mô hình. Về khía cạnh dữ liệu, chúng tôi triển khai phương pháp làm giàu dữ liệu thông qua các kỹ thuật như nạp nhiễu, đảo ngược chuỗi, lật và trích xuất cửa sổ để đa dạng hóa không gian mẫu. Về khía cạnh thuật toán, nghiên cứu xây dựng kiến trúc lai ghép giữa Mạng nơ-ron tích chập một chiều chịu trách nhiệm khai thác đặc trưng cục bộ, và Mạng hồi quy cổng hai chiều chuyên biệt trong việc nắm bắt các quy luật phụ thuộc dài hạn. Kiểm nghiệm thực tế trên cầu giàn thép Cửa Rào cho thấy, mô hình lai tích hợp AUG đạt hiệu năng vượt trội với độ chính xác 93,9%. Kết quả này cao hơn hẳn so với các mô hình cơ sở độc lập như 1DCNN (84,2%) hay BiGRU (83,8%), đồng thời minh chứng được tốc độ hội tụ nhanh và tính ổn định cao trong ứng dụng SHMTài liệu tham khảo
[1]. M. Habashneh, M. M. Rad, An Investigation of the Recent Developments in Reliability-based Structural Topology Optimization, Period. Polytech. Civ. Eng., 67 (2023) 765–774. https://doi.org/10.3311/PPci.22107.
[2]. T. T. Anh , H. H. Viet , T. D. Anh , N. T. Duc , Effect of adhesion failure and temperature on the mechanical behavior of orthotropic steel bridge deck, Tạp Chí Khoa Học Giao Thông Vận Tải, 73 (2022) 52–60. https://doi.org/10.47869/tcsj.73.1.5.
[3]. Y. Zhang, W. Yang, A comparative study of the stochastic simulation methods applied in structural health monitoring, Eng. Comput., 31 (2014) 1484–1513. https://doi.org/10.1108/EC-07-2013-0185.
[4]. L. H. Viet , T. T. Thi , B. H. Xuan , Swarm intelligence-based technique to enhance performance of ANN in structural damage detection, Tạp Chí Khoa Học Giao Thông Vận Tải, 73 (2022) 1–15. https://doi.org/10.47869/tcsj.73.1.1.
[5]. L. H. Viet , H. H. Vinh , T. V. Van , B. H. Xuan , An improved version of mode shape based indicator for structural damage identification, Tạp Chí Khoa Học Giao Thông Vận Tải, 74 (2023) 790–804. https://doi.org/10.47869/tcsj.74.7.3.
[6]. J. Gao, S. Dong, J. Cui, M. Yuan, J. Zhao, DRN-GAN: an integrated deep learning-based health degradation assessment model for naval propulsion system, Eng. Comput., 39 (2022) 2306–2325. https://doi.org/10.1108/EC-10-2021-0624.
[7]. H. Chen, Z. Du, X. Li, H. Zhou, Z. Liu, Identification of pipe inner surface in heat conduction problems by deep learning and effective thermal conductivity transform, Eng. Comput., 37 (2020) 3505–3523. https://doi.org/10.1108/EC-01-2020-0012.
[8]. T. V. Manh, H. T. Ngoc, M. T. Duc, L. B. Phuc, L. N. Duc, An Effective Damage Detection Approach for a Truss Bridge Using a Hybrid Deep Learning Model, Proceedings of the 5th International Conference on Sustainability in Civil Engineering - Volume 2, 2025, Springer, pp. 91–101. https://doi.org/10.1007/978-981-96-5206-8_10.
[9]. N. C. Thi Nguyen, T. M. Vu, Damage detection in structural health monitoring using BiLSTM-1DCNN hybrid network: a case study on a large-scale steel truss bridge, Eng. Comput., 42 (2025) 2226–2242. https://doi.org/10.1108/EC-08-2024-0714.
[10]. P. P. Arya, S. Mohammad Reza, A. Augusta, B. Bambang, Estimation of structural response using convolutional neural network: application to the Suramadu bridge, ResearchGate, https://doi.org/10.1108/EC-12-2020-0695.
[11]. S. Kiranyaz, O. Avci, O. Abdeljaber, T. Ince, M. Gabbouj, D. J. Inman, 1D convolutional neural networks and applications: A survey, Mech. Syst. Signal Process., 151, (2021) 107398. https://doi.org/10.1016/j.ymssp.2020.107398.
[12]. J. Duan, H. Zhao, W. Qin, M. Qiu, M. Liu, News Text Classification Based on MLCNN and BiGRU Hybrid Neural Network, trong 2020 3rd International Conference on Smart BlockChain (SmartBlock), Zhengzhou, China: IEEE, 2020, pp. 1–6. https://doi.org/10.1109/SmartBlock52591.2020.00032.
[13]. Z. Zha, J. He, L. Zhen, M. Yu, C. Dong, Z. Li, G. Wu, H. Zuo, K. Peng, A BiGRU Model Based on the DBO Algorithm for Cloud-Edge Communication Networks, Appl. Sci., 14 (2024) 10155. https://doi.org/10.3390/app142210155.
[14]. B. A. Krohling, R. A. Krohling, 1D Convolutional neural networks and machine learning algorithms for spectral data classification with a case study for Covid-19, 2023, arXiv: arXiv:2301.10746. https://doi.org/10.48550/arXiv.2301.10746.
[15]. W. Tang, G. Long, L. Liu, T. Zhou, M. Blumenstein, J. Jiang, Omni-Scale CNNs: a simple and effective kernel size configuration for time series classification, 2022, arXiv: arXiv:2002.10061. https://doi.org/10.48550/arXiv.2002.10061.
[16]. J. Chung, C. Gulcehre, K. Cho, Y. Bengio, Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling, 2014, arXiv: arXiv:1412.3555. https://doi.org/10.48550/arXiv.1412.3555.
[17]. S. H. Noh, Analysis of Gradient Vanishing of RNNs and Performance Comparison, Information, 12 (2021) 442. https://doi.org/10.3390/info12110442.
[18]. T. Le Xuan, T. Nguyen Chi, T. Bui Tien, H. Tran Ngoc, ResUNet4T: A potential deep learning model for damage detection based on a numerical case study of a large-scale bridge using time-series data, Eng. Struct., 340 (2025) 120668. https://doi.org/10.1016/j.engstruct.2025.120668.
[19]. Q. H. Nguyen, T. X. Le, D. L. M. Nguyen, T. T. Bui, N. C. Nguyen, H. N. Tran, A Prospective Technique for Damage Detection in Truss Structures Using the Fusion of DNN with AVOA, KSCE J. Civ. Eng., 28 (2024) 2920–2933. https://doi.org/10.1007/s12205-024-1968-5.
[2]. T. T. Anh , H. H. Viet , T. D. Anh , N. T. Duc , Effect of adhesion failure and temperature on the mechanical behavior of orthotropic steel bridge deck, Tạp Chí Khoa Học Giao Thông Vận Tải, 73 (2022) 52–60. https://doi.org/10.47869/tcsj.73.1.5.
[3]. Y. Zhang, W. Yang, A comparative study of the stochastic simulation methods applied in structural health monitoring, Eng. Comput., 31 (2014) 1484–1513. https://doi.org/10.1108/EC-07-2013-0185.
[4]. L. H. Viet , T. T. Thi , B. H. Xuan , Swarm intelligence-based technique to enhance performance of ANN in structural damage detection, Tạp Chí Khoa Học Giao Thông Vận Tải, 73 (2022) 1–15. https://doi.org/10.47869/tcsj.73.1.1.
[5]. L. H. Viet , H. H. Vinh , T. V. Van , B. H. Xuan , An improved version of mode shape based indicator for structural damage identification, Tạp Chí Khoa Học Giao Thông Vận Tải, 74 (2023) 790–804. https://doi.org/10.47869/tcsj.74.7.3.
[6]. J. Gao, S. Dong, J. Cui, M. Yuan, J. Zhao, DRN-GAN: an integrated deep learning-based health degradation assessment model for naval propulsion system, Eng. Comput., 39 (2022) 2306–2325. https://doi.org/10.1108/EC-10-2021-0624.
[7]. H. Chen, Z. Du, X. Li, H. Zhou, Z. Liu, Identification of pipe inner surface in heat conduction problems by deep learning and effective thermal conductivity transform, Eng. Comput., 37 (2020) 3505–3523. https://doi.org/10.1108/EC-01-2020-0012.
[8]. T. V. Manh, H. T. Ngoc, M. T. Duc, L. B. Phuc, L. N. Duc, An Effective Damage Detection Approach for a Truss Bridge Using a Hybrid Deep Learning Model, Proceedings of the 5th International Conference on Sustainability in Civil Engineering - Volume 2, 2025, Springer, pp. 91–101. https://doi.org/10.1007/978-981-96-5206-8_10.
[9]. N. C. Thi Nguyen, T. M. Vu, Damage detection in structural health monitoring using BiLSTM-1DCNN hybrid network: a case study on a large-scale steel truss bridge, Eng. Comput., 42 (2025) 2226–2242. https://doi.org/10.1108/EC-08-2024-0714.
[10]. P. P. Arya, S. Mohammad Reza, A. Augusta, B. Bambang, Estimation of structural response using convolutional neural network: application to the Suramadu bridge, ResearchGate, https://doi.org/10.1108/EC-12-2020-0695.
[11]. S. Kiranyaz, O. Avci, O. Abdeljaber, T. Ince, M. Gabbouj, D. J. Inman, 1D convolutional neural networks and applications: A survey, Mech. Syst. Signal Process., 151, (2021) 107398. https://doi.org/10.1016/j.ymssp.2020.107398.
[12]. J. Duan, H. Zhao, W. Qin, M. Qiu, M. Liu, News Text Classification Based on MLCNN and BiGRU Hybrid Neural Network, trong 2020 3rd International Conference on Smart BlockChain (SmartBlock), Zhengzhou, China: IEEE, 2020, pp. 1–6. https://doi.org/10.1109/SmartBlock52591.2020.00032.
[13]. Z. Zha, J. He, L. Zhen, M. Yu, C. Dong, Z. Li, G. Wu, H. Zuo, K. Peng, A BiGRU Model Based on the DBO Algorithm for Cloud-Edge Communication Networks, Appl. Sci., 14 (2024) 10155. https://doi.org/10.3390/app142210155.
[14]. B. A. Krohling, R. A. Krohling, 1D Convolutional neural networks and machine learning algorithms for spectral data classification with a case study for Covid-19, 2023, arXiv: arXiv:2301.10746. https://doi.org/10.48550/arXiv.2301.10746.
[15]. W. Tang, G. Long, L. Liu, T. Zhou, M. Blumenstein, J. Jiang, Omni-Scale CNNs: a simple and effective kernel size configuration for time series classification, 2022, arXiv: arXiv:2002.10061. https://doi.org/10.48550/arXiv.2002.10061.
[16]. J. Chung, C. Gulcehre, K. Cho, Y. Bengio, Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling, 2014, arXiv: arXiv:1412.3555. https://doi.org/10.48550/arXiv.1412.3555.
[17]. S. H. Noh, Analysis of Gradient Vanishing of RNNs and Performance Comparison, Information, 12 (2021) 442. https://doi.org/10.3390/info12110442.
[18]. T. Le Xuan, T. Nguyen Chi, T. Bui Tien, H. Tran Ngoc, ResUNet4T: A potential deep learning model for damage detection based on a numerical case study of a large-scale bridge using time-series data, Eng. Struct., 340 (2025) 120668. https://doi.org/10.1016/j.engstruct.2025.120668.
[19]. Q. H. Nguyen, T. X. Le, D. L. M. Nguyen, T. T. Bui, N. C. Nguyen, H. N. Tran, A Prospective Technique for Damage Detection in Truss Structures Using the Fusion of DNN with AVOA, KSCE J. Civ. Eng., 28 (2024) 2920–2933. https://doi.org/10.1007/s12205-024-1968-5.
Tải xuống
Chưa có dữ liệu thống kê
Nhận bài
06/09/2025
Nhận bài sửa
10/11/2025
Chấp nhận đăng
11/12/2025
Xuất bản
15/12/2025
Chuyên mục
Công trình khoa học
Kiểu trích dẫn
Nguyễn Lê Minh, Đăng, Hồ Xuân, N., Vũ Mạnh, T., & Nguyễn Kiều Ngọc, B. (1765731600). Phát hiện hư hỏng cầu giàn thép sử dụng mô hình lai 1DCNN-BIGRU và kỹ thuật tăng cường dữ liệu chuỗi thời gian. Tạp Chí Khoa Học Giao Thông Vận Tải, 76(9), 1281-1295. https://doi.org/10.47869/tcsj.76.9.11
