Khung học máy lai ghép IF – LOF để phát hiện số liệu GNSS-RTK ngoại lai trong quan trắc chuyển dịch cầu dây văng
Email:
gianglk@utc.edu.vn
Từ khóa:
GNSS-RTK, phát hiện ngoại lai, Isolation Forest, Local Outlier Factor, quan trắc sức khỏe công trình, cầu dây văng
Tóm tắt
Công nghệ định vị vệ tinh GNSS-RTK được sử dụng rộng rãi trong các hệ thống quan trắc sức khỏe công trình (SHM) của cầu dây văng nhịp lớn nhờ khả năng đo chuyển dịch ba chiều liên tục với độ chính xác cao. Tuy nhiên, chuỗi dữ liệu GNSS-RTK thường chứa các giá trị bất thường do hiệu ứng đa đường, gián đoạn tín hiệu và các nhiễu môi trường. Nghiên cứu này tập trung vào bài toán phát hiện và loại bỏ các ngoại lai trong dữ liệu chuyển dịch GNSS-RTK của cầu dây văng. Một khung học máy lai ghép kết hợp hai thuật toán Isolation Forest (IF) và Local Outlier Factor (LOF) được đề xuất. Trong giai đoạn đầu, IF thực hiện sàng lọc toàn cục để xác định các điểm nghi ngờ. Sau đó, LOF đánh giá mật độ cục bộ của các điểm này nhằm xác nhận các ngoại lai thực sự thông qua cơ chế xác nhận kép. Phương pháp được kiểm chứng trên bộ dữ liệu GNSS-RTK của cầu Cần Thơ gồm 12.615 mẫu chuyển dịch. Kết quả cho thấy mô hình lai ghép phát hiện 177 ngoại lai (1,40%), thấp hơn so với IF (253 điểm) và LOF (379 điểm). Bên cạnh đó, việc chỉ áp dụng LOF trên tập các quan trắc nghi ngờ được xác định bởi IF giúp giảm đáng kể khối lượng tính toán của giai đoạn phân tích mật độ cục bộ trong khi vẫn bảo toàn phần lớn dữ liệu quan trắc hợp lệ. Kết quả nghiên cứu cho thấy phương pháp IF–LOF là một giải pháp tiền xử lý hiệu quả cho dữ liệu quan trắc cầu sử dụng GNSSTài liệu tham khảo
[1]. H. Wang, J.X. Mao, Z.D. Xu, Investigation of dynamic properties of a long-span cable-stayed bridge during typhoon events based on structural health monitoring, J. Wind Eng. Ind. Aerodyn., 201 (2020) 104172. https://doi.org/10.1016/j.jweia.2020.104172
[2]. H.T. Al-Khateeb, H. W. Shenton, M. J. Chajes, C. Aloupis, Structural health monitoring of a cable-stayed bridge using regularly conducted diagnostic load tests. Front. Built Environ., 5 (2019) 41. https://doi.org/10.3389/fbuil.2019.00041
[3]. N. Shen, L. Chen, J. Liu, L. Wang, T. Tao, D. Wu, R. Chen, A review of global navigation satellite system (GNSS)-based dynamic monitoring technologies for structural health monitoring. Remote Sens., 11 (2019) 1001. https://doi.org/10.3390/rs11091001
[4]. T.H. Yi, H.N. Li, M. Gu, Recent research and applications of GPS-based monitoring technology for high-rise structures, Struct. Control Health Monit., 20 (2013) 649–670. https://doi.org/10.1002/stc.1501
[5]. Y. Deng, Z. Yingjie, J. Hanwen, Y. Ting-Hua, L. Aiqun, Abnormal data detection for structural health monitoring: State-of-the-art review, Dev. Built Environ., 17 (2024) 100337. https://doi.org/10.1016/j.dibe.2023.100337
[6]. L.V. Hien, L.M. Ngoc, T.D. Cong, Nghiên cứu phương pháp tiền xử lý dữ liệu quan trắc liên tục GNSS của cầu dây văng nhiều trụ tháp, Tạp chí Khoa học Giao thông Vận tải, 75 (2024) 2345–2355. https://doi.org/10.47869/tcsj.75.9.9
[7]. H.T.L. Huong, T.D. Cong, L.V. Vu, L.K. Giang, Latent pattern recognition in GNSS-based SHM using t-SNE and adaptive time-series modeling, J. Civ. Struct. Health Monit., 15 (2025) 3743–3766. https://doi.org/10.1007/s13349-025-01014-9
[8]. Z. Wang, Y.J. Cha, Unsupervised machine and deep learning methods for structural damage detection: a comparative study, Eng. Rep., 7 (2025) e12551. https://doi.org/10.1002/eng2.12551
[9]. F.T. Liu, K.M. Ting, Z.H. Zhou, Isolation Forest, in: Proceedings of the 8th IEEE International Conference on Data Mining, IEEE, Pisa, Italy, 2008, pp. 413–422. https://doi.org/10.1109/ICDM.2008.17
[10]. M.M. Breunig, H.P. Kriegel, R.T. Ng, J. Sander, LOF: identifying density-based local outliers, in: Proceedings of the ACM SIGMOD International Conference on Management of Data, ACM, Dallas, USA, 2000, pp. 93–104. https://doi.org/10.1145/342009.335388
[11]. I. Bayane, J. Leander, R. Karoumi, An unsupervised machine learning approach for real-time damage detection in bridges, Eng. Struct., 308 (2024) 117971. https://doi.org/10.1016/j.engstruct.2024.117971
[12]. Z. Sun, D. Siringoringo, C. Shi-Zhi, Cumulative displacement-based detection of damper malfunction in bridges using data-driven isolation forest algorithm, Eng. Fail. Anal., 143 (2023) 106849. https://doi.org/10.1016/j.engfailanal.2022.106849
[13]. H.D. Nguyen, T.D. Tran, Detecting outliers in GNSS position time series using machine learning techniques, J. Min. Earth Sci., 64 (2023) 22–30.
[14]. D.C. Montgomery, G.C. Runger, Applied Statistics and Probability for Engineers, 5th ed., John Wiley & Sons, New York, 2010.
[15]. AASHTO, AASHTO LRFD Bridge Design Specifications, 9th ed., American Association of State Highway and Transportation Officials, Washington DC, 2020.
[16]. Nippon Koei Co. Ltd., Chodai Co. Ltd., TEDI South, Tóm tắt Báo cáo kỹ thuật thiết kế hệ thống quan trắc kết cấu cầu Cần Thơ, 2010.
[2]. H.T. Al-Khateeb, H. W. Shenton, M. J. Chajes, C. Aloupis, Structural health monitoring of a cable-stayed bridge using regularly conducted diagnostic load tests. Front. Built Environ., 5 (2019) 41. https://doi.org/10.3389/fbuil.2019.00041
[3]. N. Shen, L. Chen, J. Liu, L. Wang, T. Tao, D. Wu, R. Chen, A review of global navigation satellite system (GNSS)-based dynamic monitoring technologies for structural health monitoring. Remote Sens., 11 (2019) 1001. https://doi.org/10.3390/rs11091001
[4]. T.H. Yi, H.N. Li, M. Gu, Recent research and applications of GPS-based monitoring technology for high-rise structures, Struct. Control Health Monit., 20 (2013) 649–670. https://doi.org/10.1002/stc.1501
[5]. Y. Deng, Z. Yingjie, J. Hanwen, Y. Ting-Hua, L. Aiqun, Abnormal data detection for structural health monitoring: State-of-the-art review, Dev. Built Environ., 17 (2024) 100337. https://doi.org/10.1016/j.dibe.2023.100337
[6]. L.V. Hien, L.M. Ngoc, T.D. Cong, Nghiên cứu phương pháp tiền xử lý dữ liệu quan trắc liên tục GNSS của cầu dây văng nhiều trụ tháp, Tạp chí Khoa học Giao thông Vận tải, 75 (2024) 2345–2355. https://doi.org/10.47869/tcsj.75.9.9
[7]. H.T.L. Huong, T.D. Cong, L.V. Vu, L.K. Giang, Latent pattern recognition in GNSS-based SHM using t-SNE and adaptive time-series modeling, J. Civ. Struct. Health Monit., 15 (2025) 3743–3766. https://doi.org/10.1007/s13349-025-01014-9
[8]. Z. Wang, Y.J. Cha, Unsupervised machine and deep learning methods for structural damage detection: a comparative study, Eng. Rep., 7 (2025) e12551. https://doi.org/10.1002/eng2.12551
[9]. F.T. Liu, K.M. Ting, Z.H. Zhou, Isolation Forest, in: Proceedings of the 8th IEEE International Conference on Data Mining, IEEE, Pisa, Italy, 2008, pp. 413–422. https://doi.org/10.1109/ICDM.2008.17
[10]. M.M. Breunig, H.P. Kriegel, R.T. Ng, J. Sander, LOF: identifying density-based local outliers, in: Proceedings of the ACM SIGMOD International Conference on Management of Data, ACM, Dallas, USA, 2000, pp. 93–104. https://doi.org/10.1145/342009.335388
[11]. I. Bayane, J. Leander, R. Karoumi, An unsupervised machine learning approach for real-time damage detection in bridges, Eng. Struct., 308 (2024) 117971. https://doi.org/10.1016/j.engstruct.2024.117971
[12]. Z. Sun, D. Siringoringo, C. Shi-Zhi, Cumulative displacement-based detection of damper malfunction in bridges using data-driven isolation forest algorithm, Eng. Fail. Anal., 143 (2023) 106849. https://doi.org/10.1016/j.engfailanal.2022.106849
[13]. H.D. Nguyen, T.D. Tran, Detecting outliers in GNSS position time series using machine learning techniques, J. Min. Earth Sci., 64 (2023) 22–30.
[14]. D.C. Montgomery, G.C. Runger, Applied Statistics and Probability for Engineers, 5th ed., John Wiley & Sons, New York, 2010.
[15]. AASHTO, AASHTO LRFD Bridge Design Specifications, 9th ed., American Association of State Highway and Transportation Officials, Washington DC, 2020.
[16]. Nippon Koei Co. Ltd., Chodai Co. Ltd., TEDI South, Tóm tắt Báo cáo kỹ thuật thiết kế hệ thống quan trắc kết cấu cầu Cần Thơ, 2010.
Tải xuống
Chưa có dữ liệu thống kê
Nhận bài
07/03/2026
Nhận bài sửa
10/06/2026
Chấp nhận đăng
12/06/2026
Xuất bản
15/06/2026
Chuyên mục
Công trình khoa học
Kiểu trích dẫn
Lê Khánh, G., Hồ Thị Lan, H., & Nguyễn Thuỳ, L. (1781456400). Khung học máy lai ghép IF – LOF để phát hiện số liệu GNSS-RTK ngoại lai trong quan trắc chuyển dịch cầu dây văng . Tạp Chí Khoa Học Giao Thông Vận Tải, 77(5), 672-686. https://doi.org/10.47869/tcsj.77.5.5
