Đặng Minh Anh
Phòng Công nghệ tích hợp IT-BT
Giới thiệu
Việc xác định hư hại cấu trúc trong kỹ thuật dân dụng là quan trọng vì lý do an toàn và kinh tế. Cơ sở hạ tầng, như cầu, cần được đánh giá liên tục để phát hiện và giảm thiểu hư hại sớm. Giám sát tình trạng cấu trúc (Structural Health Monitoring - SHM) nhằm phát hiện bất thường sớm và áp dụng chiến lược bảo trì hiệu quả. Bài viết này xin được giới thiệu ứng dụng mới của Trí tuệ Nhân tạo (AI) trong SHM của một cây cầu treo bằng thép.
Dựa trên dữ liệu thu được từ hệ thống giám sát dài hạn được lắp đặt trên một cầu thép, người ta đã có thể phác thảo được tình trạng khi không hư hỏng của cấu trúc. Cấu trúc được theo dõi là một cầu treo vòm thép nhịp dài được lắp đặt các loại cảm biến khác nhau, ví dụ như cảm biến gia tốc ba trục (triaxial accelerometers), cảm biến tải trọng (load cells) và cảm biến môi trường (environmental sensors). Dữ liệu thu thập được trong giai đoạn đầu tiên của cây cầu hoạt động và việc không có bất kỳ vấn đề nào trong quá trình thi công cho thấy rằng tình trạng của cây cầu hiện tại đang rất tốt và tuân thủ đúng các yêu cầu thiết kế. Dữ liệu gia tốc được lưu trữ trong giai đoạn này được sử dụng để ngoại suy các đặc tính động của cầu, bao gồm tần số tự nhiên, tỉ số giảm chấn (damping ratios) và dạng hình dao động (modal shapes). Việc sử dụng Kỹ thuật Nhận dạng Dưới Không gian Thống kê Mở rộng (SSI-UPCX) cho phép thu được không chỉ các tham số mô hình của cầu mà còn cả độ bất định của chúng. Bằng cách này, phạm vi biến đổi của các tham số mô hình, ví dụ như do ảnh hưởng của các yếu tố môi trường, đã được tính toán và ngưỡng tối thiểu và tối đa cho mỗi tham số đã được xác định. Do đó, việc đánh giá và kiểm soát sức khỏe cấu trúc được cập nhật và liên kết với các phạm vi biến đổi này.
Hơn nữa, một hướng tiếp cận hiện đại đầy hứa hẹn để giải quyết vấn đề này là sử dụng các kỹ thuật học máy trong lĩnh vực trí tuệ nhân tạo (AI) nói chung. Sau khi lựa chọn/giảm thiểu các tham số thể hiện dữ liệu tốt hơn, việc phát hiện tín hiệu bất thường đã được sử dụng và các kết quả thu được được so sánh. Dựa trên cả hai cách tiếp cận nêu trên, mặc dù theo những cách khác nhau, việc tạo ra một mô hình về điều kiện hoạt động bình thường của cấu trúc và coi các sai lệch so với mô hình đó là bất thường là hoàn toàn khả thi. Nghiên cứu này đại diện cho bước đầu tiên và là một bước đánh giá chuẩn cho bài toán xác định hư hỏng và lão hóa rộng hơn, nhằm tìm ra phương pháp phù hợp và hiệu quả nhất cho trường hợp đánh giá kết cấu cụ thể này, xét về cả tính nỗ lực và độ chính xác.
Cơ sở lý thuyết của các phương pháp sử dụng trong nghiên cứu
Các phương pháp SHM
SHM bao gồm ba phương pháp chính:
Giám sát liên tục: Xác minh sự thay đổi trong phản ứng cấu trúc toàn cầu.
Kiểm tra định kỳ không phá huỷ (Non-Destructive Periodic Testing - NDT): Sử dụng các kỹ thuật như phát xạ âm, chụp X-quang cho phân tích cục bộ.
Kiểm tra điểm: Thực hiện các kiểm tra cụ thể tại các điểm khác nhau.
Các phương pháp này nhằm phát hiện hư hại giai đoạn đầu, giảm khả năng xảy ra các hư hại nghiêm trọng.
Kỹ thuật phân tích dao động
Phân tích dao động hoạt động (Operational Modal Analysis) là một phương pháp dựa trên dao động được sử dụng rộng rãi để trích xuất các tham số dao động (tần số tự nhiên, tỷ lệ suy giảm và hình dạng dao động) mà không làm gián đoạn dịch vụ của cấu trúc. Sự thay đổi trong các tham số này có thể cho thấy hư hại cấu trúc. Ví dụ, một vết nứt sẽ thay đổi độ cứng của cấu trúc, dễ dàng phát hiện qua sự thay đổi về tần số.
Dữ liệu và các kỹ thuật học máy
Dữ liệu cho SHM thường đại diện cho trạng thái không hư hại của cấu trúc. Tuy nhiên, việc thu thập dữ liệu thực nghiệm cho các trạng thái hư hại là hiếm. Dữ liệu do mô hình tạo ra thường thiếu độ tin cậy do độ phức tạp của hệ thống và sự không chính xác của mô hình. Do đó, chẩn đoán hư hại thường dựa vào các mô hình của điều kiện bình thường.
Các kỹ thuật học không giám sát, được biết như một phát hiện mới lạ, giúp phân biệt giữa trạng thái không hư hại và hư hại mà không cần dữ liệu hư hại để đào tạo. Thành công của các kỹ thuật này phụ thuộc vào tính đại diện của tập dữ liệu đào tạo cho các điều kiện bình thường. Các phương pháp như chuyển giao thông tin giữa các hệ thống tương tự hoặc học các đặc tính liên quan giúp giải quyết thách thức về tính đại diện thấp trong các tập dữ liệu đào tạo.
Cấu trúc giám sát và mạng lưới cảm biến
Cây cầu được theo dõi trong nghiên cứu này là một cầu vòm thép dành cho đường cao tốc nằm ở miền bắc nước Ý. Cầu có nhịp chính dài 250 mét. Các cáp treo bằng thép với số sợi thay đổi được neo giữ vòm cầu với mặt cầu phía dưới. Vòm cầu có tiết diện hình thang cân (trapezoidal section), trong khi mặt cầu phía dưới được cấu thành bởi dầm hộp lục giác (chain hexagonal beam) và các mố nhô ra ngang (transverse cantilevers) đặt dọc ở mỗi 8 mét theo trục cầu.
Cầu được trang bị hệ thống mạng giám sát tùy chỉnh, được gọi là "Hệ thống Giám sát Chủ động" (Active Monitoring System) do khả năng đánh giá kết cấu theo thời gian thực.
Hệ thống giám sát này được cấu thành từ các loại cảm biến khác nhau, bao gồm cảm biến nghiêng độ phân giải cao servo (high-resolution servoinclinometers), đầu dò nhiệt độ bề mặt thép (steel surface temperature probes), cảm biến nhiệt độ và độ ẩm không khí, cảm biến gia tốc ba trục (triaxial accelerometers), bộ chuyển đổi áp suất gió vi sai (differential wind pressure transducers), máy đo ứng suất (strain gauges) tại các mố nhô ra dầm, cảm biến lực (load cells) tại mỗi cáp treo.
Hình 1. Cầu cạn thép vòm treo.
Trích xuất đặc trưng (Feature Extraction): Phân tích dao động hoạt động
Nghiên cứu tập trung vào tiền xử lý các tín hiệu gia tốc kế được thu thập trong khoảng một năm rưỡi. Sử dụng thuật toán DD-SSI-UPCX (Data Driven Stochastic Subspace Identification Extended Unweighted Principal Component), các nhà nghiên cứu thực hiện phân tích dao động hoạt động để trích xuất các tần số tự nhiên, tỷ lệ suy giảm và hình dạng dao động. Thuật toán này được chọn vì hiệu quả trong việc phân tích các cấu trúc linh hoạt, độ bền, tốc độ tính toán và khả năng cung cấp ước lượng bất định cho các tham số dao động.
Phát hiện hành vi bất thường
Bằng cách phân tích phản ứng cấu trúc theo thời gian theo cách truyền thống, các nhà nghiên cứu đã xác định một dải tần số tự nhiên tính đến sự biến đổi môi trường. Sự sai lệch khỏi các dải này sẽ được tính là hành vi bất thường. Tuy nhiên, các hư hại nhỏ có thể không được phát hiện trong phương pháp truyền thống này do các yếu tố như biến đổi môi trường và hoạt động hoặc hạn chế trong xử lý dữ liệu.
Để giảm bớt các thách thức này, các nhà nghiên cứu cũng đã đề xuất mở rộng giới hạn quan sát để trích xuất tín hiệu, mặc dù các kỹ thuật chuẩn hóa dữ liệu như mô hình hồi quy và học máy có thể tăng cường hiệu quả nếu được hỗ trợ bởi dữ liệu đáng tin cậy.
Ứng dụng AI trong xác định hư hại
Nghiên cứu đề xuất sử dụng thuật toán phân cụm k-means trong một biểu đồ luồng xác định hư hại như ở dưới. Thuật toán này nhóm dữ liệu dựa trên sự tương đồng về đặc tính, phân biệt giữa các trạng thái cấu trúc khỏe mạnh và bị hư hại bằng cách đo khoảng cách giữa các vector đặc tính và tâm cụm của các điều kiện danh định.
Hình 2. Sơ đồ luồng đề xuất cho việc phát hiện hư hại sử dụng thuật toán K-means.
Kết quả khảo sát
Thí nghiệm đã đạt được kết quả tốt hơn về mặt cảnh báo bỏ sót cho cả ba mức độ hư hỏng LD7 – LD8 – LD9 nếu sử dụng giá trị tối đa của số lượng cụm, trong số các giá trị tối ưu được tính bằng ba tiêu chí. Mức độ hư hỏng nhỏ nhất LD7 cho thấy sự cải thiện rõ rệt nhất. Đối với mức độ hỏng nhỏ nhất này, tỷ lệ lỗi do cảnh báo bỏ sót giảm xuống còn 6.25%. Đây là sự giảm khoảng bốn lần so với trường hợp trước đó sử dụng phương pháp truyền thống. Tổng lỗi thu được ít hơn so với trước, với giá trị là 52.05%. Tất nhiên, lỗi do cảnh báo sai tăng lên. Tuy nhiên, mức tăng này thấp hơn nhiều so với sự giảm của lỗi cảnh báo bỏ sót. Từ đây có thể suy ra rằng, nếu cấu trúc vừa được xây dựng và mức độ hư hỏng giả định đầu tiên là rất nhỏ, việc tính toán và sử dụng Kopt sẽ phù hợp.
Hình 3. Dữ liệu đã được phân cụm với trường hợp độ hư hỏng ở mức độ nhẹ nhất.
Các phương pháp truyền thống, mặc dù được sử dụng phổ biến, đã để lại các lỗi đáng kể khi cần phát hiện mức độ hư hỏng rất nhỏ. Những lỗi này chủ yếu do bỏ sót các cảnh báo, điều này rất quan trọng vì chúng biểu thị hư hỏng không được phát hiện. Ngược lại, kỹ thuật phân cụm, đặc biệt là thuật toán k-means, cho thấy hiệu suất tốt hơn đối với các mức độ hư hỏng nhỏ. Kỹ thuật này giảm đáng kể các cảnh báo bỏ sót, mặc dù dẫn đến tăng số lượng cảnh báo sai (False Alarms). Sự đánh đổi này được coi là tích cực từ góc độ kỹ thuật, vì việc kiểm tra các cảnh báo sai an toàn hơn so với bỏ sót hư hỏng thực sự.
Các nghiên cứu cũng lưu ý rằng việc tăng cường nỗ lực tính toán trong việc xác định số lượng cụm tối ưu có thể giảm thêm các cảnh báo bỏ sót, làm cho phương pháp phân cụm trở nên ưa chuộng hơn để đảm bảo an toàn cao. Ngoài ra, việc theo dõi số lượng cụm tối ưu theo thời gian có thể cung cấp thông tin chi tiết về sự tiến triển của mức độ hư hỏng. Chất lượng dữ liệu đóng vai trò quan trọng trong hiệu suất của thuật toán phân cụm. Tính đồng nhất, đầy đủ và chất lượng dữ liệu cao hơn có thể tăng cường hiệu quả của thuật toán, đặc biệt trong các trường hợp cụm có kích thước và mật độ khác nhau rõ rệt. Số lượng kiên trì (N) và số lượng cụm tối ưu (Kopt) rất quan trọng trong việc giảm thiểu lỗi trong các kịch bản quan trọng như vậy.
Tuy nhiên, còn có sự không chắc chắn trong việc lựa chọn số lượng cụm tối ưu do sự khác biệt giữa các tiêu chí khác nhau. Điều này cho thấy cần phải lựa chọn các đặc trưng hiệu quả hơn để cải thiện cả phương pháp truyền thống và phương pháp phân cụm. Các tín hiệu chất lượng cao cho phép sử dụng các khoảnh khắc khổ (Spectral Moments - SMs) và các chỉ số như MAC và COMAC, ít nhạy cảm với các yếu tố khác, do đó cải thiện khả năng phát hiện hư hỏng. Việc kết hợp nhiều tham số cũng có thể dẫn đến các đặc trưng nhạy cảm với hư hỏng hơn, nâng cao hiệu quả của các kỹ thuật giám sát này.
KẾT LUẬN
Nghiên cứu đã trình bày một ứng dụng tiên phong của AI trong SHM, chứng minh tiềm năng của các kỹ thuật học máy trong việc nâng cao độ chính xác và hiệu quả của việc phát hiện hư hại cấu trúc. Bằng cách tận dụng dữ liệu giám sát dài hạn và các thuật toán tiên tiến, các nhà nghiên cứu cung cấp một mô hình toàn diện về các điều kiện hoạt động bình thường, cho phép phát hiện sớm các bất thường. Công trình này đặt nền móng cho các nghiên cứu tương lai trong lĩnh vực, nhấn mạnh tầm quan trọng của các phương pháp liên ngành trong việc giải quyết các thách thức kỹ thuật phức tạp.
Hiện tại phòng Công nghệ tích hợp IT - BT đang thực hiện đề tài Nghị định thư hợp tác với viện KIST của Hàn Quốc. Đối với đề tài này, chúng tôi đã phát triển hệ đo sử dụng cảm biến sợi quang khắc cách tử Bragg (FBG) hướng tới ứng dụng theo dõi sức khỏe của các câu trúc dân dụng. Đề tài này hướng tới việc khai thác và sử dụng các ưu điểm của cảm biến FBG kết hợp cùng DATALOGGER để giám sát từ xa các cấu trúc của các công trình dân dụng. Trong nghiên cứu chung này, VKIST và KIST sẽ cùng hợp tác phát triển công nghệ đo lường tốc độ cao trên sợi quang dựa trên bí quyết công nghệ cảm biến sợi quang của KIST. Ngoài ra, chúng tôi cũng định hướng sẽ áp dụng Trí tuệ nhân tạo để phát hiện giá trị bất thường của các tham số nhằm dự báo hư hỏng trong cấu trúc cầu. Công nghệ được phát triển sẽ rất hữu ích cho việc giám sát chất lượng công trình của nhiều cơ sở hạ tầng như đường sắt, cầu, hầm đã và đang được xây dựng ở Hà Nội hoặc thành phố Hồ Chí Minh.
Hình ảnh mô hình cấu trúc cầu dây văng được sử dụng phát triển Hệ thống giám sát đo lường tốc độ cao thời gian thực sử dụng cảm biến FBG tại VKIST.
Theo nguồn: Marasco, G., Chiaia, B., & Ventura, G. (2021). AI based bridge health assessment. Retrieved from http://ww2new.unime.it/REC2021/papers/REC2021-39.pdf
