Nghiên cứu xác định khoang rỗng trong thân đê, đập bằng công nghệ radar xuyên đất kết hợp thuật toán học sâu

Từ khóa:

Radar xuyên đất
kiểm định đê
thân đập
deep learning
YOLOv11

Tóm tắt:

Khoang rỗng trong thân đê, đập hình thành chủ yếu do hiện tượng xói ngầm hoặc hoạt động đào hang của một số loài động vật là một trong những nguyên nhân chính làm suy giảm ổn định kết cấu và tiềm ẩn nguy cơ mất an toàn công trình. Nghiên cứu này đề xuất quy trình tự động phát hiện khoang rỗng đến độ sâu 3,5m bằng công nghệ radar xuyên đất sử dụng ăng-ten tần số kép 200–600 MHz kết hợp với mô hình học sâu YOLOv11. Dữ liệu GPR được thu nhận trên các tuyến khảo sát, tiền xử lý và sau đó chuyển định dạng ảnh B-scan. Bộ dữ liệu được gán nhãn trên nền tảng Roboflow và sử dụng để huấn luyện mô hình YOLOv11n, YOLOv11s và YOLOv11m nhận dạng tự động các vùng phản xạ đặc trưng của khoang rỗng. Hiệu quả của mô hình được đánh giá thông qua bốn chỉ số phổ biến trong bài toán phát hiện đối tượng, bao gồm Precision, Recall, mAP@50 và mAP@50–95. Kết quả nghiên cứu cho thấy phương pháp đề xuất có khả năng phát hiện nhanh và chính xác các khoang rỗng tùy thuộc vào môi trường khảo sát, góp phần nâng cao hiệu quả kiểm tra không phá hủy và hỗ trợ đánh giá an toàn đê, đập.

Nội dung:

Tài liệu tham khảo:

[1] Tổng cục Thủy lợi (2014). Công tác quản lý an toàn hồ chứa nước thủy lợi – Hội thảo Đảm bảo an toàn hồ đập – Thực trạng, thách thức và giải pháp. Tổng cục Thủy lợi, Hà Nội.

[2] Báo cáo nghiên cứu khả thi dự án Sửa chữa, nâng cao an toàn đập (DaRSIP/WB8). Viện Khoa học Thủy lợi Việt Nam, Hà Nội, 2015.

[3] PennWell Corporation (2010). Review of geophysical methods to detect seepage and internal erosion in embankment dams. Hydro Review, 29(2).

[4] Chlaib, F. H. K., Mahdi, H., Al-Shukri, H., Su, M. M., Catakli, A., Abd, N. (2014). Using ground penetrating radar in levee assessment to detect small scale animal burrows. Journal of Applied Geophysics, 103:121-131.

[5] Hà, M., Huy, Đ. (2024). Cận cảnh đoạn đê vỡ 22 m trên sông Lô. Báo Thanh Niên. https://thanhnien.vn/can-canh-doan-de-vo-22-m-tren-song-lo-185240911233042681.htm.

[6] Zhang, P. (2026). China dam collapse: Hundreds evacuated after typhoon rains breach Guangxi reservoir. South China Morning Post. https://www.scmp.com/news/china/politics/article/3359586/china-dam-collapse-hundreds-evacuated-after-typhoon-rains-breach-guangxi-reservoir.

[7] Trần Liên (2025). PGS Vũ Văn Tuyển... người đột phá trong bảo vệ đê điều. Tạp chí điện tử Tri thức và Cuộc sống.

[8] Hassani, S., Dackermann, U. (2023). A systematic review of advanced sensor technologies for non-destructive testing and structural health monitoring. Sensors, 23(4):2204.

[9] Đoàn Xuân Hưng, Phạm Thị Thanh Vân, Vũ Đức Trường (2025). Nghiên cứu cấu tạo và ứng dụng công nghệ radar xuyên đất IDS kết hợp phương pháp học sâu trong khảo sát công trình ngầm. Kỷ yếu Hội nghị khoa học quốc tế Kỷ niệm 60 năm thành lập Viện KHCN Xây dựng:487-495.

[10] Daniels, D. J. (2004). Ground Penetrating Radar (2nd ed.). Institution of Engineering and Technology (IET), London.

[11] Van, N. T., Cuong, L. V. A., Trung, D. H., Triet, V. M., Tuan, H. K. (2012). Kirchhoff migration for specifying velocity model in ground penetrating radar method. Proceedings of the International Conference on Ground Penetrating Radar, Shanghai, China:419-424.

[12] Chang, W., Lai, J., Yen, C. (2004). Evolution of scour depth at circular bridge piers. Journal of Hydraulic Engineering, 130(9):905-913.

[13] Cai, J., McMechan, G. A., Fisher, M. A. (1996). Application of ground-penetrating radar to investigation of near-surface fault properties in the San Francisco Bay region. Bulletin of the Seismological Society of America, 86(5):1459-1470.

[14] Xu, X. X., Wu, J., Shen, J. Y., He, Z. C. (2006). Case study: Application of GPR to detection of hidden dangers to underwater hydraulic structures. Journal of Hydraulic Engineering, 132(1):12-20.

[15] Tao, Y., Zeng, S., Zhou, K., Sun, H. (2025). Cross-domain feature-enhanced YOLOv8 model for underground defect detection. Reliability Engineering & System Safety, 264(Part B):111400.

[16] Fang, Y., Tong, Z., Hei, T., Wang, S., Ma, T. (2026). Deep learning applications in ground-penetrating radar inversion: A review. Measurement, 258(Part D):119399.

[17] Dai, Q., Lee, Y. H., Sun, H. H., Ow, G., Yusof, M. L. M., Yucel, A. C. (2023). 3DInvNet: A deep learning-based 3D ground-penetrating radar data inversion. IEEE Transactions on Geoscience and Remote Sensing, 61:5105018.

[18] Hoang, N. Q., Kang, S., Lee, J. S., Truong, Q. H. (2025). Improving ground penetrating radar image classification using deep learning with white noise data augmentation. Transport and Communications Science Journal, 76(6):916-927.

[19] Zhou, D., Zhu, H. (2021). Application of ground penetrating radar in detecting deeply embedded reinforcing bars in pile foundation. Advances in Civil Engineering.

[20] United States Environmental Protection Agency. Ground-Penetrating Radar (GPR). https://www.epa.gov/environmental-geophysics/ground-penetrating-radar-gpr, truy cập ngày 01/07/2026.

[21]LearnOpenCV (2024). YOLO11 Explained: Architecture, Applications and Custom Training. https://learnopencv.com/yolo11/, truy cập ngày 01/07/2026.