Nhận dạng vết cắt cưa dựa trên dữ liệu trên kết cấu dầm thép sử dụng mạng nơ-ron nhân tạo: Giải quyết các thách thức về khả năng tổng quát hoá trong các kịch bản chưa biết và ngoài phân phối

Từ khóa:

Giám sát sức khỏe kết cấu
dầm thép
phương pháp phần tử hữu hạn
mạng thần kinh nhân tạo
đặc tính hóa hư hại
khả năng tổng quát hóa

Tóm tắt:

Việc đảm bảo tính toàn vẹn kết cấu của các cấu kiện dạng dầm là cực kỳ quan trọng trong kỹ thuật dân dụng và cơ khí. Tuy nhiên, công tác giám sát sức khỏe kết cấu (SHM) đang đối mặt với những thách thức lớn do sự khan hiếm dữ liệu hư hại thực tế và độ khó trong việc dự đoán các tham số hình học (chiều rộng và chiều sâu) trong các kịch bản chưa biết. Nghiên cứu này đề xuất một khung làm việc hỗn hợp mạnh mẽ, tích hợp phương pháp Phần tử hữu hạn (FEM), phương pháp thực nghiệm Rational Fraction Polynomial (RFP) và mạng thần kinh nhân tạo (ANN) để dự đoán đặc điểm vết cắt cưa trong dầm thép. Một bộ dữ liệu toàn diện đã được tạo ra thông qua FEM và được kiểm chứng bằng các phép đo thực nghiệm nhằm thu hẹp khoảng cách giữa mô phỏng và thực tế. Hai cấu trúc ANN khác nhau đã được nghiên cứu: mô hình tối ưu hóa dựa trên dữ liệu (ANN_1) và mạng nông dựa trên lý thuyết (ANN_2). Kết quả cho thấy mặc dù cả hai mô hình đều hoạt động đáng tin cậy trong việc xác định vị trí hư hại—trong đó mạng nông ANN_2 vẫn cung cấp độ chính xác đủ dùng cho nhiệm vụ cụ thể này—nhưng ANN_1 vượt trội hơn hẳn ANN_2 trong việc dự đoán các tham số hình học phức tạp (chiều rộng và chiều sâu). Đáng chú ý, nghiên cứu này cho thấy đóng góp kép: trong khi ANN_1 vượt trội trong việc mô tả đa tham số về vị trí, chiều rộng và chiều sâu, mô hình ANN_2 đơn giản hơn đạt được độ chính xác tương đương cho dự đoán chỉ vị trí (R²>0,97) với chi phí tính toán thấp hơn nhiều, từ đó hỗ trợ chiến lược triển khai theo cấp bậc cho các ứng dụng SHM thực tế. Hơn nữa, phân tích tầm quan trọng của đặc trưng (permutation importance) cho thấy tần số dao động tự nhiên thứ nhất (F1) là đặc trưng chủ đạo để xác định vị trí và chiều rộng, trong khi tần số dao động tự nhiên thứ hai (F2) đóng vai trò then chốt trong việc ước tính chiều sâu. Phương pháp đề xuất cung cấp một giải pháp hiệu quả và đáng tin cậy cho các ứng dụng SHM thực tế, đặc biệt là trong các kịch bản mà điều kiện kết cấu không thể dự đoán trước.

Nội dung:

Tài liệu tham khảo:

[1]   Caudill Maureen (1988). "Neural networks primer, Part III". AI Expert, 3 (6), pp 53-59.

[2]   Hornik Kurt, Stinchcombe Maxwell, and White Halbert (1989). "Multilayer feedforward networks are universal approximators". Neural networks, 2 (5), pp 359-366.

[3]   Maier HR and Dandy GC (2000), Application of artificial neural networks to forecasting of surface water quality variables: issues, applications and challenges, in Artificial neural networks in hydrology. Springer. p. 287-309.

[4]   Shahin Mohamed A (2010). "Intelligent computing for modeling axial capacity of pile foundations". Canadian Geotechnical Journal, 47 (2), pp 230-243.

[5]   Cuong-Le Thanh, et al. (2021). "An efficient approach for damage identification based on improved machine learning using PSO-SVM". Engineering with Computers, pp 1-16.

[6]   Ghadimi Siamak and Kourehli Seyed Sina (2017). "Crack detection of structures using modified extreme learning machine (MELM)". Inverse Problems in Science and Engineering, 25 (7), pp 995-1013.

[7]   Gillich Gilbert-Rainer, et al. (2019). "A robust damage detection method based on multi-modal analysis in variable temperature conditions". Mechanical Systems and Signal Processing, 115 pp 361-379.

[8]   Gillich Gilbert-Rainer, et al. (2016). "Free vibration of a perfectly clamped-free beam with stepwise eccentric distributed masses". Shock and Vibration. 

[9]   Gillich Nicoleta, et al. (2022). "Beam damage assessment using natural frequency shift and machine learning". Sensors, 22 (3), pp 1118.

[10] Khatir Samir, et al. (2020). "An efficient hybrid TLBO-PSO-ANN for fast damage identification in steel beam structures using IGA". Smart Structures and Systems, 25 (5), pp 605-617.

[11] Khatir Samir and Wahab Magd Abdel (2019). "A computational approach for crack identification in plate structures using XFEM, XIGA, PSO and Jaya algorithm". Theoretical and Applied Fracture Mechanics, 103 pp 102240.

[12] Lee Jong-Won, Kim Sang-Ryul, and Huh Young-Cheol (2014). "Pipe crack identification based on the energy method and committee of neural networks". International Journal of Steel Structures, 14 (2), pp 345-354.

[13] Mortazavi SNS and Ince A (2020). "An artificial neural network modeling approach for short and long fatigue crack propagation". Computational Materials Science, 185 pp 109962.

[14] Richardson Mark H and Formenti David L (1982). "Parameter estimation from frequency response measurements using rational fraction polynomials". in Proceedings of the 1st international modal analysis conference. Union College Schenectady, NY.

[15] Rumelhart David E, Hinton Geoffrey E, and Williams Ronald J (1985), Learning internal representations by error propagation, Institute for Cognitive Science, University of California, San Diego La...

[16] Samir K, et al. (2015). "Genetic algorithm based objective functions comparative study for damage detection and localization in beam structures". in Journal of Physics: Conference Series. IOP Publishing.

[17] Seguini Meriem, et al. (2022). "Crack prediction in beam-like structure using ANN based on frequency analysis". Frattura ed Integrità Strutturale, 16 (59), pp 18-34.

[18] Seguini Meriem, et al. (2021). "Crack prediction in pipeline using ANN-PSO based on numerical and experimental modal analysis". Smart Structures and Systems, 27 (3), pp 507-523.

[19] Swamidas ASJ, Yang Xia, and Seshadri R (2004). "Identification of cracking in beam structures using Timoshenko and Euler formulations". Journal of Engineering Mechanics, 130 (11), pp 1297-1308.

[20] Vu Van Tuan, et al. (2025). "Damage detection in steel beams using natural frequency analysis and machine learning techniques". The Journal of Strain Analysis for Engineering Design, pp 03093247251327622.

[21] Vu Van Tuan, Thom Do Van, and Tran Trung Duc (2024). "Identification of damage in steel beam by natural frequency using machine learning algorithms". Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, 238 (19), pp 9644-9659.

[22] Yang XF, Swamidas ASJ, and Seshadri R (2001). "Crack identification in vibrating beams using the energy method". Journal of sound and vibration, 244 (2), pp 339-357.

[23] Zhou Yun-Lai, Maia Nuno MM, and Abdel Wahab Magd (2018). "Damage detection using transmissibility compressed by principal component analysis enhanced with distance measure". Journal of Vibration and Control, 24 (10), pp 2001-2019.

[24] Zhou Yun-Lai, et al. (2017). "Structural damage detection using transmissibility together with hierarchical clustering analysis and similarity measure". Structural health monitoring, 16 (6), pp 711-731.