Chẩn đoán hư hỏng cầu giàn thép sử dụng mạng hồi quy cải tiến dựa trên mô hình số được cập nhật từ dữ liệu thu được từ cảm biến quang

Chỉ số đề mục

73

Lĩnh vực nghiên cứu

Kỹ thuật giao thông vận tải

Dạng tài liệu

BB

Tác giả

Phạm Hồng Quân, Hồ Xuân Nam, Mai Đức Anh, Nguyễn Thị Cẩm Nhung, Phạm Hồng Quân⁽¹⁾

Nhan đề

Chẩn đoán hư hỏng cầu giàn thép sử dụng mạng hồi quy cải tiến dựa trên mô hình số được cập nhật từ dữ liệu thu được từ cảm biến quang

Nhan đề tiếng anh

Damage detection of truss bridge using improved rnn based on model updating using data obtained from fiber bragg grating sensors

Nguồn trích

Khoa học Giao thông vận tải

Năm xuất bản

2024

Số

5

Trang

2000-2014

ISSN

1859-2724

Từ khóa

Mạng GRU, Chẩn đoán hư hỏng, Dữ liệu theo thời gian, Cầu giàn thép, Mạng RNN.

Từ khóa tiếng anh

GRU, Damage detection, Time-series data, Truss bridge, RNN

Tóm tắt

Giám sát sức khỏe công trình cầu bằng các biến thể nâng cấp của mạng hồi quy RNN (Recurrent Neural Network) trong xử lý dữ liệu chuỗi đã thu hút sự quan tâm lớn từ cộng đồng quốc tế. Bài báo này đề xuất sử dụng GRU (Gated Recurrent Unit), một biến thể cải tiến của RNN, để phát hiện và xác định vị trí hư hỏng trong kết cấu cầu thông qua dữ liệu chuỗi thời gian từ các cảm biến ảo. Dữ liệu này được trích xuất từ một mô hình số của cầu D2, được cập nhật dựa trên dữ liệu đo bằng cáp quang. Bộ dữ liệu được đưa vào mô hình GRU, được thiết kế đặc biệt để phân loại các nhãn hư hỏng tương ứng với dữ liệu đầu vào. Hiệu suất của mô hình GRU được so sánh với RNN truyền thống. Kết quả cho thấy cả RNN và GRU đều có khả năng làm việc trên tập dữ liệu, tuy nhiên GRU vượt trội hơn với độ chính xác trên tập kiểm tra và kiểm thử lần lượt là 81,8% và 84,3%. Điều này chứng minh rằng mô hình GRU đề xuất có khả năng chẩn đoán nhanh chóng và chính xác các trường hợp hư hỏng có thể xảy ra trong kết cấu cầu.

Tóm tắt tiếng anh

Structure health monitoring using enhancing variants of Recurrent Neural Networks (RNNs) to handle sequential data problems has become a topic of significant interest within the scientific community. This paper proposes the use of Gated Recurrent Unit (GRU), an improved variant of RNN, to detect and locate damage in bridge structures through time series data from virtual sensors. This data is extracted from a numerical model of the D2 bridge, which has been updated based on fiber optic measurement data. The dataset is fed into a GRU model, specifically designed to classify labels for each damage case corresponding to the input data. The performance of the GRU model is compared with the RNN network. Results indicate that both RNN and GRU can work on the dataset considered; however, GRU significantly outperforms the RNN network, achieving accuracy rates of 81.8% and 84.3% on the test and validation sets, respectively. That demonstrates the proposed GRU model's capability to quickly diagnose potential damage cases in the structure.

Kí hiệu kho

TTKHCNQG, CVv 287

File toàn văn

Xem toàn văn