HỆ THỐNG THÔNG TIN QUỐC GIA VỀ KHOA HỌC, CÔNG NGHỆ VÀ ĐỔI MỚI SÁNG TẠO
Lọc theo danh mục
liên kết website
Lượt truy cập
Lượt truy cập :
30,469,860
- Công bố khoa học và công nghệ Việt Nam
76
Kỹ thuật và thiết bị y học
BB
Nguyễn Thị Cẩm Nhung, Nguyễn Đức Trường, Nguyễn Thị Tuyết Nga, Trần Quang Minh(1)
Ứng dụng học sâu trong tái tạo dữ liệu cảm biến, phục vụ giám sát sức khỏe kết cấu
Aplication of deep learning in reproducing sensor data for structural health monitoring
Tạp chí Giao thông vận tải
2024
6
48-51
2354-0818
Trong giám sát sức khỏe kết cấu, đặc biệt là giám sát sức khỏe cầu, nguồn dữ liệu đóng vai trò vô cùng quan trọng. Tuy nhiên trong thực tế, việc mất dữ liệu hoặc dữ liệu bị nhiễu/lỗi là điều khó tránh khỏi. Các nguyên nhân tiềm ẩn rất phức tạp, bao gồm lỗi cảm biến, lỗi truyền dẫn, tương tác vô tuyến, mất điện và lão hóa các bộ phận cảm biến. Dữ liệu đo được có thể bị mất tạm thời hoặc vĩnh viễn. Vấn đề này có thể ảnh hưởng nghiêm trọng đến việc đo lường và đánh giá kết cấu, dẫn đến những kết luận thiếu chính xác hoặc thậm chí có thể sai lệch. Do đó, nghiên cứu tái tạo lại dữ liệu bị mất trong hệ thống giám sát sức khỏe kết cấu là cần thiết. Nghiên cứu này đề xuất một cách tiếp cận dựa trên học sâu (deep learning) - mạng nơ-ron tích chập 1 chiều (1DCNN) để tái tạo lại dữ liệu dao động bị mất hoặc lỗi trong quá trình quan trắc cầu. Thử nghiệm thực tế được thực hiện nhằm thu thập được một bộ dữ liệu dao động đầy đủ của kết cấu cầu. Nguồn dữ liệu này sẽ được sử dụng để đào tạo mạng nơ-ron tích chập. Sau đó, dữ liệu từ một cảm biến sẽ được làm lỗi bằng cách gán cho giá trị 0. Mạng được đào tạo sẽ được sử dụng để xây dựng lại dữ liệu bị lỗi. Kết quả nghiên cứu chứng minh rằng dữ liệu được xây dựng lại phù hợp tốt với dữ liệu thực trong miền thời gian và tần số.
In structural health monitoring, data sources play an extremely important role. However, in reality, data loss or corrupted data is unavoidable. Potential causes are complex and include sensor errors, transmission errors, radio interactions, power loss, and aging of sensor components. Measured data may be lost temporarily or permanently. This problem can seriously affect the measurement and evaluation of structures, leading to inaccurate or even misleading conclusions. Therefore, research on reconstructing lost data in structural health monitoring systems is necessary. This study proposes an approach based on deep learning - 1-dimensional convolutional neural network (1DCNN) to reconstruct lost or error vibration data during bridge monitoring. Actual testing was performed to collect a complete set of vibration data of the bridge structure. This data will be used to train the convolutional neural network. The data from a sensor is then corrupted by assigning a value of 0. The trained network will be used to reconstruct the corrupted data. The research results demonstrate that the reconstructed data agree well with the real data in the time and frequency domains.
TTKHCNQG, CVb 12
Xem toàn văn