BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  23,478,826
  • Công bố khoa học và công nghệ Việt Nam

67

Kỹ thuật xây dựng

BB

Trần Ngọc Hòa(1), Bùi Phúc Lộc, Nguyễn Đức Lương, Tống Đức Mạnh, Vũ Mạnh Trung

Phát hiện hư hỏng cho cầu giàn thép sử dụng mô hình 1DCNN-LSTM

Damage detection for a steel truss bridge using 1DCNN-LSTM model

Tạp chí Giao thông vận tải

2024

5

62-65

2354-0818

Đánh giá hư hỏng, Cầu giàn thép, Mạng nơ-ron tích chập, Bộ nhớ ngắn dài hạn, Dữ liệu chuỗi thời gian.

Damage assessment, Steel truss bridge, Convolutional Neural Network, Long Short- Term Memory, Time-series data.

Trong lĩnh vực giám sát sức khỏe kết cấu (Structural Health Monitoring - SHM), đánh giá hư hỏng đóng vai trò trung tâm và đang thu hút sự chú ý mạnh mẽ từ cộng đồng nghiên cứu quốc tế. Các phương pháp đánh giá này phụ thuộc vào dữ liệu và thông tin được thu thập thông qua quá trình kiểm tra cũng như các kỹ thuật được ứng dụng. Tính chính xác và độ tin cậy của những đánh giá này có thể biến đổi tùy thuộc vào nhiều điều kiện khác nhau. Để đối phó với thách thức này, nhiều mô hình học sâu đã được áp dụng, sử dụng dữ liệu chuỗi thời gian thu thập từ các kết cấu, bao gồm mạng nơ-ron tích chập một chiều (1DCNN) và mạng nơ-ron bộ nhớ ngắn dài hạn (Long Short-Term Memory - LSTM). Nghiên cứu này đề xuất một mô hình học sâu kết hợp 1DCNN và LSTM để cải thiện khả năng phát hiện hư hỏng trong kết cấu. Hiệu quả của phương pháp này được kiểm chứng trên bộ dữ liệu của một cầu giàn thép. Các kết quả đã chỉ ra rằng, phương pháp kết hợp đề xuất mang lại hiệu suất vượt trội so với LSTM truyền thống - với độ chính xác lần lượt trên tập kiểm tra là 94,3% và 90,04%.

In the realm of Structural Health Monitoring (SHM), damage assessment emerges as a pivotal issue, receiving special attention from the research community. The execution of this task relies on the analysis of information and data obtained through various inspection processes and methodologies. The reliability and accuracy of such assessments may fluctuate across different scenarios. To deal with this challenge, numerous deep learning architectures leveraging time-series data extracted from structural entities have been employed, notably including one-dimensional Convolutional Neural Networks (1DCNN) and Long Short-Term Memory (LSTM) networks. This study introduces a novel deep learning framework combining 1DCNN and LSTM (1DCNN-LSTM), aimed at amplifying the efficiency of damage identification within structural frameworks. The performance of 1DCNN-LSTM is evaluated employing the dataset derived from a steel truss bridge. The results have demonstrated that the proposed combined method delivers superior performance compared to traditional LSTM - with respective accuracies on the test set of 94.3% and 90.04%.

TTKHCNQG, CVb 12

Xem toàn văn