BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN QUỐC GIA VỀ KHOA HỌC, CÔNG NGHỆ VÀ ĐỔI MỚI SÁNG TẠO

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  30,469,860
  • Công bố khoa học và công nghệ Việt Nam

50

Tự động hóa (CAD/CAM, v.v..) và các hệ thống điều khiển, giám sát, công nghệ điều khiển số bằng máy tính (CNC), …

BB

Nguyễn Thị Cẩm Nhung, Trần Quang Minh(1)

Phục hồi dữ liệu cảm biến trong giám sát sức khỏe kết cấu ứng dụng học mạng nơ-ron tích chập kết hợp mạng nơ-ron hồi qui

Recovery of sensor data in supervising of structure strength using integrated neuron networks combined with regressive neuron networks

Tạp chí Giao thông vận tải

2024

9

39-42

2354-0818

Phục hồi dữ liệu, Giám sát sức khỏe kết cấu, Học sâu.

Data recovery, Structural health monitoring, Hybrid deep learning.

Bài báo trình bày một phương pháp tiếp cận mới dựa trên học sâu để phục hồi dữ liệu cảm biến trong giám sát sức khỏe cấu trúc (SHM). Phương pháp được đề xuất tận dụng thế mạnh của cả mạng nơ-ron tích chập (CNN) và mạng nơ-ron hồi quy (RNN) để tái tạo chính xác dữ liệu cảm biến bị mất hoặc bị hỏng. Phương pháp được đề xuất tích hợp CNN để trích xuất đặc điểm không gian với RNN để nắm bắt các mối quan hệ thời gian, cho phép mô hình tái tạo dữ liệu cảm biến bị mất hoặc bị hỏng một cách hiệu quả. Phương pháp tiếp cận được xác thực thông qua dữ liệu giám sát công trình cầu thực tế, chứng minh độ chính xác cao trong việc khôi phục dữ liệu cảm biến ngay cả trong các điều kiện phức tạp. Kết quả cho thấy sự kết hợp CNN-RNN vượt trội hơn các phương pháp đơn lẻ khác, mang lại những cải tiến đáng kể về độ tin cậy cho các hệ thống SHM.

This paper presents a novel hybrid deep learning-based approach for sensor data recovery in structural health monitoring (SHM). The proposed method leverages the strengths of both Convolutional Neural Networks (CNN) and Recurrent Neural Networks (RNN) to accurately reconstruct missing or corrupted sensor data. The proposed method integrates CNN for spatial feature extraction with RNN for capturing temporal relationships, enabling the model to reconstruct missing or corrupted sensor data effectively. The CNN extracts critical patterns from the data, while the RNN models time dependencies to recover the missing sequences. The approach is validated through case study real-world bridge monitoring data, demonstrating high accuracy in recovering sensor data even in complex conditions. The results indicate that the CNN-RNN combination outperforms traditional methods, offering significant improvements in reliability for SHM applications. Future research will aim to optimize the model further and explore its use with diverse sensor data across different structures.

TTKHCNQG, CVb 12

Xem toàn văn