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 :  26,838,837
  • Công bố khoa học và công nghệ Việt Nam

67

Kỹ thuật xây dựng

Đỗ Đình Thia, Hồ Đức Duy, Đặng Duy Khanh(2), Lương Văn Hải(3), Liêu Xuân Quí(1)

Chẩn đoán hư hỏng kết cấu dàn chịu nhiệt độ và tải trọng động dùng tối ưu hóa ngược và học sâu

Damage detection of truss structures under temperature and dynamic loads using inverse optimization and deep learning

Tạp chí Khoa học công nghệ xây dựng

2023

1V

11-23

2615-9058

Chẩn đoán hư hỏng, Tải trọng động, Nhiệt độ, Tối ưu hóa ngược, Học sâu

Damage detection, Dynamic load, Temperature, Inverse optimization, Deep learning

Bài báo này đề xuất một phương pháp chẩn đoán hư hỏng kết cấu dàn chịu tải trọng động và tải nhiệt độ đồng thời theo ba bước. Trong đó, bước thứ nhất áp dụng Chỉ số năng lượng biến dạng dựa trên đáp ứng gia tốc theo thời gian (Acceleration-based Strain Energy Indicator – ASEI) để chẩn đoán sơ bộ các vị trí có khả năng xảy ra hư hỏng. Bước thứ hai áp dụng mô hình Extreme Gradient Boosting (XGBoost) để khử nhiễu nhằm giảm thêm số biến cần xét trong bước tiếp theo. Ở bước thứ ba, thuật toán tối ưu hóa Con lửng mật (Honey Badger Algorithm – HBA) được áp dụng nhằm xác định chính xác mức độ hư hỏng của từng phần tử dựa trên bài toán tối ưu hóa ngược. Hai hệ dàn phẳng và không gian với các trường hợp hư hỏng khác nhau được khảo sát nhằm kiểm chứng tính khả thi của phương pháp đề xuất. Bên cạnh đó, vấn đề hạn chế số lượng cảm biến đo đạc và nhiễu dữ liệu đo trên bài toán thực tế cũng được kể đến thông qua một kỹ thuật giảm bậc mô hình. Các kết quả số được lập trình bằng Python thể hiện tính khả thi và độ chính xác cao của phương pháp đề xuất.

This paper proposes a three-stage damage detection method for truss structures subjected simultaneously to temperature and dynamic loads. In which, the first step applies the acceleration-based strain energy indicator (ASEI) to preliminarily locate possible damage elements. Extreme Gradient Boosting (XGBoost) is then adopted in the second step to roughly predict the element damage ratios. This stage aims to further reduce the number of design variables in the next step. In the final stage, the Honey badger algorithm (HBA) is utilized to identify the damage ratio of each element with high accuracy based upon an inverse optimization problem. Two 2D and 3D trusses are then examined to prove the reliability of the proposed method. In addition, noises in real measuring activities and limited sensors are considered by a model order reduction technique. Pythonprogrammed numerical results have indicated the suggested method is of high efficiency in determining both the location and extent of damage in the truss structures.

TTKHCNQG, CVv 346

Xem toàn văn