Kiến trúc của mạng bao gồm một lớp đầu vào, một lớp đầu ra và một lớp ẩn như trong Hình 3.24. Dữ liệu đầu vào bao gồm tần số dao động riêng của 15 mode đầu tiên, trong khi dữ liệu đầu ra (hàm mục tiêu) bao gồm các vị trí và mức độ hư hỏng. Lớp ẩn bao gồm 18 nơ-ron. Cả hai kịch bản hư hỏng tại một phần tử và nhiều phần tử được xem xét.
Hình 3.24. Kiến trúc mạng dùng để phát hiện hư hỏng của các phần tử trong cầu Bến Thủy. |
Có thể bạn quan tâm!
-
Áp Dụng Pso Kết Hợp Với Ann Để Chẩn Đoán Các Hư Hỏng Cho Mô Hình Số -
Các Chỉ Số Đánh Giá Hiệu Suất Của Các Thuật Toán - Kịch Bản Hư Hỏng Đơn -
Giá Trị Hồi Quy (A) Ann Và (B) Ann Kết Hợp Với Pso -
Tần Số Dao Động Riêng Tính Toán Của 3 Mode Đầu Tiên. -
Cập Nhật Mô Hình Và Xác Định Hư Hỏng Trong Kết Cấu -
Kết Quả Phát Hiện Hư Hỏng Của Pso, Ann Và Annpso
Xem toàn bộ 154 trang tài liệu này.
Để so sánh với ANNPSO, ANN và PSO cũng được áp dụng. Ngoài số lượng phần tử, các tham số của PSO và ANN được chọn giống như mục 3.1.
3.3.1. Trường hợp hư hỏng tại một phần tử
Đối với các trường hợp hư hỏng tại một phần tử, độ cứng của phần tử giảm từ 0% đến 50% với khoảng 1%, trong khi các phần tử còn lại chưa hư hỏng. Để giảm thời gian tính toán, các viễn cảnh hư hỏng chỉ xem xét cho các thanh giàn chính (thanh biên trên, thanh biên dưới, thanh đứng, và thanh xiên). Tổng số 2200 mẫu dữ liệu được tạo từ mô hình cơ sở được sử dụng để huấn luyện mạng.
Data Fit
Y = T
Output ~= 0.94*Target + 1.5
Training: R=0.96761
50
40
30
20
10
0
0 20 40
Data Fit
Y = T
Output ~= 0.94*Target + 1.5
Target Test: R=0.96602
50
40
30
20
10
0
0 20 40
Target
Validation: R=0.96999
Data Fit
Y = T
Output ~= 0.96*Target + 0.8
50
40
30
20
10
0
0 20 40
Data Fit
Y = T
Output ~= 0.94*Target + 1.4
Target All: R=0.9677
50
40
30
20
10
0
0 20 40
Target
Training: R=0.97332
Data Fit
Y = T
Output ~= 0.95*Target + 1.2
50
40
30
20
10
0
0 20 40
Data Fit
Y = T
Output ~= 0.94*Target + 1.2
Target Test: R=0.97323
50
40
30
20
10
0
0 20 40
Target
Validation: R=0.97794
Data Fit
Y = T
Output ~= 0.97*Target + 0.74
50
40
30
20
10
0
0 20 40
Target
Data Fit
Y = T
Output ~= 0.95*Target + 1.2
All: R=0.97396
50
40
30
20
10
0
0 20 40
Target
(a) (b)
Hình 3.25. Giá trị hồi quy (a) ANN và (b) ANN kết hợp với PSO
(b) | |
Hình 3.26. Sai số phân bố (a) ANN và (b) ANN kết hợp với PSO |
(b) | |
Hình 3.27. Sai số thực (a) ANN và (b) ANN kết hợp với PSO |
Bảng 3.11 cho thấy các chỉ số đánh giá hiệu quả của các thuật toán được đề xuất.
Bảng 3.11. Các chỉ số đánh giá hiệu quả của các thuật toán - Kịch bản hư hỏng tại
một phần tử
MSE-giá trị | R- Giá trị | Thời gian (giây) | |
PSO | 94586 | ||
ANN | 9.6436 | 0.967 | 578.03 |
ANNPSO | 1.8463 | 0.973 | 980.05 |
Hình 3.25 – 3.27 và Bảng 3.11 cho thấy ANNPSO vượt trội hơn ANN và PSO về các tham số đánh giá hiệu quả của các thuật toán (hệ số hồi quy R và MSE). Xét về thời gian tìm kiếm giải pháp tối ưu, ANNPSO và ANN giảm đáng kể thời gian tính toán so với PSO. Cụ thể, trong khi, ANN và ANNPSO dành 578.03 và 980.05 giây tương ứng để tìm giải pháp tối ưu, PSO dành nhiều thời gian nhất (94586 giây) cho quá trình đó.
(b) | |
Hình 3.28. Kết quả phát hiện hư hỏng của PSO, ANN và ANNPSO của phần tử số 4: (a) 7% hư hỏng; (b) 80% hư hỏng |
| |||||||||||
| ||||||||||
Như được hiển thị trong Hình 3.28, vị trí hư hỏng của phần tử 4 được xác định chính xác bởi PSO, ANN và ANNPSO. Về mặt phát hiện mức độ hư hỏng, kết quả dự đoán được tính toán bởi ANN sai khác so với thực tế. Ngược lại, PSO, ANNPSO có thể xác định mức độ hư hỏng chính xác.
3.3.2. Trường hợp hư hỏng tại nhiều phần tử
Đối với kịch bản hư hỏng tại nhiều phần tử, hư hỏng được phân ngẫu nhiên cho 2 phần tử cùng một lúc với độ cứng giảm trong các phần tử từ 0% -50% với bước là 1%. Tổng số khoảng 47300 trường hợp hư hỏng được tạo ra từ mô hình cơ sở.
Data Fit
Y = T
Output ~= 0.91*Target + 2
Training: R=0.9559
50
40
30
20
10
0
0 20 40
Data Fit
Y = T
Output ~= 0.91*Target + 2.1
Target Test: R=0.95213
50
40
30
20
10
0
0 20 40
Target
Validation: R=0.96157
Data Fit
Y = T
Output ~= 0.93*Target + 1.5
50
40
30
20
10
0
0 20 40
Target
Data Fit
Y = T
Output ~= 0.91*Target + 2
All: R=0.95617
50
40
30
20
10
0
0 20 40
Target
Training: R=0.96417
Data Fit
Y = T
Output ~= 0.93*Target + 1.6
50
40
30
20
10
0
0 20 40
Data Fit
Y = T
Output ~= 0.93*Target + 1.7
Target Test: R=0.96236
50
40
30
20
10
0
0 20 40
Target
Validation: R=0.96674
Data Fit
Y = T
Output ~= 0.94*Target + 1.2
50
40
30
20
10
0
0 20 40
Target
Data Fit
Y = T
Output ~= 0.93*Target + 1.6
All: R=0.96427
50
40
30
20
10
0
0 20 40
Target
(a) (b)
Hình 3.29. Giá trị hồi quy (a) ANN và (b) ANN kết hợp với PSO
(b) | |
Hình 3.30. Sai số phân bố (a) ANN và (b) ANN kết hợp với PSO |
(b) | |
Hình 3.31. Sai số thực (a) ANN và (b) ANN kết hợp với PSO |
Bảng 3.12. Các chỉ số đánh giá hiệu quả của các thuật toán - Kịch bản hư hỏng tại hai phần tử
MSE-giá trị | R- Giá trị | Thời gian (giây) | |
PSO | 96234 | ||
ANN | 16.400 | 0.956 | 823 |
ANNPSO | 1.9337 | 0.964 | 1174 |
Kết quả từ bảng 3.12 chỉ ra rằng ANN và ANNPSO dành lần lượt 823 và 1174 giây để đào tạo mạng, trong khi PSO dành nhiều thời gian nhất (96234 giây) cho quá trình đó.
Hình 3.32. Kết quả phát hiện hư hỏng của PSO, ANN và ANNPSO trong giàn thép: 20% hư hỏng của phần tử 2 và 80% hư hỏng của phần tử 8.
Hình 3.32 cho thấy có một số lỗi xảy ra khi sử dụng PSO, ANN để xác định hư hỏng xảy ra tại nhiều phần tử. ANN không chỉ xác định mức độ hư hỏng không chính xác mà còn dự đoán sai vị trí hư hỏng. ANNPSO có thể phát hiện chính xác cả vị trí hư hỏng và mức độ hư hỏng của các phần tử.
Kết luận Chương 3
Chương 3 giới thiệu một số cách tiếp cận để chẩn đoán các hư hỏng trong kết cấu, bao gồm một cầu dầm giản đơn, một tấm composite và một cầu giàn thép quy mô lớn. Các thuật toán PSO, ANN và một sự kết hợp linh hoạt giữa ANN và PSO được sử dụng để xác định hư hỏng trong các kết cấu được xem xét. Sự kết hợp này được sử dụng để khắc phục nhược điểm của ANN khi áp dụng các kỹ thuật truyền ngược để tìm giải pháp tối ưu. PSO được sử dụng để xác định các tham số (trọng lượng và độ lệch) được sử dụng để đào tạo mạng. ANNPSO có thể phát hiện chính xác vị trí hư hỏng trong các kết cấu được xem xét chính xác. Bởi vì nguyên tắc tìm kiếm toàn cục ngẫu nhiên, PSO dành quá nhiều thời gian để tìm kiếm giải pháp tối ưu. Do nhược điểm lớn này, việc sử dụng PSO để xử lý các vấn đề về nhận dạng hư hỏng trong các kết cấu phức tạp với nhiều bậc tự do mà không có các phương pháp cải thiện là vô cùng khó khăn. ANN dành ít thời gian nhất để tìm ra giải pháp tối ưu, tuy nhiên độ chênh lệch về thời gian tính toán so với ANNPSO là không lớn. ANN có thể bị bẫy
trong tối ưu cục bộ khi mạng tạo ra quá nhiều giải pháp tối ưu cục bộ. ANNPSO không chỉ giảm đáng kể thời gian tính toán so với PSO mà còn vượt trội hơn ANN và PSO về độ chính xác khi tìm kiếm giải pháp tối ưu.
CHƯƠNG 4: ÁP DỤNG PSO KẾT HỢP VỚI ANN ĐỂ CHẨN ĐOÁN CÁC HƯ HỎNG TRÊN MÔ HÌNH THỰC NGHIỆM
Để kiểm tra tính hiệu quả của thuật toán được đề xuất, trong chương này, Một dầm thép trong phòng thí nghiệm được sử dụng. Bên cạnh đó, một cầu dầm thép giản đơn thực tế với các hư hỏng tồn tại trong kết cấu cũng được xem xét. Để so sánh với thuật toán đề xuất kết hợp giữa ANNPSO, thuật toán ANN và PSO riêng rẽ cũng được sử dụng để xác định các hư hỏng trong kết cấu được xem xét.
4.1. Dầm giản đơn trong phòng thí nghiệm
4.1.1. Mô hình bài toán
Một dầm thép giản đơn trong phòng thí nghiệm được tham khảo (kích thước như hình vẽ 4.1) để đánh giá hiệu quả của thuật toán đề xuất. Dầm thí nghiệm được thực hiện bởi các nhà nghiên cứu thuộc Trường Đại học Ghent – Vương Quốc Bỉ. Dầm giản đơn được treo trên thanh giá nằm ngang (điều kiện biên tự do) để giảm ảnh hưởng độ cứng của gối, trong trường hợp này ảnh hưởng của nhiễu cũng được đánh giá với mức độ 1.5 %. Chiều dài của dầm là 0.8 m, chiều rộng và chiều cao dầm lần lượt là
0.05 m và 0.015 m.
Hình 4.1. Dầm giản đơn với điều kiện biên tự do |
Các đặc trưng của vật liệu được mô tả như trong bảng 4.1.
Bảng 4.1. Đặc trưng vật liệu của dầm thép
Mô đun đàn hồi | Trọng lượng thể tích | Hệ số Poisson |
205-210 GPa | 7810 | 0.3 |
