Trang chủ / Phân Tích Dao Động

Kết Quả Phát Hiện Hư Hỏng Của Pso, Ann Và Annpso







Có thể bạn quan tâm!

Xem toàn bộ 154 trang tài liệu này.

Chẩn đoán dầm cầu bằng phương pháp phân tích dao động trên mô hình số hoá kết cấu được cập nhật sử dụng thuật toán tối ưu hoá bầy đàn kết hợp mạng nơ ron nhân tạo - 14







Hình 4.23. Kết quả phát hiện hư hỏng của PSO, ANN và ANNPSO


Hình 4.23 cho thấy PSO không thể xác định chính xác vị trí và mức độ hư hỏng của dầm đang xem xét lý do nằm ở hàm mục tiêu chứa quá ít thông tin và không gian tìm kiếm quá rộng lớn. ANN và ANNPSO có thể xác định chính xác vị trí hư hỏng tại phần tử 8 mặc dù mức độ hư hỏng vẫn còn sai khác với hư hỏng thực tế tính theo công thức thực nghiệm. Lý do nằm ở sai số đo đạc, ảnh hưởng của nhiễu cũng như là sự gần đúng của công thức thực nghiệm.

Kết luận Chương 4‌

Chương 4 sử dụng các thuật toán đề xuất để chẩn đoán hư hỏng cho một dầm giản đơn trong phòng thí nghiệm và cầu dầm thép nhịp giản đơn. Từ kết quả thấy rằng, PSO không thể xác định được chính xác hư hỏng trong kết cấu nếu không gian tìm kiếm quá rộng lớn và hàm mục tiêu chứa quá ít thông tin. ANN xác định sai một số đặc tính hư hỏng trong kết cấu bởi vì phương pháp này áp dụng thuật toán truyền ngược dựa trên phương pháp GD vì vậy mạng có thể bị bẫy trong các 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.



Kết luận:‌

KẾT LUẬN VÀ KIẾN NGHỊ

Với mục tiêu đề xuất phương pháp giám sát sức khỏe kết cấu công trình không phá hủy dựa trên các đặc trưng động học của kết cấu với độ chính xác cao, không thay đổi tính chất vật lý ban đầu của kết cấu, không tốn kém, cũng như ít gây cản trở các phương tiện giao thông qua lại. Trong đề tài này, NCS đề xuất sử dụng thuật toán ANN làm việc song song với PSO để xác định hư hỏng cho các kết cấu dựa trên phương pháp đánh giá thông qua tần số dao động. ANNPSO sử dụng tốc độ hội tụ nhanh của các kỹ thuật GD của ANN và khả năng tìm kiếm toàn cục của PSO để xác định các hư hỏng trong kết cấu. Vì PSO được sử dụng để làm việc song song với ANN trong quá trình đào tạo mạng, điều này đảm bảo rằng mạng có thể xác định giải pháp tối ưu một cách nhanh chóng và tránh bị mắc kẹt trong các tối ưu cục bộ. Từ những kết quả đạt được, một số kết luận quan trọng được rút ra như sau:

1. Các phương pháp PSO và ML, điển hình là ANN chứng minh được sự hiệu quả để giải quyết các bài toán tối ưu trong đó có vấn đề cập nhật mô hình kết cấu, xác định các hư hỏng trong kết cấu.

2. Phương pháp PSO cần phải điều chỉnh nhiều tham số trong quá trình tìm kiếm giải pháp tối ưu. Nếu không gian tìm kiếm quá rộng lớn và hàm mục tiêu chứa quá ít thông tin, các thuật toán tối ưu không thể xác định chính xác được giải pháp tối ưu toàn cục. Ngoài ra quá trình tìm kiếm ngẫu nhiên thuần túy của PSO thường tốn thời gian, sẽ khó áp dụng cho các vấn đề thực tế với kết cấu quy mô lớn, độ phức tạp cao.

3. Phương pháp ANN áp dụng thuật toán truyền ngược (back propagation) khi tìm giải pháp tối ưu do vậy việc áp dụng ANN có thể bị rơi vào vùng tối ưu cục bộ thay vì tối ưu toàn cục.

4. Sự kết hợp giữa thuật toán PSO và ANN có thể khắc phục được nhược điểm tối ưu cục bộ của ANN. Thuật toán PSO được áp dụng để xác định các tham số huấn luyện, sau đó những tham số này được dùng để đào tạo mạng cho ANN. Nhờ vậy sự kết hợp này sẽ góp phần cải thiện hiệu suất, với độ chính xác cao (các hệ số hồi quy trong các trường hợp xấp xỉ bằng 1, và độ lệch bình phương trung bình MSE gần bằng 0). Ngoài ra ANNPSO còn giảm thời gian tính toán rất nhiều so với PSO


5. Thuật toán kết hợp giữa PSO và ANN có thể phát hiện không chỉ chính xác vị trí mà còn xác định chính xác mức độ của các hư hỏng xảy ra trong kết cấu trong bài toán mô hình số. Đối với các mô hình thực tế dưới ảnh hưởng của các yếu tố môi trường như nhiễu, thuật toán đề xuất vẫn có thể phát hiện chính xác được khu vực và ước tính gần đúng mức độ hư hỏng trong kết cấu.

Do đó, đóng góp chính của luận án là:

- Đã đề xuất được thuật toán kết hợp giữa thuật toán PSO và ANN để giúp cập nhật mô hình số hóa kết cấu về tần số dao động; giúp xác định được các hư hỏng xuất hiện trong kết cấu.

- Đã xây dựng được chương trình (code) dựa trên các thuật toán này để xác định hư hỏng cho các kết cấu cầu dạng: dầm, dạng giàn và dạng tấm (bản).

Kiến nghị:

1. Trong phạm vi nghiên cứu của luận án, ở phần xác định hư hỏng cho kết cấu thực tế, các kết cấu chỉ được tạo hư hỏng tại một vị trí (hư hỏng đơn). Trong trường hợp này chỉ có một đầu ra nên cấu tạo của mạng khá đơn giản. Để có tính khái quát hóa hơn, cần xem xét áp dụng phương pháp đề xuất cho bài toán hư hỏng tại đồng thời nhiều vị trí của kết cấu thực tế trong các nghiên cứu tiếp theo.

2. Tiếp tục phát triển phương pháp đề xuất để đánh giá liên tục sức khỏe kết cấu công trình thực tế phức tạp hơn như cầu dây văng, cầu vòm,…Những kết cấu này chứa nhiều phần tử và có số bậc tự do lớn hơn.


DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN

1. Hồ Khắc Hạnh, Lê Xuân Thắng, Hồ Xuân Nam, Bùi Tiến Thành, Trần Ngọc Hòa. Phát hiện hư hỏng trong kết cấu dàn sử dụng đặc tính động kết hợp với mạng nơ-ron nhân tạo. Tạp chí GTVT, số 10 /2019. Kết quả được công bố nằm ở chương 2, và chương 3 của luận án.

2. Lê Hoài Nam, Hồ Khắc Hạnh, Nguyễn Thị Cẩm Nhung, Lê Xuân Thắng. Tối ưu hóa hình học và trọng lượng cầu giàn thép quy mô lớn sử dụng thuật toán tối ưu hóa bầy đàn. Tạp chí GTVT, Số 3, năm 2020. Kết quả được công bố nằm ở chương 2 của luận án.

3. H.Tran-Ngoc, Lan Nguyen-Ngoc, H. Ho- Khac , G. De Roeck ,T. Bui- Tien, and

M. Abdel Wahab. ‘Application of improved artificial neural network to stiffness reduction analysis of truss joints in a railway bridge’; 8th International Conference on Fracture Fatigue and Wear (FFW 2020). Kết quả được công bố nằm ở chương 2, và chương 3 của luận án.

4. Tran-Ngoc, H., Ho-Khac, H., Le-Xuan, T., Nguyen-Tran, H., De Roeck, G., Bui-Tien, T. and Wahab, M.A., 2020, December. Model Updating for a Railway Bridge Using a Hybrid Optimization Algorithm Combined with Experimental Data. In Proceedings of 1st International Conference on Structural Damage Modelling and Assessment (pp. 19-30). Springer, Singapore. Kết quả được công bố nằm ở chương 2, và chương 3 của luận án.

5. Tran-Ngoc, H., Khatir, S., Ho-Khac, H., De Roeck, G., Bui-Tien, T. and Wahab, M.A., 2020. Efficient Artificial neural networks based on a hybrid metaheuristic optimization algorithm for damage detection in laminated composite structures. Composite Structures, p.113339. https://doi.org/10.1016/j.compstruct.2020.113339. Kết quả được công bố nằm ở chương 2, và chương 3 của luận án.

6. Đề tài nghiên cứu cấp bộ GDĐT. "Nghiên cứu giám sát tự động sức khỏe của cầu dây văng lớn ở việt nam". Năm 2020. Thành viên tham gia chính,


TÀI LIỆU THAM KHẢO


1. B. Wu, H. Lu, B. Chen, and Z. Gao. Study on finite element model updating in highway bridge static loading test using spatially-distributed optical fiber sensors. Sensors. 2017, 17, 1657.

2. D. Feng, and M. Q. Feng. Model updating of railway bridge using in situ dynamic displacement measurement under trainloads. Journal of Bridge Engineering. 2015, 20, 04015019.

3. A. Bayraktar, A. C. Altunisik, B. Sevim, and T. Turker. Finite element model updating of Kömürhan highway bridge based on experimental measurements. Smart Structures and Systems. 2010, 6, 373-388.

4. S. El-Borgi, H. Smaoui, F. Cherif, S. Bahlous, and A. Ghrairi. Modal identification and finite element model updating of a reinforced concrete bridge. Emir. J. Eng. Res. 2004, 9, 29-34.

5. H. Minshui, and Z. Hongping. Finite element model updating of bridge structures based on sensitivity analysis and optimization algorithm. Wuhan University Journal of Natural Sciences. 2008, 13, 87-92.

6. L. Deng, and C. Cai. Bridge model updating using response surface method and genetic algorithm. Journal of Bridge Engineering. 2009, 15, 553-564.

7. Q. Zhang, T. Chang, and C. Chang. Finite-element model updating for the Kap Shui Mun cable-stayed bridge. Journal of Bridge Engineering. 2001, 6, 285-293.

8. K. M. Hamdia, M. Silani, X. Zhuang, P. He, and T. Rabczuk. Stochastic analysis of the fracture toughness of polymeric nanoparticle composites using polynomial chaos expansions. International Journal of Fracture. 2017, 206, 215-227.

9. H. Tran-Ngoc, S. Khatir, G. De Roeck, T. Bui-Tien, L. Nguyen-Ngoc, and M. Abdel Wahab. Model Updating for Nam O Bridge Using Particle Swarm Optimization Algorithm and Genetic Algorithm. Sensors. 2018, 18, 4131.

10. S. Khatir, and M. A. Wahab. Fast simulations for solving fracture mechanics inverse problems using POD-RBF XIGA and Jaya algorithm. Engineering Fracture Mechanics. 2019, 205, 285-300.

11. Q. He, X. Jin, C. Du, F. Zhuang, and Z. Shi. Clustering in extreme learning machine feature space. Neurocomputing. 2014, 128, 88-95.


12. Z.-L. Sun, T.-M. Choi, K.-F. Au, and Y. Yu. Sales forecasting using extreme learning machine with applications in fashion retailing. Decision Support Systems. 2008, 46, 411-419.

13. L. Wang, Y. Huang, X. Luo, Z. Wang, and S. Luo. Image deblurring with filters learned by extreme learning machine. Neurocomputing. 2011, 74, 2464-2474.

14. R. Zhang, Z. Y. Dong, Y. Xu, K. Meng, and K. P. Wong. Short-term load forecasting of Australian National Electricity Market by an ensemble model of extreme learning machine. IET Generation, Transmission & Distribution. 2013, 7, 391-397.

15. K. S. Yap, and H. J. Yap. Daily maximum load forecasting of consecutive national holidays using OSELM-based multi-agents system with weighted average strategy. Neurocomputing. 2012, 81, 108-112.

16. J. Kim, H. S. Shin, K. Shin, and M. Lee. Robust algorithm for arrhythmia classification in ECG using extreme learning machine. Biomedical engineering online. 2009, 8, 31.

17. A. Bueno-Crespo, P. J. García-Laencina, and J.-L. Sancho-Gómez. Neural architecture design based on extreme learning machine. Neural Networks. 2013, 48, 19-24.

18. C. Na, S.-P. Kim, and H.-G. Kwak. Structural damage evaluation using genetic algorithm. Journal of Sound and Vibration. 2011, 330, 2772-2783.

19. C. Mares, and C. Surace. An application of genetic algorithms to identify damage in elastic structures. Journal of sound and vibration. 1996, 195, 195-215.

20. A. Kaveh, and M. Maniat. Damage detection based on MCSS and PSO using modal data. Smart Struct Syst. 2015, 15, 1253-70.

21. Dang, T.H.G., Vuong, Q.H. and Pham, M.T., 2018. Cải Tiến Thuật Toán Tối Ưu Hoá Bầy Đàn Cho Bài Toán Lập Quỹ Đạo Bay Của UAV Trong Không Gian Ba Chiều.

Điều, N.C. and Tính, N.V., 2017. DỰ BÁO CHUỖI THỜI GIAN MỜ DỰA TRÊN NHÓM QUAN HỆ MỜ PHỤ THUỘC THỜI GIAN VÀ TỐI ƯU BẦY ĐÀN. PROCEEDING of Publishing House for Science and Technology.‌

23. A. KOBAYASHI. Handbook on experimental mechanics. Englewood Cliffs, NJ, Prentice-Hall, Inc., 1987, 1020. 1987,


24. S. W. Doebling, C. R. Farrar, and M. B. Prime. A summary review of vibration- based damage identification methods. Shock and vibration digest. 1998, 30, 91-105.

25. Nguyen, D.H., Tran-Ngoc, H., Bui-Tien, T., De Roeck, G. and Wahab, M.A., 2020. Damage detection in truss bridges using transmissibility and machine learning algorithm: Application to Nam O bridge. Smart Structures and Systems, 26(1), pp.35-47.

Kralovec, C. and Schagerl, M., 2020. Review of structural health monitoring methods regarding a multi-sensor approach for damage assessment of metal and composite structures. Sensors, 20(3), p.826.‌

27. B. Peeters. System identification and damage detection in civil engeneering. 2000,

28. O. Salawu. Detection of structural damage through changes in frequency: a review.‌

Engineering structures. 1997, 19, 718-723.

29. W.-X. Ren, and G. De Roeck. Structural damage identification using modal data. I: Simulation verification. Journal of Structural Engineering. 2002, 128, 87-95.‌

Khatir, S., Khatir, T., Boutchicha, D., Le Thanh, C., Tran-Ngoc, H., Bui, T.Q., Capozucca, R. and Abdel-Wahab, M., 2020. An efficient hybrid TLBO-PSO-ANN for fast damage identification in steel beam structures using IGA. Smart Structures and Systems, 25(5), pp.605-617.

Tran-Ngoc, H., Khatir, S., De Roeck, G., Bui-Tien, T. and Wahab, M.A., 2020. Damage assessment in beam-like structures using cuckoo search algorithm and experimentally measured data. In Proceedings of the 13th International Conference on Damage Assessment of Structures (pp. 380-385). Springer, Singapore.

32. D. B. Ashebo, T. H. Chan, and L. Yu. Evaluation of dynamic loads on a skew box girder continuous bridge Part I: Field test and modal analysis. Engineering Structures. 2007, 29, 1052-1063.

33. R. Zhong, Z. Zong, J. Niu, Q. Liu, and P. Zheng. A multiscale finite element model validation method of composite cable-stayed bridge based on Probability Box theory. Journal of Sound and Vibration. 2016, 370, 111-131.

34. S.-C. Kuok, and K.-V. Yuen. Investigation of modal identification and modal identifiability of a cable-stayed bridge with Bayesian framework. Smart Struct. Syst. 2016, 17, 445-470.


35. Y. Cheng, F. Au, and Y. Cheung. Vibration of railway bridges under a moving train by using bridge-track-vehicle element. Engineering Structures. 2001, 23, 1597- 1606.

36. G. Yan, Z. Duan, J. Ou, and A. De Stefano. Structural damage detection using residual forces based on wavelet transform. Mechanical Systems and Signal Processing. 2010, 24, 224-239.

37. S.-H. Sim, B. Spencer Jr, and T. Nagayama. Multimetric sensing for structural damage detection. Journal of engineering mechanics. 2010, 137, 22-30.

38. R. Perera, A. Ruiz, and C. Manzano. Performance assessment of multicriteria damage identification genetic algorithms. Computers & Structures. 2009, 87, 120- 127.

39. J.-H. Chou, and J. Ghaboussi. Genetic algorithm in structural damage detection.

Computers & structures. 2001, 79, 1335-1353.

40. H. Hao, and Y. Xia. Vibration-based damage detection of structures by genetic algorithm. Journal of computing in civil engineering. 2002, 16, 222-229.

41. M. S. Gonçalves, R. H. Lopez, and L. F. F. Miguel. Search group algorithm: a new metaheuristic method for the optimization of truss structures. Computers & Structures. 2015, 153, 165-184.

42. H. Guo, and Z. Li. A two-stage method to identify structural damage sites and extents by using evidence theory and micro-search genetic algorithm. Mechanical Systems and Signal Processing. 2009, 23, 769-782.

43. L. Yu, and P. Xu. Structural health monitoring based on continuous ACO method.

Microelectronics Reliability. 2011, 51, 270-278.

44. S. Seyedpoor. A two stage method for structural damage detection using a modal strain energy based index and particle swarm optimization. International Journal of Non-Linear Mechanics. 2012, 47, 1-8.

45. S. Sandesh, and K. Shankar. Application of a hybrid of particle swarm and genetic algorithm for structural damage detection. Inverse Problems in Science and Engineering; Formerly Inverse Problems in Engineering. 2010, 18, 997-1021.

46. Jain, N., Singh, S. N., & Srivastava, S. C. (2010, December). Particle swarm optimization based method for optimal siting and sizing of multiple distributed

..... Xem trang tiếp theo?
⇦ Trang trước - Trang tiếp theo ⇨

Ngày đăng: 14/07/2022