Tổng Quan Về Giám Sát Sức Khỏe Kết Cấu Công Trình Dựa Trên Phương Pháp Đo

CHƯƠNG 1: TỔNG QUAN VỀ GIÁM SÁT SỨC KHỎE KẾT CẤU CÔNG TRÌNH DỰA TRÊN PHƯƠNG PHÁP ĐO NHẬN DẠNG DAO ĐỘNG‌

1.1. Tổng quan về giám sát sức khỏe kết cấu công trình dựa vào kết quả đo các đặc trưng dao động‌

Kiểm tra thường xuyên và đánh giá tình trạng của các kết cấu công trình là rất cần thiết để phát hiện sớm các khiếm khuyết của công trình để tiến hành bảo trì và sửa chữa, đảm bảo sự an toàn và độ tin cậy của kết cấu với chi phí tối thiểu. Những năm trước đây, việc giám sát sức khỏe kết cấu công trình được thực hiện thông qua khảo sát trực quan kết hợp với thử nghiệm tĩnh. Một nhược điểm quan trọng trong quá trình kiểm tra trực quan đòi hỏi người kiểm tra phải trực tiếp tiếp cận được những vị trí hư hỏng của công trình để tiến hành thí nghiệm [2323]. Việc này đôi khi rất khó khăn trong trường hợp các cầu không được gắn sẵn các hệ thống giúp tiếp cận vị trí cần kiểm tra, đặc biệt là ở mặt dưới của kết cấu nhịp cầu. Kỹ thuật kiểm tra trực quan cũng giới hạn việc đánh giá hư hỏng của kết cấu từ những biểu hiện trên bề mặt (nứt) hoặc thay đổi về mặt hình học (nghiêng, vòng), đôi khi không cung cấp đủ thông tin để đánh giá tình trạng hư hỏng bên trong của kết cấu (ví dụ như rỉ cốt thép dự ứng lực bê trong kết cấu bê tông dự ứng lực). Phương pháp đánh giá kết cấu dựa dựa trên các đáp ứng tĩnh học của nó (ứng suất, biến dạng, chuyển vị) cũng được áp dụng kết hợp với khảo sát trực quan để đánh giá sức khỏe kết cấu công trình. Nhược điểm của phương pháp này là phải tạm dừng khai thác công trình trong quá trình tiến hành thí nghiệm, gây những khó khăn cho các công trình trên tuyến giao thông quan trọng với mật độ giao thông qua lại lớn, hoặc các cầu nằm trong thành phố.

Để khắc phục những nhược điểm của phương pháp kiểm tra trực quan cũng như phương pháp thử nghiệm tĩnh, các phương pháp đánh giá, xác định hư hỏng trong kết cấu khác đã được nghiên cứu, phát triển. Trong đó, phương pháp được nghiên cứu tập trung hiện nay là phương pháp đánh giá tình trạng sức khỏe kết cấu công trình dựa trên kết quả đo các đặc trưng dao động (tần số dao động tự nhiên, dạng dao động, hệ số cản...). Ưu điểm chính của phương pháp này là cung cấp thông tin tổng thể về tình trạng sức khỏe kết cấu công trình. Ngoài ra, từ việc phân tích sự thay đổi về các đặc trưng dao động như tần số và dạng dao động, có thể xác định được vị trí hư hỏng. Vị trí hư hỏng này không nhất thiết phải trùng với các vị trí đặt đầu đo xác định các đặc

trưng dao động. Các cảm biến đo nhận dạng dao động giúp xác định các đặc trưng dao động của kết cấu có thể được gắn tạm thời trên kết cấu khi cần thực hiện phép đo hoặc được gắn sẵn trên kết cấu để tạo ra hệ thống theo dòi sức khỏe kết cấu công trình một cách liên tục.

Các phương pháp xác định hư hỏng dựa trên kết quả đo nhận dạng dao động đã thu hút sự chú ý của các nhà nghiên cứu trên toàn thế giới với các chỉ dẫn tương đối chi tiết về phương pháp này cho một số kết cấu điển hình đã được nghiên cứu [2424- 2626].

Giám sát sức khỏe kết cấu công trình bằng phương pháp đo nhận dạng dao động có bốn (04) cấp độ [27]:

(i) Chẩn đoán: kết cấu có bị hư hỏng hay không ?

(ii) Xác định vị trí: tìm ra bộ phận, vị trí hư hỏng.

(iii) Xác định mức độ hư hỏng.

(iv) Đánh giá tuổi thọ và độ bền của kết cấu trên cơ sở các hư hỏng được phát hiện.

Chẩn đoán xem kết cấu có bị xuống cấp hay không (cấp độ 1) thông thường dựa vào sự thay đổi các đặc trưng động học của kết cấu như tần số dao động riêng, hình dạng dao động trên cơ sở so sánh với kết quả có được từ đo đạc với kết quả có được từ mô hình số của kết cấu. Ví dụ, Salawu [28] trình bày đánh giá về việc sử dụng các thay đổi của tần số dao động tự nhiên để chẩn đoán các hư hỏng trong kết cấu. Trong một nghiên cứu khác, thông tin về hình dạng dao động cũng được kiến nghị sử dụng để xác định các hư hỏng trong kết cấu [29]. Khatir và cộng sự [30] trình bày các phương pháp khác nhau để xác định các hư hỏng trong kết cấu dựa vào các thông số về đặc trưng dao động. Tran-Ngoc và cộng sự [31] sử dụng các thay đổi về tần số dao động riêng để chẩn đoán các hư hỏng trong cầu dầm giản đơn.

Giám sát sức khỏe kết cấu công trình dựa trên phương pháp đo nhận dạng dao động có thể áp dụng rộng rãi cho kết cấu công trình và kết cấu cơ khí (máy bay, ô tô,...), mà đặc biệt là trong lĩnh vực giám sát sức khỏe kết cấu công trình xây dựng. Hiện nay phương pháp này được triển khai rộng rãi ở Mỹ, châu Âu, Nhật Bản và Trung Quốc. Chẳng hạn như cầu Tsing Ma ở Hồng Kông với nhịp thông thuyền là 1377m (Hình 1.1) được gắn 600 đầu đo để giám sát sức khỏe công trình.

Hình 1 1 Cầu Tsing Ma được lắp đặt 600 đầu đo phục vụ cho việc giám sát 1

Hình 1.1. Cầu Tsing Ma được lắp đặt 600 đầu đo phục vụ cho việc giám sát sức

khỏe kết cấu công trình

Có thể bạn quan tâm!

Xem toàn bộ 154 trang tài liệu này.

Giám sát sức khỏe thường xuyên bằng cách gắn các thiết bị đo cố định trên công trình cho phép đánh giá khả năng chịu tải của kết cấu một cách liên tục, giúp nhà quản lý đưa ra các quyết định về khai thác, bảo trì cầu một cách kịp thời như: cảnh báo, theo dòi các hư hỏng mới xuất hiện; hạn chế phương tiện qua cầu khi phát hiện ứng xử bất thường của kết cấu (rung lắc mạnh, vòng lớn,...).

Theo số liệu thống kê của Cục Đường bộ Liên Bang Mỹ – the Federal Highway Administration (FHWA) – chi phí duy tu và bảo dưỡng hệ thống cầu sẽ ngày càng tăng. Đặc biệt là khi yêu cầu đồng nhất hóa về tải trọng và điều kiện khai thác cho các cầu thuộc các hệ thống đường bộ, đường sắt liên quốc gia ngày càng trở nên quan trọng.

Tại Việt Nam, theo dòi, đánh giá sức khỏe kết cấu công trình hiện nay đang là chủ đề nhận được sự quan tâm nhiều của các nhà khoa học cũng như các cơ quan quản lý. Nguyên nhân là hầu hết các công trình cầu lớn, có kết cấu phức tạp bắt đầu được xây dựng từ thập kỷ 90 đến nay, qua khoảng 30 năm khai thác sử dụng đã bắt đầu xuất hiện hư hỏng, gây ảnh hưởng đến an toàn khai thác. Ngoài ra, các cầu được xây dựng ở nhiều thời điểm khác nhau, theo nhiều tiêu chuẩn khác nhau cũng đòi hỏi được đánh giá theo một phương pháp thống nhất, làm cơ sở cho việc quản lý trạng thái cầu một cách đồng nhất.

1.2. Tình hình nghiên cứu trên thế giới về giám sát sức khỏe kết cấu công trình dựa trên phương pháp đo nhận dạng dao động‌

Trong phương pháp đánh giá sức khỏe kết cấu công trình dựa trên kết quả đo nhận dạng dao động, có các hướng nghiên cứu chính sau đây:

- Hướng nghiên cứu về thiết bị (cảm biến) đo dao động trên kết cấu và xử lý (lọc nhiễu) – truyền dẫn kết quả đo về máy tính;

- Hướng nghiên cứu về các thuật toán cập nhật mô hình số hóa kết cấu (bằng cách thay đổi điều kiện biên, đặc trưng vật lý của kết cấu) dựa trên các đặc trưng dao động thực đo, từ đó xây dựng một “bản sao số” của kết cấu trên máy tính phù hợp với công trình thực tế;

- Hướng nghiên cứu dựa trên các mô hình kết cấu đã được cập nhật xác định hoặc dự đoán các vị trí hư hỏng (nếu có) và dự đoán về ứng xử của kết cấu công trình.

Trong đó, các hướng nghiên cứu này đều rất quan trọng, thu hút sự quan tâm của nhiều nhóm nghiên cứu. Ví dụ, Wu và cộng sự [1] sử dụng các cảm biến quang học phân tán không gian để cập nhật một cây cầu nằm trên đường cao tốc. Tran-Ngoc và cộng sự [9] đã xác định các điều kiện độ cứng của các nút giàn của một cầu giàn thép quy mô lớn bằng các phép đo thực nghiệm được thực hiện dưới các nguồn kích thích của đoàn tàu chạy qua, gió và chấn động vi mô kết hợp với mô hình phần tử hữu hạn. Ashebo và cộng sự [32] kết hợp các phép đo hiện trường với mô hình phần tử hữu hạn để xem xét ảnh hưởng của độ lệch của dầm chính đối với sự phân bố tải trọng của phương tiện theo hướng ngang trên cầu. Zhong và cộng sự [33] đã xác định các tham số kết cấu không chắc chắn của cầu dây văng dài sử dụng mô hình cập nhật kết hợp với lý thuyết xác suất. Kuok và cộng sự [34] đã áp dụng xác suất Bayes để xác định các phản ứng kết cấu của cầu Ting Kau, đây là cây cầu dây văng quy mô lớn ở Hồng Kông. Cheng và cộng sự [35] đã phân tích các đặc tính động học của cầu đường sắt bằng cách sử dụng các lò xo giảm chấn. Yan và cộng sự [36] đề xuất một phương pháp dựa trên sóng wavelet của các phản ứng dao động tự do của các kết cấu bị hư hỏng. Phương pháp này không chỉ nhận dạng được các hư hỏng đang xảy ra trong kết cấu mà còn xác định chính xác vị trí và mức độ hư hỏng. Sim và cộng sự [37] sử dụng cả các phép đo toàn cục và cục bộ thay thế các phép đo gia tốc để cải thiện độ chính xác của các phương pháp giám sát sức khỏe kết cấu công trình.

Sự xuất hiện của các thuật toán tối ưu tiến hoá như GA, PSO trong những thập kỷ gần đây đã nâng cao hiệu quả của SHM. Những phương pháp tối ưu này được sử dụng để giảm thiểu sự sai khác giữa kết quả mô hình và kết quả thực tế. Từ đó nâng cao được độ chính xác của kết quả thu được. Na và cộng sự [18] trình bày một cách tiếp cận mới để phát hiện hư hỏng trong kết cấu dựa trên GA và các đặc trưng động học của kết cấu. Phương pháp đề xuất cho phép xác định vị trí và mức độ hư hỏng trong kết cấu, mặc dù có xét đến nhiễu và dự liệu không đầy đủ trong các phép đo. Mares and Surace [19] đã sử dụng các thuật toán GA bằng cách áp dụng phương pháp lực dư dựa trên lý thuyết phân tích dao động riêng để xác định hư hỏng trong các kết cấu đàn hồi. Kết quả cho thấy phương pháp đề xuất cung cấp dự đoán chính xác về cả vị trí hư hỏng và mức độ hư hỏng của kết cấu được xem xét. Perera và cộng sự [38] sử dụng một số thuật toán GA đa biến dựa trên sự tối ưu Pareto và các hàm tổng hợp để xác định hư hỏng trong kết cấu.

Chou và cộng sự [39] đã xác định vị trí và mức độ của hư hỏng trong các kết cấu bằng cách giải quyết vấn đề nghịch đảo sử dụng thuật toán GA trong đó các phép đo tĩnh của chuyển vị được áp dụng để xác định sự thay đổi của các tính chất như diện tích mặt cắt ngang và mô đun đàn hồi. Hao và cộng sự [40] sử dụng thuật toán GA để phát hiện hư hỏng trong khung và dầm công xon sử dụng hàm mục tiêu bao gồm tần số dao động tự nhiên, mode dao động và kết hợp cả hai. Kết quả chỉ ra rằng phương pháp đề xuất có thể xác định chính xác vị trí và mức độ hư hỏng của kết cấu xem xét, ngay cả khi dữ liệu đo có sai số.

Gonçalves và cộng sự [41] đã giới thiệu thuật toán nhóm tìm kiếm, đây là một phương pháp tối ưu hóa siêu dữ liệu mới để giải quyết vấn đề tối ưu hóa các kết cấu giàn. Kết quả của thuật toán đề xuất đã chứng minh khả năng nhận diện hư hỏng trong các kết cấu. Guo và cộng sự [42] áp dụng thuật toán GA và kỹ thuật tổng hợp thông tin để xác định vị trí và mức độ của hư hỏng tại nhiều vị trí trong kết cấu. Đầu tiên, hư hỏng được nhận dạng bằng cách sử dụng hàm mục tiêu của cả tần số dao động tự nhiên và mode dao động. Sau đó, một thuật toán GA tìm kiếm vi mô được áp dụng để xác định mức độ hư hỏng. Yu và cộng sự [43] áp dụng tối ưu hóa đàn kiến (Ant Colony – AC) để xác định vị trí hư hỏng của khung hai tầng và kết cấu khung thép ba tầng được hiệu chỉnh trên các phép đo. Thuật toán đề xuất cung cấp dự đoán chính xác về cả vị trí và mức độ của hư hỏng trong các kết cấu được xem xét.

Bên cạnh các ưu điểm thì các phương pháp tối ưu hoá dựa vào các nguyên lý di truyền như GA vẫn còn tồn tại những nhược điểm làm giảm độ chính xác của kết quả thu được. Một trong những nhược điểm lớn của GA đó là thuật toán này thường bị mất thông tin với cá thể không được lựa chọn để tiếp tục so sánh với thế hệ trước. Hơn nữa qua mỗi bước, bởi vì có quá nhiều tham số phải điều chỉnh, quá trình tính toán thường rất dài và yêu cầu các siêu máy tính với cấu hình cao khi áp dụng GA để giải quyết các mô hình số phức tạp, với nhiều phần tử và số bậc tự do (degree of freedom – DOF).

Trong các thuật toán tối ưu tiến hóa, thuật toán PSO là thuật toán phổ biến với nhiều ưu điểm vượt trội. Điển hình như, khả năng tìm kiếm trong không gian rộng lớn, có thể giữ lại tất cả các thông tin của các phần tử mà nó đã sử dụng. Từ đó thông tin của tất các các phần tử qua các lần lặp sẽ được lưu giữ và các phần tử với giải pháp tốt hơn sẽ được lựa chọn. Vì vậy thuật toán này đã được áp dụng thành công để giải quyết các vấn đề tối ưu hóa, đặc biệt là vấn đề giám sát sức khỏe kết cấu công trình.

Ví dụ, Seyedpoor [44] đã kết hợp một chỉ số dựa trên năng lượng biến dạng với PSO để xác định vị trí và mức độ của nhiều trường hợp hư hỏng khác nhau. Trong giai đoạn đầu tiên, thuật toán đề xuất được sử dụng để xác định chính xác vị trí hư hỏng của kết cấu. Trong giai đoạn thứ hai, mức độ của hư hỏng thực tế được xác định bằng cách áp dụng PSO dựa trên kết quả của giai đoạn đầu tiên. Kết quả cho thấy thuật toán đề xuất có thể cung cấp một công cụ đáng tin cậy để phát hiện hư hỏng kết cấu. Sandesh và cộng sự [45] đã sử dụng thuật toán tối ưu hóa kết hợp giữa GA và PSO để xác định hư hỏng trong một tấm mỏng. Nguyên lý năng lượng biến dạng tương đương được chọn là hàm mục tiêu để giảm thiểu sự khác biệt giữa gia tốc đo được và dự đoán theo lý thuyết. Jain và cộng sự [46] đã trình bày một phương pháp để chọn và định cỡ tối ưu cho máy phát điện phân tán bằng cách dựa trên PSO. Zonkoly [47] cũng áp dụng PSO để tối ưu hóa cho tải công suất.

Trong nghiên cứu của [48], một thuật toán PSO cải tiến cũng được đề xuất để khắc phục các vấn đề tối ưu cục bộ. Moradi và Abedini [49] sử dụng PSO kết hợp với GA để tối ưu hoá kích thước cho máy phát điện phân tán. Kaveh and Maniat [20] đã sử dụng PSO để xác định hư hỏng trong hai kết cấu dầm và hai kết cấu giàn. Kết quả cho thấy PSO có thể xác định chính xác các dạng hư hỏng trong kết cấu, ngay cả khi dữ liệu không đầy đủ và kết quả đo chịu ảnh hưởng bởi nhiễu. Miguel và cộng sự [50] đã xác định một số kịch bản hư hỏng khác nhau của ba dầm công xon bằng cách áp

dụng thuật toán tối ưu hóa lai. Để đánh giá hiệu quả và độ chính xác của phương pháp đề xuất, kết quả được so sánh với các thuật toán khác như thuật toán PSO, GA và chỉ ra rằng thuật toán tối ưu hóa lai không chỉ giảm thời gian tính toán mà còn cho kết quả chính xác hơn sử dụng PSO và GA riêng rẽ.

Thuật toán PSO có những nhược điểm có thể làm giảm hiệu quả của nó trong việc giải quyết các vấn đề tối ưu hóa, trong số đó thuật toán này không chỉ phụ thuộc chủ yếu vào chất lượng của quần thể ban đầu mà còn không có các khả năng như giao chéo hay đột biến để cải thiện chất lượng của các thế hệ mới. Quá trình tìm giải pháp tối ưu cục bộ của phương pháp PSO truyền thống cũng tốn nhiều thời gian vì thuật toán này chỉ phụ thuộc vào phương pháp tìm kiếm ngẫu nhiên trong suốt quá trình di chuyển của các phần tử.

Trong những thập kỷ gần đây phương pháp học máy được sử dụng rộng rãi và đã đem lại những kết quả tiềm năng cho vấn đề SHM. Zenzen và cộng sự [51] phát hiện các hư hỏng trong tấm composite sử dụng truyền động (tranmissibility) và ML. Cả hai trường hợp hư hỏng tại một vị trí và hư hỏng tại nhiều vị trí đều được xem xét. Kết quả chỉ ra rằng, phương pháp đề xuất không chỉ xác định chính xác các hư hỏng xảy ra trong kết cấu mà còn giảm thời gian tính toán. Patel và cộng sự [52] đã sử dụng ML để dự đoán ứng xử của vật liệu composite được gia cố bằng các sợi các bon khi bắt đầu xuất hiện các vết nứt. Trong nghiên cứu của [53], ML dựa trên mô hình phần tử hữu hạn đã được kết hợp với mô phỏng Monte Carlo để xác định ứng xử của kết cấu dạng vỏ. Abuodeh và cộng sự [54] đã sử dụng kỹ thuật ML để dự đoán độ bền cắt và ứng xử của vật liệu polyme gia cố bằng sợi các bon cường độ cao. Kết quả chỉ ra rằng phương pháp được đề xuất cung cấp kết quả chính xác hơn các tiêu chuẩn truyền thống bao gồm CNRDT200.

Gần đây, ANN đã được sử dụng rộng rãi để mô phỏng và điều tra một số vấn đề trong nhiều lĩnh vực kỹ thuật. ANN cần có đủ số lượng dữ liệu đầu vào và đầu ra, dữ liệu này có thể được thu thập thông qua các nghiên cứu lý thuyết, số học, hoặc thực nghiệm. ANN có khả năng xử lý dữ liệu phi tuyến tính, dữ liệu không đầy đủ, hoặc dữ liệu chịu ảnh hưởng của nhiễu, đây là trường hợp phổ biến trong các lĩnh vực kỹ thuật. Ví dụ, mô hình ANN được xây dựng để xác định hư hỏng của dầm bê tông và dự đoán khả năng chịu cắt của các dầm [55]. Cai và cộng sự [56] trình bày mô hình ANN dự đoán khả năng chống cắt còn lại của dầm tiếp xúc với lửa. Một mạng lưới thần kinh

được phát triển để dự đoán đường cong của tải trọng và cường độ nén của bê tông được gia cố bằng sợi composite được giới thiệu bởi Ashrafi và cộng sự [57]. Erdem

[58] đã dự đoán khả năng chịu uốn của các tấm bê tông cốt thép tiếp xúc với lửa bằng mô hình ANN.

Bengar và cộng sự [59] đã phát triển mô hình ANN có khả năng dự đoán độ dẻo của kết cấu dầm. Armaghani và cộng sự [60], đề xuất ứng dụng các phương pháp trí tuệ nhân tạo (Artificial Intelligence - AI) để dự đoán cường độ nén của vật liệu vữa gốc xi măng có hoặc không có đất sét. Asteris và cộng sự [61] sử dụng ANN và thuật toán di truyền để xác định cường độ chịu nén của bê tông. Cả mô hình số và mô hình thực nghiệm đều được xem xét. Kết quả chứng minh rằng các thông số như mác xi măng và đường kính tối đa của cốt liệu, rất cần thiết trong việc dự đoán cường độ nén của vữa làm từ xi măng. Apostolopouloua và cộng sự [62] sử dụng ANN để mô phỏng và lập bản đồ sự phát triển của các đặc tính thủy lực tự nhiên cao của vữa vôi thủy lực, chẳng hạn như cường độ nén, tỷ lệ giữa độ nén và độ bền uốn và độ đặc, cho các thông số hỗn hợp vữa đã chọn, cụ thể là tỷ lệ chất kết dính trên cát, tỷ lệ nước trên chất kết dính và đường kính tối đa của cốt liệu đối với các tuổi mẫu vữa khác nhau. Kiểm chứng thực nghiệm đã được thực hiện sử dụng mô hình ANN đề xuất cho thấy mối tương quan tốt giữa kết quả lý thuyết và thực nghiệm.

Duẩn và cộng sự [63], đã nghiên cứu bốn mô hình khác nhau dựa trên AI để dự đoán cường độ nén của bê tông cốt liệu tái chế. Trong số các mô hình này, mô hình ICA-XGBoost được chọn là mô hình tối ưu trong dự đoán hiệu suất. Tất cả các mẫu được sử dụng cho quá trình thử nghiệm có độ lệch thấp hơn ± 10% so với các giá trị thực nghiệm chứng minh mô hình được đề xuất là một công cụ hữu ích trong lĩnh vực này. Asteris và Mokos [64], đã trình bày về ứng dụng của ANN nhằm mục đích dự đoán cường độ nén của bê tông trong các kết cấu dầm. Kết quả thu được cho thấy một sự tương đồng cao giữa kết quả dự đoán dùng ANN và kết quả thực nghiệm. Arangio và cộng sự [65] đã sử dụng mạng lưới nơ ron Bayes để xác định hư hỏng trong cầu dây văng quy mô lớn dựa trên các đặc trưng động học kết cấu.

Mặc dù trong những năm gần đây, ML và ANN đã chứng tỏ được những tiềm năng trong lĩnh vực kỹ thuật nói riêng và lĩnh vực SHM nói chung, thuật toán này vẫn tồn tại những nhược điểm cơ bản làm giảm độ chính xác của kết quả thu được. Một trong những vấn đề cốt lòi nhất là ANN sử dụng các thuật toán lan truyền ngược dựa