Áp Dụng Pso Kết Hợp Với Ann Để Chẩn Đoán Các Hư Hỏng Cho Mô Hình Số

pháp tìm kiếm tối ưu toàn cục dựa trên sự di chuyển ngẫu nhiên của các phần tử. Chính vì vậy khi các phần tử rơi vào tối ưu cục bộ ) và ), PSO sẽ giúp các phần tử thoát khỏi vùng tối ưu cục bộ, cho đến khi giải pháp tối ưu tìm kiếm được tốt hơn tối ưu cục bộ ) và ), quá trình tìm kiếm sẽ được tiếp tục với phương pháp GD. Quá trình kết hợp song song này được áp dụng cho đến khi hàm mục tiêu đạt được (xác định được tối ưu toàn cục). Sự kết hợp này mang lại lợi thế to lớn cho mạng được đào tạo. Việc cải thiện hiệu suất của kỹ thuật GD sau mỗi lần lặp làm giảm chi phí tính toán và khả năng tìm kiếm toàn cục tránh được tối ưu cục bộ và nâng cao hiệu quả của mạng. Mặt khác, khả năng tìm kiếm toàn cục của PSO có thể ngăn chặn mạng rơi vào tối ưu cục bộ. PSO vượt trội hơn các thuật toán siêu hình khác như thuật toán Artificial Bee Colony (ABC) và thuật toán Ant Colony (AC) về chi phí tính toán, mức độ hội tụ và độ chính xác [9]. Điều này có thể được giải thích dựa trên cách tiếp cận được sử dụng để tìm kiếm giải pháp tốt nhất toàn cục mà PSO và các thuật toán siêu hình khác sử dụng. Đối với PSO, chỉ có vị trí tối ưu của các hạt được đưa ra sau mỗi lần lặp, trong khi các thuật toán siêu hình khác áp dụng quá nhiều tham số và thông tin của tất cả các hạt được chia sẻ với nhau trong quá trình tính lặp.

Để giải quyết vấn đề mắc kẹt vào tối ưu cục bộ của ANN, PSO được sử dụng để xác định lại các tham số huấn luyện được mô tả như phương trình 2.51 đến 2.79.

Các tham số huấn luyện sẽ của ANN được chuyển thành các vec tơ đơn sau đó trở thành các phần tử ban đầu của PSO

(2.51)

(2.52)

Có thể bạn quan tâm!

Xem toàn bộ 154 trang tài liệu này.

Trong đó là các giá trị của tham số huấn luyện từ ANN; chỉ số lượng tham số huấn luyện, chỉ số lượng quần thể, và là ma trận chuyển trí.

(2.53)

(2.54)

là vận tốc ban đầu của các quần thể

(2.55)

(2.56)

là giải pháp tối ưu cục bộ ban đầu của các quần thể.

(2.57)

	(2.58)
	(2.59)

là giải pháp tối ưu toàn cục ban đầu của các quần thể. Giới hạn không gian tìm kiếm

Cập nhật vị trí và vận tốc mới của các phần tử ở bước lặp đầu tiên:

(2.60)

và là các hệ số học tập, là tham số trong lượng; và là các giá trị ngẫu nhiên.

(2.61)
Nếu:	(2.62)
	(2.63)
Nếu:	(2.64)
	(2.65)

Áp dụng hàm mục tiêu để xác định giải pháp tối ưu của các quần thể

N0O O

1 z3 z3

2 k1 N0

(2.66)

Tính toán hàm mục tiêu của các phần tử tại bước thứ nhất

(2.67)

Giá trị tối ưu cục bộ và tối ưu toàn cục của các phần tử ở bước lặp đầu tiên được xác định. Tương tự, cập nhật đặc trưng của các phần tử tại bước lặp thứ

(2.68)
	(2.69)
Nếu:	(2.70)
	(2.71)
Nếu:	(2.72)
	(2.73)

Tính toán của các phần tử tại bước lặp thứ i.

(2.74)

Lựa chọn giải pháp tối ưu cục bộ ) và tối ưu toàn cục ) của các phần tử tại bước lặp .

(2.75)

(2.76)

Khi đó:

(2.77)

Quá trình tìm kiếm kết thúc và đạt được các giải pháp tối ưu.

(2.78)

(2.79)

Sự làm việc song song của PSO và ANN được mô tả như sơ đồ 2.7.

Hình 2.7. Sơ đồ thuật toán PSO kết hợp song song với ANN

Để chứng minh tính hiệu quả của phương pháp đề xuất, trong đề tài này phương pháp ANN làm việc song song với thuật toán PSO (ANNPSO) sẽ được áp dụng để chẩn đoán hư hỏng xảy ra trong các kết cấu. Cả bài toán mô hình số và thực nghiệm với các loại kết cấu khác nhau (kết cấu dầm giản đơn, kết cấu dàn, kết cấu tấm), các loại vật liệu khác nhau (bê tông, thép và composite) cũng như các trường hợp hư hỏng khác nhau (hư hỏng tại một phần tử và hư hỏng tại nhiều phần tử) đều được xem xét.

Để so sánh với phương pháp đề xuất, PSO và ANN riêng rẽ cũng được sử dụng để xác định hư hỏng trong các kết cấu được xem xét.

Ưu điểm của thuật toán ANNPSO: Sự kết hợp giữa thuật toán tối ưu tiến hóa PSO và ANN có thể giải quyết được triệt để vấn đề tối ưu cục bộ của ANN. Sự kết hợp này có cả lợi thế của kỹ thuật GD (hội tụ nhanh) và kỹ thuật tìm kiếm ngẫu nhiên của PSO (tránh bị mắc kẹt trong tối ưu cục bộ).

Nhược điểm của thuật toán ANNPSO: Việc xây dựng thuật toán kết hợp giữa PSO và ANN để tính toán các tham số huấn luyện trong ANN khá phức tạp bởi việc phải khởi tạo nhiều vòng lặp cũng như các điều kiện ràng buộc để tìm ra được tham số huấn luyện tối ưu.

Kết luận Chương 2‌

Chương 2 giới thiệu cơ sở lý thuyết về dao động kết cấu cũng như các phương pháp dựa vào dao động của kết cấu để chẩn đoán các hư hỏng trong kết cấu. Bao gồm các phương pháp dựa trên sự thay đổi của tần số dao động riêng, hình dạng dao động, năng lượng biến dạng, các phương pháp dựa trên sự thay đổi của tần số dao động riêng, thuật toán PSO, thuật toán ANN và thuật toán đề xuất ANNPSO (ANN làm việc song song với PSO).

CHƯƠNG 3: ÁP DỤNG PSO KẾT HỢP VỚI ANN ĐỂ CHẨN ĐOÁN CÁC HƯ HỎNG CHO MÔ HÌNH SỐ

Trong chương này, tính khả thi của phương pháp đề xuất được thể hiện thông qua các mô hình số bao gồm một cầu dầm giản đơn, một cầu dàn quy mô lớn và kết cấu tấm composite, với nhiều giả thiết hư hỏng khác nhau cho mỗi trường hợp. Ảnh hưởng của nhiễu đối với dữ liệu đầu vào được đánh giá bằng cách thêm nhiễu Gaussian 2% cho tần số dao động riêng. Để so sánh với phương pháp được đề xuất, ANN và PSO cũng được áp dụng để xác định hư hỏng cho các kết cấu được xem xét.

3.1. Cầu dầm giản đơn‌

Cầu dầm giản đơn bao gồm 3 nhịp chiều dài bằng nhau 24.5 m như hình 3.1. Mặt cắt ngang gồm 5 dầm chủ hình chữ được thể hiện như hình 3.2. Mỗi nhịp được đặt trên hai gối di động và cố định. Các tính chất vật liệu của dầm được liệt kê trong Bảng 3.1.

Bảng 3.1. Đặc trưng vật liệu của dầm chủ

Tham số

Mô đun đàn hồi	Trọng lượng thể tích	Hệ số Poisson
3.5x N/	2450	0.2

Mô hình phần tử hữu hạn của dầm chủ được NCS xây dựng bằng cách lập trình trên nền tảng của MATLAB. Mỗi dầm chủ được chia thành 12 phần tử sử dụng các phần tử không gian có sáu bậc tự do tại mỗi nút bao gồm các chuyển vị tịnh tiến theo các hướng và và các chuyển vị quay quanh các hướng và . Trục trùng với hướng dọc, trong khi trục tương ứng với trục đứng và trục nằm trong trục ngang của cầu.

Hình 3.1. Bố trí chung cầu

Hình 3.2. Mặt cắt ngang cầu

Phân tích phương thức được thực hiện bằng cách sử dụng mô hình cơ sở để tạo dữ liệu đầu vào và đầu ra cho mạng. Mạng có ba lớp bao gồm một lớp đầu vào, một lớp đầu ra và một lớp ẩn như trong Hình 3.3. Trong khi dữ liệu đầu vào bao gồm mười tần số dao động riêng đầu tiên (Bảng 3.2), dữ liệu đầu ra (hàm mục tiêu) liên quan đến các vị trí bị hư hỏng và mức độ hư hỏng. Một lớp ẩn với 13 nơ-ron được sử dụng.

Bảng 3.2. Tần số dao động riêng của mười mode đầu tiên

Mode

Tần số dao động riêng (Hz)	Mode	Tần số dao động riêng (Hz)
1	6.37	6	153.61
2	25.35	7	163.53
3	54.06	8	218.26
4	56.58	9	277.04
5	99.54	10	293.03

Hình 3.3. Kiến trúc mạng nơ ron cho bài toán xác định hư hỏng trong dầm giản đơn

Các mẫu được sử dụng cho đào tạo, thực nghiệm và kiểm tra được chọn ngẫu nhiên từ các bộ dữ liệu được tạo với tỷ lệ 70%, 15% và 15%. Mạng được đào tạo được sử dụng để nhận dạng và định lượng hư hỏng trong kết cấu được xem xét dựa trên các giá trị hồi quy (giá trị ) và giá trị lỗi bình phương trung bình (Mean square error- MSE).

Đối với các giá trị hồi quy, nếu giá trị bằng 1 và đường hồi quy trùng với đường 45 độ, thì kết quả thu được hoàn toàn phù hợp với mục tiêu. Giá trị lỗi bình phương trung bình được tính theo công thức 3.1.

3 1 và là các đầu ra dự đoán và tính toán của dữ liệu đầu ra thứ 66

(3.1)

và là các đầu ra dự đoán và tính toán của dữ liệu đầu ra thứ , tương ứng. là số lượng dữ liệu đầu ra. Mục tiêu của mạng sau đào tạo là giá trị MSE (sai số giữa kết quả tính toán và hàm mục tiêu) là bé nhất có thể.

Để so sánh với ANNPSO, ANN và PSO cũng được sử dụng để phát hiện hư hỏng trong dầm đang xét. Đối với PSO, số lượng phần tử là 150, giá trị của yếu tố học tập lần lượt là = 2 và = 2, trong khi tham số trọng lượng quán tính ) là 0,3. Thuật toán Levenberg-Marquest (LM) được sử dụng để đào tạo mạng. Để đánh giá đến ảnh