TRA CỨU
Dòng Nội dung
1
Nghiên cứu áp dụng mạng 1DGNN-LSTM kết hợp thuật toán XGB00ST trong chẩn đoán hư hỏng cầu giàn thép // Cầu đường Việt Nam tr.


Trong Giám sát sức khỏe kết cấu (Structural Health Monitoring-SHM), đánh giá hư hỏng đang nhận được sự quan tâm đặc biệt của cộng đồng nghiên cứu trên thế giới. Với sự phát triển của công nghệ cảm biến, các dữ liệu thu được ngày càng đa dạng và phức tạp. Đặc biệt, dữ liệu gia tốc thường mang đặc tính phi tuyến, phức tạp và tính nhiễu cao, làm hạn chế hiệu quả các phương pháp học máy truyền thống trong trích xuất đặc trưng động lực học và độ chính xác. Để khắc phục những hạn chế này, nghiên cứu đề xuất mô hình học sâu kết hợp mạng tích chập một chiều (1DCNN) và mạng nơ-ron bộ nhớ dài- ngắn hạn (LSTM) với thuật toán XGBoost áp dụng dữ liệu chuỗi thời gian. Hiệu quả của phương pháp này được kiểm chứng trên bộ dữ liệu của cầu giàn thép. Kết quả nghiên cứu khẳng định tiềm năng ứng dụng cách tiếp cận này trong việc nâng cao hiệu quả giám sát và chẩn đoán hư hỏng kết cấu công trình cầu. Mô hình đề xuất 1DCNN-LSTM- XGBoost mang lại hiệu quả vượt trội so với mô hình học sâu so sánh 1DCNN-LSTM và XGBoost với độ chính xác lần lượt trên tập kiểm thử là 91.0%, 89.3% và 87,4%.
 Đầu mục:0 (Lượt lưu thông:0) Tài liệu số:1 (Lượt truy cập:0)
2
Nghiên cứu chẩn đoán hư hỏng kết cấu cầu dây văng một mặt phẳng dây sử dụng mạng BILSTM-10CNN cho dữ liệu theo thời gian // Cầu đường Việt Nam tr.


Giám sát sức khỏe kết cấu (Structural Health Monitoring - SHM) dựa trên dữ liệu theo thời gian nhận được sự quan tâm lớn từ các nhà khoa học. Dữ liệu theo thời gian có khả năng thể hiện những biến đổi liên tục và lâu dài của kết cấu cầu, qua đó giúp phản ánh chính xác trạng thái ứng xử của cầu. Do đó, nghiên cứu này đề xuất phương pháp chuẩn đoán hư hỏng sử dụng kết hợp mạng Bộ Nhớ Ngắn Dài hạn hai chiều (Bidirectional Long Short- Term Memory - BiLSTM) kết hợp mạng Tích Chập một chiều (One-Dimensional Convolutional Neural Netvvorks - 1DCNN). Sự kết hợp này giúp cho việc chuẩn đoán đạt kết quả tốt hơn khi hai mạng có ưu thế trong việc nắm bắt các phụ thuộc dài hạn trong dữ liệu chuỗi thời gian. Để đánh giá hiệu quả của mô hình BILSTM-10CNN, nghiên cứu được kiểm chứng trên bộ dữ liệu mô hình cầu dây văng một mặt phẳng dây trong phòng thí nghiệm, trường Đại học Giao thông Vận tải. Kết quả cho thấy, phương pháp kết hợp đề xuất mang lại hiệu suất vượt trội so với mô hình học sâu duy nhất 10CNN và BiLSTM - với độ chính xác lần lượt trên tập kiểm thử là 91.1%, 78.3% và 83.1%.
 Đầu mục:0 (Lượt lưu thông:0) Tài liệu số:1 (Lượt truy cập:0)