|
Dòng
|
Nội dung
|
|
1
|
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)
|
|
2
|
Nghiên cứu giám sát sức khỏe kết cấu công trình cầu sử dụng mạng bộ nhớ ngắn dài hạn cải tiến
// Cầu đường Việt Nam tr.
Bài báo này trình bày một phương pháp tiếp cận hiệu quả để chần đoán hư hỏng trong kết cấu thông qua việc áp dụng mô hình học sâu (Deep Learning - DL) kết hợp giữa khả năng trích xuất các đặc trưng của mạng nơ-ron tích chập một chiều (One Dimensional Convolutional Neural Netvvork - 1DCNN) và khả năng xử lý dữ liệu chuỗi thời gian mạng bộ nhớ dài ngắn hạn (Long Short-Term Memory - LSTM). Mặc dù 1DCNN có ưu thế trong việc trích xuất các đặc trưng từ dữ liệu nhưng gặp hạn chế khi xử lý các mối quan hệ dài hạn trong chuỗi thời gian. LSTM lại thể hiện khả năng phân tích, học các quan hệ dài hạn, nhưng gặp khó khăn trong việc cân bằng các trọng số tính toán và tốc độ xử lý còn chậm. Để kiểm chứng hiệu quả của phương pháp đề xuất, nghiên cứu được thực hiện bằng cách sử dụng dữ liệu theo thời gian thu được từ hệ thống cảm biến gia tốc trên cầu giàn thép Chương Dương. Kết quả cho thấy hiệu quả của phương pháp đề xuất vượt trội hơn hai mô hình học sâu riêng lẻ - 1DCNN và LSTM, đạt độ chính xác lần lượt là 91,6%, 84,5% và 81,4% trên tập dữ liệu kiểm tra
Đầu mục:0
(Lượt lưu thông:0)
Tài liệu số:1
(Lượt truy cập:0)
|
|
|
|
|