TRÌNH ĐƠN TRA CỨU
Tất cả
Skip Navigation Links.
  • Bài trích
  • Nhan đề: Nghiên cứu áp dụng mạng 1DGNN-LSTM kết hợp thuật toán XGB00ST trong chẩn đoán hư hỏng cầu giàn thép
Nhan đề Nghiên cứu áp dụng mạng 1DGNN-LSTM kết hợp thuật toán XGB00ST trong chẩn đoán hư hỏng cầu giàn thép
Tóm tắt 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%.
Từ khóa tự do mạng tích chập một chiều
Từ khóa tự do đánh giá hư hỏng
Từ khóa tự do mạng nơ-ron bộ nhớ dài-ngắn hạn
Từ khóa tự do thuật toán XGBoost
Nguồn trích Cầu đường Việt Nam2026-1-5tr. Số: 11 Tập: 2025
00000000nab#a2200000ui#4500
00160175
0026
00432DE83E2-84DA-4EF0-A4BC-496F019AE15E
005202601051434
008081223s VN| vie
0091 0
039|y20260105143424|zcuonglv
040 |aTV EAUT
041 |avie
044 |avm
245 |aNghiên cứu áp dụng mạng 1DGNN-LSTM kết hợp thuật toán XGB00ST trong chẩn đoán hư hỏng cầu giàn thép
520 |aTrong 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%.
653 |amạng tích chập một chiều
653 |ađánh giá hư hỏng
653 |amạng nơ-ron bộ nhớ dài-ngắn hạn
653 |athuật toán XGBoost
7730 |tCầu đường Việt Nam|d2026-1-5|gtr.|v2025|i11
890|a0|b0|c1|d0
Không tìm thấy biểu ghi nào