ĐÁNH GIÁ TÌNH TRẠNG CẤU TRÚC CẦU ĐƯỜNG BỘ  DỰA TRÊN THUẬT TOÁN HỌC KHÔNG GIÁM SÁT

Hồ Thanh Phong; Lê Hoàng Sơn; Võ Nhật Luân; Đỗ Việt Dũng

doi:10.34238/tnu-jst.11711

ĐÁNH GIÁ TÌNH TRẠNG CẤU TRÚC CẦU ĐƯỜNG BỘ DỰA TRÊN THUẬT TOÁN HỌC KHÔNG GIÁM SÁT

Thông tin bài báo

Ngày nhận bài: 16/12/24 Ngày hoàn thiện: 22/01/25 Ngày đăng: 22/01/25

Các tác giả

1. Hồ Thanh Phong, Công ty Cổ phần ACC245
2. Lê Hoàng Sơn, Trường Đại học Kiên Giang
3. Võ Nhật Luân, Trường Đại học Văn Hiến
4. Đỗ Việt Dũng , Trường Đại học Giao thông vận tải Thành phố Hồ Chí Minh

Tóm tắt

Sự phát triển nhanh chóng của giao thương dẫn đến phương tiện lưu thông qua cầu đường bộ gia tăng cả về số lượng và tải trọng. Do đó, các công trình nhanh chóng xuống cấp và có nguy cơ hư hại cao, gây mất an toàn cho người và phương tiện. Bài báo này đề xuất giải pháp đánh giá tình trạng cấu trúc cầu đường bộ dựa trên phân tích tập dữ liệu chuyển vị kết cấu với thuật toán học không giám sát K-means. Trạng thái công trình được quan trắc bởi mạng cảm biến đo lường biên độ rung, gia tốc, và độ uốn của các trụ cầu. Dữ liệu quan trắc được phân tích với phương pháp xác định ngưỡng nguy hiểm và phân cụm dữ liệu tình trạng công trình bằng thuật toán K-means. Kết quả đánh giá trạng thái công trình với hệ số silhouette được phân thành 3 cụm dữ liệu tối ưu, tương ứng tình trạng tốt, bình thường, và bất thường. Các kết quả khả thi đã minh chứng hiệu quả giải pháp đề xuất, là cơ sở triển khai trong thực tế.

Từ khóa

Học không giám sát; Mạng cảm biến; K-means; Giám sát sức khỏe công trình; Phân cụm dữ liệu

Toàn văn:

PDF

Tài liệu tham khảo

[1] A. Aeran, S. Vantadori, A. Carpinteri, S. Siriwardane, and D. Scorza, "Novel non-linear relationship to evaluate the critical plane orientation," Int. J. Fatigue, vol. 124, pp. 537-543, 2019, doi: 10.1016/j.ijfatigue.2019.02.012.

[2] T. Q. Nguyen, T. T. D. Nguyen, X. H. Nguyen, and N. K. Ngo, "A correlation coefficient approach for evaluation of stiffness degradation of beams under moving load," Computers, Materials and Continua, vol. 61, pp. 27-53, 2019, doi: 10.32604/cmc.2019.07756.

[3] M. Kim and J. Song, "Near-Real-Time Identification of Seismic Damage Using Unsupervised Deep Neural Network," J. Eng. Mech., vol. 148, 2022, Art. no. 04022006, doi: 10.1061/(asce)em.1943-7889.0002066.

[4] O. Bouzas, B. Conde, J. C. Matos, M. Solla, and M. Cabaleiro, "Reliability-based structural assessment of historical masonry arch bridges: The case study of Cernadela bridge," Case Stud. Constr. Mater., vol. 18, 2023, Art. no. e02003, doi: 10.1016/j.cscm.2023.e02003.

[5] Z. Xiang, Z. Zhu, and X. Lei, "Fatigue assessment and crack propagation of floorbeam cutout in orthotropic bridge decks," Mater. Des., vol. 226, 2023, Art. no. 111676, doi: 10.1016/j.matdes.2023.111676.

[6] D. P. McCrum, S. Wang, and E. J. OBrien, “Monitoring the health of bridges using accelerations from a fleet of vehicles without knowing individual axle weights,” J. Struct. Integrity Maint., vol. 8, no. 4, pp. 249-259, 2023, doi: 10.1080/24705314.2023.2193779.

[7] A. Santos, R. Santos, M. Silva, E. Figueiredo, C. Sales, and J. C. W. A. Costa, "A Global Expectation–Maximization Approach Based on Memetic Algorithm for Vibration-Based Structural Damage Detection," IEEE Trans. Instrum. Meas., vol. 66, no. 4, pp. 661-670, 2017, doi: 10.1109/TIM.2017.2663478.

[8] Y. Li, N. Zhang, Q. Sun, C. Cai, and K. Li, “Neural Network-Based Anomaly Data Classification and Localization in Bridge Structural Health Monitoring,” Int. J. Struct. Stab. Dyn., vol. 24, no. 16, 2024, Art. no. 2450184, doi: 10.1142/S0219455424501840.

[9] S. Muin, C. Chern, and K. M. Mosalam, “Human–Machine Collaboration Framework for Bridge Health Monitoring,” J. Bridge Eng., vol. 29, no. 7, 2024, Art. no. 4024041, doi: 10.1061/JBENF2.BEENG-6587.

[10] A. Diez, N. L. D. Khoa, M. M. Alamdari, Y. Wang, F. Chen, and P. Runcie, “A clustering approach for structural health monitoring on bridges," J. Civ. Struct. Health Monit., vol. 6, pp. 429-445, 2016, doi: 10.1007/s13349-016-0160-0.

[11] J. Xiong, L. Shu, Q. Wang, W. Xu, and C. Zhu, “A Scheme on Indoor Tracking of Ship Dynamic Positioning Based on Distributed Multi-Sensor Data Fusion," IEEE Access, vol. 5, pp. 379-392, 2017, doi: 10.1109/ACCESS.2016.2607232.

[12] N. A. Cao, V. V. Vu, and T. T. H. Phung, “K-Means* Clustering Algorithm,” TNU Journal of Science and Technology, vol. 169, no. 9, pp. 159-164, 2017.

[13] Vietnam Ministry of Science and Technology, “TCVN 7378: 2004: Vibration and shock - Vibration of buildings - Limits of vibration levels and method for evaluation,” October 29, 2004.

[14] X. K. Dang, J. M. Corchado, V. V. Le, and V. D. Do, “Non-parametric Vibration-based Structural Damage Detection for Coastal Structures: Multi-Dimension to Single Input Convolutional Neural Network Approach,” Advances in Electrical and Computer Engineering, vol. 24, no. 4, pp. 3-18, 2024, doi: 10.4316/AECE.2024.04001.

[15] M. T. Nguyen and N. Rahnavard, “Cluster-Based Energy-Efficient Data Collection in Wireless Sensor Networks Utilizing Compressive Sensing,” 2013 IEEE Military Communications Conference, CA, USA, 2013, pp. 1708-1713, doi: 10.1109/MILCOM.2013.289.

[16] M. T. Nguyen, “Energy-Efficient Data Collection Method In Clustered Wireless Sensor Networks,” TNU Journal of Science and Technology, vol. 166, no. 6, pp. 121-124, 2017.

[17] R. Gu, Z. Yang, and Y. Ji, "Machine learning for intelligent optical networks: A comprehensive survey," J. Network Comput. Appl., vol. 157, pp. 102576-102618, 2020, doi: 10.1016/j.jnca.2020.102576.

[18] V. V. Vu, “An efficient semi-supervised graph based clustering,” Intell. Data Anal., vol. 22, no. 2, pp. 297-307, 2018, doi: 10.3233/IDA-163296.

[19] T. A. Pham, X. K. Dang, and N. S. Vo, “Optimising Maritime Big Data by K-means Clustering with Mapreduce Model,” Lecture Notes of the Institute for Computer Sciences, Social-Informatics and Telecommunications Engineering, vol. 157, pp. 136-151, 2022, doi: 10.1007/978-3-031-08878-0_10.

[20] P. J. Rousseeuw, “Silhouettes: A graphical aid to the interpretation and validation of cluster analysis,” J. Comput. Appl. Math., vol. 20, pp. 53-65, 1987, doi: 10.1016/0377-0427(87)90125-7.

[21] M. B. Baylon, F. A. A. Uy, K. M. S. Montes, and K. A. D. Embalzado, "Threshold Determination Using Bi-hazard Fragility Curves for the Evaluation of Structural Health Monitoring of USHER Technology," IOP Conf. Ser.: Mater. Sci. Eng., vol. 739, 2020, Art. no. 012002, doi: 10.1088/1757-899X/739/1/012002.

DOI: https://doi.org/10.34238/tnu-jst.11711

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ