Professional Documents
Culture Documents
HNCHKTTQ 2019 - Duc Lien Hung
HNCHKTTQ 2019 - Duc Lien Hung
Xác định vết nứt trong dầm FGM liên tục sử dụng mạng trí tuệ nhân
tạo kết hợp với phân tích wavelet dừng các chuyển vị động
Ngô Trọng Đức1,*, Trần Văn Liên2, Dương Thế Hùng3
Tóm tắt: Trong bài báo này, các tác giả trình bày kết quả nghiên cứu mới về việc xác định vết nứt
trong dầm làm bằng vật liệu cơ tính biến thiên (FGM) sử dụng mạng trí tuệ nhân tạo (ANN) kết
hợp với phân tích wavelet dừng (SWT) các chuyển vị động. Số lượng và vị trí vết nứt được xác
định từ phân tích wavelet dừng (SWT) các chuyển vị động, độ sâu vết nứt được xác định bằng
ANN với số liệu đầu vào là SWT các chuyển vị động. Trong đó, chuyển vị động của dầm được
xác định từ mô hình thanh bằng vật liệu FGM chịu kéo, nén và uốn có nhiều vết nứt theo phương
pháp độ cứng động lực (DSM) và mô hình lò xo của vết nứt. Kết quả nhận được cho thấy phương
pháp đề xuất cho kết quả chính xác, hiệu quả và có thể áp dụng vào thực tế
Từ khóa: Vết nứt, FGM, SWT, ANN, DSM.
1. Mở đầu
Vật liệu có cơ tính biến thiên (FGM) hiện đang được sử dụng rộng rãi trong các ngành công
nghệ cao như hàng không, vũ trụ…Các vết nứt xuất hiện trong kết cấu bằng vật liệu FGM làm giảm
khả năng chịu lực và tuổi thọ kết cấu. Do đó việc xác định vết nứt trong kết cấu đã thu hút sự quan tâm
của rất nhiều nhà nghiên cứu trong những năm gần đây. Hiện nay, các nghiên cứu dùng phân tích
wavelet để nhận dạng hư hỏng của dầm thường sử dụng tín hiệu đầu vào là dạng dao động riêng của
kết cấu chứa hư hỏng, tuy nhiên nó cũng có thể là dữ liệu không gian khác như chuyển vị tĩnh hoặc
động [1-3]. Trong khi hiện nay đa số các nghiên cứu sử dụng phân tích wavelet để nhận dạng hư hỏng
tập trung vào kết cấu dạng dầm, thì một số tác giả khác cũng áp dụng phương pháp này cho khung
phẳng [4, 5] hay tấm (kết cấu 2 chiều) [6, 7]. Biến đổi wavelet liên tục (CWT) được sử dụng như là
công cụ phổ biến nhất [7-9], bởi nó cung cấp thông tin chi tiết để nhận dạng hư hỏng. Mặt khác, biến
đổi wavelet rời rạc (DWT) với ưu thế là thời gian tính toán ít hơn, cũng được ghi nhận là hiệu quả
trong một số nghiên cứu [10, 11]. Zhong và Oyadiji [12] đã phát triển hướng tiếp cận dựa trên biến đổi
wavelet dừng (SWT) cho dầm có điều kiện biên đối xứng. Dù hạn chế của nghiên cứu là chỉ áp dụng
cho dầm có điều kiện biên đối xứng, nhưng các tác giả đã chứng minh được tính ưu việt của nó so với
các phương pháp CWT hay DWT. Mạng trí tuệ nhân tạo (ANN) là mô hình xử lý thông tin được mô
phỏng dựa trên hoạt động của hệ thần kinh động vật nhưng với quy mô nhỏ hơn nhiều lần. Wu và
cộng sự [13] là các tác giả đầu tiên áp dụng ANN để chẩn đoán hư hỏng kết cấu dựa trên phổ Fourie
của các gia tốc nền. Các dữ liệu phân tích đặc trưng động lực như: tần số dao động, dạng dao động,
hàm truyền, phổ gia tốc,... đều có thể được sử dụng làm dữ liệu đầu vào cho ANN để chẩn đoán vị trí
và độ sâu vết nứt trong kết cấu dạng dầm. Từ đó, phương pháp chẩn đoán hư hỏng dựa trên ANN đã
được sử dụng rộng rãi cho các loại kết cấu khác nhau như dầm [14], khung phẳng [15], tấm [16] bằng
vật liệu đồng nhất đẳng hướng hay composite [17]. Nazari và cộng sự [18] là các tác giả đầu tiên sử
dụng ANN để chẩn đoán vết nứt trên dầm làm bằng vật liệu FGM. Trong bài báo này, các tác giả trình
bày kết quả nghiên cứu mới về việc xác định số lượng, vị trí và độ sâu vết nứt trong dầm FGM liên tục
có nhiều vết nứt sử dụng ANN kết hợp phân tích SWT các chuyển vị động. Kết quả nhận được cho
thấy phương pháp đề xuất cho kết quả khá chính xác, hiệu quả và có thể áp dụng vào thực tế.
2 Ngô Trọng Đức, Trần Văn Liên, Dương Thế Hùng
2. Xác định chuyển vị động của dầm có nhiều vết nứt bằng DSM
Xét dầm có chiều dài L, tiết diện chữ nhật có kích thước A b h được chế tạo từ vật liệu
FGM (Hình 1) với hàm đặc trưng vật liệu dạng lũy thừa (P-FGM)
z Et Gt t t q
Trục trung hòa
h
x
Eb Gb b b
b
Hình 1: Dầm FGM có nhiều vết nứt
R( z ) Rb Rt Rb z h 0.5 ; h 2 z h 2
T T n
(1)
trong đó R: là ký hiệu của E, G và ρ lần lượt là mô đun đàn hồi, mô đun trượt và mật độ khối lượng;
chỉ số t và b ký hiệu vật liệu lớp trên và lớp dưới; z là tọa độ tính từ mặt giữa của dầm. Giả thiết biến
dạng bé, chuyển vị tại một điểm trên tiết diện của dầm Timoshenko có dạng
u( x, z, t ) u 0 ( x, t ) ( z h0 ) ( x, t ) ; w( x, z, t ) w0 ( x, t ) (2)
trong đó: u0(x,t), w0(x,t) là chuyển vị của điểm trên trục trung hòa; h0 là khoảng cách từ trục trung hòa
đến trục x; là góc xoay của tiết diện quanh trục y. Ký hiệu
A
2
A A
A11 , A12 , A22 E ( z) 1, z h0 , z h0 dA ; A33 G( z )dA; I11 , I12 , I 22 ( z) 1, z h0 , z h0 dA (3)
2
và các ma trận
A11 A12 0 0 0 0 2 I11 2 I12 0
A A12 A22
0 ; Π 0 0 A33 ; C( ) 2 I12 I 22 A33
2
0
0 0 A33 0 A33 0 0 0 2 I11 (4)
G(x, ) ek1x e k2 x e k3 x e k1x e k2 x e k3 x
1e k1x (8)
2ek x2
3e k x
3
1e k1x 2 e k2 x 3e k3 x
2 I12 j A33
j ;j ; j 1, 2,..., 3
I11 j A11
2 2
( I11 j2 A33 )
2
Vết nứt tại tiết diện e được mô hình hóa bằng hai lò xo: lò xo dọc có độ cứng T và lò xo xoắn có
độ cứng R (Hình 2). Điều kiện liên tục tại vị trí vết nứt là [19]
Xác định vết nứt trong dầm FGM sử dụng mạng trí tuệ nhân tạo kết hợp với phân tích wavelet các chuyển vị
động 3
a R
h
a) T b)
Hình 2: Dầm FGM với vết nứt mở và mô hình hai lò xo tương đương
trong đó [H(x,)] là ma trận hàm truyền thỏa mãn hệ phương trình [20]
A. H Π. H D. H 0 (18)
Nghiệm đầy đủ z c ( x, ) của phương trình vi phân không thuần nhất (5) cho dầm có vết nứt là
~
tổng của nghiệm tổng quát (16) và nghiệm riêng (17), nghĩa là
~z c ( x, ) z c ( x, ) z q ( x, ) (19)
4 Ngô Trọng Đức, Trần Văn Liên, Dương Thế Hùng
Ký hiệu các tọa độ nút, lực nút của phần tử dầm FGM chịu uốn và kéo, nén như Hình 3
Uˆ {U , ,W ,U , ,W }
e 1 1 1 2 2 2
T
; Pe {N1 , M1 , Q1 , N 2 , M 2 , Q2 }T (20)
trong đó
U1 z1 (0, ) ; 1 z2 (0, ) ; W1 z3 (0, ); U 2 z1 ( L, ) ; 2 z2 ( L, ) ; W2 z3 ( L, )
N1 A11 x z1 A12 x z2 x 0 ; M1 A22 x z2 A12 x z1 x 0 ; Q1 A33 x z3 z2 x 0 (21)
N 2 A11 x z 1 A12 x z2 x L ; M 2 A22 x z2 A12 x z1 x L ; Q2 A33 x z3 z2 x L
Áp dụng các công thức (21) vào biểu thức (19), ta có
B F ( zq ) x 0
0 B F Ψ
ˆ Ψ(0, ) .C
U e; P x 0
C
zq ( L)
(22)
Ψ( L, ) B F Ψ B F ( zq ) x L
e
x L
1
U1
2
U2
trong đó K̂ e và Fe là ma trận độ cứng
Hình 3: Phần tử dầm FGM động lực và véc tơ tải trọng nút của phần tử
dầm FGM có vết nứt
F q x 0 B Ψ 1
B F Ψ Ψ(0, ) 1 B z
ˆ x 0
ˆ
F
Ψ(0, ) 0
x 0 (25)
[K e ] ;{Fe } .
B F Ψ Ψ( L, )
BF z q xL B Ψ Ψ( L, ) z q ( L)
xL
F
xL
Sau đó, việc lắp ghép ma trận độ cứng động lực và véc tơ tải trọng nút của phần tử vào ma trận
độ cứng động lực và véc tơ tải trọng nút của cả kết cấu được thực hiện tương tự như phương pháp
PTHH. Véc tơ chuyển vị nút được xác định từ phương trình
( ) . U F
ˆ
K ˆ (23)
là các hàm wavelet rời rạc, j là số mức, 1 a 2 j là độ phân giải, k là thời gian rời rạc. Do phân tích
DWT không phải là phân tích bất biến theo thời gian, nghĩa là, ngay cả với các tín hiệu tuần hoàn,
DWT của một phiên bản đã dịch của tín hiệu gốc f(x) về cơ bản không phải là bản dịch của DWT của
tín hiệu gốc f(x). Để khắc phục vấn đề này, thay cho (4), ta sử dụng phân tích rời rạc của tín hiệu f(x)
có dạng dưới đây [22]:
xk
f x
~
D j ,k 2 j / 2 dx (28)
2j
Phân tích DWT dựa trên (28) được gọi là phân tích wavelet dừng SWT. Nếu như trong phân tích
DWT, kích thước dãy số liệu sau phân tích DWT của tín hiệu gốc chỉ còn bằng một nửa kích thước
của dãy số liệu gốc dẫn đến các hệ số chi tiết của DWT ít thông tin hơn về tin hiệu, thì trong phân tích
SWT, kích thước của dãy số liệu sau phân tích SWT không bị cắt đi một phần nào cả dẫn đến các hệ
số chi tiết của SWT có nhiều thông tin hơn về tín hiệu gốc để có thể nhận dạng tín hiệu như việc tách
các điểm nổi bật, điểm gãy của tín hiệu,.... Thuật toán SWT là đơn giản và giống với DWT. Hệ số chi
tiết mức 1 của SWT đã cho kết quả rõ nét và khử nhiễu tốt [22]. Tuy vậy, có một giới hạn là phân tích
SWT chỉ cho các tín hiệu có kích thước chia hết cho 2j, trong đó j là mức phân tách tối đa.
4. Xác định vết nứt trong dầm FGM sử dụng mạng trí tuệ nhân tạo
Mạng trí tuệ nhân tạo thường
được tổ chức theo lớp (layers). Các lớp
được tạo thành từ nhiều nút liên kết
chứa hàm kích hoạt (active function).
Dữ liệu được đưa vào mạng thông qua
lớp đầu vào (input layer) và được đưa
đến một hoặc nhiều lớp ẩn (hidden
layers). Đây chính là nơi quá trình xử
lý diễn ra thông qua hệ thống các trọng
số liên kết (connection weights). Các
lớp ẩn sau đó liên kết đến lớp đầu ra
(output layer) (Hình 4).
Hình 4: Sơ đồ mạng trí tuệ nhân tạo - ANN Mạng trí tuệ nhân tạo sử dụng
trong nghiên cứu này là MLFF (Multi-
layers feed forward) bao gồm một lớp đầu vào, một số lớp ẩn và một lớp đầu ra. Hàm truyền của nơ
ron lớp ẩn và lớp đầu ra được định nghĩa trong công thức (7), hay còn gọi là hàm Tansig [18].
2
f ( s) (29)
[1 exp( 2s)] 1
Hầu hết ANN bao gồm một số cách học (learning rule) để điều chỉnh trọng số liên kết dựa trên
dữ liệu đầu vào. Có rất nhiều cách học khác nhau trong mạng trí tuệ nhân tạo, trong đó phổ biến nhất
là lan truyền ngược (back propagation). Đây là quá trình học có giám sát (supervised process) thực
hiện trong mỗi lần lặp hay “epoch”, tức là mỗi lần một mẫu dữ liệu mới được đưa vào mạng. Nó bao
gồm một quá trình truyền thẳng là sự vào và ra của nơ ron thông qua mạng, và một quá trình truyền
ngược khi quay trở lại điều chỉnh trọng số dựa trên sai số tính toán hướng đến tối ưu toàn cục (global
minimum). Khi ANN được huấn luyện (training) đến một mức độ phù hợp, nó có thể được sử dụng
như là một công cụ phân tích trên các dữ liệu khác (được gọi là chế độ thử nghiệm – test mode). Ở chế
độ này, các trọng số không thay đổi và mạng chỉ làm việc ở trạng thái truyền thẳng, dữ liệu đầu vào sẽ
được xử lý qua các lớp trung gian đã được huấn luyện để có được giá trị đầu ra mong muốn.
6 Ngô Trọng Đức, Trần Văn Liên, Dương Thế Hùng
Trong nghiên cứu này cấu trúc ANN bao gồm 3 lớp: lớp đầu vào, lớp ẩn và lớp đầu ra. Giá trị
wab là trọng số giữa lớp đầu vào và lớp ẩn, wbc là trọng số giữa lớp ẩn và lớp đầu ra. Quá trình lan
truyền ngược gồm các bước sau [18]:
Quá trình truyền thẳng (feed forward stage)
2
v wbc (n). y (n) ; o(n) (v(n)) (30)
1 exp[v(2n)]
với o là đầu ra, v là đầu vào, y là đầu ra của lớp ẩn và φ là hàm hoạt động.
Quá trình lan truyền ngược (back-propagation stage)
(n) e(n).[v(n)] [d (n) o(n)].[ o(n)].[1 o(n)]; (31)
với δ là hàm gradient cục bộ, e là hàm sai số, o và d lần lượt là giá trị đầu ra thực tế và mong muốn.
Hiệu chỉnh trọng số
wab (n 1) wab (n) wab (n) wab (n) (n).o(n); (32)
với η là tốc độ học. Lặp lại 3 bước này sẽ làm hàm sai số dần đến 0 hoặc giá trị không đổi.
4. Kết quả số và thảo luận
q=q0cost
h1 h2
b1
L1=1.0m L2=1.0m b2
a) b)
Hình 6: Chuyển vị động (a) và hiệu số chuyển vị động của dầm FGM có vết nứt với dầm không nứt
tương ứng (b)
Đầu tiên ta sử dụng phân tích wavelet SWT các chuyển vị động, kết quả tìm được vị trí vết nứt
trùng với vị trí ban đầu (Hình 7). Sau đó sử dụng ANN để xác định độ sâu các vết nứt với số lớp ẩn là
Xác định vết nứt trong dầm FGM sử dụng mạng trí tuệ nhân tạo kết hợp với phân tích wavelet các chuyển vị
động 7
10, số lần lặp “epochs” là 500. Dữ liệu đầu vào là 64, 100, 144 cặp chiều sâu 2 vết nứt khác nhau.
Hình 8 thể hiện hệ số tương quan R giữa kết quả đầu ra của mạng ANN với kết quả mong muốn. Kết
quả xác định vị trí và chiều sâu vết nứt được thể hiện trong bảng 1, cho thấy kết quả chẩn đoán của
mạng có độ chính xác cao. Ta có một số nhận xét sau:
Bảng 1: Kết quả chẩn đoán độ sâu 2 vết nứt trên dầm FGM bằng ANN
Đầu vào ANN Chuyển vị động của dầm
Số lượng thông số vào 64 100 144
a1 (m) 0.2 0.2005 0.1998 0.2
Sai số 0.1% 0.1% 0%
a2 (m) 0.3 0.2980 0.3010 0.2995
Sai số 0.03% 0.03% 0%
Hình 7: Biểu đồ hệ số chi tiết SWT của Hình 8: Biểu đồ hệ số tương tác R của
chuyển vị động dầm FGM liên tục mạng ANN chẩn đoán vết nứt
Biểu đồ hệ số chi tiết SWT có sự thay đổi đột ngột tại vị trí vết nứt, tuy nhiên biên độ thay đổi là
khác nhau. Biểu đồ thay đổi nhiều ứng với vị trí vết nứt làm thay đổi nhiều chuyển vị của dầm. Từ
biểu đồ này, ta có thể dễ dàng xác định được số lượng và vị trí vết nứt trên dầm.
Số liệu đầu vào để chẩn đoán độ sâu vết nứt bằng ANN có thể là các chuyển vị động hay các hệ số
SWT của chuyển vị động. Tuy vậy, việc kết hợp SWT với ANN cho kết quả chẩn đoán độ sâu vết
nứt nhanh và chính xác hơn so với việc sử dụng trực tiếp các số liệu chuyển vị động. Tất nhiên, độ
chính xác tăng lên khi số liệu đầu vào tăng.
5. Kết luận
Trong bài báo này, các tác giả trình bày kết quả nghiên cứu mới về việc xác định vết nứt trong
dầm FGM sử dụng ANN kết hợp với SWT các chuyển vị động. Chuyển vị động của dầm được xác
định bằng phương pháp độ cứng động lực theo mô hình phần tử dầm FGM nhiều vết nứt, trong đó các
vết nứt được mô hình hóa bằng các lò xo không có khối lượng với độ cứng tương đương. Số lượng và
vị trí các vết nứt được xác định bằng SWT chuyển vị động, sau đó độ sâu vết nứt được xác định bằng
ANN với số liệu đầu vào là hệ số chi tiết SWT chuyển vị động. Kết quả nhận được cho thấy phương
pháp đề xuất cho kết quả khá chính xác, hiệu quả và có thể áp dụng vào thực tế.
Lời cảm ơn
Nghiên cứu này được Quỹ NAFOSTED tài trợ trong đề tài mã số 107.02-2017.301.
8 Ngô Trọng Đức, Trần Văn Liên, Dương Thế Hùng