Bài báo khoa học

Giám sát tình trạng kết cấu (SHM) luôn được quan tâm trong kỹ thuật dân dụng trong nhiều thập kỷ vì tầm quan trọng của nó đối với sự vận hành trơn tru của các kết cấu. Các phương pháp học máy (ML) và học sâu (DL) đã được áp dụng thành công áp dụng cho việc phát hiện hư hỏng của các công trình. Tuy nhiên, các thuật toán ML truyền thống phụ thuộc rất nhiều vào sự lựa chọn của các tính năng và người phân loại; do đó, ứng dụng và độ chính xác của chúng thường bị hạn chế đối với dữ liệu cấu trúc phức tạp. Nghiên cứu này nhằm mục đích phát triển mô hình DL mới, cụ thể là mạng nơ ron tích chập một chiều (1D-CNN), để phát hiện thiệt hại cấu trúc sử dụng dữ liệu chuỗi thời gian. Mô hình 1D-CNN có thể tự động trích xuất các đặc điểm của chuỗi thời gian một chiều dữ liệu mà không cần trích xuất tính năng thủ công. Hiệu suất của mô hình 1D-CNN được đề xuất được đánh giá bằng hai thử nghiệm bộ dữ liệu chuẩn của khung thép quy mô lớn và bộ dữ liệu số của cầu treo chịu kích thích địa chấn thông qua ma trận nhầm lẫn, độ chính xác, độ nhạy (thu hồi), độ đặc hiệu, độ chính xác, điểm F1 và diện tích dưới đường cong (AUC) dưới đường cong đặc tính vận hành máy thu (ROC). Kết quả cho thấy mô hình 1D-CNN đề xuất đạt được hiệu quả vượt trội độ chính xác về mức độ nghiêm trọng của thiệt hại và xác định vị trí thiệt hại của các công trình.