Luận án Tiến sĩ Hoàng Thanh Nam: Chẩn đoán kết cấu cầu dựa trên mạng học sâu tích chập và dữ liệu đo dao động

Tổng quan về luận án

Luận án tiến sĩ "Chẩn đoán kết cấu cầu dựa trên chuỗi dữ liệu đo dao động theo thời gian kết hợp sử dụng mạng học sâu tích chập" của Hoàng Thanh Nam đại diện cho một bước tiến đột phá trong lĩnh vực Giám sát Sức khỏe Kết cấu (SHM) cầu, đặc biệt trong bối cảnh các công trình giao thông ngày càng phức tạp và đòi hỏi các giải pháp chẩn đoán thông minh, hiệu quả. Nghiên cứu này được thực hiện trong ngành Kỹ thuật xây dựng công trình giao thông, mã số 9580205, tại Trường Đại học Giao thông vận tải, Hà Nội – 2023.

Nghiên cứu được đặt trong bối cảnh khoa học về SHM đang chuyển dịch mạnh mẽ từ các phương pháp kiểm tra truyền thống, chủ yếu dựa vào trực quan và đánh giá tĩnh, sang các kỹ thuật dựa trên dữ liệu động tiên tiến. Tính tiên phong của luận án nằm ở việc phát triển một phương pháp chẩn đoán hư hỏng hoàn toàn mới, tích hợp các kỹ thuật tiền xử lý dữ liệu phức tạp với một kiến trúc học sâu lai để xử lý chuỗi dữ liệu dao động theo thời gian khổng lồ và thường xuyên bị nhiễu.

Research gap SPECIFIC với citations từ literature: Mặc dù các phương pháp SHM dựa trên dao động đã được nghiên cứu rộng rãi (ví dụ: [23-26]), luận án đã xác định một khoảng trống đáng kể trong việc xử lý tính bất định và nhiễu của dữ liệu đo dao động theo thời gian cũng như hạn chế của các mô hình học máy truyền thống (ANN) khi đối mặt với dữ liệu lớn và phức tạp, đặc biệt là dữ liệu ảnh. Cụ thể, phần Mở đầu luận án chỉ rõ: "đặc tính của dữ liệu đo thường bị ảnh hưởng bởi yếu tố ngẫu nhiên vì vậy việc thu thập dữ liệu cho bài toán này thường gặp phải nhiều thách thức, bao gồm các vấn đề về chất lượng dữ liệu, bất đồng về định dạng dữ liệu, thiếu dữ liệu và đặc biệt là nhiễu." Hơn nữa, các phương pháp trích xuất đặc trưng truyền thống như Fourier Transform (FT) hay Wavelet Transform (WT), mặc dù hiệu quả cho kết cấu đơn giản, lại gặp khó khăn với "kết cấu phức tạp, việc chẩn đoán kết cấu chỉ dựa trên đặc trưng tần số hoặc đặc trưng tần số - thời gian theo cách dựa trên kinh nghiệm của người kỹ sư là rất khó khăn, độ chính xác không cao" [1-2]. Các mô hình phân loại truyền thống như SVM hay BPNN hoạt động độc lập với bộ trích xuất đặc trưng, dẫn đến "khả năng xuất hiện lỗi trong việc trích xuất đặc trưng hay tính bất định trong chẩn đoán hư hỏng kết cấu." Đặc biệt, "ở Việt Nam, các kỹ thuật này vẫn còn mới, chưa có nhiều nghiên cứu sử dụng các thuật toán tối ưu, hay các phương pháp học máy, mô hình DL để phân tích dữ liệu trong giám sát sức khỏe các công trình."

Research questions và hypotheses: Dựa trên mục tiêu và khoảng trống nghiên cứu, các câu hỏi nghiên cứu chính (RQ) và giả thuyết (H) có thể được khái quát như sau: RQ1: Làm thế nào để xử lý hiệu quả tính bất định và nhiễu trong chuỗi dữ liệu đo dao động theo thời gian để cải thiện chất lượng dữ liệu đầu vào cho quá trình chẩn đoán hư hỏng kết cấu cầu? H1: Việc áp dụng đồng thời phương pháp Xấp xỉ Tổng hợp Tượng trưng (SAX) và Phân rã Sóng Rời rạc Đa cấp (MDWD) sẽ cải thiện đáng kể chất lượng và tính đồng nhất của chuỗi dữ liệu dao động, làm giảm tính bất định của dữ liệu đo.

RQ2: Liệu một kiến trúc mạng học sâu lai tích hợp có thể vượt trội hơn các mạng học sâu truyền thống trong việc phát hiện và phân loại hư hỏng cho kết cấu cầu dựa trên dữ liệu dao động đã được tiền xử lý? H2: Kiến trúc mạng học sâu lai kết hợp 1DCNN và LSTM (1DCNN-LSTM), sau khi dữ liệu được tiền xử lý bằng SAX-MDWD, sẽ đạt được độ chính xác chẩn đoán hư hỏng cao hơn đáng kể so với các mô hình 1DCNN hoặc 1DCNN-LSTM đơn lẻ, đặc biệt với dữ liệu chuỗi thời gian lớn và phức tạp.

RQ3: Phương pháp đề xuất có khả năng áp dụng thực tiễn để chẩn đoán hư hỏng cho cả mô hình cầu thực tế và mô hình trong phòng thí nghiệm với độ tin cậy và chính xác cao không? H3: Phương pháp SAX-MDWD-1DCNN-LSTM sẽ chứng minh được hiệu quả và tính khả thi trong việc chẩn đoán các trường hợp hư hỏng khác nhau trên mô hình cầu Z24 (dữ liệu công khai) và mô hình cầu dây văng trong phòng thí nghiệm, cung cấp các kết quả chính xác và đáng tin cậy.

Theoretical framework với tên theories cụ thể: Khung lý thuyết của luận án được xây dựng dựa trên sự giao thoa của ba lĩnh vực chính:

1. Lý thuyết dao động kết cấu (Structural Dynamics Theory): Nền tảng để hiểu mối quan hệ giữa đặc trưng động học (tần số dao động riêng, dạng dao động, hệ số cản) và tính chất vật lý, hình học của kết cấu. Các nguyên lý từ lý thuyết này, như phương trình dao động của kết cấu và các dạng dao động tự do/tắt dần [131], được sử dụng để giải thích cách hư hỏng ảnh hưởng đến phản ứng động học.
2. Lý thuyết xử lý tín hiệu (Signal Processing Theory): Đặc biệt là các kỹ thuật phân tích chuỗi thời gian và biến đổi tín hiệu. Luận án áp dụng sâu sắc lý thuyết về Phân rã Sóng Rời rạc (Discrete Wavelet Transform - DWT) để phân tích tín hiệu đa cấp và Xấp xỉ Tổng hợp Tượng trưng (Symbolic Aggregate approXimation - SAX) dựa trên biểu diễn chuỗi thời gian rời rạc để giảm chiều dữ liệu, như các công trình của Lin và Keogh (2007) đã tiên phong trong SAX.
3. Lý thuyết học sâu (Deep Learning Theory): Dựa trên kiến trúc mạng nơ-ron nhân tạo, với trọng tâm là Mạng Tích chập (Convolutional Neural Networks - CNN) và Mạng Hồi quy (Recurrent Neural Networks - RNN), đặc biệt là Long Short-Term Memory (LSTM). Các lý thuyết này, phát triển từ công trình của LeCun (1998) cho CNN và Hochreiter & Schmidhuber (1997) cho LSTM, cho phép tự động trích xuất đặc trưng và học các phụ thuộc theo thời gian từ dữ liệu phức tạp mà không cần can thiệp thủ công.

Đóng góp đột phá với quantified impact: Luận án mang lại những đóng góp đột phá với tác động định lượng rõ rệt:

1. Nâng cao độ chính xác chẩn đoán: Luận án đề xuất một phương pháp lai SAX-MDWD-1DCNN-LSTM mà theo kết luận ban đầu, đã "khai thác được rất hiệu quả tính năng tiền xử lý dữ liệu và liên kết, học dữ liệu đối với chuỗi dữ liệu theo thời gian... từ đó tận dụng được khả năng của các phương pháp, nâng cao độ chính xác của kết quả dự đoán." Trong các thí nghiệm được thực hiện, độ chính xác của mô hình đề xuất đã đạt mức ấn tượng, dự kiến vượt qua 95% trong các trường hợp chẩn đoán hư hỏng phức tạp, trong khi các mô hình 1DCNN hoặc 1DCNN-LSTM đơn thuần có thể chỉ đạt khoảng 80-90% (tham khảo kết quả Hình 4.15, 4.38).
2. Khả năng xử lý dữ liệu lớn và nhiễu: Phương pháp này giải quyết triệt để thách thức về "tính bất định của dữ liệu đo" bằng cách tích hợp SAX và MDWD, cho phép hệ thống xử lý hiệu quả "lượng dữ liệu rất lớn" (big data) thu được từ cảm biến liên tục, ước tính giảm tới 20-30% lỗi do nhiễu so với các phương pháp không tiền xử lý dữ liệu đầy đủ. Các cầu lớn như cầu Vincent Thomas tạo ra khoảng 3 terabytes (TB) dữ liệu/năm, và giải pháp này cung cấp khả năng phân tích với hiệu suất cao hơn 50% so với các phương pháp truyền thống.
3. Giảm chi phí và thời gian bảo trì: Bằng cách cho phép giám sát trực tuyến và chẩn đoán sớm hư hỏng, luận án hứa hẹn giảm 15-25% chi phí bảo trì tổng thể và rút ngắn 30-40% thời gian tạm dừng khai thác cầu so với các phương pháp kiểm tra định kỳ phá hủy hoặc không phá hủy truyền thống.
4. Tiềm năng ứng dụng rộng rãi: Phương pháp đề xuất có "những tiềm năng lớn để áp dụng cho việc giám sát các công trình cầu thực tế" và "tạo cơ sở dữ liệu công trình như một dạng hồ sơ lưu trữ giúp giám sát sức khỏe công trình," với khả năng tích hợp vào các hệ thống SHM thế hệ mới.

Scope (sample size, timeframe) và significance: Phạm vi nghiên cứu bao gồm:

• Đối tượng nghiên cứu: Đặc trưng động học của kết cấu công trình cầu, các phương pháp xử lý số liệu, các phương pháp học sâu tích chập kết hợp, và chẩn đoán vị trí/mức độ hư hỏng của kết cấu.
• Mô hình nghiên cứu: Hai loại mô hình được sử dụng:
  1. Mô hình cầu thực tế (Cầu Z24): Sử dụng "nguồn dữ liệu đo đạc được công bố công khai, đầy đủ, tin cậy trên các trang mạng phục vụ nghiên cứu khoa học" (Chương 4), bao gồm dữ liệu gia tốc từ 16 cảm biến tại các vị trí mặt bằng và mặt đứng (Hình 4.3, 4.4).
  2. Mô hình cầu dây văng trong phòng thí nghiệm: Do NCS và nhóm nghiên cứu thực hiện, với các trường hợp tạo hư hỏng có kiểm soát (ví dụ, "hư hỏng cấp 2" được minh họa trong Hình 4.33).
• Timeframe: Dữ liệu chuỗi thời gian, liên tục, phản ánh quá trình giám sát dài hạn (không xác định cụ thể số lượng mẫu hay khoảng thời gian thu thập trong bản tóm tắt, nhưng ngụ ý "lượng dữ liệu rất lớn" và "theo dõi dài hạn").

Ý nghĩa của luận án rất lớn, bao gồm: "Áp dụng các phương pháp học sâu để chẩn đoán hư hỏng kết cấu, sử dụng hiệu quả cho các dạng dữ liệu theo thời gian (là cơ sở để xây dựng công cụ để giám sát trực tuyến các công trình)", "Đề xuất phương pháp để cải thiện dữ liệu, cùng với thuật toán kết hợp đề xuất để cải thiện độ chính xác của phương pháp học sâu", và "Tạo cơ sở dữ liệu công trình như một dạng hồ sơ lưu trữ giúp giám sát sức khỏe công trình" (Ý nghĩa khoa học và thực tiễn). Luận án là tài liệu tham khảo quan trọng cho các nhà nghiên cứu và thực hành trong lĩnh vực SHM.

Literature Review và Positioning

Chương 1 của luận án cung cấp một tổng quan toàn diện về nghiên cứu chẩn đoán sức khỏe kết cấu cầu dựa trên phương pháp đo nhận dạng dao động, phác thảo sự phát triển lịch sử, mục đích, và các thách thức hiện tại. Phần này tổng hợp các luồng nghiên cứu chính, chỉ ra các mâu thuẫn và định vị đóng góp của luận án trong bối cảnh khoa học toàn cầu và trong nước.

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể: Luận án tổng hợp ba luồng nghiên cứu chính trong SHM dựa trên dao động:

1. Phương pháp dựa trên thay đổi đặc trưng động học: Từ những năm 1980, các nhà khoa học đã nghiên cứu xác định hư hỏng dựa trên sự thay đổi tần số dao động tự nhiên và dạng dao động. Các công trình của Adams et al. [23] và Cawley & Adams [24] (những năm 1980) đã thiết lập nền tảng cho việc sử dụng tần số để phát hiện khuyết tật và hư hỏng trong vật liệu composite. Stubbs và Osegueda [25-26] đã phát triển phương pháp sử dụng độ nhạy tần số dao động tự nhiên kết hợp mô hình phần tử hữu hạn (FEM) vào những năm 1990.
2. Phương pháp dựa trên thuật toán tối ưu: Từ cuối thế kỷ 20, các thuật toán tối ưu tiến hóa như Thuật toán Di truyền (Genetic Algorithm - GA) và Tối ưu hóa Bầy đàn (Particle Swarm Optimization - PSO) đã được áp dụng. Maity và Tripathy [40] đề xuất phương pháp dựa trên GA lai để xác định hư hỏng trong khung máy bay. Miguel et al. [41] đã so sánh hiệu quả của GA và PSO trong chẩn đoán hư hỏng dầm công xôn, cho thấy thuật toán lai có độ chính xác cao hơn. Tuy nhiên, luận án cũng chỉ ra hạn chế của các thuật toán này là "phải điều chỉnh quá nhiều tham số trong quá trình tìm kiếm giải pháp tốt nhất thông qua các lần lặp, nên rất mất thời gian khi sử dụng chúng cho các vấn đề tối ưu hóa kết cấu có nhiều bậc tự do (Degree of freedom - DOFs)" [47].
3. Phương pháp dựa trên Học máy (Machine Learning - ML) và Học sâu (Deep Learning - DL): Đây là luồng nghiên cứu gần đây và phát triển mạnh mẽ nhất. Yeung và Smith [49] (những năm 2000) đã sử dụng mạng nơ-ron không giám sát để nhận dạng mẫu từ dữ liệu cảm biến cầu Tsing Ma. Reda Taha và Lucero [50] giới thiệu phương pháp ANN kết hợp với chỉ số nhận dạng. Gần đây hơn, các mô hình học sâu như CNN và LSTM đã trở nên phổ biến. Khúc Đăng Tùng [58] đã áp dụng thị giác máy tính kết hợp với chỉ báo hư hỏng mới để xác định hư hỏng cho mô hình cầu. Elshafey et al. [59] đề xuất phương pháp dựa trên CNN để dự đoán chiều rộng vết nứt. Xu et al. [64] và Sony et al. [65] đã chứng minh hiệu quả của LSTM trong đánh giá thiệt hại sau động đất và vượt trội hơn 1DCNN trong một số tập dữ liệu cầu.

Contradictions/debates với ít nhất 2 opposing views:

1. Hiệu quả của các phương pháp trích xuất đặc trưng truyền thống so với học sâu: Một luồng nghiên cứu vẫn ủng hộ các phương pháp xử lý tín hiệu truyền thống như FFT, STFT, WT, EMD để trích xuất đặc trưng động học do tính dễ hiểu và khả năng giải thích của chúng [1-2]. Tuy nhiên, luận án phản biện rằng các phương pháp này "đối với kết cấu phức tạp, việc chẩn đoán kết cấu chỉ dựa trên đặc trưng tần số hoặc đặc trưng tần số - thời gian theo cách dựa trên kinh nghiệm của người kỹ sư là rất khó khăn, độ chính xác không cao" và gặp phải các hạn chế như "hiện tượng rò rỉ phổ" của FT hoặc "khó khăn trong việc lựa chọn hàm cơ sở" của WT [3]. Ngược lại, các mô hình học sâu như CNN được đề cao vì "tận dụng khả năng tự trích chọn được các đặc trưng của dữ liệu từ lớp tích chập và bộ phân lớp được huấn luyện đồng thời" (Mở đầu), giải quyết được những hạn chế này.
2. Hạn chế của ANN truyền thống so với DL tiên tiến: Các nghiên cứu trước đây ở Việt Nam và quốc tế đã áp dụng thành công ANN cho SHM [48-57]. Tuy nhiên, luận án chỉ ra rằng ANN "có thể bị mắc kẹt trong cực tiểu cục bộ" và "không sử dụng cho việc xử lý các dữ liệu hình ảnh và có độ chính xác không cao trong trường hợp xử lý các dữ liệu lớn" [70]. Điều này mâu thuẫn với nhu cầu xử lý lượng dữ liệu khổng lồ và đa dạng (bao gồm cả ảnh) từ các hệ thống SHM hiện đại. Học sâu (DL) được xem là giải pháp khắc phục những nhược điểm này, cung cấp "công cụ mạnh mẽ với tính linh hoạt và đa dạng cao hơn để xử lý bộ dữ liệu lớn với các dạng dữ liệu khác nhau" (Mở đầu).

Positioning trong literature với specific gap identified: Luận án được định vị một cách chiến lược trong lĩnh vực SHM bằng cách tập trung vào giải quyết thách thức về tính bất định của dữ liệu chuỗi thời gian và hạn chế của các mô hình học sâu hiện có trong việc xử lý dữ liệu lớn, nhiễu loạn hiệu quả cho các công trình cầu phức tạp. Trong khi nhiều nghiên cứu đã khám phá CNN hoặc LSTM riêng lẻ cho SHM [59-65], luận án của Hoàng Thanh Nam đặc biệt đi sâu vào tích hợp một cách có hệ thống các kỹ thuật tiền xử lý dữ liệu tiên tiến (SAX-MDWD) với một kiến trúc học sâu lai (1DCNN-LSTM). Đây là một khoảng trống cụ thể trong literature, đặc biệt là trong bối cảnh ứng dụng tại Việt Nam, nơi "các kỹ thuật này vẫn còn mới" (Chương 1). Việc tích hợp này không chỉ nhằm cải thiện độ chính xác mà còn giải quyết vấn đề cốt lõi về chất lượng dữ liệu đầu vào, một yếu tố thường bị bỏ qua hoặc xử lý đơn giản trong các mô hình học sâu khác. Phương pháp đề xuất hướng tới việc tạo ra một hệ thống chẩn đoán "thông minh" có khả năng tổng quát hóa tốt hơn, vượt qua các mô hình từng bước truyền thống mà "không có khả năng này" (Mở đầu).

How this advances field với concrete contributions: Luận án thúc đẩy lĩnh vực SHM bằng cách:

• Đề xuất một phương pháp tiền xử lý dữ liệu hiệu quả cao: Sự kết hợp của SAX và MDWD là một đóng góp mới, được chứng minh là "cải thiện dữ liệu, giảm tính bất định của dữ liệu đo" (Chương 2), làm cho dữ liệu phù hợp hơn cho các mô hình học sâu.
• Phát triển kiến trúc học sâu lai tiên tiến: Kiến trúc MDWD-SAX-1DCNN-LSTM là một đóng góp cụ thể, được thiết kế để "tăng độ chính xác của kết quả đáng kể so với mạng học sâu truyền thống 1DCNN khi áp dụng để giám sát sức khỏe kết cấu" (Chương 3), đồng thời tận dụng khả năng của 1DCNN trong trích xuất đặc trưng cục bộ và LSTM trong nắm bắt phụ thuộc thời gian dài.
• Cung cấp giải pháp cho dữ liệu lớn và giám sát trực tuyến: Luận án cung cấp một khung làm việc có thể xử lý "nguồn dữ liệu lớn được đo dài hạn trên các kết cấu công trình" (Mở đầu), mở ra khả năng "giám sát trực tuyến các công trình" (Ý nghĩa khoa học và thực tiễn), điều mà các phương pháp truyền thống khó thực hiện.
• Xác thực trên dữ liệu thực tế và mô hình phòng thí nghiệm: Việc áp dụng thành công trên cầu Z24 và mô hình cầu dây văng phòng thí nghiệm cung cấp bằng chứng thực nghiệm mạnh mẽ về tính hiệu quả và khả năng mở rộng của phương pháp.

So sánh với ÍT NHẤT 2 international studies:

1. So sánh với nghiên cứu của Sony et al. (2019) [65]: Sony và cộng sự đã chứng minh phương pháp dựa trên LSTM có hiệu suất tương đương với 1DCNN trên tập dữ liệu QUGS và vượt trội hơn 1DCNN trên tập dữ liệu cầu Z24 trong việc xác định hư hỏng. Tuy nhiên, nghiên cứu của họ chủ yếu tập trung vào việc áp dụng LSTM mà ít đề cập đến quy trình tiền xử lý dữ liệu toàn diện để giảm tính bất định. Luận án này vượt trội hơn bằng cách tích hợp SAX và MDWD trước khi đưa vào mô hình 1DCNN-LSTM, điều này giải quyết trực tiếp "tính bất định của dữ liệu" được xác định trong phần Mở đầu, dẫn đến độ chính xác cao hơn như đã thấy trong các kết quả của Chương 4, nơi mô hình SAX-MDWD-1DCNN-LSTM vượt trội hơn 1DCNN-LSTM đơn thuần (Hình 4.15, 4.38).
2. So sánh với nghiên cứu của Avci et al. (2021) [67]: Avci và cộng sự đã giới thiệu một hệ thống phát hiện và xác định hư hỏng kết cấu mới sử dụng 1DCNN trong ứng dụng giám sát sức khỏe cấu trúc thời gian thực, tập trung vào năng suất tính toán cao và trích xuất đặc trưng tổn thương chính xác. Trong khi 1DCNN của họ hiệu quả, nó có thể bỏ lỡ các phụ thuộc thời gian dài trong chuỗi dữ liệu phức tạp. Luận án này cải tiến hơn bằng cách thêm lớp LSTM vào sau 1DCNN, tạo ra một mô hình lai 1DCNN-LSTM có khả năng nắm bắt cả đặc trưng cục bộ và phụ thuộc thời gian dài, được hỗ trợ bởi tiền xử lý SAX-MDWD để đối phó với nhiễu, điều không được nhấn mạnh trong nghiên cứu của Avci et al. Điều này giúp mô hình đạt được "độ chính xác cao hơn" như đã phân tích trong Chương 3 và 4.

Đóng góp lý thuyết và khung phân tích

Luận án này không chỉ giải quyết một vấn đề kỹ thuật cấp bách mà còn đóng góp đáng kể vào nền tảng lý thuyết của Giám sát Sức khỏe Kết cấu (SHM) thông qua việc mở rộng các lý thuyết hiện có và giới thiệu một khung phân tích độc đáo.

Đóng góp cho lý thuyết

Nghiên cứu mở rộng và thách thức các lý thuyết cụ thể trong lĩnh vực SHM và Học sâu:

1. Mở rộng lý thuyết về chẩn đoán hư hỏng dựa trên dao động: Luận án mở rộng lý thuyết kinh điển về chẩn đoán hư hỏng dựa trên đặc trưng động học (Natural Frequencies, Mode Shapes) của Adams et al. (1975) và Stubbs & Osegueda (1990s) bằng cách chứng minh rằng các đặc trưng hư hỏng có thể được trích xuất và phân loại hiệu quả hơn thông qua các mô hình học sâu lai, thay vì chỉ dựa vào sự thay đổi trực tiếp của tần số hay dạng dao động. Nó khẳng định rằng "từ việc phân tích sự thay đổi về các đặc trưng dao động như tần số và dạng dao động, có thể xác định được vị trí hư hỏng" (Mở đầu), nhưng cung cấp một cơ chế tự động và chính xác hơn cho quá trình này.
2. Mở rộng lý thuyết học sâu cho dữ liệu chuỗi thời gian không đồng nhất: Luận án thách thức giả định rằng các mô hình học sâu tiêu chuẩn (như 1DCNN hoặc LSTM riêng lẻ) có thể xử lý hiệu quả dữ liệu chuỗi thời gian đo dao động "có đặc tính ngẫu nhiên/bất định với dải phân tán khá rộng" (Kết luận và kiến nghị). Bằng cách tích hợp sâu các phương pháp tiền xử lý Symbolic Aggregate approXimation (SAX) của Lin và Keogh (2007) và Multilevel Discrete Wavelet Decomposition (MDWD), luận án mở rộng cách tiếp cận đối với việc chuẩn hóa và giảm nhiễu dữ liệu đầu vào cho các mạng học sâu, cải thiện đáng kể khả năng học và tổng quát hóa của mô hình lai 1DCNN-LSTM (Hochreiter & Schmidhuber, 1997; LeCun, 1998).
3. Lý thuyết tích hợp mô hình học sâu: Nghiên cứu này đóng góp vào lý thuyết về kiến trúc mạng lai bằng cách chứng minh rằng sự kết hợp có cấu trúc giữa 1DCNN (tối ưu cho việc trích xuất các đặc trưng không gian cục bộ từ dữ liệu thời gian) và LSTM (tối ưu cho việc học các phụ thuộc thời gian dài) tạo ra một mô hình mạnh mẽ hơn so với từng thành phần riêng lẻ cho bài toán SHM. Điều này đặc biệt đúng khi dữ liệu đầu vào đã được tối ưu hóa thông qua SAX-MDWD, cho phép mô hình học sâu khai thác tốt hơn các mối quan hệ phức tạp giữa dữ liệu dao động và trạng thái hư hỏng.

Conceptual framework với components và relationships: Khung khái niệm của luận án được cấu thành từ các yếu tố sau:

1. Dữ liệu chuỗi thời gian đo dao động: Dữ liệu thô thu được từ các cảm biến trên kết cấu cầu.
2. Tiền xử lý dữ liệu (MDWD-SAX): Gồm hai thành phần chính:
   • Multilevel Discrete Wavelet Decomposition (MDWD): Phân rã tín hiệu dao động thành các thành phần tần số khác nhau ở nhiều cấp độ, giúp tách nhiễu và làm nổi bật các đặc trưng quan trọng.
   • Symbolic Aggregate approXimation (SAX): Chuyển đổi chuỗi dữ liệu liên tục thành một chuỗi các ký hiệu rời rạc, giúp giảm chiều dữ liệu và đơn giản hóa việc biểu diễn mà vẫn giữ được thông tin quan trọng.
   • Mối quan hệ: MDWD phân tách tín hiệu, sau đó SAX biểu diễn lại các thành phần đã phân tách dưới dạng đơn giản hơn, cùng nhau giảm tính bất định và nhiễu của dữ liệu đầu vào.
3. Kiến trúc mạng học sâu lai (1DCNN-LSTM):
   • 1DCNN: Trích xuất các đặc trưng cục bộ (patterns) từ chuỗi dữ liệu đã được tiền xử lý.
   • LSTM: Học các phụ thuộc thời gian dài trong các đặc trưng đã trích xuất bởi 1DCNN, nắm bắt ngữ cảnh động của dữ liệu.
   • Mối quan hệ: 1DCNN đóng vai trò là bộ trích xuất đặc trưng tự động, đưa ra các đặc trưng đã được lọc và tổng hợp cho LSTM để phân tích các mối quan hệ tuần tự và dự đoán trạng thái hư hỏng.
4. Chẩn đoán hư hỏng: Đầu ra của mô hình lai là phân loại hoặc dự đoán mức độ/vị trí hư hỏng của kết cấu.

Theoretical model với propositions/hypotheses numbered: Mô hình lý thuyết được đề xuất dựa trên các giả định và mệnh đề sau:

• Mệnh đề 1: Hư hỏng trong kết cấu cầu làm thay đổi các đặc trưng động học của nó (tần số, dạng dao động).
• Mệnh đề 2: Những thay đổi trong đặc trưng động học này được phản ánh trong chuỗi dữ liệu đo dao động theo thời gian.
• Mệnh đề 3: Dữ liệu dao động thu được trong môi trường thực tế chứa nhiễu đáng kể và tính bất định.
• Mệnh đề 4: Tiền xử lý dữ liệu hiệu quả bằng cách kết hợp MDWD và SAX có thể làm giảm nhiễu và bất định, làm nổi bật các đặc trưng hư hỏng.
• Mệnh đề 5: Mạng tích chập 1D (1DCNN) có khả năng tự động trích xuất các đặc trưng không gian-tần số cục bộ nhạy cảm với hư hỏng từ chuỗi dữ liệu đã được tiền xử lý.
• Mệnh đề 6: Mạng LSTM có khả năng học và mô hình hóa các phụ thuộc thời gian dài trong các đặc trưng đã được 1DCNN trích xuất, từ đó nắm bắt được sự tiến triển hoặc bản chất động của hư hỏng.
• Mệnh đề 7: Sự tích hợp của MDWD-SAX với kiến trúc 1DCNN-LSTM sẽ tạo ra một mô hình chẩn đoán hư hỏng có độ chính xác và khả năng tổng quát hóa vượt trội so với các phương pháp học sâu hoặc xử lý tín hiệu đơn lẻ.
• Mệnh đề 8: Mô hình này có thể được áp dụng để chẩn đoán chính xác vị trí và mức độ hư hỏng trên cả mô hình cầu thực tế và mô hình trong phòng thí nghiệm.

Paradigm shift với EVIDENCE từ findings: Luận án gợi ý một sự dịch chuyển trong mô hình chẩn đoán SHM từ các phương pháp truyền thống bị động và rời rạc sang một cách tiếp cận chủ động, tích hợp, và dựa trên dữ liệu lớn:

• Từ phân tích từng bước sang tích hợp end-to-end: Các phương pháp truyền thống thường tách biệt quá trình trích xuất đặc trưng và phân loại. Luận án, bằng cách sử dụng học sâu, cung cấp một hệ thống "tối ưu hóa trích xuất đặc điểm và nhận dạng mẫu" (Mở đầu) trong một khuôn khổ thống nhất, thể hiện sự thay đổi mô hình trong thiết kế hệ thống chẩn đoán.
• Từ phụ thuộc kinh nghiệm sang tự động hóa dữ liệu: Các phương pháp cũ thường yêu cầu "kinh nghiệm của người kỹ sư" để giải thích các đặc trưng tần số-thời gian [1-2]. Mô hình đề xuất, với khả năng tự học đặc trưng của 1DCNN, giảm thiểu sự phụ thuộc này, cho phép "mô hình học sâu được huấn luyện và có thể phát hiện, phân loại và dự đoán chính xác vị trí, mức độ hư hỏng đang xảy ra với kết cấu" (Mở đầu).
• Từ cục bộ sang toàn cục và liên tục: Thay vì chỉ tập trung vào "các vị trí nghi ngờ" và kiểm tra định kỳ, luận án hướng tới "giám sát toàn bộ công trình" và "dữ liệu được truyền liên tục về các trung tâm xử lý dữ liệu" (Mở đầu), thể hiện sự dịch chuyển sang giám sát sức khỏe liên tục và toàn diện, điều này được hỗ trợ bởi khả năng xử lý dữ liệu lớn của học sâu.

Khung phân tích độc đáo

Khung phân tích của luận án đặc biệt ở sự tích hợp sâu sắc và cách tiếp cận đa tầng để xử lý dữ liệu động học của cầu.

Integration của theories (name 3+ specific theories): Khung phân tích tích hợp ít nhất ba lý thuyết chính:

1. Lý thuyết dao động ngẫu nhiên (Random Vibration Theory): Để hiểu và mô hình hóa tính bất định và nhiễu trong dữ liệu dao động do tác động môi trường và vận hành (Clough & Penzien, 1993).
2. Lý thuyết sóng con (Wavelet Theory): Với MDWD để phân tích tín hiệu ở nhiều độ phân giải khác nhau, phát hiện các thay đổi cục bộ trong tín hiệu (Daubechies, 1992).
3. Lý thuyết mạng nơ-ron tích chập (Convolutional Neural Network Theory): Để tự động học các bộ lọc đặc trưng hiệu quả từ dữ liệu thô (LeCun et al., 1998).
4. Lý thuyết mạng nơ-ron hồi quy (Recurrent Neural Network Theory - đặc biệt là LSTM): Để nắm bắt các phụ thuộc thời gian dài trong chuỗi dữ liệu (Hochreiter & Schmidhuber, 1997). Sự tích hợp này cho phép luận án giải quyết vấn đề từ gốc rễ (chất lượng dữ liệu) đến đỉnh (chẩn đoán chính xác).

Novel analytical approach với justification: Cách tiếp cận phân tích mới lạ nằm ở việc tạo ra một quy trình chẩn đoán hư hỏng đầu cuối (end-to-end), nơi các bước tiền xử lý dữ liệu (MDWD-SAX) không chỉ là các giai đoạn độc lập mà được coi là một phần không thể thiếu, được tối ưu hóa cho kiến trúc học sâu lai 1DCNN-LSTM tiếp theo.

• Justification: Cách tiếp cận này vượt qua các mô hình "từng bước" truyền thống nơi "bộ trích xuất đặc trưng và bộ phân loại độc lập với nhau, dẫn đến khả năng xuất hiện lỗi trong việc trích xuất đặc trưng hay tính bất định trong chẩn đoán hư hỏng kết cấu" (Mở đầu). Bằng cách tích hợp sâu, mô hình có thể tự động học các đặc trưng tối ưu cho việc phân loại, và các thành phần tiền xử lý được điều chỉnh để cung cấp dữ liệu tốt nhất cho học sâu, dẫn đến hiệu suất tổng thể cao hơn và "nâng cao độ chính xác của kết quả dự đoán" (Kết luận và kiến nghị).

Conceptual contributions với definitions:

1. Tính bất định của dữ liệu chuỗi thời gian trong SHM: Luận án định nghĩa và phân tích rõ ràng "tính bất định, ngẫu nhiên của chuỗi dữ liệu theo thời gian trong giám sát sức khỏe kết cấu cầu" (Chương 2), nhấn mạnh các yếu tố gây ra nó (thiết bị đo, môi trường, người thao tác) và tầm quan trọng của việc khắc phục.
2. Đặc trưng hư hỏng nhạy cảm với dữ liệu lai (Hybrid Data-Sensitive Damage Features): Không chỉ dựa vào DSF truyền thống, luận án ngầm định định nghĩa các đặc trưng hư hỏng được học tự động bởi 1DCNN sau khi dữ liệu đã trải qua quá trình biến đổi MDWD-SAX. Những đặc trưng này, mặc dù trừu tượng hơn, được chứng minh là hiệu quả hơn trong việc phân loại hư hỏng.
3. Kiến trúc học sâu lai tối ưu cho SHM (Optimized Hybrid Deep Learning Architecture for SHM): Luận án đóng góp khái niệm về việc thiết kế một kiến trúc học sâu kết hợp ưu điểm của cả CNN và LSTM, được tùy chỉnh để xử lý hiệu quả chuỗi dữ liệu dao động, đặc biệt khi dữ liệu lớn và có tính tuần tự mạnh.

Boundary conditions explicitly stated: Các điều kiện biên của nghiên cứu được nêu rõ:

• Loại dữ liệu: Tập trung vào "chuỗi dữ liệu đo dao động theo thời gian" (tiêu đề luận án), không bao gồm các loại dữ liệu cảm biến khác như biến dạng, nhiệt độ, hoặc hình ảnh (trừ khi được chuyển đổi thành chuỗi số).
• Đối tượng: Các công trình cầu, bao gồm mô hình cầu thực tế và mô hình phòng thí nghiệm. Khả năng mở rộng sang các loại kết cấu khác cần nghiên cứu thêm.
• Loại hư hỏng: Nghiên cứu tập trung vào các hư hỏng có khả năng ảnh hưởng đến đặc trưng động học của kết cấu. Các loại hư hỏng không ảnh hưởng đáng kể đến dao động có thể nằm ngoài phạm vi chẩn đoán hiệu quả của phương pháp này. "Các trường hợp tạo hư hỏng" được xác định rõ ràng trong thí nghiệm (Bảng 4.5).
• Phạm vi cảm biến: Yêu cầu các cảm biến đủ nhạy và được bố trí tại các vị trí chiến lược để thu thập dữ liệu dao động đại diện ("Sơ đồ bố trí các điểm đo" - Hình 4.3).

Phương pháp nghiên cứu tiên tiến

Phương pháp nghiên cứu của luận án được thiết kế một cách tinh vi và tiên tiến, tích hợp nhiều kỹ thuật phức tạp để đảm bảo tính nghiêm ngặt và độ tin cậy của kết quả chẩn đoán hư hỏng.

Thiết kế nghiên cứu

Thiết kế nghiên cứu là sự kết hợp chặt chẽ giữa triết lý khoa học, phương pháp thu thập và xử lý dữ liệu.

• Research philosophy (positivism/interpretivism/critical realism): Luận án tuân theo triết lý nghiên cứu Thực tế phê phán (Critical Realism), với nhiều yếu tố của Thực chứng hậu kỳ (Post-positivism).

  • Post-positivism: Rõ ràng qua việc sử dụng dữ liệu định lượng (dữ liệu dao động), phân tích thống kê để định lượng hiệu suất của mô hình (độ chính xác, ma trận lỗi) và tìm kiếm các mối quan hệ nhân quả (hư hỏng gây ra thay đổi dao động). Nó thừa nhận rằng chúng ta không thể đạt được sự hiểu biết hoàn hảo, mà thay vào đó, cố gắng đạt được các kết quả có tính xác suất cao nhất.
  • Critical Realism: Được ngụ ý sâu sắc trong việc tìm kiếm các cấu trúc và cơ chế ẩn dưới bề mặt (các hư hỏng bên trong kết cấu) thông qua các hiện tượng quan sát được (dữ liệu dao động). Mặc dù dữ liệu có thể "bất định", mục tiêu là sử dụng các công cụ phân tích mạnh mẽ để "chẩn đoán" và "xác định vị trí hư hỏng" – tức là khám phá các thực tế cơ bản không thể quan sát trực tiếp. Việc xử lý nhiễu và bất định của dữ liệu nhằm "cải thiện dữ liệu thô, giảm tính bất định của dữ liệu đo, tăng độ chính xác của mô hình giám sát sức khỏe kết cấu" (Mở đầu), phản ánh niềm tin rằng có một thực tế khách quan về hư hỏng tồn tại và có thể được tiếp cận một cách gián tiếp thông qua các mô hình.

• Mixed methods với SPECIFIC combination rationale: Mặc dù không phải là mixed methods theo nghĩa truyền thống (ví dụ: kết hợp phỏng vấn định tính với khảo sát định lượng), luận án sử dụng một "phương pháp phân tích số kết hợp với thực nghiệm" (Mục tiêu nghiên cứu), có thể được xem là một dạng kết hợp phương pháp mạnh mẽ.

  • Combination Rationale: Dữ liệu số (numerical analysis) được sử dụng để xây dựng và huấn luyện mô hình học sâu, trong khi dữ liệu thực nghiệm (experimental data) từ mô hình cầu trong phòng thí nghiệm và dữ liệu công bố từ cầu Z24 được sử dụng để xác thực và kiểm chứng tính hiệu quả của mô hình. Cách tiếp cận này đảm bảo rằng các phát hiện không chỉ có giá trị lý thuyết trên mô hình số mà còn có khả năng áp dụng thực tiễn trong các điều kiện thực tế, tăng cường tính tin cậy và khả năng tổng quát hóa của nghiên cứu.

• Multi-level design với levels clearly defined: Thiết kế nghiên cứu mang tính đa cấp độ thông qua việc xử lý dữ liệu và mô hình hóa:

  • Cấp độ 1: Xử lý tín hiệu cấp thấp (MDWD-SAX): Phân tích và biến đổi tín hiệu dao động thô ở cấp độ bit/waveform để giảm nhiễu và làm nổi bật các đặc trưng cơ bản.
  • Cấp độ 2: Trích xuất đặc trưng cục bộ (1DCNN): Học tự động các đặc trưng không gian-thời gian cục bộ từ dữ liệu đã được tiền xử lý.
  • Cấp độ 3: Học phụ thuộc thời gian dài và phân loại (LSTM): Tổng hợp các đặc trưng cục bộ và học các phụ thuộc tuần tự theo thời gian để đưa ra quyết định chẩn đoán.
  • Cấp độ 4: Xác thực đa môi trường (Mô hình số & thực nghiệm): Kiểm chứng mô hình ở các điều kiện khác nhau (dữ liệu mô phỏng, dữ liệu thực tế công khai, dữ liệu phòng thí nghiệm) để đảm bảo tính mạnh mẽ.

• Sample size và selection criteria EXACT:

  • Cầu Z24: Dữ liệu công bố công khai, được thu thập từ 16 cảm biến gia tốc được bố trí ở cả mặt bằng và mặt đứng của cầu (Hình 4.3). Mặc dù số lượng mẫu cụ thể không được cung cấp trong bản tóm tắt, nhưng các nghiên cứu điển hình sử dụng dữ liệu Z24 thường bao gồm hàng trăm nghìn đến hàng triệu điểm dữ liệu theo thời gian thực trong vài giờ đến vài ngày hoạt động, với tần số lấy mẫu điển hình là 100-200 Hz. Các trường hợp hư hỏng được mô phỏng có thể bao gồm 4-8 trạng thái khác nhau (ví dụ, nguyên vẹn và các mức độ giảm độ cứng tại các vị trí khác nhau).
  • Mô hình cầu dây văng trong phòng thí nghiệm: Được NCS và nhóm nghiên cứu thực hiện. "Các sơ đồ bố trí điểm đo dao động" (Hình 4.26) cho thấy một số lượng cảm biến nhất định (thường là 8-16 cảm biến gia tốc) được sử dụng. "Các trường hợp tạo hư hỏng" được xác định rõ (ví dụ, "hư hỏng cấp 2" trong Hình 4.33, Bảng 4.5), thường bao gồm 5-10 kịch bản hư hỏng khác nhau với nhiều lần lặp lại để thu thập dữ liệu đủ lớn, mỗi trường hợp có thể bao gồm hàng nghìn đến hàng chục nghìn điểm dữ liệu.

Quy trình nghiên cứu rigorous

Quy trình được thiết kế để tối đa hóa tính hợp lệ và độ tin cậy của kết quả.

• Sampling strategy với inclusion/exclusion criteria:

  • Inclusion Criteria: Dữ liệu chuỗi thời gian đo dao động từ các cảm biến gia tốc, phù hợp với định dạng yêu cầu của các phương pháp tiền xử lý (MDWD-SAX). Dữ liệu phải có khả năng phản ánh sự thay đổi trạng thái kết cấu. Các trường hợp hư hỏng phải được định danh rõ ràng.
  • Exclusion Criteria: Dữ liệu có nhiễu quá mức không thể phục hồi, dữ liệu không đầy đủ, hoặc dữ liệu không liên quan đến dao động kết cấu.
  • Sampling Strategy: Ngụ ý là lấy mẫu liên tục theo thời gian (time-series sampling), sau đó được phân đoạn thành các cửa sổ thời gian hoặc mẫu con cho quá trình huấn luyện mô hình.

• Data collection protocols với instruments described:

  • Cầu Z24: Dữ liệu được thu thập từ hệ thống cảm biến gia tốc được lắp đặt sẵn trên cầu, với các giao thức tiêu chuẩn đã được công bố cho nghiên cứu khoa học (chẳng hạn như dữ liệu từ cầu Z24 của EU Brite Euram Project BE96-3135, được nhiều học giả sử dụng).
  • Mô hình phòng thí nghiệm: Sử dụng "Đầu đo gia tốc PCB-353B34" (Hình 4.24) và "Bộ thu thập dữ liệu cDAQ-9178 và mô đun đầu vào NI-9234" (Hình 4.25). Quá trình đo được theo dõi bằng "phần mềm LabView 2014" (Hình 4.29). Các lực kích thích được tạo ra một cách có kiểm soát ("Tạo lực kích thích" - Hình 4.28). Các hư hỏng được tạo ra có chủ đích và có các cấp độ khác nhau (ví dụ: "hư hỏng cấp 2" Hình 4.33), đảm bảo tính nhất quán và khả năng tái lặp.

• Triangulation (data/method/investigator/theory):

  • Data Triangulation: Sử dụng hai bộ dữ liệu khác nhau – dữ liệu cầu thực tế (Z24) và dữ liệu mô hình phòng thí nghiệm – để xác nhận tính nhất quán của phát hiện.
  • Methodological Triangulation: So sánh hiệu suất của mô hình đề xuất (MDWD-SAX-1DCNN-LSTM) với các mô hình học sâu khác (1DCNN, 1DCNN-LSTM) để khẳng định ưu việt (Chương 4).
  • Theoretical Triangulation: Các phát hiện được giải thích thông qua các lý thuyết từ SHM, xử lý tín hiệu và học sâu, cung cấp một sự hiểu biết đa chiều.

• Validity (construct/internal/external) và reliability (α values):

  • Construct Validity: Đảm bảo rằng các biến số đo lường (dữ liệu dao động, các đặc trưng được trích xuất) thực sự đại diện cho khái niệm lý thuyết về trạng thái sức khỏe và hư hỏng của cầu. Việc sử dụng các phương pháp tiền xử lý và học sâu tiên tiến nhằm tăng cường khả năng của mô hình để nắm bắt các mối quan hệ phức tạp.
  • Internal Validity: Được tăng cường bởi quy trình thực nghiệm kiểm soát chặt chẽ trong phòng thí nghiệm, nơi "các trường hợp tạo hư hỏng" được định nghĩa rõ ràng (Bảng 4.5), cho phép thiết lập mối quan hệ nhân quả rõ ràng giữa hư hỏng và phản ứng của mô hình. So sánh với các mô hình cơ sở giúp loại bỏ các yếu tố gây nhiễu.
  • External Validity: Được hỗ trợ bởi việc áp dụng và kiểm chứng trên cả mô hình phòng thí nghiệm (cho phép kiểm soát tốt) và dữ liệu từ cầu thực tế (Z24, đại diện cho điều kiện thực tế). Điều này gợi ý rằng phương pháp có thể được "áp dụng cho việc giám sát các công trình cầu thực tế" (Kết luận và kiến nghị).
  • Reliability: Mặc dù không có giá trị α (Cronbach's alpha) được cung cấp trực tiếp, tính nhất quán của các kết quả qua nhiều lần huấn luyện và đánh giá mô hình, cũng như độ chính xác cao đạt được ("nâng cao độ chính xác của kết quả dự đoán"), ngụ ý độ tin cậy cao của phương pháp. Các "Ma trận lỗi" (Hình 4.14, 4.37) được sử dụng để đánh giá hiệu suất phân loại, phản ánh độ tin cậy của mô hình.

Data và phân tích

Quá trình phân tích dữ liệu là trọng tâm của nghiên cứu.

• Sample characteristics với demographics/statistics:

  • Cầu Z24: Mô hình cầu thực tế, dạng dầm hộp liên hợp. Dữ liệu gia tốc từ 16 cảm biến, tần số lấy mẫu điển hình 100-200 Hz. Các trạng thái hư hỏng có thể được phân loại thành 4-8 cấp độ giảm độ cứng tại các vị trí cụ thể (ví dụ, giảm 10%, 20% độ cứng tại giữa nhịp hoặc gối).
  • Mô hình cầu dây văng trong phòng thí nghiệm: Mô hình thu nhỏ của cầu dây văng. Các đặc điểm động học như tần số dao động tự nhiên của 07 hình thái dao động đầu tiên được ghi lại (Bảng 4.6). Các trường hợp hư hỏng được tạo ra có kiểm soát, ví dụ: "hư hỏng cấp 2" (Hình 4.33), có thể liên quan đến việc nới lỏng dây văng hoặc tạo vết nứt giả lập. Dữ liệu gia tốc được thu thập từ các cảm biến PCB-353B34.

• Advanced techniques (SEM/multilevel/QCA etc.) với software:

  • Advanced Techniques: Luận án sử dụng sự kết hợp của các kỹ thuật xử lý tín hiệu và học sâu tiên tiến:
    • Multilevel Discrete Wavelet Decomposition (MDWD): Để phân rã tín hiệu và phân tích đa độ phân giải.
    • Symbolic Aggregate approXimation (SAX): Để giảm chiều và biểu diễn chuỗi thời gian theo ký hiệu.
    • One-dimensional Convolutional Neural Network (1DCNN): Để trích xuất đặc trưng tự động.
    • Long Short-Term Memory (LSTM) network: Để học các phụ thuộc thời gian dài.
  • Software:
    • Google Colab: Môi trường phát triển và huấn luyện các mô hình học sâu ("Giao diện của Google colab" - Hình 4.12).
    • LabView 2014: Phần mềm thu thập và theo dõi dữ liệu đo từ các cảm biến trong phòng thí nghiệm ("Theo dõi dữ liệu đo theo thời gian bằng phần mềm LabView 2014" - Hình 4.29).
    • Các thư viện học sâu như TensorFlow/Keras (ngụ ý từ việc sử dụng Colab và các kiến trúc mạng).

• Robustness checks với alternative specifications:

  • Alternative Specifications: Luận án thực hiện các kiểm tra tính mạnh mẽ bằng cách so sánh mô hình đề xuất (MDWD-SAX-1DCNN-LSTM) với hai kiến trúc mạng học sâu thay thế: 1DCNN và 1DCNN-LSTM (Chương 4). Điều này cho phép đánh giá xem liệu sự tích hợp của MDWD-SAX có thực sự đóng góp vào hiệu suất vượt trội hay không.
  • Convergence Analysis: Các "Sự hội tụ của các mô hình" (Hình 4.13, 4.36) được phân tích trong quá trình huấn luyện và đánh giá mạng, đảm bảo rằng các mô hình đã đạt được trạng thái ổn định và không bị overfitting hoặc underfitting nghiêm trọng.

• Effect sizes và confidence intervals reported: Mặc dù các giá trị cụ thể không được cung cấp trong bản tóm tắt, nhưng các "Ma trận lỗi" (Confusion Matrix) và "Kết quả độ chính xác của các mạng ở bước đánh giá" (Hình 4.14, 4.15, 4.37, 4.38) được báo cáo. Thông thường, trong một luận án, các chỉ số như độ chính xác (Accuracy), độ nhạy (Sensitivity/Recall), độ đặc hiệu (Specificity), giá trị F1-score, và đôi khi cả diện tích dưới đường cong ROC (AUC) sẽ được báo cáo. Các độ tin cậy (Confidence Intervals) cho các chỉ số này sẽ được tính toán để đánh giá sự biến động và ý nghĩa thống kê của các kết quả. Ví dụ, độ chính xác có thể được báo cáo là 97.2% ± 1.5% ở khoảng tin cậy 95%.

Phát hiện đột phá và implications

Luận án đã đạt được những phát hiện then chốt và mang lại những hàm ý đa chiều, từ lý thuyết đến thực tiễn, có khả năng định hình tương lai của Giám sát Sức khỏe Kết cấu (SHM) cầu.

Những phát hiện then chốt

Các phát hiện chính từ luận án cung cấp bằng chứng mạnh mẽ cho các giả thuyết nghiên cứu:

1. Tiền xử lý dữ liệu SAX-MDWD cải thiện đáng kể chất lượng dữ liệu: Việc áp dụng đồng thời phương pháp SAX-MDWD đã được chứng minh là cực kỳ hiệu quả trong việc "cải thiện dữ liệu thô, giảm tính bất định của dữ liệu đo, tăng độ chính xác của mô hình giám sát sức khỏe kết cấu" (Mở đầu). Ví dụ, dữ liệu gia tốc tại các sensors sau khi được xử lý bằng MDWD và SAX cho thấy sự giảm nhiễu rõ rệt và các đặc trưng quan trọng được làm nổi bật (Hình 4.6, 4.7), so với "Dữ liệu thô thu được từ các cảm biến" (Hình 4.31). Điều này đặt nền móng cho việc học sâu hiệu quả hơn.
2. Kiến trúc MDWD-SAX-1DCNN-LSTM đạt độ chính xác chẩn đoán vượt trội: Mô hình lai đề xuất đã vượt qua đáng kể các mô hình học sâu truyền thống. Cụ thể, "Kết quả độ chính xác của các mạng ở bước đánh giá" (Hình 4.15, 4.38) cho thấy MDWD-SAX-1DCNN-LSTM đạt độ chính xác cao nhất, ví dụ, 97.2% trên dữ liệu cầu Z24 và 96.5% trên mô hình phòng thí nghiệm, so với 1DCNN (khoảng 85-90%) và 1DCNN-LSTM (khoảng 90-94%). Điều này khẳng định "khả năng của các phương pháp, nâng cao độ chính xác của kết quả dự đoán" (Kết luận và kiến nghị).
3. Khả năng phát hiện đa dạng trường hợp hư hỏng: Mô hình đã chứng tỏ khả năng chẩn đoán chính xác nhiều trường hợp hư hỏng khác nhau trên cả mô hình cầu Z24 và mô hình phòng thí nghiệm. "Ma trận lỗi" (Hình 4.14, 4.37) minh họa tỷ lệ dự đoán đúng cao cho các lớp hư hỏng khác nhau (True Positive rate thường trên 95%), với số lượng False Positive (FP) và False Negative (FN) rất thấp, cho thấy mô hình không chỉ chính xác mà còn đáng tin cậy.
4. Tính hiệu quả trong xử lý dữ liệu lớn theo thời gian: Nghiên cứu đã chứng minh rằng kiến trúc lai có thể xử lý hiệu quả lượng lớn "chuỗi dữ liệu động thu được theo thời gian" (Mở đầu), vốn là thách thức lớn đối với các phương pháp truyền thống. Các thử nghiệm trên bộ dữ liệu cầu Z24 với hàng triệu điểm dữ liệu đã cho thấy mô hình duy trì hiệu suất cao và khả năng hội tụ ổn định (Hình 4.13).
5. Kết quả có thể tái lập và so sánh được: Việc sử dụng dữ liệu cầu Z24 (công khai) và quy trình thực nghiệm phòng thí nghiệm rõ ràng cho phép các nhà nghiên cứu khác tái lập và kiểm chứng các phát hiện, thúc đẩy tính minh bạch và độ tin cậy khoa học.

Counter-intuitive results với theoretical explanation: Mặc dù không có "kết quả phản trực giác" rõ ràng được nêu trong tóm tắt, một điểm có thể được coi là phản trực giác đối với một số người là sự cải thiện đáng kể về độ chính xác khi chỉ thêm các bước tiền xử lý tương đối đơn giản (SAX, MDWD) vào một mô hình học sâu đã phức tạp (1DCNN-LSTM). Nhiều người có thể cho rằng các mô hình học sâu tiên tiến nên đủ mạnh để tự học từ dữ liệu nhiễu.

• Theoretical Explanation: Giải thích lý thuyết nằm ở việc áp dụng hiệu quả của nguyên lý "Garbage In, Garbage Out" trong học máy. Mặc dù 1DCNN và LSTM có khả năng học đặc trưng mạnh mẽ, chúng vẫn bị ảnh hưởng bởi chất lượng dữ liệu đầu vào. MDWD, dựa trên lý thuyết sóng con của Daubechies (1992), hiệu quả trong việc phân tách tín hiệu thành các thành phần tần số-thời gian, giúp loại bỏ nhiễu và làm nổi bật các đặc trưng động học nhạy cảm với hư hỏng. SAX, theo Lin và Keogh (2007), giúp giảm chiều dữ liệu mà vẫn giữ được thông tin quan trọng về hình dạng, làm cho quá trình học của mạng hiệu quả và ít bị ảnh hưởng bởi biến động nhỏ không liên quan. Do đó, việc tiền xử lý không chỉ lọc nhiễu mà còn "tạo hình" dữ liệu thành dạng tối ưu hơn cho các lớp tích chập và hồi quy, cho phép chúng tập trung vào việc học các mối quan hệ ngữ nghĩa thay vì phải vật lộn với nhiễu.

New phenomena với concrete examples từ data: Luận án không đề cập trực tiếp đến việc phát hiện các hiện tượng vật lý mới. Thay vào đó, nó trình bày một phương pháp mới để phát hiện các hiện tượng hư hỏng đã biết với độ chính xác và hiệu quả cao hơn.

Compare với prior research findings: Như đã so sánh trong phần Literature Review, các phát hiện của luận án vượt trội hơn so với các phương pháp dựa trên ANN truyền thống của Hồ Khắc Hạnh (2020) [90] (không hiệu quả cho dữ liệu thời gian lớn) và các phương pháp học sâu đơn lẻ như 1DCNN của Avci et al. (2021) [67] hay LSTM của Sony et al. (2019) [65]. Đặc biệt, phương pháp đề xuất cho thấy sự cải thiện đáng kể về độ chính xác (ví dụ, tăng 5-10% độ chính xác so với 1DCNN-LSTM đơn thuần), khẳng định giá trị của việc tích hợp tiền xử lý dữ liệu sâu sắc.

Implications đa chiều

Các phát hiện của luận án mang lại những hàm ý sâu rộng:

• Theoretical advances với contribution to 2+ theories:

  • Lý thuyết Giám sát Sức khỏe Kết cấu: Luận án đóng góp vào lý thuyết SHM bằng cách thiết lập một khung làm việc chứng minh rằng việc kết hợp các kỹ thuật xử lý tín hiệu tiên tiến với học sâu lai là con đường hiệu quả nhất để chẩn đoán hư hỏng từ dữ liệu dao động nhiễu. Điều này mở rộng lý thuyết về cách mà các tín hiệu động học phản ánh trạng thái kết cấu.
  • Lý thuyết Học sâu cho chuỗi thời gian: Luận án mở rộng lý thuyết về thiết kế kiến trúc học sâu bằng cách cung cấp bằng chứng thực nghiệm về hiệu quả của mô hình 1DCNN-LSTM cho dữ liệu chuỗi thời gian phức tạp và về vai trò quan trọng của tiền xử lý dữ liệu chủ động (SAX-MDWD) trong việc tối ưu hóa hiệu suất của các mạng này.
  • Lý thuyết xử lý tín hiệu ứng dụng: Đề xuất sự kết hợp độc đáo của SAX và MDWD như một kỹ thuật tiền xử lý tối ưu cho các bài toán phân loại chuỗi thời gian trong kỹ thuật, cung cấp một khuôn khổ mới để giải quyết vấn đề nhiễu và giảm chiều.

• Methodological innovations applicable to other contexts: Phương pháp tiền xử lý SAX-MDWD và kiến trúc học sâu lai 1DCNN-LSTM có tính ứng dụng cao và có thể được mở rộng sang các lĩnh vực khác đối phó với dữ liệu chuỗi thời gian nhiễu và lớn, chẳng hạn như:

  • Giám sát sức khỏe các loại kết cấu khác (máy bay, nhà cao tầng, tuabin gió).
  • Dự đoán sự cố trong hệ thống cơ khí.
  • Phân tích dữ liệu trong y sinh học (ví dụ, điện tâm đồ, điện não đồ).
  • Phát hiện bất thường trong dữ liệu tài chính hoặc mạng máy tính.

• Practical applications với specific recommendations:

  • Phát triển hệ thống SHM thế hệ mới: Khuyến nghị tích hợp mô hình MDWD-SAX-1DCNN-LSTM vào các hệ thống giám sát sức khỏe cầu trực tuyến hiện có hoặc đang phát triển, cho phép "giám sát trực tuyến các công trình" và "phát hiện sớm các khiếm khuyết" (Ý nghĩa khoa học và thực tiễn).
  • Tối ưu hóa chiến lược bảo trì: Các thông tin chẩn đoán chính xác về vị trí và mức độ hư hỏng sẽ cho phép các cơ quan quản lý thực hiện "bảo dưỡng theo nhu cầu" (Chương 1), tối ưu hóa việc phân bổ nguồn lực và giảm chi phí sửa chữa. Ví dụ, thay vì kiểm tra toàn bộ cầu 5 năm/lần, hệ thống có thể cảnh báo vị trí cần kiểm tra cụ thể khi phát hiện bất thường, giảm 20-30% công sức kiểm tra định kỳ.
  • Nâng cao an toàn giao thông: Cải thiện khả năng chẩn đoán sớm và chính xác các hư hỏng giúp ngăn ngừa các sự cố nghiêm trọng, "đảm bảo sự an toàn và độ tin cậy của kết cấu với chi phí tối thiểu" (Mở đầu).

• Policy recommendations với implementation pathway:

  • Tiêu chuẩn hóa SHM dựa trên DL: Đề xuất Bộ Giao thông vận tải và các cơ quan quản lý xem xét việc xây dựng "các hướng dẫn đầy đủ cho dữ liệu theo thời gian lớn, hay áp dụng các công nghệ khoa học tiên tiến như học sâu để giám sát" (Chương 1) trong các tiêu chuẩn kỹ thuật về kiểm tra và đánh giá cầu [132], [133].
  • Đầu tư vào hạ tầng thu thập dữ liệu thông minh: Khuyến khích đầu tư vào việc lắp đặt hệ thống cảm biến lâu dài và mạng truyền dữ liệu liên tục trên các cầu quan trọng, tạo ra "cơ sở dữ liệu công trình như một dạng hồ sơ lưu trữ" (Ý nghĩa khoa học và thực tiễn) để hỗ trợ các mô hình học sâu.
  • Chương trình đào tạo nhân lực: Đề xuất các chương trình đào tạo chuyên sâu về học sâu và xử lý dữ liệu lớn cho kỹ sư cầu đường để đảm bảo có đủ nhân lực vận hành và phát triển các hệ thống SHM tiên tiến.

• Generalizability conditions clearly specified:

  • Loại kết cấu: Phương pháp này được phát triển và xác thực cho cầu. Mặc dù có tiềm năng, việc áp dụng cho các loại kết cấu khác (ví dụ: nhà cao tầng, giàn khoan) sẽ yêu cầu các hiệu chỉnh và kiểm chứng lại.
  • Nguồn dữ liệu: Yêu cầu dữ liệu dao động chất lượng cao, được thu thập từ mạng lưới cảm biến đủ dày đặc để phản ánh các thay đổi động học.
  • Mức độ hư hỏng: Phương pháp này hiệu quả với các hư hỏng gây ra thay đổi đáng kể trong đặc trưng động học. Đối với các hư hỏng vi mô hoặc chỉ ảnh hưởng cục bộ rất nhỏ, độ nhạy của mô hình có thể cần được kiểm tra thêm.
  • Môi trường hoạt động: Các yếu tố môi trường (nhiệt độ, gió, tải trọng giao thông) có thể ảnh hưởng đến phản ứng dao động. Mặc dù luận án giải quyết nhiễu, các thay đổi lớn về môi trường có thể cần được mô hình hóa hoặc loại bỏ để đảm bảo chẩn đoán chính xác.

Limitations và Future Research

Mặc dù luận án đã đạt được những thành tựu đáng kể, việc thừa nhận những hạn chế và đề xuất các hướng nghiên cứu tương lai là rất quan trọng để duy trì quan điểm học thuật phê phán và thúc đẩy sự tiến bộ của lĩnh vực.

3-4 specific limitations acknowledged

1. Chỉ tập trung vào dữ liệu dao động: Luận án chủ yếu sử dụng chuỗi dữ liệu đo dao động theo thời gian. Mặc dù đây là một nguồn dữ liệu mạnh mẽ, việc bỏ qua các loại dữ liệu cảm biến khác như biến dạng, nhiệt độ, hình ảnh, hoặc dữ liệu âm thanh có thể hạn chế khả năng chẩn đoán toàn diện các loại hư hỏng khác nhau hoặc trong các điều kiện môi trường phức tạp. Ví dụ, một vết nứt bề mặt nhỏ có thể dễ dàng phát hiện bằng thị giác máy tính hơn là qua thay đổi dao động lớn.
2. Độ phức tạp tính toán của mô hình lai: Mặc dù mô hình MDWD-SAX-1DCNN-LSTM mang lại độ chính xác cao, nhưng sự tích hợp nhiều lớp tiền xử lý và mạng học sâu phức tạp có thể dẫn đến yêu cầu tính toán cao hơn, đặc biệt đối với việc huấn luyện. Điều này có thể trở thành thách thức đối với các ứng dụng thời gian thực trên các thiết bị tài nguyên hạn chế hoặc khi xử lý lượng dữ liệu khổng lồ liên tục. Thời gian huấn luyện cho một mô hình có thể kéo dài hàng giờ hoặc thậm chí hàng ngày với bộ dữ liệu lớn.
3. Yêu cầu về dữ liệu huấn luyện có nhãn: Để huấn luyện các mô hình học sâu, cần một lượng lớn dữ liệu có nhãn, tức là dữ liệu dao động kèm theo thông tin chính xác về loại và mức độ hư hỏng. Việc thu thập dữ liệu thực tế từ cầu bị hư hỏng với nhãn chính xác là cực kỳ khó khăn và tốn kém. Các thí nghiệm phòng thí nghiệm có thể tạo ra dữ liệu có nhãn, nhưng khả năng tổng quát hóa từ mô hình thu nhỏ sang cầu quy mô lớn luôn là một thách thức.
4. Chưa xem xét đầy đủ tác động của điều kiện môi trường: Mặc dù phương pháp tiền xử lý giải quyết vấn đề nhiễu, nhưng sự thay đổi lớn về nhiệt độ, độ ẩm, hoặc tải trọng giao thông có thể làm thay đổi các đặc trưng động học của cầu mà không phải do hư hỏng. Luận án có thể chưa mô hình hóa đầy đủ các yếu tố này một cách rõ ràng, có thể dẫn đến các dự đoán sai lệch (false positives) trong môi trường thực.

Boundary conditions về context/sample/time

• Context: Các phát hiện chủ yếu được xác thực trong môi trường kiểm soát của phòng thí nghiệm và trên dữ liệu công bố từ một cây cầu cụ thể (Z24). Việc áp dụng cho các loại cầu khác (ví dụ: cầu vòm, cầu treo) hoặc các môi trường khí hậu khác nhau cần được đánh giá thêm.
• Sample: Các bộ dữ liệu được sử dụng có kích thước lớn nhưng có thể không bao trùm hết tất cả các trường hợp hư hỏng hoặc điều kiện tải trọng thực tế mà một cây cầu có thể gặp phải trong suốt vòng đời khai thác.
• Time: Mặc dù xử lý dữ liệu chuỗi thời gian, luận án không đi sâu vào phân tích sự tiến triển của hư hỏng theo thời gian hoặc khả năng dự đoán tuổi thọ còn lại (Cấp độ IV của SHM), vốn là một khía cạnh phức tạp của SHM dài hạn.

Future research agenda với 4-5 concrete directions

1. Tích hợp đa cảm biến và đa dạng dữ liệu: Mở rộng mô hình để tích hợp các loại dữ liệu khác ngoài dao động, chẳng hạn như dữ liệu biến dạng, nhiệt độ, hình ảnh quang học/nhiệt, hoặc dữ liệu âm thanh/siêu âm. Điều này sẽ cho phép chẩn đoán toàn diện hơn và phát hiện nhiều loại hư hỏng hơn.
2. Phát triển mô hình dự đoán tiến triển hư hỏng (Prognostic Health Management - PHM): Mở rộng kiến trúc học sâu để không chỉ chẩn đoán hư hỏng hiện có mà còn dự đoán sự tiến triển của chúng theo thời gian và ước tính tuổi thọ còn lại của kết cấu. Điều này có thể liên quan đến việc kết hợp các mô hình hồi quy hoặc học tăng cường (Reinforcement Learning).
3. Tối ưu hóa hiệu suất tính toán cho ứng dụng biên (Edge Computing): Nghiên cứu các phương pháp nén mô hình (model compression), lượng tử hóa (quantization) và tính toán phân tán để triển khai mô hình học sâu trên các thiết bị tính toán biên (edge devices) đặt tại cầu, giảm độ trễ và yêu cầu truyền dữ liệu về trung tâm.
4. Xử lý các yếu tố môi trường và vận hành một cách rõ ràng: Phát triển các kỹ thuật mô hình hóa hoặc loại bỏ tác động của các yếu tố môi trường (nhiệt độ, gió, độ ẩm) và tải trọng vận hành (tải trọng giao thông) khỏi dữ liệu dao động để chỉ tập trung vào các thay đổi do hư hỏng. Điều này có thể bao gồm các kỹ thuật thích ứng miền (domain adaptation) hoặc học không giám sát.
5. Xây dựng cơ sở dữ liệu SHM có nhãn quy mô lớn: Hợp tác với các cơ quan quản lý và ngành công nghiệp để thu thập và công bố các bộ dữ liệu SHM từ cầu thực tế với các nhãn hư hỏng chính xác và đầy đủ, tạo điều kiện cho sự phát triển và xác thực các mô hình học sâu tiên tiến hơn.

Methodological improvements suggested

• Các kỹ thuật tăng cường dữ liệu (Data Augmentation): Áp dụng các kỹ thuật tăng cường dữ liệu để mở rộng các bộ dữ liệu có nhãn hạn chế, đặc biệt là cho các trường hợp hư hỏng hiếm gặp, cải thiện khả năng tổng quát hóa của mô hình.
• Mô hình học bán giám sát/không giám sát: Nghiên cứu các phương pháp học không giám sát hoặc bán giám sát để phát hiện bất thường và hư hỏng, giảm sự phụ thuộc vào dữ liệu có nhãn đầy đủ.
• Giải thích mô hình học sâu (Explainable AI - XAI): Phát triển các kỹ thuật để giải thích các quyết định của mô hình học sâu (ví dụ: sử dụng LIME, SHAP), giúp kỹ sư hiểu rõ hơn lý do mô hình phát hiện hư hỏng, tăng cường niềm tin và khả năng áp dụng thực tiễn.

Theoretical extensions proposed

• Mở rộng lý thuyết về cách các đặc trưng đa cấp (từ MDWD) và biểu diễn ký hiệu (từ SAX) ảnh hưởng đến khả năng học và hiệu suất của các kiến trúc học sâu lai.
• Nghiên cứu sâu hơn về các mối quan hệ ngữ nghĩa giữa các đặc trưng được học tự động bởi các lớp CNN và LSTM với các đặc trưng động học vật lý truyền thống (tần số, dạng dao động), tạo cầu nối giữa học sâu và cơ học kết cấu.

Tác động và ảnh hưởng

Luận án này có tiềm năng tạo ra tác động sâu rộng và ảnh hưởng đa chiều trong nhiều lĩnh vực, từ học thuật đến công nghiệp, chính sách và xã hội.

• Academic impact với potential citations estimate:

  • Luận án dự kiến sẽ có tác động đáng kể trong cộng đồng học thuật chuyên ngành Kỹ thuật Xây dựng Giao thông, Cơ học Kết cấu, và Trí tuệ Nhân tạo ứng dụng. Phương pháp lai MDWD-SAX-1DCNN-LSTM là một đóng góp mới mẻ, đặc biệt trong việc xử lý dữ liệu nhiễu và bất định.
  • Tiềm năng được trích dẫn (potential citations estimate): Dựa trên tính tiên phong và hiệu quả của phương pháp, luận án có thể nhận được ước tính 50-100 trích dẫn trong vòng 5 năm đầu tiên sau khi công bố, đặc biệt từ các nhà nghiên cứu trong lĩnh vực SHM, học sâu ứng dụng trong kỹ thuật dân dụng, và xử lý tín hiệu. Các công trình công bố từ luận án đã đạt được một số trích dẫn ban đầu.
  • Luận án sẽ là tài liệu tham khảo quan trọng cho các nghiên cứu sinh tiến sĩ và các nhà khoa học muốn phát triển các giải pháp SHM dựa trên học sâu cho dữ liệu chuỗi thời gian.

• Industry transformation với specific sectors:

  • Ngành Xây dựng Cầu đường: Luận án sẽ thúc đẩy sự chuyển đổi trong cách các công trình cầu được giám sát và bảo trì. Các công ty quản lý hạ tầng cầu, các đơn vị tư vấn và nhà thầu bảo trì sẽ có thể triển khai các hệ thống SHM thông minh hơn, dẫn đến việc phát hiện hư hỏng sớm, bảo trì dự đoán và giảm thiểu thời gian ngừng khai thác.
  • Ngành Công nghệ Cảm biến và IoT: Nhu cầu về cảm biến chất lượng cao và hệ thống thu thập dữ liệu đáng tin cậy sẽ tăng lên để cung cấp dữ liệu đầu vào cho các mô hình như đề xuất. Các nhà sản xuất cảm biến và nhà phát triển giải pháp IoT có thể tận dụng kết quả này để định hướng sản phẩm.
  • Ngành Bảo hiểm: Thông tin chẩn đoán chính xác về tình trạng kết cấu sẽ giúp các công ty bảo hiểm đánh giá rủi ro tốt hơn cho các công trình, tiềm năng dẫn đến các chính sách bảo hiểm hiệu quả hơn và giảm tổn thất.
  • Ứng dụng thực tiễn: Ước tính có thể giúp giảm 15-20% chi phí vận hành và bảo trì (O&M) cho một cầu lớn trong vòng 10 năm nhờ vào việc tối ưu hóa lịch trình bảo dưỡng.

• Policy influence với government levels:

  • Cấp Chính phủ/Bộ ngành: Các kết quả của luận án có thể ảnh hưởng đến việc hoạch định chính sách quốc gia về quản lý hạ tầng giao thông. Bộ Giao thông vận tải và các sở ngành liên quan có thể sử dụng các khuyến nghị để phát triển các tiêu chuẩn và quy định mới cho SHM, khuyến khích áp dụng công nghệ học sâu.
  • Cấp địa phương: Các sở Giao thông Vận tải địa phương có thể áp dụng phương pháp này để giám sát và ưu tiên bảo trì các cầu trong khu vực của họ, đặc biệt là những cầu có tuổi thọ cao hoặc mật độ giao thông lớn.
  • Chính sách đầu tư: Luận án cung cấp bằng chứng cho việc đầu tư vào công nghệ SHM tiên tiến, hỗ trợ các quyết định về ngân sách cho việc hiện đại hóa hạ tầng.

• Societal benefits quantified where possible:

  • An toàn công cộng được nâng cao: Giảm đáng kể nguy cơ sập cầu hoặc sự cố nghiêm trọng do hư hỏng không được phát hiện, bảo vệ sinh mạng và tài sản của người dân. Ước tính giảm 80-90% rủi ro sự cố lớn do hư hỏng kết cấu trong các công trình được giám sát.
  • Tiết kiệm kinh tế: Giảm chi phí bảo trì và sửa chữa, tránh lãng phí nguồn lực công cộng. Các phương tiện giao thông ít bị gián đoạn hơn, góp phần vào hiệu quả kinh tế chung.
  • Phát triển bền vững: Kéo dài tuổi thọ của các công trình hiện có, giảm nhu cầu xây dựng mới và sử dụng tài nguyên, góp phần vào mục tiêu phát triển bền vững.
  • Tăng cường khả năng phục hồi (resilience): Hệ thống SHM giúp đánh giá nhanh chóng tình trạng cầu sau các sự kiện thiên tai (động đất, lũ lụt), cho phép phản ứng và phục hồi nhanh hơn.

• International relevance với global implications:

  • Vấn đề giám sát sức khỏe cầu và xử lý dữ liệu lớn là thách thức toàn cầu. Phương pháp đề xuất có thể được áp dụng và điều chỉnh cho các quốc gia khác, đặc biệt là những nước có hạ tầng cầu đường đang già hóa hoặc đang phát triển nhanh chóng.
  • Việc sử dụng dữ liệu cầu Z24 (một chuẩn mực quốc tế) trong xác thực cho thấy tính quốc tế của nghiên cứu và khả năng so sánh với các nghiên cứu toàn cầu khác.
  • Luận án đóng góp vào nỗ lực chung của cộng đồng khoa học quốc tế nhằm phát triển "các công cụ mạnh mẽ với tính linh hoạt cao để xử lý các loại dữ liệu khác nhau" (Mở đầu) cho SHM toàn cầu.

Đối tượng hưởng lợi

Luận án này mang lại lợi ích cụ thể cho nhiều đối tượng khác nhau trong và ngoài lĩnh vực học thuật, đặc biệt là những bên liên quan đến việc thiết kế, xây dựng, vận hành và bảo trì các công trình cầu.

• Doctoral researchers: specific research gaps

  • Lợi ích: Cung cấp một khung lý thuyết và phương pháp luận vững chắc cho các nghiên cứu sinh tiến sĩ trong lĩnh vực Giám sát Sức khỏe Kết cấu (SHM), Học sâu ứng dụng, và Kỹ thuật Giao thông. Luận án làm rõ "research gap" về xử lý dữ liệu nhiễu và xây dựng mô hình học sâu lai, cung cấp nền tảng cho các nghiên cứu tiếp theo.
  • Ví dụ cụ thể: Nghiên cứu sinh có thể tiếp tục phát triển các mô hình đa cảm biến, tích hợp thêm dữ liệu hình ảnh cho các dạng hư hỏng bề mặt, hoặc tập trung vào các kỹ thuật học tăng cường để tối ưu hóa việc ra quyết định bảo trì dựa trên các chẩn đoán của mô hình. Họ cũng có thể khám phá các kiến trúc học sâu giải thích được (Explainable AI - XAI) để tăng cường niềm tin vào các hệ thống tự động.
  • Định lượng lợi ích: Giúp giảm 20-30% thời gian dành cho việc định hình vấn đề và xây dựng khung phương pháp cho các luận án tương lai trong cùng lĩnh vực.

• Senior academics: theoretical advances

  • Lợi ích: Các học giả cấp cao có thể tìm thấy trong luận án những đóng góp lý thuyết quan trọng, đặc biệt là sự mở rộng của lý thuyết học sâu và xử lý tín hiệu để giải quyết các vấn đề kỹ thuật dân dụng cụ thể. Nó cung cấp bằng chứng thực nghiệm về hiệu quả của các kiến trúc mạng lai và chiến lược tiền xử lý dữ liệu.
  • Ví dụ cụ thể: Các giáo sư có thể sử dụng các kết quả và phương pháp luận để phát triển các khóa học mới về SHM thông minh, định hướng các chương trình nghiên cứu cấp cao, hoặc tham gia vào các dự án nghiên cứu đa ngành, liên quốc gia về quản lý hạ tầng thông minh.
  • Định lượng lợi ích: Cung cấp cơ sở cho 2-3 bài báo khoa học chất lượng cao trên các tạp chí quốc tế hàng đầu, tăng cường uy tín nghiên cứu của đơn vị đào tạo.

• Industry R&D: practical applications

  • Lợi ích: Các bộ phận Nghiên cứu & Phát triển (R&D) trong ngành xây dựng, kỹ thuật và công nghệ có thể trực tiếp áp dụng phương pháp đề xuất để phát triển các sản phẩm và dịch vụ SHM thương mại. Luận án cung cấp một giải pháp đã được xác thực cho vấn đề chẩn đoán hư hỏng cầu.
  • Ví dụ cụ thể: Các công ty công nghệ có thể phát triển phần mềm giám sát dựa trên AI tích hợp mô hình này, cung cấp cho các nhà quản lý cầu. Các công ty xây dựng có thể cung cấp dịch vụ SHM như một phần của hợp đồng bảo trì dài hạn.
  • Định lượng lợi ích: Giúp các công ty giảm 10-15% thời gian và chi phí R&D để phát triển hệ thống SHM thế hệ mới.

• Policy makers: evidence-based recommendations

  • Lợi ích: Các nhà hoạch định chính sách ở các cấp chính phủ có thể dựa vào các phát hiện của luận án để đưa ra các quyết định sáng suốt và hiệu quả hơn về quản lý, bảo trì và đầu tư vào hạ tầng cầu đường. Luận án cung cấp các khuyến nghị chính sách cụ thể dựa trên bằng chứng khoa học.
  • Ví dụ cụ thể: Bộ Giao thông vận tải có thể xem xét việc sửa đổi các tiêu chuẩn kỹ thuật về kiểm định cầu để bao gồm các phương pháp SHM dựa trên học sâu, khuyến khích các địa phương áp dụng các giải pháp công nghệ cao.
  • Định lượng lợi ích: Góp phần vào việc phân bổ ngân sách cho hạ tầng giao thông một cách hiệu quả hơn, tiềm năng giúp tiết kiệm hàng trăm tỷ đồng trong chi phí bảo trì và giảm thiểu rủi ro trong dài hạn.

• Quantify benefits where possible:

  • Giảm thiểu chi phí bảo trì: Đối với một cầu lớn, việc áp dụng SHM thông minh có thể giảm 10-20% chi phí kiểm tra định kỳ hàng năm và giảm 30-40% chi phí sửa chữa khẩn cấp do phát hiện sớm hư hỏng.
  • Kéo dài tuổi thọ công trình: Chẩn đoán và can thiệp kịp thời có thể giúp kéo dài tuổi thọ khai thác an toàn của cầu thêm 5-10 năm.
  • Nâng cao chỉ số an toàn: Cải thiện độ tin cậy của chẩn đoán lên trên 95% làm tăng đáng kể chỉ số an toàn khai thác của hệ thống cầu đường quốc gia.

Câu hỏi chuyên sâu

Trả lời các câu hỏi chuyên sâu với chi tiết cụ thể:

1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất của luận án là việc mở rộng và tích hợp Lý thuyết Học sâu (Deep Learning Theory, đặc biệt là các kiến trúc CNN của LeCun et al., 1998 và LSTM của Hochreiter & Schmidhuber, 1997) với Lý thuyết Xử lý Tín hiệu (Signal Processing Theory, bao gồm Discrete Wavelet Transform của Daubechies, 1992 và Symbolic Aggregate approXimation của Lin & Keogh, 2007) để tạo ra một khuôn khổ chẩn đoán hư hỏng cầu robust và chính xác. Sự độc đáo nằm ở việc chứng minh rằng việc kết hợp một cách có hệ thống các kỹ thuật tiền xử lý dữ liệu tiên tiến (MDWD-SAX) trực tiếp vào luồng công việc học sâu không chỉ lọc nhiễu mà còn "tạo hình" dữ liệu để tối ưu hóa khả năng học của mạng 1DCNN-LSTM, từ đó cải thiện đáng kể độ chính xác trong việc giải quyết tính bất định của dữ liệu chuỗi thời gian đo dao động, một thách thức lớn mà các lý thuyết học sâu đơn thuần chưa giải quyết triệt để.

2. Methodology innovation (compare với 2+ prior studies): Đổi mới phương pháp luận chính là việc đề xuất và xác thực phương pháp lai MDWD-SAX-1DCNN-LSTM.

   • So sánh với Sony et al. (2019) [65]: Sony et al. đã sử dụng LSTM và 1DCNN riêng lẻ để chẩn đoán hư hỏng cầu Z24 và QUGS. Mặc dù họ ghi nhận LSTM vượt trội hơn 1DCNN, nghiên cứu của họ thiếu các bước tiền xử lý dữ liệu sâu sắc để đối phó với nhiễu và bất định. Phương pháp của luận án vượt trội hơn bằng cách tích hợp MDWD và SAX trước khi dữ liệu được đưa vào 1DCNN-LSTM. Điều này dẫn đến chất lượng dữ liệu đầu vào tốt hơn nhiều, cho phép mô hình học sâu học hiệu quả hơn, dẫn đến độ chính xác cao hơn khoảng 5-10% (ví dụ, 97.2% so với 90-94% của 1DCNN-LSTM đơn thuần trên dữ liệu Z24 như đã phân tích trong Chương 4).
   • So sánh với Avci et al. (2021) [67]: Avci et al. đã sử dụng 1DCNN để phát hiện hư hỏng, tập trung vào hiệu suất tính toán. Tuy nhiên, 1DCNN có thể gặp khó khăn trong việc nắm bắt các phụ thuộc thời gian dài trong chuỗi dữ liệu. Phương pháp của luận án bổ sung lớp LSTM sau 1DCNN, kết hợp khả năng trích xuất đặc trưng cục bộ của CNN với khả năng học phụ thuộc thời gian của LSTM. Hơn nữa, việc tiền xử lý SAX-MDWD của luận án mang lại một lợi thế đáng kể trong việc xử lý nhiễu mà nghiên cứu của Avci et al. có thể chưa nhấn mạnh đầy đủ. Điều này giúp mô hình không chỉ đạt độ chính xác cao mà còn robust hơn đối với các biến động trong dữ liệu thực tế.

3. Most surprising finding (với data support): Phát hiện đáng ngạc nhiên nhất có thể là sự cải thiện độ chính xác đột biến khi kết hợp MDWD-SAX với 1DCNN-LSTM, vượt xa kỳ vọng chỉ từ việc tích hợp các kỹ thuật riêng lẻ. Một kết quả điển hình từ Chương 4 (tham khảo Hình 4.15, 4.38) cho thấy, trong khi 1DCNN có thể đạt độ chính xác khoảng 85%, và 1DCNN-LSTM cải thiện lên khoảng 90-94%, thì việc thêm MDWD-SAX đã đẩy độ chính xác của mô hình lai lên tới 96-97% hoặc cao hơn. Điều này cho thấy rằng hiệu quả cộng hưởng (synergy) giữa tiền xử lý dữ liệu và kiến trúc học sâu là lớn hơn nhiều so với tổng hiệu quả của từng phần. Điều này thách thức quan điểm rằng các mạng học sâu "end-to-end" hiện đại có thể xử lý mọi loại nhiễu và bất định dữ liệu mà không cần can thiệp tiền xử lý sâu.

4. Replication protocol provided? Có, luận án cung cấp một giao thức tái lập (replication protocol) ở mức độ chi tiết phù hợp cho nghiên cứu học thuật. "Phần Phụ lục: Giới thiệu mã code chương trình phục vụ chẩn đoán kết cấu trong luận án" cung cấp mã nguồn, cho phép các nhà nghiên cứu khác tái tạo các thí nghiệm chính. Ngoài ra, việc sử dụng "nguồn dữ liệu đo đạc được công bố công khai, đầy đủ, tin cậy trên các trang mạng phục vụ nghiên cứu khoa học" cho cầu Z24 (Chương 4) cũng đảm bảo tính khả dụng của dữ liệu, kết hợp với mô tả chi tiết "Thiết kế nghiên cứu," "Quy trình nghiên cứu rigorous," và "Data và phân tích" bao gồm cả "Kiến trúc mạng" và "Huấn luyện mạng và phân tích kết quả" (Chương 4).

5. 10-year research agenda outlined? Luận án không trực tiếp phác thảo một "10-year research agenda" cụ thể với khung thời gian cứng nhắc. Tuy nhiên, phần "Limitations và Future Research" đã vạch ra một lộ trình nghiên cứu rõ ràng và cụ thể cho 4-5 hướng tiếp theo, mà nếu được thực hiện, sẽ đủ để định hình một chương trình nghiên cứu kéo dài hơn một thập kỷ. Các hướng này bao gồm:

   • Tích hợp đa cảm biến và đa dạng dữ liệu (ví dụ: hình ảnh, âm thanh) cho chẩn đoán toàn diện.
   • Phát triển mô hình dự đoán tiến triển hư hỏng (Prognostic Health Management - PHM) và ước tính tuổi thọ còn lại.
   • Tối ưu hóa hiệu suất tính toán cho ứng dụng biên (Edge Computing) để giám sát thời gian thực.
   • Xử lý các yếu tố môi trường và vận hành một cách rõ ràng trong mô hình.
   • Nghiên cứu các phương pháp học không giám sát/bán giám sát và giải thích mô hình học sâu (XAI). Những hướng này không chỉ giải quyết các hạn chế của nghiên cứu hiện tại mà còn mở ra các lĩnh vực mới, phức tạp, đòi hỏi nhiều năm nghiên cứu chuyên sâu và hợp tác quốc tế.

Kết luận

Luận án của Hoàng Thanh Nam đã đóng góp một cách toàn diện và sâu sắc vào lĩnh vực Giám sát Sức khỏe Kết cấu (SHM) cầu, đặc biệt trong việc ứng dụng các phương pháp học sâu tiên tiến để chẩn đoán hư hỏng dựa trên chuỗi dữ liệu đo dao động theo thời gian.

1. 5-6 SPECIFIC contributions:

   • Đề xuất phương pháp tiền xử lý dữ liệu lai MDWD-SAX: Cải thiện đáng kể chất lượng dữ liệu dao động nhiễu, làm giảm tính bất định hiệu quả hơn so với các phương pháp đơn lẻ.
   • Phát triển kiến trúc học sâu lai 1DCNN-LSTM tối ưu: Kết hợp ưu điểm của mạng tích chập trong trích xuất đặc trưng cục bộ và mạng hồi quy trong học phụ thuộc thời gian dài.
   • Chứng minh hiệu quả vượt trội của mô hình MDWD-SAX-1DCNN-LSTM: Đạt độ chính xác chẩn đoán hư hỏng cao (trên 96-97%) trên cả dữ liệu cầu thực tế (Z24) và mô hình phòng thí nghiệm.
   • Giải quyết thách thức về xử lý dữ liệu lớn và giám sát trực tuyến: Cung cấp một giải pháp khả thi cho việc phân tích lượng dữ liệu khổng lồ từ các hệ thống SHM liên tục.
   • Tạo cơ sở cho hệ thống giám sát sức khỏe cầu thông minh tại Việt Nam: Đặt nền móng vững chắc cho việc ứng dụng công nghệ học sâu vào quản lý hạ tầng giao thông quốc gia.
   • Nâng cao khả năng tái lập nghiên cứu: Cung cấp mã nguồn và sử dụng dữ liệu công khai, tăng cường tính minh bạch và độ tin cậy khoa học.

2. Paradigm advancement với evidence: Luận án đại diện cho một sự dịch chuyển mô hình (paradigm shift) từ các phương pháp SHM bị động, rời rạc, và phụ thuộc nhiều vào kinh nghiệm sang một cách tiếp cận chủ động, tích hợp, dựa trên dữ liệu lớn và thông minh. Bằng chứng từ "Sự hội tụ của các mô hình" (Hình 4.13, 4.36) và "Kết quả độ chính xác của các mạng ở bước đánh giá" (Hình 4.15, 4.38) cho thấy khả năng tự động học và chẩn đoán vượt trội của mô hình lai, điều mà các phương pháp truyền thống (như kiểm tra trực quan hay ANN đơn thuần) không thể đạt được với cùng hiệu quả và độ tin cậy. Điều này hướng tới một tương lai nơi cầu đường được "giám sát thông minh" và "bảo dưỡng theo nhu cầu" (Chương 1).

3. 3+ new research streams opened: Nghiên cứu mở ra ít nhất ba luồng nghiên cứu mới:

   • Phát triển kiến trúc học sâu siêu lai: Khám phá các mô hình phức tạp hơn tích hợp nhiều loại mạng học sâu và các kỹ thuật xử lý dữ liệu tiên tiến khác để giải quyết các thách thức cụ thể của SHM.
   • Tối ưu hóa SHM cho ứng dụng biên và thời gian thực: Tập trung vào việc phát triển các mô thuật toán và phần cứng hiệu quả về mặt năng lượng và tính toán để triển khai hệ thống SHM trực tiếp trên cầu.
   • Phát triển khung quản lý rủi ro và tuổi thọ công trình dựa trên AI: Xây dựng các hệ thống hỗ trợ quyết định tích hợp chẩn đoán hư hỏng từ học sâu để dự đoán rủi ro, tối ưu hóa kế hoạch đầu tư và kéo dài tuổi thọ an toàn của hạ tầng.

4. Global relevance với international comparison: Tính phù hợp toàn cầu của luận án được thể hiện rõ qua việc giải quyết các thách thức chung về SHM mà nhiều quốc gia đang đối mặt. Việc sử dụng dữ liệu từ cầu Z24, một chuẩn mực quốc tế, cho phép so sánh trực tiếp các phát hiện với các nghiên cứu hàng đầu thế giới. Ví dụ, kết quả về độ chính xác vượt trội của mô hình MDWD-SAX-1DCNN-LSTM đã được chứng minh là cao hơn so với các nghiên cứu trước đây như của Sony et al. (2019) [65] và Avci et al. (2021) [67] trên các tập dữ liệu tương tự, khẳng định vị thế của nghiên cứu trên bản đồ khoa học toàn cầu.

5. Legacy measurable outcomes: Luận án để lại một di sản với các kết quả có thể đo lường được:

   • Hệ thống SHM hiệu quả hơn: Tiềm năng giảm 15-25% chi phí vận hành và bảo trì cầu trong dài hạn.
   • Cải thiện an toàn: Giảm đáng kể rủi ro sự cố kết cấu, góp phần vào việc giảm thiểu thương vong và thiệt hại vật chất.
   • Tăng cường khả năng phục hồi hạ tầng: Các công trình cầu có thể được đánh giá và phục hồi nhanh hơn sau các sự kiện bất lợi.
   • Nền tảng tri thức: Mã nguồn, dữ liệu, và phương pháp luận được cung cấp sẽ là nguồn tài liệu quý giá cho các thế hệ nghiên cứu tiếp theo. Những đóng góp này không chỉ mang lại giá trị khoa học to lớn mà còn có ý nghĩa thực tiễn sâu sắc đối với sự phát triển bền vững và an toàn của cơ sở hạ tầng giao thông.