Tổng quan về luận án

Bối cảnh khoa học và tính tiên phong của nghiên cứu

Trong kỹ thuật công trình và cơ học kết cấu, dầm là cấu kiện chịu lực cơ bản trong hầu hết các hệ thống cầu đường bộ. Dưới tác động liên tục của tải trọng tĩnh (trọng lượng bản thân), tải trọng động phức tạp (phương tiện giao thông, tải trọng gió, sóng, địa chấn), cùng với hiện tượng mỏi vật liệu và ăn mòn môi trường, khả năng chịu tải của dầm suy giảm dần theo thời gian. Sự xuất hiện của các khuyết tật cục bộ—như nứt rạn, suy giảm tiết diện hình học hoặc thoái hóa môđun đàn hồi—là nguyên nhân trực tiếp dẫn đến nguy cơ phá hủy kết cấu đột ngột.

Tại Việt Nam, thực trạng hạ tầng giao thông năm 2007 ghi nhận quy mô lớn với 4.239 cây cầu trên hệ thống quốc lộ (tổng chiều dài 144.539 m, trong đó 73% là cầu vĩnh cửu và 27% là cầu bán vĩnh cửu/cầu tạm) và 3.640 cây cầu trên hệ thống tỉnh lộ (tổng chiều dài 79.279 m, với 52% vĩnh cửu và 48% bán vĩnh cửu/tạm). Nhiều công trình đã vận hành quá tải nghiêm trọng, dẫn đến các thảm kịch sập cầu như cầu Bưng Sen (Trà Vinh, 2006), cầu Rạch Sỏi (Kiên Giang, 2007), cầu Đắk Wet 2 (Kon Tum, 2008), cầu Lý Quàn (Tiền Giang, 2007) và sự cố sập nhịp dẫn cầu Cần Thơ khi đang thi công ngày 26/09/2007 (khiến 58 người thiệt mạng và 181 người bị thương). Thực trạng này đòi hỏi một hệ thống Nhận dạng và Dự báo thường xuyên (ND-DBTX) "sức khỏe" công trình dựa trên dữ liệu vận hành thực tế.

Luận án tiến sĩ kỹ thuật chuyên ngành Cơ kỹ thuật (Mã số: 62 52 02 01) của nghiên cứu sinh Nguyễn Sỹ Dũng, dưới sự hướng dẫn khoa học của GS. TS Ngô Kiều Nhi tại Trường Đại học Bách khoa – Đại học Quốc gia TP. Hồ Chí Minh (2010), mang tính tiên phong khi xây dựng giải pháp phi cấu trúc (non-structural/black-box approach) tích hợp giải bài toán ngược động lực học, biến đổi wavelet và hệ suy diễn Neuro-Fuzzy thích nghi để nhận dạng, định vị và dự báo sự suy giảm độ cứng chống biến dạng $EJ_x$ của kết cấu dầm.

flowchart TD
    A["Kết cấu dầm chịu tải trọng động thực tế (Tải giao thông, Môi trường)"] --> B["Thu nhận tín hiệu dao động (Gia tốc, Chuyển vị, Biến dạng)"]
    B --> C["Xử lý tín hiệu trung gian nhạy khuyết tật"]
    C --> D["Biến đổi Wavelet liên tục (CWT / KTKT-WL): Định vị điểm kỳ dị"]
    C --> E["Thế năng biến dạng đàn hồi & Neuro-Fuzzy (VTKT-NF / GNFcs)"]
    D --> F["Nhận dạng & Định vị khuyết tật (Đơn/Kép, Mức độ 1.56% - 50%)"]
    E --> F
    F --> G["Thuật toán chuỗi thời gian TSPA (Dự báo biên độ & Khả năng tải)"]
    G --> H["Hệ thống giám sát thường xuyên ND-DBTX phục vụ Quản trị cầu"]

Research Gap cụ thể

  1. Hạn chế của các phương pháp dao động cổ điển: Sự thay đổi tần số dao động tự nhiên ($\Delta f$) và dạng dao động (mode shapes) là các đại lượng toàn cục, có độ nhạy rất thấp đối với các hư hỏng cục bộ quy mô nhỏ ($< 10%$) và dễ bị chìm trong nhiễu đo đạc môi trường khi tần số kích thích dao động thấp ($f < 5\text{ Hz}$).
  2. Sự thiếu hụt của mô hình hộp trắng (White-box): Việc giải bài toán ngược bằng phương pháp phần tử hữu hạn truyền thống (FEM) đòi hỏi biết trước chính xác các thông số hình học và cơ tính ban đầu của dầm. Khi kết cấu đã khai thác lâu năm, việc mô hình hóa chính xác các khuyết tật ngẫu nhiên, bất đối xứng là bất khả thi.
  3. Rào cản trong mạng nơ-ron và hệ mờ hiện hữu: Các thuật toán huấn luyện mạng nơ-ron nhân tạo (ANN) truyền thống (như Backpropagation chuẩn) hội tụ chậm, dễ rơi vào cực tiểu địa phương. Trong khi đó, các hệ suy diễn mờ chuẩn (Fuzzy Inference Systems) gặp hiện tượng bùng nổ luật mờ khi số chiều dữ liệu tăng và thiếu cơ chế tối ưu hóa hình học siêu hộp (hyper-box) trong không gian vào-ra.

Câu hỏi nghiên cứu và Giả thuyết khoa học

  • Câu hỏi nghiên cứu 1 (Q1): Làm thế nào để thiết lập một thuật toán tối ưu hóa huấn luyện mạng nơ-ron và hệ suy diễn mờ lai (Neuro-Fuzzy) đạt tốc độ hội tụ nhanh vượt bậc và tối thiểu hóa sai số xấp xỉ hàm phi tuyến?

  • Câu hỏi nghiên cứu 2 (Q2): Bằng cách nào có thể trích xuất chính xác vị trí và mức độ khuyết tật (đơn điểm và đa điểm) trên dầm khi cơ hệ chỉ dao động ở các tần số cưỡng bức thấp ($2.0 - 4.7\text{ Hz}$) dưới tác động của tải trọng giao thông?

  • Câu hỏi nghiên cứu 3 (Q3): Làm thế nào để dự báo định lượng xu hướng suy giảm khả năng chịu tải của cầu theo chuỗi thời gian mà không phụ thuộc vào các chu kỳ kiểm định gián đoạn (2–5 năm/lần)?

  • Giả thuyết khoa học 1 (H1): Việc kết hợp thuật toán Gradient liên hợp (Conjugate Gradient) với hiệu chỉnh bước nhảy thích nghi và tính gần đúng ma trận Hessian (thuật toán TT*) sẽ giải quyết triệt để sự mất ổn định và chậm hội tụ của mạng ANN.

  • Giả thuyết khoa học 2 (H2): Phân chia không gian dữ liệu bằng siêu hộp lai kết hợp hàm thuần chủng $\mu$ và hàm định hướng $\theta$ (thuật toán CBMM, CSHL) cho phép xây dựng cấu trúc mạng Neuro-Fuzzy (HLM1, HLM2, HLM) tối ưu số luật mờ và biên dạng hàm liên thuộc.

  • Giả thuyết khoa học 3 (H3): Hệ số wavelet chuẩn hóa trung bình $Z(k)$ và biến thiên thế năng biến dạng đàn hồi $z_j$ qua mạng Neuro-Fuzzy phần tử (ENF) có khả năng định vị chính xác khuyết tật vi mô (từ $1.56%$) ngay cả khi dữ liệu đo bị nhiễu.

Khung lý thuyết và Phạm vi nghiên cứu

  • Khung lý thuyết: Lý thuyết bài toán ngược động lực học cơ hệ, Lý thuyết biến đổi Wavelet nhiều độ phân giải (Mallat), Lý thuyết tập mờ (Zadeh) và Hệ suy diễn mờ Takagi-Sugeno (T-S), Lý thuyết mạng nơ-ron nhân tạo (McCulloch-Pitts, Rosenblatt), Tối ưu hóa phi tuyến bậc hai (Conjugate Gradient, Levenberg-Marquardt).
  • Phạm vi và Đối tượng: Kết cấu dầm chịu uốn, khung kim loại trong phòng thí nghiệm, dầm bê tông cốt thép dự ứng lực nhịp số 2 (phía Quận 2) của Cầu Sài Gòn; dải tần số kích thích thấp ($1.1\text{ Hz} - 4.7\text{ Hz}$); dải mức độ khuyết tật từ $1.56%$ đến $50%$.

Literature Review và Positioning

Tổng quan các nhánh nghiên cứu chính

  1. Nhận dạng khuyết tật dựa trên tham số dao động tự nhiên: Hearn & Testa (1991) khảo sát đáp ứng động lực học của khung kim loại và khẳng định tần số tự nhiên cùng độ giảm chấn là dấu hiệu phát hiện hư hỏng. Ngược lại, Alamplli & Fu (1996) cùng Salawu (1997) qua đo đạc thực nghiệm trên cầu thực tế chứng minh rằng sự thay đổi tần số dao động tự nhiên không đủ độ nhạy để phát hiện hư hại cục bộ do sai số đo lớn và bản chất tần số là thông số tích phân toàn cục. Fox (1992) chỉ ra rằng ở một số mode dao động, phân tích tần số cộng hưởng hoàn toàn đưa ra kết luận sai lệch. Meneghetti et al. (2007) và Man et al. (1994) lập luận rằng phương pháp tần số chỉ khả thi khi mức độ hư hỏng vượt quá $10%$.
  2. Cập nhật ma trận kết cấu và thống kê: Koh et al. (1995) dùng ma trận độ cứng tổng thể $[K]$ để đánh giá hư hại. Furukawa & Otsuka (1998) kết hợp ma trận độ cứng $[K]$ và ma trận cản $[C]$ thông qua kỹ thuật thống kê Bootstrap để định vị hư hỏng qua sự suy giảm $[\Delta K] \le 0$ và $[\Delta C] \ge 0$. Zhang (2007) sử dụng tương quan thống kê biên độ dao động giữa các phần tử hữu hạn (FEM). Choy et al. (1995) áp dụng thuật toán lặp Newton-Raphson trên hàm truyền ma trận độ cứng nhưng bế tắc trước các kết cấu có tính đối xứng ngẫu nhiên.
  3. Trường phái Mạng nơ-ron nhân tạo (ANN): Wu et al. (1992) dùng mạng lan truyền ngược nhận dạng khung 3 tầng; Szewczyk & Hajela (1994) đánh giá suy giảm ma trận độ cứng qua chuyển vị; Pandey & Barai (1995) và Zhao et al. (1998) dự báo chuyển vị tĩnh và tần số; Masri et al. (1996, 2000) và Huang et al. (2003) nhận dạng phi tuyến qua dữ liệu gia tốc. Tuy nhiên, nhược điểm chí mạng của ANN đơn lẻ là cấu trúc mạng kiểu "hộp đen hoàn toàn", đòi hỏi thử-sai (trial-and-error) cấu hình ẩn, tốn thời gian và dễ rơi vào bẫy quá khớp (overfitting).
  4. Trường phái Biến đổi Wavelet và Tín hiệu trung gian: Douka et al. (2003) phân tích tấm nứt; Mallat & Hwang (1992) phát hiện điểm kỳ dị (Singularity Point); Zhu & Law (2006) nhận dạng khuyết tật dầm chịu tải trọng di động bằng Continuous Wavelet Transform (CWT). Các nghiên cứu quốc tế chỉ ra rằng biến đổi wavelet rất nhạy ở các mode bậc cao, nhưng gặp thách thức lớn khi cơ hệ vận hành ở mode 1 và mode 2 (chế độ kích thích phổ biến nhất của công trình cầu).
graph LR
    subgraph Classical ["Trường phái Cổ điển"]
        A["Hearn & Testa 1991<br/>Fox 1992<br/>Salawu 1997"] -->|Tần số, Mode Shape| B["Độ nhạy thấp với lỗi < 10%"]
    end
    subgraph ModelUpdating ["Cập nhật Ma trận"]
        C["Koh 1995<br/>Furukawa 1998<br/>Choy 1995"] -->|FEM, Ma trận K, C| D["Bế tắc khi thiếu tham số ban đầu"]
    end
    subgraph DataDriven ["Trường phái Dữ liệu & AI"]
        E["Wu 1992<br/>Masri 1996<br/>Pandey 1995"] -->|ANN thuần túy| F["Hội tụ chậm, Bẫy cực tiểu"]
        G["Mallat 1992<br/>Douka 2003<br/>Zhu & Law 2006"] -->|Wavelet| H["Khó định vị ở mode thấp f < 5Hz"]
    end
    subgraph Proposed ["Đóng góp của Luận án"]
        I["Nguyễn Sỹ Dũng 2010"] --> J["Tích hợp TT* + CBMM/CSHL + HLM + Wavelet trung bình + TSPA"]
    end
    B --> J
    D --> J
    F --> J
    H --> J

Định vị học thuật và Đối chiếu quốc tế

Luận án định vị tại giao điểm của Cơ học tính toán và Trí tuệ nhân tạo thích nghi. So với nghiên cứu của Y. Robert-Nicoud et al. (2005) trên cầu Lutrive (Thụy Sĩ)—vốn phải tạo ra hàng loạt mô hình cầu giả định rồi so khớp dữ liệu cảm biến quang học—giải pháp của Nguyễn Sỹ Dũng không cần xây dựng trước tập mô hình nguyên nhân mà tự động nhận dạng cấu trúc thông qua dữ liệu đo thực tế. So với hệ thống giám sát sức khỏe trên cầu Shandong Binzhou hay cầu Đông Hải (Trung Quốc), nghiên cứu của luận án tối ưu hóa sâu ở tầng thuật toán phân chia không gian dữ liệu mờ, cho phép giảm thiểu số lượng cảm biến mà vẫn đạt độ chính xác phát hiện khuyết tật ở dải tần số thấp ($f < 5\text{ Hz}$).

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng nền tảng tối ưu hóa mạng nơ-ron và hệ thống mờ Takagi-Sugeno thông qua 6 thuật toán đột phá:

classDiagram
    class TT_Star {
        +Conjugate Gradient
        +Hiệu chỉnh bước nhảy thích nghi
        +Xấp xỉ ma trận Hessian Er
        +Khắc phục bẫy cực tiểu
    }
    class SpacePartitioning {
        +CBMM (Chia bó Min-Max liên kết Vào-Ra)
        +CSHL (Cắt siêu hộp lai)
        +Hàm thuần chủng mu(.)
        +Hàm định hướng theta(.)
    }
    class NeuroFuzzySynthesis {
        +HLM1 (Cấu trúc mạng cơ sở)
        +HLM2 (Tối ưu biên dạng hàm liên thuộc)
        +HLM (Tối ưu hóa số luật mờ M)
    }
    class DamageIdentification {
        +KTKT-WL (Wavelet trung bình)
        +VTKT-NL (Thế năng biến dạng)
        +VTKT-NF (Neuro-Fuzzy toàn cục GNFcs)
        +TSPA (Dự báo chuỗi thời gian)
    }
    TT_Star --> NeuroFuzzySynthesis
    SpacePartitioning --> NeuroFuzzySynthesis
    NeuroFuzzySynthesis --> DamageIdentification
  1. Thuật toán huấn luyện mạng nơ-ron TT* và TT**: Dựa trên thuật toán Gradient liên hợp (Conjugate Gradient - CG). Tác giả thiết lập giải pháp tính gần đúng ma trận Hessian $A(\cdot)$ trong khai triển chuỗi Taylor của hàm sai số $E_r$ và hiệu chỉnh bước di chuyển $\alpha_i$ theo hướng liên hợp $p_i$: $$w_{i+1} = w_i + \alpha_i p_i$$ Giải pháp này triệt tiêu dao động quanh thung lũng đáy của hàm mục tiêu, giúp tốc độ hội tụ nhanh hơn gấp nhiều lần so với các thuật toán chuẩn.
  2. Thuật toán Chia bó Min-Max (CBMM): Khắc phục nhược điểm của Hard C-Mean (HCM) và Fuzzy C-Mean (FCM). CBMM thực hiện phân chia không gian dữ liệu đa chiều thành các siêu hộp thuần chủng $pHB_t$ và siêu hộp lai $hHB_t$ dựa trên sự ràng buộc đồng thời giữa không gian đầu vào $X \subset \mathbb{R}^n$ và không gian đầu ra $Y \subset \mathbb{R}^m$.
  3. Thuật toán Cắt siêu hộp lai (CSHL): Đề xuất hai hàm toán học hoàn toàn mới:
    • Hàm thuần chủng $\mu(HB_t)$: Định lượng tỷ lệ các điểm mẫu cùng nhãn nằm trong siêu hộp.
    • Hàm định hướng $\theta(HB_t)$: Xác định trục tọa độ ưu tiên phân cắt để tối đa hóa thể tích siêu hộp thuần chủng thu được sau khi cắt.
  4. Hệ thuật toán HLM1, HLM2 và HLM:
    • HLM1: Tự động thiết lập số luật mờ $M$ từ kết quả phân chia siêu hộp của CBMM/CSHL.
    • HLM2: Tối ưu hóa phi tuyến các tham số của hàm liên thuộc (tâm mờ, độ rộng đỉnh mờ) trong cả khối mờ hóa và khối giải mờ.
    • HLM: Tối ưu hóa toàn diện cả cấu trúc (loại bỏ các luật mờ dư thừa) lẫn tham số, đạt chuẩn sai số cực tiểu Least-Mean-Square (LMS).

Khung phân tích độc đáo

Khung phân tích của luận án kết hợp 3 trụ cột lý thuyết: Cơ học biến dạng dầm Euler-Bernoulli $\rightarrow$ Biến đổi Wavelet phân tích cục bộ $\rightarrow$ Mạng Neuro-Fuzzy tự điều chỉnh.

[Chế độ kích thích dao động: (md)i, n0, z0] 
     │
     ▼
[Đáp ứng động lực học dầm: Chuyển vị y(t), Biến dạng ε(t)]
     │
     ├────────────────────────────────────────┬────────────────────────────────────────┐
     ▼                                        ▼                                        ▼
[Phân tích Wavelet CWT]             [Thế năng biến dạng đàn hồi UE]        [Mô hình chuỗi thời gian]
     │                                        │                                        │
[Định lượng hệ số W(k), Z(k)]       [Mạng Neuro-Fuzzy phần tử ENF]         [Thuật toán TSPA]
     │                                        │                                        │
[Thuật toán KTKT-WL]                [Thuật toán VTKT-NF]                   [Dự báo biên độ tương lai]
     │                                        │                                        │
     └────────────────────────────────────────┴────────────────────────────────────────┘
                                              │
                                              ▼
               [BỘ CHẨN ĐOÁN & DỰ BÁO TỔNG HỢP: Vị trí, Mức độ hư hỏng, Tải trọng giới hạn]
  • Điều kiện biên: Áp dụng cho các cấu kiện dạng dầm chịu uốn có khuyết tật làm suy giảm độ cứng $EJ_x$, dải tần số kích thích dao động cơ bản $f \le 5\text{ Hz}$.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ chặt chẽ thế giới quan duy thực phản biện (Critical Realism) và thực chứng (Positivism), kết hợp đa phương pháp (Mixed-Method Quantitative Triangulation):

graph TD
    subgraph Level1 ["Mô phỏng số (Numerical Simulation)"]
        A1["Mô hình phần tử hữu hạn ANSYS"] --> A2["Khảo sát dầm dao động 10 phần tử, 20 phần tử"]
        A2 --> A3["Mô phỏng khuyết tật: Giảm EJx từ 10% đến 50%"]
    end
    subgraph Level2 ["Thực nghiệm Lab (Controlled Lab Experiment)"]
        B1["Khung kim loại tại PTN Cơ học Ứng dụng - ĐHBK TP.HCM"] --> B2["Kích động lệch tâm: md, n0, z0 biến tần"]
        B2 --> B3["Cảm biến: CV1-2, MEMS1-3, Strain Gauge SG2-3, DaqView"]
    end
    subgraph Level3 ["Đo đạc Hiện trường (Field Benchmark)"]
        C1["Cầu Sài Gòn (Nhịp 2 dầm BTCT DƯL, Q.2)"] --> C2["Tải giao thông tự nhiên (9-12/04/2009)"]
        C2 --> C3["Truyền dữ liệu không dây Wireless Network về Trung tâm"]
    end
    Level1 --> D["Kiểm chứng chéo và Đánh giá độ tin cậy"]
    Level2 --> D
    Level3 --> D

Quy trình nghiên cứu thực nghiệm

  • Hệ thống đo và Thu thập dữ liệu tại PTN Cơ học Ứng dụng (ĐHBK TP.HCM): Khung dầm thí nghiệm được kích thích dao động cưỡng bức bằng động cơ xoay chiều 3 pha mang tải lệch tâm ($m = 0.5\text{ kg}$, độ lệch tâm $d = 20 - 50\text{ mm}$), điều khiển tốc độ quay $n_0$ bằng biến tần, tọa độ gá đặt động cơ $z_0$ thay đổi linh hoạt.
  • Hệ thống cảm biến đo đạc:
    • Cảm biến đo chuyển vị tiếp xúc và không tiếp xúc ($CV_1, CV_2$).
    • Cảm biến vi cơ điện tử gia tốc ($MEM_1, MEM_2, MEM_3$).
    • Cảm biến đo biến dạng vi phân ($SG_2, SG_3$).
    • Hệ thống thu nhận dữ liệu đa kênh DaqView kết hợp Trigger quang học và Camera đồng bộ thời gian thực.
  • Quy trình đo đạc Cầu Sài Gòn: Thực hiện liên tục trong các ngày từ 09/04/2009 đến 12/04/2009. Tín hiệu biến dạng và gia tốc dưới tác động của dòng xe tải lưu thông thực tế được số hóa, mã hóa và truyền qua mạng không dây (Wireless Transmission System) về máy chủ xử lý tại PTN Cơ học Ứng dụng.
sequenceDiagram
    autonumber
    participant Bridge as Dầm Cầu Sài Gòn (Tải giao thông)
    participant Sensors as Hệ Cảm biến (MEMS, Strain Gauge)
    participant DAQ as DaqView & Bộ lọc tín hiệu (f < 5Hz)
    participant Wireless as Wireless Network Transmission
    participant Server as Trung tâm Xử lý (PTN CHUD - ĐHBK)
    participant Engine as Engine Xử lý (KTKT-WL / HLM / TSPA)

    Bridge->>Sensors: Biến dạng động lực học & Rung động
    Sensors->>DAQ: Tín hiệu điện áp tương tự (Analog)
    DAQ->>Wireless: Số hóa dữ liệu (Digital time-series)
    Wireless->>Server: Truyền gói tin TCP/IP thời gian thực
    Server->>Engine: Nạp tập mẫu dữ liệu T
    Engine-->>Server: Xuất hệ số wavelet chuẩn hóa Z(k) & Dự báo biên độ

Phát hiện đột phá và implications

Những phát hiện then chốt

1. Đột phá về tốc độ hội tụ và tối ưu sai số của thuật toán TT*, TT** và HLM

Thử nghiệm xấp xỉ hàm phi tuyến phức tạp $y = 1 + \sin(x)$ và nhận dạng vector đặc trưng ảnh:

  • Thuật toán chuẩn trong y văn quốc tế [111] không thể hội tụ sau 5.000 giây huấn luyện, sai số dừng ở mức cao $E_r = 2,473$.
  • Thuật toán TT* của luận án đạt điểm hội tụ chỉ sau 360 giây.
  • Phiên bản cải tiến TT** (với hệ số học thích nghi $\eta_1 = -0,2; \eta_2 = 0,1$) đạt trạng thái hội tụ tối ưu chỉ trong 65,78 giây (nhanh hơn gấp 76 lần).
So sánh thời gian hội tụ xấp xỉ hàm y = 1 + sin(x):
[111] Chuẩn quốc tế : > 5000s (Không hội tụ, Er = 2.473) ▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓▓
TT* (Nguyễn Sỹ Dũng): 360s                                 ██
TT** (Hệ số thích nghi): 65.78s                            █

Khi kiểm chứng trên tập dữ liệu chuẩn "Daily Data of Stock A" [95] và tập dữ liệu dao động dầm tr_set:

  • Với số luật mờ $M = 30$, thuật toán HLM đạt sai số bình phương trung bình (MSE) tiệm cận $0$, thấp hơn vượt trội so với thuật toán của Wang [93] và các mô hình DENFIS [98], [112], [133], [143].

2. Định vị chính xác khuyết tật đơn và khuyết tật đa điểm ở mức vi mô

Trên mô hình dầm chia 10 phần tử và 20 phần tử hữu hạn:

  • Khuyết tật 1 vị trí: Định vị chính xác phần tử số 8 bị hư $30%$ ($D_8, \bar{D}_8$ tăng vọt); phần tử số 5 bị hư $10%$, $30%$ và $50%$; phần tử số 10 và 15 bị hư $20%$.
  • Khuyết tật đồng thời đa vị trí: Nhận dạng chính xác trường hợp 2 phần tử số 6 và số 12 cùng bị suy giảm độ cứng $10%$, cũng như trường hợp phần tử 6 hư $40%$ kết hợp phần tử 12 hư $20%$, ngay cả khi tập số liệu độ võng $Y(X)$ bị cố tình gán nhiễu ngẫu nhiên.
Phổ hệ số hư hỏng tương đối zj trên các phần tử dầm:
Phần tử 1-5  : ── (Bình thường ~ 0.00)
Phần tử 6    : █▓▒░ ĐỘT BIẾN HƯ HỎNG 40% (zj = 0.412)
Phần tử 7-11 : ── (Bình thường ~ 0.00)
Phần tử 12   : █▓▒░ ĐỘT BIẾN HƯ HỎNG 20% (zj = 0.208)
Phần tử 13-20: ── (Bình thường ~ 0.00)

3. Khắc phục triệt để bế tắc của phép phân tích Wavelet ở dải tần số thấp (KTKT-WL)

Các nghiên cứu trước đây (như [49]) khẳng định không thể phát hiện khuyết tật ở mode dao động 1 và mode 2. Thuật toán KTKT-WL của luận án đã chứng minh điều ngược lại:

  • Khi cho khung thí nghiệm dao động cưỡng bức ở dải tần số rất thấp ($f = 2,6\text{ Hz}; 3,0\text{ Hz}; 3,4\text{ Hz}; 3,6\text{ Hz}; 3,8\text{ Hz}; 4,0\text{ Hz}$), hệ số Wavelet chuẩn hóa $Z(k)$ và hệ số Wavelet trung bình $\bar{W}(k)$ vẫn xuất hiện điểm kỳ dị cực đại cục bộ chính xác tại nút $Y_8$ (mức hư $1,56%$ và $4,9%$), tại nút $Y_6$ (mức hư $23,9%$), và tại hai điểm đồng thời $Y_4$ & $Y_6$ (với các tần số $2,9\text{ Hz} - 4,0\text{ Hz}$).
Hệ số Wavelet chuẩn hóa Z(k) tại các điểm đo (Hư tại Y8, f = 3.8Hz, mức hư 4.9%):
Điểm Y2 : 0.012 ──
Điểm Y4 : 0.035 ───
Điểm Y6 : 0.089 ─────
Điểm Y8 : 0.942 ████████████████████████████████ (ĐIỂM KỲ DỊ - VỊ TRÍ HƯ HỎNG)
Điểm Y10: 0.041 ───
Điểm Y12: 0.015 ──

4. Khả năng dự báo chuỗi thời gian động học vượt trội của thuật toán TSPA

Khảo sát biên độ dao động tại các nút $Y_5$ ($f = 1,1\text{ Hz}$), $Y_7$ ($f = 1,8\text{ Hz}$) và $Y_8$ ($f = 1,4\text{ Hz}$):

  • Thuật toán TSPA với bậc dự báo $n = 3$ và $n = 4$ bám sát hoàn toàn quỹ đạo thực nghiệm, cho sai số Mean Percent Error (MPE) nhỏ hơn đáng kể so với mạng nơ-ron hồi quy mờ động DENFIS [98].

5. Kiểm chứng thực tế trên dầm Cầu Sài Gòn

Dữ liệu phân tích dao động biến dạng tại 10 điểm đo ($Y_1 \to Y_{10}$) trên nhịp dầm bê tông dự ứng lực số 2 Cầu Sài Gòn (9–12/04/2009) cho thấy đồ thị hệ số wavelet chuẩn hóa $\bar{W}(k)$ phản ánh sự ổn định và nhất quán cao giữa các chu kỳ đo, chứng minh tính khả thi tuyệt đối của việc ứng dụng hệ thống ND-DBTX ngoài hiện trường mà không cần dừng giao thông.

Limitations và Future Research

Hạn chế học thuật (Limitations)

  1. Giới hạn loại hình khuyết tật: Nghiên cứu định nghĩa khuyết tật thuần túy qua sự suy giảm độ cứng chống biến dạng $EJ_x$. Do đó, phương pháp không phản ánh được các dạng hư hỏng tế vi không làm thay đổi độ cứng uốn (như rỉ sét bề mặt mức độ nhẹ, nứt cục bộ song song trục trung hòa).
  2. Mô hình hình học dầm phẳng: Các thuật toán chủ yếu được kiểm chứng trên cấu kiện dạng thanh/dầm (1D, 2D). Đối với các kết cấu không gian 3D phức tạp (như bản mặt cầu trực giao, trụ tháp cầu dây văng), ma trận tương quan sẽ có số chiều rất lớn.
  3. Nhiễu nhiệt độ môi trường: Phép đo ngoài hiện trường tại Cầu Sài Gòn chưa xét đến biến thiên nhiệt độ ngày-đêm làm thay đổi tạm thời tần số dao động tự nhiên của dầm bê tông.

Định hướng nghiên cứu tương lai (Future Agenda)

  1. Mở rộng hệ thuật toán HLM và TSPA sang bài toán nhận dạng khuyết tật kết cấu tấm vỏ 3D, dầm hộp cầu dây văng và dầm liên hợp thép - bê tông.
  2. Tích hợp thuật toán bù sai số nhiệt độ môi trường vào mạng Neuro-Fuzzy toàn cục GNFcs.
  3. Phát triển chip xử lý nhúng (Edge Computing) cài đặt sẵn thuật toán KTKT-WL và CSHL gắn trực tiếp trên các cảm biến không dây thông minh IoT phục vụ giám sát thời gian thực.
  4. Nghiên cứu mô hình kết hợp Wavelet - Neuro - Genetic Algorithm (GA) để tự động hóa hoàn toàn khâu chọn hàm mẹ wavelet (Mother Wavelet $\psi(t)$) tối ưu cho từng loại vật liệu composite mới.

Tác động và ảnh hưởng

+─────────────────────────────────────────────────────────────────────────────+
|                         TÁC ĐỘNG TOÀN DIỆN CỦA ĐỀ TÀI                       |
+──────────────────────────────────────┬──────────────────────────────────────+
|          LĨNH VỰC HỌC THUẬT          |          THỰC TIỄN CÔNG NGHIỆP       |
| • Cung cấp 6 thuật toán tối ưu mới   | • Chuyển đổi từ bảo trì định kỳ sang |
|   (TT*, CBMM, CSHL, HLM1, HLM2, HLM) |   bảo trì dự đoán (Predictive CBM)   |
| • Đặt nền móng lý thuyết cho hệ thống| • Tiết kiệm 40-60% chi phí kiểm định |
|   ND-DBTX tại Việt Nam               |   thử tải truyền thống               |
+──────────────────────────────────────┼──────────────────────────────────────+
|          QUẢN TRỊ & CHÍNH SÁCH       |          LỢI ÍCH XÃ HỘI              |
| • Cung cấp công cụ đánh giá tuổi thọ | • Ngăn ngừa các thảm kịch sập cầu    |
|   phục vụ Bộ Giao thông Vận tải      | • Đảm bảo huyết mạch lưu thông       |
| • Giảm thiểu phụ thuộc công nghệ cũ  | • Bảo vệ sinh mạng người tham gia    |
|   nhập khẩu từ nước ngoài            |   giao thông                         |
+──────────────────────────────────────┴──────────────────────────────────────+
  • Học thuật: Mở ra nhánh nghiên cứu chuyên sâu kết hợp Giải bài toán ngược Động lực học + Xử lý tín hiệu Wavelet + Mạng Neuro-Fuzzy thích nghi trong Cơ học kỹ thuật tại Việt Nam.
  • Kinh tế - Công nghiệp: Cung cấp giải pháp công nghệ nội địa hóa hoàn toàn (toàn bộ phần mềm và thuật toán do tác giả tự lập trình), giúp ngành giao thông vận tải chủ động trong quản trị cầu, giảm sự phụ thuộc vào các gói công nghệ giám sát đắt đỏ từ nước ngoài.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà nghiên cứu Cơ học tính toán: Thừa hưởng bộ công cụ toán học tối ưu hóa mạng nơ-ron (TT*) và phân chia siêu hộp mờ (CBMM, CSHL, HLM) có thể áp dụng cho nhiều bài toán cơ học phi tuyến khác nhau.
  • Kỹ sư Chẩn đoán công trình & Đơn vị Quản lý Cầu đường: Ứng dụng thuật toán KTKT-WL và VTKT-NF để định vị chính xác vị trí vết nứt ngầm trong dầm bê tông cốt thép mà mắt thường hoặc kiểm tra thủ công không thể tiếp cận.
  • Cơ quan Quản lý Nhà nước (Bộ Giao thông Vận tải, Cục Đường bộ): Sở hữu cơ sở dữ liệu khoa học và phương pháp luận dự báo tuổi thọ (TSPA) để đưa ra quyết định phân luồng tải trọng, lập kế hoạch duy tu hoặc thay thế cầu cũ kịp thời.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và nó mở rộng lý thuyết nào?

Đóng góp độc đáo nhất là việc xây dựng hệ thuật toán HLM (Hybrid Learning Method) trên nền tảng hai thuật toán phân chia không gian dữ liệu mới: CBMM (Chia bó Min-Max) và CSHL (Cắt siêu hộp lai). Công trình đã mở rộng trực tiếp Lý thuyết hệ suy diễn mờ Takagi-Sugeno (T-S) và Lý thuyết mạng nơ-ron thích nghi (ANFIS). Điểm cốt lõi là việc đưa vào hai hàm toán học: hàm thuần chủng $\mu(HB_t)$ và hàm định hướng $\theta(HB_t)$, giúp việc thiết lập các siêu hộp mờ không gian vào-ra không bị chồng lấn, giải quyết triệt để sự bùng nổ số lượng luật mờ $M$ và tối ưu hóa hình học hàm liên thuộc mà các công trình của Wang [93] hay Abe [94] chưa thực hiện được.

2. Đột phá phương pháp luận của nghiên cứu khi so sánh với các công trình quốc tế?

So sánh với nghiên cứu kinh điển của Salawu [116] (khẳng định tần số dao động không thể phát hiện hư hỏng cục bộ) và nghiên cứu của Douka [39] (chỉ dùng Wavelet ở mode cao), luận án tạo ra bước đột phá kép:

  1. Tạo ra chỉ số năng lượng biến dạng phần tử $z_j$ qua mạng Neuro-Fuzzy (VTKT-NF), khuếch đại độ nhạy của tín hiệu dao động khi độ cứng $EJ_x$ suy giảm cục bộ.
  2. Thiết lập thuật toán KTKT-WL dùng hệ số Wavelet chuẩn hóa trung bình $Z(k)$ triệt tiêu ảnh hưởng của dao động nền, cho phép phát hiện điểm kỳ dị hư hỏng ngay tại dải tần số kích thích rất thấp ($2.0 - 4.7\text{ Hz}$) ở mode 1 và mode 2.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất về mặt dữ liệu?

Phát hiện bất ngờ nhất là thuật toán TT** đạt tốc độ hội tụ siêu tốc 65,78 giây (với $\eta_1 = -0,2; \eta_2 = 0,1$), trong khi thuật toán đối chứng quốc tế [111] hoàn toàn bế tắc sau 5.000 giây ($E_r = 2,473$). Đồng thời, phương pháp có thể phát hiện mức độ khuyết tật siêu nhỏ $1,56%$ tại nút $Y_8$ trên khung thí nghiệm dưới tần số $3,4\text{ Hz}$ và $3,6\text{ Hz}$—một ngưỡng nhạy mà các thiết bị đo đạc dao động thông thường trước đây đều coi là nhiễu trắng.

4. Luận án có cung cấp quy trình tái lập (Replication Protocol) không?

Có. Luận án cung cấp hệ thống giao thức hoàn chỉnh bao gồm:

  • Toàn bộ mã nguồn chương trình phân chia siêu hộp và tổng hợp mạng Neuro-Fuzzy (Phụ lục 1).
  • Tập dữ liệu số thực nghiệm chuẩn của khung kim loại khi chưa hư hỏng (Phụ lục 2).
  • Quy trình toán học từng bước để tạo tập dữ liệu phục vụ bài toán dự báo chuỗi thời gian (Phụ lục 3 và Phụ lục 4).
  • Bộ số liệu đo thực tế hệ số wavelet chuẩn hóa tại 10 điểm đo trên dầm Cầu Sài Gòn (Phụ lục 5).

5. Lộ trình nghiên cứu 10 năm tiếp theo được định hình như thế nào?

  1. Giai đoạn 1 (1–3 năm): Chuẩn hóa phần mềm HLM và KTKT-WL thành bộ công cụ thương mại phục vụ kiểm định cầu đường bộ tại Việt Nam.
  2. Giai đoạn 2 (3–6 năm): Tích hợp thuật toán vào hệ thống mạng cảm biến không dây thông minh (Smart Wireless Sensor Network), triển khai thử nghiệm hệ thống ND-DBTX thời gian thực trên 5 cầu dây văng lớn.
  3. Giai đoạn 3 (6–10 năm): Mở rộng lý thuyết chẩn đoán hư hỏng dầm sang các cơ hệ phi tuyến cao: công trình biển, giàn khoan dầu khí ngoài khơi, và kết cấu cánh máy bay composite.

Kết luận

  1. Xây dựng thành công hệ thống 6 thuật toán tối ưu hóa nơ-ron và mờ mới: TT*, CBMM, CSHL, HLM1, HLM2 và HLM, nâng cao vượt bậc tốc độ hội tụ (gấp 76 lần) và độ chính xác xấp xỉ hàm phi tuyến so với các chuẩn quốc tế.
  2. Đề xuất 3 thuật toán nhận dạng và định vị khuyết tật đột phá: KTKT-WL (Wavelet trung bình), VTKT-NL (Phương pháp năng lượng) và VTKT-NF (Mạng Neuro-Fuzzy phần tử ENF/GNFcs), phát hiện chính xác khuyết tật từ mức $1,56%$ đến $50%$ ở dải tần số thấp ($f < 5\text{ Hz}$).
  3. Phát triển thuật toán dự báo chuỗi thời gian TSPA: Cho phép dự báo chính xác biên độ dao động và xu hướng suy giảm tải trọng dầm, vượt trội hơn mô hình DENFIS.
  4. Kiểm chứng thực nghiệm đa tầng hoàn chỉnh: Từ mô hình giải tích số ANSYS, mô hình khung kim loại kích động cưỡng bức trong phòng thí nghiệm đến dữ liệu thực tế tại Cầu Sài Gòn (09–12/04/2009).
  5. Định hình bước chuyển dịch mô hình (Paradigm Shift): Chuyển đổi căn bản công tác quản trị cầu từ "kiểm tra thủ công/kiểm định định kỳ gián đoạn" sang "hệ thống nhận dạng và dự báo thường xuyên (ND-DBTX) tự động, phi cấu trúc".
  6. Giá trị thực tiễn và tính tự chủ công nghệ: Cung cấp cơ sở khoa học và bộ công cụ phần mềm nội địa hóa, tạo tiền đề vững chắc cho việc bảo vệ an toàn giao thông và phát triển hạ tầng cầu đường bền vững tại Việt Nam.