TẠP CHÍ PHÁT TRIỂN KH&CN, TẬP 11, SỐ 02 - 2008 NHẬN DẠNG KHUYẾT TẬT CỦA CẦU MƠ HÌNH BẰNG PHƯƠNG PHÁP NĂNG LƯỢNG VÀ MẠNG NEURO-FUZZY Nguyễn Sỹ Dũng(1), Lê Minh Cảnh(2), Ngô Kiều Nhi(3) (1) Trường Đại học Công nghiệp Tp.HCM (2) Trường Cao đẳng Điện lực Tp.HCM (3) Trường Đại học Bách khoa, ĐHQG-HCM (Bài nhận ngày 30 tháng 04 năm 2007, hoàn chỉnh sửa chữa ngày 15 tháng 01 năm 2008) TĨM TẮT: Bài báo trình bày phương pháp nhận dạng khuyết tật cầu mơ hình dựa vào đặc điểm phân bố độ võng dầm cầu dao động ứng dụng mạng neuro-fuzzy Phương pháp thực theo hai bước Bước thứ nhất, xác định vị trí hư hỏng dựa tập hệ số hư hỏng xác lập cho phần tử, phát triển từ [7] Bước thứ hai, xác định mức độ hư hỏng vị trí xác định bước thứ sở ứng dụng hệ thống suy diễn neuro-fuzzy ANFIS [1] Rất nhiều thí nghiệm số thực cho hai nội dung cách làm suy giảm độ cứng chống biến dạng cầu mô hình với mức độ khác nhau, vị trí khác - vị trí đồng thời – sau xác lập trạng thái dao động với tần số dao động khác để đánh giá khả xác định vị trí hư hỏng dự báo mức độ hư hỏng phương pháp đề xuất Kết thí nghiệm cho thấy chất lượng việc xác định vị trí hư hỏng đánh giá mức độ hư hỏng phương pháp khơng phụ thuộc nhiều vào tần số kích thích tần số riêng cầu; phương pháp đảm bảo độ tin cậy số liệu đo có sai số khơng lớn ĐẶT VẤN ĐỀ Khuyết tật (hay hư hỏng) hiểu vết nứt, độ suy giảm độ cứng chống biến dạng Trong báo khuyết tật hiểu theo nghĩa thứ hai nêu Khi độ cứng hệ thay đổi ứng xử hệ thay đổi theo Ở đây, đặc điểm ứng xử điển hình sử dụng dao động hệ Một số nhóm phương pháp thường sử dụng nhận dạng dự báo khuyết tật hệ nói chung hệ thống cầu nói riêng sau: nhóm phương pháp dựa vào dao động, VBDI, nhóm phương pháp kết hợp VBDI kỹ thuật mạng neuron nhân tạo - gọi tắt nhóm phương pháp ANN, nhóm phương pháp kết hợp VBDI logic mờ - gọi tắt nhóm phương pháp Fuzzy, nhóm phương pháp kết hợp VBDI, kỹ thuật mạng neuron logic mờ fuzzy, gọi tắt nhóm phương pháp Neuro-Fuzzy Phương pháp VBDI phát triển dựa đặc điểm: khuyết tật xuất hệ làm giảm độ cứng cấu trúc, giảm tần số dao động tự nhiên hệ thống; làm thay đổi mode dao động … [3][4][5][6] Mặc dù phương pháp có nhiều ưu điểm khảo sát mơ hình, nhiên ứng dụng vào thực tiễn thường gặp số hạn chế Với mức độ hư hỏng không cao, đại lượng vật lý tần số riêng mode dao động dễ xác định mơ hình lại khó xác định cấu trúc thực phương pháp đo đạc sai số vuợt giới hạn cần đo Hiện nay, mạng ANN ứng dụng ngày nhiều việc đánh giá hư hỏng cơng trình Có nhiều nghiên cứu liên quan tới nhận dạng khuyết tật (vị trí độ lớn) dự báo khả làm việc công trình nói chung hệ thống cầu nói riêng phát triển theo Trang Science & Technology Development, Vol 11, No.02- 2008 hướng ứng dụng mạng ANN theo cách khác [7][8][9][10][11][12][13][15] Đặc điểm chung nghiên cứu giải toán nhận dạng đối tượng theo mơ hình black-box thơng qua mạng neuron Ưu điểm phương pháp đặc tính động lực học kết cấu xác định gián tiếp qua ma trận số mạng, xác định tối ưu trình huấn luyện mạng dựa tập mẫu liệu thực nghiệm input-output Tuy nhiên, khó khăn phương pháp khó xác định cấu trúc mạng tối ưu cho đối tượng cụ thể Điều làm giảm độ xác dự báo Thường phải sử dụng phương pháp thử, nghĩa phải thay đổi cấu trúc mạng nhiều lần để chọn đại diện phù hợp Mạng neuro-fuzzy mơ hình tích hợp ưu điểm mơ hình fuzzy kỹ thuật mạng neuron, mơ hình có khả thích nghi tốt, có tốc độ hội tụ độ xác cao Hiện phương pháp nhiều nhà nghiên cứu ứng dụng để nhận dạng khuyết tật cơng trình [16][17][18] Việc xây dựng mơ hình neuro-fuzzy thực qua hai bước chính: nhận dạng cấu trúc nhận dạng thông số Khi nhận dạng cấu trúc, luật mờ xác lập dựa tập liệu input-output TrS (Training Set) nhận khảo sát mơ hình q trình đo đối tượng thực Tiếp theo, nhằm gia tăng độ xác mơ hình, luật mờ điều chỉnh cập nhật thơng qua q trình huấn luyện mạng neuron giai đoạn nhận dạng thông số Gần đây, nghiên cứu kiểm tra hư hỏng cầu mơ hình dựa phương pháp lượng kỹ thuật mạng ANN trình bày [7] Phương pháp có nhiều ưu điểm Thứ nhất, độ xác xác định vị trí hư hỏng cầu mơ hình cao, liệu đo đạc có sai số Thứ hai, đại lượng vật lý sử dụng thuật tốn đo đạc với độ tin cậy cho phép cầu thực, mở khả ứng dụng khả thi cầu thực Thứ ba, phương pháp khai thác ưu điểm mạng ANN toán nhận dạng đối tượng dạng black-box Tuy nhiên, nhiều thí nghiệm kiểm chứng cầu mơ hình với tần số dao động khác chúng tơi nhận thấy phương pháp trình bày [7] xác tần số dao động xa tần số riêng hệ Độ xác bị suy giảm rõ rệt kết khơng cịn tần số dao động có giá trị tiệm cận tới giá trị tần số riêng hệ Ngồi ra, theo phương pháp khó xác định cấu trúc mạng ANN tối ưu cho đối tượng cầu cụ thể Thực tế, phải thay đổi cấu trúc mạng nhiều lần để chọn đại diện phù hợp cho mơ hình cầu Tất hạn chế nêu làm giảm hiệu quả, độ tin cậy khả ứng dụng cho cầu thực phương pháp trình bày [7] Trong báo chúng tơi trình bày phương pháp xác định khuyết tật cầu mô hình, gồm hai nội dung: xác định vị trí hư hỏng xác định mức độ hư hỏng Mục tiêu đặt gia tăng độ tin cậy tốn xác định vị trí hư hỏng dự báo mức độ hư hỏng cầu mơ hình, đồng thời gia tăng khả ứng dụng thuật toán cho cầu thực Giải pháp đưa ứng dụng phát triển phương pháp lượng trình bày [7] hai điểm Trước hết, để khắc phục hạn chế [7] hệ dao động vùng lân cận với tần số riêng hệ đề xuất giải pháp sử dụng hệ số hư hỏng trung bình (được trình bày mục II.2.2) Việc hữu ích ứng dụng thuật tốn cho cầu thực trường hợp cầu thực khó xác định xác tần số riêng hệ để thực đo đạc lấy số liệu vùng tần số xa giá trị Đối với toán dự báo, để khắc phục hạn chế [7] sử dụng mạng ANN nêu trên, nghiên cứu ứng dụng phương pháp suy diễn fuzzy-neuron trình bày [1], phương pháp có Trang TẠP CHÍ PHÁT TRIỂN KH&CN, TẬP 11, SỐ 02 - 2008 nhiều ưu điểm, đặc biệt độ xác phép xấp xỉ cao nhờ khả tự xác định chỉnh định cấu trúc mạng thông số mạng cách tối ưu thông qua trình huấn luyện mạng Bố cục báo gồm mục sau Mục I trình bày tổng quan phương pháp kiểm tra khuyết tật cầu; giới thiệu đối tượng nghiên cứu phương pháp tiếp cận Mục II giới thiệu mơ hình cầu sử dụng thí nghiệm kiểm chứng, trình bày sở lý thuyết phương pháp tiếp cận trình bày đề xuất cách xác định khuyết tật cầu mơ hình Trong mục III, nhiều thí nghiệm số cầu mơ hình đưa để đánh giá hiệu phương pháp đề xuất Mục IV trình bày kết luận khái quát hiệu phưong pháp khả ứng dụng phương pháp việc xác định vị trí hư hỏng mức độ hư hỏng cầu thực 2.CƠ SỞ LÝ THUYẾT CỦA PHƯƠNG PHÁP 2.1 Xây dựng mơ hình Hình Mơ hình cầu Hình Xây dựng phần tử theo phương pháp phần tử hữu hạn Thông thường cầu đường gồm nhiều nhịp, nhịp gối lên hai gối hai đầu Sơ đồ lực sử dụng làm ví dụ báo hình Trạng thái chịu lực khảo sát uốn ngang phẳng Cầu mơ hình chia thành n=20 phần tử với biến nút độ võng góc xoay biểu diễn hình Trang Science & Technology Development, Vol 11, No.02- 2008 2.2 Xác định vị trí hư hỏng 2.2.1 Dựa vào hệ số hư hỏng Nguyên tắc phương pháp lượng trình bày [7] cầu phân chia thành nhiều phần tử nhỏ dạng dầm (hình 2) Cho hệ dao động tần số khác (gọi trạng thái dao động -TTDĐ), xác định chuyển vị nút Y j , j = n , phần tử thời điểm khác trước sau có khuyết tật để tính hệ số hư hỏng phần tử Vị trí mức độ hư hỏng hệ xác định dựa vào tập hệ số hư hỏng nói Hệ số hư hỏng phần tử thứ i TTDĐ thứ j tính: NM xi = ∑ f jid j =1 NM ∑f j =1 ji (1) số d biểu thị cấu trúc có khuyết tật, khơng có số d thể cấu trúc khơng có khuyết tật NM số mode khảo sát f ji = ∫ a ∫ L f b [Y j'' ( X )]2 dX EI ( X )[Y j'' ( X )]2 dX (2) d ji tính theo (2) Ở đây, E modun đàn hồi vật liệu; I moment quán tính tiết diện ngang dầm Tích phân cận a, b ứng với phần tử thứ j có độ dài (b-a) Tích phân cận 0, L ứng với tồn chiều dài cầu mơ hình, nghĩa tính tồn chiều dài cầu Các tích phân tính theo phương pháp số khác Trong báo sử dụng phương pháp sai phân hữu hạn Theo [7], phần tử có giá trị xi lớn phần tử bị khuyết tật, dựa vào hệ số hư hỏng xi xác định vị trí hư hỏng cầu 2.2.2 Hệ số hư hỏng trung bình ứng dụng Thí nghiệm cầu mơ hình với nhiều mode khác nhận thấy rằng: x TTDĐ vùng lân cận với tần số riêng cầu, dựa vào i [7] không xác định vị trí hư hỏng trường hợp phần tử khơng có khuyết tật xi lớn Dựa vào hình thấy rõ vấn đề này: ω , , ω6 ) cầu nên độ - Các đường ứng với tần số dao động xa tần số riêng ( cho giá trị xác dự báo vị trí hư hỏng cao x - Đường 4, ứng với tần số dao động gần với tần số riêng cầu, cho thấy dựa vào i khơng xác định xác vị trí khuyết tật - Đường 3, đường trung bình tính theo cơng thức (3), biểu thị xác vị trí khuyết tật Đối với đối tượng khảo sát cầu thực, khó xác định xác tần số riêng cầu Hơn nữa, đặc điểm chung tần số riêng mode shape hệ bất biến mà thay đổi, phụ thuộc vào tình trạng khuyết tật xuất cấu trúc hệ Điều làm gia tăng mức độ phức tạp việc xác định tần số Trang TẠP CHÍ PHÁT TRIỂN KH&CN, TẬP 11, SỐ 02 - 2008 riêng cầu sử dụng thuật tốn trình bày [7] cho cầu thực Để khắc phục hạn chế này, nhằm gia tăng độ tin cậy phương pháp lượng sử dụng cho đối tượng khảo sát cầu thực, nghiên cứu đề xuất giải pháp sử dụng hệ số hư hỏng trung bình: xi = NE ⎛ NM d ∑ ⎜ ∑ f ji NE k =1 ⎝ j =1 NM ∑f j =1 ji ⎞ ⎟ ⎠ (3) để xác định vị trí hư hỏng, đó, NE số lần lấy mẫu xi , xi (a) elements xi , xi (b) elements Hình Độ xác dự báo vị trí hư hỏng [7] phụ thuộc vào tần số kích thích dao động (đường 4) hiệu giải pháp đề xuất (đường 3) (a): phần tử số 17 hư 20%; (b): phần tử hư 20%, 12 hư 20% 18 hư 30% 2.3 Xác định mức độ hư hỏng Trong báo mạng neuro-fuzzy [1] ứng dụng để xác định mức độ hư hỏng cầu, vị trí hư hỏng xác định dựa vào hệ số hư hỏng trung bình xi Q trình gồm bước sau: 2.3.1.Xây dựng tập mẫu Thực gán vào mô hình khuyết tật vị trí khác với mức độ khác Sử dụng (2)(3) để xây dựng tập nẫu input-output Như ứng với trường hợp khuyết tật cầu cần xây dụng tập mẫu huấn luyện TrS tập mẫu kiểm tra TeS Tập mẫu huấn luyện gồm P cặp liệu: Trang Science & Technology Development, Vol 11, No.02- 2008 ( xi , yi ) , i = P, xi = [ xi1 , xi , , xin ] xi , i = P , vector input thứ i chứa hệ số hư hỏng phần tử ứng với y , i = P ; n số phần tử chia trạng thái hư hỏng khảo sát có mức độ hư hỏng i đó, mơ hình Fuzzy label (firing strengths) H1(1) M xi1 H R(1)1 H xi2 max μ H (1) ( x ) R1 M (2) M max M M H R(2)2 xin H1( M ) M H R( MM ) μH (M ) ( x ) WTA M μ H (1) ( x ) yˆi max μH (M ) ( x ) RM Hình Cấu trúc mạng Neuro-fuzzy 2.3.2.Xây dựng mạng neuro-fuzzy Sử dụng thuật toán tổng hợp mạng ANFIS [1] để xây dựng mạng neuro-fuzzy (hình 4) có chức nhận dạng đối tượng thơng qua tập mẫu TrS có (k ) Dựa vào [1], không gian vào phân chia để xây dựng tập mờ siêu hộp H r x (k ) Giá trị liên thuộc mẫu i vào H r tính theo phương pháp Simpson [19]: n μ pHB( k ) ( xi ) = ∑ [1 − f ( xij − urj , γ ) − f (vrj − xij , γ )] r n j =1 xγ > 1; ⎧1, ⎪ f ( x, γ ) = ⎨ xγ , ≤ xγ ≤ 1; ⎪0, xγ < ⎩ Trang 10 TẠP CHÍ PHÁT TRIỂN KH&CN, TẬP 11, SỐ 02 - 2008 đó, ur = [ur1ur urn ] ; vr = [vr1vr vrn ] đỉnh cực trị max-min H r( k ) γ hệ số độ dốc, lấy giá trị mặc định γ = 0.5 Tín hiệu mạng yˆi tính theo luật “winner takes all” (WTA) [1] 2.3.3 Xác định mức độ hư hỏng xi , xi (a) xi , xi (b) xi , xi (c) elements Hình Mức độ hư hỏng cao độ gia tăng hệ số hư hỏng xi xi phần tử bị hư lớn Phần tử số bị hư 10% (a); 30% (b) 50%(c) Sử dụng TrS để huấn luyện mạng neuro-fuzzy nhận dạng trường hợp hư hỏng tương ứng Nghĩa ứng với trường hợp hư hỏng thứ j có tập TrSj tương Trang 11 Science & Technology Development, Vol 11, No.02- 2008 ứng có mạng neuro-fuzzy thứ j xây dựng để xấp xỉ hàm số f chưa biết j phản ánh quan hệ input-output tập liệu TrSj Tập TeSj sử dụng để kiểm chứng hiệu mạng huấn luyện việc dự báo mức độ hư hỏng vị trí hư hỏng xác định mục II.2 xi , xi (a) xi , xi (b) xi , xi (c) elements Hình Hệ số hư hỏng xi xi – trường hợp tập giá trị độ võng Y ( X ) khơng có sai số - phản ánh xác vị trí hư hỏng cầu Phần tử số 10 bị hư 20% (a); phần tử 15 bị hư 20% (b); hai phần tử 6, 12 bị hư 10%(c) Trang 12 TẠP CHÍ PHÁT TRIỂN KH&CN, TẬP 11, SỐ 02 - 2008 3.THÍ NGHIỆM KIỂM CHỨNG Trong phần trình bày thí nghiệm số cầu mơ hình hình Dầm chia thành 20 phần tử có độ dài Xác định sáu tần số riêng chưa bị hư hỏng ( Hz ): ω1 = 1, 7; ω2 = 6,9; ω3 = 15, 6; ω4 = 19, 6; ω5 = 27, 6; ω6 = 42 Chia miền tần số từ đến 50Hz thành 501 điểm chia với bước chia 0.1 Hz 3.1 Xác định vị trí hư hỏng x x Hệ số hư hỏng i hệ số hư hỏng trung bình i sử dụng để xác định vị trí hư hỏng Phần tử hư hỏng phần tử có giá trị hệ số hư hỏng hệ số hư hỏng trung bình x x lớn Tất hình từ hình đến hình cho thấy tăng vọt i i phần tử i bị hư hỏng Trên hình có bốn đường đặc tính: đường ứng với tần số kích thích xa ω1 , , ω6 ; đường số xây dựng từ sáu tần số kích thích 1,2Hz ≈ ω1 , ≈ ω2 , 15,2Hz ≈ ω3 , 19,4Hz ≈ ω4 , 27,3Hz ≈ ω5 , 42,5Hz ≈ ω6 ; đường số xây 6,7Hz tần số riêng dựng theo giải pháp trung bình đề xuất nghiên cứu (công thức số 3) xi , xi xi , xi Trang 13 Science & Technology Development, Vol 11, No.02- 2008 xi , xi elements Hình Khả xác định vị trí hư hỏng hệ số hư hỏng võng xi xi trường hợp tập giá trị độ Y ( X ) có sai số mức độ khác Hình cho thấy phần tử, mức độ gia tăng hệ số hư hỏng rõ nét mức độ hư hỏng cao Hình xét khả xác định vị trí hư hỏng trường hợp số liệu để tính tốn hệ số hư hỏng khơng có sai số Ngược lại, hình khảo sát ảnh hưởng sai số x x tập số liệu, dùng để tổng hợp hệ số hư hỏng i , i , tới độ xác dự báo vị trí hư hỏng thuật tốn Ngồi hình 3, 5, cịn phản ánh hạn chế phương pháp trình bày [7] tần số sử dụng cắt mẫu trùng gần trùng với tần số riêng cầu (đường nét đứt số đồ thị) Để khắc phục, đề xuất giải pháp sử dụng hệ số hư hỏng trung bình (đường đặc tính số hình) Giải pháp cho phép mở rộng phạm vi sử dụng phương pháp [7] trường hợp khơng thể xác định xác tần số dao động riêng, chẳng hạn khảo sát cầu thực 3.2 Xác định mức độ hư hỏng Trong phần này, ứng với trường hợp hư hỏng cầu, tiến hành xây dựng tập mẫu huấn luyện TrS tập mẫu dùng để kiểm tra TeS Các cặp mẫu TeS không trùng với bất xi : chọn sáu khoảng tần số (0, ω1 ) , (ω1 , ω2 ) , (ω2 , ω3 ) , (ω3 , ω4 ) , (ω4 , ω5 ) , (ω5 , ω6 ) sáu tần số f1 , , f , sau x cho hệ dao động theo tần số này, đo độ võng để tính i dựa vào (2) (3) Như kỳ cặp mẫu thuộc TrS Để xác lập giá trị NM=6 cho trường hợp Tất thí nghiệm số nghiên cứu lấy NE=3 Về số lượng cặp mẫu, có hai loại TrS: loại 100 cặp mẫu loại 500 cặp mẫu ( xi , yi ), i = P , (P=100 P=500) Tất TeS có số mẫu P=80 Về độ xác số liệu xây dựng tập mẫu, tất TrS TeS có loại ứng với sai số 0%, 1%, 2%, 3%, 4%, 5% Trang 14 TẠP CHÍ PHÁT TRIỂN KH&CN, TẬP 11, SỐ 02 - 2008 β= Gọi Dt − Dm 100(%) D Dt sai lệch (%) mức độ hư hỏng thực tế ( t ) cầu Nβ mức độ hư hỏng dự báo mạng (Dm) Gọi tỷ lệ phần trăm mẫu kiểm tra toàn mẫu tập kiểm tra TeS có giá trị dự báo sai số khơng q 20% so với mức độ hư hỏng thực tế, nghĩa mẫu có β ≤ 20% Kết thí nghiệm cho bảng 1, Bảng Phần tử số hư 30% Nβ (%) Sai số số liệu 0% 1% 2% 3% 4% 5% TrS có P=100 78.2 61 82 74.5 53.6 74.3 TrS có P=500 100 100 100 91 82.5 85.4 Bảng Phần tử số hư 10% phần tử số 12 hư 10% Nβ (%) Sai số số liệu 0% 1% 2% 3% 4% 5% TrS có P=100 92.5 87 80.4 94.2 76.5 68 TrS có P=500 100 100 85 96 82.5 81.6 Bảng Phần tử số hư 40% phần tử số 12 hư 20% Nβ (%) Sai số số liệu 0% 1% 2% 3% 4% 5% TrS có P=100 94.5 56.3 80 91 88.5 90.5 TrS có P=500 100 100 100 94.4 91.6 85.5 4.KẾT LUẬN Bài báo trình bày phương pháp xác định vị trí hư hỏng mức độ hư hỏng cầu mơ hình sở phát triển phương pháp lượng [7] xác định vị trí hư hỏng ứng dụng mơ hình neuro-fuzzy [1] dự báo mức độ hư hỏng cầu Trong đó, giải pháp tính hệ số hư hỏng cầu, giải pháp trung bình, đề xuất nhằm khắc phục hạn chế [7] trường hợp tần số kích thích dao động lấy mẫu trùng Trang 15 Science & Technology Development, Vol 11, No.02- 2008 gần trùng với tần số dao động riêng cầu Điều có ý nghĩa ứng dụng cho cầu thực khó xác định xác tần số riêng cầu tần số kích thích lấy mẫu Kết nhiều thí nghiệm số cầu mơ hình cho thấy hiệu phương pháp đề xuất tốt, tập số liệu đo có sai số, mức độ sai số khơng q lớn Các đại lượng vật lý sử dụng cho thuật tốn xác định vị trí mức độ hư hỏng cầu mơ hình xác định phương pháp đo cầu thực Đây đặc điểm quan trọng liên quan tới khả ứng dụng vào thực tế phương pháp BRIDGE-MODEL-DAMAGE DETECTION BASED ON THE ENERGY METHOD AND NEURO-FUZZY INFERENCE SYSTEM Nguyen Sy Dung(1), Le Minh Canh(2), Ngo Kieu Nhi(3) (1) HoChiMinh University of Industrial (2) Electric College HCMc (3) University of Technology, VNU-HCM ABSTRACT: This paper presents a bridge-model-damage detection method based on neuro-fuzzy networks and characteristics of displacement-distributing state of vibrating beam, which is used for the bridge model The structure of neuro-fuzzy inference system named ANFIS of [1] is used A two-step method is proposed in order to detect location and magnitude of damage In the first step, damaged locations are identified based on the energy-based damage index of [7] In the second step, the magnitude of damage is determined based on using the ANFIS Series of experiments are executed, in which the stiffness of the structure is reduced in one location or more, and then, the structure is roused to be vibration to calculate damage indices The damage indices are used to detect, locate, and quantify the structure damage The results show that efficiency of the proposed approach is quite independent of vibration frequencies of the beam In addition, this method is quite effective in determination the locations and magnitude of damage in the case of the measurement errors are small enough Keywords: Damage detection; Health monitoring; ANFIS; hyperbox-shaped cluster TÀI LIỆU THAM KHẢO [1] Massimo Panella, Antonio Stanislao Gallo An Input – Output Clustering Approach to the Synthesis of ANFIS Networks, IEEE Transactions on fuzzy systems, Vol 13, No 1, February (2005) [2] Antonello Rizzi, Massimo Panella, and Fabio Massimo Frattale Mascioli Adaptive Resolution Min-Max Classifiers, IEEE Transactions on Neural Networks, Vol 13, No 2, March (2002) [3] Hean G, Testa RB Modal analysis for damage detection in structure Journal of Structural Engineering (ASCE); 117(10):3042-3063, (1991) [4] Alampalli S, Fu GK Full scale dynamic monitoring of highway bridge, Structural Engineering in Natural Hazards Mitigation VOL 1; 1602-11607, (1993) Trang 16 TẠP CHÍ PHÁT TRIỂN KH&CN, TẬP 11, SỐ 02 - 2008 [5] Salawu OS, Williams C Bridge assessment using forced – vibration testing Journal of Structural Engineering (ASCE); 121(2):161-173, (1995) [6] Koh CG, See LM, Balenra T Damage detection of building: Numerical and experimental studies Journal of Structural Engineering (ASCE); 121(8):1155-1160, (1995) [7] Hongpo Xu & JagMohan Humar, Damage Detection in a Gider Bridge by Artificial Neural networks Technique, Computer Aided Civil and Infrastructure Engineering 21, 450-464, ((2006) [8] Wu X, Ghaboussi J Use of neural networks in detection of structural damage Computers and Structural; 42(4):649-659, (1992) [9] Elkordy MF, Chang KC, Lee GC Neural networks traning by analytically simulated damage states Journal of Computering in Civil Engineering (ASCE); 7(2):130-145, (1993) [10] Pandey PC, Barai SV Multilayer perceptron in damage detection of bridge structures Computers and Structural; 54(4): 597-608, (1995) [11] Zhao J, Ivan JN, DeWolf JT Structure damage detection using artificial neural networks Journal of Infrastructural System (ASCE); 4(3): 93-101, (1998) [12] Masri SF, Smuth AW, Chassiakos AG, Application of neural networks for detection of changes in nonlinear systems Journal of Engineering Mechanics (ASCE); 126(7):666-676, (2000) [13] C S Huang, S L Hung, C M Wen and T T Tu A Neural Network Approach for structural identification and diagnosis of a building from seismic response data Earthquake Engineering and Structure Dynamics; 32: 187-206 (DOL: 10.1002/eqe.219), (2003) [14] H S Park & H M Lee A new approach for health monitoring of structures: Terrestrial laser scanning Computer-Aided Civil and Infrastructure Engineering, 22, pp 19-30, (2007) [15] C S Huang, S L Hung, C M Wen and T T Tu A neural network approach for structural identification and diagnoses of a building from seismic response data Earthquake Engineering and Structural Dynamics; 32:187-206 (DOI: 11002/eqe.219), (2003) [16] Adeli & Hùng, A fuzzy neuron network learning model for image recognition, Integrated Compute - Aided Engineering, (2) 43-45, (1993) [17] Hung, S L & Jan, J C., Machine learning in engineering analysis and design: An integrated fuzzy neural network learning model, Computer-Aided Civil and Infrastructure Engineering, 14 (3), 207–19, (1999) [18] Sayed, T & Razavi, A, Comparison of neural and conventional approaches to mode choice analysis, Journal of Computing in Civil Engineering, ASCE, 14 (1), 23–30, (2000) [19] P K Simpson, Fuzzy min-max neural networks – Part 2: Clustering, IEEE Trans Neural Netw , vol 1, No 1, pp 32-45, (1993) Trang 17 ... mạng thông số mạng cách tối ưu thơng qua q trình huấn luyện mạng Bố cục báo gồm mục sau Mục I trình bày tổng quan phương pháp kiểm tra khuyết tật cầu; giới thiệu đối tượng nghiên cứu phương pháp. .. thi cầu thực Thứ ba, phương pháp khai thác ưu điểm mạng ANN toán nhận dạng đối tượng dạng black-box Tuy nhiên, nhiều thí nghiệm kiểm chứng cầu mơ hình với tần số dao động khác nhận thấy phương pháp. .. xác mơ hình, luật mờ điều chỉnh cập nhật thông qua trình huấn luyện mạng neuron giai đoạn nhận dạng thông số Gần đây, nghiên cứu kiểm tra hư hỏng cầu mơ hình dựa phương pháp lượng kỹ thuật mạng