Nghiên cứu áp dụng mạng 1DCNN-LSTM kết hợp thuật toán XGBOOST trong chẩn đoán hư hỏng cầu giàn thép

Abstract

Trong lĩnh vực Giám sát sức khỏe kết cấu (Structural Health Monitoring – SHM), đánh giá hư hỏng đang nhận được sự quan tâm đặc biệt từ cộng đồng nghiên cứu trên thế giới. Với sự phát triển của công nghệ cảm biến, dữ liệu thu thập được ngày càng đa dạng và phức tạp. Đặc biệt, dữ liệu gia tốc thường mang tính phi tuyến, phức tạp và có độ nhiễu cao, làm hạn chế hiệu quả trích xuất đặc trưng động lực học cũng như độ chính xác của các phương pháp học máy truyền thống. Để khắc phục những hạn chế này, nghiên cứu đề xuất mô hình học sâu kết hợp mạng tích chập một chiều (1D-CNN), mạng nơ-ron bộ nhớ dài – ngắn hạn (LSTM) và thuật toán XGBoost áp dụng cho dữ liệu chuỗi thời gian. Hiệu quả của phương pháp được kiểm chứng trên bộ dữ liệu của cầu giàn thép. Kết quả nghiên cứu khẳng định tiềm năng ứng dụng của cách tiếp cận này trong việc nâng cao hiệu quả giám sát và chẩn đoán hư hỏng kết cấu cầu. Mô hình đề xuất 1D-CNN–LSTM–XGBoost cho thấy hiệu quả vượt trội so với các mô hình 1D-CNN–LSTM và XGBoost riêng lẻ, với độ chính xác trên tập kiểm thử lần lượt đạt 91,0%, 89,3% và 87,4%.