Luận án Chẩn đoán dầm cầu bằng phương pháp phân tích dao động trên mô hình số hoá kết cấu được cập nhật sử dụng thuật toán tối ưu hoá bầy đàn kết hợp mạng nơ ron nhân tạo

1. Đặt vấn đề nghiên cứu

Trong quá trình khai thác, có nhiều nguyên nhân gây ra hư hỏng cũng như làm

ảnh hưởng đến chất lượng khai thác của công trình cầu như các tác động tự nhiên (bão

lũ, động đất) hoặc các tác động do con người như xe quá tải, va xô,. Ngoài ra, các

công trình cầu còn có các hình thái dao động riêng, gây ra rung động khuếch đại khi

tần số dao động riêng của kết cấu trùng khớp với tần số của phương tiện di chuyển

(cộng hưởng cơ học) sẽ làm cho kết cấu công trình bị hư hỏng. Ở mức độ thấp hơn,

trạng thái ứng suất trong kết cấu thay đổi liên tục do sự dao động dưới tác dụng của tải

trọng nặng, lặp dẫn đến phá hoại mỏi.Việc hư hỏng các công trình giao thông không

chỉ làm ảnh hưởng đến kinh tế mà còn gây mất an toàn cho người và phương tiện tham

gia giao thông. Vì vậy, những năm gần đây, các hệ thống đánh giá sức khỏe kết cấu

công trình (SHM - Structural Health Monitoring) đã được triển khai rộng rãi và nhận

được nhiều sự quan tâm của các nhà nghiên cứu trong lĩnh vực xây dựng công trình

trên thế giới. Nhiệm vụ của hệ thống đánh giá sức khỏe kết cấu công trình là quan trắc

để phát hiện sớm những hư hỏng dựa trên các dữ liệu đo đạc và phân tích đánh giá

mức độ nghiêm trọng của những hư hỏng này trước khi đưa ra các quyết định sửa

chữa.

Trong các giải pháp giám sát sức khỏe kết cấu, giải pháp sử dụng các phương

pháp không phá huỷ đang trở thành hướng nghiên cứu nhận được sự quan tâm của rất

nhiều nhà khoa học trên thế giới [1-5]. Ưu điểm của phương pháp này là có thể xác

định được thông số có tính bất định (uncertainty) của kết cấu bao gồm điều kiện biên,

các đặc tính về vật liệu, hay đặc trưng hình học có thể thay đổi theo thời gian dưới tác

dụng của tải trọng khai thác và môi trường,. Hơn nữa phương pháp theo dõi sức khỏe

kết cấu không phá hủy có thể phát hiện được các hư hỏng nằm trong kết cấu mà không

làm thay đổi tính chất vật lý ban đầu của kết cấu [6-1010]. Tuy nhiên, sự thay đổi của

các tham số kết cấu nhiều khi không rõ ràng, đặc biệt là với các hư hỏng nằm trong kết

cấu. Ngoài ra, dữ liệu thu được thường bị ảnh hưởng bởi nhiễu, làm giảm độ chính xác

của kết quả. Do đó, mục tiêu của đề tài là phát triển một giải pháp hiệu quả, chi phí

thấp để theo dõi tình trạng sức khỏe và giúp phát hiện sớm hư hỏng trong kết cấu.2

Hiện nay có hai phương pháp chính để theo dõi tình trạng sức khỏe kết cấu là

phương pháp tĩnh và phương pháp động. Trong khi phương pháp tĩnh dựa trên phân

tích các đáp ứng (ứng suất, biến dạng và chuyển vị) của kết cấu dưới tác dụng của các

tải trọng đặt tĩnh, thì phương pháp động dựa trên việc xác định và phân tích các đặc

trưng động học như tần số dao động tự nhiên (natural frequencies), dạng dao động

(mode shapes) và/hoặc hệ số cản (damping ratio) để đánh giá. Trong hai phương pháp

trên, do các đặc trưng động học của kết cấu (đặc biệt là dạng dao động) phụ thuộc vào

sự phân bố về độ cứng và khối lượng của nó, nên dựa vào các đặc trưng động học có

thể giúp xác định được vị trí có khả năng xuất hiện hư hỏng trong kết cấu.

Quá trình đo đạc xác định các đặc trưng động học của kết cấu được gọi là quá

trình đo nhận dạng dao động. Quá trình này là rất cần thiết để xây dựng một mô hình

phân tích số đáng tin cậy dùng để đánh giá tình trạng sức khỏe của các công trình.

Trong quá trình này, các phép đo được thực hiện dưới kích động cưỡng bức hoặc kích

động tự nhiên.

Kích động cưỡng bức có thể được thực hiện bằng cách dùng các lực kích thích

nhân tạo (ví dụ như các loại máy rung). Kích động cưỡng bức thích hợp cho các kết

cấu nhỏ, đặc biệt là các kết cấu trong phòng thí nghiệm.

Kích động tự nhiên được tạo ra bởi gió, vi chấn, hay xung kích của phương tiện

giao thông. Kích động tự nhiên rất phù hợp với công trình lớn, đặc biệt là công trình

cầu vì yêu cầu chi phí thấp và quá trình kích động không cản trở sự lưu thông của

phương tiện giao thông trên cầu.

pdf 151 trang chauphong 16/08/2022 12301
Bạn đang xem 20 trang mẫu của tài liệu "Luận án Chẩn đoán dầm cầu bằng phương pháp phân tích dao động trên mô hình số hoá kết cấu được cập nhật sử dụng thuật toán tối ưu hoá bầy đàn kết hợp mạng nơ ron nhân tạo", để tải tài liệu gốc về máy hãy click vào nút Download ở trên

Tóm tắt nội dung tài liệu: Luận án Chẩn đoán dầm cầu bằng phương pháp phân tích dao động trên mô hình số hoá kết cấu được cập nhật sử dụng thuật toán tối ưu hoá bầy đàn kết hợp mạng nơ ron nhân tạo

Luận án Chẩn đoán dầm cầu bằng phương pháp phân tích dao động trên mô hình số hoá kết cấu được cập nhật sử dụng thuật toán tối ưu hoá bầy đàn kết hợp mạng nơ ron nhân tạo
BỘ GIÁO DỤC VÀ ĐÀO TẠO 
TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI 
---------------------- 
HỒ KHẮC HẠNH 
CHẨN ĐOÁN DẦM CẦU BẰNG PHƯƠNG PHÁP 
PHÂN TÍCH DAO ĐỘNG TRÊN MÔ HÌNH SỐ HOÁ 
KẾT CẤU ĐƯỢC CẬP NHẬT SỬ DỤNG 
THUẬT TOÁN TỐI ƯU HOÁ BẦY ĐÀN KẾT HỢP 
MẠNG NƠ RON NHÂN TẠO 
LUẬN ÁN TIẾN SĨ KỸ THUẬT 
HÀ NỘI – 2021 
BỘ GIÁO DỤC VÀ ĐÀO TẠO 
TRƯỜNG ĐẠI HỌC GIAO THÔNG VẬN TẢI 
---------------------- 
HỒ KHẮC HẠNH 
CHẨN ĐOÁN DẦM CẦU BẰNG PHƯƠNG PHÁP 
PHÂN TÍCH DAO ĐỘNG TRÊN MÔ HÌNH SỐ HOÁ 
KẾT CẤU ĐƯỢC CẬP NHẬT SỬ DỤNG 
THUẬT TOÁN TỐI ƯU HOÁ BẦY ĐÀN KẾT HỢP 
MẠNG NƠ RON NHÂN TẠO 
Chuyên ngành : Kỹ thuật Xây dựng Cầu - Hầm 
Mã số : 9580205 
LUẬN ÁN TIẾN SĨ KỸ THUẬT 
NGƯỜI HƯỚNG DẪN KHOA HỌC: 
1. PGS.TS. Bùi Tiến Thành 
2. PGS.TS. Ngô Văn Minh 
HÀ NỘI – 2021 
LỜI CAM ĐOAN 
Tôi xin cam đoan đây là công trình nghiên cứu khoa học độc lập của riêng tôi. Các số 
liệu sử dụng phân tích trong luận án có nguồn gốc rõ ràng, đã công bố theo đúng quy định. 
Các kết quả nghiên cứu trong luận án do tôi tự tìm hiểu, phân tích một cách trung thực. Việc 
tham khảo các nguồn tài liệu đã được thực hiện trích dẫn và ghi nguồn tài liệu tham khảo 
đúng quy định. 
 Hà Nội, ngày 30 tháng 10 năm 2021 
Tác giả 
Hồ Khắc Hạnh 
MỤC LỤC 
MỞ ĐẦU ......................................................................................................................... 1 
1. Đặt vấn đề nghiên cứu .............................................................................................. 1 
2. Mục tiêu nghiên cứu ................................................................................................. 4 
3. Phương pháp nghiên cứu .......................................................................................... 5 
4. Đối tượng và phạm vi nghiên cứu ............................................................................ 5 
5. Ý nghĩa khoa học và thực tiễn .................................................................................. 5 
6. Nội dung của luận án ................................................................................................ 6 
CHƯƠNG 1: TỔNG QUAN VỀ GIÁM SÁT SỨC KHỎE KẾT CẤU CÔNG 
TRÌNH DỰA TRÊN PHƯƠNG PHÁP ĐO NHẬN DẠNG DAO ĐỘNG................ 8 
1.1. Tổng quan về giám sát sức khỏe kết cấu công trình dựa vào kết quả đo các đặc 
trưng dao động ................................................................................................................. 8 
1.2. Tình hình nghiên cứu trên thế giới về giám sát sức khỏe kết cấu công trình dựa 
trên phương pháp đo nhận dạng dao động .................................................................... 11 
1.3. Tình hình nghiên cứu ở Việt Nam về giám sát sức khỏe kết cấu công trình dựa trên 
phương pháp đo nhận dạng dao động ............................................................................ 16 
Kết luận Chương 1 ......................................................................................................... 18 
CHƯƠNG 2: NGHIÊN CỨU VÀ ĐỀ XUẤT PHƯƠNG PHÁP CHẨN ĐOÁN HƯ 
HỎNG KẾT CẤU BẰNG PHƯƠNG PHÁP ĐO DAO ĐỘNG NGẪU NHIÊN ... 19 
2.1. Cơ sở lý thuyết về dao động kết cấu ....................................................................... 19 
2.2. Các phương pháp chẩn đoán hư hỏng kết cấu dựa trên dao động .......................... 23 
2.2.1. Phương pháp dựa trên sự thay đổi của tần số dao động riêng .................. 23 
2.2.2. Phương pháp dựa vào sự thay đổi của hình dạng dao động ...................... 25 
2.2.3. Phương pháp dựa trên hàm đáp ứng tần số ............................................... 34 
2.3. Chẩn đoán hư hỏng kết cấu dựa trên kết quả đo nhận dạng dao động sử dụng thuật 
toán bầy đàn PSO .......................................................................................................... 37 
2.4. Chẩn đoán hư hỏng kết cấu dựa trên kết quả đo nhận dạng dao động sử dụng mạng 
nơ ron nhân tạo. ............................................................................................................. 40 
2.5. Chẩn đoán hư hỏng kết cấu dựa trên kết quả đo nhận dạng dao động sử dụng thuật 
toán kết hợp PSO-ANN. ................................................................................................ 44 
Kết luận Chương 2 ......................................................................................................... 52 
CHƯƠNG 3: ÁP DỤNG PSO KẾT HỢP VỚI ANN ĐỂ CHẨN ĐOÁN CÁC HƯ 
HỎNG CHO MÔ HÌNH SỐ ....................................................................................... 53 
3.1. Cầu dầm giản đơn ................................................................................................... 53 
3.1.1. Trường hợp hư hỏng tại một phần tử ........................................................ 56 
3.1.2. Trường hợp hư hỏng tại nhiều phần tử ..................................................... 59 
3.2. Tấm composite ........................................................................................................ 61 
3.2.1. Trường hợp hư hỏng tại một phần tử ........................................................ 64 
3.2.2. Trường hợp hư hỏng tại nhiều phần tử ..................................................... 66 
3.3. Cầu dàn thép liên tục ............................................................................................... 68 
3.3.1. Trường hợp hư hỏng tại một phần tử ........................................................ 73 
3.3.2. Trường hợp hư hỏng tại nhiều phần tử ..................................................... 75 
Kết luận Chương 3 ......................................................................................................... 77 
CHƯƠNG 4: ÁP DỤNG PSO KẾT HỢP VỚI ANN ĐỂ CHẨN ĐOÁN CÁC HƯ 
HỎNG TRÊN MÔ HÌNH THỰC NGHIỆM ............................................................ 79 
4.1. Dầm giản đơn trong phòng thí nghiệm ................................................................... 79 
4.1.1. Mô hình bài toán ....................................................................................... 79 
4.1.2. Mô hình thực nghiệm ................................................................................ 80 
4.1.3. Phân tích, so sánh các kết quả thu được từ lý thuyết và thực nghiệm ...... 83 
4.2. Cầu Bến Quan ......................................................................................................... 88 
4.2.1. Giới thiệu về cầu Bến Quan ...................................................................... 88 
4.2.2. Mô hình thí nghiệm ................................................................................... 89 
4.2.3. Mô hình phần tử hữu hạn .......................................................................... 91 
4.2.4. Cập nhật mô hình và xác định hư hỏng trong kết cấu ............................... 92 
Kết luận Chương 4 ......................................................................................................... 96 
KẾT LUẬN VÀ KIẾN NGHỊ ..................................................................................... 97 
DANH MỤC HÌNH VẼ 
Hình 1.1. Cầu Tsing Ma được lắp đặt 600 đầu đo phục vụ cho việc giám sát sức khỏe 
kết cấu công trình 10 
Hình 2.1. Sơ đồ thuật toán tối ưu hoá bầy đàn – PSO ............................................................. 39 
Hình 2.2. Kiến trúc mạng ANN ................................................................................................ 40 
Hình 2.3. Sơ đồ thuật toán ANN .............................................................................................. 43 
Hình 2.4. Quá trình xác định giải pháp tối ưu dựa trên phương pháp GD của ANN (a) mạng 
với một điểm tối ưu toàn cục, (b) mạng với tối ưu toàn cục và cục bộ .................................... 45 
Hình 2.5. Mạng với nhiều tối ưu cục bộ ................................................................................... 46 
Hình 2.6. Áp dụng PSO để khắc phục vấn đề tối ưu cục bộ của ANN .................................... 47 
Hình 2.7. Sơ đồ thuật toán PSO kết hợp song song với ANN .................................................. 51 
Hình 3.1. Bố trí chung cầu ............................................................................................. 53 
Hình 3.2. Mặt cắt ngang cầu .......................................................................................... 54 
Hình 3.3. Kiến trúc mạng nơ ron cho bài toán xác định hư hỏng trong dầm giản đơn . 55 
Hình 3.4. Giá trị hồi quy (a) ANN và (b) ANN kết hợp với PSO ................................. 57 
Hình 3.5. Sai số phân bố (a) ANN và (b) ANN kết hợp với PSO ................................. 57 
Hình 3.6. Sai số thực (a) ANN và (b) ANN kết hợp với PSO ...................................... 58 
Hình 3.7. Kết quả phát hiện hư hỏng của PSO, ANN và ANNPSO của phần tử số 3: (a) 
7% hư hỏng; (b) 70% hư hỏng ...................................................................................... 59 
Hình 3.8. Giá trị hồi quy (a) ANN và (b) ANN kết hợp với PSO ................................ 60 
Hình 3.9. Sai số phân bố (a) ANN và (b) ANN kết hợp với PSO ................................ 60 
Hình 3.10. Sai số thực (a) ANN và (b) ANN kết hợp với PSO .................................... 60 
Hình 3.11. Kết quả phát hiện hư hỏng của PSO, ANN và ANNPSO trong dầm: 20% 
hư hỏng của phần tử 1 – và 60% hư hỏng của phần tử 3. ............................................. 61 
Hình 3.12. (a) Tấm composite 3 lớp ; (b) Mô hình phần tử hữu hạn ............................ 62 
Hình 3.13. Hình dạng dao động của 15 mode đầu tiên ................................................. 63 
Hình 3.14. Kiến trúc mạng dùng để phát hiện hư hỏng của các phần tử trong tấm 
composite ....................................................................................................................... 64 
Hình 3.15. Giá trị hồi quy (a) ANN và (b) ANN kết hợp với PSO ............................... 64 
Hình 3.16. Sai số thực (a) ANN và (b) ANN kết hợp với PSO .................................... 65 
Hình 3.17. Kết quả phát hiện hư hỏng của PSO, ANN và ANNPSO của phần tử số 9:
 ....................................................................................................................................... 66 
Hình 3.18. Giá trị hồi quy (a) ANN và (b) ANN kết hợp với PSO ............................... 67 
Hình 3.19. Sai số thực (a) ANN và (b) ANN kết hợp với PSO .................................... 67 
Hình 3.20. Kết quả phát hiện hư hỏng của PSO, ANN và ANNPSO trong dầm: 50% 
hư hỏng của phần tử 3 và 70% hư hỏng của phần tử 5. ................................................ 68 
Hình 3.21. Cầu Bến Thủy; (a) Kết cấu nhịp; (b) Mặt cắt ngang của cầu ...................... 69 
Hình 3.22. Mô hình phần tử hữu hạn cầu Bến Thủy ..................................................... 70 
Hình 3.23. Hình dạng dao động của một số mode tính toán ......................................... 72 
Hình 3.24. Kiến trúc  ... 08;109;308;309 
 120;320 
 132;332 
 143;144;343;344 
 151]+0.02]; 
DOF=removedof(DOF,seldof); 
% Assembly of stiffness matrix K 
[K,M]=asmkm(Nodes,Elements,Types,Sections,Materials,DOF); 
% bvib manual 
nMode=20; 
[phi,omega]=eigfem(K,M,nMode); 
% Display eigenfrequenties 
disp('Lowest eigenfrequencies [Hz]'); 
a=omega/2/pi; 
idx=(1:15); 
% Display eigenfrequenties 
% disp('Lowest eigenfrequencies [Hz]'); 
Show_animate = 0; 
for show_01 = 1:10 
 if Show_animate == 0 
 % Disp Max 
 figure; 
 plotdisp(Nodes,Elements,Types,DOF,phi(:,show_01),'DispMax','off') 
 title(['Eigenmode', num2str(show_01), '**** Frequency: ' , num2str(a(show_01))]) 
 elseif Show_animate == 1 
 % Animate eigenmodes 
 figure; 
 animdisp(Nodes,Elements,Types,DOF,phi(:,show_01)) 
 title(['Eigenmode', num2str(show_01)]) 
 elseif Show_animate == 2 
 close all 
 continue 
18 
 end 
end 
figure; 
subplot(2,2,1),plotdisp(Nodes,Elements,Types,DOF,phi(:,1),'DispMax','off'); 
subplot(2,2,2),plotdisp(Nodes,Elements,Types,DOF,phi(:,2),'DispMax','off'); 
subplot(2,2,3),plotdisp(Nodes,Elements,Types,DOF,phi(:,3),'DispMax','off'); 
subplot(2,2,4),plotdisp(Nodes,Elements,Types,DOF,phi(:,4),'DispMax','off'); 
 % Animate eigenmodes 
figure; 
animdisp(Nodes,Elements,Types,DOF,phi(:,1)) 
title('Eigenmode 1') 
for i = 1:nMode 
 fre_FEM=a(i); 
 disp(['Mode ',num2str(i),' - Frequency: ', num2str(a(i))]) 
end 
✓ ANN 
clc; 
clear; 
close all; 
rng default 
tic 
%% 
% filename = 'ANN_Benthuy_04'; 
filename = 'Case2_Benthuy.xlsx'; 
sheetname1 = 'Sheet1'; 
sheetname2 = 'Sheet2'; 
input = xlsread(filename,sheetname1,'A1:Z10000'); %call datas from sheetname1 
target = xlsread(filename,sheetname2,'A1:Z10000'); %call datas from sheetname2 
inputs=input'; 
targets=target'; 
% x=inputs; 
x = awgn(inputs,90,'measured'); 
t = targets; 
19 
trainFcn = 'trainlm'; % Levenberg-Marquardt backpropagation. 
% Create a Fitting Network 
hiddenLayerSize = 10; 
net = fitnet(hiddenLayerSize,trainFcn); 
net=feedforwardnet(hiddenLayerSize,trainFcn); 
net.divideParam.trainRatio =70/100; 
net.divideParam.valRatio = 15/100; 
net.divideParam.testRatio = 15/100; 
net.trainParam.epochs = 1000; 
[net] = train(net,x,t) 
y = net(x); 
performance = perform(net,t,y) 
%% 
nntraintool('plot','plotregression'); 
set(findall(gcf,'-property','FontSize'),'FontSize',10); 
for i1 = 1:4 
 subplot(2,2,i1) 
 grid on 
end 
nntraintool('plot','plotperform'); 
set(findall(gcf,'-property','FontSize'),'FontSize',10); 
grid on; 
nntraintool('plot','plottrainstate'); 
set(findall(gcf,'-property','FontSize'),'FontSize',10); 
grid on; 
nntraintool('plot','ploterrhist'); 
set(findall(gcf,'-property','FontSize'),'FontSize',10); 
grid on; 
timeElapsed = toc 
20 
Giao diện của ANN truyền thống trên nền tảng chương trình MATLAB 
✓ ANNPSO 
%% Empty space 
clc 
clear 
rng default 
tic; 
%% Read data 
% Read the input file 
filename = 'Case2_Benthuy.xlsx'; 
sheet_input = 'Sheet1'; 
sheet_output = 'Sheet2'; 
input = xlsread(filename,sheet_input,'A1:Z10000'); 
target = xlsread(filename,sheet_output,'A1:Z10000'); 
inputs = awgn(input',100,'measured'); 
% inputs=input'; 
targets=target'; 
% Select number neuron of input, output and hidden layer 
21 
number_input=length(inputs(:,1)); 
number_output=length(targets(:,1)); 
number_hidden=100; 
 %% STEP 1: TRAIN DATA WITH ANN 
% Chose your train function in ANN 
trainFcn = 'trainlm'; 
net = feedforwardnet(number_hidden,trainFcn); 
net = configure(net,inputs,targets); 
net = fitnet(number_hidden,trainFcn); 
 % Close train window 
net.trainParam.showWindow = 0; 
 % Setup Division of Data for Training, Validation, Testing 
net.divideParam.trainRatio = 70/100; 
net.divideParam.valRatio = 15/100; 
net.divideParam.testRatio = 15/100; 
% Train 
[net] = train(net,inputs,targets) 
 % error NMSE PSO optimized NN 
outputs=net(inputs); 
error_1=outputs - targets; 
err_1st = mean(error_1.^2)/mean(var(targets',1));%.^ means square. 
%% 
x=inputs; 
t = targets; 
y = net(x); 
perf = perform(net,t,y) 
%% 
% mean is used to calculate mean values. For example. A= [1 2 3 4] 
% mean (A)=(1+2+3+4)/4; 
%var returns the variance of the elements of A along the first array 
%dimension; see equation of var on Mathwork. 
err_1st=norm(err_1st) 
disp (['the differen between output and target is: ' num2str(err_1st)]) 
22 
% get the normal NN weights and bias 
weight_bias = getwb(net); 
% setting up parameters 
parameters.MaxIt = 50; 
parameters.nPop = 100; 
parameters.Lower_Boundary = min(weight_bias); 
parameters.Upper_Boundary = max(weight_bias); 
% parameters.Lower_Boundary = -1.5; 
% parameters.Upper_Boundary = 1.5; 
parameters.c1 = 2; 
parameters.c2 = 2; 
parameters.w = 1; 
parameters.w_damp = 0.99; 
parameters.nn=err_1st; 
 % Max epoch 
max_epoch = 1000; 
for epoch = 1 : max_epoch 
 % numWeightElements(nWE) 
nWE=number_hidden*number_input+number_output*number_hidden+number_hidden+number_outp
ut; 
 %% STEP 2: TRAIN WITH PSO 
% disp('STEP 2: TRAIN WITH PSO') 
 [FinalCost,FinalPosition,BestCosts] = PSO (parameters,weight_bias,nWE, 
number_hidden,number_input,number_output,net,inputs,targets); 
 xo = FinalPosition(1,:); 
 xbest = xo; 
 ybest = FinalCost; 
 %% STEP 3: TRAIN NN SECOND TIME 
 disp('STEP 3: TRAIN NN SECOND TIME') 
 % Setup Division of Data for Training, Validation, Testing 
 net_2nd.divideParam.trainRatio = 70/100; 
 net_2nd.divideParam.valRatio = 15/100; 
 net_2nd.divideParam.testRatio = 15/100; 
 % Chose your train function in ANN 
23 
 trainFcn_2nd = 'trainlm'; 
 net_2nd=feedforwardnet(number_hidden,trainFcn_2nd); 
 net_2nd=configure(net_2nd,inputs,targets); 
 [a, b]=min(ybest); 
 xo=xbest(b,:); 
 k=0; 
 % Setup global best for weight and bias in neural network 
 % inputlayers*hiddenlayers 
 xi=zeros(number_hidden,number_input); 
 for i=1:number_hidden 
 for j=1:number_input 
 k=k+1; 
 xi(i,j)=xo(k); 
 end 
 end 
 % outputlayers*hiddenlayers 
 xl=zeros(number_output,number_hidden); 
 for i=1:number_hidden 
 for j=1:number_output 
 k=k+1; 
 xl(j,i)=xo(k); 
 end 
 end 
 % hiddenlayers 
 xb1=zeros(number_hidden,1); 
 for i=1:number_hidden 
 k=k+1; 
 xb1(i,1)=xo(k); 
 end 
 % outputlayers 
 xb2=zeros(number_output,1); 
 for i=1:number_output 
 k=k+1; 
24 
 xb2(i,1)=xo(k); 
 end 
 % Chose your train function in ANN 
 trainFcn = 'trainlm'; 
 net_2nd = feedforwardnet(number_hidden,trainFcn); 
 net_2nd = configure(net,inputs,targets); 
 net_2nd = fitnet(number_hidden,trainFcn); 
 % Close train window 
 net_2nd.trainParam.showWindow = 1; 
 % Train 
 [net_2nd] = train(net_2nd,inputs,targets); 
 outputs_2=net_2nd(inputs); 
 error_2=outputs_2 - targets; 
 err_2nd = mean(error_2.^2)/mean(var(targets',1)) 
 x=inputs; 
t = targets; 
y = net_2nd(x); 
perf3 = perform(net_2nd,t,y) 
 % This line will caculate for 2 outputs 
 err_2nd=norm(err_2nd); 
 disp (['the differen between output and target is: ' num2str(err_2nd)]) 
 disp (['Epoch --------------------------- ' num2str(epoch)]) 
 if err_2nd < err_1st 
 disp ('complete model') 
 break %Terminate execution of for or while loop 
 else 
 weight_bias = getwb(net_2nd); 
 end 
end 
disp('Complete Final model net_f') 
toc; 
%% Test 
disp('Testing out put....') 
25 
% Test for all value in used data 
Test_ouputs1=net_2nd(inputs); 
Test_ouputs1 = [Test_ouputs1; targets]; 
 nntraintool('plot','plotregression') 
set(findall(gcf,'-property','FontSize'),'FontSize',10) 
for i1 = 1:4 
 subplot(2,2,i1) 
 grid on 
end 
nntraintool('plot','plotperform') 
set(findall(gcf,'-property','FontSize'),'FontSize',10) 
grid on; 
nntraintool('plot','plottrainstate') 
set(findall(gcf,'-property','FontSize'),'FontSize',10) 
grid on; 
nntraintool('plot','ploterrhist') 
set(findall(gcf,'-property','FontSize'),'FontSize',10) 
grid on; 
timeElapsed = toc 
✓ Dầm trong phòng thí nghiệm 
clear all; 
% materials 
E = 1.96E11; poisson = 0.30; 
% E = 1.82095E11; poisson = 0.30; 
% matriz C 
C=E/(1-poisson^2)*[1 poisson 0;poisson 1 0;0 0 (1-poisson)/2]; 
 % % load 
% P = 1e6; 
rho=7810; 
thickness=15e-3; 
% thickness=6e-3; 
%Mesh generation 
Lx=800e-3; 
26 
Ly=50e-3; 
% Lx=0.6; % hauteur de la section droite de la poutre 
% Ly=38e-3; % largeur de la section droite de la poutre 
L=Lx; 
B=Ly; 
numberElementsX=101; 
numberElementsY=1; 
Nx=numberElementsX; 
Ny=numberElementsY; 
numberElements=numberElementsX*numberElementsY; 
[nodeCoordinates, elementNodes] = MeshRectangular(L,B,Nx,Ny); 
% rectangularMesh(Lx,Ly,numberElementsX,numberElementsY); 
xx=nodeCoordinates(:,1); 
yy=nodeCoordinates(:,2); 
% drawingMesh(nodeCoordinates,elementNodes,'Q4','k-'); 
numberNodes=size(xx,1); 
% GDof: global number of degrees of freedom 
GDof=2*numberNodes; 
[stiffness,mass]=formStiffness2D(GDof,numberElements,... 
 elementNodes,numberNodes,nodeCoordinates,C,rho,thickness); 
 [Val_prop_Range,Indice] = sort(diag(Val_prop)); % définition de l'ordre des indices 
Vect_prop_range = Vect_prop(:,Indice); % Matrice ordonnée (Vecteurs propres) 
K_range=stiffness; 
M_range=mass; 
Puls_prop = Val_prop_Range.^(1/2) ;% Pulsation propre (en rad/s) 
freqHz = Puls_prop/(2*pi) ; % UNITS : Hertz 
freqHzz=freqHz(4:10,:) 
➢ Cầu Bến Quan 
clc; 
close all; 
% bvib manual 
% Tutorial: static analysis 
% Units: m, kN 
27 
% Nodes=[NodID X Y Z] 
lspan = 12; 
%dy = 0.0001; %m, distance between nodes at a truss joint 
b=0; 
% reference node 
% Check the node coordinates as follows: 
figure 
plotnodes(Nodes); 
Element types -> {EltTypID EltName} 
% Sections=[SecID A ky kz Ixx Iyy Izz yt yb zt zb] 
Sections=[1 A inf inf 0 0 Izz yt yb b/2 b/2]; 
% 2 pi*r^2 NaN NaN NaN NaN NaN NaN NaN NaN NaN]; 
% Materials=[MatID E nu]; 
E=2E11; 
Materials= [1 E 0.3 7850] 
Code=1; 
% Elements=[EltID(ten phan tu) TypID SecID MatID n1 n2 n3)] 
 Elements=Elements_Sources_beam_Benquan(Code); 
figure; 
plotnodes(Nodes,'numbering','off'); 
hold('on') 
plotelem(Nodes,Elements,Types,'numbering','on'); 
DOF=getdof(Elements,Types); 
seldof = [0.01;0.04 
 [Edge4]+0.02 
 [Edge4]+0.03 
 [Edge4]+0.05 
 [Edge1;Edge3]+0.05 
 Edge2+0.03 
 Edge2+0.05]; 
DOF=removedof(DOF,seldof); 
 [K,M]=asmkm(Nodes,Elements,Types,Sections,Materials,DOF); 
% bvib manual 
% Tutorial: dynamic analysis: eigenvalue problem 
28 
% Units: m, N 
% Assembly of M and K 
% Eigenvalue problem 
nMode=20; 
[phi,omega]=eigfem(K,M,nMode); 
% Display eigenfrequenties 
% disp('Lowest eigenfrequencies [Hz]'); 
a=omega/2/pi; 
idx=[1 2 3 4]; 
figure; 
plotdisp(Nodes,Elements,Types,DOF,phi(:,1),'DispMax','off') 
figure; 
plotdisp(Nodes,Elements,Types,DOF,phi(:,2),'DispMax','off') 
figure; 
plotdisp(Nodes,Elements,Types,DOF,phi(:,3),'DispMax','off') 
figure; 
plotdisp(Nodes,Elements,Types,DOF,phi(:,4),'DispMax','off') 
fre_FEM=a(idx) 

File đính kèm:

  • pdfluan_an_chan_doan_dam_cau_bang_phuong_phap_phan_tich_dao_don.pdf
  • docx02. Thông tin đóng góp của LA_Ho Khac Hanh- TA-TV -Cau Ham.docx
  • pdfTom tat - Ho Khac Hanh - EN_01_11_2021.pdf
  • pdfTom tat - Ho Khac Hanh - VN_01_11_2021.pdf