Giám sát sức khỏe cấu trúc là gì? Các nghiên cứu khoa học

Khái niệm giám sát sức khỏe cấu trúc

Giám sát sức khỏe cấu trúc (Structural Health Monitoring, SHM) là quá trình theo dõi, phân tích và đánh giá trạng thái của một công trình hay vật liệu theo thời gian nhằm xác định sự suy giảm đặc tính cơ học, phát hiện hư hỏng tiềm ẩn và dự đoán nguy cơ mất an toàn. SHM sử dụng dữ liệu thu thập từ các hệ thống cảm biến, kết hợp cùng mô hình vật lý và thuật toán phân tích để đưa ra đánh giá định lượng về mức độ ổn định của cấu trúc. Quá trình này diễn ra liên tục hoặc theo chu kỳ giúp ghi nhận sự thay đổi nhỏ nhất trong hành vi của kết cấu.

SHM có phạm vi ứng dụng rộng, bao gồm cầu đường, đập thủy điện, tòa nhà cao tầng, tàu biển, máy bay, tuabin gió và các kết cấu công nghiệp chịu tải động phức tạp. Phương pháp giám sát hiện đại không chỉ tập trung vào việc phát hiện hư hỏng mà còn hướng đến đánh giá sức khỏe tổng thể của kết cấu theo vòng đời. Giá trị cốt lõi của SHM là khả năng cung cấp thông tin thời gian thực, hỗ trợ cơ quan quản lý đưa ra quyết định chính xác về bảo trì, nâng cấp hoặc vận hành.

Trong mô hình tổng quát, SHM thường bao gồm bốn mục tiêu chính:

• Giám sát biến thiên vật lý như độ võng, ứng suất và dao động.
• Phát hiện hư hỏng sớm để giảm thiểu rủi ro sự cố.
• Xác định vị trí và mức độ hư hỏng dựa trên mô hình đánh giá.
• Dự đoán tuổi thọ còn lại của công trình.

Những mục tiêu này tạo nên khung tham chiếu giúp hệ thống vận hành ổn định và có khả năng nâng cấp theo thời gian.

Tầm quan trọng của giám sát sức khỏe cấu trúc

SHM đóng vai trò quan trọng trong quản lý an toàn kết cấu nhờ khả năng phát hiện và đánh giá hư hỏng ở giai đoạn sớm trước khi gây ra hậu quả nghiêm trọng. Các thay đổi nhỏ về dao động, biến dạng hoặc ứng suất thường là dấu hiệu ban đầu của sự suy giảm độ cứng hoặc nứt bên trong vật liệu. Khi được phát hiện kịp thời, cơ quan quản lý có thể can thiệp sớm, tránh gián đoạn vận hành và giảm chi phí sửa chữa. Điều này đặc biệt quan trọng với các công trình quy mô lớn hoặc công trình công cộng có lưu lượng sử dụng cao.

Dữ liệu từ hệ thống SHM còn cho phép tối ưu hóa kế hoạch bảo trì theo mô hình dựa trên điều kiện thực tế thay vì lịch bảo trì cố định. Nhờ vậy, chi phí bảo dưỡng được phân bổ hợp lý hơn, tránh lãng phí tài nguyên. SHM hỗ trợ quá trình đánh giá chất lượng xây dựng, kiểm định sau thi công và theo dõi tác động của môi trường lên kết cấu. Việc lưu trữ dữ liệu dài hạn tạo điều kiện xây dựng mô hình phân tích tiên đoán cho toàn bộ vòng đời công trình.

Bảng dưới đây mô tả một số giá trị sử dụng điển hình của SHM:

Giá trị	Mô tả
Phát hiện hư hỏng sớm	Xác định biến đổi bất thường trước khi xảy ra sự cố.
Tối ưu bảo trì	Tạo kế hoạch sửa chữa dựa trên dữ liệu thực.
Giảm chi phí vận hành	Hạn chế hoạt động kiểm tra thủ công lặp lại.

Những lợi ích này giải thích vì sao SHM được xem là công cụ chiến lược trong quản lý tài sản hạ tầng.

Các thành phần chính của hệ thống SHM

Một hệ thống SHM hoàn chỉnh gồm năm thành phần: cảm biến, thiết bị thu thập dữ liệu, bộ truyền thông, mô hình phân tích và nền tảng hiển thị kết quả. Cảm biến là thành phần đầu tiên ghi nhận tín hiệu vật lý như gia tốc, ứng suất, nhiệt độ, hoặc tín hiệu quang học. Dữ liệu sau đó được đưa đến bộ thu thập để chuyển đổi và xử lý sơ bộ. Hệ thống truyền thông có thể hoạt động bằng dây hoặc không dây tùy vào yêu cầu của công trình.

Phần lõi của SHM là mô hình phân tích bao gồm thuật toán thống kê, mô hình dao động, mô phỏng số và các kỹ thuật học máy. Mô hình được thiết kế để phát hiện sự thay đổi bất thường trong dữ liệu cảm biến thông qua so sánh với trạng thái chuẩn. Những thay đổi nhỏ này có thể được định lượng bằng chỉ số sai lệch, xác suất hư hỏng hoặc mức độ mất độ cứng. Nền tảng hiển thị dữ liệu cung cấp thông tin trực quan dưới dạng biểu đồ, bản đồ nhiệt hoặc cảnh báo tự động.

Bảng dưới đây mô tả một số nhóm cảm biến phổ biến trong SHM:

Loại cảm biến	Thông số đo	Ưu điểm
Gia tốc kế	Dao động, rung động	Giá thành hợp lý, dễ triển khai.
Cảm biến biến dạng	Ứng suất, biến dạng	Độ nhạy cao và phù hợp với kết cấu thép hoặc bê tông.
Cảm biến sợi quang	Biến dạng, nhiệt độ	Chịu nhiễu tốt và hoạt động tốt trong môi trường khắc nghiệt.

Việc lựa chọn cảm biến phụ thuộc vào loại công trình và mục tiêu giám sát.

Các phương pháp giám sát sức khỏe cấu trúc

Các phương pháp SHM có thể chia thành bốn nhóm: đo thủ công, giám sát bán tự động, giám sát tự động và giám sát thông minh dựa trên phân tích dữ liệu. Đo thủ công thường được sử dụng trong giai đoạn kiểm định nhưng dễ bị sai lệch do phụ thuộc con người. Giám sát tự động sử dụng thiết bị ghi dữ liệu liên tục để phát hiện nhanh sự thay đổi của kết cấu. Giám sát thông minh tích hợp kỹ thuật phân tích thống kê và học máy nhằm tăng độ chính xác khi nhận diện hư hỏng.

Các kỹ thuật dùng trong SHM gồm phân tích dao động, phân tích tín hiệu thời gian, mô hình phần tử hữu hạn và phương pháp dựa trên đặc trưng thống kê. Một ví dụ điển hình là sử dụng tần số dao động riêng để đánh giá sự mất độ cứng của kết cấu. Khi kết cấu bị hư hỏng, tần số dao động riêng thường giảm. Công thức tần số dao động riêng của dầm: $f_n = \frac{\beta_n^2}{2\pi L^2} \sqrt{\frac{EI}{\rho A}}$ Công thức này giúp dự đoán sự thay đổi động học khi vật liệu suy yếu.

Dưới đây là một danh sách phương pháp SHM thường áp dụng:

• Phân tích tần số và tỷ số truyền động lực.
• Nhận dạng mô hình hệ thống bằng kỹ thuật thống kê.
• Phân tích tín hiệu thời gian bằng biến đổi wavelet.
• Giám sát dựa trên mô hình học máy và mạng nơ ron.

Sự kết hợp nhiều phương pháp giúp tăng độ bao phủ và nâng cao độ tin cậy của hệ thống.

Ứng dụng của SHM trong công nghiệp

SHM được triển khai rộng rãi trong xây dựng hạ tầng nhờ khả năng theo dõi liên tục và phát hiện sớm biến đổi cấu trúc. Trong lĩnh vực cầu đường, SHM giúp đánh giá độ võng, độ rung và mức độ suy giảm của vật liệu dưới tác động của tải trọng giao thông và môi trường. Việc theo dõi dữ liệu thời gian thực cho phép xác định thời điểm cần gia cường hoặc bảo trì, từ đó hạn chế gián đoạn giao thông và tối ưu chi phí vận hành. Các hệ thống SHM quy mô lớn thường tích hợp cảm biến gia tốc, cảm biến biến dạng và cảm biến môi trường để đưa ra đánh giá toàn diện.

Trong hàng không, SHM góp phần nâng cao an toàn bay bằng cách ghi nhận thay đổi cấu trúc thân máy bay, cánh, động cơ hoặc các bộ phận chịu lực. Việc phát hiện sớm vết nứt mỏi hoặc biến dạng bất thường giúp giảm thiểu rủi ro tai nạn và tối ưu hóa lịch bảo trì. Một số hãng hàng không đang sử dụng cảm biến sợi quang và hệ thống phân tích dao động để xây dựng hồ sơ sức khỏe của từng máy bay trong suốt thời gian khai thác. Mô hình này cho phép dự đoán tuổi thọ thành phần và điều chỉnh chiến lược bảo dưỡng theo điều kiện thực.

Ngành năng lượng gió là một ví dụ nổi bật về ứng dụng SHM. Tuabin gió vận hành trong điều kiện khắc nghiệt, chịu tải trọng thay đổi nhanh và dao động mạnh. SHM giúp theo dõi độ rung, tình trạng trục, độ ổn định của cánh và hiệu suất truyền động. Các thuật toán phân tích mô hình dao động giúp nhận diện mất cân bằng, lệch tâm hoặc mỏi vật liệu. Dữ liệu được lưu trữ liên tục để xây dựng mô hình dự đoán hư hỏng, từ đó giảm chi phí bảo trì khẩn cấp và nâng cao thời gian vận hành của tuabin.

Dưới đây là bảng thể hiện ba ngành công nghiệp áp dụng SHM nhiều nhất:

Ngành công nghiệp	Mục tiêu SHM	Cảm biến phổ biến
Cầu đường	Đánh giá độ ổn định và phát hiện hư hỏng do tải trọng giao thông	Gia tốc kế, cảm biến biến dạng
Hàng không	Phát hiện nứt mỏi và biến dạng trong kết cấu máy bay	Cảm biến sợi quang, cảm biến siêu âm
Năng lượng gió	Theo dõi độ rung và đánh giá tình trạng trục, cánh tuabin	Cảm biến rung MEMS, cảm biến quang

Những ví dụ này cho thấy mức độ linh hoạt và giá trị thực tiễn của SHM trong các ngành công nghiệp trọng điểm.

Công nghệ cảm biến trong SHM

Cảm biến đóng vai trò nền tảng của mọi hệ thống SHM. Các loại cảm biến hiện đại được thiết kế để đo nhiều đại lượng vật lý với độ chính xác cao, khả năng chống nhiễu tốt và độ bền lâu dài. Cảm biến sợi quang (Fiber Bragg Grating) được sử dụng phổ biến nhờ khả năng chịu môi trường khắc nghiệt, độ nhạy cao và khả năng truyền dữ liệu trên quãng đường dài. Loại cảm biến này phù hợp với các công trình như cầu dây văng, đập thủy điện và tuabin gió.

Cảm biến MEMS là lựa chọn tối ưu cho các hệ thống cần mật độ cảm biến lớn và chi phí thấp. Chúng có khả năng đo gia tốc, dao động và thay đổi vị trí với độ nhạy cao. Công nghệ MEMS hỗ trợ xây dựng mạng cảm biến không dây, giúp giảm chi phí lắp đặt và dễ dàng mở rộng phạm vi giám sát. Trong khi đó, cảm biến siêu âm được dùng để phát hiện nứt nhỏ và khuyết tật bên trong vật liệu. Các hệ thống này thường kết hợp quét tín hiệu để tạo bản đồ hư hỏng chi tiết.

Danh sách dưới đây mô tả ba nhóm cảm biến được sử dụng nhiều nhất:

• Cảm biến sợi quang: đo biến dạng và nhiệt độ với độ chính xác cao.
• Cảm biến MEMS: giám sát dao động với chi phí thấp.
• Cảm biến siêu âm: phát hiện khuyết tật dưới bề mặt vật liệu.

Mỗi nhóm cảm biến đảm nhiệm một phần trong hệ thống SHM, tạo nên nguồn dữ liệu đa chiều phục vụ phân tích chuyên sâu.

Xử lý dữ liệu và thuật toán trong SHM

Dữ liệu SHM thường có dung lượng lớn và thay đổi liên tục theo thời gian. Do đó, cần sử dụng thuật toán nâng cao để phân tích, trích xuất đặc trưng và đánh giá trạng thái kết cấu. Các thuật toán học máy được áp dụng để phân loại mẫu dao động, dự đoán hư hỏng và nhận dạng bất thường. Học sâu (Deep Learning) cho phép mô hình hóa mối quan hệ phi tuyến giữa tín hiệu đo và trạng thái kết cấu. Ví dụ, mạng nơ ron tích chập có thể học đặc trưng dao động từ chuỗi dữ liệu thô mà không cần bước lọc thủ công.

Các mô hình thống kê đóng vai trò quan trọng trong phát hiện bất thường dựa trên sự thay đổi của đặc trưng dao động. Phương pháp phân tích PCA (Principal Component Analysis) giúp giảm số chiều dữ liệu và tìm ra các thành phần biến thiên chủ đạo. Khi mô hình dự đoán sai lệch so với dữ liệu thực, sai số được đo bằng hàm mất mát: $L = \sum_{i=1}^{n}(y_i - \hat{y}_i)^2$ Chỉ số này cho phép đánh giá độ chính xác của mô hình và xác định giai đoạn cần hiệu chỉnh thuật toán.

Bảng dưới đây mô tả ba nhóm thuật toán phổ biến:

Thuật toán	Mục đích
Học máy	Dự đoán hư hỏng và phân loại trạng thái
Thống kê	Phát hiện bất thường dựa trên phân bố dữ liệu
Mô phỏng số	Đánh giá đáp ứng của kết cấu trong các tình huống khác nhau

Các thuật toán này tạo thành nền tảng cho hệ thống phân tích SHM hiện đại.

Thách thức và hạn chế

Dù SHM mang lại nhiều lợi ích, việc triển khai hệ thống vẫn gặp nhiều thách thức. Chi phí lắp đặt và bảo trì cao là rào cản lớn đối với các dự án hạ tầng. Mạng cảm biến cần được bố trí hợp lý để thu thập dữ liệu đủ đại diện, đồng thời phải chịu được ảnh hưởng môi trường khắc nghiệt. Hệ thống truyền dữ liệu phải bảo đảm ổn định, đặc biệt với mạng không dây trong môi trường phức tạp như cầu đường hoặc nhà máy công nghiệp.

Xử lý dữ liệu là thách thức thứ hai vì lượng dữ liệu lớn đòi hỏi hạ tầng lưu trữ mạnh và thuật toán phân tích hiệu quả. Dữ liệu có thể bị nhiễu bởi môi trường, thời tiết hoặc lỗi cảm biến, làm giảm độ chính xác của mô hình đánh giá. Ngoài ra, mô hình mô phỏng kết cấu thực tế thường chứa sai số do không thể mô tả đầy đủ điều kiện biên và tải trọng. Điều này đòi hỏi hiệu chỉnh liên tục dựa trên dữ liệu đo thực.

Dưới đây là danh sách ba thách thức chính:

• Chi phí triển khai và bảo trì cao.
• Nhiễu dữ liệu và sai lệch mô hình.
• Khó tích hợp với hệ thống quản lý hiện có.

Việc giải quyết những hạn chế này cần sự hợp tác giữa kỹ sư kết cấu, chuyên gia dữ liệu và nhà quản lý dự án.

Xu hướng phát triển SHM

SHM đang chuyển sang mô hình thông minh với sự hỗ trợ của trí tuệ nhân tạo và cảm biến tiên tiến. Các hệ thống SHM thế hệ mới sử dụng mạng cảm biến phân tán với khả năng tự xử lý dữ liệu tại nút (edge computing). Điều này giúp giảm tải cho máy chủ trung tâm và tăng tốc độ phát hiện bất thường. Công nghệ cảm biến thế hệ mới như cảm biến quang học tích hợp chip và cảm biến không dây năng lượng thấp đang mở rộng khả năng triển khai SHM trên phạm vi lớn.

Một xu hướng quan trọng là mô hình Digital Twin kết hợp SHM để tạo bản sao số của công trình với mức độ chi tiết cao. Digital Twin cho phép mô phỏng trạng thái kết cấu theo thời gian thực dựa trên dữ liệu cảm biến, giúp dự đoán hư hỏng và tối ưu chiến lược bảo trì. Ngoài ra, xu hướng áp dụng điện toán đám mây cho phép lưu trữ và xử lý dữ liệu SHM quy mô lớn, từ đó cải thiện đáng kể hiệu quả phân tích.

Bảng sau tóm tắt một số xu hướng chính:

Xu hướng	Mô tả
SHM thông minh	Sử dụng AI và phân tích dữ liệu tự động
Digital Twin	Mô phỏng kết cấu dựa trên dữ liệu thời gian thực
Cảm biến thế hệ mới	Tăng độ bền, độ nhạy và khả năng truyền dữ liệu

Những xu hướng này đang định hình tương lai của SHM trong bối cảnh công nghiệp hiện đại.

Tài liệu tham khảo

• International Society for Structural Health Monitoring of Intelligent Infrastructure. https://www.ishmii.org
• National Institute of Standards and Technology. Structural Monitoring Research. https://www.nist.gov
• American Society of Civil Engineers. Infrastructure Monitoring Resources. https://www.asce.org
• NASA Structural Health Monitoring Program. https://www.nasa.gov