12.2019 39

Bảng 5: Kết quả trạng thái nút an toàn ứng với xác suất xảy ra

Trạng thái An toàn

cao An toàn trung

bình An toàn

thấp

Mức độ rủi ro an toàn (%) [0÷1] (1÷5] (5÷10]

Xác xuất xảy ra (%) 0.899 0.069 0.032

Mức độ rủi ro an toàn cần trục tháp ở dự án A, ký hiệu P(A) có xét đến xác suất xảy ra đồng thời ứng với các trạng thái an toàn

P(A) = 0.899 x 0.005 + 0.069 x 0.03 + 0.032 x 0.075 ≈ 0.009 = 0.9% < 1% Do P(A) < 1% nằm trong khoảng [0÷1] tương ứng trạng thái an toàn

cao nên cần trục tháp trên công trường xây dựng ở dự án A đánh giá là rất an toàn.

6. Kết luận : Nhằm đánh giá kết quả thu được từ mô hình BBNs đối với dự án A,

tác giả tiến hành điều tra tình hình an toàn lao động liên quan đến cần trục tháp trong quá khứ (trước thời điểm khảo sát xác suất xảy ra của các yếu tố) với đối tượng là cán bộ phụ trách ATLĐ, các kỹ sư làm giám sát của Nhà thầu hay TVGS trên công trường. Tuy nhiên, điều này là khó khăn bởi tính chất nhạy cảm về số liệu về tai nạn và thường không được ghi chép không đầy đủ hay cụ thể trong nhật ký an toàn. Do đó, tác giả tìm hiểu các nguyên nhân có thể xảy ra tai nạn với cần trục tháp (dĩ nhiên là những tai nạn nhẹ bởi đến thời điểm hiện tại cần trục vẫn hoạt động bình thường). Những nguyên nhân có thể kể đến như: (1) tải rơi văng vào người, (2) đứt cáp, (3) tuột phanh, (4) tuột cáp, (5) rơi đổ khi đang nâng tải, (6) va chạm tải nâng với vật khác. Kết quả phỏng vấn các đối tượng cho biết rằng đến thời điểm hiện tại có xảy ra một vài va chạm nhẹ giữ vật nâng với cốt thép cột hay một số bộ phận khác của công trình không gây rơi hay đổ tải nâng. Các tải trọng lớn (như thép, ván khuôn, xà gồ,…) được kiểm tra buộc dây bởi người báo hiệu dưới mặt đất trước khi nâng lên và các vật tư khác (như đai thép được bó thành cụm, kích U, …) được vận chuyển bằng xuồng vật liệu nên đảm bảo an toàn về rơi tải.

Với kết quả phỏng vấn này cho thấy mức độ rủi ro an toàn cần trục tháp được đánh giá ở dự án A dựa trên mô hình BBNs mà tác giả đã xây dựng là phù hợp với thực tế và đáng tin cậy. Ngoài ra, kết quả mô hình BBNs định lượng mức độ an toàn cần trục tháp trên công trường xây dựng còn cho biết xác xuất xảy ra của từng yếu tố và nhóm yếu tố tại các nút để người quản lý đánh giá được rủi ro của nó mà có biện pháp cải thiện, phòng ngừa hay kiểm soát thích hợp.

TÀI LIỆU THAM KHẢO

1. An Nhơn (2011). Sập cẩu tháp 45 mét, một công nhân tử vong. Vnexpress. https://vnexpress.net/thoi-su/sap-cau-thap-45-met-mot-cong-nhan-tu-vong-2185260.html.

2. Arslan, M. H. and M. Y. Kaltakci (2008). "Analysis of a Tower Crane Accident." The Open Construction and Building Technology Journal 2: 287-293.

3. Chen, T.-T. and S.-S. Leu (2014). "Fall risk assessment of cantilever bridge projects using Bayesian network." Safety Science 70: 161–171.

4. Dalalah, D., et al. (2010). "Application of the Analytic Hierarchy Process (AHP) in Multi-Criteria Analysis of the Selection of Cranes." Jordan Journal of Mechanical and Industrial Engineering 4(5): 567-577.

5. Đình Thảo (2015). TPHCM: Cần cẩu công trình gãy ngang, đổ vào bệnh viện. Dân trí. https://dantri.com.vn/xa-hoi/tphcm-can-cau-cong-trinh-gay-ngang-do-vao-benh-vien-20151110205715543.htm.

6. Jitwasinkul, B., et al. (2016). "A Bayesian Belief Network model of organizational factors for improving safe work behaviors in Thai construction industry." Safety Science 82: 264-273.

7. Leu, S.-S. and C.-M. Chang (2013). "Bayesian-network-based safety risk assessment for steel construction projects." Accident Analysis and Prevention 54: 122-133.

8. Long, D. N., et al. (2016). "Predicting Safety Risk of Working at Heights Using Bayesian Networks." Journal of Construction Engineering and Management 142(9).

9. Luu, T. V., et al. (2008). "Quantifying schedule risk in construction projects using Bayesian belief networks." International Journal of Project Management 27: 39–50.

10. Ngô Minh Tâm (2019). Nghiên cứu phân tích các nhân tố ảnh hưởng đến rủi ro an toàn lao động trong thi công công tác giàn giáo cho hạng mục phần thân của công trình nhà cao tầng tại Tp.

HCM và xây dựng mô hình BBNs đánh giá rủi ro. Thi công và Quản lý xây dựng, Trường Đại học Bách Khoa Tp. HCM: 118.

11. Nguyễn Cao Thùy (2017). Ứng dụng sơ đồ Bayesian Belief Network định lượng khả năng hoàn thành công việc theo kế hoạch vào mô hình hỗ trợ ra quyết định phân bổ nhân lực ở công trường xây dựng. Thi công và Quản lý xây dựng, Trường Đại học Bách Khoa Tp. HCM: 110.

12. Nguyễn Đăng Phi Vũ (2011). Đánh giá những yếu tố rủi ro ảnh hưởng đến an toàn cần trục tháp trên công trường. Thi công và Quản lý xây dựng, Trường Đại học Bách Khoa Tp. HCM: 136.

13. Nguyễn Hồng Quan (2008). Ứng dụng mô hình AHP (Analytic Hierarchy Process) để lựa chọn thiết bị thi công nhà cao tầng. Thi công và Quản lý xây dựng, Trường Đại học Bách Khoa Tp. HCM: 156.

14. Nguyễn Triều (2007). Thi công cao ốc, gãy cẩu, 6 người bị thương. Người lao động. https://nld.com.vn/thoi-su-trong-nuoc/thi-cong-cao-oc--gay-cau--6-nguoi-bi-thuong-211053.htm.

15. Nguyễn Văn Tuấn (2006). Nghiên cứu định lượng rủi ro tiến độ xây dựng bằng mô hình bayesian Belief Networks. Thi công và Quản lý xây dựng, Trường Đại học Bách Khoa Tp. HCM: 120.

16. Nguyễn, V. T. and T. V. Lưu (2006). "Mạng Bayesian Belief Networks (BBNs) và ứng dụng vào quản lý xây dựng." Tập san khoa học Đại học Mở TP. HCM 4(10): 62-67.

17. Phan Lê Anh (2015). Định lượng rủi ro hợp đồng tư vấn giám sát bằng công cụ BBN's ở giai đoạn chuẩn bị thương thảo hợp đồng. Thi công và Quản lý xây dựng, Trường Đại học Bách Khoa Tp. HCM: 145.

18. Phan Quốc Việt (2011). Phân tích các yếu tố ảnh hưởng khả năng trúng thầu bằng mô hình BBNs và đề xuất giải pháp nâng cao năng lực cạnh tranh áp dụng tại công ty CPXD&KD Địa ốc Hòa Bình. Thi công và Quản lý xây dựng, Trường Đại học Bách Khoa Tp. HCM: 124.

19. Quỳnh Trân (2017). Đình chỉ thi công dự án nhà ở Topaz Home do sập cần cẩu. Công an thành phố Hồ Chí Minh. http://congan.com.vn/vu-an/dinh-chi-thi-cong-du-an-nha-o-topaz-home-do-sap-can-cau_35057.html.

20. Shapira, A. and B. Lyachin (2009). "Identification and analysis of factors affecting safety on construction sites with tower cranes." Journal of Construction Engineering and Management 135(1): 24-33.

21. Shapira, A. and M. Simcha (2009a). "AHP-based weighting of factors affecting safety on construction sites with tower cranes." Journal of Construction Engineering and Management 135(4): 307–318.

22. Tam, V. W. Y. and I. W. H. Fung (2011). "Tower crane safety in the construction industry: a Hong Kong study." Safety Science 49: 208–215.

23. Thiên Long (2018). Cần cẩu ở Sài Gòn gãy đổ, người dân khiếp vía. Công an thành phố Hồ Chí Minh. http://congan.com.vn/doi-song/truc-cau-tai-du-an-topaz-elite-gay-do-khien-nguoi-dan-khiep-via_56567.html.

24. Trần Anh Vũ (2010). Mô hình kết hợp phân tích rủi ro giữa phương pháp BBN'S và mô phỏng Monte Carlo. Thi công và Quản lý xây dựng, Trường Đại học Bách Khoa Tp. HCM: 110.

25. Trần Khoa (2009). Mô hình phân tích biến động thời gian và chi phí dự án xây dựng dân dụng & công nghiệp bằng phương pháp BBNs. Thi công và Quản lý xây dựng, Trường Đại học Bách Khoa Tp. HCM: 131.

26. Trần Việt Thành (2007). Định lượng rủi ro chi phí của dự án bằng mô hình Bayes Belief Networks và hồi quy tuyến tính bội. Thi công và Quản lý xây dựng, Trường Đại học Bách Khoa Tp. HCM: 120.

27. Zhang, L., et al. (2014). "Bayesian-network-based safety risk analysis in construction projects." Reliability Engineering and System Safety 131: 29–39.

28. Zhao, C., et al. (2012). "Analysis of Accident Safety Risk of Tower Crane Based on Fishbone Diagram and the Analytic Hierarchy Process." Applied Mechanics and Materials 127: 139-143.

Kết hợp dữ liệu đám mây điểm từ các thiết bị 3D Laser scanning và phương tiện bay không người lái (UAV) nhằm thu thập thông tin mô hình công trình xây dựng Integrating point cloud from 3D Laser scanning and Unmanned Aerial Vehicle (UAV) equipments in order to collect construction project information modeling

Đỗ Tiến Sỹ, Nguyễn Anh Thư, Hoàng Hiệp, Võ Thị Loan, Nguyễn Ngọc Tường Vi, Võ Văn Trương,

Lê Nguyễn Thanh Phước, Phạm Thị Trường An, Đặng Minh Quang

TÓM TẮT: Ngày nay, với sự phát triển của khoa học công nghệ trong lĩnh vực xây dựng, việc thu thập dữ liệu đám mây điểm (point cloud) thông qua

thiết bị 3D Laser Scanning đang ngày càng trở nên phổ biến. Tại Việt Nam, công nghệ 3D Laser Scanning ngày càng được biết đến và ứng

dụng vào các dự án xây dựng. Cùng với sự phát triển nhanh chóng của mô hình thông tin công trình (BIM) trong thời gian vừa qua, 3D

Laser Scanning và BIM hoàn toàn có thể phối hợp để ứng dụng xuyên suốt trong toàn bộ vòng đời dự án. Tuy nhiên, việc ứng dụng công

nghệ này vẫn còn nhiều khó khăn trong việc xử lý dữ liệu từ các hệ thống phần cứng và phần mềm khác nhau. Nghiên cứu sẽ tập trung

vào quy trình kết hợp dữ liệu đám mây điểm trên mặt đất (terrestrial laser scanning data) từ ba loại thiết bị khác nhau (Faro Focus S350A,

Leica RTC 360, Leica Station P50) và dữ liệu đám mây điểm trên không (aerial laser scanning data) thu được từ việc kết hợp thiết bị bay

không người lái UAV Stormbee S20 và Faro Focus S350A. Quy trình đề xuất đạt được những dữ liệu tích hợp có giá trị và có thể đề xuất

sử dụng trong công tác khảo sát, thiết kế và kiểm định công trình.

Từ khóa: 3D Laser Scanning, BIM, Scan to BIM, Point Cloud, Faro Focus S350-A, Leica RTC 360, Leica Station P50, Stormbee UAV S20

ABSTRACT: With the development of technology in the construction industry, data collection using 3D Laser Scanning equipment is becoming

increasingly popular. In Vietnam, 3D Laser Scanning technology is gaining popularity and applied in construction projects. Along with

the rapid development of the Building Information Model (BIM) technology, 3D Laser Scanning technology and BIM can be combined

to mutually support through the life cycle of a project. However, the application of this technology still faces many challenges in data

integration from different hardware and software systems. In the research, we combined the terrestrial laser scanning data from 3 different

devices (Faro Focus S350A, Leica RTC 360, Leica Station P50) with aerial laser scanning data from UAV Stormbee S20 combined with

Faro Focus S350A. The proposed process is effective for achieving the valuable integrated data that can be applied in surveying, designing

and inspecting works.

Keywords: 3D Laser Scanning, Faro Focus S350-A, Leica P50, Leica RTC 360, Stormbee UAV S20, Cyclone, Scene, Beeflex, POSPac.

Đỗ Tiến Sỹ, Nguyễn Anh Thư Trung tâm Portcoast BIMLab, Công Ty Cổ Phần Tư Vấn Thiết Kế Cảng Kỹ Thuật Biển

Giảng viên, Khoa Kỹ Thuật Xây Dựng, Trươ ng Đại Học Bách Khoa – Đa i Ho c Quôc Gia Tp.HCM

Hoàng Hiệp, Võ Thị Loan, Lê Nguyễn Thanh Phước, Võ Văn Trương, Nguyễn Ngọc Tường Vi, Đặng Minh Quang, Phạm Thị Trường An. Trung tâm Portcoast BIMLab, Công Ty Cổ Phần Tư Vấn Thiết Kế Cảng Kỹ Thuật Biển

1. Giới thiệu Trong nhiều thập niên vừa qua, công tác khảo sát tại các dự án xây dựng

thường được thực hiện thông qua các thiết bị đo đạc bao gồm máy thủy bình, máy toàn đạc điện tử, máy đo GPS, v.v… Các thiết bị công nghệ này luôn luôn được nghiên cứu nhằm cải tiến độ chính xác và hiệu quả hoạt động.

Trong xu thế phát triển hiện nay, công nghệ 3D Laser Scanning được biết đến và áp dụng trong các công việc khảo sát, kiểm định các công trình nhằm dần thay thế cho các thiết bị nói trên với độ chính xác cao. Thiết bị 3D

Laser Scanning có khả năng thu thập dữ liệu vô số các đám mây điểm trong không gian, các đám mây điểm này ghi lại chi tiết hình dạng bề mặt của một vật thể trong không gian và mỗi một điểm đám mây này đều chứa thông tin tọa độ (XYZ) và các thông số màu.

Hiện nay, các dữ liệu đám mây điểm thu thập được từ các thiết bị 3D Laser Scanning có rất nhiều phần mềm để xử lý. Các giải pháp phần mềm phải đạt được các mục tiêu bao gồm tối ưu hóa thời gian xử lý, đạt hiệu quả cao cũng như cho ra một sản phẩm chất lượng. Hệ thống phần mềm hiện tại bao gồm phần mềm Scene của hãng Faro, Cyclone của hãng Hexagon

Ngày nhận bài: 13/9/2019Ngày sửa bài: 12/10/2019Ngày chấp nhận đăng: 16/11/2019

12.201940

Geosystems, Beeflex của hãng Stormbee, POSPac của hãng Trimble. Tuy nhiên, hiện tại dữ liệu từ các phần mềm trên đang được xử lý rời rạc và chưa thể thích hợp. Do đó, giải pháp để có thể kết hợp các dữ liệu đám mây điểm từ nhiều thiết bị đến từ các hãng kể trên thành một mô hình 3D là hết sức cần thiết.

Mục đích của việc thực hiện việc nghiên cứu này chính là đưa ra một quy trình tích hợp dữ liệu nói trên nhằm tạo ra mô hình tổng thể cho công trình trong các công tác khảo sát, thiết kế, kiểm định công trình. Mô hình đạt được sẽ được tiếp tục xây dựng mô hình BIM phục vục cho công tác quản lý công trình xây dựng một cách hiệu quả.

2. Tổng quan vấn đề nghiên cứu Trên thế giới hiện nay có rất nhiều bài nghiên cứu về công nghệ 3D Laser

Scanning kết hợp với các thiết bị bay không người lái như: Soonwook Kwon và các cộng sự (2017) đã nghiên cứu và cho thấy rằng

những ứng của việc sử dụng dữ liệu các điểm đám mây được tạo ra từ thiết bị 3D Laser Scanning kết hợp với dữ liệu ảnh chụp từ trên không, đồng thời chứng minh khả năng kết hợp dữ liệu đám mây điểm bằng cách hợp nhất dữ liệu thu thập được.

Ján Šašak và cộng sự (2019) cũng đã nghiên cứu và cho thấy việc kết hợp 3D Laser Scanning trên mặt đất và chụp ảnh từ cận cảnh từ thiết bị bay không người lái để tạo ra đám mây điểm có độ phân giải cao và mô hình số độ cao (DEM) của khu vực địa hình núi cao, phương pháp nghiên cứu này cũng khẳng định rằng có thể thành lập bản đồ địa hình ở những khu vực núi cao hiểm trở.

Satoshi Kubota và các cộng sự (2019) với những nghiên cứu của họ đã cho ra một kết luận là việc sử dụng dữ liệu trong không gian ba chiều bằng cách kết hợp dữ liệu đám mây điểm của thiết bị 3D Laser Scanning trên mặt đất và máy bay không người lái để chụp ảnh để hỗ trợ cho công việc bảo trì đường bộ. Bên cạnh đó dữ liệu đám mây điểm cho các đối tượng này được xây dựng bằng các tấm ảnh với công nghệ SFM.

Gần đây, các hệ thống máy bay không người lái đang được sử dụng rộng rãi trong nhiều lĩnh vực như: quân sự, khảo sát địa hình, nông nghiệp, lâm nghiệp, quản lý đô thị, hỗ trợ tìm kiếm cứu nạn, điện ảnh và nhiều lĩnh vực khác. Bên cạnh đó, lĩnh vực khảo sát địa hình đã sử dụng công nghệ ảnh chụp từ các thiết bị bay không người lái kết hợp với các điểm khống chế mặt đất để thành lập các loại bản đồ như bản đồ 3D, bình đồ ảnh số, mô hình số bề mặt (DSM - Digital Surface Model) và từ các bản đồ này có thể biên tập, xử lý và cho ra bản đồ địa hình tại khu vực bay chụp, tuy nhiên phương pháp này cho độ chính xác không cao.

Việc áp dụng công nghệ 3D Laser Scanning kết hợp với phương pháp chụp ảnh từ thiết bị bay không người lái đang ngày càng trở nên phổ biến, tuy nhiên độ chính xác cũng như tính hiệu quả của phương pháp này cần kiểm tra cũng như giám định để đưa ra đánh giá chính xác. Bên cạnh đó, một công nghệ mới mà nghiên cứu đề cập đến đó chính là việc kết hợp dữ liệu đám mây điểm giữa thiết bị 3D Laser Scanning tại các trạm đặt trên mặt đất với thiết bị 3D Laser Scanning được tích hợp trên thiết bị bay không người lái Stormbee S20 trong không gian vật lý để cho ra một mô hình 3D chứa vô số các đám mây điểm.

3. Phương pháp nghiên cứu Hiện nay, có nhiều thương hiệu, nhiều dòng thiết bị 3D Laser Scanning

với những chức năng cũng như ưu điểm và nhược điểm khác nhau. Tùy theo mục đích và đặc điểm của công trình mà lựa chọn thiết bị 3D Laser Scanning phù hợp.

Sau đó, quy trình cần thực hiện nhằm tích hợp các dữ liệu từ các thiết bị khác nhau được thực hiện và đề xuất như Hình 1.

3.1 Các thiết bị 3D Laser Scanning được sử dụng trong nghiên cứu 3.1.1 Thiết bị 3D Laser Scanning FARO Focus S350-A Thiết bị 3D Laser Scanning Faro Focus S350-A (Hình 2) là thiết bị được

thiết kế có kích thước nhỏ, trọng lượng nhẹ vào khoảng 4,2 kg và phạm vi quét mở rộng với tầm quét xa lên đến 350m với độ chính xác về khoảng cách lên tới ± 1mm, trong 1 giây thiết bị này thu thập được vào khoảng 1 triệu điểm đám mây và thiết bị này có thể làm việc trong môi trường khắc nghiệt, nơi làm việc hẹp, khu vực bụi bặm hoặc ẩm ướt hoặc ánh sáng mặt trời trực tiếp. Trên thiết bị được tích hợp máy thu GPS và Glonass cho phép định vị vị trí (FARO, 2019).

Đặc biệt, thiết bị này cho phép tích hợp trên thiết bị bay không người lái Stormbee S20 nhằm quét những khu vực rộng lớn (Stormbee, 2018).

Hình 1. Lưu đồ quy trình kết hợp dữ liệu đám mây điểm của các thiết bị 3D Laser Scanning *Ghi Chú : – (*) Phần mềm có bản quyền của Công Ty Cổ Phần Tư Vấn Thiết Kế Cảng

Kỹ Thuật Biển – Portcoast. – Tất cả các dữ liệu thu được sử dụng cho bài nghiên cứu này được thu thập

từ thiết bị 3D Laser Faro Focus S350A, Laser Leica RTC 360, Laser Leica P50 và thiết bị bay không người lái Stormbee S20 và các điểm khảo sát đo ngoài thực địa bằng các loại máy như máy toàn đạc điện tử, máy đo GPS được cung cấp bởi Trung tâm kỹ thuật Sông Biển, Công Ty Cổ Phần Tư Vấn Thiết Kế Cảng Kỹ Thuật Biển.

Hình 2. Lưu đồ quy trình kết hợp dữ liệu đám mây điểm của các thiết bị 3D Laser Scanning

3.1.2 Thiết bị 3D Laser Scanning LEICA RTC 360 Thiết bị 3D Laser Scanning Leica RTC 360 (Hình 3) là thiết bị được thiết

có trọng lượng khoảng 5.35 kg, phạm vi quét mở rộng khoảng 130 m với độ chính xác về khoảng cách là 1.0 mm + 10 ppm, trong 1 giây thiết bị này thu thập được vào khoảng 2 triệu điểm đám mây và thiết bị này có thể làm việc trong mọi môi trường như môi trường có ánh sáng mặt trời trực tiếp. (Leica, 2017).

3.1.3 Thiết bị 3D Laser Scanning LEICA P50 Thiết bị 3D Laser Scanning Leica P50 (Hình 4) là thiết bị có thiết kế chắc

chắn, trọng lượng nặng vào khoảng 12,25 kg và phạm vi quét mở rộng với tầm xa lên đến > 1 km, đối với độ chính xác về khoảng cách là 3 mm + 10ppm, đối với tầm quét 120 m với độ chính xác khoảng cách là 1.2 mm + 10ppm, trong 1 giây thiết bị này thu thập được vào khoảng 1 triệu điểm đám mây. Trong thiết bị này bao gồm các chức năng cho phép người dùng nhập hệ tọa độ vị trí của công trình từ đó mô hình đám mây điểm sẽ có tọa độ và cao độ, phục vục cho các công tác khảo sát địa hình (Leica, 2017).

3.1.4 Thiết bị không người lái STORMBEE tích hợp thiết bị 3D Laser Scanning FARO Focus S350-A

Stormbee là một thiết bay không người lái không giống với các thiết bị bay khác chỉ mang tính chất chụp ảnh, mà thiết bị này được tích hợp 3D Laser Scanning Faro Focus S350-A nhằm quét lại các vật thể trong không gian, Stormbee UAV S20 (Hình 5) cho phép chúng ta thu được dữ liệu chính xác và đáng tin cậy nhờ công nghệ LIDAR đã sử dụng tia Laser để thu nhận dữ liệu hình học của các vật thể, các dữ liệu đó được gọi là các điểm đám mây và mỗi một điểm này đều có tọa độ (X, Y và Z). Từ những khả năng công nghệ vượt trội, thiết bị Stormbee UAV S20 được áp dụng cho nhiều lĩnh vực như để kiểm tra cơ sở hạ tầng của các công trình xây dựng (STORMBEE, 2018).

Hình 3. Thiết bị 3D Laser Scanning LEICA RTC 360

Hình 4. Thiết bị 3D Laser Scanning LEICA P50

Hình 5. Thiết bị STORMBEE UAV S20 tích hợp thiết bị 3D Laser Scanning FARO Focus

S350-A 3.2 Quy trình xử lý dữ liệu đám mây điểm Sau khi nhập dữ liệu vào các phần mềm, tiến hành xử lý xóa nhiễu các

đối tượng không cần thiết trong mô hình đám mây điểm. Quy trình xử lý dữ liệu đám mây điểm từ các thiết bị 3D Laser Scanning được trình bày như sau:

3.2.1 Phần mềm SCENE của hãng FARO Sử dụng thiết bị 3D Laser Scanning Faro Focus S350-A và thu thập dữ

liệu tại hiện trường, tiến hành đưa dữ liệu vào phần mềm Scene (Hình 6) và tiến hành xử lý.

3.2.2 Phần mềm CYCLONE của hãng HEXAGON GEOSYSTEMS Sử dụng thiết bị 3D Laser Scanning Leica RTC 360 và thu thập dữ liệu tại

hiện trường, tiến hành nhập dữ liệu thu được vào phần mềm Cyclone và xử lý dữ liệu (Hình 7).

Hình 6. Xử lý dữ liệu từ thiết bị FARO trên phần mềm SCENE

Hình 7. Xử lý dữ liệu từ thiết bị RTC 360 trên phần mềm CYCLONE Sử dụng thiết bị 3D Laser Scanning Leica P50 và thu thập dữ liệu tại hiện

trường, tiến hành đưa dữ liệu thu được vào phần mềm Cyclone và xử lý (Hình 8), trong quá trình tiến hành thu thập dữ liệu thực địa thiết bị này cho nhập các hệ tọa độ trực tiếp trên máy, khi đó dữ liệu đám mây điểm sau khi thu được sẽ có hệ tọa độ và cao độ chuẩn thuận tiện cho công tác xử lý nội nghiệp.

3.2.3 Phần mềm POSPas của hãng TRIMBLE Sau khi thực hiện công tác bay và thu thập dữ liệu bằng thiết bị bay

không người lái Stormbee S20, tiến hành nhập dữ liệu từ các nguồn trên thiết bị Faro Focus S350-A và các dữ liệu trên hệ thống máy bay vào phần mềm POSPac (Hình 9) để xử lý.

3.2.4 Phần mềm BEEFLEX của hãng STORMBEE Từ dữ liệu đã xử lý từ phần mềm POSPac, tiến hành nhập dữ liệu thu

được vào phần mềm Beeflex như Hình 10 để chọn vùng dữ liệu đã quét xuất dữ liệu này ra định dạng 3D Point Cloud (Hình 10).

Hình 8. Xử lý dữ liệu từ thiết bị P50 trên phần mềm CYCLONE

12.2019 41

Geosystems, Beeflex của hãng Stormbee, POSPac của hãng Trimble. Tuy nhiên, hiện tại dữ liệu từ các phần mềm trên đang được xử lý rời rạc và chưa thể thích hợp. Do đó, giải pháp để có thể kết hợp các dữ liệu đám mây điểm từ nhiều thiết bị đến từ các hãng kể trên thành một mô hình 3D là hết sức cần thiết.

Mục đích của việc thực hiện việc nghiên cứu này chính là đưa ra một quy trình tích hợp dữ liệu nói trên nhằm tạo ra mô hình tổng thể cho công trình trong các công tác khảo sát, thiết kế, kiểm định công trình. Mô hình đạt được sẽ được tiếp tục xây dựng mô hình BIM phục vục cho công tác quản lý công trình xây dựng một cách hiệu quả.

2. Tổng quan vấn đề nghiên cứu Trên thế giới hiện nay có rất nhiều bài nghiên cứu về công nghệ 3D Laser

Scanning kết hợp với các thiết bị bay không người lái như: Soonwook Kwon và các cộng sự (2017) đã nghiên cứu và cho thấy rằng

những ứng của việc sử dụng dữ liệu các điểm đám mây được tạo ra từ thiết bị 3D Laser Scanning kết hợp với dữ liệu ảnh chụp từ trên không, đồng thời chứng minh khả năng kết hợp dữ liệu đám mây điểm bằng cách hợp nhất dữ liệu thu thập được.

Ján Šašak và cộng sự (2019) cũng đã nghiên cứu và cho thấy việc kết hợp 3D Laser Scanning trên mặt đất và chụp ảnh từ cận cảnh từ thiết bị bay không người lái để tạo ra đám mây điểm có độ phân giải cao và mô hình số độ cao (DEM) của khu vực địa hình núi cao, phương pháp nghiên cứu này cũng khẳng định rằng có thể thành lập bản đồ địa hình ở những khu vực núi cao hiểm trở.

Satoshi Kubota và các cộng sự (2019) với những nghiên cứu của họ đã cho ra một kết luận là việc sử dụng dữ liệu trong không gian ba chiều bằng cách kết hợp dữ liệu đám mây điểm của thiết bị 3D Laser Scanning trên mặt đất và máy bay không người lái để chụp ảnh để hỗ trợ cho công việc bảo trì đường bộ. Bên cạnh đó dữ liệu đám mây điểm cho các đối tượng này được xây dựng bằng các tấm ảnh với công nghệ SFM.

Gần đây, các hệ thống máy bay không người lái đang được sử dụng rộng rãi trong nhiều lĩnh vực như: quân sự, khảo sát địa hình, nông nghiệp, lâm nghiệp, quản lý đô thị, hỗ trợ tìm kiếm cứu nạn, điện ảnh và nhiều lĩnh vực khác. Bên cạnh đó, lĩnh vực khảo sát địa hình đã sử dụng công nghệ ảnh chụp từ các thiết bị bay không người lái kết hợp với các điểm khống chế mặt đất để thành lập các loại bản đồ như bản đồ 3D, bình đồ ảnh số, mô hình số bề mặt (DSM - Digital Surface Model) và từ các bản đồ này có thể biên tập, xử lý và cho ra bản đồ địa hình tại khu vực bay chụp, tuy nhiên phương pháp này cho độ chính xác không cao.

Việc áp dụng công nghệ 3D Laser Scanning kết hợp với phương pháp chụp ảnh từ thiết bị bay không người lái đang ngày càng trở nên phổ biến, tuy nhiên độ chính xác cũng như tính hiệu quả của phương pháp này cần kiểm tra cũng như giám định để đưa ra đánh giá chính xác. Bên cạnh đó, một công nghệ mới mà nghiên cứu đề cập đến đó chính là việc kết hợp dữ liệu đám mây điểm giữa thiết bị 3D Laser Scanning tại các trạm đặt trên mặt đất với thiết bị 3D Laser Scanning được tích hợp trên thiết bị bay không người lái Stormbee S20 trong không gian vật lý để cho ra một mô hình 3D chứa vô số các đám mây điểm.

3. Phương pháp nghiên cứu Hiện nay, có nhiều thương hiệu, nhiều dòng thiết bị 3D Laser Scanning

với những chức năng cũng như ưu điểm và nhược điểm khác nhau. Tùy theo mục đích và đặc điểm của công trình mà lựa chọn thiết bị 3D Laser Scanning phù hợp.

Sau đó, quy trình cần thực hiện nhằm tích hợp các dữ liệu từ các thiết bị khác nhau được thực hiện và đề xuất như Hình 1.

3.1 Các thiết bị 3D Laser Scanning được sử dụng trong nghiên cứu 3.1.1 Thiết bị 3D Laser Scanning FARO Focus S350-A Thiết bị 3D Laser Scanning Faro Focus S350-A (Hình 2) là thiết bị được

thiết kế có kích thước nhỏ, trọng lượng nhẹ vào khoảng 4,2 kg và phạm vi quét mở rộng với tầm quét xa lên đến 350m với độ chính xác về khoảng cách lên tới ± 1mm, trong 1 giây thiết bị này thu thập được vào khoảng 1 triệu điểm đám mây và thiết bị này có thể làm việc trong môi trường khắc nghiệt, nơi làm việc hẹp, khu vực bụi bặm hoặc ẩm ướt hoặc ánh sáng mặt trời trực tiếp. Trên thiết bị được tích hợp máy thu GPS và Glonass cho phép định vị vị trí (FARO, 2019).

Đặc biệt, thiết bị này cho phép tích hợp trên thiết bị bay không người lái Stormbee S20 nhằm quét những khu vực rộng lớn (Stormbee, 2018).

Hình 1. Lưu đồ quy trình kết hợp dữ liệu đám mây điểm của các thiết bị 3D Laser Scanning *Ghi Chú : – (*) Phần mềm có bản quyền của Công Ty Cổ Phần Tư Vấn Thiết Kế Cảng

Kỹ Thuật Biển – Portcoast. – Tất cả các dữ liệu thu được sử dụng cho bài nghiên cứu này được thu thập

từ thiết bị 3D Laser Faro Focus S350A, Laser Leica RTC 360, Laser Leica P50 và thiết bị bay không người lái Stormbee S20 và các điểm khảo sát đo ngoài thực địa bằng các loại máy như máy toàn đạc điện tử, máy đo GPS được cung cấp bởi Trung tâm kỹ thuật Sông Biển, Công Ty Cổ Phần Tư Vấn Thiết Kế Cảng Kỹ Thuật Biển.

Hình 2. Lưu đồ quy trình kết hợp dữ liệu đám mây điểm của các thiết bị 3D Laser Scanning

3.1.2 Thiết bị 3D Laser Scanning LEICA RTC 360 Thiết bị 3D Laser Scanning Leica RTC 360 (Hình 3) là thiết bị được thiết

có trọng lượng khoảng 5.35 kg, phạm vi quét mở rộng khoảng 130 m với độ chính xác về khoảng cách là 1.0 mm + 10 ppm, trong 1 giây thiết bị này thu thập được vào khoảng 2 triệu điểm đám mây và thiết bị này có thể làm việc trong mọi môi trường như môi trường có ánh sáng mặt trời trực tiếp. (Leica, 2017).

3.1.3 Thiết bị 3D Laser Scanning LEICA P50 Thiết bị 3D Laser Scanning Leica P50 (Hình 4) là thiết bị có thiết kế chắc

chắn, trọng lượng nặng vào khoảng 12,25 kg và phạm vi quét mở rộng với tầm xa lên đến > 1 km, đối với độ chính xác về khoảng cách là 3 mm + 10ppm, đối với tầm quét 120 m với độ chính xác khoảng cách là 1.2 mm + 10ppm, trong 1 giây thiết bị này thu thập được vào khoảng 1 triệu điểm đám mây. Trong thiết bị này bao gồm các chức năng cho phép người dùng nhập hệ tọa độ vị trí của công trình từ đó mô hình đám mây điểm sẽ có tọa độ và cao độ, phục vục cho các công tác khảo sát địa hình (Leica, 2017).

3.1.4 Thiết bị không người lái STORMBEE tích hợp thiết bị 3D Laser Scanning FARO Focus S350-A

Stormbee là một thiết bay không người lái không giống với các thiết bị bay khác chỉ mang tính chất chụp ảnh, mà thiết bị này được tích hợp 3D Laser Scanning Faro Focus S350-A nhằm quét lại các vật thể trong không gian, Stormbee UAV S20 (Hình 5) cho phép chúng ta thu được dữ liệu chính xác và đáng tin cậy nhờ công nghệ LIDAR đã sử dụng tia Laser để thu nhận dữ liệu hình học của các vật thể, các dữ liệu đó được gọi là các điểm đám mây và mỗi một điểm này đều có tọa độ (X, Y và Z). Từ những khả năng công nghệ vượt trội, thiết bị Stormbee UAV S20 được áp dụng cho nhiều lĩnh vực như để kiểm tra cơ sở hạ tầng của các công trình xây dựng (STORMBEE, 2018).

Hình 3. Thiết bị 3D Laser Scanning LEICA RTC 360

Hình 4. Thiết bị 3D Laser Scanning LEICA P50

Hình 5. Thiết bị STORMBEE UAV S20 tích hợp thiết bị 3D Laser Scanning FARO Focus

S350-A 3.2 Quy trình xử lý dữ liệu đám mây điểm Sau khi nhập dữ liệu vào các phần mềm, tiến hành xử lý xóa nhiễu các

đối tượng không cần thiết trong mô hình đám mây điểm. Quy trình xử lý dữ liệu đám mây điểm từ các thiết bị 3D Laser Scanning được trình bày như sau:

3.2.1 Phần mềm SCENE của hãng FARO Sử dụng thiết bị 3D Laser Scanning Faro Focus S350-A và thu thập dữ

liệu tại hiện trường, tiến hành đưa dữ liệu vào phần mềm Scene (Hình 6) và tiến hành xử lý.

3.2.2 Phần mềm CYCLONE của hãng HEXAGON GEOSYSTEMS Sử dụng thiết bị 3D Laser Scanning Leica RTC 360 và thu thập dữ liệu tại

hiện trường, tiến hành nhập dữ liệu thu được vào phần mềm Cyclone và xử lý dữ liệu (Hình 7).

Hình 6. Xử lý dữ liệu từ thiết bị FARO trên phần mềm SCENE

Hình 7. Xử lý dữ liệu từ thiết bị RTC 360 trên phần mềm CYCLONE Sử dụng thiết bị 3D Laser Scanning Leica P50 và thu thập dữ liệu tại hiện

trường, tiến hành đưa dữ liệu thu được vào phần mềm Cyclone và xử lý (Hình 8), trong quá trình tiến hành thu thập dữ liệu thực địa thiết bị này cho nhập các hệ tọa độ trực tiếp trên máy, khi đó dữ liệu đám mây điểm sau khi thu được sẽ có hệ tọa độ và cao độ chuẩn thuận tiện cho công tác xử lý nội nghiệp.

3.2.3 Phần mềm POSPas của hãng TRIMBLE Sau khi thực hiện công tác bay và thu thập dữ liệu bằng thiết bị bay

không người lái Stormbee S20, tiến hành nhập dữ liệu từ các nguồn trên thiết bị Faro Focus S350-A và các dữ liệu trên hệ thống máy bay vào phần mềm POSPac (Hình 9) để xử lý.

3.2.4 Phần mềm BEEFLEX của hãng STORMBEE Từ dữ liệu đã xử lý từ phần mềm POSPac, tiến hành nhập dữ liệu thu

được vào phần mềm Beeflex như Hình 10 để chọn vùng dữ liệu đã quét xuất dữ liệu này ra định dạng 3D Point Cloud (Hình 10).

Hình 8. Xử lý dữ liệu từ thiết bị P50 trên phần mềm CYCLONE

12.201942

Hình 9. Xử lý dữ liệu từ thiết bị STORMBEE UAV S20 trên phần mềm POSPac

Hình 10. Xử lý dữ liệu từ thiết bị STORMBEE trên phần mềm BEEFLEX Kết quả đã được xử lý từ dữ liệu của thiết bị bay Stormbee S20 được nhập

vào phần mềm CYCLONE (Hình 11). 3.3 Quy trình kết hợp dữ liệu đám mây điểm từ các thiết bị 3D Laser

Scanning Từ các dữ liệu đám mây điểm đã được phân tích và xử lý dựa trên các

phần mềm đến từ các hãng nêu trên, tiến hành xuất các dữ liệu đám mây điểm này về chung một định dạng tập tin là (*.E57).

Sau quá trình nghiên cứu, phần mềm Cyclone của hãng Leica là phần mềm có thể kết hợp dữ liệu từ các nguồn thiết bị và tối ưu hóa dữ liệu và cho ra sản phẩm tốt nhất. Bên cạnh đó phần mềm này cho phép xuất ra các định dạng trong hệ sinh thái của Autodesk.

Dưới đây là kết quả kết hợp dữ liệu đám mây điểm từ các thiết bị 3D Laser Faro Focus S350-A, Leica RTC 360, Leica P50, Stormbee UAV S20 (Hình 12 và Hình 13) và mỗi điểm đám mây trên mô hình đều có tọa độ, cao độ và thông số màu:

Hình 11. Kết quả dữ liệu 3D từ thiết bị STORMBEE UAV S20

Hình 12. Kết quả kết hợp dữ liệu đám mây điểm từ các thiết bị theo màu thực

Hình 13. Kết quả kết hợp dữ liệu đám mây điểm từ các thiết bị theo thang màu

4. Kết luận Trong nghiên cứu này, dữ liệu đám mây điểm được áp dụng cho công

trình xây dựng đã được thu thập bằng cách sử dụng thiết bị 3D Laser Scanning tại các trạm trên mặt đất kết hợp với thu thập dữ liệu trên không từ các thiết bị UAV nhằm đảm bảo thu thập đầy đủ thông tin dữ liệu của công trình. Bên cạnh đó dữ liệu thu được từ các nguồn thiết bị là hàng tỷ điểm đám mây và mỗi điểm đám mây này đều chứa thông tin tọa độ (X,Y,Z) và các thông số về màu sắc. Độ chính xác của công nghệ 3D Laser Scanning hiện nay là rất tốt. Độ chính xác của dữ liệu thu thập được độc lập cũng như dữ liệu tích hợp sẽ được tiếp tục nghiên cứu sâu hơn.

Quy trình xử lý dữ liệu bên trên đã chứng minh được tính khả thi của việc tích hợp dữ liệu từ nhiều nguồn khác nhau. Điều này càng thúc đẩy cho việc ứng dụng 3D Laser Scanning trong lĩnh vực xây dựng. Việc ứng dụng công nghệ 3D Laser Scanning trong các công tác khảo sát, thiết kế, kiểm định công trình và ứng dụng của nó trong việc xây dựng mô hình BIM phục vục cho công tác quản lý xây dựng là một định hướng khả thi và hiệu quả trong tương lai.

Lời cảm ơn: Dữ liệu, thiết bị phục vụ cho nghiên cứu này được tài trợ từ công ty cổ phần tư vấn thiết kế Cảng-Kỹ thuật Biển (Portcoast). Nhóm nghiên cứu xin gửi lời cảm ơn trân thành đến quý công ty, bộ môn Thi công và Quản lý xây dựng (Đại học Bách Khoa TPHCM), và các kỹ sư tham gia thực hiện dự án đã hỗ trợ để hoàn thành nghiên cứu này.

TÀI LIỆU THAM KHẢO

1. Urbancic, T., Roskar, Z., Fras, M. (2019). Grigillo, D., New Target for Accurate Terrestrial Laser Scanning and Unmanned Aerial Vehicle Point Cloud Registration. Sensors. Sensors 2019, 19, 3179; doi:10.3390/s19143179, pp. 1-29.

2. Kubotal, S., Ho, C., Nishi, K., (2019). Construction and Usage of Three-dimensional Data for Road Structures Using Terrestrial Laser Scanning and UAV with Photogrammetry. ISARC 2019.

3. Sasak, J., Gallay, M., Kanuk, J., Hofier, J., Minar, J. (2019). Combined Use of Terrestrial Laser Scanning and UAV Photogrammetry in Mapping Alpine Terrain. Remote sensing. Remote Sens. 2019, 11, 2154; doi:10.3390/rs11182154, pp. 1-25.

4. Dang, Q., et al. (2019). 3D Laser scanning-The Applications of Point Cloud Model in Quality Assurance, Quality Control, And Construction Site Inspection. The 5th Science and Technology Symposium for OISP Students. pp. 1-5.

5. FARO, 2019. “Training manual for SCENE”. 1st ed. [pdf file]. USA. Available at https://faro.app.box.com/s/7v2xdi8j6id4wf9g5jlledha18s9506b/file/438034801350/ [Accessed 8 Oct. 2019].

6. Leica, 2017. “Leica Cyclone Basic User Manual”. 1st ed. [pdf file]. USA. Available at https://www.sdm.co.th/pdf/Cyclone%20Basic%20Tutorial.pdf/ [Accessed 12 Nov. 2019].

STORMBEE, 2018. “Stormbee User Manual” 1.1 ed. [pdf file]. Belgium. Available at https://www.stormbee.com/wp-content/uploads/2018/12/Stormbee-User-Manual-1.1-revision-2018-09-30.pdf/ [Accessed 11 August. 2019]

Ứng xử của kết cấu kính ghép dưới tác dụng của nhiệt độ Behavior of dual glass structure under the effects of temperature

Đoàn Tấn Thi, Nguyễn Mai Chí Nghĩa

TÓM TẮT: Bài báo này nghiên cứu khả năng chịu lực và ứng xử của kết cấu kính ghép khi chịu tác dụng của nhiệt độ. Chương trình

thực nghiệm được tiến hành trên 14 mẫu với sự thay đổi chiều

dày lớp polyvinyl butyral (PVB), thay đổi chiều dày kính và

được thí nghiệm ở các mức nhiệt độ khác nhau, đồng thời bài

báo cũng tiến hành thực hiện khảo sát bằng việc mô phỏng số trên phần mềm ANSYS v19.0. Kết quả thu được từ nghiên cứu

thực nghiệm và mô phỏng số được so sánh với nhau để có

những đánh giá đầy đủ nhất về loại kết cấu này.

Từ khóa:. Kính ghép, polyvinyl butyral (PVB), nhiệt độ ABSTRACT: This paper studies the bearing capacity and behavior of

laminated glass structure under the effect of temperature. The

experimental program was conducted on 14 samples with

changes in thickness of polyvinyl butyral layer (PVB), changes

in glass thickness and tested at different temperatures, and the

paper also conducted experiments. Survey by numerical

simulation on the software ANSYS v19.0. The results obtained

from experiment research and numerical simulation are

compared with each other to get the most complete assessment

of this type of structure.

Keywords: Dual glass, polyvinyl butyral (PVB), temperature.

Đoàn Tấn Thi Trường Đại học Giao thông Vận tải Nguyễn Mai Chí Nghĩa Trường Đại học Giao thông Vận tải

1. ĐẶT VẤN ĐỀ Ngày nay kính ghép cường lực hay bán cường lực thường được sử

dụng cho công trình cao tầng do tính thẩm mỹ cao, tính an toàn và khả năng chịu lực lớn. Khi kính ghép vỡ, những mảnh vỡ sẽ dính vào lớp film xen giữa, và chúng được giữ lại với nhau, không bị văng ra ngoài. Vấn đề an toàn của sản phẩm chính là ngăn chặn được sự nguy hiểm, rủi ro do việc vỡ kính gây ra, bảo vệ tốt cho công trình, chống lại các hành vi cố ý phá hoại bằng súng, nổ và cháy. Vậy nên phần lớn kính ghép cường lực dùng làm tường bao che trong suốt chịu tải trọng gió ở bên ngoài. Một số trường hợp thì dùng kính ghép để cách âm và trang trí.

Kính ghép được tạo thành từ việc ghép các lớp kính lại với nhau có lớp vật liệu polyme xen giữa. Thông thường PVB (polyvinyl butyral)

được sử dụng như vật liệu polyme xen giữa của kính ghép. Khả năng chịu lực của kính ghép bị ảnh hưởng bởi yếu tố quan trọng là nhiệt độ, trong đó những thuộc tính của vật liệu xen giữa bị thay đổi đáng kể, đặc biệt khi nhiệt độ tăng cao.

Việc nghiên cứu ứng xử của kính ghép là rất quan trọng nhằm biết rõ thuộc tính vật lý của các lớp kính cũng như thuộc tính vật lý và cơ học của vật liệu xen giữa. Đặc biệt nhiệt độ và tốc độ gia tải ảnh hưởng mạnh mẽ đến thuộc tính của lớp vật liệu polyme xen giữa, và do đó ảnh hưởng trực tiếp đến sức chịu tải của kết cấu kính ghép.

Ứng xử uốn của kính ghép phụ thuộc vào khả năng chống cắt và độ cứng của lớp film xen giữa. Khả năng chống trượt của vật liệu polyme xen giữa kính ghép phụ thuộc nhiều vào nhiệt độ, tốc độ gia tải và thời gian chịu tải. Do đó ứng xử trượt của vật liệu film xen giữa và 2 lớp kính cường lực cần được tìm hiểu tại các mức nhiệt độ khác nhau của chương trình thí nghiệm.

2. NGHIÊN CỨU THỰC NGHIỆM 2.1. Chương trình thí nghiệm 2.1.1. Sơ đồ thí nghiệm

Hình 2.1: Phương pháp thí nghiệm uốn 4 điểm. Trong đó: 1. Mẫu thí nghiệm 1100x360mm;

2. Gối gây uốn; 3. Gối đỡ; 4. Dải cao su; 5. Dầm phân tải 2.1.2. Tốc độ gia tải Các mẫu thí nghiệm được uốn (theo tiêu chuẩn EN 1288-3:2000[1])

với tốc độ không đổi là 20mm/phút cho đến khi mẫu bị phá hoại.

Hình 2.2: Thiết bị thí nghiệm