Cầu là thành phần cơ sở hạ tầng thiết yếu cho sự đi lại an toàn của công chúng và sự bền vững của nền kinh tế. Việc giám sát, bảo trì và phục hồi cơ sở hạ tầng dân dụng bao gồm cầu, đường là điều tối quan trọng ở cấp quốc gia và quốc tế. Bài viết này trình bày về các phương pháp điều tra không phá huỷ (Non-destructive Evaluation – NDE) cho cầu, bao gồm: radar xuyên đất (Ground Penetrating Radar – GPR); âm thanh tác động (Impact Echo – IE); điện trở suất (Electrical Resistivity – ER), và hình ảnh trực quan. Những phương pháp NDE này được tổng hợp từ các nghiên cứu gần đây cho điều tra cầu. Robot tích hợp các cảm biến NDE cũng được đề cập nhằm thể hiện ưu điểm của việc dùng robot vào tự động hoá điều tra cầu. Robot với hệ thống định vị chính xác cao sẽ giúp việc lấy dữ liệu NDE hiệu quả và giúp cho việc xây dựng các bản đồ điều kiện của mặt cầu nhanh và chính xác.
Bối cảnh chung về cầu và điều tra cầu tại Việt Nam
Việt Nam có rất nhiều sông ngòi, kênh rạch, nên mật độ các cây cầu phục vụ giao thông, đi lại rất lớn. Ước tính có khoảng 10 triệu cây cầu trên thế giới với tuổi trung bình là 40 năm. Việt Nam có khoảng 6.000 cầu với tổng chiều dài hơn 194 km; số lượng này sẽ tăng lên nhanh trong tương lai (số liệu năm 2013) [1]. Cầu thường phải chịu mức độ hư hỏng khác nhau do hao mòn cơ học và điều kiện thời tiết, bảo trì không đầy đủ hay thiếu sót trong kiểm tra và đánh giá [2]. Chi phí kiểm tra, sửa chữa và thay thế các cầu cao tốc bị hư hỏng được ước tính hơn nghìn tỉ đồng; ví dụ, chi phí đại tu lần 3 cho cầu Thăng Long lên tới hơn 269 tỷ đồng [3]. Rất nhiều cầu sập không những ở Việt Nam mà cả trên thế giới làm hàng ngàn người chết (Hình 1) là những cảnh báo mạnh mẽ cho việc sử dụng công nghệ không đầy đủ để đánh giá chính xác tình trạng của cầu [4].
Trong số các loại cơ sở hạ tầng dân dụng khác nhau, nhu cầu bảo trì và đánh giá các cây cầu được nhấn mạnh bởi các nghiên cứu trong quá khứ [5, 6]. Nhu cầu đánh giá và giám sát cơ sở hạ tầng công cộng là quan trọng, vì một số lượng lớn dân cư sử dụng các cơ sở hạ tầng hàng ngày. Bất kỳ khuyết tật cấu trúc nào không được kiểm soát trong một thời gian dài có thể dẫn đến những mối nguy hiểm nghiêm trọng cho dân thường sử dụng cơ sở hạ tầng.
Hiện tại, việc đánh giá và kiểm tra chất lượng cầu thường áp dụng phương pháp không phá hủy (NDE) [7, 8] cho việc điều tra chất lượng cầu (Hình 2). Việc đánh giá, giám sát và khôi phục cầu kịp thời có thể làm giảm chi phí trực tiếp tổng thể cũng như chi phí gián tiếp về khả năng phá hủy tài sản và tính mạng phát sinh sau khi cầu bị phá hủy. Các kỹ thuật đánh giá không phá hủy có khả năng giảm thiểu tổng chi phí trực tiếp và gián tiếp liên quan đến việc bảo trì, bảo dưỡng và đại tu các cây cầu [8]. Dựa trên nhận thức này, một số sáng kiến cấp quốc gia đã được phát triển ở Hoa Kỳ; ví dụ, chương trình Hiệu suất cầu dài hạn (LTBP) do Cục Quản lý Đường cao tốc Liên bang Hoa Kỳ (FHWA) khởi xướng với mục tiêu chính là thúc đẩy việc sử dụng các công nghệ và kỹ thuật NDE để kiểm tra và bảo dưỡng cầu thường xuyên [9]. Các phương pháp NDE thường bao gồm: radar xuyên đất (GPR), âm thanh tác động (IE), sóng siêu âm bề mặt (Ultrasonic Surface Wave – USW), thế bán tế tế bào pin (Half-cell Potential – HPC), điện trở xuất (ER), hình ảnh trực quan.
Phương pháp trực quan
Phương pháp này sử dụng máy ghi hình để chụp ảnh bề mặt cầu. Máy ghi hình thường được gắn trên xe ô-tô hoặc robot di động [9, 10]. Các hình ảnh được ghi lại và xử lý để tìm ra vết nứt trên bề mặt cầu. Để tiện lợi và hiệu quả, các hình ảnh được ghép lại với nhau thành một hình ảnh lớn và tổng thể cho toàn bộ mặt cầu. Đối với một số cầu dài (trên 1 km), ghép hình rất hữu ích trong việc quản lý và giám sát chất lượng mặt cầu. Ví dụ như các vết nứt sẽ được đánh giá theo thời gian, nếu vứt nứt phát triển lớn thì cần bảo dưỡng và sửa chữa mặt cầu.
Các phần mềm học sâu như Mạng thần kinh tích chập (Convolutional Neural Networks – CNN) được phát triển để tự động tìm ra vết nứt [11]. CNN được đào tạo với hàng ngàn hình ảnh của các mặt cầu khác nhau. Khi đào tạo xong, CNN sẽ tự động phân loại hình ảnh có vết nứt hoặc không [28]. CNN cũng được đào tạo để có thể phân loại chi tiết đến từng pixel. Phương pháp phân loại theo pixel cho phép nhận diện chính xác vết nứt đến từng mm hoặc vết nứt nhỏ như sợi tóc [11]. Các vết nứt sau đó được hiệu chỉnh với toạ độ của cầu để xây dựng thành bản đồ vết nứt của toàn mặt cầu tạo điều kiện tiện lợi cho giám sát (Hình 4).
Phương pháp điện trở suất – ER
Phương pháp ER (Hình 5) được sử dụng để đánh giá môi trường ăn mòn của bê-tông và có thể dẫn đến ăn mòn cốt thép [12]. Để tiến hành các thử nghiệm điện trở suất, điện áp và dòng điện được đo trên bề mặt của bê-tông bằng cách sử dụng một cấu trúc bố trí nhất định của các điện cực. Cách bố trí điện cực đơn giản và phổ biến nhất trong các ứng dụng kỹ thuật dân dụng là mảng Wenner (Hình 5). Dòng điện (I) được đặt giữa hai điện cực ngoài cùng và điện thế (U) được đo trên hai điện cực bên trong. Điện trở suất (Resistivity) sau đó được tính theo: R = 2pdU/I. Giá trị đo được của R sẽ cho biết được mức độ ăn mòn của bê-tông. Cụ thể là nếu R < 5KW – mức độ ăn mòn rất cao; nếu 5KW £ R < 10KW – mức độ ăn mòn cao; nếu 10 KW £ R < 20 KW – mức độ ăn mòn khá thấp; nếu R ³ 20KW – mức độ ăn mòn thấp [13].
Một số chú ý khi dùng ER là bê-tông khô sẽ tạo ra một lực cản cao đối với dòng điện chạy qua, và do đó sẽ không thể hỗ trợ dòng i-ông; mặt khác, sự hiện diện nhiều của nước và clorua trong bê-tông, và tăng độ xốp do hư hỏng và nứt, sẽ làm tăng dòng i-ông và làm giảm điện trở suất. Do vậy để tạo ra môi trường dẫn điện tốt thì phun nước xuống bê-tông với mức độ vừa phải và chờ cho nước ngấm xuống bê-tông mới tiến hành đo ER. Có thể hiểu rằng, nếu nước nhiều và vẫn còn trên bề mặt bê-tông thì giá trị R đo được là điện trở của nước chứ không phải của bê-tông; nếu ít nước quá thì bê-tông vẫn khô và không tạo ra được môi trường dẫn điện tốt làm R đo được không chính xác (thường hiển thị trên thiết bị ER, Hình 5-trái, giá trị OL, hay overload).
Từ kết quả R đo được gắn với vị trí đo trên mặt cầu sẽ cho phép chúng ta vẽ được bản đồ điều kiện của mặt cầu như trong Hình 6.
Màu đỏ thẫm được dùng cho những vùng bị ăn mòn rất cao, màu nâu cho vùng không bị ăn mòn hay rất thấp, v.v. Như vậy có thể thấy về cơ bản mặt cầu trong Hình 6 là tốt vì chỉ có một vài vùng nhỏ bị ăn mòn cao, phần lớn không bị.
Phương pháp rada xuyên đất – GPR
Phương pháp GPR cung cấp một khảo sát phản xạ sóng điện từ. Nó sử dụng radar tần số cao vi sóng (100 MHz đến 3 GHz) để đánh giá các tính năng dưới bề mặt. Tín hiệu radar đi qua vật liệu điện môi. Một phần năng lượng của tín hiệu sẽ phản xạ lại lên bề mặt nếu tín hiệu tiếp xúc với các vật liệu khác nhau từ không khí đến mặt đất, từ bê-tông đến cốt thép. Tín hiệu GPR không thể xuyên qua kim loại, do đó nó sẽ được phản ánh nhiều nhất. Bằng cách nắm bắt thời gian bay của các tín hiệu phản xạ và biên độ, người ta có thể ước tính độ sâu mục tiêu dưới bề mặt và tình trạng của nó. GPR thường đánh giá tình trạng của mặt cầu bê-tông dựa trên sự suy giảm của sóng điện từ ở mức cốt thép trên cùng (Hình 7). Phản xạ cốt thép mạnh (hình pa-ra-bôn rõ) thể hiện cốt thép còn tốt. Ngược lại phản xạ cốt thép yếu (hình pa-ra-bôn mờ) thể hiện cốt thép có thể đã bị ăn mòn.
Các hình pa-ra-bôn được tách ra cùng với biên độ của nó. Dựa trên biên độ của tín hiệu chúng ta có thể xây dựng được bản đồ điều kiện của mặt cầu như Hình 8. Những vùng màu đỏ thể hiện các cốt thép bên trong mặt cầu đã bị ăn mòn nhiều. Vùng màu vàng các cốt thép có thể bị ăn mòn ít. Các vùng màu xanh lá cây và xanh da trời thể hiện các cốt thép còn tốt.
Để bóc tách được các pa-ra-bôn từ hình ảnh B-scan, các phương pháp học sâu như CNN được áp dụng. Dữ liệu hình ảnh pa-ra-bôn của cốt thép từ nhiều mặt cầu khác nhau được tập hợp thành bộ dữ liệu lớn để đào tạo mô hình CNN. Sau khi đào tạo mô hình CNN sẽ phân loại được vùng ảnh có hình pa-ra-bôn hay không có với độ chính xác rất cao (> 95%). Xem nghiên cứu gần đây [16-18, 29] để biết thêm chi tiết.
Phương pháp âm thanh tác động (IE)
IE là một phương pháp NDE được sử dụng rộng rãi và đã được chứng minh là có hiệu quả trong việc xác định đặc điểm của sự tách lớp (delamination) trong kết cấu bê-tông. IE là một phương pháp dựa trên sóng đàn hồi sử dụng phản ứng rung chuyển nhất thời của kết cấu dạng tấm chịu tác động cơ học (Hình 9).
Tác động cơ học tạo ra sóng cơ (sóng P – sóng dọc; sóng S – sóng ngang) và sóng định hướng bề mặt (ví dụ: sóng bề mặt Lamb và Rayleigh) truyền trong tấm [12]. Các sóng này được phản xạ nhiều lần và được chuyển đổi chế độ cuối cùng tạo ra các bộ chế độ cộng hưởng rung động vô hạn trong tấm bê-tông. Trong thực tế, phản ứng thời gian thoáng qua của kết cấu rắn thường được đo bằng cảm biến tiếp xúc (ví dụ, cảm biến dịch chuyển hoặc gia tốc kế) được ghép với bề mặt gần với nguồn va chạm. Biến đổi Fourier (phổ biên độ) của tín hiệu thời gian thoáng qua đo được sẽ hiển thị cực đại ở các tần số nhất định, biểu thị các chế độ cộng hưởng cụ thể.
Có nhiều cách khác nhau để giải thích mức độ nghiêm trọng của sự tách lớp trong mặt cầu bê-tông bằng phương pháp IE. Một trong những cách được sử dụng được thể hiện trong Hình 10.
Một điểm kiểm tra được mô tả là rắn (bền vững) nếu tần số ưu thế tương ứng với chế độ giãn chiều dày (sóng Lamb). Về mặt lý thuyết, một điểm tách lớp trong bê-tông sẽ chứng minh sự thay đổi trong chế độ giãn chiều dày theo hướng giá trị cao hơn vì phản xạ sóng xảy ra ở độ sâu nông hơn. Tùy thuộc vào mức độ và tính liên tục của sự tách lớp, sự phân vùng của năng lượng sóng phản xạ từ đáy của tấm bê-tông và sự tách lớp có thể khác nhau. Sự tách lớp ban đầu, được mô tả là sự phân tách không thường xuyên trong chiều sâu của tấm, có thể được xác định thông qua sự hiện diện của các tần số chi phối liên quan đến các chế độ giãn chiều dày từ cả đáy bê-tông và sự tách lớp. Sự tách lớp tiến triển được đặc trưng bởi một đỉnh đơn ở tần số tương ứng với độ sâu của sự tách lớp. Cuối cùng, trong trường hợp phân tách rộng hoặc nông, phản ứng chủ đạo của bê-tông đối với tác động được đặc trưng bởi đáp ứng tần số thấp của các dao động chế độ uốn của phần phân tách phía trên của bê-tông.
Thử nghiệm IE được sử dụng để xác định phản xạ ưu thế trong bê-tông trong hầu hết các trường hợp là đáy bê-tông hoặc sự tách lớp. Do đó, vị trí của vật phản xạ có được từ tần số cộng hưởng của “sóng dừng” giữa bề mặt và vật phản xạ. Đánh giá tình trạng sàn bê-tông liên quan đến sự tách lớp, như minh họa trong Hình 9, được mô tả là tình trạng tốt, khá, kém hoặc nghiêm trọng như sau: Tốt – thiết lập bằng cách đo phản xạ mạnh từ đáy tấm bê-tông; Khá – đặc trưng bởi phản xạ gây ra phân tách độ sâu nông, gây ra sự thay đổi trong phổ đáp ứng về phía tần số cao hơn; Kém – đặc trưng bởi một đỉnh đơn ở tần số tương ứng với độ sâu của sự tách lớp; và Nghiêm trọng – chứng minh bằng đáp ứng tần số thấp của dao động chế độ uốn của phần trên, phần tách lớp, của tấm bê-tông.
Trong Hình 10: vùng màu đỏ chỉ ra bê-tông bị tách lớp nghiêm trọng; vùng màu vàng chỉ ra bê-tông đã bị tách lớp; vùng màu xanh lá cây và xanh da trời chỉ ra bê-tông không bị tách lớp.
Robot tích hợp cảm biến NDE
Công nghệ NDE thường được vận hành thủ công, do đó khó có thể đáp ứng nhu cầu ngày càng tăng đối với kiểm tra nhanh, hiệu quả cao và đảm bảo an toàn. Mặt khác, do dữ liệu NDE được thu thập thủ công nên dễ bị lỗi do người vận hành làm cho đánh giá không toàn diện, tiến độ chậm, chi phí cao do công việc đòi hỏi nhiều lao động và tác động tiêu cực đến lưu lượng giao thông. Quan trọng hơn, hoạt động NDE thủ công làm cho người vận hành gặp rủi ro và nguy hiểm do làm việc trong điều kiện giao thông mở.
Do vậy các hệ thống robot tích hợp các cảm biến NDE đã được phát triển gần đây, nổi bật là RABIT [9, 10] dưới sự tài trợ của FHWA. Các robot khác sau đó cũng được phát triển để có thể điều tra những vùng khó truy cập hơn như sàn nhà của các toà nhà đỗ xe ô-tô cao tầng [19, 30, 31]. Ngoài cầu bê-tông, các robot cũng được phát triển cho điều tra các cầu sắt [32, 33]. Các robot này có khả năng leo trèo trên các cấu trúc sắt của cầu để đo dữ liệu nhằm tìm ra các vết nứt, mối hàn hư hỏng, bu-lông, ốc vít lỏng, v.v. Robot có các hệ thống định vị chính xác cao nhờ dùng GPS kết hợp với các cảm biếm khác như IMU, LiDAR và camera. Do vậy, vị trí lấy dữ liệu NDE được định vị chính xác cao giúp cho việc xây dựng bản đồ chất lượng mặt cầu hoặc cấu trúc cầu dễ dàng và chính xác.
Nhóm nghiên cứu của chúng tôi thuộc Phòng nghiên cứu Tiên tiến về Robot và Tự động Hoá (https://ara.cse.unr.edu/), ĐH Nevada, Hoa Kỳ, đã tập trung vào việc phát triển các hệ thống robot điều tra mặt cầu và các cấu trúc bê-tông như sàn nhà đỗ xe ô-tô cao tầng, đường băng, cảng biển, v.v. (Hình 11).
Hệ thống định vị chính xác cao cho robot nhờ bộ lọc Kalman [20] cho các cảm biến GPS, IMU, LiDAR và camera cho phép robot định hướng và thu thập dữ liệu hiệu quả. Robot được tích hợp nhiều cảm biến NDE bao gồm GPR, IE, ER, và các camera hình ảnh và nhiệt hồng ngoại để kiểm tra sâu bên trong mặt cầu và các cấu trúc bê-tông [21].
Nhóm cũng đã phát triển các robot leo trèo cho điều tra cầu sắt bao gồm robot leo mặt thép phẳng (Hình 12a, b), leo mặt thép cong hay lồi lõm (Hình 12c, d) và leo bề mặt khớp phức tạp (Hình 12e). Các robot này được tích hợp cảm biến dòng xoáy (Eddy Current) và camera để phát hiện vết nứt bề mặt, bu lông lỏng, các mối hàn khuyết tật [22-26]. Nhóm hiện cũng đang phát triển các thuật toán tổng hợp cảm biến NDE để cung cấp khả năng kiểm tra trực tuyến cho những robot này [19].
Gần đây, dưới sự tài trợ của Quỹ VinIF – Tập đoàn Vingroup, công ty Automated Inspection Robots (AIR) Việt đang nghiên cứu và phát triển các hệ thống robot lai tạo để vừa có khả năng leo trèo và vừa có khả năng bay nhằm phục vụ việc điều tra cầu sắt và các cấu trúc sắt thuận tiện hơn. Công ty AIR Việt cũng đang phát triển hệ thống xe ô-tô gắn cảm biến NDE để lấy dữ liệu và điều tra mặt cầu nhanh và an toàn.
Đánh giá chung về các phương pháp
Phương pháp điều tra trực quan bằng camera có thể cung cấp và định vị nhanh, chính xác các vết nứt trên bề mặt cầu nhờ việc ứng dụng các thuật toán học sâu như CNN, tuy nhiên không cung cấp được độ sâu hay vết nứt ẩn bên trong cấu trúc bê-tông. Các phương pháp như GPR, IE và ER có thể không tìm ra được vết nứt bề mặt nhưng lại tìm được các khuyết tật bên trong bê-tông như cốt thép bị ăn mòn, bê-tông bị bóc tách và bê-tông bị ăn mòn. Do vậy việc kết hợp các pháp điều tra trực quan bằng camera và các phương pháp NDE khác như GPR, IE và ER sẽ cho phép chúng ta đánh giá chất lượng mặt cầu đầy đủ và chính xác hơn là dùng một phương pháp riêng biệt. Việc phát triển các robot tích hợp các cảm biến NDE thể hiện ưu điểm của việc dùng robot vào tự động hoá điều tra cầu.
Tác giả: PGS.TS. La Mạnh Hùng, Giám đốc Phòng Nghiên cứu Tiên tiến về Robot và Tự động hoá (ARA), Đại học Nevada, Hoa Kỳ.
Biên tập: Quỹ đổi mới sáng tạo Vingroup (VinIF).
Tài liệu tham khảo
[1] T. T. Nguyen and H. T. Dinh, “Proposed Maintenance Strategies for Highway Concrete Bridges in Vietnam,” Journal of the Eastern Asia Society for Transportation Studies, vol. 10, pp. 468-481, 2013.
[2] FHWA, “U.S. Department of Transportation Federal Highway Administration,” 2016. [Online]. Available: http://www.fhwa.dot.gov/bridge/nbi.cfm.
[3] Soha, “Toàn cảnh công trường sửa chữa cầu Thăng Long,” 2020. [Online]. Available: https://soha.vn/toan-canh-cong-truong-sua-chua-cau-thang-long-20200825141700638.htm.
[4] NBIS, “National Bridge Inspection Standards,” 2018. [Online]. Available: https://www.fhwa.dot.gov/bridge/inspection/.
[5] Wright, L.; Chinowsky, P.; Strzepek, K.; Jones, R.; Streeter, R.; Smith, J.B.; Mayotte, J.-M.; Powell, A.; Jantarasami, L.; Perkins, W., “Estimated effects of climate change on flood vulnerability of U.S. bridges.” Mitig. Adapt. Strat. Glob. Chang. 2012, 17, 939–955.
[6] Kirk, S.R.; Mallett, J.W., “Highway Bridge Conditions: Issues for Congress,” Congressional Research Service: Washington, DC, USA, 19 December 2013.
[7] TRB “New Guidelines for NDE Bridge Inspection Methods,” 2017. [Online]. Available: http://onlinepubs.trb.org/onlinepubs/nchrp/nchrp_readyresult_08.pdf.
[8] H. Ahmed and H. M. La, and N. Gucunski. “ Review of Non-Destructive Civil Infrastructure Evaluation for Bridges: State-of-the-art Robotic Platforms, Sensors and Algorithms.” Sensors, 20, 3954, pages 1-38, July 2020. http://dx.doi.org/10.3390/s20143954.
[9] N. Gucunski, S. H. Kee, H. M. La, B. Basily, and A. Maher, “Delamination and concrete quality assessment of concrete bridge decks using a fully autonomous RABIT platform.” International Journal of Structural Monitoring and Maintenance, Vol. 2, No. 1, pp. 19-34, 2015.
[10] H. M. La, N. Gucunski, K. Dana, and S. H. Kee, “Development of an Autonomous Bridge Deck Inspection Robotic System.” Journal of Field Robotics, Wiley publisher, Volume: 34, Issue: 8, Pages: 1489 – 1504, Dec. 2017.
[11] U-H. Billah, H. M. La, and A. Tavakkoli, “Deep Learning Based Feature Silencing for Accurate Concrete Crack Detection.” Sensors 2020, 20(16), 4403; https://doi.org/10.3390/s20164403.
[12] H. M. La, N. Gucunski, S. H. Kee, and L. V. Nguyen, “Data analysis and visualization for the bridge deck inspection and evaluation robotic system.” Journal of Visualization in Engineering, Springer publisher, 3:6, February 2015.
[13] FHWA “Electrical Resistivity, ” 2015. [Online]. Available: https://fhwaapps.fhwa.dot.gov/ndep/DisplayTechnology.aspx?tech_id=10.
[14] ASTM. Standard test method for evaluating asphalt-covered concrete bridge decks using ground penetrating radar. West Conshohocken, PA, 0(0), 2008.
[15] K. Dinh, N. Gucunski, J. Y. Kim, T. Duong, and H. M. La, Attenuation-based Methodology for Condition Assessment of Concrete Bridge Decks using GPR, The 32nd International Symposium on Automation and Robotics in Construction and Mining (ISARC), pages 1-8, June 15-18, 2015, Oulu, Finland.
[16] H. Ahmed, H. M. La, and G. Pekcan. Rebar Detection and Localization for Non-Destructive Infrastructure Evaluation using Deep Residual Networks, the 14th International Symposium on Visual Computing (ISVC), Oct. 7-9, 2019, Lake Tahoe, NV, USA.
[17] H. Ahmed, H. M. La, and N. Gucunski. Rebar Detection using Ground Penetrating Radar with State-of-the-art Convolutional Neural Networks. In proceedings of the 9th International Conference on Structural Health Monitoring of Intelligent Infrastructure (SHMII-9), August 4-7, St. Louis, Missouri, 2019.
[18] H. Ahmed and H. M. La, and K. Tran. Rebar Detection and Localization for Bridge Deck Inspection and Evaluation using Deep Residual Network. Journal of Automation in Construction, Elsevier publisher, August 2020. (Accepted).
[19] S. Gibb, H. M. La, T. Le, L. Nguyen, R. Schmid, and H. Pham. Non-Destructive Evaluation Sensor Fusion with Autonomous Robotic System for Civil Infrastructure Inspection. Journal of Field Robotics, Wiley publisher, Volume35, Issue6, September 2018, Pages 988-1004. DOI:10.1002/rob.21791.
[20] H. M. La, R. S. Lim, B. B. Basily, N. Gucunski, J. Yi, A. Maher, F. A. Romero, and H. Parvardeh, Mechatronic and control systems design for an autonomous robotic system for high-efficiency bridge deck inspection and evaluation, IEEE Transactions on Mechatronics, pp. 1655-1664, Vol. 18, No. 6, December, 2013.
[21] L. Nguyen, S. Gibb, H. X. Pham, and H. M. La. A Mobile Robot for Automated Civil Infrastructure Inspection and Evaluation. Proceedings of the 16th IEEE International Symposium on Safety, Security, and Rescue Robotics (SSRR), August 6-8, 2018, Philadelphia, PA, USA.
[22] S. T. Nguyen and H. M. La, “Development of a Steel Bridge Climbing Robot,” In: Proceedings of IEEE International Conference on Intelligent Robots and Systems (IROS), pp. 1912-1917, 2019.
[23] H-D. Bui, S. T. Nguyen, U-H. Billah, C. Le, A. Tavakkoli, H. M. La. Control Framework for a Hybrid-steel Bridge Inspection Robot. In Proceedings of the 2020 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Las Vegas, Nevada, USA, October 25 – 29, 2020.
[24] S. T. Nguyen, A. Q. Pham, C. Motley and H. M. La. A Practical Climbing Robot for Steel Bridge Inspection. In Proceedings of the 2020 IEEE International Conference on Robotics and Automation (ICRA), May 31-June 4, 2020, Paris, France.
[25] A. Q. Pham, H. M. La, K. T. La, M. T. Nguyen. A Magnetic Wheeled Robot For Steel Bridge Inspection. International Conference on Engineering Research and Applications (ICERA), December 1-2, 2019, Thai Nguyen, Vietnam.
[26] S. T. Nguyen, H. M. La. Development of a Steel Bridge Climbing Robot. In Proceedings of the 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Macau, China, November 3 – 8, 2019.
[27] S. T. Nguyen, and H. M. La. Roller Chain-Like Robot For Steel Bridge Inspection. In proceedings of the 9th International Conference on Structural Health Monitoring of Intelligent Infrastructure (SHMII-9), August 4-7, St. Louis, Missouri, 2019.
[28] S. Gibb, H. M. La, S. Louis. A Genetic Algorithm for Convolutional Network Structure Optimization for Concrete Crack Detection. Proceedings of the 2018 IEEE Congress on Evolutionary Computation (IEEE CEC), July 8-13, 2018, Rio de Janeiro, Brazil.
[29] S. Gibb, and H. M. La. Automated Rebar Detection for Ground-Penetrating Radar. The 12th International Symposium on Visual Computing (ISVC), December 12-14, 2016 Las Vegas, Nevada, USA.
[30] T. D. Le, S. Gibb, N. H. Pham, H. M. La, L. Falk, and T. Berendsen. Autonomous Robotic System using Non-Destructive Evaluation methods for Bridge Deck Inspection. In Proceedings of the 2017 IEEE International Conference on Robotics and Automation (ICRA), May 29-June 3, 2017, Singapore.
[31] S. Gibb, T. D. Le, H. M. La, R. Schmid, and T. Berendsen. A Multi-functional Inspection Robot for Civil Infrastructure Evaluation and Maintenance. In Proceedings of the 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), September 24-28, 2017, Vancouver, Canada.
[32] N. H. Pham, and H. M. La. Design and Implementation of an Autonomous Robot for Steel Bridge Inspection. In Proceedings of the 54th Annual Allerton Conference on Communication, Control, and Computing, pages 1-8, Sept. 27-30, 2016, Urbana-Champaign, Illinois, USA.
[33] H. M. La, T. Dinh, N. Pham, Q. Ha, and A. Pham. Automated robotic monitoring and inspection of steel structures and bridges. Robotica, Cambridge University Press, Volume 37, No. 5, pages 947-957, May 2019.