# Dataset Cầu Z24 - KULEUVEN

## Giới Thiệu Dataset

Dataset Cầu Z24 là một bộ dữ liệu chuẩn quan trọng trong nghiên cứu Giám sát Sức khỏe Kết cấu (SHM), được thu thập tại cầu Z24 ở Thụy Sĩ bởi đại học KULEUVEN (Katholieke Universiteit Leuven). Dataset này được sử dụng rộng rãi trong nghiên cứu giám sát sức khỏe kết cấu và phát hiện hư hỏng.

## Thông Tin Cầu Z24

**Cầu Z24** là một cây cầu bê tông cốt thép prestressed hai nhịp được xây dựng năm 1963 tại Thụy Sĩ với các thông số kỹ thuật:

- **Tổng chiều dài**: 60m (2 nhịp × 30m mỗi nhịp)
- **Chiều rộng**: 8.3m  
- **Cấu trúc**: Dầm hộp bê tông prestressed
- **Loại cầu**: Hai nhịp liên tục
- **Năm xây dựng**: 1963
- **Thời gian thu thập dữ liệu**: 1998 (trước khi phá hủy có kiểm soát)

## Cấu Trúc Dataset

### Dữ Liệu Gốc Ban Đầu
```
Kích thước: (17, 9, 27, 65530)
```

**Ý nghĩa các chiều:**
- **17**: Số lượng scenarios/điều kiện thử nghiệm
- **9**: Số lượng setups/cấu hình đo đạc
- **27**: Số lượng sensors/điểm đo
- **65530**: Độ dài time points trong mỗi phép đo

### Sau Xử Lý Làm Sạch Dữ Liệu
```
Kích thước: (17, 9, 27, 60000)
```

**Các bước xử lý:**
- Loại bỏ 5530 điểm dữ liệu bị lỗi hoặc thiếu
- Chuẩn hóa độ dài time series về 60000 samples
- Giữ nguyên layout của sensor và setup

### Dữ Liệu Cuối Cùng (Đã Reshape)
```
Kích thước: (1530, 27, 6000)
```

**Quá trình reshape:**
- **1530 = 17 × 9 × 10**: Tổng số segments đo đạc
  - 17 scenarios
  - 9 setups
  - 10 segments được chia từ mỗi time series dài
- **27**: Số lượng sensors (không thay đổi)
- **6000 = 60000 ÷ 10**: Mỗi segment chứa 6000 time samples

## Thông Số Kỹ Thuật

### Tham Số Đo Đạc
- **Loại sensor**: Accelerometers (cảm biến gia tốc)
- **Phép đo**: Dữ liệu phản hồi rung động
- **Đơn vị**: m/s² (gia tốc)

### Điều Kiện Thu Thập Dữ Liệu
- **Điều kiện môi trường**: Có kiểm soát và tự nhiên
- **Kích thích**: Rung động môi trường, tải trọng có kiểm soát
- **Kịch bản hư hỏng**: Hư hỏng tiến triển được tạo ra một cách có kiểm soát
- **Trạng thái tham chiếu**: Phép đo baseline khi chưa hư hỏng

## Cấu Trúc Files

```
Data_Z24_processed/
├── README.md                 # File tài liệu tiếng Anh
├── README_vi.md             # File tài liệu tiếng Việt (file này)
├── inputs.npy               # Dữ liệu đầu vào (1530, 27, 6000)
├── labels.npy              # Labels cho các trạng thái hư hỏng
├── data_visualization.ipynb # Jupyter notebook để khám phá dữ liệu
├── pixi.toml               # Cấu hình môi trường
└── pixi.lock              # Dependencies đã lock
```

### Mô Tả Files

#### `inputs.npy`
- **Kích thước**: (1530, 27, 6000)
- **Loại**: numpy.float64
- **Nội dung**: Dữ liệu time-series rung động đã được tiền xử lý
- **Sensors (27)**: Accelerometers đặt tại các vị trí khác nhau trên cầu

#### `labels.npy`
- **Kích thước**: Tương ứng với số samples (1530,)
- **Loại**: Phụ thuộc vào task phân loại
- **Nội dung**: 
  - Labels trạng thái hư hỏng
  - Indicators điều kiện môi trường
  - Hoặc targets cho bài toán regression

## Ứng Dụng Nghiên Cứu

Dataset này thường được sử dụng cho:

### 1. **Phát Hiện Hư Hỏng**
- Phân loại nhị phân: hư hỏng vs không hư hỏng
- Phân loại đa lớp: các mức độ hư hỏng khác nhau
- Thuật toán phát hiện bất thường

### 2. **Định Vị Hư Hỏng**
- Định vị không gian của hư hỏng
- Kỹ thuật sensor fusion
- Phương pháp phân tích modal

### 3. **Ứng Dụng Machine Learning**
- Deep learning cho SHM
- Phương pháp trích xuất đặc trưng
- Phân loại time series
- Nghiên cứu transfer learning

### 4. **Nghiên Cứu Xử Lý Tín Hiệu**
- Xác định tham số modal
- Phân tích miền tần số
- Phân tích time-frequency
- Nghiên cứu độ bền nhiễu

## Đặc Điểm Dataset

### Ưu Điểm
- ✅ **Dữ liệu thực tế**: Thu thập từ kết cấu thực tế
- ✅ **Hư hỏng có kiểm soát**: Các kịch bản hư hỏng tiến triển
- ✅ **Nhiều sensors**: Thông tin không gian phong phú
- ✅ **Trạng thái benchmark**: Được sử dụng rộng rãi để so sánh
- ✅ **Tài liệu đầy đủ**: Có nhiều tài liệu tham khảo

### Thách Thức
- ⚠️ **Ảnh hưởng môi trường**: Biến thiên nhiệt độ, độ ẩm
- ⚠️ **Biến đổi vận hành**: Giao thông, điều kiện tải trọng
- ⚠️ **Mất cân bằng lớp**: Dữ liệu hư hỏng hạn chế so với điều kiện bình thường
- ⚠️ **Mức độ nhiễu**: Nhiễu đo đạc thực tế
- ⚠️ **Vị trí sensor**: Cấu hình sensor cố định

## Pipeline Xử Lý Dữ Liệu

```python
# Luồng xử lý dữ liệu từ raw đến final
Dữ liệu Raw (17, 9, 27, 65530)
    ↓ [scenarios, setups, sensors, timepoints]
[Làm Sạch & Kiểm Soát Chất Lượng Dữ Liệu]
    ↓
Dữ liệu Đã Làm Sạch (17, 9, 27, 60000)
    ↓
[Phân Đoạn & Reshape]
    ↓
Dữ liệu Cuối Cùng (1530, 27, 6000)
    ↓ [segments, sensors, timepoints_per_segment]
```

### Các Bước Tiền Xử Lý Đã Thực Hiện
1. **Kiểm Soát Chất Lượng**: Loại bỏ các phép đo bị lỗi
2. **Chuẩn Hóa Độ Dài**: Cắt/pad về 60000 samples
3. **Phân Đoạn**: Chia thành các segments 6000 samples
4. **Reshape**: Flatten các chiều scenario × setup × segment

## Hướng Dẫn Sử Dụng

### Load Dữ Liệu
```python
import numpy as np

# Load dữ liệu đầu vào và labels
inputs = np.load('inputs.npy')  # Kích thước: (1530, 27, 6000)
labels = np.load('labels.npy')  # Kích thước: (1530,)

print(f"Kích thước input: {inputs.shape}")
print(f"Kích thước labels: {labels.shape}")
```

### Phân Tích Cơ Bản
```python
# Phân tích thống kê
print(f"Phạm vi input: [{inputs.min():.4f}, {inputs.max():.4f}]")
print(f"Trung bình input: {inputs.mean():.4f}")
print(f"Độ lệch chuẩn input: {inputs.std():.4f}")

# Phân bố labels
unique_labels, counts = np.unique(labels, return_counts=True)
print(f"Labels duy nhất: {unique_labels}")
print(f"Số lượng mỗi label: {counts}")
```

### Visualization
Sử dụng notebook `data_visualization.ipynb` được cung cấp để visualize và khám phá dataset.

## Tài Liệu Tham Khảo

### Papers Chính
1. **Worden, K., & Manson, G.** (2007). The application of machine learning to structural health monitoring. *Philosophical Transactions of the Royal Society A*, 365(1851), 515-537.

2. **Reynders, E., et al.** (2008). Output-only structural health monitoring in changing environmental conditions by means of nonlinear system identification. *Structural Health Monitoring*, 7(4), 243-268.

3. **Maeck, J., & De Roeck, G.** (2003). Dynamic bending and torsion stiffness derivation from modal curvatures and torsion rates. *Journal of Sound and Vibration*, 265(1), 153-170.

### Tài Liệu Dataset
- **KULEUVEN SHM Database**: Nhóm nghiên cứu Giám sát Sức khỏe Kết cấu
- **Z24 Bridge Benchmark**: Chuẩn cộng đồng trong nghiên cứu SHM
- **Nghiên cứu Gốc**: Tìm kiếm tài liệu với từ khóa "Z24 bridge" + "KULEUVEN"

## Liên Hệ & Hỗ Trợ

- **Trường**: KULEUVEN (Katholieke Universiteit Leuven)
- **Khoa**: Civil Engineering (Kỹ thuật Xây dựng)
- **Nhóm Nghiên Cứu**: Structural Mechanics (Cơ học Kết cấu)
- **Website**: [KULEUVEN Civil Engineering](https://www.kuleuven.be/)

## License & Citation

Khi sử dụng dataset này trong nghiên cứu, vui lòng trích dẫn các papers gốc và ghi nhận đại học KULEUVEN.

```bibtex
@misc{z24_bridge_dataset,
  title={Z24 Bridge Structural Health Monitoring Dataset},
  author={KULEUVEN},
  institution={Katholieke Universiteit Leuven},
  year={1998},
  note={Phiên bản đã xử lý: 17 scenarios, 9 setups, 27 sensors, reshape thành (1530, 27, 6000)}
}
```

## Tóm Tắt Cấu Trúc Dữ Liệu

| Chiều | Gốc | Đã Làm Sạch | Cuối Cùng | Mô Tả |
|-------|-----|-------------|-----------|-------|
| Scenarios | 17 | 17 | 17×10=170* | Điều kiện thử nghiệm |
| Setups | 9 | 9 | 9×10=90* | Cấu hình đo đạc |
| Sensors | 27 | 27 | 27 | Vị trí accelerometer |
| Timepoints | 65530 | 60000 | 6000 | Samples mỗi segment |
| **Tổng Kích Thước** | **(17,9,27,65530)** | **(17,9,27,60000)** | **(1530,27,6000)** | **Định dạng cuối** |

*\*Mỗi time series gốc được chia thành 10 segments, do đó 1530 = 17×9×10*

---

*Dataset được xử lý và chuẩn bị cho nghiên cứu Giám sát Sức khỏe Kết cấu và Machine Learning.*