Tổng quan xu hướng phát triển công nghệ GNSS và xử lý dữ liệu trong quan trắc sức khỏe công trình cầu

DOI:http://doi.org/10.64588/jc.18.05.2026 

TÁC GIẢ: 

ThS Lê Minh Ngọc, ThS Trần Đức Công*, TS Hà Trung Hiếu

Trường Đại học Giao thông vận tải

*Email: congtd@utc.edu.vn

THÔNG TIN BÀI BÁO

Chuyên mục: Khoa học công nghệ

Ngày nhận bài: 09/4/2026

Ngày sửa bài: 21/4/2026

Ngày chấp nhận đăng: 05/5/2026

Ngày xuất bản Online: 15/5/2026

Tác giả liên hệ:

Email: congtd@utc.edu.vn

TÓM TẮT

Hệ thống định vị vệ tinh toàn cầu (Global Navigation Satellite System - GNSS) có tiềm năng lớn trong quan trắc sức khỏe công trình cầu (Bridge Structural Health Monitoring - BSHM) nhờ khả năng cung cấp dữ liệu chuyển vị liên tục trên công trình quy mô lớn. Tuy nhiên, hiệu quả ứng dụng vẫn bị hạn chế bởi nhiễu đo, gián đoạn tín hiệu và sự rời rạc giữa các hướng nghiên cứu về công nghệ đo, tích hợp cảm biến và xử lý dữ liệu.

Bài báo tổng quan các nghiên cứu từ năm 2020 đến nay về ứng dụng GNSS trong quan trắc công trình cầu, nhằm làm rõ các xu thế phát triển chính và vai trò của chúng trong theo dõi chuyển vị, nhận dạng đặc trưng động học và đánh giá trạng thái kết cấu. Kết quả cho thấy GNSS đang chuyển từ công cụ đo đơn lẻ sang nền tảng dữ liệu cho BSHM đa nguồn, với các xu hướng nổi bật là nâng cao năng lực đo, tích hợp cảm biến và xử lý dữ liệu theo hướng thông minh hơn.

Từ khóa: GNSS, quan trắc kết cấu cầu, xử lý dữ liệu, học máy, học sâu.
TÀI LIỆU THAM KHẢO:
[1]X. Wang, Q. Zhao, R. Xi, C. Li, G. Li, and L. Li, Review of bridge structural health monitoring based on GNSS: From displacement monitoring to dynamic characteristic identification, IEEE Access, vol. 2021, pp. 80043-80065, May, 2021, doi: 10.1109/ACCESS.2021.3083749.
[2] S. Bianchi et al., “Structural health monitoring of bridges based on GNSS,” in Life-Cycle of Structures and Infrastructure Systems, CRC Press, 2023.
[3] X. Qu, B. Shu, X. Ding, Y. Lu, G. Li, and L. Wang, “Experimental study of accuracy of high-rate GNSS in context of structural health monitoring,” Remote Sens., vol. 14, no. 19, p. 4989, Oct. 2022, doi: 10.3390/rs14194989.
[4] R. Li, Z. Zhang, Y. Gao, J. Zhang, and H. Ge, A new method for deformation monitoring of structures by precise point positioning, Remote Sens., vol. 15, no. 24, p. 5743, Jan. 2023, doi: 10.3390/rs15245743.
[5] L. He et al., Displacement monitoring and multimodal frequency identification of long-span bridges utilizing PPP-RTK,” Meas. Sci. Technol., vol. 36, no. 5, p. 056309, May 2025, doi: 10.1088/1361-6501/add31d.
[6] H. Zhong, R. Gao, J. Zha, F. Ye, and B. Zhang, BDS PPP-RTK for deformation monitoring of Hong Kong-Zhuhai-Macao bridge, Measurement, vol. 257, p. 118651, Jan. 2026, doi: 10.1016/j.measurement.2025.118651.
[7] K. Kim and H. Sohn, Dynamic displacement estimation for Long-Span bridges using acceleration and heuristically enhanced displacement measurements of Real-Time kinematic global navigation System, Sensors, vol. 20, no. 18, Art. no. 18, Jan. 2020, doi: 10.3390/s20185092.
[8] J. Paziewski, K. Stepniak, R. Sieradzki, and C. O. Yigit, Dynamic displacement monitoring by integrating high-rate GNSS and accelerometer: on the possibility of downsampling GNSS data at reference stations, GPS Solut., vol. 27, no. 3, p. 157, Jul. 2023, doi: 10.1007/s10291-023-01500-x.
[9] W. Dai, X. Li, W. Yu, X. Qu, and X. Ding, Multi-Antenna Global Navigation Satellite System/Inertial Measurement Unit Tight Integration for Measuring Displacement and Vibration in Structural Health Monitoring, Remote Sens., vol. 16, no. 6, Art. no. 6, Jan. 2024, doi: 10.3390/rs16061072.
[10] N. Q. Vu, T. N. Le, and N. D. Luong, Analysis of bridge displacement using GNSS time-series data, IOP Conf. Ser. Mater. Sci. Eng., vol. 1289, no. 1, p. 012034, Aug. 2023, doi: 10.1088/1757-899X/1289/1/012034.
[11] Outlier Detection Based on Nelder-Mead Simplex Robust Kalman Filtering for Trustworthy Bridge Structural Health Monitoring. Accessed: Apr. 15, 2026. [Online]. Available: https://www.mdpi.com/2072-4292/15/9/2385.
[12] C. Xiong, Z. Shang, M. Wang, and S. Lian, Dynamic Monitoring of a Bridge from GNSS-RTK Sensor Using an Improved Hybrid Denoising Method, Sensors, vol. 25, p. 3723, Jun. 2025, doi: 10.3390/s25123723.
[13] X. Qu, X. Ding, Y. Xia, and W. Yu, A data-driven approach for analyzing contributions of individual loading factors to GNSS-measured bridge displacements, J. Geod., vol. 98, no. 11, p. 95, Nov. 2024, doi: 10.1007/s00190-024-01913-7.
[14] Y. Tao, C. Liu, C. Liu, X. Zhao, H. Hu, and H. Xin, Joint time-frequency mask and convolutional neural network for real-time separation of multipath in GNSS deformation monitoring, GPS Solut., vol. 25, no. 1, p. 25, Jan. 2021, doi: 10.1007/s10291-020-01074-y.
[15] An SVM Based Weight Scheme for Improving Kinematic GNSS Positioning Accuracy with Low-Cost GNSS Receiver in Urban Environments.” Accessed: Apr. 10, 2026. [Online]. Available: https://www.mdpi.com/1424-8220/20/24/7265
[16] Y. LI, Application of LSTM-Based GNSS Data Imputation for Structural Health Monitoring: A Case Study of a World’s Top 10 Longest Long-Span Floating Bridge in Norway. 2025. doi: 10.12783/shm2025/37525.
[17] Khanh G. L., Duc C. T., and Lan H. H. T., Self-supervised deep learning for gnss time series imputation: a comparative study of neural network architectures, Tạp Chí Khoa học Giao thông vận tải, vol. 77, no. 1, pp. 127-141, 2026, doi: 10.47869/tcsj.77.1.10.
[18] N. Shen et al., A Review of Global Navigation Satellite System (GNSS)-Based Dynamic Monitoring Technologies for Structural Health Monitoring, Remote Sens., vol. 11, no. 9, p. 1001, Jan. 2019, doi: 10.3390/rs11091001.
[19] Z. Fang, J. Yu, and X. Meng, Modal Parameters Identification of Bridge Structures from GNSS Data Using the Improved Empirical Wavelet Transform, Remote Sens., vol. 13, no. 17, p. 3375, Jan. 2021, doi: 10.3390/rs13173375.
[20] Y. Xie, S. Zhang, X. Meng, D. T. Nguyen, G. Ye, and L. Haiyang, An Innovative Sensor Integrated with GNSS and Accelerometer for Bridge Health Monitoring, Remote Sens., vol. 16, p. 607, Feb. 2024, doi: 10.3390/rs16040607.
[21] C. Xiong, L. Yu, and Y. Niu, Dynamic Parameter Identification of a Long-Span Arch Bridge Based on GNSS-RTK Combined with CEEMDAN-WP Analysis, Appl. Sci., vol. 9, no. 7, p. 1301, Jan. 2019, doi: 10.3390/app9071301.
[22] N. Manzini et al., Machine Learning Models Applied to a GNSS Sensor Network for Automated Bridge Anomaly Detection, J. Struct. Eng., vol. 148, no. 11, p. 04022171, Nov. 2022, doi: 10.1061/(ASCE)ST.1943-541X.0003469.
[23] L. Hu, X. Meng, Y. Xie, C. Hancock, G. Ye, and Y. Bao, Examination of load-deformation characteristics of long-span bridges in harsh natural environments based on real-time updating artificial neural network, Eng. Struct., vol. 308, p. 118022, Jun. 2024, doi: 10.1016/j.engstruct.2024.118022.
[24] Y. Xie et al., Deep Learning CNN-GRU Method for GNSS Deformation Monitoring Prediction, Appl. Sci., vol. 14, no. 10, p. 4004, Jan. 2024, doi: 10.3390/app14104004.
[25] H. V. Le, Study to process abnormal data for GNSS monitoring system of a long-span cable-stayed bridge in Vietnam, J. Mater. Eng. Struct. (JMES), vol. 9, no. 4, pp. 421-426, Dec, 2022.
[26] Linh N. T. and Giang L. K., Nghiên cứu ứng dụng phương pháp Local Outlier Factor trong phát hiện ngoại lai kết quả đo GNSS-RTK quan trắc chuyển dịch cầu hệ dây tại Việt Nam Tạp Chí Xây dựng, số 05.2025, pp. 126-129.
[27] Đức C. T., Lan H. H. T., Khánh G. L., and Văn H. L., Nghiên cứu ứng dụng thuật toán phân cụm không giám sát trong phân tích dữ liệu GNSS-RTK phục vụ quan trắc cầu dây văng, Tạp chí Khoa học Giao thông vận tải, vol. 76, no. 8, pp. 1138-1150, 2025, doi: 10.47869/tcsj.76.8.8.
[28] Quang V. N., Hà N. V., and Trọng T. Đ., Kết hợp GNSS, cảm biến gia tốc và giải pháp IoT trong quan trắc cầu thời gian thực,” Tạp chí Khoa học Công nghệ Xâ dựng - Trường Đại học Xây dựng Hà Nội, vol. 17, no. 4V, pp. 139–151, Nov. 2023, doi: 10.31814/stce.huce2023-17(4V)-12.

Xem bài báo tại đây