Till innehåll på sidan
Till KTH:s startsida

Structural Health Monitoring of Bridges

Data-based damage detection method using Machine Learning

Tid: Fr 2020-10-16 kl 14.00

Plats: https://kth-se.zoom.us/j/62283731684, Du som saknar dator/datorvana kan kontakta raidk@kth.se för information, Stockholm (English)

Ämnesområde: Byggvetenskap, Bro- och stålbyggnad

Respondent: Ana C. Neves , Bro- och stålbyggnad

Opponent: Associate Professor Elsa Caetano, University of Porto, Department of Civil Engineering

Handledare: Professor Raid Karoumi, Bro- och stålbyggnad, Järnvägsgruppen, JVG, Byggkonstruktion

Exportera till kalender

Abstract

Infrastrukturkonstruktioner byggda efter dagens normer är normalt sett konstruerade med en avsedd livslängd på över hundra år. Det finns samtidigt ett ökat tryck att bibehålla befintliga konstruktioner i funktionsdugligt skick så länge som möjligt, trots det faktum att konstruktionens teoretiska livslängd har passerats. Brokonstruktioner är förekommande exempel på detta. För att uppfylla dessa mål måste man naturligtvis säkerställa säkerheten för dessa sårbara konstruktioner genom att förbättra deras tillförlitlighet och värna om användarnas säkerhet. Samtidigt har infrastrukturägare och förvaltare en önskan att hålla kostnaderna så låga som möjligt. Ett av de viktigaste målen är att identifiera strukturella skador i ett tidigt skede så att åtgärder kan ske omedelbart. Därför finns det en ökad efterfråga på smarta strategier som kan stödja underhållsoperationer och beslutsfattande. Dessa strategier är baserade på kostnadseffektiva och tillförlitliga inspektions- och övervakningslösningar definierade genom en process som ofta kallas konstruktionsövervakning (eng. Structural Health Monitoring som ofta förkortas som SHM). Denna avhandling innehåller en fördjupad sammanfattning samt fyra bifogade artiklar. Författaren föreslår en strategi för SHM av broar med fokus på att upptäcka skador med hjälp av datadrivna metoder och tekniker för statistisk analys. Forskningsarbetet börjar med utveckling av metoden i artikel I, validerad med data från en enkel numerisk modell av en järnvägsbro. I denna artikel och efterföljande artiklar med respektive fallstudie samlas data under tågpassager, i brons skadade och oskadade tillstånd. En delmängd av data insamlat under oskadat tillstånd används för träning av artificiella neurala nätverk, denna kommer utgöra den primära algoritmen för den föreslagna metoden. Därefter kan ny data, samlad under både skadat och oskadat tillstånd direkt jämföras med prediktioner från det neurala nätverket. Därefter i artikel II bedöms kostnaderna för att implementera SHM. Mer specifikt bedöms de förväntade kostnaderna för eventuella alternativ beträffande beslut om underhåll i ljuset av en fallstudie och dess varianter. Sedan, i artikel III, undersöks hur frekvensomfånget i insamlat data påverkar neurala nätverkets prestanda. I stora drag påvisas att informationen som finns i de högre frekvenserna inte är försumbar i syfte att upptäcka skador utan faktiskt är mer användbar än den information som utvinns från de lägre frekvenserna. Denna slutsats verifieras mot både numeriska och experimentella data. Slutligen i artikel IV ges mer uppmärksamhet åt genomgående användning av artificiella neuronnät för bedömning av konstruktioners tillstånd. Detta genomförs genom att undersöka vilka justeringar i hyperparametrarna, funktionerna och datastrukturen som förbättrar algoritmens prestanda. Resultaten som presenteras i denna avhandling demonstrerar de potentiella fördelarna med att integrera det föreslagna tillvägagångssättet av SHM i praktiken. Detta forskningsarbete avser att bidra med rekommendationer för proaktivt konstruktionsunderhåll, där data kontinuerligt samlas in och analyseras i realtid i syfte att ge bra underlag att basera beslut på.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-281257