Hoe Brugdemping, Voertuiglocatie en Snelheid de Herkenning van Modusvormen Beïnvloeden

Het identificeren van de modusfrequenties van een brug is een cruciaal aspect van brugdiagnose, aangezien het inzicht geeft in de dynamische eigenschappen en structurele gezondheid. De effectiviteit van deze identificatie wordt echter beïnvloed door verschillende factoren, zoals de demping van de brug, de locatie van het stationaire voertuig, de demping van het voertuig en de snelheid van het voertuig. Het gebruik van geavanceerde analysemethoden, zoals de gepresenteerde techniek in dit onderzoek, biedt een gedetailleerd inzicht in hoe deze factoren de nauwkeurigheid van de herkende modusvormen kunnen beïnvloeden.

Bij de evaluatie van de effectiviteit van de locatie van het stationaire voertuig blijkt dat de keuze van de locatie van het voertuig invloed heeft op de herkende modusvormen, maar alleen als het voertuig te dicht bij de steunpunten van de brug staat. Wanneer het stationaire voertuig bijvoorbeeld wordt geplaatst op een locatie te dicht bij het steunpunt (bijvoorbeeld op 1/6 van de overspanning), wordt de MAC-waarde aanzienlijk lager. Het is essentieel dat het stationaire voertuig niet te dicht bij de brugsteunen wordt geplaatst, aangezien dit kan leiden tot een onvolledige of vertekende respons van de brug.

In een andere belangrijke overweging wordt de invloed van de voertuigdemping op de herkening van de brugmodusvormen besproken. De voertuigdemping werd in dit onderzoek gevarieerd tussen 5%, 10% en 20%. De analyse toont aan dat zelfs bij hogere voertuigdempingen de methode voor het herstel van brugmodusvormen effectief blijft, met MAC-waarden die in bijna alle gevallen goed blijven. Dit benadrukt dat de techniek robuust is, zelfs voor voertuigen met een relatief hoge demping, wat belangrijk is voor praktische toepassingen waar voertuigen met verschillende dempingskenmerken worden gebruikt.

Daarnaast wordt de invloed van de snelheid van het voertuig op de nauwkeurigheid van de modeherkenning geëvalueerd. De snelheid werd gevarieerd tussen 2,5 m/s, 5 m/s en 10 m/s, en het resultaat toont aan dat hoewel de herkende modusvormen nauwkeurig blijven voor snelheden tot 10 m/s, de MAC-waarde afneemt naarmate de snelheid toeneemt. Dit betekent dat te hoge voertuig snelheden de betrouwbaarheid van de resultaten kunnen verminderen, wat van belang is voor het selecteren van de juiste testomstandigheden voor het meten van brugdynamica.

Bij de beoordeling van bruggen met meerdere overspanningen blijkt dat de effectiviteit van de methode afneemt naarmate het aantal overspanningen toeneemt. Dit is te zien in de sterk afgenomen MAC-waarden bij de analyse van tweespan- en driespanbruggen in vergelijking met een enkelspanbrug. Desondanks blijft de gepresenteerde methode een waardevolle tool voor het identificeren van de modusvormen, zelfs voor bruggen met meerdere overspanningen, mits de juiste technieken worden toegepast om de specifieke effecten van meerdere overspanningen te compenseren.

Het is van belang om te begrijpen dat de nauwkeurigheid van het identificeren van de brugmodusvormen afhankelijk is van meerdere factoren die elkaar beïnvloeden. Een verkeerde plaatsing van het stationaire voertuig, een te hoge voertuigsnelheid of onjuiste aannames over de demping van de brug of het voertuig kunnen de resultaten aanzienlijk beïnvloeden. Daarom is het essentieel om gedetailleerde gegevens te verzamelen onder gecontroleerde omstandigheden om de betrouwbaarheid van de analyses te waarborgen. Ook is het belangrijk om te overwegen hoe de specifieke kenmerken van de brug, zoals de demping en het aantal overspanningen, de dynamische respons van de structuur kunnen veranderen, wat gevolgen kan hebben voor de methode die wordt gebruikt om de modusvormen te herstellen.

Hoe kunnen verticale en torsionele trillingsmodi van dunwandige liggers worden geïdentificeerd met behulp van een testvoertuig?

In het onderzoek naar brugdiagnostiek is het verticaal gedrag van het systeem voertuig-brug lange tijd de dominante focus geweest. Dit heeft geleid tot versimpelde modellen waarin enkel de verticale beweging van belang is, wat op zijn beurt de analyse overzichtelijk maakt. Dergelijke modellen worden breed toegepast om de interactie tussen een testvoertuig en een brug te doorgronden. Toch blijkt uit ervaring in veldproeven dat deze benadering tekortschiet wanneer men streeft naar een nauwkeurige reconstructie van het volledige trillingsspectrum van de brug.

Een enkelassig testvoertuig, traditioneel gemodelleerd als een enkel-vrijheidsgradsysteem (single-DOF), blijkt ontoereikend om alle voertuigfrequenties te omvatten. In werkelijkheid worden de twee wielen tijdens het oversteken van de brug niet altijd aan dezelfde wegonregelmatigheden blootgesteld, waardoor een wiegende (rocking) beweging wordt geïnduceerd. Het voertuig dient daarom beschouwd te worden als een systeem met twee vrijheidsgraden, waarbij elke wielpositie onafhankelijk kan reageren. Deze benadering maakt het mogelijk om de rotatie- en verticale reacties van het voertuig als meetinstrument nauwkeuriger te interpreteren.

Het testvoertuig bestaat uit een stijve as met massa en traagheidsmoment, ondersteund door twee identieke veer-demper-eenheden. De dynamische interactie tussen voertuig en brug wordt gekarakteriseerd door puntcontacten, en de reacties worden berekend aan de hand van afgeleide differentiaalvergelijkingen die zowel de verticale als torsionele bewegingen beschrijven. Dit systeem is niet alleen theoretisch onderbouwd, maar ook experimenteel gevalideerd.

Bruggen met dunwandige liggers, die vaak worden toegepast vanwege hun gunstige sterkte-gewichtsverhouding, zijn bijzonder gevoelig voor torsionele trillingsmodi. Door hun geometrie en materiaaleigenschappen bezitten deze liggers zowel verticale als torsioneel-buigfrequenties. In het frequentiedomein overlappen deze modi echter vaak, waardoor het moeilijk is om ze van elkaar te onderscheiden met conventionele meettechnieken.

De sleutelinnovatie bestaat uit het gebruik van een kinematische hypothese gebaseerd op starre doorsneden, die het mogelijk maakt om de responsen van de twee wielen te benutten voor het scheiden van verticale en torsionele frequenties. Het verschil in contactreacties tussen de linker- en rechterwielsporen van het testvoertuig wordt geïnterpreteerd als manifestatie van torsionele bewegingen, terwijl de som van de reacties overeenkomt met de zuiver verticale modus.

Het fysiek detecteren van deze trillingsmodi met conventionele trillingssensoren op de brug zelf vereist een zorgvuldige plaatsing om geen belangrijke modi te missen, wat in de praktijk kostbaar en foutgevoelig is. Daarentegen biedt het scannen van de brug met een rijdend testvoertuig — het zogenaamde Vehicle-Scanning-Method (VSM) — een aanzienlijk robuustere aanpak. De meting dekt automatisch de volledige bruglengte af, ongeacht de exacte locatie van de trillingsmaxima of -minima.

Naast de fundamentele afleiding van het mechanisch model en de daaruit voortvloeiende oplossingsmethodiek, zijn de resultaten gevalideerd via eindige-elementensimulaties. Tevens is een parametristudie uitgevoerd waarin het effect van verschillende voertuigparameters zoals demping, excentriciteit, snelheid en wegonregelmatigheid is onderzocht.

Hoe de Massa van een Voertuig de Interactie met een Brug Beïnvloedt: Analysemethoden en Verificatie

In moderne structurele dynamica, vooral bij de simulatie van voertuigen die over bruggen rijden, speelt de massa van het voertuig een cruciale rol in de interactie tussen de voertuigbeweging en de respons van de brug. Bij de FEM-analyse (Finite Element Method) van voertuigen die over bruggen rijden, is het belangrijk om geen aannames te doen over de verhouding van de massa van het voertuig ten opzichte van de massa van de brug (mv ≪ mL). Dit betekent dat het effect van de koppeling tussen het voertuig en de brug volledig wordt meegenomen in de berekeningen. Dit is van essentieel belang omdat de dynamische interactie tussen het voertuig en de brug de trillingen en het gedrag van de gehele structuur kan beïnvloeden, en daarom moet deze coupling volledig worden geanalyseerd.

Wanneer analytische oplossingen moeten worden gevalideerd, zoals in Sectie 14.2, worden de eigenschappen van zowel het voertuig als de brug vergeleken met de resultaten van de FEM-analyse. Het doel van deze validatie is om te controleren of de analytische benaderingen overeenkomen met de numerieke oplossingen. De eigenschappen van de brug en het voertuig worden zorgvuldig gedefinieerd, zoals te zien in Tabel 14.1, en omvatten belangrijke gegevens zoals de massa van het voertuig (mv = 900 kg), het moment van inertie van de wielen (Jv = 230 kg m²), de stijfheidscoëfficiënt van de wielen (kv = 800 kN/m), en het dempingscoëfficiënt (cv = 0).

De overeenkomsten tussen de analytische en numerieke oplossingen zijn duidelijk zichtbaar in zowel de tijd- als frequentiedomeinen. Dit geldt met name voor de responsen van de brug onder verschillende trillingsmodi, zoals weergegeven in de grafieken van de verticale, laterale en torsionale verplaatsingen en de bijbehorende acceleraties. In deze simulaties wordt een voertuig verondersteld met een snelheid van 5 m/s, wat overeenkomt met ongeveer 18 km/h. De resulterende frequenties en reacties worden gedetailleerd gepresenteerd, waarbij de eerste torsionele-flexturale frequentie duidelijk zichtbaar is in de spectrale gegevens.

Belangrijk om te begrijpen is dat de trillingen die door het voertuig over de brug worden geïntroduceerd, niet alleen de verticale bewegingen beïnvloeden, maar ook de laterale en torsionale bewegingen van de brug kunnen beïnvloeden. Dit wordt bijvoorbeeld duidelij

Hoe Kunstmatige Intelligentie en Machine Learning de Detectie van Brugschade Verbeteren

In de afgelopen jaren is de toepassing van kunstmatige intelligentie (AI) en machine learning (ML) in de infrastructuurmonitoring aanzienlijk geëvolueerd, vooral als het gaat om de detectie van schade aan bruggen. Het gebruik van geavanceerde technieken zoals diepgaande neurale netwerken, unsupervised learning, en data-gebaseerde benaderingen heeft het mogelijk gemaakt om sneller en nauwkeuriger de conditie van bruggen te beoordelen, vaak met behulp van passieve sensoren die door voertuigen worden gedragen.

Een opmerkelijke vooruitgang in de schade-identificatie is het gebruik van multilayer convolutionele neurale netwerken (CNN). Deze netwerken kunnen complexe patronen in de data identificeren, zelfs te midden van ruis en variaties in de omgevings- en operationele omstandigheden. In een recente studie werd een CNN-model getraind met gegevens die werden verzameld door voertuigen die over een gezonde brug reden. Het model was in staat om schade te detecteren, zelfs wanneer de ruis van de verschillende signalen verstoorde informatie veroorzaakte. Dit toont aan hoe effectief de CNN is in het vinden van verbanden tussen observaties en de gezondheid van de brug, wat kan leiden tot snellere en betrouwbaardere inschattingen van schade.

De methoden variëren echter en sommige technieken zijn meer geavanceerd. Calderon Hurtado et al. (2023) introduceerden bijvoorbeeld een framework voor onbewaakte leren, gebaseerd op een adversarial autoencoder, dat enkel de responsmetingen van voertuigen gebruikt om schade te detecteren. Het model maakt gebruik van de reconstructiefout van het gegenereerde beeld als een index voor schade, waarmee het de betrouwbaarheid en kosteneffectiviteit van traditionele inspectiemethoden kan verbeteren.

Daarnaast wordt er veel gewerkt aan de integratie van verschillende dataverwerkings- en clusteringstechnieken, zoals non-lineaire dimensionale reductie en ruimtelijke clustering. Cheema et al. (2022) pasten bijvoorbeeld een uniforme manifold-approximation en projectie (UMAP) samen met een niet-parametrische clustering techniek toe om brugschade nauwkeuriger te detecteren door data van voertuigen te combineren. Deze aanpak zorgt ervoor dat onregelmatigheden die niet onmiddellijk zichtbaar zijn in de ruwe gegevens toch opgemerkt kunnen worden, wat de precieze detectie van schade vergemakkelijkt.

In een andere benadering ontwikkelden Li et al. (2023) een systeem dat zowel lage- als hoge-frequentie responsies van voertuigen gebruikt om schade in bruggen te detecteren. Door de toepassing van Mel Frequency Cepstral Coefficients (MFCC) en Support Vector Machines (SVM) konden ze de efficiëntie van het detectieproces verbeteren. Het gebruik van MFCC blijkt bijzonder gevoelig voor het detecteren van schade, vooral wanneer hoge frequentiecomponenten van de responsen worden geanalyseerd. Dit maakt het systeem effectiever bij het identificeren van schade die anders moeilijk te detecteren zou zijn.

Naast de softwarematige benaderingen zijn er ook hardwarematige innovaties ontwikkeld. Een voorbeeld hiervan is de actieve tap-scan methode, die wordt aangedreven door voertuigen uitgerust met schakers om