Hvordan testkjøretøy bidrar til identifisering av broer og skadeanalyse

Bruken av kjøretøyer som testverktøy for overvåkning og skadeidentifikasjon på broer er et felt som har utviklet seg betraktelig de siste årene. Denne metoden benytter kjøretøyets dynamiske respons når det passerer over broer for å hente ut viktige data om broens tilstand. I motsetning til tradisjonelle metoder, som ofte krever omfattende fysisk inspeksjon og kan være tidkrevende, gir kjøretøybaserte teknikker muligheten til å oppnå rask og detaljert informasjon uten å forstyrre trafikken.

En av de mest fremtredende metodene er basert på responsen fra kontaktpunktene mellom testkjøretøyet og broens overflate. Denne responsen kan brukes til å identifisere frekvenser og moduser for broens vibrasjoner, noe som er essensielt for å forstå strukturelle egenskaper som kan være utsatt for slitasje eller skade. Testkjøretøyet, ofte utstyrt med spesialiserte sensorer, er i stand til å registrere både vertikale og horisontale bevegelser som oppstår når kjøretøyet passerer over ulike deler av broen.

Videre har forskningen vist at forskjellige kjøretøytyper kan gi ulike nivåer av informasjon om broens tilstand. Et to-akslet kjøretøy, for eksempel, kan være spesielt nyttig for å identifisere spesifikke frekvenser og skader i broens struktur. Dette er en metode som er særlig egnet for overvåking av jernbanebroer, hvor høye hastigheter og tunge belastninger kan føre til mer markante vibrasjoner.

Det er viktig å merke seg at det ikke bare er skade som kan oppdages gjennom slike metoder. Testkjøretøy kan også bidra til å identifisere andre viktige faktorer som påvirker broens integritet, for eksempel overflatenes ujevnheter, som kan føre til økte vibrasjoner og dermed påskynde slitasje. Identifiseringen av slike uregelmessigheter kan gi tidlige varsler om potensielle problemer som trenger oppmerksomhet før de utvikler seg til mer alvorlige skader.

Videre kan moderne metoder for dataanalyse, som maskinlæring og kunstig intelligens, bidra til å forbedre nøyaktigheten og hastigheten på skadeidentifikasjon. For eksempel kan algoritmer trenes på store datasett for å oppdage mønstre som indikerer skade på et tidlig stadium. Dette kan gi en mulighet for proaktiv vedlikehold og reparasjon, som kan forlenger broens levetid og forbedre sikkerheten.

En annen kritisk komponent i analysen av testkjøretøydata er forståelsen av broens geometri og materialegenskaper. Det er avgjørende at testkjøretøyene tar hensyn til de spesifikke egenskapene ved broen, som for eksempel dens kurvatur, stevnens stivhet og overflatestruktur. For komplekse broer, som de med horisontale kurver eller tynne vegger, kan det være nødvendig å bruke mer spesialiserte metoder for å sikre at alle relevante moduser og frekvenser blir riktig identifisert.

Det er også viktig å merke seg at selv om kjøretøydrevne metoder har sine fordeler, er de ikke nødvendigvis en erstatning for andre inspeksjonsmetoder. Tradisjonelle metoder som visuell inspeksjon og strukturelle evalueringer forblir viktige, spesielt for å verifisere de resultatene som hentes gjennom kjøretøybasert analyse.

Hvordan Identifisere Brofrekvenser og Modale Parametre gjennom Kjøretøyrespons

I de siste årene har studier fokusert på utvikling og forbedring av metoder for å identifisere brofrekvenser ved hjelp av kjøretøyresponser. Dette er et viktig skritt i retning av å forbedre brovedlikehold og sikkerhet. Teknologiske fremskritt innenfor signalbehandling, sammen med økt forståelse av brodynamikk, har ført til en rekke tilnærminger som utnytter kjøretøyets respons til å hente ut informasjon om broens tilstand og frekvenser. En av de mest lovende metodene er bruken av kontaktresponsen mellom kjøretøy og bro, som viser seg å være effektiv til tross for utfordringer som veifyringsvariasjoner og støy.

En viktig metode som har blitt brukt for å identifisere brofrekvenser er Harmonic Transform (HT). Tan og Uddin (2020) benyttet HT for å forsterke identifikasjonen av brofrekvenser ved et kjøretøy som passerer, på grunn av HTs overlegne evne til å håndtere frekvensoppløsning. Denne metoden viste seg å være robust mot variasjoner i kjøretøyets hastighet og signalstøy. Bruken av kontaktrespons har fått betydelig oppmerksomhet, og flere studier har vist hvordan denne responsen kan brukes til å identifisere brofrekvenser. For eksempel, Nayek og Narasimhan (2020) hentet ut brofrekvenser fra kontaktakselerasjonen av et to-frigjort kjøretøy, og Corbally og Malekjafarian (2021) demonstrerte hvordan responsen mellom dekkene og broen kan brukes til å ekstrahere brofrekvenser.

Videre har en rekke forskere utviklet metoder for å håndtere utfordringer knyttet til ujevn veibane. Li et al. (2022b) introduserte et rammeverk som benyttet en trinnvis prosess for å ekstrahere brokomponenter fra kjøretøyresponsen, som involverte beregning av kontaktresponser og dekomponering av residualrespons ved hjelp av auto SSA-teknikk. Denne metoden viste seg å være effektiv selv i tilfelle veifyringsvariasjoner. Andre tilnærminger, som den autonome systemet utviklet av Cheng et al. (2022) for datainnsamling og overføring, har også blitt testet for å vurdere sikkerheten til broer under normale trafikkforhold.

En viktig utvikling er implementeringen av signalbehandlingsteknikker som Wavelet Packet Transform (WPT) og den hybride tid-frekvensmetoden som ble foreslått av Singh og Sadhu (2022b). Disse metodene benytter bølgepakke-koeffisienter for å identifisere brofrekvenser og har blitt validert både gjennom numeriske simuleringer og laboratorieeksperimenter. Slike metoder gjør det mulig å ekstrahere modalfrekvenser nøyaktig, selv når det er støy eller andre forstyrrelser som påvirker dataene.

En annen teknikk som har fått oppmerksomhet, er Operational Modal Analysis (OMA), som ble brukt av Locke et al. (2022) for å analysere modalparametre til en bro med en 9,14 m spennvidde. OMA-tilnærmingen viste seg å være nyttig i å identifisere modalegenskaper fra kjøretøyresponsen, og resultater fra flere tester viste at det er viktig å bygge histogrammer med frekvenser identifisert fra flere tester for å sikre pålitelig identifikasjon. Samtidig viste studien en trade-off mellom kjøretøyets masse og hastighet, som kan påvirke nøyaktigheten ved identifikasjon av brofrekvenser.

Forskning har også vist at det er mulig å bruke kjøretøydata til å autonomt hente ut brofrekvenser ved hjelp av avanserte signalbehandlingsmetoder, som den autonome algoritmen APPVMD (Abuodeh og Redmond, 2023). Denne metoden kombinerer flere signalbehandlingsteknikker og har vist seg å være en lovende metode for nøyaktig ekstraksjon av brofrekvenser uten behov for forhåndsinformasjon om broens eller kjøretøyets parametere.

For å oppsummere, er identifikasjonen av brofrekvenser og modale parametre gjennom kjøretøyresponser et felt i rask utvikling som benytter flere signalbehandlingsteknikker og numeriske metoder. Fremtidig forskning bør rette seg mot videre forbedring av metodene for å håndtere utfordringer som støy, veifyringsvariasjoner, og kompleksiteten ved å analysere data i sanntid. Broens tilstand kan dermed overvåkes kontinuerlig med minimal inngripen og ved hjelp av kjøretøydata, som har potensial til å revolusjonere tilnærmingen til brovedlikehold og sikkerhetsvurderinger.

Hvordan Demping i Kjøretøy Påvirker Responsen i Brofrekvenser: Teoretisk og Eksperimentell Analyse

I teorien om kjøretøy-bro-interaksjon (VBI), spesielt i analyser som involverer dempede kjøretøy, er det viktig å forstå hvordan frekvenser i broens respons kan påvirkes av kjøretøyets egenfrekvenser og dempingsforhold. Frekvenser som $\omega_{d,n}$, $\omega_{bl,n}$ og $\omega_{br,n}$, som stammer fra kontaktpunktet (CP) til kjøretøyet, spiller en essensiell rolle i overføringen av vibrasjoner mellom kjøretøy og bro. Ved å ignorere kjøretøyets demping, kan løsningen som er presentert i ligning (2.31), som tidligere ble utviklet av Yang et al. (2018a), reduseres til en enklere modell.

Men dette optimale forholdet fungerer ikke alltid som forventet. Det gjelder spesielt når man ser på det faktum at et kjøretøy som er designet med et fokus på å fange opp kun den første brofrekvensen, ikke nødvendigvis gir en tilstrekkelig god deteksjon for høyere frekvenser. I tilfeller der $\beta_{i,n} > 2$, derimot, ser vi at amplitudene av brofrekvensene i kjøretøyets respons drastisk reduseres. I dette området er det kontaktresponsen som blir mer pålitelig for å identifisere brofrekvenser, inkludert de høyere modusene. Dette bekreftes av ligning (2.31), som gir et teoretisk grunnlag for å understøtte overlegenheten til kontaktresponsen i brofrekvenser.

For å kunne verifisere disse analytiske løsningene, er det viktig å forstå hvordan numeriske simuleringer kan brukes til å evaluere nøyaktigheten av modellene. Dette er spesielt viktig i forbindelse med kjøretøy-bro-interaksjoner, der simulerte data kan gi mer presise resultater enn analytiske tilnærminger som antar enkle forhold, som for eksempel at kjøretøyets masse er langt mindre enn broens masse ( $mv \ll m_L$).

I tillegg er det verdt å merke seg at kjøretøyets respons i disse tilfellene ikke nødvendigvis avslører kjøretøyets egenfrekvens som en dominerende frekvens i spekteret. Dette kan skyldes at kjøretøyets egenfrekvens ikke er tilstrekkelig høy i forhold til broens første frekvens, og dermed er ikke kjøretøyet i stand til å identifisere de høyere frekvensene som kan være viktige for broens strukturelle vurdering.

Hvordan påvirker rullende bevegelse testkjøretøyets dynamikk og frekvenser?

Når vi studerer vibrasjoner og frekvenser i et testkjøretøy, er det avgjørende å forstå hvordan bevegelsene og dynamikken til kjøretøyet kan påvirke målingene, spesielt i konteksten av brofrekvenser. Tidligere, i kapittel 2, ble kun vibrasjonsdata fra den sentrale sensoren brukt til å detektere brofrekvenser. Denne tilnærmingen tok ikke hensyn til den rullende bevegelsen til testkjøretøyet, noe som er en viktig faktor i virkelige applikasjoner. Kjøretøyet er en tredimensjonal struktur, og for å få et korrekt bilde av hvordan det reagerer på de vibrasjonene som oppstår når de to hjulene beveger seg over et ujevnt underlag, må rullende bevegelser inkluderes i analysen.

Hjulenes vibrasjoner over en ujevn vei påvirker akslingen og videre til de sensorene som er installert nær hjulene. Disse sensorene gir mer nøyaktige data sammenlignet med den sentrale sensoren. Slik får vi en bedre representasjon av den dynamiske oppførselen til testkjøretøyet, og kan dermed identifisere både vertikale og rullende frekvenser. Når vi ser på dataene fra hjulsensorene, er det mulig å skille de ulike frekvensene og få et klarere bilde av hvordan kjøretøyet responderer på vibrasjoner i miljøet.

Enkelte tester, for eksempel når kjøretøyet beveger seg på en flat, stiv vei, er essensielle for å isolere og forstå kjøretøyets dynamiske egenskaper før man begynner å analysere brofrekvenser. Dette testmiljøet gjør at kjøretøyets vertikale og rullende frekvenser blir synlige uten påvirkning fra broens vibrasjoner. Testen blir utført ved en hastighet på ca. 0,5 m/s, og akselerasjonsresponsene fra venstre og høyre hjul gir et klart bilde av de relevante frekvensene.

Ved å sammenligne spektrene fra de to hjulene kan vi skille mellom vertikal frekvens og rullende frekvens. Den vertikale frekvensen, som er identifisert ved å ta gjennomsnittet av responsene fra de to hjulene, gir en pålitelig indikasjon på kjøretøyets vertikale oppførsel. Den rullende frekvensen kan bestemmes ved å trekke akselerasjonsdataene fra venstre hjul fra de fra høyre hjul og deretter dele resultatet med avstanden mellom sensorene. Dette gir oss en klar indikasjon på kjøretøyets rullende frekvens.

Det er viktig å merke seg at selv om de vertikale og rullende frekvensene kan være relativt høye og brede i distribusjonen, kan de også overskygge broens frekvenser i de genererte spektrene. Derfor må vi benytte metoder for å redusere innflytelsen av kjøretøyets frekvenser når vi ønsker å analysere broens vibrasjoner. Dette innebærer blant annet å bruke spesifikke beregningsmetoder som eliminerer de vertikale og rullende frekvensene fra dataene.

For å kunne bruke kjøretøyskanningsteknikker effektivt i praksis, er det essensielt å forstå hvordan kjøretøyets egne vibrasjoner kan påvirke resultatene. Ved å gjennomføre tester på flat vei og bruke de riktige metodene for å filtrere ut kjøretøyets frekvenser, kan man få mer nøyaktige data om broens respons og dermed lettere oppdage brofrekvenser selv når de er svake eller skjult bak kjøretøyets egne vibrasjoner.

Det som er spesielt viktig å forstå, er at kjøretøyets frekvenser i mange tilfeller kan ha høyere amplituder enn brofrekvenser, og dette kan føre til at broens respons blir vanskelig å skille ut. En god teknikk er å identifisere og fjerne disse frekvensene på forhånd, slik at det ikke er behov for å gjøre dette i sanntid under faktiske målinger. Ved å være oppmerksom på disse faktorene kan man forbedre nøyaktigheten i identifikasjonen av brofrekvenser og dermed få mer pålitelige resultater fra de dynamiske målingene.