Hvordan hastighet og veibanens ruhet påvirker identifikasjonen av broens modale former

I dette kapitlet undersøkes hvordan kjøretøyets hastighet og veibanens ruhet påvirker identifikasjonen av modale former på buede broer ved bruk av VMD-SWT teknikken. Denne metoden er utviklet for å hente ut vertikale og radiale modale former fra de kontaktresponsene som genereres av et enkelt testkjøretøy. Formålet er å undersøke nøyaktigheten og robustheten av den foreslåtte teknikken under ulike forhold som hastighet og veiens tilstand, og hvordan disse faktorene kan påvirke resultatene.

I tillegg til hastighetens effekt, vurderes også påvirkningen av veibanens ruhet på nøyaktigheten av modal identifikasjon. Kjøretøyets egenvibrasjoner, som i stor grad er påvirket av ujevnheter i veibanen, kan gjøre det vanskelig å skille mellom broens modale former og vibrasjoner som skyldes selve veiens tilstand. For å håndtere dette, er det utviklet flere teknikker, som filtrering av signaler og bruk av ekstra vekter som shaker for å eksitere broens vibrasjoner. I tillegg er randomiserte trafikkforhold benyttet som et middel for å simulere virkelige kjøretøybevegelser og redusere påvirkningen av veiruhet på resultatene. Resultatene viser at selv om ruheten i veibanen kan forringe identifikasjonen av visse modale former, spesielt den andre vertikale modusen, er den første vertikale og den første radiale modusen fortsatt pålitelig når randomisert trafikk benyttes.

Når det gjelder randomisert trafikk, er det viktig å merke seg at variasjoner i kjøretøyvekt, hastighet og plassering av kjøretøyene på broen kan ha en betydelig effekt på vibrasjonene som overføres til broen. Seks forskjellige kjøretøy med variert last, hastighet og plassering ble benyttet for å simulere trafikkforhold. Denne tilnærmingen viste seg å være effektiv i å isolere broens modale former fra de forstyrrende effektene av ru vei.

I konklusjonen kan vi fastslå at den foreslåtte metoden for å hente ut modale former fra buede broer er robust både med hensyn til kjøretøyets hastighet og veibanens tilstand, men at det er viktige praktiske hensyn som må tas i betraktning. Det er avgjørende å justere kjøretøyhastigheten og ta hensyn til veiens tilstand for å sikre nøyaktige og pålitelige data for modal identifikasjon. I tillegg bør teknikken vurderes i sammenheng med realistiske trafikkforhold for å oppnå de beste resultatene.

Hvordan moderne teknologier forbedrer påvisning av bro-skader gjennom kjøretøybaserte systemer

Broer er kritiske infrastrukturer som krever jevnlig overvåking for å sikre deres strukturelle helse og funksjon. Skader på broer kan ha alvorlige konsekvenser for trafikkflyt, økonomi og sikkerhet, derfor er tidlig påvisning av skader avgjørende. Nye teknologier som maskinlæring (ML), kunstig intelligens (AI) og spesialiserte sensorer har de siste årene revolusjonert måten vi overvåker broer på. En spesiell metode som har fått økt oppmerksomhet er bruken av kjøretøybaserte sensorer for sanntidsovervåking av broenes tilstand.

Flere studier har undersøkt hvordan kjøretøy som passerer over broer kan brukes som en datakilde for skadeidentifikasjon. Dette er mulig takket være avanserte maskinlæringsmodeller som kan analysere vibrasjonene og akselerasjonene som genereres av kjøretøyene. For eksempel, Sarwar og Cantero (2021) utviklet en metode som benytter vertikale akselerasjoner fra et kjøretøy som passerer over en bro for å trene en dyp autoencoder-modell (DAE). Denne metoden identifiserte skader ved å analysere feilene i signalrekonstruksjonen, som ble avslørt under flere kjøretøykryssingseventer. Denne tilnærmingen viste seg å være følsom for skader, ettersom den avslørte uregelmessigheter som kunne indikere strukturelle problemer.

Andre studier, som den til Cheema et al. (2022), har integrert ikke-lineære dimensjonsreduksjonsteknikker, som Uniform Manifold Approximation and Projection (UMAP), med ikke-parametrisk klyngingsteknikk for å analysere de samme dataene. Dette kombinert med hierarkisk tetthetsbasert romklynging (HDBSCAN) viste seg å være effektivt i å oppdage skader på broer. De spesifikke resultatene av disse tilnærmingene avhenger sterkt av nøyaktigheten av sensorene og algoritmenes evne til å generalisere på tvers av forskjellige broer og miljøer.

En annen spennende tilnærming til skadeidentifikasjon er bruken av generative maskinlæringsmetoder, som de som benytter konvolusjonelle varianter av autoencodere (CVAE) og konvolusjonelle adversarielle autoencodere (CAAE). Calderon Hurtado et al. (2023) brukte slike metoder til å analysere bilder og andre data for å oppdage skade på broer. Her ble skadeindeksen definert som feilene mellom originale og rekonstruerte bilder av broen, noe som muliggjorde presis skadeidentifikasjon basert på bildeanalyse alene.

Bruken av usupervised læring for skadeidentifikasjon er et annet innovativt steg. Alamdari (2024) introduserte en metode som formulerte brohelseovervåking som en usupervisert semantisk segmentering. I denne tilnærmingen ble tidsseriedataene samlet inn fra testkjøretøy og brukt til å oppdage uventede uregelmessigheter som kan indikere starten på strukturelle skader. Studien fremhever hvordan kostnadseffektive metoder kan være både robuste og pålitelige verktøy for vedlikehold og overvåking av broer.

En annen tilnærming benytter høy- og lavfrekvente responser fra kjøretøy som passerer for å oppdage skader i broer. Li et al. (2023) benyttet MFCC (Mel-frequency cepstral coefficients) sammen med støttevektormaskiner (SVM) for å klassifisere skadegraden. Deres forskning viste at høyfrekvente responser inneholder mye informasjon om broens tilstand og at bruk av MFCC forbedrer beregningsmessig effektivitet i deteksjonen av skader.

Andre forskere har brukt forskjellige fysikkbaserte metoder for skadepåvisning, som den som ble utviklet av Lan et al. (2023d). De benyttet rå vibrasjonsdata fra kjøretøy akselerasjoner for å indikere bro-skader, og utviklet en tid-domene signalbehandlingsalgoritme for å forbedre nøyaktigheten og effektiviteten til ML-modellene. Deres forskning ble validert gjennom laboratorietester, som viste hvordan metodene kan anvendes til faktisk skadepåvisning.

I tillegg til algoritmene som analyserer sensoriske data, har noen studier utviklet spesifikke verktøy og hardware for å forbedre skadeidentifikasjonen. Eksempler på slike tiltak inkluderer utviklingen av en aktiv tap-scan-metode av Xiang et al. (2010), som bruker kjøretøy utstyrt med spesialiserte vibrasjonssensorer. Andre varianter av disse metodene benytter passiv tap-scan, hvor kjøretøyet genererer vibrasjoner gjennom kontrollert bevegelse og spesielt designede dekkmønstre, som demonstrert av Hu et al. (2020).

Det er også påvist at bruk av optimerte maskinlæringsmodeller som AdaBoost og lineære støttevektormaskiner (SVM) kan forbedre skadeidentifikasjonen betydelig. Lan et al. (2024) har utviklet en fysikkbasert diagnoseplattform som kun benytter rå akselerasjonsdata fra kjøretøy, og deres metoder har vist seg å være både kostnadseffektive og pålitelige.

Hvordan fjerne effekten av demping i broens modusformer

I analysen av broers dynamiske egenskaper spiller dempingsforholdet en avgjørende rolle for nøyaktigheten i å identifisere og rekonstruere broens modusformer. Dempingens påvirkning kan forvrenge resultatene av modalundersøkelser, og derfor er det avgjørende å utvikle metoder som kan eliminere denne effekten for å få et mer presist bilde av broens virkelige tilstand. Dette gjelder spesielt i situasjoner hvor kjøretøyets dynamikk også er en faktor, som når man undersøker broer utsatt for trafikkbelastninger.

Broens dempingsforhold har direkte innvirkning på hvordan dens modalformer blir identifisert, spesielt når kjøretøyene som krysser broen er en del av analysen. I en rekke studier har det blitt utviklet metoder for å estimere og deretter eliminere effekten av broens demping på disse modusformene. En slik tilnærming inkluderer bruk av normaliserte formler, som gir en systematisk måte å korrigere for dempingens påvirkning.

Det finnes flere parametere som spiller inn når man fjerner effekten av demping i modalgjenoppretting, for eksempel kjøretøyets hastighet, kjøretøyets dempingsforhold, broens dempingsforhold, og til og med antall brospan. Endringer i disse parametrene kan ha stor betydning for nøyaktigheten til modalberegningene og dermed for broens tilstandsbedømmelse. Kjøretøyets hastighet er spesielt relevant, da raskere hastigheter generelt fører til større dynamiske responser og kan gjøre det vanskeligere å isolere de naturlige frekvensene til broen.

For å fjerne effekten av broens demping i modalgjenoppretting, er det nødvendig å bruke en tilnærming som tar hensyn til både de dynamiske responsene til broen og kjøretøyet som beveger seg på den. Dette innebærer en detaljert analyse av kontaktresponsene mellom kjøretøyet og broen, samt beregning av de øyeblikkelige amplitudene av disse responsene. En viktig faktor i denne prosessen er at det ikke bare er kjøretøyets dynamikk som må vurderes, men også hvordan broens dempingsforhold påvirker disse responsene.

Ved å bruke disse metodene kan man oppnå en mer nøyaktig gjenoppretting av broens modusformer, som kan anvendes til å evaluere broens strukturelle helse og dens respons på eksterne belastninger. Dette har stor betydning for brovedlikehold og design av broer som skal håndtere dynamiske belastninger på en effektiv måte.

I tillegg til å fjerne effekten av demping, er det viktig å forstå hvordan ulike forhold som broens masse, kjøretøyets vekt, og veiens tilstand (for eksempel veiens grovhet) kan påvirke resultatene av modalundersøkelser. For eksempel, jo større forskjellen er mellom kjøretøyets og broens masse, jo mer merkbare vil effektene av dynamisk interaksjon være. Denne interaksjonen må analyseres grundig for å oppnå pålitelige og nøyaktige modaldata.

Endtext

Hvordan bestemme dempningsforholdet til en bro ved hjelp av bølgelettransformasjon

I tid-frekvensdomenet for den nth brokomponentresponsen når den nth bølgeletkoeffisienten $|W_{cj,n}(a, b)|$ sitt maksimum (ryggen) når $a = \frac{\omega_0}{\omega_{bD,n}}$. Dette kan uttrykkes ved formelen:

Hvor $|W_{cj,n}(a, b)|$ representerer den umiddelbare amplituden av den nth komponentresponsen fra broen, som er hentet ut ved hjelp av bølgelettransformasjonen (WT) for de fremre ($j = f$) og bakre ($j = r$) hjulene. $\sin\left( \frac{n\pi v(b - t_j)}{L} \right)$ beskriver den tilhørende nth-modusformen. Som vist i formelen, påvirkes bølgeletkoeffisienten for de to hjulene både av dempningsforholdene $\xi_{b,n}$ og modusformene $\sin\left( \frac{n\pi v(b - t_j)}{L} \right)$.

For både fremre og bakre kontaktresponser kan de nth bølgeletkoeffisientene uttrykkes som følger:

Den nødvendige informasjonen for å beregne dempningsforholdet for broen finnes ved å bruke faseforskjellen mellom modusformene i $|W_{cf,n}(a, b)|$ og $|W_{cr,n}(a, b + t_r)|$. Hvis man tar hensyn til at avstanden mellom de to hjulene er $d$ og tidsforsinkelsen $t_r = \frac{d}{v}$, kan man utnytte den romlige korrelasjonen mellom de to kontaktresponser for å finne følgende ligning:

Basert på dette kan dempningsforholdet for den nth modusen til broen beregnes ved følgende formel:

Det er viktig å merke seg at for å sikre en tilstrekkelig tidsperiode for dempningsindusert nedbrytning, er det ikke anbefalt å bruke for høy kjøretøyhastighet i praksis. Dette skyldes at den eksponentielle nedbrytningstermer $e^{ -\xi_{b,n} \omega_{b,n} t_r}$ er nært knyttet til tidsintervallet $t_r = \frac{d}{v}$. Derfor, ved høy kjørehastighet, kan tidsforsinkelsen være for kort til å fange opp tilstrekkelig dempningsinformasjon.

Det er også viktig å merke seg at den foreslåtte metoden for beregning av broens dempningsforhold fungerer godt for hjulene på testkjøretøyet som samtidig påvirker samme brospan, som vil bli verifisert i den numeriske studien som følger.

Når man ser på broens responser under påvirkning av et to-akslet kjøretøy, bør man være klar over hvordan resonansfrekvenser for både kjøretøyet og broen samhandler. Dette er spesielt relevant i de tilfellene hvor broens struktur er sensitiv for små endringer i kjøretøyhastighet, som kan forårsake en merkbar effekt på dempningsmålingene. Analysene bør alltid ta hensyn til de dynamiske interaksjonene mellom kjøretøyet og broen for å sikre nøyaktige beregninger av broens strukturelle respons.