Zur Anomalieerkennung für die Strukturüberwachung von Straßenbrücken mit Signalmerkmalen für Dehnungsmessungen
Seiten
Die kontinuierliche messtechnische Strukturüberwachung, engl. Structural-Health-Monitoring (SHM), von Brücken hat das Potenzial, sich langfristig als wichtiges ergänzendes Instrument der Zustandsbewertung zu etablieren. Durch die Strukturüberwachung sollen Bauwerksschäden zum frühestmöglichen Zeitpunkt erkannt werden. Die Extraktion von geeigneten Kenngrößen (Merkmalen) aus den Messsignalen ist dabei ein wesentlicher erster Schritt in der Datenanalyse. Durch eine Anomalieerkennung können Veränderungen der abgeleiteten Merkmale infolge von Bauwerksschäden oder auch Sensordefekten identifiziert werden.
In der vorliegenden Arbeit werden zwei Merkmale für Dehnungssignale zur Strukturüberwachung von Straßenbrücken vorgestellt: die R-Signatur und die M-Signatur. Es werden verschiedene Modelle zur Anomalieerkennung aus dem Bereich des maschinellen Lernens beschrieben. Als Modellarten werden dabei Regressionsmodelle, unter anderem Entscheidungsbäume und neuronale Netze, sowie Rekonstruktionsmodelle, darunter die Hauptkomponentenanalyse und Autoencoder, behandelt. Für die Evaluation einer Schadensidentifizierung werden Messdaten einer einfeldrigen stählernen Hohlkastenbrücke unter realitätsnahen Verkehrs- und Temperatureinwirkungen für eine Dauer von einem Jahr mit einem detaillierten Finite-Elemente (FE)-Modell simuliert. Für den gleichen Zeitraum stehen Messdaten des realen Bauwerks zur Verfügung. Bei der Schadensidentifizierung in den simulierten Messdaten erweist sich das Merkmal R-Signatur als besonders geeignet. Anhand der realen Messdaten kann die automatische Erkennung eines Sensordefekts aufgrund einer fehlerhaften Neukalibrierung zweier Wegaufnehmer demonstriert werden.
In der vorliegenden Arbeit werden zwei Merkmale für Dehnungssignale zur Strukturüberwachung von Straßenbrücken vorgestellt: die R-Signatur und die M-Signatur. Es werden verschiedene Modelle zur Anomalieerkennung aus dem Bereich des maschinellen Lernens beschrieben. Als Modellarten werden dabei Regressionsmodelle, unter anderem Entscheidungsbäume und neuronale Netze, sowie Rekonstruktionsmodelle, darunter die Hauptkomponentenanalyse und Autoencoder, behandelt. Für die Evaluation einer Schadensidentifizierung werden Messdaten einer einfeldrigen stählernen Hohlkastenbrücke unter realitätsnahen Verkehrs- und Temperatureinwirkungen für eine Dauer von einem Jahr mit einem detaillierten Finite-Elemente (FE)-Modell simuliert. Für den gleichen Zeitraum stehen Messdaten des realen Bauwerks zur Verfügung. Bei der Schadensidentifizierung in den simulierten Messdaten erweist sich das Merkmal R-Signatur als besonders geeignet. Anhand der realen Messdaten kann die automatische Erkennung eines Sensordefekts aufgrund einer fehlerhaften Neukalibrierung zweier Wegaufnehmer demonstriert werden.
| Erscheinungsdatum | 17.02.2024 |
|---|---|
| Reihe/Serie | Heftreihe des Instituts für Bauingenieurwesen / Book series of the Department of Civil Engineering, Technische Universität Berlin ; 33 |
| Verlagsort | Düren |
| Sprache | deutsch |
| Maße | 170 x 240 mm |
| Gewicht | 558 g |
| Themenwelt | Technik ► Bauwesen |
| Schlagworte | Anomalieerkennung • Merkmale für Dehnungsmessungen • Schadenserkennung • Strukturüberwachung von Brücken |
| ISBN-10 | 3-8440-9343-5 / 3844093435 |
| ISBN-13 | 978-3-8440-9343-8 / 9783844093438 |
| Zustand | Neuware |
| Haben Sie eine Frage zum Produkt? |
Mehr entdecken
aus dem Bereich
aus dem Bereich
Grundlagen und Vorgehensweisen
Buch | Softcover (2021)
Springer Fachmedien Wiesbaden GmbH (Verlag)
CHF 53,15
Bemessung von Stahlbauten nach Eurocode mit zahlreichen Beispielen
Buch | Hardcover (2024)
Springer Vieweg (Verlag)
CHF 83,95
Kommentar zu VOB/C ATV DIN 18340, ATV DIN 18299
Buch | Softcover (2024)
DIN Media (Verlag)
CHF 96,55
