Экологическая и операционная изменчивость мостов

Общей задачей многих методологий обнаружения повреждений является обеспечение того, чтобы были выявлены действительные дефекты, а не мягкие вариации системы. Мосты контролируются в течение длительных периодов времени и подвергаются большим колебаниям температуры, суровым штормам и многочисленным сценариям дорожного движения. Эти изменяющиеся условия влияют на изменения жесткости и массы моста нелинейным образом, что, в свою очередь, изменяет модальные свойства моста.

Определение структурного ущерба

Небольшие изменения в естественной частоте из-за изменения температуры часто можно ошибочно принять за структурный ущерб, а в некоторых случаях также могут скрывать реальные события повреждения. Например, при исследовании может быть обнаружено изменение частоты структурного повреждения в мостах путем постепенного введения повреждения мостовой балки. Ожидаемые результаты заключаются в том, что индуцированный ущерб уменьшал бы жесткость балки и, следовательно, уменьшал бы ее естественную частоту; вместо этого естественная частота балки может повышаться для первых двух сценариев повреждения до падения. Впоследствии было обнаружено, что температура окружающей среды вызвала первоначальное увеличение частоты балки.

Экологические изменения

Экологические и эксплуатационные изменения оказывают значительное влияние на динамическое поведение моста, которое может быть ошибочно принято за ущерб и является предметом большого исследования. Методы нормализации данных помогают определить базовый ответ моста в диапазоне нормальных условий окружающей среды и условий. Обычно для обеспечения нормализации данных требуется дополнительная информация, касающаяся трафика и условий окружающей среды, как правило, температуры и скорости ветра. Процесс нормализации данных может быть сложным сам по себе из-за нелинейного многомерного характера поведения моста и из-за количества требуемых данных. Моделирование реагирования направлено на то, чтобы отделить изменения, наложенные «нормальными» экологическими или эксплуатационными действиями, от последствий, вызванных ущербом. Он опирается на обучающие алгоритмы статистического обучения, чтобы они могли точно оценить «нормальный» структурный ответ. Наиболее известные статистические алгоритмы моделирования состоят из многослойных нейронных сетей персептрона, опорных векторных регрессий, линейных регрессий, анализа основных компонентов (PCA) и аутоассоциативных нейронных сетей. Алгоритмы, используемые для начального регрессионного анализа и последующего обнаружения выбросов в данных вибрации, были алгоритмом регрессии с наименьшим обрезанным квадратом и оценкой минимальной ковариационной детерминанты. Алгоритм регрессии является адаптацией метода популярной наименьшей квадратичной регрессии, которая минимизирует сумму квадратов остаточных ошибок. Это позволяет создать более надежную подгонку к данным, поскольку она имеет более низкую чувствительность в целом к выбросам по сравнению со многими другими методами регрессии.