National Transport Library Research Database

Prognostisering av beteendet för bron över Torne älv vid Autio med indirekt datastyrd övervakning - Steg 1 (Prediction of the behavior of the bridge over the Torne river at Autio with indirect computer controlled monitoring - Step 1)

Sponsors, duration, budget: Trafikverket ; 2024-08-01 -- 2025-03-15 Registration number:
  • Trafikverket 2024/62871
Subject(s): Abstract: Detta projekt syftar till att förbättra förmågan att bevaka konditionen (Structural Health Monitoring, SHM) och att bedöma tillståndet för bron över Torne älv vid Autio. Bron inspekteras för närvarande manuellt på grund av upptäckta sprickor och skall i projektet användas som en fallstudie för tillämpning av avancerade datadrivna, indirekta övervakningstekniker i två etapper. Denna ansökan behandlar den första etappen. Fokus i detta skede är att utveckla en datadriven metodik som använder artificiella neurala nätverk (ANN) för att analysera uppmätta data från bron och att fastställa korrelationer mellan temperaturvariationer och viktiga strukturparametrar. Samtidigt undersöks möjligheten att implementera drive-by-övervakning som ett nytt tillvägagångssätt för förbättrad SHM och skadedetektering på bron. Etapp 1 kommer att användas för att ge underlag för etapp 2 som utvidgar de första resultaten genom att tillämpa ett bredare spektrum av maskininlärningsalgoritmer för att härleda detaljerad tillståndsinformation för bron. Denna information kommer att jämföras med resultat erhållna från numeriska metoder (t.ex. finita elementmodeller) och analytiska metoder (nuvarande normer och råd). Upplärning av autonoma skadedetekteringsalgoritmer med hjälp av digitala 3D-modeller av bron inhämtade via luftburen fotogrammetri med drönare (Unmanned Aerial Vehicles, UAV) under olika väderförhållanden kommer också att utforskas.Abstract: This project aims to enhance the understanding of the damage mechanism in prestressed concrete bridges through structural health monitoring (SHM) and condition assessment. The project is focused on the Autio bridge, situated in Northern Sweden. The bridge is under traffic restrictions due to detected cracks. LTU has continuously monitored the crack and strains development in concrete and steel over the last four years. Now we want to better understand the trends and potential correlations between different parameters through applying advanced data-driven and indirect monitoring techniques across two distinct stages. This proposal refers to the funding request for Stage 1. The focus of Stage 1 is on developing a data-driven methodology that utilizes Artificial Neural Networks (ANN) to analyse measured data from the bridge, establishing correlations between temperature variations and key structural parameters. Concurrently, this stage explores the feasibility of implementing drive-by monitoring as a novel approach for improved SHM and damage detection on the bridge. Stage 2 expands on the initial findings by applying a broader spectrum of machine learning algorithms to derive detailed condition information of the bridge. This information will be compared with results obtained from numerical and analytical methods. Training autonomous damage detection algorithms using 3D digital models of the bridge captured via airborne photogrammetry with Unmanned Aerial Vehicles (UAVs) under various weather conditions will also be explored.
Item type: