Shop : Details
Shop
Details
Andreas Jansen
Zur Anomalieerkennung für die Strukturüberwachung von Straßenbrücken mit Signalmerkmalen für Dehnungsmessungen
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.
Schlagwörter: Strukturüberwachung von Brücken; Schadenserkennung; Anomalieerkennung; Merkmale für Dehnungsmessungen
Heftreihe des Instituts für Bauingenieurwesen / Book Series of the Department of Civil Engineering, Technische Universität Berlin
Herausgegeben von Prof. Dr.-Ing. Matthias Barjenbruch, Prof. Dr.-Ing. Karsten Geißler, Prof. Dr.-Ing. Reinhard Hinkelmann, Prof. Dr.-Ing. Wolfgang Huhnt, Prof. Dr.-Ing. Yuri Petryna, Prof. Dr.-Ing. Frank Rackwitz, Prof. Dr. sc. techn. Mike Schlaich, Prof. Dr.-Ing. Volker Schmid, Prof. Dr.-Ing. Matthias Sundermeier und Prof. Dr.-Ing. Frank U. Vogdt, Berlin
Band 33
Export bibliographischer Daten
Shaker Verlag GmbHAm Langen Graben 15a52353 Düren
Mo. - Do. 8:00 Uhr bis 16:00 UhrFr. 8:00 Uhr bis 15:00 Uhr
Kontaktieren Sie uns. Wir helfen Ihnen gerne weiter.
