Andreas Jansen

Zur Anomalieerkennung für die Strukturüberwachung von Straßenbrücken mit Signalmerkmalen für Dehnungsmessungen


voorkant	achterkant

ISBN:

978-3-8440-9343-8

Reeks:

Heftreihe des Instituts für Bauingenieurwesen / Book Series of the Department of Civil Engineering, Technische Universität Berlin
Uitgever: 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 en Prof. Dr.-Ing. Frank U. Vogdt
Berlin

Volume:

Trefwoorden:

Strukturüberwachung von Brücken; Schadenserkennung; Anomalieerkennung; Merkmale für Dehnungsmessungen

Soort publicatie:

Dissertatie

Taal:

Duits

Pagina's:

360 pagina's

Gewicht:

558 g

Formaat:

24 x 17 cm

Bindung:

Softcover

Prijs:

65,80 € / 82,30 SFr

Verschijningsdatum:

Januari 2024

Kopen:

Aanbevelen:

Wilt u dit boek aanbevelen?

Recensie-exemplaar

Bestelling van een recensie-exemplaar.

Verlinking

Wilt u een link hebben van uw publicatie met onze online catalogus? Klik hier.

Samenvatting

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.