7.2 Ingenieurbau
Filtern
Dokumenttyp
- Beitrag zu einem Tagungsband (9)
- Vortrag (9)
- Zeitschriftenartikel (5)
Referierte Publikation
- nein (23) (entfernen)
Schlagworte
- Structural Health Monitoring (8)
- Datenmanagement (4)
- BIM (2)
- Belastungsversuch (2)
- Big Data (2)
- Bridges (2)
- Drone (2)
- Großer Fallturm Horstwalde (2)
- Modal Analysis (2)
- Modalanalyse (2)
Organisationseinheit der BAM
- 7.2 Ingenieurbau (23) (entfernen)
Eingeladener Vortrag
- nein (9)
Im Forschungsprojekt DiMoWind-Inspect wurde untersucht, welche Grundvoraussetzungen geschaffen werden müssen, um digitale Methoden für die Instandhaltung von Offshore-Windenergieanlagen einsetzen zu können. Daten aus allen Lebensphasen der Anlagen werden derzeit nur selten effizient dafür genutzt, um die sinnvollsten Instandhaltungsmaßnahmen am richtigen Ort, zum richtigen Zeitpunkt und mit den geringsten Kosten durchzuführen. Eine im Vorhaben entwickelte einheitliche Strukturierung der bisher häufig unstrukturierten Bau- und Instandhaltungsdaten ermöglicht ihre übergreifende, anwenderspezifische Verfügbarkeit. Hierfür werden Prinzipien des Referenzkennzeichnungssystems RDS-PP adaptiert. Es wird aufgezeigt, wie neben Bauteilen auch zusätzliche Informationen wie Instandhaltungsmaßnahmen oder Mängel strukturiert werden können. Dem Ansatz des Building Information Modeling folgend werden die Bauwerkskomponenten direkt mit den Informationen aus Inspektionen und weiteren Instandhaltungsmaßnahmen verknüpft. So können Informationen aus dem Betrieb über den Zustand der Struktur verarbeitet und für die maßgebenden Berechnungen und Nachweise zur Verfügung gestellt werden. Als Anwendungsfall wird ein zweistufiges Konzept vorgestellt, das zur Bewertung der Ermüdungslebensdauer eines korrosionsgeschädigten Konstruktionsdetails der Gründungsstruktur einer Offshore-Windenergieanlage mit Informationen aus der Instandhaltung eingesetzt wird.
The Bundesanstalt für Materialforschung und -prüfung (BAM) collaborates with TNO to develop a software framework for automated calibration of structural models based on monitoring data. The ultimate goal is to include such models in the asset management process of engineering structures. As a basis for developing the framework, a multi-span road bridge consisting of ten simply supported steel box girders was selected as a test case. Our group measured output-only vibration data from one box girder under ambient conditions. From the data, we determined eigenfrequencies and mode shapes. In parallel, we developed a preliminary structural model of the box girder for the purpose of predicting its modal properties. In this contribution, we provide an overview of the measurement campaign, the operational modal analysis, the structural modeling and qualitatively compare the identified with the predicted modes. As an outlook, we discuss the further steps in the calibration process and future applications of the calibrated model.
Acceleration sensors are vital for assessing engineering structures by measuring properties like natural frequencies. In practice, engineering structures often have low natural frequencies and face harsh environmental conditions. Understanding sensor behavior on such structures is crucial for reliable masurements. The research focus is on understanding the behavior of acceleration sensors in harsh environmental conditions within the low-frequency acceleration range. The main question is how to distinguish sensor behavior from structural influences to minimize errors in assessing engineering structure conditions. To investigate this, the sensors are tested using a long-stroke calibration unit under varying temperature and humidity conditions. Additionally, a mini-monitoring system configured with four IEPE sensors is applied to a small-scale support structure within a climate chamber. For the evaluation, a signal-energy approach is employed to distinguish sensor behavior from structural behavior. The findings show that IEPE sensors display temperature-dependent nonlinear transmission behavior within the low-frequency acceleration range, with humidity having negligible impact. To ensure accurate engineering structure assessment, it is crucial to separate sensor behavior from structural influences using signal energy in the time domain. This study underscores the need to compensate for systematic effects, preventing the underestimation of vibration energy at low temperatures and overestimation at higher temperatures when using IEPE sensors for engineering structure monitoring.
The long-term preservation of our infrastructure requires not only intelligent sensor technology and highly developed monitoring procedures, but also innovative digital tools for analyzing, evaluating and utilizing the results. This includes mathematical and, in particular, probabilistic methods for damage detection and tracking as well as for calculating service life and maintenance cycles and data management. The example project Maintal Bridge Gemuenden as part of the AISTEC project shows the workflow for the implementation of structural health monitoring and experimental tests with a train of Deutsche Bahn. The influence lines, as one possible way for damage detection, were measured with a highly accurate GNSS System to locate the trains position when crossing the bridge. The results were compared to measurements from 1987 just before the bridge went in operation.
Support structures of wind turbines in German offshore wind farms are regularly inspected. Currently, inspection outcomes are generally not systematically recorded. This prevents their consistent handling and processing, which is a key requirement to enable an efficient structural integrity management. As part of the DiMoWind-Inspect project, a data model and reference designation system for such inspection results is developed to facilitate their identification, localization, quantification, tracing and linking throughout the lifetime of a wind farm and beyond. The inspection results together with structural health monitoring results and information on repairs form the basis for assessing and predicting the structural condition, estimating the remaining lifetime, and planning of future inspections, structural health monitoring, and repairs. As a basis for developing a digital structural integrity management, a generic framework is proposed in this paper, which describes the stakeholders, data, models, processes and workflows of the integrity management of support structures in offshore wind farms and their interrelations. The framework adopts a building information modelling approach to describe the information relevant to the structural integrity management. The central digital space of the framework is a common data environment. An implementation of the framework will enable a digital structural integrity management in which inspection, structural health monitoring, repair, assessment and planning outcomes generated throughout the life cycle of a wind farm can be consistently collected, managed, shared and processed by the relevant shareholders.
Structural health monitoring (SHM) intends to improve the management of engineering structures. The number of successful SHM projects – especially SHM research projects – is ever growing, yielding added value and more scientific insight into the management of infrastructure asset. With the advent of the data age, the value of accessible data becomes increasingly evident. In SHM, many new data-centric methods are currently being developed at a high pace. A consequent application of research data management (RDM) concepts in SHM projects enables a systematic management of raw and processed data, and thus facilitates the development and application of artificial intelligence (AI) and machine learning (ML) methods to the SHM data. In this contribution, a case study based on an institutional RDM framework is presented. Data and metadata from monitoring the structural health of the Maintalbrücke Gemünden for a period of 16 months are managed with the RDM system BAM Data Store, which makes use of the openBIS data management software. An ML procedure is used to classify the data. Feature engineering, feature training and resulting data are performed and modelled in the RDM system.
Falltürme sind Bauwerke, die als Versuchsanlagen sehr speziellen, impulsartigen Belastungen ausgesetzt sind. Am Fallturm auf dem Testgelände Technische Sicherheit (TTS) der BAM wurde bei Routineinspektionen eine Abnahme der strukturellen Integrität in Form von Vorspannungsverlusten in den Bolzen der Stahlverbindungen festgestellt. Um ein Verständnis für die zugrundeliegenden Trag- und Schädigungsmechanismen zu erlangen, wurde ein umfassendes Structural Health Monitoring (SHM) System geplant und am Bauwerk installiert unter Nutzung von digitalen Bauwerksmodellen. Für die Auslegung des Überwachungssystems, insbesondere aber zur Unterstützung der Untersuchung des Schädigungsprozesses, wurden Finite-Elemente-Modelle erstellt. Um sicherzustellen, dass die FE-Modelle das reale Tragwerksverhalten mit ausreichender Genauigkeit abbilden, mussten sie jedoch in Bezug auf die gemessenen Antworten des Tragwerks kalibriert werden. Der vorliegende Beitrag beschreibt experimentelle und numerische Untersuchungen zur Identifizierung des strukturellen Systems des Stahlrohrgitterturms in Vorbereitung einer Überwachungskampagne. Die Auswertung von gemessenen Schwingungen unter ambienter Anregung ermöglichte die Identifizierung der Eigenfrequenzen mehrerer globaler Schwingungsmoden des Fallturms. Zur Modellvalidierung wurde zunächst eine Sensitivitätsanalyse durchgeführt, um die Parameter mit dem größten Einfluss zu ermitteln. Anschließend wurde ein evolutionärer Algorithmus (EA) zur Optimierung nach dem Prinzip der Minimierung der Differenzen zwischen gemessenen und simulierten charakteristischen Antworten eingesetzt. Das aktualisierte Modell wurde schließlich an der dynamischen Reaktion der Turmstruktur infolge einer realen Falltest-induzierten Stoßbelastung validiert. Die Ergebnisse zeigten eine gute Übereinstimmung zwischen numerischen und experimentellen Ergebnissen.
Structural health monitoring (SHM) of civil structures often is limited due to changing environmental conditions, as those changes affect the structural dynamical properties in a similar way like damages can do. In this article, an approach for damage detection under changing temperatures is presentedand applied to a beam structure. The used stochastic subspace-based algorithm relies on a reference null space estimate, which is confronted to data from the testing state in a residual function. For damage detection the residual is evaluated by means of statistical hypothesis tests. Changes of the system due to temperature effects are handled with a model interpolation approach from linear parameter varying system theory. From vibration data measured in the undamaged state at some few reference temperatures, a model of the dynamic system valid for the current testing temperature is interpolated. The reference null space and the covariance matrix for the hypothesis test is computed from this interpolated model. This approach has been developed recently and was validated in an academic test case on simulations of a mass-spring-damper. In this paper, the approach is validated experimentally on a beam structure under varying temperature conditions in a climate chamber. Compared to other approaches, the interpolation approach leads to significantly less false positive alarms in the reference state when the structure is exposed to different temperatures, while faults can still be detected reliably.
Der Vortrag stellt die Durchführung und die ersten Ergebnisse der Belastungsfahrten der BAM im Rahmen des AISTEC Projekts an der Maintalbrücke am 19.05. und 20.05.2021 vor. Es wurden Tragwerksreaktionen des Bauwerks mit dem installierten Dauermonitoringsystem und insbesondere dem Betongelenk mit zusätzlich installierter Sensorik aufgezeichnet. Für die Ermittlung der Lastposition wurden mehrere Verfahren eingesetzt und verglichen.