7.2 Ingenieurbau
Filtern
Dokumenttyp
- Zeitschriftenartikel (9)
- Beitrag zu einem Tagungsband (9)
- Vortrag (9)
Schlagworte
- Structural Health Monitoring (10)
- Datenmanagement (4)
- Structural health monitoring (3)
- BIM (2)
- Bauwerksüberwachung (2)
- Belastungsversuch (2)
- Big Data (2)
- Bridges (2)
- Damage detection (2)
- Drone (2)
- Großer Fallturm Horstwalde (2)
- Modal Analysis (2)
- Modalanalyse (2)
- Model updating (2)
- SHM (2)
- Schwingungsdynamik (2)
- System Identification (2)
- System identification (2)
- Umwelteinflüsse (2)
- Vibration (2)
- Wind Turbines (2)
- Windenergie (2)
- AISTEC (1)
- Acceleration sensors (1)
- Artificial intelligence (1)
- Automatic modal parameters identification (1)
- Bauwerksdiagnostik (1)
- Bauwerksmonitoring (1)
- Bayesian methods (1)
- Belastungstest (1)
- Belastungszug (1)
- Beschleunigungssensoren (1)
- Bridge monitoring (1)
- Brücken (1)
- Building Information Modeling (1)
- Climate chamber (1)
- Damage Detection (1)
- Digital Models (1)
- Digital Twin (1)
- Digitalisierung (1)
- Drop Test (1)
- Drop Tests (1)
- EERA Joint Program (1)
- Einflusslinie (1)
- Environmental effects (1)
- Environmental influence (1)
- Estimation (1)
- FEM analysis (1)
- Finite Elemente Simulation (1)
- Finite element analysis (1)
- IEPE (1)
- Instandhaltung (1)
- Kalibrierung (1)
- Laboratory beam structure (1)
- Load Test (1)
- Load identification (1)
- Load tests (1)
- Low-frequency shaker (1)
- MEMS (1)
- Maintal Bridge Gemuenden (1)
- Maintalbrücke Gemünden (1)
- Messen im Bauwesen (1)
- Messfahrt (1)
- Model interpolation (1)
- Model update (1)
- Modell-Update (1)
- Monitoring (1)
- Offshore (1)
- Offshore wind energy (1)
- Offshore-Windenergie (1)
- Operational modal analysis (1)
- Point Cloud (1)
- Prädiktive Instandhaltung (1)
- Railway (1)
- Referenzkennzeichnungssystem (1)
- Research data management (1)
- Structural system identification (1)
- Strukturmonitoring (1)
- Subspace methods (1)
- Tagung (1)
- Temperature effects (1)
- UAS (1)
- Variational Bayesian statistics (1)
- Verkehrsinfrastukturen (1)
- Vibration analysis (1)
- Wind energy (1)
- Zivile Sicherheit (1)
- acceleration sensors (1)
- building information modelling (1)
- calibration (1)
- environmental influences (1)
- structural health monitoring (1)
- structural integrity management (1)
- support structures (1)
- transmission behavior (1)
- Übertragungsverhalten (1)
Organisationseinheit der BAM
- 7.2 Ingenieurbau (27) (entfernen)
Paper des Monats
- ja (2)
Eingeladener Vortrag
- nein (9)
Structural Health Monitoring (SHM) wird zunehmend zur kontinuierlichen Zustandsbewertung von Ingenieurbauwerken eingesetzt. Wichtige Bewertungsparameter sind globale Systemeigenschaften, wie z. B. Eigenfrequenzen, zu deren Bestimmung Beschleunigungssensoren eingesetzt werden. Häufig werden sog. MEMS-Sensoren (Micro Electro Mechanical Systems) verwendet, die jedoch ein hohes Rauschniveau aufweisen. Alternativ können rauschärmere IEPE-Sensoren (Integrated Electronics Piezo Electric) eingesetzt werden, die auch bei geringster Strukturanregung Schwingungen zuverlässig erfassen. Ferner besteht das Problem, dass Änderungen der Eigenfrequenzen infolge Bauwerksschädigung schwer von Änderungen der Eigenfrequenzen infolge Umwelteinflüssen zu unterscheiden sind. Letztere verändern die Eigenschaften der Struktur und die des Messsystems. Um Umwelteinflüsse auf das Messsystem im Anwendungsgebiet Ingenieurbau zu untersuchen, wurden IEPE-Beschleunigungsaufnehmer hinsichtlich ihres Übertragungsverhaltens im niederfrequenten Beschleunigungsbereich analysiert. Es zeigt sich, dass das Verhalten nicht nur frequenz-, sondern auch temperaturabhängig ist, während die Luftfeuchte keinen Einfluss hat. Diese für das Bauwerk unbedenklichen Einflüsse müssen für eine robuste Zustandsüberwachung kompensiert werden. Für die Anwendung im Ingenieurbau werden IEPE-Sensoren empfohlen, da sie ein hohes Signal-zu-Rausch-Verhältnis aufweisen und niederfrequente Bauwerksschwingungen zuverlässig erfassen.
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.
Using digital twins for decision making is a very promising concept which combines simulation models with corresponding experimental sensor data in order to support maintenance decisions or to investigate the reliability. The quality of the prognosis strongly depends on both the data quality and the quality of the digital twin. The latter comprises both the modeling assumptions as well as the correct parameters of these models. This article discusses the challenges when applying this concept to realmeasurement data for a demonstrator bridge in the lab, including the data management, the iterative development of the simulation model as well as the identification/updating procedure using Bayesian inference with a potentially large number of parameters. The investigated scenarios include both the iterative identification of the structural model parameters as well as scenarios related to a damage identification. In addition, the article aims at providing all models and data in a reproducibleway such that other researcher can use this setup to validate their methodologies.
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.
Die Infrastruktursysteme der Industriestaaten erfordern heute und in Zukunft ein effizientes Management bei alternder Bausubstanz, steigenden Lasten und gleichbleibend hohem Sicherheitsniveau. Digitale Technologien bieten ein großes Potenzial zur Bewältigung der aktuellen und künftigen Herausforderungen im Infrastrukturmanagement. Im BMBF-geförderten Projekt Bewertung alternder Infrastrukturbauwerke mit digitalen Technologien (AISTEC) wird untersucht, wie unterschiedliche Technologien und deren Verknüpfung gewinnbringend eingesetzt werden können. Am Beispiel der Maintalbrücke Gemünden werden ein sensorbasiertes Bauwerksmonitoring, bildbasierte Inspektion mit durch Kameras ausgestatteten Drohnen (UAS) und die Verknüpfung digitaler Bauwerksmodelle umgesetzt. Die aufgenommenen Bilder dienen u. a. als Grundlage für spätere visuelle Anomaliedetektionen und eine 3D-Rekonstruktion, welche wiederum für die Kalibrierung und Aktualisierung digitaler Tragwerksmodelle genutzt werden. Kontinuierlich erfasste Sensordaten werden ebenfalls zur Kalibrierung und Aktualisierung der Tragwerksmodelle herangezogen. Diese Modelle werden als Grundlage für Anomaliedetektionen und perspektivisch zur Umsetzung von Konzepten der prädiktiven Instandhaltung verwendet. Belastungsfahrten und historische Daten dienen in diesem Beitrag der Validierung von kalibrierten Tragwerksmodellen.