Monitorowanie Stanu Konstrukcji (SHM) to długoterminowy ciągły lub okresowy monitoring stanu i wydajności konstrukcji oparty na czujnikach, dostarczający dane do wykrywania uszkodzeń, oceny bezpieczeństwa i planowania konserwacji. Nowoczesne systemy SHM integrują akcelerometry, tensometry, czujniki przemieszczenia, światłowody i kamery z analizą AI.
Monitorowanie Stanu Konstrukcji (SHM) to proces wdrażania strategii wykrywania i charakteryzowania uszkodzeń dla konstrukcji inżynierskich poprzez wykorzystanie sieci czujników, sprzętu do akwizycji danych, systemów komunikacyjnych oraz algorytmów analizy danych. SHM zapewnia ciągłą lub okresową ilościową ocenę stanu konstrukcji, umożliwiając inżynierom wykrywanie uszkodzeń na wczesnym etapie, ocenę bezpieczeństwa konstrukcji pod obciążeniami eksploatacyjnymi i ekstremalnymi oraz optymalizację harmonogramów konserwacji i napraw. Dziedzina ta czerpie z zasad badań nieniszczących (NDT), technologii czujnikowej, przetwarzania sygnałów, analityki danych oraz inżynierii konstrukcyjnej.
Monitorowanie Stanu Konstrukcji jest formalnie definiowane przez International Society for Structural Health Monitoring (ISHM) jako pomiar środowiska eksploatacyjnego i obciążeniowego konstrukcji oraz odpowiedzi tej konstrukcji w określonym przedziale czasu w celu śledzenia i oceny symptomów uszkodzeń, degradacji lub zmian w wydajności. Głównym celem jest udzielenie odpowiedzi na pięć fundamentalnych pytań dotyczących każdej monitorowanej konstrukcji: (1) Czy występuje uszkodzenie? (2) Gdzie znajduje się uszkodzenie? (3) Jaki jest rodzaj i stopień uszkodzenia? (4) Jaki jest pozostały okres użytkowania konstrukcji? oraz (5) Jakie działanie jest zalecane?
Cel SHM wykracza poza wykrywanie uszkodzeń. SHM dostarcza ilościowych danych o wydajności, które wspierają konserwację opartą na stanie (CBM), strategię, w której działania konserwacyjne są wyzwalane przez zmierzony stan konstrukcji, a nie przez stałe odstępy czasu. Kontrastuje to z tradycyjną konserwacją opartą na czasie, która odbywa się według ustalonych harmonogramów niezależnie od rzeczywistego stanu. Konserwacja oparta na stanie, możliwa dzięki SHM, może obniżyć koszty utrzymania o 20–40%, jednocześnie poprawiając niezawodność konstrukcji.
SHM jest wykorzystywane do kilku różnych celów w cyklu życia infrastruktury. Podczas budowy SHM weryfikuje założenia projektowe, monitoruje konstrukcje tymczasowe i dokumentuje parametry wykonawcze. W okresie eksploatacji SHM wykrywa degradację spowodowaną zmęczeniem materiału, korozją, przeciążeniem i oddziaływaniami środowiskowymi. Po zdarzeniach ekstremalnych, takich jak trzęsienia ziemi, huragany, powodzie lub uderzenia pojazdów, SHM zapewnia szybką ocenę stanu w celu ustalenia, czy konstrukcja jest bezpieczna do dalszego użytkowania, czy wymaga pilnej naprawy. Pod koniec okresu użytkowania dane SHM wspierają decyzje dotyczące rehabilitacji, wzmocnienia lub wymiany konstrukcji.
Zasada działania SHM opiera się na relacji między uszkodzeniem konstrukcji a mierzalnymi zmianami w odpowiedzi konstrukcji. Uszkodzenie — czy to pęknięcie, korozja, utrata sprężenia, degradacja łożysk czy osiadanie fundamentów — zmienia sztywność, masę lub tłumienie konstrukcji. Zmiany te przejawiają się jako mierzalne różnice w charakterystykach drgań (częstotliwościach własnych, postaciach drgań, współczynnikach tłumienia), wzorcach odkształceń, ugięciach lub przemieszczeniach. Czujniki SHM wykrywają te zmiany, a algorytmy analizy korelują je z konkretnymi rodzajami i lokalizacjami uszkodzeń.
Kompletny system Monitorowania Stanu Konstrukcji składa się z czterech warstw funkcjonalnych, które współpracują ze sobą, przekształcając zjawiska fizyczne zachodzące na konstrukcji w użyteczne informacje o jej stanie. Zrozumienie tej architektury jest niezbędne do projektowania, specyfikacji i eksploatacji systemów SHM.
Warstwa czujnikowa składa się z przetworników fizycznych montowanych na konstrukcji lub wbudowanych w nią. Przetworniki te przekształcają zjawiska mechaniczne, fizyczne lub chemiczne na sygnały elektryczne. Wybór i rozmieszczenie czujników jest najważniejszą decyzją projektową w każdym systemie SHM, ponieważ determinuje, jakie mechanizmy uszkodzeń mogą być wykrywane i z jaką czułością. Rozmieszczenie czujników opiera się na zasadach teorii optymalnego rozmieszczenia czujników (OSP), która wykorzystuje optymalizację matematyczną do maksymalizacji wykrywalności przewidywanych scenariuszy uszkodzeń przy minimalnej liczbie czujników. Typowe rodzaje czujników są szczegółowo omówione w Sekcji 3.
Warstwa akwizycji danych odbiera sygnały analogowe z czujników i przekształca je w dane cyfrowe nadające się do transmisji i analizy. Sprzęt DAQ realizuje kilka funkcji: kondycjonowanie sygnałów (wzmacnianie, filtrowanie i izolacja surowych sygnałów z czujników), konwersję analogowo-cyfrową (ADC) z określoną częstotliwością próbkowania i rozdzielczością, synchronizację wielu kanałów czujników do wspólnej podstawy czasu oraz tymczasowe buforowanie danych przed transmisją. Częstotliwości próbkowania znacznie się różnią w zależności od zastosowania — akcelerometry na moście o dużej rozpiętości mogą próbkować z częstotliwością 50–200 Hz w przypadku monitorowania drgań otoczenia, podczas gdy tensometry na ortotropowej płycie stalowej mogą wymagać 1000 Hz lub więcej, aby wychwycić cykle zmęczeniowe od przejazdów ciężarówek.
Nowoczesne systemy DAQ oferują architektury modułowe, które umożliwiają łączenie różnych typów czujników na jednej platformie. National Instruments cRIO i Campbell Scientific CR6 to przykłady wytrzymałych platform DAQ powszechnie stosowanych w mostowych aplikacjach SHM. Systemy te działają w środowiskach zewnętrznych w zakresie temperatur od –40°C do +85°C, często w obudowach montowanych pod pomostami mostów lub przy konstrukcjach.
Warstwa transmisji danych przesyła cyfrowe dane pomiarowe z konstrukcji do centralnego obiektu przetwarzania. Metoda transmisji zależy od warunków na miejscu, objętości danych i dostępności zasilania. Transmisja przewodowa z wykorzystaniem kabli światłowodowych lub Ethernetu zapewnia wysoką przepustowość i niezawodność, ale wymaga prowadzenia i ochrony kabli. Transmisja bezprzewodowa z wykorzystaniem sieci komórkowych (4G/5G), modemów radiowych lub łączy satelitarnych eliminuje koszty okablowania, ale wprowadza ograniczenia przepustowości i kwestie poboru mocy.
W przypadku mostów w obszarach wiejskich, gdzie zasilanie sieciowe i przewodowa komunikacja są niedostępne, systemy SHM często wykorzystują panele słoneczne lub turbiny wiatrowe do zasilania oraz modemy komórkowe do transmisji danych. Program SHM Oregon Department of Transportation, jedna z najwcześniejszych implementacji na poziomie stanowym, wykorzystuje właśnie tę konfigurację do zdalnego monitorowania mostów. Interwał transmisji danych może być czasu rzeczywistego (ciągłe strumieniowanie), okresowy (przesyłanie zbiorcze co godzinę/dzień) lub wyzwalany zdarzeniami (transmisja tylko wtedy, gdy odczyty czujników przekraczają wartości progowe).
Warstwa przetwarzania danych to miejsce, w którym surowe odczyty z czujników są przekształcane w informacje o stanie konstrukcji, na których inżynierowie mogą podejmować działania. Warstwa ta obejmuje przechowywanie danych (zazwyczaj baza SQL lub szeregów czasowych), kontrolę jakości (usuwanie pików, korekcja dryftu, kompensacja temperatury) oraz zautomatyzowane algorytmy analizy (identyfikacja modalna, statystyczna kontrola procesu, modele uczenia maszynowego). Wyniki prezentowane są za pomocą pulpitów nawigacyjnych, wykresów trendów i automatycznych powiadomień alertowych (e-mail, SMS lub integracja z SCADA).
Coraz powszechniejsze stają się platformy SHM oparte na chmurze. Ekosystemy AWS IoT i Microsoft Azure IoT oferują zarządzane usługi do zarządzania urządzeniami, pozyskiwania, przechowywania i analizy danych. Platformy te wspierają przetwarzanie brzegowe (edge computing), gdzie wstępne przetwarzanie danych odbywa się na lokalnym sprzęcie DAQ przed transmisją, co zmniejsza objętość danych i umożliwia alerty w czasie rzeczywistym nawet przy przerywanym połączeniu sieciowym.
| Warstwa Systemu SHM | Kluczowe Komponenty | Funkcje |
|---|---|---|
| Warstwa czujnikowa | Akcelerometry, tensometry, czujniki przemieszczeń, inklinometry, czujniki światłowodowe, kamery, czujniki korozji | Przekształcanie zjawisk fizycznych na sygnały elektryczne; rejestrowanie odpowiedzi konstrukcji |
| Akwizycja danych | Kondycjonery sygnałów, wzmacniacze, filtry antyaliasingowe, przetworniki ADC, rejestratory danych | Kondycjonowanie sygnałów analogowych; digitalizacja z odpowiednią częstotliwością próbkowania; synchronizacja kanałów |
| Transmisja danych | Kable światłowodowe, Ethernet, modemy komórkowe, modemy radiowe, łącza satelitarne | Przesyłanie danych z konstrukcji do obiektu przetwarzania; obsługa trybu rzeczywistego, okresowego lub wyzwalanego zdarzeniami |
| Przetwarzanie i alerty | Bazy danych, oprogramowanie analityczne, pulpity nawigacyjne, systemy powiadomień | Przechowywanie, czyszczenie i analiza danych; wykrywanie anomalii; generowanie alertów i raportów |
Warstwa generowania alertów stanowi interfejs między danymi SHM a osobami podejmującymi decyzje. Alerty progowe wyzwalają powiadomienia, gdy odczyty czujników przekraczają zdefiniowane bezwzględne granice lub granice szybkości zmian. Alerty statystyczne wykorzystują karty kontrolne (Shewhart, CUSUM, EWMA) do wykrywania, kiedy odpowiedź konstrukcji odbiega od zachowania bazowego poza oczekiwaną zmienność. Alerty uczenia maszynowego wykorzystują wytrenowane modele detekcji anomalii do identyfikacji subtelnych zmian, które metody statystyczne mogą przeoczyć. Alerty są zazwyczaj klasyfikowane według poziomu powagi — informacyjny, ostrzegawczy, alarmowy i krytyczny — wraz z odpowiadającymi im protokołami eskalacji.
Wybór typów czujników dla systemu SHM jest podyktowany mechanizmami uszkodzeń przewidywanymi dla konstrukcji, materiałami konstrukcyjnymi oraz celami monitorowania. Każdy typ czujnika mierzy określony parametr fizyczny i reaguje na różne tryby uszkodzeń.
Akcelerometry mierzą drgania i odpowiedź dynamiczną konstrukcji. Są najczęściej stosowanymi czujnikami w globalnej praktyce SHM, ponieważ drgania są czułymi wskaźnikami zmian sztywności konstrukcji. Uszkodzenia takie jak pękanie, utrata sprężenia, degradacja łożysk i utrata przekroju elementów zmniejszają sztywność, co przesuwa częstotliwości własne i zmienia postacie drgań. Akcelerometry rejestrują te zmiany.
Dostępne technologie obejmują akcelerometry piezoelektryczne (szeroki zakres częstotliwości, wysoka czułość), pojemnościowe akcelerometry MEMS (niski koszt, małe rozmiary, odpowiedź DC) oraz serwoakcelerometry z przeciwwagą siłową (najwyższa czułość dla niskoczęstotliwościowych konstrukcji budowlanych). Do monitorowania mostów powszechnie stosuje się akcelerometry MEMS o czułości 10 V/g i poziomie szumów poniżej 10 μg/√Hz. Program FHWA LTBP rozmieszcza trójosiowe zestawy akcelerometrów na instrumentowanych mostach w celu rejestracji danych drganiowych pochodzących od wymuszeń środowiskowych (wiatr, ruch) i wymuszonych (samochód testowy).
Dane z zestawów akcelerometrów są analizowane za pomocą technik operacyjnej analizy modalnej (OMA), takich jak dekompozycja w dziedzinie częstotliwości (FDD) oraz stochastyczna identyfikacja podprzestrzeni (SSI), w celu wyznaczenia częstotliwości własnych, postaci drgań i współczynników tłumienia. Zmiany tych parametrów modalnych w czasie wskazują na degradację konstrukcji.
Tensometry mierzą lokalne odkształcenia powierzchniowe w elementach konstrukcyjnych pod obciążeniem. Służą do monitorowania poziomów naprężeń, wykrywania zdarzeń przeciążeniowych, śledzenia akumulacji uszkodzeń zmęczeniowych oraz weryfikacji założeń dotyczących rozkładu obciążenia. Spawane tensometry foliowe są powszechnie stosowane w konstrukcjach stalowych, podczas gdy tensometry strunowe są preferowane w konstrukcjach betonowych ze względu na długoterminową stabilność i odporność na wilgoć.
Dane z monitorowania odkształceń umożliwiają ocenę trwałości zmęczeniowej przy użyciu metody zliczania cykli (rainflow counting), która wyodrębnia cykle naprężeń z przebiegów czasowych odkształceń i stosuje kumulatywną regułę uszkodzeń Minera (liniowa hipoteza uszkodzeń Palmgrena-Minera). W przypadku ortotropowych pomostów mostów stalowych, gdzie pękanie zmęczeniowe w złączach spawanych żebro-pomost jest znanym problemem, ciągłe monitorowanie odkształceń dostarcza danych do oceny stanu zmęczeniowego przy rzeczywistym ruchu, a nie tylko przy obciążeniach projektowych.
Czujniki przemieszczenia mierzą ruch bezwzględny lub względny elementów konstrukcyjnych. Liniowe przetworniki różnicowe (LVDT) oraz przetworniki przemieszczenia linkowe mierzą względne przemieszczenia w obrębie rys, złączy lub łożysk. Tachimetry i odbiorniki GNSS mierzą bezwzględne trójwymiarowe przemieszczenia pomostów mostów i pylonów pod obciążeniem.
W monitorowaniu nawierzchni lotniskowych deflektometry wielopoziomowe (MDD) mierzą odkształcenia warstwowe pod obciążeniem statków powietrznych. Dane te są wykorzystywane do wstecznego obliczania modułów warstw w celu oceny strukturalnej nawierzchni zgodnie z Podręcznikiem projektowania aerodromów ICAO (Dok. 9157) oraz procedurami projektowania nawierzchni FAA AC 150/5370-11B.
Pochylomiary mierzą obrót kątowy elementów konstrukcyjnych z wysoką precyzją (rozdzielczość 1–10 mikroradianów). Służą do monitorowania osiadania podpór, obrotu łożysk mostowych, przemieszczeń ścian oporowych oraz przechyłów fundamentów. W programie SHM Oregon DOT pochylomiary na moście zwodzonym Isthmus Slough (zbudowanym w 1935 r.) monitorują przechył podpór wpływający na operacje otwierania i zamykania mostu. System obejmuje zarówno długoterminowe monitorowanie trendów, jak i wczesne ostrzeganie o przekroczeniu progów.
Najczęściej stosowanymi technologiami są elektrolityczne czujniki pochylenia oraz inklinometry MEMS. Są one często rozmieszczane w zestawach wzdłuż podpór mostowych lub ścian oporowych w celu pomiaru różnicowego osiadania i profili obrotu.
Czujniki światłowodowe stanowią przełomową technologię w SHM, ponieważ oferują pomiar rozproszony na dużych odległościach, odporność na zakłócenia elektromagnetyczne oraz długoterminową stabilność. Stosowane są dwie główne technologie: światłowodowe siatki Bragga (FBG) oraz rozproszone czujniki światłowodowe (DFOS) .
Czujniki FBG składają się z okresowych modulacji współczynnika załamania zapisanych w rdzeniu włókna w określonych lokalizacjach. Zmiany odkształcenia lub temperatury przesuwają długość fali Bragga, która jest mierzona z rozdzielczością submikroodkształceń. Wiele czujników FBG może być multipleksowanych na jednym włóknie, tworząc quasirozproszoną sieć czujników. Różyce tensometryczne FBG są instalowane na dźwigarach stalowych w celu monitorowania lokalnych pól naprężeń.
Rozproszone czujniki światłowodowe wykorzystują techniki takie jak Brillouinowska analiza optyczna w dziedzinie czasu (BOTDA), Brillouinowska reflektometria optyczna w dziedzinie czasu (BOTDR) oraz reflektometria optyczna w dziedzinie częstotliwości (OFDR) oparta na rozpraszaniu Rayleigha do ciągłego pomiaru odkształceń i temperatury na całej długości włókna, osiągając rozdzielczość przestrzenną 1–10 cm na odcinkach 10–50 km. Pojedynczy kabel światłowodowy zainstalowany wzdłuż dźwigara mostowego może dostarczać odczyty odkształceń z tysięcy lokalizacji, tworząc pełny profil odkształceń ujawniający lokalne anomalie.
Most Akashi Kaikyō w Japonii oraz Most Confederation w Kanadzie to przykłady dużych mostów wyposażonych w systemy monitorowania światłowodowego. W przypadku nawierzchni lotniskowych kable światłowodowe zatopione w asfalcie pasów startowych zapewniają ciągły monitoring odkształceń i temperatury pod obciążeniem statków powietrznych, umożliwiając wykrywanie podpowierzchniowego pogorszenia stanu, zanim pojawią się pęknięcia na powierzchni.
Monitorowanie SHM oparte na wizji wykorzystuje kamery cyfrowe, bezzałogowe statki powietrzne (UAV/drony) oraz techniki cyfrowej korelacji obrazu (DIC) do pomiaru odpowiedzi konstrukcji bez fizycznego kontaktu z konstrukcją. Kamery rejestrują obrazy powierzchni konstrukcji w wysokiej rozdzielczości w regularnych odstępach czasu, a algorytmy przetwarzania obrazu wykrywają i kwantyfikują pęknięcia, odpryski, plamy korozyjne oraz zmiany geometryczne.
Cyfrowa korelacja obrazu śledzi ruch naturalnej tekstury powierzchni lub naniesionych wzorów plamek na serii obrazów w celu obliczenia pełnopolowych pól przemieszczeń i odkształceń z dokładnością poniżej piksela. DIC jest stosowany w laboratoryjnych badaniach konstrukcji oraz, przy odpowiednich systemach kamer, w terenowym monitorowaniu elementów mostów.
Dane z inspekcji wizualnej przy użyciu dronów — takie jak te dostarczane przez platformę TarmacView — uzupełniają naziemne sieci czujników SHM, zapewniając kompleksową dokumentację wizualną stanu powierzchni, która może być georeferencjonowana i zintegrowana z systemem zarządzania danymi SHM.
| Typ czujnika | Mierzony parametr | Typowa rozdzielczość | Typowe zastosowanie |
|---|---|---|---|
| Akcelerometr | Przyspieszenie (drgania) | 0,1–10 μg | Analiza modalna, wykrywanie zmian sztywności |
| Tensometr | Odkształcenie powierzchniowe | 1–5 μstrain | Monitorowanie naprężeń, ocena zmęczenia |
| LVDT/Przemieszczenie | Przemieszczenie względne | 1–10 μm | Monitorowanie rys, ruch złączy |
| Pochylomiar | Obrót kątowy | 1–10 μrad | Osiadanie fundamentów, przechył podpór |
| Światłowód FBG | Odkształcenie/temperatura | 1 μstrain / 0,1°C | Rozproszone profilowanie odkształceń |
| Rozproszony światłowód | Odkształcenie/temperatura | 10 μstrain / 0,5°C | Ciągłe monitorowanie długich przęseł |
| Kamera/DIC | Pole przemieszczeń/odkształceń | 0,01–0,1 px | Detekcja pęknięć, odkształcenia pełnopolowe |
Objętość danych generowanych przez nowoczesne sieci czujników SHM stanowi zarówno szansę, jak i wyzwanie. Pojedynczy most wyposażony w 50 akcelerometrów próbkujących z częstotliwością 200 Hz generuje około 864 milionów punktów danych dziennie. Ręczna analiza takiej ilości danych jest niepraktyczna, co sprawia, że automatyczna analityka danych i sztuczna inteligencja (AI) są niezbędnymi komponentami każdego operacyjnego systemu SHM.
Paradygmat statystycznego rozpoznawania wzorców dla SHM, sformalizowany przez Wordena i Farrara (2001) w Los Alamos National Laboratory, dzieli proces analizy SHM na cztery etapy: (1) ocena operacyjna — określenie scenariuszy uszkodzeń będących przedmiotem zainteresowania oraz ograniczeń monitorowania; (2) akwizycja i normalizacja danych — zbieranie danych oraz usuwanie wpływów środowiskowych i operacyjnych (temperatura, ruch, wiatr), które mogą maskować zmiany wywołane uszkodzeniami; (3) ekstrakcja cech — obliczanie cech wrażliwych na uszkodzenia z surowych danych (częstotliwości własne, krzywizna postaci drgań, linie wpływowe odkształceń, współczynniki falkowe); oraz (4) rozwój modeli statystycznych — budowanie modeli rozróżniających stany nieuszkodzone i uszkodzone.
Normalizacja danych w celu usunięcia wpływów środowiskowych jest kluczowa, ponieważ wahania temperatury mogą powodować zmiany częstotliwości własnych mostów o 2–10% — porównywalne z wielkością zmian wywołanych umiarkowanym uszkodzeniem. Techniki takie jak analiza głównych składowych (PCA), autoasocjacyjne sieci neuronowe (AANN) oraz kointegracja są stosowane do filtrowania wpływów środowiskowych i izolowania cech związanych z uszkodzeniami.
Metody uczenia maszynowego (ML) stały się kluczowe w nowoczesnej analizie danych SHM. Algorytmy uczenia nadzorowanego (maszyny wektorów nośnych, lasy losowe, głębokie sieci neuronowe) są trenowane na oznaczonych danych ze znanych stanów uszkodzeń w celu klasyfikacji nowych danych. Wyzwaniem jest niedobór oznaczonych danych dotyczących uszkodzeń z eksploatowanych konstrukcji — większość konstrukcji nie jest uszkodzona lub ulega uszkodzeniom, które nie są niezależnie scharakteryzowane. To ograniczenie wzbudziło zainteresowanie podejściami uczenia nienadzorowanego, które wykrywają anomalie względem bazowego modelu stanu zdrowego bez potrzeby stosowania etykiet.
Konwolucyjne sieci neuronowe (CNN) okazały się bardzo skuteczne w obrazowym wykrywaniu pęknięć. Wytrenowane na tysiącach oznaczonych obrazów pęknięć w betonie, CNN potrafią wykrywać pęknięcia o szerokości zaledwie 0,1 mm z dokładnością przekraczającą 95%. Architektura U-Net, pierwotnie opracowana do segmentacji obrazów biomedycznych, została zaadaptowana do segmentacji pęknięć na poziomie pikseli na obrazach pokładów mostów rejestrowanych przez drony inspekcyjne.
Rekurencyjne sieci neuronowe (RNN), w szczególności sieci Long Short-Term Memory (LSTM), są stosowane do danych z czujników szeregów czasowych w celu przewidywania pozostałego okresu użytkowania. Model LSTM wytrenowany na historycznych danych z tensometrów może przewidywać tempo wzrostu pęknięć zmęczeniowych oraz szacować czas, po którym pęknięcie osiągnie krytyczną długość.
Autoenkodery są używane do nienadzorowanego wykrywania anomalii w SHM. Autoenkoder jest trenowany do rekonstrukcji normalnych (nieuszkodzonych) danych odpowiedzi konstrukcji. Gdy dane pochodzą z uszkodzonej konstrukcji, błąd rekonstrukcji wzrasta, sygnalizując anomalię. Autoenkodery wariacyjne (VAE) zapewniają probabilistyczne ramy do wykrywania anomalii, określając prawdopodobieństwo, że obserwowane dane reprezentują normalne lub nienormalne zachowanie konstrukcji.
Węzły obliczeń brzegowych, które uruchamiają lekkie modele AI bezpośrednio na sprzęcie DAQ, umożliwiają wykrywanie anomalii w czasie rzeczywistym bez zależności od łączności z chmurą. Systemy te mogą natychmiastowo wyzwalać alerty dotyczące krytycznych zdarzeń, takich jak uszkodzenia wywołane trzęsieniem ziemi lub przeciążenie ruchem.
| Metoda AI/ML | Zastosowanie w SHM | Typ danych | Nadzór |
|---|---|---|---|
| Support Vector Machine (SVM) | Klasyfikacja uszkodzony vs. nieuszkodzony | Parametry modalne, cechy | Nadzorowane |
| Random Forest | Ranking ważności cech, klasyfikacja uszkodzeń | Wiele typów czujników | Nadzorowane |
| CNN | Wykrywanie pęknięć, identyfikacja defektów powierzchniowych | Obrazy, wideo | Nadzorowane |
| LSTM | Prognozowanie trwałości zmęczeniowej, przewidywanie szeregów czasowych | Odkształcenie, przyspieszenie | Nadzorowane |
| Autoenkoder (VAE) | Wykrywanie anomalii, wykrywanie nowości | Wieloczujnikowe szeregi czasowe | Nienadzorowane |
| PCA | Usuwanie wpływów środowiskowych, redukcja wymiarowości | Dane z wielu czujników | Nienadzorowane |
Mosty stanowią najczęstszy obszar zastosowań SHM. Stany Zjednoczone mają ponad 590 000 mostów drogowych (dane z 2024 r.), z czego około 36% jest klasyfikowanych jako konstrukcyjnie wadliwe lub funkcjonalnie przestarzałe według National Bridge Inventory (NBI). Program FHWA Long-Term Bridge Performance (LTBP) oraz wytyczne AASHTO stanowią ramy dla praktyki SHM mostów w USA.
Uruchomiony w kwietniu 2008 r. na mocy Safe, Accountable, Flexible, Efficient Transportation Equity Act (SAFETEA-LU), program LTBP to 20-letnia flagowa inicjatywa badawcza Biura Badań i Rozwoju Infrastruktury FHWA. Globalnym celem programu jest gromadzenie naukowych danych ilościowych wysokiej jakości z reprezentatywnej ogólnokrajowej próby mostów drogowych, poszerzanie wiedzy o wydajności mostów i ostatecznie promowanie bezpieczeństwa, mobilności, trwałości i niezawodności krajowych zasobów transportu drogowego.
Program LTBP stosuje podejście holistyczne, analizując wszystkie zmienne fizyczne i funkcjonalne wpływające na wydajność mostów. Naukowcy przeprowadzają szczegółowe okresowe inspekcje w połączeniu z technikami badań nieniszczących (NDE), w tym georadar, monitorowanie emisji akustycznej oraz stałe instalacje czujników monitorujących obciążenie ruchem, pęknięcia zmęczeniowe, korozję, zdarzenia przeciążeniowe i warunki środowiskowe.
Dane gromadzone w ramach programu LTBP wspierają: ulepszone modele degradacji i predykcyjne symulujące interakcje między nawierzchniami, mostami i ruchem; efektywne wykorzystanie analizy kosztów cyklu życia; postępy w technologii inspekcji poprzez NDE i SHM; opracowywanie ulepszonych metod projektowania i praktyk konserwacyjnych; kwantyfikację skuteczności strategii utrzymania, napraw i renowacji; oraz wsparcie dla kształtowania krajowej polityki mostowej.
American Association of State Highway and Transportation Officials (AASHTO) udostępnia wytyczne dotyczące SHM mostów poprzez Manual for Bridge Evaluation (2015) oraz publikacje pomocnicze Podkomitetu AASHTO ds. Mostów i Konstrukcji. Zalecenia AASHTO dotyczące SHM obejmują: określanie, kiedy SHM jest właściwe (mosty ze znaną degradacją, detalami podatnymi na zmęczenie, nowatorskimi projektami lub oceną po ekstremalnych zdarzeniach); strategie doboru i rozmieszczenia czujników; protokoły zarządzania danymi; oraz interpretację wyników SHM do oceny nośności i stanu technicznego.
Program SHM Oregon Department of Transportation (ODOT), udokumentowany przez Stevena Lovejoya z Wydziału Inżynierii Mostowej ODOT, jest jednym z najbardziej dojrzałych wdrożeń na poziomie stanowym. Według stanu na 2024 r. 10 mostów posiada dedykowane systemy SHM w sześciu kategoriach monitorowania:
Systemy SHM ODOT kosztują od 30 000 do 250 000 dolarów za most, z rocznymi kosztami eksploatacji w wysokości 5 000–20 000 dolarów na zarządzanie danymi, utrzymanie systemu i analizę. Program wykazał, że dane SHM umożliwiają ukierunkowane działania konserwacyjne, które rozwiązują konkretne problemy, zamiast wymiany lub modernizacji całych konstrukcji.
Monitorowanie infrastruktury lotniskowej z wykorzystaniem zasad SHM to rozwijająca się dziedzina, napędzana rosnącymi masami samolotów, starzejącą się infrastrukturą nawierzchniową oraz naciskiem regulacyjnym na bezpieczeństwo. International Civil Aviation Organization (ICAO) omawia monitorowanie nawierzchni w Aerodrome Design Manual (Doc 9157) oraz Annex 14 — Aerodromes, zalecając, aby operatorzy lotnisk wdrażali programy monitorowania wykrywające degradację nawierzchni, zanim zagrozi ona bezpieczeństwu.
Systemy monitorowania stanu nawierzchni lotniskowej wykorzystują czujniki zatopione w nawierzchniach pasów startowych, dróg kołowania i płyt postojowych do pomiaru mechanicznych reakcji na obciążenia od statków powietrznych. Typowe zestawy czujników obejmują: tensometry zatapiane w asfalcie lub betonie do pomiaru odkształceń rozciągających w spodniej części warstw związanych; czujniki nacisku do pomiaru naprężeń pionowych w warstwach nawierzchni; czujniki temperatury do pomiaru gradientów temperatury nawierzchni wpływających na sztywność asfaltu; czujniki wilgotności do wykrywania podpowierzchniowej infiltracji wody przyspieszającej degradację nawierzchni; oraz multi-depth deflectometers (MDDs) do pomiaru ugięć poszczególnych warstw.
Badanie z 2019 roku przeprowadzone przez Iowa State University (finansowane przez FAA) opracowało inteligentną platformę instrumentacji nawierzchni lotniskowych, która integruje dane z czujników z modelami elementów skończonych do bieżącej oceny strukturalnej nawierzchni. Platforma wykorzystuje kalibrację backcalculation z ugięciomierza dynamicznego (FWD) w połączeniu z ciągłym monitoringiem czujnikowym do śledzenia zmian modułów warstw w czasie — identyfikując pogorszenie stanu konstrukcji na miesiące lub lata przed pojawieniem się spękań powierzchniowych.
AC 150/5370-11B FAA — Use of Nondestructive Testing in the Evaluation of Airport Pavements — zawiera wytyczne dotyczące badań ugięciomierzami, georadaru i innych metod NDE stosowanych w ocenie nawierzchni lotniskowych. Dokument uznaje, że podczas gdy okresowe badania NDE (zwykle co 5 lat dla głównych lotnisk) zapewniają migawki stanu nawierzchni, ciągły monitoring czujnikowy (SHM) może wykrywać degradację w odstępach między badaniami.
Rynek systemów czujnikowych dla nawierzchni lotniskowych został wyceniony na 2,1 miliarda dolarów w 2025 roku, a prognozy przewidują osiągnięcie 4,1 miliarda dolarów do 2034 roku przy CAGR na poziomie 7,7%. Wzrost napędzają programy przebudowy pasów startowych na głównych lotniskach świata, rosnące ładunki statków powietrznych (A380, B777-9, B787) oraz wymogi regulacyjne dotyczące ciągłego raportowania stanu nawierzchni.
SHM i okresowa inspekcja wizualna to podejścia uzupełniające się, a nie konkurencyjne w ocenie stanu konstrukcji. Zrozumienie, kiedy każde z nich jest właściwe — i jak można je zintegrować — jest kluczowe dla skutecznego zarządzania infrastrukturą.
Inspekcja okresowa odbywa się według skodyfikowanych procedur — AASHTO Manual for Bridge Element Inspection (MBEI) lub wymagań ICAO’s Aerodrome Certification — w ustalonych odstępach czasu (zwykle 12-24 miesięcy dla mostów, corocznie dla nawierzchni lotniskowych). Inspekcja ma charakter jakościowy, opierając się na obserwacji wizualnej i doświadczeniu inspektora w identyfikacji i ocenie wad. Wynikiem jest ocena stanu (np. 1-9 dla NBI w przypadku mostów, 1-100 dla PCI w przypadku nawierzchni).
Ograniczenia inspekcji okresowej obejmują: widoczność ograniczoną do dostępnych i widocznych powierzchni (zatopione fundamenty, wewnętrzne cięgna, podziemne warstwy nawierzchni są niewidoczne); niemożność wykrycia aktywnej degradacji między cyklami inspekcyjnymi; subiektywność i zmienność między inspektorami; niemożność pomiaru wydajności konstrukcji pod rzeczywistymi obciążeniami; oraz brak ilościowych danych trendowych.
SHM dostarcza ilościowych danych szeregów czasowych zbieranych w sposób ciągły lub z wysoką częstotliwością. Wykrywa uszkodzenia podpowierzchniowe (korozję zatopionego zbrojenia, utratę sprężenia, wewnętrzne pękanie betonu, odspajanie nakładek), których inspekcja wizualna nie jest w stanie wykryć. SHM rejestruje zdarzenia przejściowe (przeciążone pojazdy, trzęsienia ziemi, ekstrema termiczne, zdarzenia erozyjne podczas powodzi), które występują między cyklami inspekcyjnymi.
Najskuteczniejsza strategia oceny stanu integruje SHM z inspekcją okresową. National Bridge Inspection Standards (NBIS) w USA nie wymagają obecnie SHM, ale wiele stanów wykorzystuje SHM jako uzupełnienie dla konkretnych konstrukcji ze znanymi problemami wydajnościowymi. Program FHWA LTBP łączy oba podejścia: okresowe szczegółowe inspekcje zapewniają wizualne bazowe oceny stanu, podczas gdy czujniki SHM dostarczają ciągłych danych o wydajności. Inspekcje dronowe TarmacView wypełniają lukę, dostarczając wysokorozdzielcze dane wizualne, które można zbierać na żądanie pomiędzy zaplanowanymi cyklami inspekcyjnymi i integrować z naziemnymi danymi z czujników SHM.
| Aspekt | Okresowa Inspekcja Wizualna | Monitorowanie Stanu Konstrukcji |
|---|---|---|
| Rodzaj danych | Jakościowe (oceny stanu) | Ilościowe (pomiary szeregów czasowych) |
| Częstotliwość | Stałe odstępy (12-24 miesięcy) | Ciągła lub wysoka częstotliwość (minuty do Hz) |
| Dostęp do powierzchni | Tylko widoczne powierzchnie | Ukryte powierzchnie, elementy wewnętrzne |
| Zdarzenia przejściowe | Pomijane między inspekcjami | Rejestrowane w czasie rzeczywistym |
| Uszkodzenia podpowierzchniowe | Niewykrywalne | Wykrywalne przy odpowiednich czujnikach |
| Analiza trendów | Ograniczona (grube oceny) | Szczegółowa (ciągłe dane trendowe) |
| Koszt | Niski na inspekcję | Wyższa inwestycja początkowa, niższy koszt na zdarzenie |
| Najlepsze zastosowanie | Rutynowa dokumentacja stanu | Konstrukcje krytyczne, znane problemy, walidacja wydajności |
Wykrywanie uszkodzeń w SHM opiera się na zasadzie, że uszkodzenie konstrukcji zmienia właściwości fizyczne (masę, sztywność, tłumienie, warunki brzegowe) konstrukcji, a zmiany te powodują mierzalne różnice w odpowiedzi konstrukcji. Algorytmy wykrywania uszkodzeń to matematyczne i obliczeniowe metody, które wydobywają cechy wrażliwe na uszkodzenia z danych czujników i klasyfikują stan konstrukcji.
Metody modalne wykorzystują zmiany częstości drgań własnych, postaci drgań własnych, modalnej energii odkształcenia oraz współczynników tłumienia do wykrywania, lokalizowania i określania wielkości uszkodzeń. Podstawową zasadą jest to, że zmniejszenie lokalnej sztywności (spowodowane pękaniem, utratą przekroju itp.) obniża częstotliwość drgań własnych i zmienia krzywiznę postaci drgań w miejscu uszkodzenia.
Metody przesunięcia częstotliwości porównują zmierzone częstotliwości drgań własnych z wartościami bazowymi. Metoda czułości wiąże przesunięcia częstotliwości ze zmniejszeniem sztywności w określonych elementach konstrukcji. Metody krzywizny postaci drgań obliczają drugą pochodną przestrzenną postaci drgań; krzywizna zwiększa się w miejscach uszkodzeń. Metody modalnej energii odkształcenia (MSE) obliczają rozkład energii odkształcenia w każdym elemencie na podstawie postaci drgań; uszkodzenie powoduje redystrybucję energii odkształcenia.
Głównym ograniczeniem metod modalnych jest to, że częstotliwości drgań własnych są właściwościami globalnymi — niewielka lokalna zmiana sztywności może powodować przesunięcia częstotliwości mniejsze niż niepewność pomiarowa. Skuteczne zastosowanie wymaga staranniej normalizacji warunków środowiskowych oraz statystycznego testowania hipotez.
Metody odkształceniowe monitorują linie wpływu odkształceń, rozkłady odkształceń oraz histogramy zakresów odkształceń w celu wykrywania uszkodzeń. Pęknięcie pod tensometrem zmniejsza mierzone odkształcenie w tym miejscu pod obciążeniem. Porównawcza analiza odkształceń porównuje pomiary odkształceń przy identycznych poziomach obciążenia w czasie — wzrost odkształcenia wskazuje na zmniejszenie sztywności.
Badanie z obciążeniem ruchomym to metoda odkształceniowa stosowana do oceny stanu mostów. Ciężarówka o znanej masie przejeżdża przez most z prędkością pełzania, podczas gdy tensometry rejestrują odpowiedzi. Otrzymane linie wpływu odkształceń są porównywane z pomiarami bazowymi. Zmiany kształtu linii wpływu wskazują na zmiany sztywności, a lokalizację uszkodzenia identyfikuje się na podstawie zmienionego odcinka linii wpływu.
Monitorowanie emisji akustycznej wykrywa sprężyste fale naprężeń generowane przez aktywne mechanizmy uszkodzeń — rozwój pęknięć, pękanie włókien, korozję i delaminację. Piezoelektryczne czujniki AE montowane na powierzchni konstrukcji wykrywają fale, a system lokalizuje źródło poprzez triangulację czasów przyjścia fal na wielu czujnikach.
Monitorowanie AE jest bardzo czułe na aktywne uszkodzenia (propagację pęknięć) i może wykrywać zdarzenia niewidoczne dla innych metod. Współczynnik Felicity i współczynnik spokoju to parametry pochodzące z danych AE, które korelują z intensywnością uszkodzeń zgodnie z normami ASTM E976 i ASTM E1932. Monitorowanie AE jest stosowane do wykrywania pęknięć zmęczeniowych w mostach stalowych, monitorowania korozji cięcien w betonie sprężonym oraz oceny uszkodzeń materiałów kompozytowych.
Algorytmy uczenia maszynowego zapewniają automatyczną klasyfikację stanów konstrukcji. Cechy wyodrębnione z danych czujników (parametry modalne, momenty statystyczne, współczynniki falkowe, charakterystyki widmowe) są wprowadzane do klasyfikatorów uczonych na danych z znanych stanów konstrukcji. Do powszechnie stosowanych algorytmów należą:
Maszyny wektorów nośnych (SVM) znajdują optymalną hiperpłaszczyznę oddzielającą przestrzeń cech stanu nieuszkodzonego i uszkodzonego. SVM są skuteczne przy ograniczonej liczbie danych uczących i są używane do binarnej klasyfikacji uszkodzeń. Losowy las (Random Forest) — zespoły drzew decyzyjnych — zapewnia ranking ważności cech, identyfikując, które czujniki i cechy są najbardziej czułe na określone typy uszkodzeń. Konwolucyjne sieci neuronowe (CNN) przetwarzają bezpośrednio surowe dane przyspieszeń w dziedzinie czasu lub obrazy, ucząc się optymalnych cech do wykrywania uszkodzeń bez ręcznego inżynierowania cech.
Integracja danych SHM z platformami Modelowania Informacji o Budynku (BIM) i cyfrowego bliźniaka stanowi obecną granicę zarządzania infrastrukturą. Cyfrowy bliźniak to dynamiczna wirtualna reprezentacja fizycznej konstrukcji, która aktualizuje się w czasie rzeczywistym przy użyciu danych z systemu SHM.
Modelowanie Informacji o Budynku zapewnia strukturalną trójwymiarową geometryczną i semantyczną ramę do organizowania danych SHM. Każdemu czujnikowi w sieci monitorującej przypisuje się lokalizację w modelu BIM z powiązanymi metadanymi: typ czujnika, data instalacji, historia kalibracji, zakres pomiarowy i identyfikator strumienia danych. Wyniki inspekcji z przeglądów wizualnych (w tym zdjęcia z dronów TarmacView) są łączone z konkretnymi elementami BIM, tworząc zunifikowane środowisko danych dla wszystkich informacji o stanie konstrukcji.
Standard Industry Foundation Classes (IFC), zarządzany przez buildingSMART International, zapewnia otwarty schemat danych do reprezentowania czujników SHM w modelach BIM. IFC4 zawiera encje dla czujników, typów czujników i możliwości pomiarowych. Rozszerzenie IFC-Bridge jest przeznaczone specjalnie dla konstrukcji mostowych, umożliwiając standaryzowaną wymianę danych między systemami SHM a platformami BIM.
Cyfrowy bliźniak integruje dane z czujników SHM z modelami elementów skończonych (MES), modelami degradacji oraz algorytmami analitycznymi w celu symulacji bieżącego i przyszłego stanu konstrukcji. Model MES jest aktualizowany w sposób ciągły przy użyciu parametrów modalnych wyodrębnionych z danych akcelerometrów — proces ten nazywa się aktualizacją modelu. Zaktualizowany model zapewnia skalibrowaną reprezentację konstrukcji uwzględniającą rzeczywisty stan wykonania i bieżący stan uszkodzenia.
Dzięki skalibrowanemu cyfrowemu bliźniakowi inżynierowie mogą: symulować efekt strategii naprawczych lub wzmacniających przed ich wdrożeniem; przewidywać pozostały okres użytkowania przy prognozowanych przyszłych obciążeniach; optymalizować harmonogram inspekcji i utrzymania w oparciu o przewidywane tempo degradacji; oraz walidować działanie konstrukcji po naprawach. Projekty Eurostars Bridge Digital Twin i InfraWatch w Europie wykazały wykonalność integracji danych SHM z cyfrowymi bliźniakami opartymi na BIM w zakresie operacyjnego zarządzania mostami.
Dane z inspekcji dronami TarmacView — wysokorozdzielcze obrazy ortomozaikowe, trójwymiarowe chmury punktów i mapy uszkodzeń — mogą być zintegrowane z platformami BIM/cyfrowego bliźniaka jako sytuacyjne migawki stanu z oznaczeniem czasu, które uzupełniają ciągłe dane z czujników SHM. Wizualne dane o stanie konstrukcji z inspekcji lotniczych zapewniają walidację naziemną dla automatycznych algorytmów wykrywania uszkodzeń i dokumentują stan powierzchni, którego czujniki umieszczone pod powierzchnią nie są w stanie wykryć.
Wdrożenie systemu SHM wymaga znacznych nakładów początkowych, ale zwrot z inwestycji poprzez wydłużenie okresu użytkowania, obniżenie kosztów utrzymania oraz zapobieganie katastrofalnym awariom jest dobrze udokumentowany.
Całkowity koszt systemu SHM obejmuje: projektowanie i inżynierię systemu (ocena konstrukcji, dobór czujników, analiza optymalnego rozmieszczenia) — zazwyczaj 15-25% całkowitego kosztu; zakup czujników (200–5 000 USD za czujnik, w zależności od typu) — 20-35% całości; instalację i uruchomienie (montaż czujników, okablowanie, konfiguracja obudów, testowanie systemu) — 25-40% całości; zarządzanie i analizę danych (oprogramowanie, przechowywanie, analiza) — koszty bieżące 5 000–30 000 USD/rok; oraz utrzymanie i kalibrację systemu — roczny koszt 3 000–15 000 USD.
Typowe całkowite koszty zainstalowanego systemu SHM: mały most (10-20 czujników) — 50 000–150 000 USD; średni most (20-50 czujników) — 150 000–350 000 USD; duży most o długiej rozpiętości (50-200+ czujników) — 350 000–1 500 000 USD; system monitorowania pasa startowego lotniska — 200 000–500 000 USD za kilometr.
Badania University of California, San Diego nad ekonomiką SHM w mostach wykazały, że utrzymanie oparte na stanie technicznym, umożliwione przez SHM, zmniejsza całkowite koszty utrzymania o 25-40% w porównaniu z utrzymaniem opartym na czasie. New York State Department of Transportation (NYSDOT) poinformował, że monitorowanie SHM krytycznych mostów ze znanymi problemami zmęczeniowymi wyeliminowało konieczność corocznych inspekcji wymagających zamykania ruchu, oszczędzając 500 000 USD rocznie tylko na kosztach zarządzania ruchem.
Koszt awarii konstrukcji stanowi najsilniejsze ekonomiczne uzasadnienie dla SHM. Zawalenie się mostu I-35W nad rzeką Mississippi w 2007 roku w Minneapolis spowodowało 13 ofiar śmiertelnych i całkowite straty ekonomiczne przekraczające 300 milionów USD. Systemy SHM na mostach ze znanymi defektami konstrukcyjnymi kosztują 0,1-0,5% wartości odtworzeniowej, stanowiąc ubezpieczenie od katastrofalnej awarii przy minimalnym koszcie.
Skuteczne wdrożenie SHM przebiega według ustrukturyzowanych ram: (1) Określenie celów monitorowania — jakie mechanizmy uszkodzeń są istotne, jakie decyzje będą oparte na danych SHM; (2) Ocena konstrukcji — identyfikacja krytycznych elementów, trybów zniszczenia i wskaźników wydajności poprzez analizę inżynierską; (3) Projektowanie systemu czujników — wybór typów, ilości i lokalizacji czujników przy użyciu algorytmów optymalnego rozmieszczenia; (4) Planowanie zarządzania danymi — określenie protokołów przechowywania, transmisji, przetwarzania i archiwizacji danych; (5) Zbieranie danych bazowych — scharakteryzowanie konstrukcji w jej bieżącym stanie przed postępem degradacji; (6) Analiza i interpretacja — wdrożenie automatycznych algorytmów wykrywania uszkodzeń i oceny wydajności; (7) Wspomaganie decyzji — przełożenie wyników SHM na praktyczne zalecenia dotyczące utrzymania, napraw lub eksploatacji.
American Society of Civil Engineers (ASCE) opublikowała wytyczne dotyczące wdrażania SHM za pośrednictwem Structural Engineering Institute (SEI), zalecając włączenie SHM do ram zarządzania majątkiem trwałym organizacji zarządzających infrastrukturą, z jasno określonymi rolami, odpowiedzialnościami i protokołami decyzyjnymi.
Monitorowanie Stanu Konstrukcji (SHM) to podejście do zarządzania infrastrukturą oparte na danych, które przekształca inspekcje konstrukcji z okresowych jakościowych migawek w ciągłą ilościową ocenę. Integracja sieci czujników, systemów akwizycji danych, infrastruktury komunikacyjnej i analityki opartej na AI umożliwia inżynierom wykrywanie uszkodzeń na najwcześniejszym możliwym etapie, zrozumienie działania konstrukcji w rzeczywistych warunkach obciążenia oraz podejmowanie świadomych decyzji dotyczących utrzymania, napraw i wymiany. Wraz ze spadkiem kosztów czujników, rozwojem możliwości AI i starzeniem się infrastruktury, SHM staje się coraz bardziej niezbędnym elementem programów zarządzania mostami, tunelami, budynkami i nawierzchniami lotnisk na całym świecie.
Zintegruj inspekcje dronowe ze strumieniami danych SHM dla kompleksowej oceny konstrukcji. TarmacView dostarcza wysokorozdzielcze dane wizualne, które uzupełniają naziemne sieci czujników. Skontaktuj się z nami, aby dowiedzieć się, jak nasza platforma może wzmocnić strategię monitorowania infrastruktury.
Analiza danych ugięć FWD przetwarza zmierzony basen ugięć z badania FWD w celu back-obliczenia modułu sprężystości każdej warstwy nawierzchni (HMA, podbudowa, p...
Pomost mostowy to najwyższy element konstrukcyjny mostu, bezpośrednio przenoszący obciążenia ruchowe i zapewniający nawierzchnię jezdną. Stan pomostu — pęknięci...
Inspekcja przepustów ocenia stan konstrukcyjny (pęknięcia, deformacje, rozsunięcia złącz), stan hydrauliczny (zablokowanie, sedymentacja, wymywanie) oraz stan m...
