Monitorovanie štrukturálneho zdravia (SHM) pre mosty a infraštruktúru

Monitorovanie štrukturálneho zdravia (SHM) je proces implementácie stratégie detekcie a charakterizácie poškodenia pre inžinierske konštrukcie prostredníctvom využitia siete senzorov, hardvéru na zber údajov, komunikačných systémov a algoritmov na analýzu údajov. SHM poskytuje kontinuálne alebo periodické kvantitatívne hodnotenie stavu konštrukcie, umožňujúce inžinierom odhaliť poškodenie v ranom štádiu, vyhodnotiť štrukturálnu bezpečnosť pri prevádzkovom a extrémnom zaťažení a optimalizovať plánovanie údržby a opráv. Táto disciplína čerpá z princípov nedestruktívneho testovania (NDT), senzorovej technológie, spracovania signálov, analýzy údajov a stavebného inžinierstva.

Definícia a účel monitorovania štrukturálneho zdravia

Monitorovanie štrukturálneho zdravia je formálne definované Medzinárodnou spoločnosťou pre monitorovanie štrukturálneho zdravia (ISHM) ako meranie prevádzkového a zaťažovacieho prostredia konštrukcie a odozvy tejto konštrukcie počas definovaného obdobia s cieľom sledovať a vyhodnocovať príznaky poškodenia, degradácie alebo zmien výkonnosti. Hlavným cieľom je odpovedať na päť základných otázok o každej monitorovanej konštrukcii: (1) Je prítomné poškodenie? (2) Kde sa poškodenie nachádza? (3) Aký je typ a závažnosť poškodenia? (4) Aká je zostávajúca životnosť konštrukcie? a (5) Aké opatrenie sa odporúča?

Účel SHM presahuje rámec detekcie poškodenia. SHM poskytuje kvantitatívne údaje o výkonnosti, ktoré podporujú údržbu založenú na stave (CBM), stratégiu, pri ktorej sú údržbové zásahy spúšťané nameraným stavom konštrukcie, nie pevnými časovými intervalmi. To je v kontraste s tradičnou časovo založenou údržbou, ktorá dodržiava vopred stanovené harmonogramy bez ohľadu na skutočný stav. Údržba založená na stave, umožnená SHM, môže znížiť náklady na údržbu o 20 – 40 % pri súčasnom zlepšení spoľahlivosti konštrukcie.

SHM sa používa na niekoľko odlišných účelov v celom životnom cykle infraštruktúry. Počas výstavby SHM overuje konštrukčné predpoklady, monitoruje dočasné konštrukcie a dokumentuje skutočnú výkonnosť. Počas životnosti SHM deteguje zhoršovanie spôsobené únavou, koróziou, preťažením a environmentálnou degradáciou. Po extrémnych udalostiach, ako sú zemetrasenia, hurikány, povodne alebo nárazy vozidiel, SHM poskytuje rýchle posúdenie stavu na určenie, či je konštrukcia bezpečná na ďalšie používanie alebo vyžaduje urgentnú opravu. Na konci životnosti údaje SHM podporujú rozhodnutia o rehabilitácii, vystužití alebo výmene.

Prevádzkový princíp SHM je založený na vzťahu medzi štrukturálnym poškodením a merateľnými zmenami v odozve konštrukcie. Poškodenie – či už ide o praskanie, koróziu, stratu predpätia, degradáciu ložísk alebo sadanie základov – mení tuhosť, hmotnosť alebo tlmiace vlastnosti konštrukcie. Tieto zmeny sa prejavujú ako merateľné odchýlky vo vibračných charakteristikách (vlastné frekvencie, tvary kmitov, pomery tlmenia), deformačných vzorcoch, priehyboch alebo posunoch. SHM senzory detegujú tieto odchýlky a analytické algoritmy ich korelujú s konkrétnymi typmi a miestami poškodenia.

Architektúra SHM systému

Kompletný systém monitorovania štrukturálneho zdravia pozostáva zo štyroch funkčných vrstiev, ktoré spolupracujú pri premene fyzikálnych javov na konštrukcii na akčné informácie o stave. Pochopenie tejto architektúry je nevyhnutné pre navrhovanie, špecifikáciu a prevádzku SHM systémov.

Senzorová vrstva

Senzorová vrstva pozostáva z fyzických prevodníkov namontovaných na konštrukcii alebo v nej zabudovaných. Tieto prevodníky premieňajú mechanické, fyzikálne alebo chemické javy na elektrické signály. Výber a umiestnenie senzorov je najkritickejším konštrukčným rozhodnutím v každom SHM systéme, pretože určuje, aké mechanizmy poškodenia možno detegovať a s akou citlivosťou. Umiestnenie senzorov sa riadi princípmi teórie optimálneho umiestnenia senzorov (OSP), ktorá využíva matematickú optimalizáciu na maximalizáciu detekovateľnosti očakávaných scenárov poškodenia s minimálnym počtom senzorov. Bežné typy senzorov sú podrobne diskutované v časti 3.

Vrstva zberu údajov (DAQ)

Vrstva zberu údajov prijíma analógové signály zo senzorov a konvertuje ich na digitálne údaje vhodné na prenos a analýzu. DAQ hardvér vykonáva niekoľko funkcií: kondicionovanie signálu (zosilnenie, filtrácia a izolácia surových senzorových signálov), analógovo-digitálny prevod (ADC) pri špecifikovaných vzorkovacích frekvenciách a rozlíšení, synchronizáciu viacerých senzorových kanálov na spoločnú časovú základňu a dočasné ukladanie údajov do vyrovnávacej pamäte pred prenosom. Vzorkovacie frekvencie sa výrazne líšia podľa aplikácie – akcelerometre na moste s dlhým rozpätím môžu vzorkovať pri 50 – 200 Hz na monitorovanie ambientných vibrácií, zatiaľ čo tenzometre na ortotropnej oceľovej mostovke môžu vyžadovať 1000 Hz alebo viac na zachytenie únavových cyklov z prejazdov nákladných áut.

Moderné DAQ systémy ponúkajú modulárne architektúry, ktoré umožňujú miešať typy senzorov na jednej platforme. National Instruments cRIO a Campbell Scientific CR6 sú príklady robustných DAQ platforiem bežných v SHM aplikáciách pre mosty. Tieto systémy pracujú vo vonkajšom prostredí s teplotným rozsahom od -40 °C do +85 °C, často v krytoch namontovaných pod mostnými konštrukciami alebo vedľa nich.

Vrstva prenosu údajov

Vrstva prenosu údajov presúva digitalizované údaje zo senzorov z konštrukcie do centrálneho spracovateľského zariadenia. Spôsob prenosu závisí od podmienok na mieste, objemu údajov a dostupnosti napájania. Káblový prenos pomocou optických vlákien alebo Ethernetu poskytuje vysokú šírku pásma a spoľahlivosť, ale vyžaduje vedenie a ochranu káblov. Bezdrôtový prenos pomocou mobilných sietí (4G/5G), rádiových modemov alebo satelitných spojení eliminuje náklady na kabeláž, ale prináša obmedzenia šírky pásma a spotreby energie.

Pre mosty vo vidieckych oblastiach, kde nie je k dispozícii sieťové napájanie ani káblová komunikácia, SHM systémy bežne používajú solárne panely alebo veterné turbíny na napájanie a mobilné modemy na prenos údajov. Program SHM Oregon Department of Transportation, jedna z najstarších implementácií na štátnej úrovni, používa presne túto konfiguráciu na diaľkové monitorovanie mostov. Interval prenosu údajov môže byť v reálnom čase (nepretržité streamovanie), periodický (dávkové nahrávanie každú hodinu/deň) alebo spúšťaný udalosťou (prenos iba vtedy, keď údaje zo senzorov prekročia prahové hodnoty).

Vrstva spracovania a analýzy údajov

Vrstva spracovania údajov je miestom, kde sa surové údaje zo senzorov transformujú na informácie o stave, s ktorými môžu inžinieri pracovať. Táto vrstva zahŕňa ukladanie údajov (typicky SQL databázu alebo databázu časových radov), kontrolu kvality a čistenie údajov (odstraňovanie špičiek, korekcia driftu, kompenzácia teploty) a automatizované analytické algoritmy (modálna identifikácia, štatistické riadenie procesov, modely strojového učenia). Výsledky sú prezentované prostredníctvom dashboardov, trendových grafov a automatických upozornení (e-mail, SMS alebo integrácia SCADA).

Cloudové SHM platformy sú čoraz bežnejšie. Ekosystémy AWS IoT a Microsoft Azure IoT poskytujú spravované služby pre správu zariadení, príjem údajov, ukladanie a analýzu. Tieto platformy podporujú edge computing, kde predbežné spracovanie údajov prebieha na lokálnom DAQ hardvéri pred prenosom, čím sa znižuje objem údajov a umožňujú sa upozornenia v reálnom čase aj pri prerušovanom sieťovom pripojení.

Vrstva generovania upozornení

Vrstva generovania upozornení je rozhraním medzi SHM údajmi a rozhodovacími orgánmi. Prahové upozornenia spúšťajú notifikácie, keď údaje zo senzorov prekročia vopred definované absolútne limity alebo limity rýchlosti zmeny. Štatistické upozornenia používajú regulačné diagramy (Shewhart, CUSUM, EWMA) na detekciu, kedy sa odozva konštrukcie odchyľuje od základného správania nad rámec očakávanej variability. Upozornenia strojového učenia používajú trénované modely detekcie anomálií na identifikáciu jemných zmien, ktoré by štatistické metódy mohli prehliadnuť. Upozornenia sú zvyčajne klasifikované podľa závažnosti – informačné, odporúčacie, varovné a alarmové – s príslušnými eskaláčnými protokolmi.

Typy senzorov používané v SHM

Výber typov senzorov pre SHM systém je riadený mechanizmami poškodenia očakávanými pre konštrukciu, použitými konštrukčnými materiálmi a cieľmi monitorovania. Každý typ senzora meria špecifický fyzikálny parameter a reaguje na odlišné režimy poškodenia.

Akcelerometre

Akcelerometre merajú ** vibrácie a dynamickú odozvu** konštrukcií. Sú najpoužívanejšími senzormi v globálnej SHM praxi, pretože vibrácie sú citlivými indikátormi zmien štrukturálnej tuhosti. Poškodenie, ako je praskanie, strata predpätia, degradácia ložísk a strata prierezu prvkov, znižuje tuhosť, čo posúva vlastné frekvencie a mení tvary kmitov. Akcelerometre zachytávajú tieto zmeny.

Technológie zahŕňajú piezoelektrické akcelerometre (široký frekvenčný rozsah, vysoká citlivosť), kapacitné MEMS akcelerometre (nízka cena, malá veľkosť, DC odozva) a servoakcelerometre s vyrovnávaním síl (najvyššia citlivosť pre nízkofrekvenčné stavebné konštrukcie). Pre monitorovanie mostov sa bežne používajú MEMS akcelerometre s citlivosťou 10 V/g a úrovňou šumu pod 10 μg/√Hz. Program FHWA LTBP nasadzuje polia trojosých akcelerometrov na monitorovaných mostoch na zachytenie ambientných (vietor, doprava) a vynútených (skúšobné nákladné auto) vibračných údajov.

Údaje z polí akcelerometrov sa analyzujú pomocou techník operačnej modálnej analýzy (OMA), ako je Frekvenčná doménová dekompozícia (FDD) a Stochastická identifikácia podpriestoru (SSI), na extrakciu vlastných frekvencií, tvarov kmitov a pomerov tlmenia. Zmeny týchto modálnych parametrov v čase indikujú štrukturálnu degradáciu.

Tenzometre

Tenzometre merajú lokálnu povrchovú deformáciu (napätie) v konštrukčných prvkoch pri zaťažení. Používajú sa na monitorovanie úrovní napätia, detekciu udalostí preťaženia, sledovanie akumulácie únavového poškodenia a overovanie predpokladov rozloženia zaťaženia. Zvárateľné fóliové tenzometre sú bežné pre oceľové konštrukcie, zatiaľ čo strunové tenzometre sú preferované pre betónové konštrukcie kvôli ich dlhodobej stabilite a odolnosti voči vlhkosti.

Údaje z monitorovania napätia umožňujú posúdenie únavovej životnosti pomocou metódy rainflow counting, ktorá extrahuje napäťové cykly z časových priebehov napätia a aplikuje Minerovo pravidlo kumulatívneho poškodenia (Palmer-Miner lineárna hypotéza poškodenia). Pre ortotropné oceľové mostovky, kde je únavové praskanie na zvarových spojoch rebra s mostovkou známym problémom, poskytuje kontinuálne monitorovanie napätia údaje pre posúdenie únavového stavu pri skutočnej doprave, nielen pri návrhovom zaťažení.

Snímače posunu a priehybu

Snímače posunu merajú absolútny alebo relatívny pohyb konštrukčných prvkov. Lineárne variabilné diferenciálne transformátory (LVDT) a drôtové snímače posunu merajú relatívne posuny cez trhliny, škáry alebo ložiská. Totálne stanice a GNSS prijímače merajú absolútne trojrozmerné posuny mostných mostoviek a veží pri zaťažení.

Pre monitorovanie letiskových dráh viacúrovňové deflektometre (MDD) merajú vrstvovú odozvu na priehyb pri zaťažení lietadlami. Tieto údaje sa používajú na spätný výpočet modulov vrstiev pre štrukturálne hodnotenie vozovky podľa ICAO Aerodrome Design Manual (Doc 9157) a postupov návrhu vozoviek FAA AC 150/5370-11B.

Sklonomery (Inklinometre)

Sklonomery merajú uhlovú rotáciu konštrukčných prvkov s vysokou presnosťou (rozlíšenie 1 – 10 mikroradiánov). Používajú sa na monitorovanie sadania pilierov, rotácie mostných ložísk, pohybu oporných múrov a naklonenia základov. V SHM programe Oregon DOT monitorujú sklonomery na zdvíhacom moste Isthmus Slough (postavený 1935) naklonenie piliera, ktoré ovplyvňuje otváranie a zatváranie zdvíhacieho mechanizmu. Systém zahŕňa monitorovanie dlhodobých trendov aj výstražné upozornenie pri prekročení prahovej hodnoty.

Elektrolytické sklonomery a MEMS inklinometre sú najbežnejšie technológie. Často sú nasadzované v poliach pozdĺž mostných pilierov alebo oporných múrov na meranie rozdielneho sadania a rotačných profilov.

Optické vláknové senzory

Optické vláknové senzory predstavujú transformačnú technológiu pre SHM, pretože ponúkajú distribuované snímanie na veľké vzdialenosti, odolnosť voči elektromagnetickému rušeniu a dlhodobú stabilitu. Používajú sa dve hlavné technológie: vláknové Braggove mriežky (FBG) a distribuované optické vláknové snímanie (DFOS).

FBG senzory pozostávajú z periodických modulácií indexu lomu zapísaných do jadra vlákna na špecifických miestach. Zmeny napätia alebo teploty posúvajú Braggovu vlnovú dĺžku, ktorá sa meria s rozlíšením submikrodeformácie. Viacero FBG môže byť multiplexovaných na jednom vlákne, čím vzniká kvázi-distribuovaná senzorová sieť. FBG deformačné ružice sú inštalované na oceľových nosníkoch na monitorovanie lokálnych napäťových polí.

Distribuované optické vláknové snímanie používa techniky ako Brillouinova optická časová doménová analýza (BOTDA), Brillouinova optická časová doménová reflektometria (BOTDR) a Rayleighova optická frekvenčná doménová reflektometria (OFDR) na kontinuálne meranie napätia a teploty pozdĺž celej dĺžky vlákna, čím sa dosahuje priestorové rozlíšenie 1 – 10 cm na dĺžkach 10 – 50 km. Jediné optické vlákno nainštalované pozdĺž mostného nosníka môže poskytnúť údaje o napätí na tisíckach miest, čím vytvára kompletný profil deformácie, ktorý odhaľuje lokálne anomálie.

Most Akashi Kaikyō v Japonsku a Most Confederation v Kanade sú príkladmi veľkých mostov, ktoré integrujú optické vláknové monitorovacie systémy. Pre letiskové vozovky poskytujú optické vlákna vložené do asfaltovej dráhy kontinuálne monitorovanie napätia a teploty pri zaťažení lietadlami, čo umožňuje detekciu podpovrchového zhoršovania skôr, než sa na povrchu objavia trhliny.

Kamery a digitálna korelácia obrazu

Vízne SHM používa digitálne kamery, bezpilotné lietajúce prostriedky (UAV/drony) a techniky digitálnej korelácie obrazu (DIC) na meranie odozvy konštrukcie bez fyzického kontaktu s konštrukciou. Kamery zachytávajú vysokorozlíšené snímky povrchov konštrukcií v pravidelných intervaloch a algoritmy spracovania obrazu detegujú a kvantifikujú trhliny, odlupovanie, korózne škvrny a geometrické zmeny.

Digitálna korelácia obrazu sleduje pohyb prirodzenej povrchovej textúry alebo aplikovaných speklovaných vzorov v sérii snímok na výpočet polí posunu a deformácie v celom poli s presnosťou pod úroveň pixelu. DIC sa používa pre laboratórne štrukturálne testovanie a, s vhodnými kamerovými systémami, pre terénne monitorovanie mostných prvkov.

Vizuálne prehliadkové údaje z dronov – ako sú tie, ktoré poskytuje platforma TarmacView – dopĺňajú pozemné SHM senzorové siete poskytovaním komplexnej vizuálnej dokumentácie povrchového stavu, ktorá môže byť georeferencovaná a integrovaná do systému správy SHM údajov.

Analýza údajov a umelá inteligencia pre SHM

Objem údajov generovaných modernými SHM senzorovými sieťami predstavuje príležitosť aj výzvu. Jeden most osadený 50 akcelerometrami vzorkujúcimi pri 200 Hz generuje približne 864 miliónov dátových bodov denne. Manuálna analýza tohto objemu údajov je nepraktická, čo robí automatizovanú analýzu údajov a umelú inteligenciu (AI) nevyhnutnými súčasťami každého prevádzkového SHM systému.

Štatistické rozpoznávanie vzorov

Paradigma štatistického rozpoznávania vzorov pre SHM, formalizovaná Wordenom a Farrarom (2001) v Los Alamos National Laboratory, rozdeľuje proces SHM analýzy do štyroch krokov: (1) operačné vyhodnotenie – definovanie sledovaných scenárov poškodenia a obmedzení monitorovania; (2) zber údajov a normalizácia – zber údajov a odstránenie environmentálnych a prevádzkových vplyvov (teplota, doprava, vietor), ktoré môžu maskovať zmeny spôsobené poškodením; (3) extrakcia príznakov – výpočet príznakov citlivých na poškodenie zo surových údajov (vlastné frekvencie, krivosť tvarov kmitov, vplyvové čiary deformácie, vlnkové koeficienty); a (4) vývoj štatistického modelu – budovanie modelov, ktoré rozlišujú medzi nepoškodeným a poškodeným stavom.

Normalizácia údajov na odstránenie environmentálnych vplyvov je kritická, pretože teplotné zmeny môžu spôsobiť posuny vlastných frekvencií o 2 – 10 % u mostov – čo je porovnateľné s veľkosťou zmien spôsobených miernym poškodením. Techniky ako analýza hlavných komponentov (PCA), auto-asociačné neurónové siete (AANN) a kointegrácia sa používajú na filtrovanie environmentálnych vplyvov a izoláciu príznakov spôsobených poškodením.

Strojové učenie pre detekciu poškodenia

Metódy strojového učenia (ML) sa stali ústrednými pre modernú analýzu SHM údajov. Algoritmy učenia s učiteľom (podporné vektorové stroje, náhodné lesy, hlboké neurónové siete) sú trénované na označených údajoch zo známych stavov poškodenia na klasifikáciu nových údajov. Výzvou je, že označené údaje o poškodení z prevádzkových konštrukcií sú vzácne – väčšina konštrukcií nie je poškodená alebo prechádza poškodením, ktoré nie je nezávisle charakterizované. Toto obmedzenie podnietilo záujem o prístupy učenia bez učiteľa, ktoré detegujú anomálie voči základnému modelu zdravého stavu bez potreby označení.

Konvolučné neurónové siete (CNN) sa ukázali ako vysoko účinné pre detekciu trhlín na základe obrazu. Trénované na tisíckach označených snímok betónových trhlín dokážu CNN detegovať trhliny široké až 0,1 mm s presnosťou presahujúcou 95 %. Architektúra U-Net, pôvodne vyvinutá pre segmentáciu biomedicínskych obrazov, bola adaptovaná pre segmentáciu trhlín na úrovni pixelov v snímkach mostných mostoviek zachytených inšpekčnými dronmi.

Rekurentné neurónové siete (RNN), najmä siete s dlhou krátkodobou pamäťou (LSTM), sa aplikujú na časové rady údajov zo senzorov na predikciu zostávajúcej životnosti. LSTM model trénovaný na historických údajoch z tenzometrov dokáže predpovedať rýchlosť rastu únavových trhlín a odhadnúť čas, kým trhlina dosiahne kritickú dĺžku.

Hlboké učenie pre detekciu anomálií

Autoenkódové neurónové siete sa používajú na detekciu anomálií bez učiteľa v SHM. Autoenkóder je trénovaný na rekonštrukciu normálnych (nepoškodených) údajov o odozve konštrukcie. Keď sa mu predložia údaje z poškodenej konštrukcie, chyba rekonštrukcie sa zvýši, čo signalizuje anomáliu. Variačné autoenkódery (VAE) poskytujú pravdepodobnostný rámec pre detekciu anomálií, kvantifikujúc pravdepodobnosť, že pozorované údaje predstavujú normálne alebo abnormálne správanie konštrukcie.

Edge computing uzly, ktoré spúšťajú ľahké AI modely priamo na DAQ hardvéri, umožňujú detekciu anomálií v reálnom čase bez závislosti na cloudovom pripojení. Tieto systémy môžu spúšťať okamžité upozornenia na kritické udalosti, ako je poškodenie spôsobené zemetrasením alebo dopravné preťaženie.

Monitorovanie štrukturálneho zdravia pre mosty

Mosty predstavujú najbežnejšiu aplikačnú oblasť pre SHM. Spojené štáty majú viac ako 590 000 diaľničných mostov (podľa údajov z roku 2024), pričom približne 36 % je klasifikovaných ako konštrukčne deficitné alebo funkčne zastarané podľa Národného mostného inventára (NBI). Program FHWA Long-Term Bridge Performance (LTBP) a smernice AASHTO poskytujú rámec pre prax SHM mostov v USA.

Program FHWA Long-Term Bridge Performance (LTBP)

Spustený v apríli 2008 na základe zákona SAFETEA-LU, program LTBP je 20-ročná vlajková výskumná iniciatíva FHWA Office of Infrastructure Research and Development. Globálnym cieľom programu je zbierať vedecky kvalitné kvantitatívne údaje z národne reprezentatívnej vzorky diaľničných mostov, zlepšiť poznatky o výkonnosti mostov a v konečnom dôsledku podporiť bezpečnosť, mobilitu, životnosť a spoľahlivosť národných diaľničných dopravných aktív.

Program LTBP používa holistický prístup analyzujúci všetky fyzické a funkčné premenné ovplyvňujúce výkonnosť mostov. Výskumníci vykonávajú podrobné periodické prehliadky v kombinácii s technikami nedestruktívneho hodnotenia (NDE), vrátane georadarového prieskumu, monitorovania akustickej emisie a trvalých inštalácií senzorov, ktoré monitorujú dopravné zaťaženie, únavové trhliny, koróziu, udalosti preťaženia a environmentálne podmienky.

Údaje zozbierané prostredníctvom programu LTBP podporujú: zlepšené modely zhoršovania a predikcie, ktoré simulujú interakcie medzi vozovkami, mostami a dopravou; efektívne využitie analýzy životného cyklu nákladov; pokroky v inšpekčnej technológii prostredníctvom NDE a SHM; vývoj zlepšených konštrukčných metód a postupov údržby; kvantifikáciu efektívnosti stratégií údržby, opráv a rehabilitácie; a podporu pre stanovenie národnej mostnej politiky.

Smernice AASHTO pre SHM

Americká asociácia štátnych diaľničných a dopravných úradníkov (AASHTO) poskytuje usmernenie k SHM mostov prostredníctvom Manuálu pre hodnotenie mostov (2015) a podporných publikácií podvýboru AASHTO pre mosty a konštrukcie. Odporúčania AASHTO pre SHM zahŕňajú: určenie, kedy je SHM vhodné (mosty so známym zhoršovaním, detailmi náchylnými na únavu, novými konštrukciami alebo posúdením po extrémnych udalostiach); stratégie výberu a umiestnenia senzorov; protokoly správy údajov; a interpretáciu výsledkov SHM pre stanovenie nosnosti a hodnotenie stavu.

Štátne programy SHM mostov

Program SHM Oregon Department of Transportation (ODOT), zdokumentovaný Stevenom Lovejoyom z ODOT Bridge Engineering Section, je jednou z najvyspelejších implementácií na štátnej úrovni. K roku 2024 má 10 mostov dedikované SHM systémy v šiestich monitorovacích kategóriách:

1. Mostné základy – monitorovanie naklonenia a sadania pilierov pomocou sklonomerov a piezometrov (zdvíhací most Isthmus Slough, oblúkový most Spencer Creek)
2. Betónové nadstavby – monitorovanie napätia a šírenia trhlín vo vintage mostoch s betónovými nosníkmi (RCDG) trpiacich diagonálnym ťahovým praskaním (most Luckiamute River, most Banzer)
3. Pohyblivé mosty – monitorovanie mechanického a štrukturálneho výkonu dvoch vertikálne zdvíhacích mostov a jedného otočného mosta
4. Monitorovanie únavy ocele – monitorovanie deformačne a tepelne indukovaného únavového praskania v oceľových komorových nosníkoch
5. Štrukturálna dynamika – monitorovanie aero-elastických vibrácií na veľkých priehradových mostoch
6. Protikorózna ochrana – monitorovanie účinnosti katódovej ochrany na betónových mostoch

Náklady na SHM systémy ODOT sa pohybujú od 30 000 do 250 000 USD na most, s ročnými prevádzkovými nákladmi 5 000 – 20 000 USD na správu údajov, údržbu systému a analýzu. Program preukázal, že SHM údaje umožňujú cielené údržbové zásahy, ktoré riešia špecifické problémy namiesto výmeny alebo retrofitu celých konštrukcií.

Monitorovanie štrukturálneho zdravia pre letiskovú infraštruktúru

Monitorovanie letiskovej infraštruktúry pomocou SHM princípov je rastúca oblasť, poháňaná zvyšujúcou sa hmotnosťou lietadiel, starnúcou vozovkovou infraštruktúrou a regulačným dôrazom na bezpečnosť. Medzinárodná organizácia pre civilné letectvo (ICAO) sa venuje monitorovaniu vozoviek v Aerodrome Design Manual (Doc 9157) a Annex 14 – Aerodromes, pričom odporúča, aby prevádzkovatelia letísk implementovali monitorovacie programy na detekciu zhoršovania vozoviek skôr, než ohrozí bezpečnosť.

Monitorovanie zdravia letiskových vozoviek

Systémy monitorovania zdravia letiskových vozoviek vkladajú senzory do vozoviek dráh, rolovacích dráh a odstavných plôch na meranie mechanických odoziev na zaťaženie lietadlami. Typické sady senzorov zahŕňajú: tenzometre vložené do asfaltu alebo betónu na meranie ťahových deformácií na dne viazaných vrstiev; tlakové články na meranie vertikálneho napätia v rámci vrstiev vozovky; teplotné sondy na meranie teplotných gradientov vozovky ovplyvňujúcich tuhosť asfaltu; vlhkostné senzory na detekciu podpovrchovej infiltrácie vody, ktorá urýchľuje zhoršovanie vozovky; a viacúrovňové deflektometre (MDD) na meranie vrstvovej odozvy na priehyb.

Štúdia z roku 2019 z Iowskej štátnej univerzity (financovaná FAA) vyvinula rámec inteligentnej inštrumentácie letiskových vozoviek, ktorý integruje údaje zo senzorov s modelmi konečných prvkov pre štrukturálne hodnotenie vozovky v reálnom čase. Rámec používa spätný výpočet Falling Weight Deflectometer (FWD) kalibrovaný v kombinácii s kontinuálnym monitorovaním senzorov na sledovanie zmien modulov vrstiev v čase – identifikujúc štrukturálne zhoršovanie mesiace alebo roky predtým, než sa na povrchu objavia trhliny.

FAA AC 150/5370-11B – Použitie nedestruktívneho testovania pri hodnotení letiskových vozoviek – poskytuje usmernenie k testovaniu priehybu, georadarovému prieskumu a iným NDE metódam používaným pri hodnotení letiskových vozoviek. Dokument uznáva, že zatiaľ čo periodické NDE testovanie (zvyčajne každých 5 rokov pre veľké letiská) poskytuje snímky stavu vozovky, kontinuálne monitorovanie senzormi (SHM) môže detegovať zhoršovanie v intervaloch medzi testami.

Rast trhu

Trh so systémami senzorov pre letiskové vozovky bol ocenený na 2,1 miliardy USD v roku 2025, s projekciou dosiahnutia 4,1 miliardy USD do roku 2034 pri CAGR 7,7 %. Rast je poháňaný programami rekonštrukcie dráh na veľkých letiskách po celom svete, zvyšujúcim sa zaťažením lietadiel (A380, B777-9, B787) a regulačnými požiadavkami na kontinuálne hlásenie stavu vozoviek.

Monitorovanie štrukturálneho zdravia vs. periodická prehliadka

SHM a periodická vizuálna prehliadka sú komplementárne skôr než konkurenčné prístupy k hodnoteniu stavu konštrukcie. Pochopenie toho, kedy je každý z nich vhodný – a ako ich možno integrovať – je nevyhnutné pre efektívnu správu infraštruktúry.

Periodická vizuálna prehliadka

Periodická prehliadka sa riadi kodifikovanými postupmi – AASHTO Manual for Bridge Element Inspection (MBEI) alebo požiadavkami ICAO Aerodrome Certification – v pevných intervaloch (zvyčajne 12 – 24 mesiacov pre mosty, ročne pre letiskové vozovky). Prehliadka je kvalitatívna, založená na vizuálnom pozorovaní a skúsenostiach inšpektora pri identifikácii a hodnotení defektov. Výstupom je hodnotenie stavu (napr. 1 – 9 pre NBI stav mosta, 1 – 100 pre PCI stav vozovky).

Obmedzenia periodickej prehliadky zahŕňajú: viditeľnosť obmedzenú na prístupné a viditeľné povrchy (ponorené základy, vnútorné predpínacie káble, podpovrchové vrstvy sú neviditeľné); neschopnosť detegovať aktívne zhoršovanie medzi inšpekčnými cyklami; subjektivitu a variabilitu medzi inšpektormi; neschopnosť merať štrukturálnu výkonnosť pri skutočnom zaťažení; a absenciu kvantitatívnych trendových údajov.

Monitorovanie štrukturálneho zdravia

SHM poskytuje kvantitatívne údaje časových radov zbierané kontinuálne alebo s vysokou frekvenciou. Deteguje podpovrchové poškodenie (koróziu vloženej výstuže, stratu predpätia, vnútorné praskanie betónu, oddeľovanie vrstiev), ktoré vizuálna prehliadka nedokáže odhaliť. SHM zachytáva prechodné udalosti (preťažené nákladné autá, zemetrasenia, extrémne teploty, povodňové výmole), ktoré sa vyskytujú medzi inšpekčnými cyklami.

Integrovaný prístup

Najefektívnejšia stratégia hodnotenia stavu integruje SHM s periodickou prehliadkou. Národné normy pre prehliadku mostov (NBIS) v USA v súčasnosti nenariaďujú SHM, ale mnohé štáty používajú SHM ako doplnok pre špecifické konštrukcie so známymi problémami výkonnosti. Program FHWA LTBP integruje oba prístupy: podrobné periodické prehliadky poskytujú základné línie vizuálneho stavu, zatiaľ čo SHM senzory poskytujú kontinuálne údaje o výkonnosti. Prehliadky dronmi TarmacView vypĺňajú medzeru poskytovaním vysokorozlíšených vizuálnych údajov, ktoré možno zbierať na požiadanie medzi plánovanými inšpekčnými cyklami a integrovať s pozemnými SHM senzorovými údajmi.

Algoritmy detekcie poškodenia

Detekcia poškodenia v SHM je založená na princípe, že štrukturálne poškodenie mení fyzikálne vlastnosti (hmotnosť, tuhosť, tlmenie, okrajové podmienky) konštrukcie a tieto zmeny produkujú merateľné zmeny v odozve konštrukcie. Algoritmy detekcie poškodenia sú matematické a výpočtové metódy, ktoré extrahujú príznaky citlivé na poškodenie z údajov senzorov a klasifikujú stav konštrukcie.

Detekcia poškodenia založená na modálnych parametroch

Modálne metódy používajú zmeny v vlastných frekvenciách, tvaroch kmitov, modálnej deformačnej energii a pomeroch tlmenia na detekciu, lokalizáciu a kvantifikáciu poškodenia. Základným princípom je, že zníženie lokálnej tuhosti (spôsobené praskaním, stratou prierezu atď.) posúva vlastnú frekvenciu nadol a mení krivosť tvaru kmitu na mieste poškodenia.

Metódy frekvenčného posunu porovnávajú namerané vlastné frekvencie so základnými hodnotami. Metóda citlivosti spája frekvenčné posuny s redukciami tuhosti na špecifických miestach prvkov. Metódy krivosti tvarov kmitov vypočítavajú druhú priestorovú deriváciu tvarov kmitov; krivosť sa zvyšuje na miestach poškodenia. Metódy modálnej deformačnej energie (MSE) počítajú distribúciu deformačnej energie v každom prvku z tvarov kmitov; poškodenie spôsobuje redistribúciu deformačnej energie.

Hlavným obmedzením modálnych metód je, že vlastné frekvencie sú globálne vlastnosti – malá lokálna zmena tuhosti môže produkovať frekvenčné posuny menšie ako neistota merania. Teplotné zmeny frekvencií (2 – 10 %) môžu maskovať zmeny spôsobené poškodením (0,5 – 2 %). Úspešná aplikácia vyžaduje starostlivú environmentálnu normalizáciu a štatistické testovanie hypotéz.

Detekcia poškodenia založená na deformácii

Metódy založené na deformácii monitorujú vplyvové čiary deformácie, distribúcie deformácie a histogramy rozsahu deformácie na detekciu poškodenia. Trhlina pod tenzometrom znižuje nameranú deformáciu na tomto mieste pri zaťažení. Porovnávacia deformačná analýza porovnáva merania deformácie pri identických úrovniach zaťaženia v čase – zvyšujúca sa deformácia indikuje zníženie tuhosti.

Testovanie pohybujúcim sa zaťažením je metóda založená na deformácii používaná na posúdenie stavu mostov. Nákladné auto známej hmotnosti prechádza mostom pri plazivej rýchlosti, zatiaľ čo tenzometre zaznamenávajú odozvy. Výsledné vplyvové čiary deformácie sa porovnávajú so základnými meraniami. Zmeny v tvare vplyvovej čiary indikujú zmeny tuhosti, pričom miesto poškodenia je identifikované ovplyvnenou časťou vplyvovej čiary.

Monitorovanie akustickej emisie (AE)

Monitorovanie akustickej emisie deteguje elastické napäťové vlny generované aktívnymi mechanizmami poškodenia – rastom trhlín, lomom vlákien, koróziou a delamináciou. Piezoelektrické AE senzory namontované na povrchu konštrukcie detegujú príchody vĺn a systém lokalizuje zdroj trianguláciou časov príchodu na viacerých senzoroch.

AE monitorovanie je vysoko citlivé na aktívne poškodenie (šírenie trhlín) a dokáže detegovať udalosti, ktoré sú pre iné metódy neviditeľné. Felicityho pomer a pomer pokoja odvodené z AE údajov korelujú so závažnosťou poškodenia podľa noriem ASTM E976 a ASTM E1932. AE monitorovanie sa aplikuje na detekciu únavových trhlín v oceľových mostoch, monitorovanie korózie predpínacích káblov v betóne a posudzovanie poškodenia kompozitných materiálov.

Strojové učenie pre automatickú klasifikáciu poškodenia

Algoritmy strojového učenia poskytujú automatickú klasifikáciu stavov konštrukcie. Príznaky extrahované z údajov senzorov (modálne parametre, štatistické momenty, vlnkové koeficienty, spektrálne charakteristiky) sú vstupmi do klasifikátorov trénovaných na údajoch zo známych stavov konštrukcie. Bežné algoritmy zahŕňajú:

Podporné vektorové stroje (SVM) nachádzajú optimálnu nadrovinu oddeľujúcu priestory príznakov nepoškodeného a poškodeného stavu. SVM sú účinné s obmedzenými tréningovými údajmi a používajú sa na binárnu klasifikáciu poškodenia. Náhodný les – súbory rozhodovacích stromov poskytujú ranking dôležitosti príznakov – identifikujúc, ktoré senzory a príznaky sú najcitlivejšie na špecifické typy poškodenia. Konvolučné neurónové siete (CNN) spracúvajú surové časové rady akcelerometrov alebo snímky priamo, pričom sa učia optimálne príznaky pre detekciu poškodenia bez manuálneho navrhovania príznakov.

Integrácia s BIM a digitálnym dvojčaťom

Integrácia SHM údajov s platformami Informačného modelovania budov (BIM) a digitálneho dvojčaťa predstavuje súčasnú hranicu správy infraštruktúry. Digitálne dvojča je dynamická virtuálna reprezentácia fyzickej konštrukcie, ktorá sa aktualizuje v reálnom čase pomocou údajov zo senzorov SHM systému.

BIM ako rámec pre SHM údaje

Informačné modelovanie budov poskytuje štruktúrovaný 3D geometrický a sémantický rámec na organizáciu SHM údajov. Každému senzoru v monitorovacej sieti je priradená poloha v BIM modeli s príslušnými metadátami: typ senzora, dátum inštalácie, história kalibrácie, rozsah merania a identifikátor dátového toku. Výsledky prehliadok z vizuálnych prieskumov (vrátane snímok z dronov TarmacView) sú prepojené s konkrétnymi BIM prvkami, čím sa vytvára jednotné dátové prostredie pre všetky informácie o stave.

Štandard Industry Foundation Classes (IFC), spravovaný organizáciou buildingSMART International, poskytuje otvorenú dátovú schému na reprezentáciu SHM senzorov v BIM modeloch. IFC4 zahŕňa entity pre senzory, typy senzorov a meracie schopnosti. Rozšírenie IFC-Bridge sa špecificky venuje mostným konštrukciám, umožňujúc štandardizovanú výmenu údajov medzi SHM systémami a BIM platformami.

Digitálne dvojča pre prediktívnu údržbu

Digitálne dvojča integruje SHM údaje zo senzorov s modelmi konečných prvkov (FE), modelmi zhoršovania a analytickými algoritmami na simuláciu súčasného a budúceho stavu konštrukcie. FE model je kontinuálne aktualizovaný pomocou modálnych parametrov extrahovaných z údajov akcelerometrov – proces nazývaný aktualizácia modelu. Aktualizovaný model poskytuje kalibrovanú reprezentáciu konštrukcie, ktorá zohľadňuje skutočné stavebné podmienky a aktuálny stav poškodenia.

S kalibrovaným digitálnym dvojčaťom môžu inžinieri: simulovať efekt stratégií opráv alebo retrofitu pred implementáciou; predpovedať zostávajúcu životnosť pri projektovanom budúcom zaťažení; optimalizovať plánovanie prehliadok a údržby na základe predpovedaných rýchlostí zhoršovania; a validovať štrukturálnu výkonnosť po opravách. Projekt Eurostars Bridge Digital Twin a projekt InfraWatch v Európe preukázali uskutočniteľnosť integrácie SHM údajov s BIM digitálnymi dvojčatami pre operačnú správu mostov.

Integrácia TarmacView

údaje z prehliadok dronmi TarmacView – vysokorozlíšené ortofotomapy, 3D bodové mračná a mapy defektov – môžu byť integrované do BIM/digitálnych dvojčiat ako časovo označené snímky stavu, ktoré dopĺňajú kontinuálne SHM údaje zo senzorov. Vizuálne údaje o stave z leteckých prieskumov poskytujú overenie pravdivosti pre automatizované algoritmy detekcie poškodenia a dokumentujú povrchové podmienky, ktoré senzory pod povrchom nedokážu detegovať.

Analýza nákladov a prínosov a aspekty implementácie

Implementácia SHM systému vyžaduje významnú počiatočnú investíciu, ale návratnosť investície prostredníctvom predĺženej životnosti, znížených nákladov na údržbu a prevencie katastrofálnych zlyhaní je dobre zdokumentovaná.

Nákladové zložky

Celkové náklady SHM systému zahŕňajú: návrh a inžiniering systému (štrukturálne hodnotenie, výber senzorov, analýza optimálneho umiestnenia) – typicky 15 – 25 % celkových nákladov; obstaranie senzorov (200 – 5 000 USD na senzor v závislosti od typu) – 20 – 35 % celkových nákladov; inštalácia a uvedenie do prevádzky (montáž senzorov, kabeláž, nastavenie krytu, testovanie systému) – 25 – 40 % celkových nákladov; správa a analýza údajov (softvér, úložisko, analýza) – priebežné náklady 5 000 – 30 000 USD/rok; a údržba a kalibrácia systému – ročné náklady 3 000 – 15 000 USD.

Typické celkové náklady na inštalovaný SHM systém: malý most (10 – 20 senzorov) – 50 000 – 150 000 USD; stredný most (20 – 50 senzorov) – 150 000 – 350 000 USD; veľký most s dlhým rozpätím (50 – 200+ senzorov) – 350 000 – 1 500 000 USD; monitorovací systém letiskovej dráhy – 200 000 – 500 000 USD za kilometer.

Kvantifikované prínosy

Výskum University of California, San Diego o ekonómii SHM mostov dokumentoval, že údržba založená na stave, umožnená SHM, znižuje celkové náklady na údržbu o 25 – 40 % v porovnaní s časovo založenou údržbou. New York State Department of Transportation (NYSDOT) uviedol, že SHM monitorovanie kritických mostov so známymi únavovými problémami eliminovalo potrebu každoročných prehliadok vyžadujúcich uzávierku dopravy, čím ušetrilo 500 000 USD ročne len na nákladoch za riadenie dopravy.

Náklady na štrukturálne zlyhanie poskytujú najsilnejšie ekonomické ospravedlnenie pre SHM. Zrútenie mosta I-35W Mississippi River v Minneapolise v roku 2007 si vyžiadalo 13 obetí a spôsobilo celkové ekonomické straty presahujúce 300 miliónov USD. SHM systémy na mostoch so známymi konštrukčnými nedostatkami stoja 0,1 – 0,5 % reprodukčnej hodnoty, čo poskytuje poistenie proti katastrofálnemu zlyhaniu za minimálne náklady.

Implementačný rámec

Úspešná implementácia SHM nasleduje štruktúrovaný rámec: (1) Definujte monitorovacie ciele – aké mechanizmy poškodenia sú predmetom záujmu, aké rozhodnutia budú založené na SHM údajoch; (2) Štrukturálne hodnotenie – identifikujte kritické prvky, režimy zlyhania a indikátory výkonnosti prostredníctvom inžinierskej analýzy; (3) Návrh senzorového systému – vyberte typy, množstvá a umiestnenia senzorov pomocou algoritmov optimálneho umiestnenia senzorov; (4) Plánovanie správy údajov – definujte protokoly ukladania, prenosu, spracovania a archivácie údajov; (5) Zber základných údajov – charakterizujte konštrukciu v jej aktuálnom stave pred progresiou zhoršovania; (6) Analýza a interpretácia – implementujte automatizované algoritmy pre detekciu poškodenia a posúdenie výkonnosti; (7) Podpora rozhodovania – preveďte zistenia SHM na akčné odporúčania pre údržbu, opravy alebo prevádzku.

Americká spoločnosť stavebných inžinierov (ASCE) publikovala usmernenia pre implementáciu SHM prostredníctvom Inštitútu štrukturálneho inžinierstva (SEI), odporúčajúc, aby SHM bolo začlenené do rámca správy majetku organizácií vlastniacich infraštruktúru s jasnými rolami, zodpovednosťami a rozhodovacími protokolmi.

Zhrnutie

Monitorovanie štrukturálneho zdravia je dátovo orientovaný prístup k správe infraštruktúry, ktorý transformuje štrukturálnu prehliadku z periodických kvalitatívnych snímok na kontinuálne kvantitatívne hodnotenie. Integrácia senzorových sietí, systémov zberu údajov, komunikačnej infraštruktúry a AI analytiky umožňuje inžinierom detegovať poškodenie v najskoršom možnom štádiu, pochopiť štrukturálnu výkonnosť pri skutočných zaťažovacích podmienkach a robiť informované rozhodnutia o údržbe, opravách a výmene. S klesajúcimi nákladmi na senzory, pokročilými schopnosťami AI a starnutím infraštruktúry sa SHM stáva čoraz nevyhnutnejšou súčasťou programov správy mostov, tunelov, budov a letiskových vozoviek na celom svete.