I recenti progressi nel monitoraggio delle infrastrutture civili hanno contribuito ad avere tecnologie di sensori sempre più ad alte prestazioni e algoritmi basati sui dati, aprendo nuove possibilità per valutare le condizioni strutturali. Negli ultimi anni, c'è stato un crescente interesse nello sfruttare il potenziale dell'Intelligenza Artificiale per il monitoraggio delle infrastrutture civili. Un approccio promettente è l'uso di modelli computazionali per addestrare e testare algoritmi basati sui dati con l'obiettivo di affrontare problemi di rilevamento dei danni.
Per migliorare l'efficacia di tali procedure basate su dati simulati, questo studio propone un modello ad alte prestazioni di trave ad elementi finiti per l'addestramento di un modello di rete neurale in grado di prevedere la risposta dinamica della struttura e di generare vari scenari di danno. Rispetto ai modelli ad elementi finiti 2D e 3D, il modello avanzato di trave a fibre offre una superiore efficienza computazionale pur catturando accuratamente il comportamento non lineare degli elementi strutturali. In particolare, viene implementato un elemento finito di trave basato su forza, fondato su un modello di danno-plasticità, per descrivere i danni e la degradazione dei materiali nelle travi in cemento armato.
Attraverso la simulazione della risposta dinamica della struttura sotto l'eccitazione di rumore bianco, si ottiene un modello di rete neurale che rappresenta la struttura in condizioni non danneggiate.
L'errore di previsione di tale modello di rete viene indagato come una misura adeguata per la definizione di un indicatore di danno in grado di rilevare la presenza di danni (fessurazioni del cemento e snervamento delle armature). L'integrazione di un modello avanzato di trave a fibre, di una legge costitutiva accurata e di modelli di reti neurali mostra un potenziale promettente nel monitoraggio dei ponti esistenti.
English version:
Recent advancements in civil infrastructure monitoring have witnessed the increasingly high-performance sensor technologies and data-driven algorithms, opening up new possibilities for assessing structural conditions. In recent years, there has been a growing interest in leveraging the potential of Artificial Intelligence for civil infrastructure monitoring. One promising approach is the use of computational models to train and test data-driven algorithms aiming to tackle damage detection problems.
To enhance the effectiveness of such procedures based on simulated data, this study proposes a high-performance beam finite element model for training a neural network model able to predict the dynamic response of the structure and for generating various damage scenarios. Compared to 2D and 3D finite element models, the advanced fiber beam model offers superior computational efficiency while accurately capturing the nonlinear behavior of structural elements. Specifically, a force-based beam finite element based on a damage-plasticity model is implemented to describe damage and degradation of materials in reinforced concrete girders.
Through the simulation of the dynamic structural response under withe noise excitation, a neural network model representing the structure in the undamaged conditions is obtained. The prediction error of such network model is investigated as a suitable measure for the definition of a damage indicator able to detect the presence of damage (concrete cracks and reinforcement yielding). The integration of an advanced fiber beam model, accurate constitutive law and neural network models shows promising potential in the monitoring of existing bridges.
VISITA il SITO di INGENIO
Негізгі бет Modello avanzato ad elementi finiti per l'addestramento di reti neurali nel monitoraggio di ponti
Пікірлер