Probabilidad de Estados de Daño en Estructuras Utilizando Parámetros Dinámicos e Inferencia Bayesiana

Autores/as

  • Oscar Möller Universidad Nacional de Rosario, Facultad de Ciencias Exactas, Ingeniería y Agrimensura, Instituto de Mecánica Aplicada y Estructuras (IMAE). Rosario, Argentina.
  • Germán Lucero Universidad Nacional de Rosario, Facultad de Ciencias Exactas, Ingeniería y Agrimensura, Instituto de Mecánica Aplicada y Estructuras (IMAE). Rosario, Argentina.
  • Juan Pablo Ascheri Universidad Nacional de Rosario, Facultad de Ciencias Exactas, Ingeniería y Agrimensura, Instituto de Mecánica Aplicada y Estructuras (IMAE). Rosario, Argentina.

DOI:

https://doi.org/10.70567/mc.v41i5.28

Palabras clave:

Dinámica estructural, Escenarios de daños, Incertidumbres, Inferencia bayesiana, Vibraciones ambientales

Resumen

El monitoreo de la salud estructural es un tema de interés por el impacto sobre los programas de mantenimiento de infraestructura. Hay que considerar si hay o no daño, donde se localiza, su magnitud y la estimación de vida útil residual. La metodología implementada es proponer “escenarios de daños” en un modelo numérico del sistema, incluyendo incertidumbres en las características físicas mediante campos aleatorios. Para cada escenario de daños se realiza la estadística de las propiedades dinámicas, modos y frecuencias, sobre las variables aleatorias aplicando Monte Carlo. Registrada una medición aceleración-tiempo e identificados los parámetros dinámicos, con la estadística se calcula la probabilidad “a priori” de obtener esos parámetros dinámicos para cada escenario de daños. Aplicando inferencia bayesiana, se calcula la probabilidad “a posteriori” dada la medición registrada. El proceso se repite hasta convergencia. El resultado final indica qué probabilidad de ocurrencia tiene cada escenario de daños. Se aplica a un modelo de puente losa y se concluye que la mejor opción es utilizar el vector de frecuencias como parámetros dinámicos.

Citas

Abrahamsen, P. (1997) A review of Gaussian random fields and correlation functions - Second edition. Norwegian Computing Center, Technical Report 917, Oslo, Norway.

Brincker, R., Zhang, L., & Andersen, P. (2000). Modal Identification from Ambient Responses using Frequency Domain Decomposition. Smart Materials and Structures. Vol. 10 (2001) 441-445. https://doi.org/10.1088/0964-1726/10/3/303

Feng, Z., Lin, Y., Wang, W., Hua, X., Chen, Z. (2020) Probabilistic updating of structural models for damage assessment using approximate bayesian computation. Sensors 2020, 20, 3197. https://doi.org/10.3390/s20113197

Geyer, S., Papaioannou, I., Graham-Brady, L., Straub, D. (2022) The spatial averaging method for non-homogeneous random fields with application to reliability analysis. Engineering Structures, Vol.253, 113751. https://doi.org/10.1016/j.engstruct.2021.113761

Hizal, C. (2021). Frequency domain data merging in operational modal analysis based on least squares approach. Measurement. Vol. 170, 108742. https://doi.org/10.1016/j.measurement.2020.108742

Huang, Y., Shao, C., Wu, B., Beck, J.L., Li, H. (2019) State-of-the-art review on Bayesian inference in structural system identification and damage assessment. Advances in Structural Engineering, Vol. 22(6) 1329-1351. https://doi.org/10.1177/1369433218811540

Hurtado, O.D., Ortiz, A.R., Gomez, D., Astroza, R. (2023) Bayesian model-updating implementation in a five-story building. Buildings 2023, 13, 1568. https://doi.org/10.23967/latam.2023.010

Jiang, X., Mahadevan, S. (2008) Bayesian Probabilistic Inference for Nonparametric Damage Detection of Structures. Journal of Engineering Mechanics, Vol. 134, No. 10. ©ASCE, ISSN 0733-9399/2008/10-820-831. https://doi.org/10.1061/(ASCE)0733-9399(2008)134:10(820)

Jiang, X., Yuan, Y., Liu, X. (2013) Bayesian inference method for stochastic damage accumulation modeling. Reliability Engineering and System Safety 111, 126-138. https://doi.org/10.1016/j.ress.2012.11.006

Liu, Y., Li, J., Sun, S., Yu, B. (2019) "Advances in Gaussian random field generation: A review". Computational Geosciences 23, 1011-1047. https://doi.org/10.1007/s10596-019-09867-y

Lucero, G., Möller, O., Ascheri, J.P. (2024) Identificación de propiedades dinámicas de un modelo físico reducido de un puente losa mediante registro de vibraciones. Mecánica Computacional, en prensa.

Peeters, B. (2000). System Identification and Damage Detection in Civil Engineering. Katholieke Universiteit Leuven - Faculteit Toegepaste Wetenschappen.

Peeters, B., De Roeck, G. (1999), Reference-Based Stochastic Subspace Identification For Output- Only Modal Analysis. Mechanical Systems and Signal Processing. 13(6), 855-878. https://doi.org/10.1006/mssp.1999.1249

Quiroz, L.M. (2011) Probabilistic assessment of damage states using dynamic response parameters. Thesis of Master of Applied Science, University of British Columbia, Canada.

Uzun, M., Sun, H., Smit, D., Büyüköztürk, O. (2019) Structural damage detection using Bayesian inference and seismic interferometry. Struct Control Health Monit. 2019; 26:e2445. https://doi.org/10.1002/stc.2445

Descargas

Publicado

2024-11-08

Número

Sección

Artículos completos del congreso MECOM 2024