Ανάπτυξη μεθοδολογιών για τον έλεγχο της δομικής ακεραιότητας κατασκευών με την τεχνολογία επίγειου συστήματος radar μικροκυματικής συμβολομετρίας

Abstract

This PhD thesis deals with the topic of dynamic monitoring of large-scale structures and the assessment of their structural integrity through the development of an integrated methodology based on Ground Based Radar Interferometer-Real Aperture Radar (GBRI-RAR) measurements. The first part of the thesis concerns with the development, testing and verification of a methodology aiming at investigating the quality (accuracy, reliability) and the potential of GBRI-RAR observables (IBIS-S, IDS®) in laboratory conditions. The experimental process involves the construction of a sensor system array and software to generate, measure, process and analyze observed oscillations of known characteristics (amplitude and frequency) found in the majority of large-scale structures under environmental and operational loading. The generation of controlled oscillations resides on the parameterization of an automatically operated portable shake table, assistive sensors and on-purpose built software. A contemporary Laser Tracker system is used as a means of GBRI-RAR validation. Research results demonstrate the ultra-high accuracy (repeatability) and reliability (correctness) of the GBRI-RAR system, reaching values of ±0.01 mm and ±0.1 mm, or better, respectively. Analysis in the frequency domain demonstrates the excellent performance (better than 0.01 Hz) of GBRI-RAR technology in extracting oscillation frequencies up to 20 Hz. The second part of the thesis deals with the development and evaluation of a unified, data driven based methodology for the detection of structural damage in controlled environment. The proposed method resides on pattern recognition principles suitably formulated and parameterized to accommodate the characteristics of GBRI-RAR observations. For the thesis’ needs, a laboratory, exact model of a 50-foot-long Bailey-type steel bridge (dimensions 6.12 m x 1.82 m, scale 1:2.5) was studied and constructed based on the similitude law, rendering the capability of imposing artificial structural damage, through the removal of selected structural parts (rakers and sway braces). Realistic excitation ("white noise" signal) of the physical bridge model is achieved by means of an oscillation generator, suitably mounted on a specially built electric vehicle, which is placed at different positions along the bridge deck. The monitoring scenarios concern the measurement of the dynamic response (oscillations) of the bridge, in a "healthy" structural state and in states of imposed structural damage, using the GBRI-RAR system. Oscillation measurements are transformed into images using the Continuous Wavelet Transform, which are the input data to Deep Learning Convolutional Neural Networks, of award-winning architectures (GoogleNet, ResNet-18 and ResNet-50). The above deep Neural Networks are parameterized, based on the Transfer Learning technique and trained through supervised learning using a large amount of data. The proposed pattern recognition methodology is evaluated, based on widely used performance metrics. Exhaustive testing results in high (> 90%) accuracy values in bridge damage detection and classification of the structural damage type, for all formulations of used Deep Neural Networks. In addition, all performance metrics lead at extremely high values, which demonstrates the effectiveness and the potential of the proposed methodology in real structure applications.

Η παρούσα διδακτορική διατριβή πραγματεύεται το πρόβλημα παρακολούθησης της δυναμικής συμπεριφοράς τεχνικών έργων και αξιολόγησης της δομικής τους ακεραιότητας μέσω της ανάπτυξης ολοκληρωμένης μεθοδολογίας για την αξιοποίηση παρατηρήσεων συστήματος επίγειου radar συμβολομετρίας πραγματικού ανοίγματος (Ground Based Radar Interferometer-Real Aperture Radar, GBRI-RAR).Tο πρώτο σκέλος της διατριβής αφορά στην ανάπτυξη και εφαρμογή μεθοδολογίας για την διερεύνηση της ποιότητας (ακρίβεια, αξιοπιστία) και των δυνατοτήτων μετρήσεων δυναμικών μετατοπίσεων συστήματος GBRI-RAR (IBIS-S, IDS®) σε εργαστηριακές συνθήκες. Η πειραματική διαδικασία περιλαμβάνει την κατασκευή διάταξης συστήματος αισθητήρων και λογισμικού για την παραγωγή, μέτρηση, επεξεργασία και ανάλυση ταλαντώσεων γνωστών χαρακτηριστικών (πλάτος και συχνότητα) που απαντώνται στην πλειονότητα των τεχνικών έργων μεγάλης κλίμακας έναντι περιβαλλοντικών και λειτουργικών φορτίσεων. Η δημιουργία ταλαντώσεων στηρίζεται στην παραμετροποίηση φορητής σεισμικής τράπεζας, ενώ ως μέσο διακρίβωσης του συστήματος GBRI-RAR χρησιμοποιείται σύστημα Laser Tracker. Η έρευνα καταδεικνύει υπερυψηλή ακρίβεια (επαναληψιμότητα) και αξιοπιστία (ορθότητα) του συστήματος GBRI-RAR που αγγίζει τιμές ±0.01 mm και ±0.1 mm, ή καλύτερες, αντίστοιχα. Ανάλυση στο πεδίο των συχνοτήτων αποδεικνύει την εξαιρετική απόδοση (καλύτερη των 0.01 Hz) της τεχνολογίας στον προσδιορισμό συχνοτήτων ταλάντωσης έως 20 Hz. Το δεύτερο σκέλος της διατριβής αφορά στην ανάπτυξη και αξιολόγηση μεθοδολογίας για την ανίχνευση δομικών βλαβών σε κατασκευές, με χρήση δεδομένων συστήματος GBRI-RAR, με τεχνικές αναγνώρισης προτύπων. Για τις ανάγκες της διατριβής μελετήθηκε και κατασκευάστηκε, βάσει της αρχής ομοιότητας, εργαστηριακό φυσικό ομοίωμα χαλύβδινης γέφυρας τύπου Bailey μήκους 50 ποδών (διαστάσεων 6.12 m x 1.82 m, κλίμακα 1:2.5), με δυνατότητα επιβολής τεχνητών δομικών βλαβών, μέσω αφαίρεσης επιλεγμένων δομικών στελεχών της (αντηρίδες και αντιανέμια). Η διέγερση (σήμα «λευκού θορύβου») του φυσικού ομοιώματος γέφυρας με ρεαλιστικό τρόπο επιτυγχάνεται μέσω συσκευής παραγωγής ταλαντώσεων, επιβαίνουσας σε ειδικά κατασκευασμένο ηλεκτροκίνητο όχημα, το οποίο τοποθετείται σε διαφορετικές θέσεις του καταστρώματος του ομοιώματος γέφυρας. Τα σενάρια παρακολούθησης αφορούν στη μέτρηση της δυναμικής απόκρισης (ταλαντώσεις) της γέφυρας με σύστημα GBRI-RAR, αφενός, σε «υγιή» δομική κατάσταση, και αφετέρου σε κατάσταση επιβαλλόμενης δομικής βλάβης. Οι μετρήσεις ταλαντώσεων μετασχηματίζονται σε εικόνες με χρήση του Συνεχούς Μετασχηματισμού Κυματιδίων (Continuous Wavelet Transform), οι οποίες αποτελούν τα δεδομένα εισόδου σε Συνελικτικά Νευρωνικά Δίκτυα βαθιάς μάθησης, βραβευμένων αρχιτεκτονικών (GoogleNet, ResNet-18 και ResNet-50). Τα ως άνω βαθιά Νευρωνικά Δίκτυα παραμετροποιούνται, βάσει της τεχνικής Μεταφοράς Μάθησης και εκπαιδεύονται μέσω επιβλεπόμενης μάθησης με χρήση μεγάλου όγκου δεδομένων. Η προτεινόμενη μεθοδολογία αναγνώρισης προτύπων αξιολογείται, βάσει ευρέως χρησιμοποιούμενων δεικτών απόδοσης, επιτυγχάνοντας υψηλές (> 90%) τιμές ορθότητας στην ανίχνευση και ταξινόμηση του τύπου δομικής βλάβης στο ομοίωμα γέφυρας, για όλα τα χρησιμοποιηθέντα Νευρωνικά Δίκτυα βαθιάς μάθησης. Επιπρόσθετα, όλοι οι δείκτες απόδοσης κρίνονται εξαιρετικά υψηλοί, γεγονός που καταδεικνύει την αποτελεσματικότητα και τις δυνατότητες πρακτικής εφαρμογής της προτεινόμενης μεθοδολογίας.