Structural health monitoring methods and seismic assessment

Abstract

Buildings, structures in general, inevitably experience the effects of aging, as they are exposed to diverse environmental influences, external excitations, and the accumulation of stress and damage over time. To ensure their continued functionality and safety, regular maintenance is crucial. Structural Health Monitoring (SHM) plays a pivotal role in this endeavor. By implementing monitoring systems, engineers can continuously assess the structural integrity of buildings and identify any signs of deterioration or potential risks. In seismic regions, this becomes even more critical, as earthquakes can pose significant threats to infrastructure. SHM enables real-time data collection, allowing for early detection of seismic damages, and provides valuable insights for seismic assessment. By employing SHM technologies and conducting seismic assessments, authorities can proactively address vulnerabilities, minimize potential damage, and safeguard lives and properties during seismic events. The combination of aging structures and SHM underscores the importance of ongoing maintenance and proactive measures to ensure the resilience and longevity of our built environment in seismic-prone areas. In this scope, the focus of this dissertation in the first place was to create a monitoring system being as low cost as possible, but with maintaining the main principles of SHM: accuracy and reliability. The reason of choosing to build a low-cost system was to enable mass application, and thus generating new data, both structural and earthquake-performance ones. The monitoring system consists of a 20bit triaxial accelerometer, with sync capabilities for extensive Operational Modal Analysis (OMA) operation for deriving both structural eigenfrequencies and eigenmodes. Moreover, being versatile, it is a solution for permanent, semi-permanent or non-permanent monitoring, with internet connectivity in cases it is needed. The application of it as a monitoring system during the years of the current dissertation, counts over 41 structures, including typical buildings, bridges, heritage ones as also as museum exhibits. The next important section of the current dissertation, is the proposal of a methodology for fast track – first level – seismic assessment that includes a basic structural parameter for the dynamic response of structures, their fundamental eigenfrequency. By measuring it in ambient vibrations terms, it may not be the effective frequency engineers are waiting for in case of a strong seismic event, but it’s the elastic one, an upper “safe” limit, from which with appropriate modifications they are able to make safer assumptions for the current state of a structure. Without conflicting with any other known procedure in terms of a seismic assessment such as target displacement calculations or building taxonomy, the methodology refers to typical buildings that do satisfy the Single Degree of Freedom (SDOF) oscillator assumption, and by introducing an extra parameter in building stock / capacity models / fragility curves of the country to be applied, it introduces a new variability between buildings of the same category, adding an extra important experimental data and ability for differentiation. Moreover, thanks to the large number of monitored buildings, a sensitivity analysis was made between empirical code relationships regarding height and effective eigen period, and how they compare to experimental data after appropriate adjustments. Due to research interest in fascinating technologies such as Neural Networks, and specifically Deep Learning, and by seeing more and more applications that they do have a big impact two models were introduced in the context of research that was already be done. Regarding the monitoring system, a deep learning model is being introduced that its goal is to remove any additive noise from a “noisy” sensor that has recorded the ambient response of a building. As there were not any available labeled data, of simultaneously noisy and non-noisy measurements of the same building at the same time, artificial ones were generated by MDOF oscillators of different mass/stiffness and height combinationς. Thus, the model itself has the ability of getting a noisy acceleration time history in terms of image, denoise it and return an image, free of any additive noise, by preserving frequency spectrum and even revealing the fundamental eigenfrequency of a MDOF that previously was hidden under noise. The second model introduced, is a deep learning autoencoder that its goal is to predict the time history seismic response of a building by having as inputs its records under ambient vibrations and the earthquake itself. Again, in absence of data, artificially ones generated by various MDOF were used, and so the model by using images in spectrogram form came up to the challenges and predicted in good terms the response of any MDOF under 9 different earthquake scenarios.

Ο κύριος στόχος της παρούσας διδακτορικής διατριβής είναι η συμβολή αυτής στον τομέα της παρακολούθησης της δομικής ακεραιότητας (SHM) των κατασκευών με έμφαση στην ταχεία προ- και μετά- σεισμική αποτίμηση τυπικών κατασκευών. Το κτιριακό απόθεμα είναι γεγονός πως συνεχώς αυξάνεται και η ανάγκη για συντήρηση αυτού είναι αναπόφευκτη. Οι κατασκευές καλούνται να συμπεριφέρονται όπως σχεδιάστηκαν, με ασφάλεια και λειτουργικότητα, και όταν παύει να συμβαίνει αυτό είναι υποχρέωση να δρούμε εγκαίρως και καταλλήλως. Συνεπώς, ένα ζήτημα που τίθεται είναι η ιεράρχηση του κινδύνου της ασφάλειας μιας κατασκευής, και δη του σεισμικού κινδύνου. Καθώς η μελέτη στατικής επάρκειας μιας κατασκευής είναι χρονοβόρα και ενέχει υψηλό κόστος, δύνανται να υπάρχουν βαθμίδες στη σεισμική αποτίμηση του κινδύνου των κατασκευών. Συνεπώς, διακρίνονται στάδια που προηγούνται της στατικής επάρκειας όπως ο πρωτοβάθμιος και δευτεροβάθμιος σεισμικός έλεγχος. Η μεθοδολογία που προτείνεται ενέχει να βελτιώσει τον πρωτοβάθμιο σεισμικό έλεγχο που βασίζεται σε οπτικά δεδομένα, και να τον εμπλουτίσει με δεδομένα από το πεδίο και μετρούμενες ποσότητες που περιγράφουν μέρος της σεισμικής απόκρισης μια κατασκευής. Παράλληλα, στην παρούσα διδακτορική διατριβή αξιοποιούνται νέες τεχνολογίες, υλικού (hardware) και λογισμικού (software), ώστε να υπηρετήσουν τον παραπάνω σκοπό προσφέροντας προσιτό κόστος, χαμηλότερο υπολογιστικό φόρτο (στην εφαρμογή) και αμεσότητα. Η συμβολή της διδακτορικής διατριβής μπορεί να διακριθεί σε 4 τομείς: 1. Σχεδιασμός και ανάπτυξη επιταχυνσιογράφου με γνώμονα το χαμηλό κόστος αλλά και την ακρίβεια, ώστε να έχει τη δυνατότητα ευρείας εφαρμογής σε έργα πολιτικού μηχανικού. Μερικά από τα μέρη που έλαβαν μέρος είναι: καθορισμός αρχιτεκτονικής του συστήματος, σχεδίαση της ενδοεπικοινωνίας των διάφορων εξαρτημάτων που απαρτίζεται, της επικοινωνίας εξωτερικά μέσω ενσύρματων ή ασύρματων δικτύων με σέρβερ για τη μεταφορά δεδομένων και επιλογές αδιάκοπης τοπικής αποθήκευσης. Σε αυτά προστίθενται η δυνατότητα ασύρματου συγχρονισμού για την σύνθεση πολλαπλών συγχρονισμένων καναλιών από ανεξάρτητα ομοειδή καταγραφικά συστήματα (δυνατότητα για Operational Modal Analysis – OMA). 2. Διατύπωση μεθοδολογίας απλοποιημένης (πρωτοβάθμιας) ταχείας αποτίμησης της σεισμικής συμπεριφοράς τυπικών κτιρίων βάσει μετρήσεων, με σκοπό τη συμβολή στη γρήγορη ταξινόμηση μεγάλου πλήθους κατασκευών και ιεράρχηση του σεισμικού τους κινδύνου. Ο υπολογισμός των πιθανοτήτων υπέρβασης σταθμών επιτελεστικότητας γίνεται κατά τα πρότυπα Hazus MH2.1 κατόπιν κατάλληλης τροποποίησης και κατάλληλες παραδοχές, ελλείψει τοπικής βάσης αντίστοιχων δεδομένων. 3. Χρήση Βαθιών Νευρωνικών Δικτύων (Deep Neural Networks – DNN) για τη μείωση του ηλεκτρονικού, και μη· πρόσθετου θορύβου σε χαμηλής έντασης μετρήσεις περιβάλλοντος (Ambient Vibrations – AV) χωρίς την αλλοίωση της πληροφορίας ενδιαφέροντος εντός των σημάτων (π.χ. εύρεση ιδιοσυχνοτήτων). 4. Χρήση Βαθιών Νευρωνικών Δικτύων (Deep Neural Networks – DNN) για τη πρόβλεψη της απόκρισης του ν-ιοστού βαθμού ελευθερίας (κορυφή κτιρίου – διαφραγματική λειτουργία) ενός πολυβάθμιου ταλαντωτή (Multi Degree of Freedom – MDOF) σε χρονοϊστορίες σεισμικών διεγέρσεων, με την αξιοποίηση σε μορφή εικόνων της χρονοϊστορίας του σεισμού καθαυτού, καθώς και της απόκρισης του ταλαντωτή σε δονήσεις περιβάλλοντος (Ambient Vibrations – AV).