Dynamic Identification of Steel Truss Structures and Parametric Inference Using Optimally Placed Strain Gauges

Abstract

Las infraestructuras civiles son vitales para el desarrollo de las sociedades: impulsan el crecimiento económico, reducen la pobreza y mejoran la calidad de vida de los ciudadanos. Es por ello que evitar el deterioro debido a la exposición a factores medioambientales, el incremento en cargas de uso y los sucesos extremos, supone un auténtico reto político y social. Un mantenimiento eficaz es crucial para garantizar la seguridad, la capacidad de servicio y la durabilidad de estas estructuras, por lo que la monitorización de la salud estructural (SHM) está cobrando cada vez más importancia. Entre las técnicas de SHM, una de las más ampliamente utilizadas es el seguimiento de los parámetros modales obtenidos mediante la monitorización de vibraciones con acelerómetros. Sin embargo, estos sensores presentan ciertas limitaciones, como la alta sensibilidad a las condiciones climáticas. El presente TFM explora el análisis modal de deformaciones como alternativa a la monitorización de vibraciones basada en acelerómetros. El estudio se centra en la optimización de la colocación de las galgas extensiométricas mediante el uso del algoritmo de Independencia Efectiva (IE). El objetivo principal de esta investigación es validar dicho algoritmo en estructuras reales a través de dos casos de estudio: una estructura de laboratorio y una pasarela peatonal real. La metodología implica el desarrollo de Modelos de Elementos Finitos (MEFs) en SAP2000, la implementación del algoritmo de IE en Python y la aplicación del análisis modal operacional (OMA) en ambas estructuras. El estudio también incorpora la inferencia bayesiana mediante el método de Monte Carlo Markov Chain para actualizar el MEF de la estructura de laboratorio basándose en los parámetros modales identificados mediante el OMA. Los resultados demuestran la aplicabilidad de galgas extensiométricas en la realización de OMA basado en deformaciones, y la eficacia del algoritmo de IE para la colocación óptima de estos sensores, proporcionando valiosos conocimientos para la aplicación práctica de sistemas monitorización de la salud estructural en infraestructuras del mundo real.

Infrastructure is vital for societal development, driving economic growth, reducing poverty, and enhancing quality of life. However, infrastructure faces challenges such as deterioration and damage due to environmental factors, operational loads, and extreme events. Effective maintenance is crucial for ensuring the safety, serviceability, and durability of these structures, making Structural Health Monitoring (SHM) increasingly important. Among SHM techniques, Vibration-Based Monitoring (VBM) is widely used, traditionally employing accelerometers to assess modal properties. However, these sensors have certain limitations, such as reduced sensitivity to local defects. This Master Thesis explores strain modal analysis as an alternative to accelerometers-based VBM. The study focuses on optimizing the placement of Strain Gauges (SGs) by the use of the Effective Independence (EfI) algorithm. The primary objective of this research is to validate the EfI method in real structures through two case studies: a laboratory steel frame and an in-operation pedestrian footbridge. The methodology involves the development of Finite Element Models (FEMs) in SAP2000, the implementation of the EfI method in Python, and the application of Operational Modal Analysis (OMA) on both structures. The study also incorporates Bayesian Inference using the Markov Chain Monte Carlo (MCMC) method to update the steel frame FEM based on modal parameters identified by OMA. The results demonstrate the applicability of SGs in conducting deformation-based OMA and the effectiveness of the EfI algorithm for the optimal placement of these sensors. These findings offer valuable insights for the practical application of SHM systems in realworld infrastructure.