Resumen:
CONDITION FOR PUBLICATION OF PROJECT. This study centers in the application of unsupervised data-driven structural health monitoring (SHM) of a single-span railway bridge. A numerical model with finite elements (FE) with train loads as moving concentrated loads was developed incorporating OpenSees to measure structural response, taking advantage of the large-magnitude loads for enhancing sensivity to structural changes. The proposed methodology identify damage by introducing train speed, axle loadings, and stiffness reduction by 5% to 20% in localized critical sections of the bridge. To ensure a continuous assessment, a hybrid combination of multivariate autoregressive (MAR) model, principal components analysis, mahalanobis distance and k-means clustering algorithm was applied to the monitored data, as a unsupervised machine learning algorithm. The strategy proved to be robust when detecting undamaged and damaged scenarios across varying train speed and train loads. Its sensivity to smaller damaged levels that consists of small stiffness reductions, and independence from labelled damaged training data, make this a reliable solution for long-term continuous monitoring at instrumented railway bridges.
Keywords: Supervised learning, SHM, Damage detection, MAR model
Descripción:
CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. Este estudio se centra en la aplicación de la monitorización estructural basada en datos no supervisada (SHM) de un puente ferroviario de un solo tramo. Se desarrolló un modelo numérico con elementos finitos (FE) con cargas de tren como cargas concentradas móviles incorporando OpenSees para medir la respuesta estructural, aprovechando las cargas de gran magnitud para mejorar la sensibilidad a los cambios estructurales. La metodología propuesta identifica los daños introduciendo la velocidad del tren, las cargas por eje y una reducción de la rigidez del 5% al 20% en secciones críticas localizadas del puente. Para garantizar una evaluación continua, se aplicó a los datos monitorizados una combinación híbrida de modelo autorregresivo multivariante (MAR), análisis de componentes principales, distancia de Mahalanobis y algoritmo de agrupamiento k-means, como algoritmo de aprendizaje automático no supervisado. La estrategia demostró ser robusta a la hora de detectar escenarios sin daños y con daños en diferentes velocidades y cargas de tren. Su sensibilidad a niveles de daño más pequeños, que consisten en pequeñas reducciones de la rigidez, e independencia de los datos de entrenamiento etiquetados como dañados, que lo convierten en una solución fiable para la monitorización continua a largo plazo en puentes ferroviarios instrumentados.
