Machine Learning-Assisted Structural Health Monitoring of Herøysund Bridge

Abstract

Herøysundbrua i Herøy kommune, Nordland, forbinder øyene Nord-Herøy og Sør-Herøy sammen. Den etteroppspente betongbrua står eksponert mot havet, hvor det kystlige klimaet trolig har forårsaket betydelig korrosjon i spennkablene. Gjennomført reparasjonsarbeid har kommet frem til at en omfattende strukturell vurdering for Herøysundbrua er nødvendig. Tøynings- og forskyvningsmålere ble installert for å overvåke forringelsen av brua under prosjektet Herøysund FoU. På grunn av bruas betydning for lokalsamfunnet, kan en mulig skade ansees som kritisk.

Tøyningsinformasjonen fra sensorene på bruen viser høye sesongmessige variasjoner, men også støy. De irregulære variasjonene skyldes ytre værforhold, trafikklast og andre mulige feilkilder. På grunn av støy i datasettet, må databehandling utføres for å kunne vurdere bruens tilstand.

Forskningen tar sikte på å utvikle en maskinlæringsalgoritme for å forutsi værindusert tøyningsutvikling. Herøysundbrua blir også analysert ved hjelp av programvare som benytter elementanalyse. I denne programvaren blir også broen utsatt for en simulert skade. Forskningen sammenfatter funn fra maskinlæring, elementanalyse og målte sensormålinger for å vurdere om strukturell helsetilstandsovervåking kan implementeres for Herøysundbrua.

Tøyningsmålingene ble manipulert for å bare ta hensyn til varierende ytre værforhold. Temperaturen ble overvåket direkte på bruen, mens andre værdata (f.eks. solstråling og vind) ble samlet inn fra en værstasjon 19 km unna Herøysundbrua. Etter å ha utviklet maskinlæringsmodeller, viser resultatene at datasettet er tilstrekkelig for en maskinlæringsimplementering, selv om dataen har forbedringspotensiale.

Mindre beregningstunge, statistiske referansemodeller (f.eks. lineær regresjon) ble sammenlignet med maskinlæringsalgoritmene. Sett i kontekst av strukturell helsetilstandsovervåking, overgikk maskinlæringsalgoritmene referansemodellene.

Når brua ble simulert med én mindre etteroppspenningskabel i en elementanalyse, økte tøyningene med 132,5 μm/m. Den forventede feilen for maskinlæringsalgoritmene grunnet ytre værforhold, med en nøyaktighet på 99\%, var 46,8 μm/m. På grunn av at den forventede feilen til maskinlæringsprediksjonene er lavere enn tøyningsresponsen (fra simulert skade), indikerer funnene at den utviklede maskinlæringsmodellen vil kunne oppdage et plutselig tap av etteroppspenning på den virkelige brua.

Elementanalysen ga også innsikt i de termiske reaksjonene som oppstår i broen, noe som økte den strukturelle forståelsen av brua (Men også sensor-dataene). Elementanalysen forklarte variasjonen i målt tøyningsrespons mellom nord- og sørside av brua på grunn av solstråling. Kombinering av elementanalyse og maskinlæring ga forskningen en metode for å tolke tøyningsresponser, og forbedret dermed forståelsen av hvordan et strukturelt helsetilstandsovervåkingssystem kan gjennomføres for en betongbru.

The Herøysund Bridge in Herøy municipality, Norway, connects the islands of Nord-Herøy and Sør-Herøy. The post-tensioned concrete bridge is located in coastal conditions that have caused substantial corrosion in the tendons. Previous repair efforts have highlighted the need for a comprehensive structural assessment. Strain and displacement gauges were installed to monitor the bridge’s deterioration development under the Herøysund FoU project. Due to the bridge’s importance to the local community, potential damage is critical.

The initial measurements from the strain gauges on the bridge exhibit high seasonality and noise. This variability is attributed to external weather conditions, the influence of cars, and other real-world disturbance elements. Due to the inherent noise in the data, data processing must be done to assess the bridge’s health sufficiently.

The research aims to develop a Machine Learning (ML) algorithm to predict weather-induced strain development. Additionally, the bridge is analyzed using Finite Element Analysis (FEA) software. Simulated damage was also applied to the FEA model. The research uses ML, the FEA model, and measured sensor data to evaluate if a Structural Health Monitoring (SHM) system can be implemented for the Herøysund Bridge.

The initial strain measurements were manipulated to account for varying external weather conditions. Temperature was monitored directly on the bridge, while other weather data (e.g., solar radiation and wind) were collected from a weather station 19 km away from the Herøysund Bridge. After developing ML models, results indicate that the dataset is adequate for ML implementation, though there are areas for improvement.

Less computationally expensive baselines (e.g., linear regression) were compared to the more computationally extensive ML algorithms. For an SHM use case, the ML models outperformed the comparable baselines.

When the bridge experienced a sudden loss of post-tension in the FEA of the bridge, the strains increased by 132.5 μm/m. In contrast, the expected error for the ML predictions of strain development due to external weather conditions, with 99% accuracy, was 46.8 μm/m. Since the expected error is significantly lower than the strain response, the findings indicate that the constructed ML model would successfully detect a sudden loss in post-tensioning force if similar damage occurred to the real-world bridge.

The FEA also gave insights into the thermal effects occurring within the structure, enhancing the physical understanding of the bridge (and also the sensor data). The model explained the significant variation in measured strain response between the north and south sides of the bridge due to solar radiation. Combining FEA with ML techniques offered a comprehensive method for interpreting strain responses, thereby improving the understanding of how an SHM system could be implemented for a concrete structure like the Herøysund Bridge.