Contributions to bridge weigh-in-motion systems

Abstract

Pontes são estruturas importantes para possibilitar o funcionamento adequado de sistemas de transporte ao redor do mundo. Essas estruturas permanecem ao longo de toda sua vida útil sob efeito direto de condições ambientais, o que acelera sua degradação e aumenta as incertezas relacionadas ao seu desempenho. Essas incertezas são ainda maiores em cenários em que faltam informações confiáveis quanto às suas propriedades estruturais. Além disso, tanto volume quanto cargas dos veículos estão continuamente crescendo ao longo dos anos, além da presença de veículos acima do limite legal de peso. Esse contexto gera grandes desafios para pontes, principalmente aquelas mais antigas. Sistemas Bridge weigh-in-motion (B-WIM) são ferramentas poderosas para fornecer informações valiosas nesse tema. Sistemas B-WIM permitem estimar o peso dos eixos de veículos enquanto eles trafegam sobre a ponte em velocidade normal. Em especial, esses sistemas podem ajudar na fiscalização de limites legais de peso, o que é uma tarefa importante para controlar o nível de solicitação da estrutura. No entanto, a acurácia das estimativas reportadas por sistemas B-WIM ainda não atingiu o patamar necessário para fiscalizar diretamente os limites legais de peso, principalmente para peso por eixo, persistindo a necessidade de utilizar balanças estáticas para confirmação. O objetivo deste estudo é contribuir para a tecnologia B-WIM e a melhoria do nível de acurácia nas estimativas de peso é abordada. Primeiramente, um algoritmo B-WIM que inclui um modelo dinâmico simplificado do comportamento da ponte devido à passagem de veículos pesados é derivado. Ele difere dos métodos utilizados atualmente, que se baseiam em suposições de comportamento estático, porém mantendo um custo computacional similar. Então, um algoritmo B-WIM que inclui expectativas prévias quanto aos valores de peso por eixo a partir de uma formulação Bayesiana é proposto. Ele utiliza um modelo autoregressivo de segunda ordem (AR(2)) para modelar o erro entre respostas estimadas e medidas que evita a suposição de independência geralmente empregada. Um segundo ponto que é abordado neste trabalho é a dificuldade em se avaliar a real condição de pontes. Assim, propõe-se utilizar os dados coletados durante a calibração de um sistema B-WIM para realizar atualização de modelo para parâmetros estruturais da ponte. É importante salientar que parâmetros estruturais podem apresentar uma variabilidade inerente entre diferentes passagens de veículos de calibração devido a fatores externos, como condições climáticas. Dessa forma, visando uma melhor predição das incertezas relacionadas, um modelo Bayesiano hierárquico é aplicado. Os resultados relacionados com o processo de estimação de peso indicam que ambas as abordagens propostas foram capazes de atingir melhores resultados para as situações analisadas do que os algoritmos B-WIM estáticos geralmente empregados. Os melhores desempenhos foram observados para a estratégia Bayesiana com modelo AR(2) quando estimando peso por eixo. A estratégia de atualização de modelo Bayesiana hierárquica proposta também foi capaz de atingir seu objetivo, fornecendo estimativas semelhantes mesmo quando utilizando dados produzidos por veículos diferentes no processo de estimação. Apesar dos resultados serem obtidos para um conjunto limitado de exemplos, eles indicam que as abordagens propostas são promissoras e podem ser implementadas na prática para confirmar essas conclusões.

Abstract: Bridges are important structures for the proper operation of transportation systems around the world. These structures remain over all their life-cycle under direct influence of environmental conditions, which accelerates their structural degradation and increases uncertainties related to their performance. These uncertainties are even higher for scenarios in which there is a lack of reliable information related to their structural properties. Furthermore, traffic volume and vehicle loads are continuously increasing over the last decades, which also includes the presence of vehicles over the accepted weight limits. This scenario leads to a high challenge for bridge structures, mainly the older ones. Bridge weigh-in-motion (B-WIM) systems are powerful tools for providing valuable information in this regard. B-WIM systems allow the estimation of axle weights for vehicles of the traffic flow whereas they travel over the bridge at their normal speeds. In particular, it can help in the enforcement of legal weight limits, which is important for controlling the applied loads. However, the accuracy of weight predictions reported by current B-WIM systems still has not achieved the required level for direct enforcement of legal weight limits, mainly when analyzing axle weights individually, remaining the necessity to employ static scales to check it. The goal of the present work is contributing to B-WIM technology and the improvement of accuracy level of such weight estimates is addressed. First, a B-WIM algorithm that includes simplified dynamic modeling of the bridge behavior due to the passage of heavy vehicles is derived. It differs from current employed methods, which rely on static assumptions, however keeping a similar computational cost. Then, a B-WIM algorithm that includes prior beliefs regarding the conventional values of axle weights by means of a Bayesian formulation is proposed. It utilizes a second order autoregressive (AR(2)) process for modeling the error between measured and predicted responses that avoids the usually employed independence assumption. A second issue that is addressed in the present work is the difficulty to assess real bridge conditions. Then, the data collected for calibrating the B-WIM systems is employed to perform model updating of bridge structural parameters. It is important to remark that structural parameters may present an inherent variability among the passage of each calibration vehicle due to external factors, such as environmental conditions. Therefore, in order to better predict related uncertainties, a hierarchical Bayesian framework is applied. The results related to the weight estimation process indicate that both proposed approaches are able to reach better results than the usually applied static B-WIM algorithms for the analyzed situations. The main achievements are noticed for the Bayesian strategy with AR(2) model when estimating individual axle weights. The proposed hierarchical Bayesian model updating strategy was also able to reach its goal, providing consistent estimates. Although the results were obtained for a limited set of examples, such results indicate that the proposed approaches are promising and could be implemented in practice for further assessing their effectiveness.