Damage detection of multi-girder bridge superstructure based on the modal strain approaches
سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: انگلیسی
مشاهده: 482
فایل این مقاله در 22 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_TAVA-5-1_003
تاریخ نمایه سازی: 27 آذر 1398
چکیده مقاله:
The research described in this paper focuses on the application of modal strain techniques on a multi-girder bridge superstructure with the objectives of identifying the presence of damage and detecting false damage diagnosis for such structures. The case study is a one-third scale model of a slab-on-girder composite bridge superstructure, comprised of a steel-free concrete deck with FRP rebars supported by four steel girders, similar to North Perimeter Red River Bridge in Winnipeg, Manitoba. The modal test data of the slab-on-girder specimen are analyzed by two mathematical methods and Mindlin approach. The Mindlin approach uses a small number of sensors and only the fundamental mode of vibration to obtain the modal strains. The unit-area normalization method produces a more precise damage patternbased on the Mindlin approach than the widely used unit-norm method and is thus a superior method for locating damage in multi-girder bridge structures. A new method is proposed to distinguish the false damage diagnosis that is common in multi-girder systems. Based on the invariant stress resultant theory and direct stiffness assumptions, a level III damage detection process is applied successfully to indicate damage localization and severity estimation of the damaged girder.
کلیدواژه ها:
نویسندگان
Neda Baghiee
Assistant Professor, Civil Engineering Department, Quchan University of Technology, Quchan, Iran
Mohamad Reza Esfahani
Professor, Civil Engineering Department, Ferdowsi University of Mashhad, Mashhad, Iran
Kazem Moslem
Assistant Professor- Retired, Civil Engineering Department, Ferdowsi University of Mashhad, Mashhad, Iran
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :