| Subspace-based damage detection in engineering structures considering reference uncertainties and temperature effects (Détection statistique d’endommagements pour les ouvrages d’art par méthodes sous-espaces sous conditions environnementales) Viefhues, Eva - (2021-12-14) / Universite de Rennes 1 Subspace-based damage detection in engineering structures considering reference uncertainties and temperature effects
| |||
Langue : Anglais Directeur(s) de thèse: Mevel, Laurent Discipline : Signal, image, vision Laboratoire : INRIA-RENNES Ecole Doctorale : MATHSTIC Classification : Sciences de l'ingénieur Mots-clés : Détection d’endommagements, Méthodes sous-espaces, Vibrations, Quantification d’incertitude, Variation de température, Ouvrages d’art
| |||
Résumé : La détection automatisée d’endommagements basée sur les mesures vibratoires est pertinente pour la surveillance de l’intégrité des ouvrages d'art. Dans ce contexte, la détection basée sur les techniques sous-espace (SSDD) compare statistiquement les mesures à un modèle de référence. Dans cette thèse, une nouvelle approche est proposée pour améliorer la robustesse de la SSDD pour un usage applicatif réaliste. Tout d'abord, un test statistique est formulé tenant compte des incertitudes statistiques liées aux erreurs sur le modèle obtenu sur des données de référence. Cela conduit à une description précise des propriétés statistiques du test et des seuils d’alarme. Deuxièmement, une approche a été développée pour tenir compte des effets environnementaux sur la SSDD. A partir de mesures de référence dans plusieurs conditions environnementales différentes, un test est proposé détectant un défaut par rapport à une référence obtenue par interpolation. Les méthodes développées sont validées par des simulations numériques et appliquées à des données expérimentales obtenues en laboratoire et sur structures installées en extérieur. Abstract : Automated vibration-based damage detection is of increasing interest for structural health monitoring of engineering structures. In this context, stochastic subspace-based damage detection (SSDD) compares measurements from a testing state to a data-driven reference model in a statistical framework. In this thesis theoretical developments have been proposed to improve the robustness of SSDD for realistic applications conditions. First, a statistical test has been proposed considering the statistical uncertainties about the model obtained from the reference data. This leads to a precise description of the test's distribution properties and damage detection thresholds. Second, an approach has been developed to account for environmental effects in SSDD. Based on reference measurements at few different environmental conditions, a test is derived with respect to an adequate interpolated reference. The proposed methods are validated in numerical simulations and applied to experimental data from the laboratory and outdoor structures. | |||