Smart tillståndsbedömning, övervakning och förvaltning av kritiska broar
Diarienummer | |
Koordinator | KUNGLIGA TEKNISKA HÖGSKOLAN - KTH Avdelningen för bro- och stålbyggnad |
Bidrag från Vinnova | 1 497 000 kronor |
Projektets löptid | oktober 2016 - december 2018 |
Status | Avslutat |
Utlysning | Strategiska innovationsprogrammet InfraSweden |
Ansökningsomgång | Strategiska innovationsprogrammet InfraSweden2030 - Tillståndsbedömning och underhåll av transportinfrastrukturen |
Viktiga resultat som projektet gav
Det övergripande målet med projektet var att utveckla ett integrerat system för övervakning, dataöverföring, tillståndsbedömning och beslutsstöd för kritiska broar. Utrustning för trådlös mätning av den verkliga responsen på broar har utvecklats och testats på Gamla Lidingöbron i Stockholm. Metoder har utvecklats för att utnyttja den uppmätta responsen för tillståndsbedömning och planering av underhållsåtgärder. Genom molnbaserade tjänster för informationsspridning kan resultatet från mätningarna visas i en App för mobiltelefoner.
Långsiktiga effekter som förväntas
Resultatet av projektet visar att det finns tillförlitliga trådlösa system för långtidsmätningar på broar. Vi har också sett att det går att alstra energi från vibrationer inducerade av tågpassager, trots att bidraget är lågt, och hur planeringen av mätningar och dataöverföringar kan förlänga batteriernas driftstid. Genom de teoretiska modellerna som utvecklats kan mätdata användas för att förlänga livslängden på befintliga broar med kända skador. Resultatet av projektet väntas bidra till ett mer utbrett användande av mätningar för att behålla kritiska broar i drift.
Upplägg och genomförande
En utvärdering av experimentell och kommersiell utrustning för trådlösa mätningar har genomförts med Gamla Lidingöbron som studieobjekt. Data från mätningarna har utnyttjats dels till att utveckla och testa rutiner för kommunikation och energiinsamling, och dels som underlag för fallstudier inom projektets mer teoretiska delar. Modeller för tillståndsbedömning och skadedetektering har involverat teoretisk modellering av nedbrytningsprocesser och livslängdsbedömning, samt maskininlärning genom artificiella neurala nätverk (ANN).