2026-04-17T17:17:22Zhttps://recercat.cat/oai/request

oai:recercat.cat:2117/4207172025-07-23T05:14:25Zcom_2072_1033col_2072_452951

Bridge damage detection under variability using machine learning: real data implementation Zunino, Leonardo Universitat Politècnica de Catalunya. Departament d'Enginyeria Civil i Ambiental Casas Rius, Joan Ramon Domaneschi, Marco Àrees temàtiques de la UPC::Enginyeria civil::Enginyeria hidràulica, marítima i sanitària::Ports i costes Structural control (Engineering) Structural Health Monitoring (SHM) Bridge Damage Detection Traffic and Environmental Variability Variational Mode Decomposition (VMD) Hilbert Huang Transform (HHT) Principal Component Analysis (PCA) K-means Clustering Control d'estructures (Enginyeria) Aquesta tesi proposa una metodologia per detectar i localitzar danys en ponts sotmesos a càrregues de trànsit i variabilitat ambiental. Utilitzant senyals d'acceleració d'un pont atirantat a la Xina, la Descomposició Modal Variacional (VMD) i la Transformada de Hilbert extreuen freqüències instantànies sensibles al dany. Els efectes ambientals s'eliminen utilitzant l'Anàlisi de Components Principals (PCA). Finalment, l'algoritme de clustering K-means detecta i localitza eficientment el dany. Esta tesis propone una metodología para detectar y localizar daños en puentes sometidos a cargas de tráfico y variabilidad ambiental. Utilizando señales de aceleración de un puente atirantado en China, la Descomposición Modal Variacional (VMD) y la Transformada de Hilbert extraen frecuencias instantáneas sensibles al daño. Los efectos ambientales se eliminan utilizando el Análisis de Componentes Principales (PCA). Finalmente, el algoritmo de agrupamiento K-means detecta y localiza eficientemente el daño. This thesis proposes a methodology for detecting and localizing damage in bridges subjected to traffic loads and environmental variability. Using acceleration signals from a cable-stayed bridge in China, Variational Mode Decomposition (VMD) and the Hilbert Transform extract damage-sensitive instantaneous frequencies. Environmental effects are removed using Principal Component Analysis (PCA). Finally, the K-means clustering algorithm efficiently detects and localizes damage. Incoming 2024-07-15 Master thesis https://hdl.handle.net/2117/420717 PRISMA-190552 eng Open Access application/pdf application/pdf Universitat Politècnica de Catalunya