[en] A SYSTEM TO EVALUATE THE DEGRADATION OF REINFORCED CONCRETE BRIDGES USING THE FINITE ELEMENT METHOD AND ARTIFICIAL NEURAL NETWOKS

[pt] UM SISTEMA PARA AVALIAÇÃO DA DEGRADAÇÃO DE PONTES DE CONCRETO ARMADO USANDO O MÉTODO DOS ELEMENTOS FINITOS E REDES NEURAIS ARTIFICIAIS

[pt] HELDER BRANCO MOITA

[pt] REDES NEURAIS ARTIFICIAIS

[pt] CORROSAO DE ACO

[pt] MANUTENCAO ESTRUTURAL

[pt] MODELO DE ELEMENTOS FINITOS

[pt] PONTES EM VIGA DE CONCRETO ARMADO

[en] ARTIFICIAL NEURAL NETWORKS

[en] STEEL CORROSION

[en] STRUCTURAL MAINTENANCE

[en] FINITE ELEMENT MODEL

[en] REINFORCED CONCRETE GIRDER BRIDGES

[pt] O presente trabalho visa contribuir para sistemas de gerenciamento de estruturas a partir da previsão de desempenho em serviço e do tempo até a indispensabilidade de manutenção em pontes e viadutos. A sistemática proposta fornece, a partir de dados de entrada da geometria e dos materiais de uma ponte biapoiada de concreto armado (e.g. comprimento do vão, largura da ponte, dimensões das vigas, etc.), uma previsão da degradação estrutural no decorrer do tempo. Tal análise incorpora modelos empíricos e teóricos de corrosão da armadura de aço. Elaborou-se um banco de dados com resultados da modelagem computacional pelo Método de Elementos Finitos (MEF) de pontes, havendo variação de parâmetros geométricos de acordo com a prática construtiva e as recomendações normativas. O banco de dados serviu de base para treinamento, validação e teste da arquitetura de uma Rede Neural Artificial (RNA). O banco de dados foi expandido até a RNA desenvolver a capacidade de prever com eficiência, de acordo com a precisão almejada, a resposta estrutural de pontes não inclusas no conjunto de modelos computacionais analisados. Dessa forma, o usuário, por meio de uma rotina no software MATLAB, obtém como resultado, para uma ponte qualquer dentro dos limites estabelecidos, o período esperado até a ocorrência dos principais fenômenos de degradação de uma estrutura de concreto armado sujeita à corrosão. Após simulações de diversos cenários, conclui-se a relação água/cimento e o cobrimento de concreto e a resistência à compressão do concreto das vigas impacto significativamente na vida útil. Já a distância em relação à costa marítima apresenta menor relevância, tendo maior impacto no tempo de iniciação da corrosão.

[en] The present work aims to contribute to bridge management systems by predicting bridge maintenance necessity. The proposed approach is intended to forecast structural degradation over time. It also aims to predict when corrective maintenance is required. The methodology is based geometric input data and material information of simply supported reinforced concrete bridges (e.g., span length, bridge width, supporting beam dimensions, etc.). Such analysis incorporates empirical and theoretical models of steel reinforcement. A database built from the results of finite element models of bridges was created by varying geometrical and material parameters. The database, consisting of input data and the structural response to standard loads, was used to train, validate and test an Artificial Neural Network (ANN). The database was expanded until the ANN was reliable enough to forecast the structural response of a bridge not included in its training input set. Then, a MATLAB routine was developed to provide, for any simply supported reinforced concrete bridge within the established limits of geometric and materials parameters and by using simple environmental parameters, the expected period of time until the main degradation events due to corrosion. The results of multiple simulations show that water-cement ratio, concrete cover and concrete compressive strength have significant impact on the lifecycle of concrete bridges under corrosion attack. On the other hand, the distance from the sea coast is less impactful.

ELISA DOMINGUEZ SOTELINO

FLAVIO DE ANDRADE SILVA

JULIO JERONIMO HOLTZ SILVA FILHO

ELISA DOMINGUEZ SOTELINO

2021-09-24

2020-09-18

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=54990@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=54990@2