Gegenüber dem Neubauentwurf können bei der Bewertung von bestehender Bausubstanz Sicherheitsreserven genutzt werden, da Unsicherheiten, die beim Bau auftreten können, besser bekannt oder nicht mehr vorhanden sind. Können solche Unsicherheiten genauer bewertet werden, z. B. durch die Feststellung der genauen Lage der Spannglieder bei einer Spannbetonbrücke, so können Sicherheitsbeiwerte reduziert werden, ohne dass es dabei zu Auswirkungen auf das normativ festgelegte Zuverlässigkeitsniveau kommt. Mittlerweile sind Prüfmethoden an Bauwerken wirtschaftlich einsetzbar und auch so leistungsfähig, dass die für die Tragfähigkeit und Gebrauchstauglichkeit wesentlichen Parameter identifiziert werden können. Ein wesentlicher Punkt ist hierbei die Integration derartiger Messergebnisse in Rechenmodelle, die für die Nachrechnung des Bauwerks verwendet werden. Dies können sowohl semiprobabilistische Rechenmodelle als auch vollprobabilistische Modelle sein. Bei semiprobabilistischen Methoden können aus den Messergebnissen Teilsicherheitsbeiwerte berechnet und abgeleitet werden, die dann in den bekannten Nachweisformaten gemäß den Eurocodes und der Nachrechnungsrichtlinie berücksichtigt werden. Bei vollprobabilistischen Nachweisen können die Messdaten in Form von Verteilungsdichtefunktionen mit gemessenen Variationskoeffizienten direkt in das Rechenmodell eingehen. In einer dreiteiligen Aufsatzreihe werden die Messverfahren und die Nutzung der Ergebnisse bei der Nachrechnung vorgestellt. Der vorliegende Teil 1 zeigt die Möglichkeiten des Einsatzes von zerstörungsfreien Prüfverfahren und bewertet deren Leistungsfähigkeit. Messen heißt wissen. Dieses Wissen spiegelt die Realität wider und soll den Tragwerksplaner bei der Entscheidungsfindung über die Sicherheit und Zuverlässigkeit von Bestandsbauwerken unterstützen.
Reassessment of infrastructure buildings has become an essential approach to deal with increasing traffic loads on ageing infrastructure buildings and to verify the service-life of those structures. Good estimation of the actual material properties is highly relevant for reliable structural reassessment. Although this holds for all building materials, the importance of good parameter estimation is of special importance for concrete structures, where the strength properties show relatively high variation and where the nominal strength properties tend to be too conservative. Modern design guidelines allow to make use of scientific methods such as Bayesian Updating of material properties to enable a more realistic consideration of the actual material properties in the reassessment of existing structures. However, guidelines for application and experience with those methods are not yet reported much or are rather vague [1]. The presented study focuses on the effect of the Bayesian Updating process for material parameters with special emphasis on the number and sampling location of test specimens as well as on the accuracy and confidence in the obtained posterior distribution, since sampling also includes a certain margin of uncertainty. The investigation on the methodological potential and on the uncertainty margin in the updating process in this contribution uses a batch of 14 test results on the concrete compressive strength obtained from drill cores along with the inherent measurement uncertainties from the testing procedure. After a short review of Bayes' Theorem, the Markov Chain Monte Carlo Method (MCMC) and the bootstrap methodology, all combinations of subsamples of size 1, 3 and 5 specimens were built and provided to the Bayes' updating procedure via MCMC to determine the posterior distributions. The series of obtained posterior distributions for a certain subsample was used to determine the uncertainty in the Bayesian Updating process by evaluation of the scatter in the expected value, the standard deviation and the 5 %-quantile of the updated distribution. The simulations show the importance of an adequate sample size and quantify the uncertainties arising from the limited number of observations.
Die Digitalisierung und der Einsatz der BIM‐Technologie werden für die Baubranche immer wichtiger. Doch nicht nur für die Planung und den Bau von Neubauten, sondern auch für die Umsetzung und den Betrieb von Messeinrichtungen an bestehenden Hoch‐ und Ingenieurbauten können die BIM‐Methode und die visuelle Darstellung des Objekts in den physikalischen und virtuellen Modellen hilfreiche Werkzeuge sein. Am Beispiel eines Projekts zur datengestützten Bewertung einer Bestandsbrücke wird gezeigt, wie BIM, 3‐D‐Druck, QR‐Codes und Mixed‐Reality‐Brillen die Planung von Messeinrichtungen unterstützen. Die einsetzende digitale Transformation im Bauwesen und der wachsende Bedarf an datenbasierten Nachweiskonzepten für alternde Verkehrsinfrastrukturobjekte eröffnen dabei ein enormes Potenzial für die Digitalisierung. Anhand einer geplanten Versuchskampagne zur Anpassung von statischen Modellen an gemessene Daten durch Bayeśsches Updating wird gezeigt, wie dieses Potenzial genutzt werden kann, um die Planung und Ausführung von Messprojekten an Bauwerken zu unterstützen und eine Steigerung der Qualität und der Effizienz zu erreichen. Durch die Erzeugung und Visualisierung von dreidimensionalen Bauwerksmodellen und die Bereitstellung von technischen Spezifikationen der Messeinrichtungen durch QR‐Codes kann sowohl der Installationsprozess als auch die spätere Betreuung der Messtechnik unterstützt werden.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
customersupport@researchsolutions.com
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.