(English) During the lifetime of long-span bridges, the traffic conditions are affected by the surroundings and will typically vary and also unpredictably change. In this thesis, a prior site-specific traffic load spatial distribution model and its updated posterior version considering actual traffic conditions via Bayesian inference were proposed. This thesis mainly contains three aspects of research.
Firstly, a probabilistic Gaussian mixture model for heavy vehicle scenarios on the bridge deck under free-flow condition is proposed for long-span bridges based on collected WIM data. A non-stationary Poisson process is utilized to simulate the uneven occurrence of heavy vehicles in different lanes, and it is assumed that they are located within the artificially defined cells on the bridge deck. Then, Nataf transformation is employed to consider the correlation of gross vehicle weights (GVWs) within close range in the same lane. The Monte Carlo method is employed with the proposed probabilistic model for modeling complex spatial distributions of heavy vehicles.
Secondly, due to the fact that the traffic conditions are affected by the surroundings and will typically vary and also unpredictably change during the lifetime of long-span bridges, the prior site-specific traffic load spatial distribution model and its updated posterior version considering actual traffic conditions via Bayesian inference are proposed. A Bayesian inference approach is developed for the updating of spatial load distribution in the extremes LE scenarios utilizing the particle filter (PF). The updated load profile and corresponding load intensity for different traffic states proposed in this thesis, can be the basis to define accurate traffic load models for long-span bridges.
Finally, the application of the proposed methodology to a real bridge is presented. The effects of correlation in GVWs and stationarity of vehicle distribution location on the structural responses are investigated and discussed. The load responses calculated by the proposed model and Monte Carlo method for different effects are compared with the values derived from the code model. The results show that with the increase of the correlation level of the neighboring GVWs, the simulated responses are more prone to get extreme values, which means an increasing probability of the most unfavorable spatial distribution of on-bridge vehicles. The same results are also found under the non-stationary simulation state for vehicle location. The non-stationary Poisson process provides an efficient, highly feasible method, which is also on the safe side, for simulating the vehicle spatial distribution for specific effects. Meanwhile, by employing the Bayesian inference approach for the updating of spatial load distribution, the traffic load response of long-span bridges in operation can be accurately estimated while considering the changes in traffic states. It shows the superior performance in describing complex spatial distribution updating problems for traffic load modeling.
(Català) Al llarg de la vida útil de ponts de gran llum, les condicions del trànsit es veuen afectades per l'entorn viari i poden variar de manera important. A la tesi es proposen tant un model "a prioni" de la distribució espacial de tràfic específic per a un pont com la seva versió "a posteriori" mitjançant inferència Bayesiana. Es contemplen 3 aspectes de recerca. En primer lloc es construeix un model probabilístic de la situació dels vehicles pesants al tauler en condicions de trànsit fluid rnediant dades WIM. Per simular la no homogeneïtat de la distribució dels vehicles pesats en diferents carrils s'utilitza un procés de Poisson no estacionari i s'assumeix que es troben situats dins unes cèl·lules prèviament definides. A continuacio, s'utilitza la transformacio de Nataf per tenir en ouenta la correlacio entre pesos de les vehiculos proximos situats en el mateix carril. La simulació de Monte Carlo juntament amb el model probabilístic proposat són la base per modelitzar la distribució espacial de vehicles pesants al pont.
En segon lloc, atès que les condicions de trànsit al pont varien amb el temps, les distribucions espacials prèviament obtingudes s'actualitzen mitjançant inferència Bayesiana per tenir en compte les condicions actuals de trànsit. Per això s'utilitza el mètode de filtre de partícules (PF). Gràcies a això, les distribucions de càrrega i la seva intensitat obtinguts per a diferents situacions de trànsit que es proposen a la tesi, poden ser la base per definir models de càrrega de trànsit més precisos en els ponts de gran llum. Finalment, s'aplica la metodologia proposada a un pont real. S'estudien els efectes de la correlació de pesos entre vehicles pesants i l'estacionarietat de la distribució dels vehicles en la resposta del mateix. Els valors obtinguts amb el mètode proposat i simulació de Monte Carlo per a diversos efectes es comparen amb les obtinguts amb les normatives presents. Els resultats mostren que amb l'increment de la correlació, la resposta tendeix a assolir valors màxims, la qual cosa significa un augment en la probalbilitat d'obtenir els valors més desfavorables de la distribució de vehicles als ponts. Analogo resultat s'obté sota una hipòtesi de no
estacionarietat de la posició de les vehicles pesants. El procés de Poisson no estacionari es demostra com un mètode efectiu per tenir en compte aquest efecte, estant del costat segur. Per últim, es demostra com la inferència Bayesiana per a l'actualització de la distribució espacial de la càrrega en ponts de gran llum en servei és: un mètode eficaç per reflectir les situacions canviants de trànsit.
(Español) A lo largo de la vida útil de puentes die gran luz, las condiciones del tráfico se ven afectadas por el entorno viario y pueden variar de manera importante. En la tesis se proponen tanto un modelo "a priori" de la distribución espacial de trafico específico para un puente como su versión "a posteriori" mediante inferencia Bayesiana. Se contemplan 3 aspectos de investigación. En primer lugar, se construye un modelo probabilístico de la situación de los vehículos pesados en el tablero en condiciones de tráfico fluido mediante datos WIM. Para simular la no homogeneidad de la distribución de los vehículos pesados en diferentes carriles se utiliza un proceso de Poisson no estacionario y se asume que se encuentran situados dentro de unas células previamente definidas. A continuación, se utiliza la transformación de Nataf para tener en cuenta la correlación entre pesos de los vehículos próximos situados en el mismo carril. La simulación de Monte Carlo junto con el modelo probabilístico propuesto son la base para modelizar la distribución espacial de vehículos pesados en el puente. En segundo lugar, dado que las condiciones de tráfico en el puente varían con el tiempo, las distribuciones espaciales previamente obtenidas se actualizan mediante inferencia Bayesiana para tener en cuenta las condiciones actuales de tráfico. Para ello se utiliza el método de filtro de partículas (PF). Gracias a ello, las distribuciones de carga y su intensidad obtenidos para distintas situaciones de tráfico que se proponen en la tesis, pueden ser la base para definir modelos de carga de trafico más precisos en los puentes de gran luz. Finalmente, se aplica la metodología propuesta a un puente real. Se estudian los efectos de la correlación de pesos entre vehículos pesados y la estacionalidad de la distribución de los vehículos en la respuesta del mismo. Los valores obtenidos con el método propuesto y simulación de Monte Carlo para varios efectos se comparan con las obtenidos con las normativas presentes. Los resultados muestran que, con el incremento de la correlación, la respuesta tiende a alcanzar valores máximos, lo cual significa un aumento en la probabilidad de obtener los valores más desfavorables de la distribución de vehículos en los puentes. Análogo resultado se obtiene bajo una hipótesis de no estacionalidad de la posición de los vehículos pesados. El proceso de Poisson no estacionario se demuestra como un método efectivo para tener en cuenta dicho efecto, estando del lado seguro. Por último, se demuestra coma la inferencia Bayesiana para la actualización de la distribución espacial de la carga en puentes de gran luz en servicio es: un método eficaz para reflejar las situaciones cambiantes de tráfico.
