Bridge service life and impact of maintenance events on the structural state index
Notice bibliographique
Résumé
Managers of ageing structures aim to extend their service life through timely inspections and preventive maintenance. Currently, planning and decisions on maintenance activities are based on condition assessment methods that rely primarily on visual inspections. However, experience indicates that the deterioration is already in an advanced state at the appearance of the first visual signs of distress and precludes timely preventive maintenance interventions. In addition, the analysis of a sequence of ratings solely based on the evolution of visually based ratings provides very little insight on the rate of the deterioration, and the estimation of residual service life. The objective of this paper is to propose a procedure that supplements visual inspection reports based on structure specific nonlinear simulations of deteriorations associated with the ingress of chloride ions, corrosion of the reinforcing steel, and the cracking and spalling of concrete. Structure-specific simulations are obtained though a model that uses site-specific hourly historical meteorological data, and concrete properties from non-destructive permeability and resistivity measurements. The model is used to estimate the time to the initiation of corrosion as well as the time to the first corrosion-induced cracks to anticipate and evaluate pre-visual conditions. The proposed methodology is demonstrated for an ageing structure in Montreal (Canada). The results show that visual inspections fail in detecting the onset of corrosion for preventive maintenance, and result in prematurely deficient structures. Model simulations suggest that preventive maintenance on the bridge at year 20, corresponding to the bifurcation point of accelerated deterioration rates, would have been optimal.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».