banner
홈페이지 / 소식 / 높은 파일 길이의 비파괴 감지
소식

높은 파일 길이의 비파괴 감지

Jul 13, 2023Jul 13, 2023

새로운 테스트 방법을 통해 MnDOT는 굴착이나 해체 없이 고마스트 조명 타워(HMLT)의 지하 기초 파일 깊이를 결정할 수 있습니다. HMLT는 하중 지지 안정성을 보장하기 위해 설계 표준을 충족해야 합니다. 파일 깊이를 평가하는 새로운 방법을 사용함으로써 MnDOT는 비용이 많이 드는 개조 또는 교체를 피하고 재설계가 필요한 조명 타워의 우선 순위를 지정할 수 있었습니다.

미네소타 전역에 수백 개의 HMLT(높은 마스트 조명 타워)가 설치되어 있으며, 그 중 상당수는 수십 년 동안 사용되어 왔습니다. MnDOT의 교량 및 구조물 사무국은 타워와 그 기초가 AASHTO의 현재 LRFD(부하 및 저항 계수 설계) 사양을 충족하는지 확인하고 필요한 경우 재설계하는 임무를 맡고 있습니다.

그러한 결정을 내리려면 엔지니어는 HMLT 기초의 구조, 형상 및 치수를 이해해야 합니다. 미네소타의 HMLT 기초는 일반적으로 세 개의 각진 파일로 정점에 고정된 삼각형 콘크리트 패드로 설계되지만 많은 타워에 대한 건축 문서 및 토양 데이터가 부족하기 때문에 세부 사항을 알 수 없습니다.

"현재 설계 표준이 충족되는지 확인하기 위해 높은 마스트 조명 타워를 모니터링하는 것은 어려운 일이었습니다. 그러나 성공적인 현장 테스트와 심층 분석을 통해 매우 유용하고 비용 효율적인 도구가 탄생했습니다."라고 MnDOT의 기초 엔지니어인 Rich Lamb은 말했습니다. 재료 및 도로 연구실.

HMLT 기초가 LRFD 사양을 충족하는지 여부는 파일 깊이에 따라 다릅니다. 건설 기록이나 파일 깊이에 대한 기타 증거가 없으면 기초는 설계 표준을 충족하기 위해 값비싼 개조 또는 교체가 필요할 것입니다.

다른 MnDOT 프로그램에서는 자산 검사를 위한 다양한 원격 또는 비파괴 감지 기술을 탐색하거나 구현해 왔습니다. 기관에서는 주의가 필요한 HMLT의 우선순위를 효과적으로 지정하기 위해 현장 파일 길이를 식별하는 스크리닝 도구를 원했습니다.

이 프로젝트의 목표는 현장 파일 길이를 결정하기 위한 하드웨어 및 오프라인 데이터 분석을 포함한 비파괴 방법을 개발하는 것이었습니다.

연구팀은 지하에 있는 기초 말뚝의 길이를 감지하는 현장 기술을 고안하기 위해 다각적인 접근 방식을 사용했습니다. 팀원들은 공압 피스톤 셰이커의 정상 상태 진동과 장착 플레이트에 대한 단일 해머 충격이라는 두 가지 기계적 진동 기술을 기반으로 감지 방법을 식별했습니다.

두 가지 방법 모두 파일 줄기 위에 진동을 적용했습니다. 지면에 밀어 넣은 지진 원추형 투과계는 토양 프로파일 또는 층화를 테스트하고 끝 부분에 모션 변환기를 장착했습니다. 파일 캡과 진동원 사이에 삽입된 별도의 강철 막대는 기계적 진동이 파일을 통해 전달될 수 있도록 물리적 연결을 제공했습니다. 파일과 주변 지반 사이의 지진 임피던스 대비가 높기 때문에 진동으로 인한 지진파가 파일 바닥과 주변 지반으로 전달됩니다. 계측기를 통해 수집된 파도 데이터는 파일 길이를 추정하는 데 사용됩니다.

연구진은 미네소타의 HMLT 기초 설계 및 토양 특성에 대한 제한된 기존 건설 데이터를 검토한 후 감지 방법론의 맥락에서 토양과 말뚝 간의 상호 작용을 3D로 시뮬레이션하고 분석하고 궁극적으로 파형 간의 상관 관계를 분석하는 계산 모델을 만들었습니다. 패턴과 더미 깊이. 또한 이 모델은 최적의 진동 주파수와 지진 센서의 위치를 ​​포함하여 두 가지 방법에 대한 가장 효과적인 테스트 매개변수를 알려줍니다.

"우리의 방법은 개별 타워를 분석하는 데 5,000달러의 비용이 많이 드는 것처럼 보일 수 있지만 HMLT 기초를 교체하는 데 약 40,000달러가 들기 때문에 미네소타 납세자들을 최대 800만 달러까지 절약할 수 있는 잠재력이 있습니다."라고 미네소타 대학 토목학과 교수인 Bojan Guzina는 말합니다. , 환경 및 지구 공학.

연구팀은 파일 깊이와 관련된 진동 및 해머 충격 데이터를 해석하기 위해 심층 신경망(알고리즘 세트)을 설계했습니다. 일반적으로 기계 학습 알고리즘을 생성하려면 적절한 현장 데이터가 필요하지만 연구원들은 수천 개의 모델 시뮬레이션을 프록시 훈련 데이터로 사용했습니다.