Vulnerability assessment of existing bridges to scour based on an indirect monitoring approach and artificial intelligence tools

dc.commentsEE/2026/2940
dc.contributor.advisorTinoco, Joaquim
dc.contributor.advisorMatos, José C.
dc.contributor.advisorO’Brien, Eugene
dc.contributor.authorTola, Sinem
dc.date.accessioned2026-06-29T15:00:29Z
dc.date.issued2026-05-26
dc.date.submitted2026-06
dc.description.abstractConventional foundation scour assessments are occasional, costly, and challenging to scale. This thesis develops a drive-by monitoring framework for railway bridges that leverages longitudinal track profiles measured by in-service trains to detect and localise scour. The approach integrates physics-informed modelling with machine learning, utilising data collected by the Rail Infrastructure Alignment Acquisition (RILA) system, which is mounted on the in-service train. The proposed scour detection methodology demonstrates the feasibility of drive-by scour detection via a case study built on combined field and simulated track-profile data. The difference in optimised pier stiffness values between the healthy and damaged stages of an existing railway bridge serves as an indicator of scour. To estimate these stiffnesses, a cross-entropy algorithm is utilized. The field measurements provided were from the healthy stage of the case study bridge. Scoured-stage bridge displacement signals are synthetically generated with a vehicle–bridge interaction model and superposed with measured rail irregularities. This superimposition constitutes the theoretical track profile. A finite element bridge model is utilised to compute theoretical static bridge displacements under the moving vehicle. This is achieved by employing moving reference influence lines. The initial pier stiffness in this static bridge model is estimated via the FEMA 356 formula, and scour is represented as a reduction in vertical pier stiffness. The data-driven component of the thesis operationalises the methodology for network-scale screening by building a simulation-supported learning pipeline that detects scour on any railway bridge with RILA track profiles. A physics-based train–track–bridge tool generates displacement signals across representative bridge types, speeds, vehicles, and rail irregularities. Two complementary strategies are introduced: bridge-level models for detection and pier-level models for locating the scour damage. Three different machine learning models are trained, tested, and compared. The results show that drive-by track-profiles can deliver highly accurate bridge-level scour detection and reliable support-level localisation across sensor orientations and batch sizes. The proposed methodology can support decision-making at the network level under affordable cost conditions.eng
dc.description.abstractAs avaliações convencionais de infraescavação das fundações são ocasionais, dispendiosas e difíceis de dimensionar. Esta tese desenvolve uma metodologia de monitorização drive-by para pontes ferroviárias que utiliza perfis longitudinais da via, medidos por comboios em serviço, para detetar e localizar infraescavação. A abordagem integra modelação baseada em dados físicos e aprendizagem automática, utilizando dados recolhidos pelo sistema Rail Infrastructure Alignment Acquisition (RILA), instalado no comboio em serviço. A metodologia proposta para a deteção de infraescavação demonstra a viabilidade da deteção driveby através de um caso de estudo baseado em dados de campo e em dados simulados de perfis da via. A diferença nos valores otimizados de rigidez dos pilares entre os estágios saudável e danificado de uma ponte ferroviária existente serve como indicador de infraescavação. Para estimar estas rigidezes, utilizase um algoritmo de entropia cruzada. As medições de campo referem-se ao estágio saudável da ponte do caso de estudo. Os sinais de deslocamento da ponte no estágio de infraescavação são gerados sinteticamente com um modelo de interação veículo–ponte e sobrepostos às irregularidades ferroviárias medidas, constituindo o perfil teórico da via. Um modelo de ponte de elementos finitos é utilizado para calcular os deslocamentos estáticos teóricos da ponte sob o veículo em movimento, recorrendo a linhas de influência de referência móveis. A rigidez inicial do pilar neste modelo estático é estimada pela fórmula do FEMA 356, e a infraescavação é representada como uma redução na rigidez vertical do pilar. A componente baseada em dados operacionaliza a metodologia para triagem ao nível da rede, construindo um pipeline de aprendizagem apoiado em simulação que deteta infraescavação em pontes ferroviárias com perfis da via medidos pelo sistema RILA. Uma ferramenta baseada em física de interação comboio–via– ponte gera sinais de deslocamento. São introduzidas duas estratégias complementares de deteção: modelos ao nível da ponte para deteção e modelos ao nível do pilar para localizar os danos por infraescavação. Três modelos de aprendizagem automática diferentes são treinados, testados e comparados. Os resultados mostram que os perfis da via medidos por drive-by podem fornecer deteção altamente precisa de infraescavação ao nível da ponte e localização fiável ao nível do suporte, em diferentes orientações do sensor e tamanhos de lote. A metodologia proposta pode apoiar a tomada de decisão ao nível da rede sob condições de custos acessíveis.por
dc.description.sponsorshipFinancial support for this work was provided by the Foundation for Science and Technology (FCT) through national funds under Grant Agreement No. 2021.06162.BD, awarded to Sinem Tola. Additional funding was provided by the European Union's Horizon 2020 research and innovation programme under the Shift2Rail Joint Technology Initiative (contract number 101012456, IN2TRACK3). Support was also received from the Foundation for Science and Technology (FCT)/Ministry of Science, Technology and Higher Education (MCTES) via national funds (PIDDAC) for the Research and Development Unit, the Institute for Sustainability and Innovation in Structural Engineering (ISISE), reference UIDB/04029/2020 (doi.org/10.54499/UIDB/04029/2020), and the Advanced Production and Intelligent Systems Associate Laboratory (ARISE), reference LA/P/0112/2020.
dc.identifier.tid101704372
dc.identifier.urihttps://hdl.handle.net/1822/102293
dc.language.isoeng
dc.relationVulnerability assessment of existing bridges to scour based on an indirect monitoring approach and artificial intelligent tools [2021.06162.BD]
dc.relationInstitute for Sustainability and Innovation in Structural Engineering [UIDB/04029/2020]
dc.relationAdvanced Production and Intelligent Systems [LA/P/0112/2020]
dc.rightsopenAccess
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/4.0/
dc.subjectBridge scour
dc.subjectCross-entropy optimisation
dc.subjectDrive-by monitoring
dc.subjectMachine learning
dc.subjectMoving reference influence lines
dc.subjectAprendizagem automática
dc.subjectErosão de pontes
dc.subjectLinha de influência de referência móvel
dc.subjectMonitorização drive-by
dc.subjectOtimização de entropia cruzada
dc.subject.fosEngenharia e Tecnologia::Engenharia Civil
dc.titleVulnerability assessment of existing bridges to scour based on an indirect monitoring approach and artificial intelligence toolseng
dc.typedoctoralThesis
dspace.entity.typePublication
oaire.awardNumber2021.06162.BD
oaire.awardNumberUIDB/04029/2020
oaire.awardNumberLA/P/0112/2020
oaire.awardTitleVulnerability assessment of existing bridges to scour based on an indirect monitoring approach and artificial intelligent tools [2021.06162.BD]
oaire.awardTitleInstitute for Sustainability and Innovation in Structural Engineering [UIDB/04029/2020]
oaire.awardTitleAdvanced Production and Intelligent Systems [LA/P/0112/2020]
oaire.awardURIhttps://hdl.handle.net/1822/102292
oaire.awardURIhttps://hdl.handle.net/1822/97640
oaire.awardURIhttps://hdl.handle.net/1822/97535
oaire.funderIdentifierhttp://doi.org/10.13039/501100001871
oaire.funderIdentifierhttp://doi.org/10.13039/501100001871
oaire.funderIdentifierhttp://doi.org/10.13039/501100001871
oaire.funderNameFundação para a Ciência e a Tecnologia, I.P.
oaire.funderNameFundação para a Ciência e a Tecnologia, I.P.
oaire.funderNameFundação para a Ciência e a Tecnologia, I.P.
oaire.fundingStreamConcurso de avaliação no âmbito do Programa Plurianual de Financiamento de Unidades de I&D (2017/2018) - Financiamento Base
oaire.fundingStreamConcurso para Atribuição do Estatuto e Financiamento de Laboratórios Associados (LA)
relation.isProjectOfPublication41afc23a-1605-491f-8fe7-05e4ee62b35b
relation.isProjectOfPublicationed595047-c351-4468-b4ed-fe3fcff0c00b
relation.isProjectOfPublication3959633d-5d07-4df3-80e7-77956772f5bf
relation.isProjectOfPublication.latestForDiscovery41afc23a-1605-491f-8fe7-05e4ee62b35b
sdum.degree.gradeMuito bom
sdum.uoeiEscola de Engenharia
thesis.degree.grantorUniversidade do Minhopor
thesis.degree.nameDoutoramento em Engenharia Civil

Ficheiros

Pacote original

A mostrar 1 - 1 de 1
A carregar...
Nome:
Sinem Tola.pdf
Tamanho:
12.68 MB
Formato:
Adobe Portable Document Format