Kuormitusten tunnistaminen venymäliuskamittauksista
Simola, Sami (2026)
Diplomityö
2026
School of Energy Systems, Konetekniikka
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe20260826120132
https://urn.fi/URN:NBN:fi-fe20260826120132
Tiivistelmä
Tässä diplomityössä tarkasteltiin rakenteeseen kohdistuvien kuormitusten määrittämistä venymäliuskamittauksilla sekä kartoitettiin useita matemaattisia menetelmiä, joita voidaan hyödyntää käänteisten ongelmien ratkaisemisessa. Matemaattisille menetelmille muodostettiin mallit, joilla kuvattiin niiden sovellettavuutta alimääritetyille, hyvin määritetyille ja ylimääritetyille järjestelmille.
Työssä muodostettiin myös hybridinen venymä–voima -malli neljällä eri voimakomponentilla kuormitetulle RHS-palkille, jonka avulla komponenttien suuruudet voitiin estimoida palkista tehdyistä venymäliuskamittauksista. Tikhonov-inversiolla ja GPR-korjatulla arviolla saavutettuja voima-arvioita vertailtiin, ja malliin lisättiin mallinnusvirhettä sekä mittauskohinaa simuloimaan aidon käyttöympäristön erilaisia virheitä ja häiriöitä.
Tulokset osoittivat, että ideaalijärjestelmässä Tikhonov-inversiolla voidaan saavuttaa hyvä estimaatti voimakomponenteista ja koulutetulla GPR-mallilla voidaan luotettavasti pienentää jäljelle jäävää suhteellista virhettä. Mittauskohinan ja mallinnusvirheen lisääminen sekä venymäliuskojen sijoittelupoikkeamat oletetusta kasvattivat kuitenkin voimaestimaattien suhteellista virhettä. GPR-korjaus ei kaikissa tapauksissa parantanut estimaatin tarkkuutta, vaan joissakin tapauksissa jopa kasvatti virheen suuruutta.
Menetelmä osoittautui lupaavaksi kuormituksen tunnistamiseen, mutta sen suorituskyky on merkittävästi riippuvainen mittausasetelman informaatiosisällöstä, antureiden sijoittelusta sekä mallivirheen määrästä. In this thesis investigation was done on identification of loads acting on structure based on strain gauge measurements and several mathematical methods were reviewed applicable to the solution of inverse problems. Models were developed for these methods to illustrate their applicability to underdetermined, well determined and over determined systems.
A hybrid strain–force model was also developed for and RHS beam subjected to four different force components. The model enabled the estimation of force magnitudes from strain gauge measurements obtained from the beam. Force estimates obtained using Tikhonov inversion and Gaussian Process Regression (GPR)-corrected predictions were compared. In addition, modelling errors and measurement noise were introduced into the model to simulate various sources of error and disturbances encountered in real operating environments.
The results showed, that under ideal conditions, Tikhonov inversion can provide accurate estimates of the force components, and a trained GPR model can reliably reduce the remaining relative error. However, the introduction of measurement noise, modelling errors and deviations in strain gauge placement from the assumed configuration increased the relative error of the force estimates. Furthermore, GPR correction did not improve estimation accuracy in all cases and, in some cases, even increased the prediction error.
The proposed approach proved promising for load identification applications. However, it’s performance was found to depend strongly on the information content of the measurement setup, sensor placement and the magnitude of modelling errors.
Työssä muodostettiin myös hybridinen venymä–voima -malli neljällä eri voimakomponentilla kuormitetulle RHS-palkille, jonka avulla komponenttien suuruudet voitiin estimoida palkista tehdyistä venymäliuskamittauksista. Tikhonov-inversiolla ja GPR-korjatulla arviolla saavutettuja voima-arvioita vertailtiin, ja malliin lisättiin mallinnusvirhettä sekä mittauskohinaa simuloimaan aidon käyttöympäristön erilaisia virheitä ja häiriöitä.
Tulokset osoittivat, että ideaalijärjestelmässä Tikhonov-inversiolla voidaan saavuttaa hyvä estimaatti voimakomponenteista ja koulutetulla GPR-mallilla voidaan luotettavasti pienentää jäljelle jäävää suhteellista virhettä. Mittauskohinan ja mallinnusvirheen lisääminen sekä venymäliuskojen sijoittelupoikkeamat oletetusta kasvattivat kuitenkin voimaestimaattien suhteellista virhettä. GPR-korjaus ei kaikissa tapauksissa parantanut estimaatin tarkkuutta, vaan joissakin tapauksissa jopa kasvatti virheen suuruutta.
Menetelmä osoittautui lupaavaksi kuormituksen tunnistamiseen, mutta sen suorituskyky on merkittävästi riippuvainen mittausasetelman informaatiosisällöstä, antureiden sijoittelusta sekä mallivirheen määrästä.
A hybrid strain–force model was also developed for and RHS beam subjected to four different force components. The model enabled the estimation of force magnitudes from strain gauge measurements obtained from the beam. Force estimates obtained using Tikhonov inversion and Gaussian Process Regression (GPR)-corrected predictions were compared. In addition, modelling errors and measurement noise were introduced into the model to simulate various sources of error and disturbances encountered in real operating environments.
The results showed, that under ideal conditions, Tikhonov inversion can provide accurate estimates of the force components, and a trained GPR model can reliably reduce the remaining relative error. However, the introduction of measurement noise, modelling errors and deviations in strain gauge placement from the assumed configuration increased the relative error of the force estimates. Furthermore, GPR correction did not improve estimation accuracy in all cases and, in some cases, even increased the prediction error.
The proposed approach proved promising for load identification applications. However, it’s performance was found to depend strongly on the information content of the measurement setup, sensor placement and the magnitude of modelling errors.