Bayesian model updating for the assessment of concrete structures considering corrosion exposure and experimental data

In the last decades, the structural safety and reliability of bridges have assumed significant importance due to the aging of the infrastructure and the rise in loading conditions like heavier vehicular traffic. A lot of research has been focused on these topics, resulting in a necessity of moving towards a life-cycle oriented philosophy for the structural assessment, in which probabilistic approaches become essential tools to make rationally funded decisions about the maintenance and management of infrastructure networks over their service life. Various predictive models are used to estimate the lifetime of structures subjected to deterioration processes, but often there is a necessity to improve their accuracy and, in this context, the Bayesian approach can be adopted in order to incorporate the ever-growing amount of available data. This thesis presents comprehensive informed-based framework for model updating of reinforced concrete structural parameters, characterizing both aleatory and epistemic uncertainties intrinsically present on data and measurements. Transitional Markov Chain Monte Carlo (TMCMC) algorithm was adopted for sampling from complex distributions within multiple applications, involving the validation of a nonlinear structural finite element model characterized by damage associated to chloride induced corrosion. The proposed framework is then applied to a case study represented by a PC bridge deck beam from a dismantled viaduct, subjected to experimental load tests in the BRIDGE|50 research project. After the validation of a beam finite element (BFE) model by reproducing experimental results, then probabilistic Bayesian analysis is carried out, in order to show as the framework is able to exploit real data measures. The results confirm effectively reduction of epistemic uncertainty and enhance the predictive accuracy of the structural model. Furthermore, the findings highlighted the potential of proposed methodology to represent a valuable tool to support informed and decision-making for aging reinforced concrete bridges.

Negli ultimi decenni la sicurezza strutturale e l’affidabilità dei ponti hanno assunto un ruolo sempre più rilevante a causa dell’invecchiamento delle infrastrutture e dell’incremento delle condizioni di carico, come il traffico sempre più pesante. Numerose ricerche si sono concentrate su questi temi, evidenziando la necessità di adottare una filosofia orientata al ciclo di vita per la valutazione delle strutture, nella quale gli approcci probabilistici rappresentano strumenti essenziali per assumere decisioni razionali e fondate in materia di manutenzione e gestione delle reti infrastrutturali. Diversi modelli predittivi sono presenti in letteratura per stimare la vita utile delle strutture soggette a processi di deterioramento, ma spesso è necessario migliorarne l’accuratezza. In questo contesto, l’approccio Bayesiano può essere utilizzato per integrare la sempre più grande quantità di dati oggi disponibile. Questa tesi propone una metodologia basata sull’informazione per l’aggiornamento dei parametri strutturali di opere in calcestruzzo armato, tenendo conto delle incertezze aleatorie ed epistemiche intrinsecamente presenti nei dati e nelle misurazioni. Per il campionamento da distribuzioni complesse è stato adottato una versione transizionale avanzata di algoritmo di Monte Carlo basato su catene di Markov (TMCMC) per le diverse applicazioni, tra cui la validazione di un modello strutturale agli elementi finiti non lineare che tiene conto dei danni associati alla corrosione indotta da cloruri. La metodologia proposta è stata successivamente applicata a un caso studio reale, costituito da una trave da impalcato in calcestruzzo precompresso testata sperimentalmente, proveniente da un viadotto dismesso nell’ambito del progetto di ricerca BRIDGE|50. Dopo la validazione del modello numerico mediante il confronto con i risultati sperimentali, è stata condotta un’analisi Bayesiana probabilistica per dimostrare la capacità del metodo proposto di sfruttare misurazioni reali. I risultati confermano una significativa riduzione dell’incertezza epistemica e un miglioramento dell’accuratezza predittiva del modello strutturale aggiornato. Inoltre, gli esiti dello studio evidenziano il potenziale della metodologia proposta come strumento efficace a supporto di processi decisionali informati e della gestione manutentiva di ponti in calcestruzzo armato soggetti a degrado.