Pravděpodobnostní analýza spolehlivosti a životnosti železobetonových mostů

Abstract

Práce je zaměřena na vytvoření komplexní metodiky pro pravděpodobnostní analýzu spolehlivosti a životnosti železobetonových konstrukcí, zejména mostů pozemních komunikací. Stanovení jejich zatížitelnosti je prováděno s využitím pravděpodobnostních metod v kombinaci s nelineární analýzou, založenou na metodě konečných prvků, a s ohledem na spolehlivostní požadavky stanovené současně platnými normativními předpisy. Na základě matematického modelování degradačních jevů, jako jsou karbonatace betonu, pronikání chloridových iontů betonem a následná koroze výztuže, je zohledněn i aktuální stav konstrukcí a prováděna predikce jejich zatížitelnosti a spolehlivosti v čase. Pozornost je zde zaměřena zejména na rozšíření analytických modelů pro modelování degradačních procesů s ohledem na vliv mechanického zatížení konstrukce nebo jejích prvků, návrh aproximační metody založené na umělé neuronové síti, která by dokázala efektivně a s ohledem na přesnost a minimalizaci počtu simulací nahradit původní funkci poruchy, a propojení dílčích pokročilých postupů a metod v automatizovaný proces.This thesis deals with the development of a complex methodology for probabilistic analysis of reliability and durability of reinforced concrete structures, especially road bridges. An estimation of load-bearing capacity is carried out using probabilistic methods in combination with the nonlinear finite element method analysis and also with respect to reliability requirements according to standards. The current state of the structure is taken into account based on the mathematical modeling of the degradation processes, such as concrete carbonation, chloride ingress and subsequent corrosion of reinforcement. Then the load-bearing capacity and reliability is predicted over time. Attention is focused on the upgrade of the analytical models for modeling of degradation processes with regard to the effect of mechanical load on the structure or its components, the development of an artificial neural network-based response surface method for efficient approximation of the original limit state function with respect to the accuracy and a minimization the number of simulations, and an interconnection of individual processes and advanced methods in an automatic process.