💻 computer science

Physics-Informed Sensitivity Analysis for Enhanced Structural Health Assessment: Test-Case for a Mixed Steel-Concrete Bridge

यह शोध पत्र यूनिवर्सिटी ऑफ द बुंडेसवेहर म्यूनिख के एक मिश्रित स्टील-कंक्रीट पुल के उच्च-निष्ठा वाले भौतिकी-आधारित संख्यात्मक मॉडल को प्रस्तुत करता है, जो प्रभावशाली मापदंडों की पहचान करने, अनिश्चितता को मापने और उम्र बढ़ते बुनियादी ढांचे की भविष्यवाणात्मक क्षमताओं को बढ़ाने के लिए संरचनात्मक स्वास्थ्य निगरानी ढांचे के भीतर संवेदनशीलता विश्लेषण का उपयोग करता है।

मूल लेखक: Jacopo Bonari, Francesca Marsili, Max von Danwitz, Alexander Popp

प्रकाशित 2026-06-16

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Jacopo Bonari, Francesca Marsili, Max von Danwitz, Alexander Popp

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक पुल को केवल स्टील और कंक्रीट के ढेर के रूप में नहीं, बल्कि एक विशाल, जटिल वाद्य यंत्र के रूप में देखें। ठीक वैसे ही जैसे एक गिटार का तार अपनी मोटाई, तनाव और उससे जुड़ी लकड़ी के आधार पर अलग-अलग तरह से कंपन करता है, एक पुल भी हवा या यातायात के प्रभाव में विशिष्ट आवृत्तियों (frequencies) पर "गाता" है।

यह शोध पत्र जर्मनी के एक विश्वविद्यालय में स्थित एक वास्तविक पुल के एक अति-सटीक वर्चुअल ट्विन (आभासी जुड़वां) बनाने और फिर यह पता लगाने के लिए "क्या होगा अगर?" का खेल खेलने के बारे में है कि जब पुल कंपन करने लगता है, तो उसके कौन से हिस्से सबसे अधिक महत्वपूर्ण होते हैं।

यहाँ उनके कार्य का रोजमर्रा की भाषा में विवरण दिया गया है:

1. वर्चुअल ट्विन (डिजिटल छाया)

शोधकर्ताओं ने स्टील और कंक्रीट के मिश्रण से बने एक वास्तविक, दो-स्पैन (two-span) वाले पुल का एक अत्यधिक विस्तृत कंप्यूटर मॉडल बनाया। इस मॉडल को वास्तविक चीज़ की "डिजिटल छाया" या एक वीडियो गेम रेप्लिका के रूप में समझें।

क्यों बनाया गया? वास्तविक पुलों का परीक्षण करना कठिन होता है। आप बिना पुल को नुकसान पहुँचाए वास्तविक पुल पर स्टील के बोल्ट या कंक्रीट की मजबूती को आसानी से नहीं बदल सकते। कंप्यूटर में, आप कुछ भी तुरंत बदल सकते हैं।
लक्ष्य: एक "फिजिक्स-इन्फॉर्म्ड" (भौतिकी-आधारित) सिस्टम बनाना। इसका मतलब है कि कंप्यूटर केवल अनुमान नहीं लगाता; यह भविष्यवाणी करने के लिए भौतिकी के वास्तविक नियमों का पालन करता है कि पुल कैसे व्यवहार करेगा।

2. "क्या होगा अगर?" का खेल (संवेदनशीलता विश्लेषण)

एक बार जब उनके पास वर्चुअल ब्रिज तैयार हो गया, तो उन्होंने पूछा: "यदि हम एक छोटी सी चीज़ बदलते हैं, तो पुल के 'गाने' (इसके कंपन) में कितना बदलाव आता है?"

उन्होंने अपने वर्चुअल ब्रिज पर तीन विशिष्ट "नॉब्स" (बटन) चुने:

कंक्रीट की कठोरता ( $E_c$ ): कंक्रीट डेक कितना सख्त या नरम है? (जैसे गिटार की लकड़ी को बदलना)।
बोल्ट का आकार ( $d_b$ ): कंक्रीट को स्टील से जोड़ने वाले स्क्रू कितने मोटे हैं? (जैसे ट्यूनिंग पेग्स को कसना या ढीला करना)।
जॉइंट स्ट्रिफनेस ( $k_{eq}$ ): कंक्रीट के स्लैब आपस में कितनी अच्छी तरह संवाद करते हैं? (जैसे गिटार के फ्रेट्स के बीच का गोंद)।

उन्होंने इन नॉब्स को केवल एक बार नहीं घुमाया; उन्होंने यह देखने के लिए हजारों बार रैंडम बदलावों के साथ इन्हें घुमाया कि किस एक बदलाव ने पुल के कंपन में सबसे बड़ा परिवर्तन किया।

3. जादुई गणित (जवाबों का "नुस्खा")

कंप्यूटर के खत्म होने का सालों इंतज़ार किए बिना यह सब करने के लिए, उन्होंने जनरलाइज्ड पॉलिनोमियल चाओस एक्सपेंशन (gPCE) नामक एक विशेष गणितीय ट्रिक का उपयोग किया।

उपमा: कल्पना करें कि आप जानना चाहते हैं कि चीनी, आटा और अंडे बदलने से केक का स्वाद कैसा होगा। 10,000 केक बनाने के बजाय, आप कुछ केक बनाते हैं, उन्हें चखते हैं, और फिर हर संभावित संयोजन के स्वाद की तुरंत भविष्यवाणी करने के लिए एक स्मार्ट फॉर्मूला का उपयोग करते हैं।
परिणाम: इस गणित ने उन्हें सोबोल इंडिसेस (Sobol' indices) की गणना करने की अनुमति दी। सोबोल इंडिसेस को एक "दोष स्कोर" (blame score) के रूप में समझें। यदि पुल का कंपन 100% बदल जाता है, तो उस बदलाव के लिए कंक्रीट कितना जिम्मेदार है? बोल्ट कितना जिम्मेदार है?

4. उन्होंने क्या पाया (चौंकाने वाले परिणाम)

जब उन्होंने "दोष स्कोर" को देखा, तो उन्हें कुछ बहुत स्पष्ट पैटर्न मिले:

बोल्ट ही बॉस हैं: पुल के अधिकांश कंपनों (जैसे अगल-बगल या ऊपर-नीचे झुकने) के लिए, बोल्ट का आकार सबसे महत्वपूर्ण कारक था। यदि आप अपने मॉडल में बोल्ट का आकार गलत चुनते हैं, तो आपकी भविष्यवाणी गलत होगी।
कंक्रीट मायने रखता है (लेकिन केवल कभी-कभी): पुल के घूमने वाली गति (टॉर्शन) के लिए, कंक्रीट की कठोरता सबसे महत्वपूर्ण कारक थी। हालांकि, एक विशिष्ट कंपन मोड (मोड 5) के लिए, कंक्रीट की कठोरता का कोई महत्व नहीं था।
जॉइंट्स अदृश्य हैं: आश्चर्यजनक रूप से, कंक्रीट स्लैब के बीच के कनेक्शन (गोंद या स्प्रिंग्स) की कठोरता का पुल के कंपन पर लगभग शून्य प्रभाव था। ऐसा लग रहा था जैसे कंपन के उद्देश्य से वे जॉइंट्स मौजूद ही नहीं थे।

5. यह क्यों महत्वपूर्ण है

यह शोध पत्र निष्कर्ष निकालता है कि इस "वर्चुअल ट्विन" और "दोष स्कोर" गणित का उपयोग करके, इंजीनियर:

अनुमान लगाना बंद कर सकते हैं: वे जानते हैं कि पुल के किन हिस्सों की निगरानी के लिए सबसे अधिक सावधानी बरतने की आवश्यकता है।
पैसे बचा सकते हैं: उन्हें उन हिस्सों पर सेंसर लगाने में पैसा बर्बाद करने की ज़रूरत नहीं है जो इस विशिष्ट मामले में मायने नहीं रखते (जैसे कंक्रीट के जॉइंट्स)।
बेहतर मॉडल बना सकते हैं: वे जानते हैं कि अपने कंप्यूटर मॉडल को वास्तविकता के साथ पूरी तरह से मिलाने के लिए अपना ध्यान कहाँ केंद्रित करना है।

संक्षेप में, उन्होंने एक जटिल पुल को एक प्रबंधनीय पहेली में बदल दिया, यह पता लगाया कि कौन से टुकड़े वास्तव में प्रभाव डालते हैं, और यह साबित किया कि कभी-कभी, सबसे छोटे पेंच (बोल्ट) सबसे बड़े ब्लॉकों (कंक्रीट) से अधिक महत्वपूर्ण होते हैं।

तकनीकी सारांश: उन्नत संरचनात्मक स्वास्थ्य मूल्यांकन के लिए भौतिकी-सूचित संवेदनशीलता विश्लेषण

समस्या विवरण
नागरिक बुनियादी ढांचा, विशेष रूप से पुल, सामग्री के पुराने होने, बढ़ते यातायात भार और जलवायु-प्रेरित चरम मौसम के कारण बढ़ती चुनौतियों का सामना कर रहे हैं। अनिश्चितता के तहत संरचनात्मक प्रदर्शन का आकलन करने के लिए प्रभावी स्ट्रक्चरल हेल्थ मॉनिटरिंग (SHM) ढांचे की आवश्यकता है। जबकि उच्च-निष्ठा वाले भौतिकी-आधारित परिमित तत्व (Finite Element - FE) मॉडल निर्णय लेने के लिए महत्वपूर्ण "डिजिटल शैडो" या "डिजिटल ट्विन" के रूप में कार्य करते हैं, उनकी भविष्य कहने वाली क्षमता काफी हद तक इनपुट मापदंडों की सटीकता पर निर्भर करती है। विशिष्ट संरचनात्मक मापदंडों—जैसे कि सामग्री के गुण और ज्यामितीय विवरण—की अनिश्चितताओं के संरचना की गतिशील प्रतिक्रिया (dynamic response) तक कैसे प्रसारित होते हैं, इसे समझने में एक महत्वपूर्ण अंतर मौजूद है। इन संवेदनशीलताओं को मात्रात्मक रूप से निर्धारित किए बिना, निगरानी अभियान अक्षम हो सकते हैं, और मॉडल-आधारित निर्णय आवश्यक भौतिक कठोरता से रहित हो सकते हैं।

कार्यप्रणाली
यह अध्ययन यूनिवर्सिटी ऑफ द बुंडेसवेहर म्यूनिख में स्थित एक पूर्ण-पैमाने के, दो-स्पैन मिश्रित स्टील-कंक्रीट ब्रिज के उच्च-निष्ठा, भौतिकी-आधारित संख्यात्मक मॉडल का उपयोग करता है। मूल रूप से ANSYS APDL में कोड किया गया और स्वचालन के लिए PyAnsys में पोर्ट किया गया यह मॉडल, स्टील और कंक्रीट घटकों के लिए शेल तत्वों (shell elements) का उपयोग करता है, और बोल्टेड कनेक्शन तथा इंटर-सेगमेंट स्ट्रेस ट्रांसफर को सिम्युलेट करने के लिए वितरित स्प्रिंग्स (distributed springs) के साथ बीम तत्वों का उपयोग करता है।

इनपुट अनिश्चितताओं के मॉडल के आउटपुट पर प्रभाव को मापने के लिए, लेखक 'जनरलाइज्ड पॉलिनॉमियल चाओस एक्सपेंशन' (gPCE) विधि पर आधारित एक संवेदनशीलता विश्लेषण (SA) ढांचे को लागू करते हैं। इस प्रक्रिया में शामिल हैं:

इनपुट लक्षण वर्णन: तीन अनिश्चित मापदंडों की पहचान की गई और उन्हें लॉग-नॉर्मल रैंडम वेरिएबल्स के रूप में मॉडल किया गया:
- $E_c$ : कंक्रीट सेगमेंट का यंग्स मॉड्यूलस (Young's modulus)।
- $d_b$ : बोल्टेड कनेक्शन की कठोरता का प्रतिनिधित्व करने वाले स्क्रू स्टेम का व्यास।
- $k_{eq}$ : कंक्रीट स्लैब सेगमेंट के बीच कनेक्शन को मॉडल करने वाले वितरित स्प्रिंग्स की कठोरता।
आउटपुट चयन: मॉडल का आउटपुट विशिष्ट कंपन मोड के चार आइगनफ्रीक्वेंसीज (eigenfrequencies) हैं: प्रिसिपल इन-प्लेन बेंडिंग ( $f_1$ ), फर्स्ट आउट-ऑफ-प्लेन बेंडिंग ( $f_5$ ), प्रिसिपल टॉर्सनल ( $f_6$ ), और सेकंड आउट-ऑफ-प्लेन बेंडिंग ( $f_{10}$ )।
सरोगेट मॉडलिंग: FE मॉडल का एक पॉलिनॉमियल सरोगेट बनाने के लिए एक नॉन-इंट्रूसिव रिग्रेशन विधि का उपयोग किया जाता है। लॉग-नॉर्मल स्पेस से रूपांतरण के बाद सामान्य रूप से वितरित इनपुट मानते हुए हर्मिट पॉलिनॉमियल्स (Hermite polynomials) का उपयोग किया जाता है।
संवेदनशीलता मात्रात्मक निर्धारण: सोबोल इंडेक्स (Sobol' indices) को पॉलिनॉमियल गुणांकों से विश्लेषणात्मक रूप से प्राप्त किया जाता है। यह दृष्टिकोण आउटपुट वेरिएंस को व्यक्तिगत इनपुट वेरिएबल्स (प्रथम-क्रम सूचकांकों) और उनके इंटरैक्शन (उच्च-क्रम सूचकांकों) के योगदान में विभाजित करता है, जो मोंटे कार्लो विधियों के तुलनात्मक रूप से एक गणनात्मक रूप से कुशल विकल्प प्रदान करता है।

प्रमुख योगदान

एक वर्चुअल रेप्लिका का विकास: एक मान्य, उच्च-निष्ठा वाले FE मॉडल का निर्माण जो एक वास्तविक दुनिया के परीक्षण ब्रिज का डिजिटल शैडो है, जिसे PyAnsys के माध्यम से अत्याधुनिक डेटा साइंस वर्कफ़्लो के साथ एकीकृत किया गया है।
SHM के लिए gPCE का अनुप्रयोग: संरचनात्मक गतिशीलता के लिए सोबोल इंडेक्स की विश्लेषणात्मक गणना करने के लिए gPCE के उपयोग का प्रदर्शन, जो भौतिकी-सूचित मॉडलों में अनिश्चितता मात्रात्मक निर्धारण के लिए एक कठोर आधार प्रदान करता है।
महत्वपूर्ण मापदंडों की पहचान: इस बात का व्यवस्थित मूल्यांकन कि विशिष्ट मॉडलिंग धारणाएं (जैसे बोल्ट की कठोरता बनाम कंक्रीट की कठोरता) एक मिश्रित पुल की गतिशील प्रतिक्रिया को कैसे प्रभावित करती हैं।

परिणाम
संवेदनशीलता विश्लेषण ने तीन इनपुट मापदंडों के चार कंपन मोड पर प्रभाव के संबंध में स्पष्ट अंतर्दृष्टि प्रदान की:

बोल्ट की कठोरता का प्रभुत्व: इन-प्लेन बेंडिंग मोड ( $f_1$ ), फर्स्ट आउट-ऑफ-प्लेन बेंडिंग मोड ( $f_5$ ), और सेकंड आउट-ऑफ-प्लेन बेंडिंग मोड ( $f_{10}$ ) के लिए, बोल्टेड कनेक्शन की कठोरता ( $d_b$ ) सबसे प्रभावशाली पैरामीटर है, जो आउटपुट वेरिएंस के विशाल हिस्से (जैसे $f_1$ के लिए ~84% और $f_5$ के लिए ~98%) के लिए जिम्मेदार है।
टॉर्सनल मोड संवेदनशीलता: इसके विपरीत, प्रिसिपल टॉर्सनल मोड ( $f_6$ ) मुख्य रूप से कंक्रीट के यंग्स मॉड्यूलस ( $E_c$ ) द्वारा संचालित होता है, जो लगभग 63% वेरिएंस के लिए जिम्मेदार है, जबकि बोल्ट की कठोरता लगभग 36% योगदान देती है।
जॉइंट स्ट्रैटनेस का नगण्य प्रभाव: कंक्रीट सेगमेंट के बीच कनेक्शन को दर्शाने वाले वितरित स्प्रिंग्स की कठोरता ( $k_{eq}$ ) ने सभी विश्लेषण किए गए मोड्स में नगण्य प्रभाव दिखाया। इस पैरामीटर के लिए सोबोल इंडेक्स प्रभावी रूप से शून्य थे, जो यह सुझाव देते हैं कि इंटर-सेगमेंट स्ट्रेस ट्रांसफर के लिए वर्तमान मॉडलिंग दृष्टिकोण का वैश्विक गतिशील प्रतिक्रिया पर न्यूनतम प्रभाव पड़ता है।
मॉडल व्यवहार: रिस्पांस सर्फेस ने पुष्टि की कि मॉडल $d_b$ के बदलावों के प्रति अत्यधिक संवेदनशील हैं, और $E_c$ के प्रति कम संवेदनशील हैं, जबकि वे $k_{eq}$ से लगभग पूरी तरह स्वतंत्र हैं।

महत्व और दावे
यह शोध पत्र तर्क देता है कि सोबोल संवेदनशीलता सूचकांकों को उच्च-निष्ठा वाले संख्यात्मक मॉडलों के साथ एकीकृत करना बुनियादी ढांचे के प्रबंधन के लिए एक मजबूत आधार प्रदान करता है। प्राथमिक महत्व निम्नलिखित क्षमताओं में निहित है:

निगरानी रणनीतियों को अनुकूलित करना: यह पहचानकर कि कौन से पैरामीटर संरचनात्मक प्रतिक्रिया परिवर्तनशीलता को संचालित करते हैं, निगरानी अभियानों को बेहतर ढंग से डिजाइन किया जा सकता है, जिससे सेंसर नेटवर्क को सबसे महत्वपूर्ण मात्राओं पर केंद्रित किया जा सके।
मॉडल परिशोधन (Refinement) को मार्गदर्शन देना: नगण्य मापदंडों (जैसे $k_{eq}$ ) की पहचान मॉडल सरलीकरण की अनुमति देती है, जबकि डोमिनेंट मापदंडों (जैसे $d_b$ ) को उजागर करना उन विशिष्ट घटकों के लिए अधिक सटीक मॉडलिंग दृष्टिकोणों की ओर ध्यान आकर्षित करता है।
सक्रिय रखरखाव का समर्थन करना: यह ढांचा अधिक मजबूत डिजिटल ट्विन सिस्टम के विकास में योगदान देता है, जिससे महत्वपूर्ण बुनियादी ढांचे के लिए सक्रिय रखरखाव और जोखिम प्रबंधन रणनीतियों को सक्षम बनाया जा सके।

लेखक निष्कर्ष निकालते हैं कि हालांकि यह अध्ययन एक एकल परीक्षण मामले पर केंद्रित है, प्रस्तावित ढांचा एक स्केलेबल दृष्टिकोण प्रदान करता है जिसे भविष्य में समान संरचनाओं के जनसंख्या-आधारित विश्लेषण के लिए विस्तारित किया जा सकता है, जिससे महत्वपूर्ण बुनियादी ढांचा नेटवर्क के समग्र प्रबंधन में सहायता मिलती है।