Van inspecteren naar voorspellen
Met grote regelmaat verschijnen er berichten over bruggen die onderhoud nodig hebben, gewichtsbeperkingen krijgen of tijdelijk zijn afgesloten. Omleidingen en verkeershinder zijn het zichtbare gevolg van een groter probleem: Nederland beschikt over infrastructuur die op leeftijd raakt. Hoe te bepalen hoelang een brug nog veilig is?
Tekst: MELS DEES Beeld: TNO / PORT OF ANTWERP BRUGES
Die vraag wint aan importantie nu beheerders voor grote aantallen bruggen moeten beslissen wanneer onderhoud, renovatie of vervanging noodzakelijk is. TNO onderzoekt daarom of sensoren en digitale modellen kunnen helpen voorspellen hoe een brug zich ontwikkelt. In het Predictive Twin Lab komen sensortechnologie, constructiemodellen, cloudcomputing en machine learning bij elkaar.
‘Op dit moment zijn periodieke inspecties naar de belangrijkste degradatiemechanismen het uitgangspunt’, vertelt Bart Luiten, voormalig projectleider van het TNO-project Digital Twin for Structural Integrity. Leveren die aanwijzingen op dat de veiligheid in het geding kan zijn, dan kunnen verkeersbeperkende maatregelen volgen.
Daarnaast worden bruggen in volgorde van risico grondig herberekend. ‘Zo’n constructieve veiligheidsberekening geeft een betrouwbare inschatting van de resterende levensduur’, zegt Luiten. Afhankelijk van de uitkomst kunnen aanvullende inspecties of metingen nodig zijn, maar ook renovatie of vervanging.
Rekenproces
Een predictive digital twin moet dat proces sneller en informatiever maken. Daarvoor worden gegevens uit de fysieke brug toegevoegd aan het rekenproces. Luiten: ‘Je kunt reksensoren in het rijdek en de draagconstructie aanbrengen. Daarmee krijg je een betere inschatting van de effecten van de belastingen en kun je het rekenmodel valideren of, als dat nodig is, aanpassen.’
Sensoren registreren hoe onderdelen vervormen wanneer auto’s en vrachtwagens over de brug rijden. Het model hoeft daardoor minder uit te gaan van aannames: het krijgt informatie over hoe de fysieke brug zich gedraagt. De digital twin is daarmee niet simpelweg een virtuele kopie die de actuele toestand van een brug toont. De ambitie is dat hij helpt voorspellen hoe de fysieke constructie zich ontwikkelt.
De ingenieur blijft daarbij nodig. Op basis van inspectieresultaten wordt eerst bepaald welke veiligheidsberekeningen nodig zijn. ‘Als aanvullende informatie nodig is, maken we een sensorplan’, meldt Luiten. Het sensornetwerk wordt aangelegd en getest, waarna gedurende een representatieve periode wordt gemeten.
Een TNO-rapport uit 2023 over de ontwikkeling van de predictive twin beschrijft hoe zulke meetgegevens worden gecombineerd met bestaande informatie over de brug en constructiemodellen. Zo moet een beter beeld ontstaan van de werkelijke toestand van de constructie.
‘Een predictive twin kan nog niet automatisch melden hoeveel jaar een brug veilig te gebruiken is’
Conditie
Ook databases van de beheerder zijn belangrijk. Gegevens over de brug, eerdere aanpassingen en inspectieresultaten helpen bij een eerste inschatting van de conditie. ‘Helaas zijn niet alle data even gemakkelijk toegankelijk en herbruikbaar.’ Ze voldoen daarmee niet vanzelfsprekend aan de Fair-principes: findable, accessible, interoperable en reusable.
De technische uitdaging begint bij de sensormetingen. Daaruit afleiden welke verkeersbelasting een brug ondergaat, lukt inmiddels goed. Moeilijker is de omgekeerde weg: wat zeggen gemeten vervormingen over de actuele stijfheid en sterkte?
‘Daarvoor zijn nieuwe rekenmethoden nodig’, zegt Luiten. Om stijfheid en sterkte uit de vervormingen af te leiden, moeten veel varianten worden doorgerekend. Door die berekeningen in de cloud tegelijkertijd uit te voeren, blijft de rekentijd beheersbaar. Machine learning helpt bepalen welke eigenschappen van het constructiemodel het beste overeenkomen met het gemeten gedrag. Machine learning voorspelt dus niet rechtstreeks wanneer een brug het begeeft. Het constructiemodel en de kennis van ingenieurs blijven centraal staan.
Bewezen
In genoemd TNO-rapport waren verschillende stappen in deze digitale keten nog niet geautomatiseerd. Inmiddels is een deel verder ontwikkeld. ‘Het berekenen van actuele verkeersbelastingen uit sensordata en het vertalen daarvan naar rekenbelastingen is bewezen en wordt breed toegepast’, zegt Luiten. ‘Het bepalen van de stijfheid en sterkte van constructies aan de hand van gemeten vervormingen vraagt nog fundamenteel onderzoek.’ Onder meer de TU Eindhoven werkt aan dat laatste vraagstuk. Een predictive twin kan dus nog niet automatisch melden hoeveel jaar een brug veilig te gebruiken is.
De digitale transformatie van het brugbeheer bestaat daarmee niet alleen uit het digitaliseren van inspecties of het verzamelen van meer data. Uiteindelijk moeten gegevens uit verschillende bronnen leiden tot betere modellen.
Videometingen
Voor toepassing op grote schaal zijn nog tal van hindernissen te nemen. Sensoren moeten eenvoudiger en goedkoper kunnen worden aangebracht. Luiten noemt nauwkeurige videometingen als mogelijke manier om vervormingen te registreren zonder uitgebreide sensornetwerken. Daarnaast moet wetenschappelijk worden aangetoond dat uit zulke metingen betrouwbaar is terug te rekenen naar stijfheid en sterkte. Daarna moeten de nieuwe rekenmethoden worden gestandaardiseerd en genormeerd.
Ook het databeheer blijft een aandachtspunt. Zonder toegankelijke en uitwisselbare historische gegevens is het lastig een digitale keten over de levensduur van een brug op te bouwen. Metingen moeten bovendien nauwkeurig genoeg zijn om degradatie vroegtijdig te herkennen.
Het Predictive Twin Lab laat daarmee zien dat digitale transformatie van infrastructuur uit meer bestaat dan sensoren en rekenkracht toevoegen. De technologie om grote hoeveelheden gegevens te verwerken is er. De volgende stap is aantonen dat daaruit betrouwbaar de werkelijke conditie van een brug kan worden afgeleid.
Digitale tweeling van een complete haven
Dat een digital twin meer kan zijn dan een onderzoeksmodel, laat de haven van Antwerpen-Brugge zien. Daar is de Advanced Port Intelligence & Coordination Assistant (Apica) sinds 2022 operationeel. De digitale tweeling brengt in een 2d/3d-omgeving gegevens uit een groot aantal databronnen samen.
Sensoren, drones, slimme camera’s en digitale ‘neuzen’ leveren informatie over onder meer scheepsbewegingen, infrastructuur en omgevingscondities. Alleen al in Antwerpen zijn 460 camera’s en 22 radars gekoppeld aan de digitale infrastructuur. Zo ontstaat vrijwel continu een actueel beeld van wat zich in het havengebied afspeelt.
Dat situationele beeld voor nautische operaties, veiligheid en beveiliging is het primaire doel van Apica, benadrukt Erwin Verstraelen, vice president Innovation bij Port of Antwerp-Bruges. Maar dezelfde omgeving kan ook het gedrag van infrastructuur volgen. Sensoren kunnen bijvoorbeeld afwijkingen signaleren, zoals een scheur die sneller doorscheurt of pieken in de belasting van een motor. Door verschillende datalagen te combineren kan vervolgens naar de oorzaak worden gezocht. ‘We zien dat onze assetcollega’s steeds meer interesse hebben in sensoren in wegen, bruggen en sluizen’, zegt Verstraelen. ‘Met goede analyse en opvolging kun je een beginnend probleem opsporen en ingrijpen voordat het tot een veel kostbaardere storing leidt.’ De meerwaarde van de digital twin ligt daarmee niet alleen in de digitale kopie, maar vooral in het combineren van gegevens die voorheen over verschillende systemen en processen verspreid waren.
