Αισθητήρες οπτικών ινών για την αξιολόγηση των οδοστρωμάτων

Abstract

Στην παρούσα διπλωματική εργασία μελετήθηκε η νέα τεχνολογία των αισθητήρων οπτικών ινών για την μέτρηση των επί τόπου παραμορφώσεων οδοστρώματος λόγω διέλευσης οχήματος, έτσι ώστε να διερευνηθεί η επί τόπου απόκριση του οδοστρώματος αλλά και να συγκριθεί με την αντίστοιχη υπολογισμένη από αναλυτικές μεθόδους. Για το σκοπό αυτό πραγματοποιήθηκε επί τόπου πείραμα σε τμήμα αυτοκινητοδρόμου κατά το οποίο σύστημα αισθητήρων παραμόρφωσης οπτικών ινών εγκαταστάθηκε στα κρίσιμα βάθη ενός οδοστρώματος, αποκατεστημένου με τη μέθοδο της ψυχρής ανακύκλωσης, για τη μελέτη της συμπεριφοράς του σε διαδοχικές διελεύσεις διαξονικού οχήματος. Στη συνέχεια έγινε προσομοίωση του πειράματος μέσω αναλυτικών μεθόδων με παραμέτρους των στρώσεων που προέκυψαν από επί τόπου δειγματοληπτικούς ελέγχους και περεταίρω εργαστηριακές αναλύσεις. Η εξέταση σύγκλισης των πειραματικών και των αναλυτικών τιμών των παραμορφώσεων μπορεί να οδηγήσει στην καλύτερη κατανόηση της συμπεριφοράς του οδοστρώματος καθώς και στην ανάπτυξη μοντέλων πρόβλεψης της απόκρισής του υπό τα φορτία κυκλοφορίας.

In the present thesis the new technology of fiber optic sensors was studied in the field of in situ pavement strain measurement due to vehicle transit, in order to investigate the actual pavement response, as well as to be compared to the one estimated by analytical methods. For this purpose an in situ experiment in a highway section was performed, in which system of fiber optic strain sensors was installed at the critical depths of the cold in place recycled pavement, so that the pavement behavior due to successive passes of a two-axle vehicle could be studied. Furthermore, the experiment was simulated through analytical methods, using layer parameters obtained by in situ sampling test and further laboratory analysis. The examining of the convergence of experimental and analytical strain values, can lead to better understanding of pavement behavior as well as to the development of models for pavement response prediction under traffic loads.