Beslutstödsverktyg baserat på maskininlärning för skadekontroll i betongkonstruktioner

Broar spelar en central roll i vår moderna infrastruktur. De möjliggör transport och kommunikation och förbinder samhällen och regioner. En av de mest utbredda typerna av broar i våra städer är förspända betongbroar, som har förmågan att sträcka sig över långa avstånd och hantera tunga laster. Men många av dessa broar, byggda för över 50 år sedan, står nu inför allvarliga utmaningar på grund av ålder, miljöpåverkan och bristande underhåll. För att säkerställa att våra broar förblir säkra och användbara behövs innovativa lösningar för att upptäcka skador innan de leder till katastrofer.

Betongbroar utsätts för stora påfrestningar

Betongbroar är utsatta för en rad påfrestningar: repetitiva lastcykler, väderförhållanden, korrosion och materialtrötthet. En av de mest kritiska delarna av broar är spännarmeringen, som håller ihop konstruktionen, det är väsentligt att denna fungerar som avsett. Problemet är att inspektion av dessa komplexa strukturer ofta är både tidskrävande och kostsamt. Traditionella metoder, såsom kärnborrning och visuell inspektion, är både invasiva och beroende av subjektiv bedömningar.

En tragisk påminnelse om vikten av noggrant underhåll är kollapsen av Morandi-bron i Genua, Italien, där bristande inspektion ledde till förödande konsekvenser. Händelsen understryker behovet av effektiva inspektionsmetoder som kan identifiera strukturella brister tidigt, innan de orsakar olyckor.

Maskininlärning baserad på stora mängder data

Det är här som maskininlärning (ML) kommer in i bilden. Genom att använda avancerade algoritmer kan vi analysera stora mängder data snabbt och exakt. Detta projekt syftar till att utveckla ett beslutsstödsverktyg som använder ML för att automatisera upptäckten av skador i betongbroar, särskilt hålrum i foderrör som skyddar spännarmeringen. Genom att kombinera teknik som georadar och ultraljud med maskininlärning kan verktyget upptäcka mönster och anomalier som den mänskliga ögat kan missa.

Genom att tillämpa ML kan vi inte bara förbättra noggrannheten i inspektionerna utan också spara tid och pengar. När vi kan identifiera skador tidigt minskar vi risken för allvarliga problem och kan planera underhållsarbete mer effektivt. Ett proaktivt tillvägagångssätt för inspektion och reparation kan förlänga livslängden på dessa viktiga konstruktioner och minska samhällets kostnader. Projektet kommer att involvera insamling av data från tillverkade provkroppar samt broar genom oförstörande provning. Dessa data kommer att användas för att träna ML-algoritmerna, vilket gör det möjligt för dem att lära sig känna igen tecken på skador. Till exempel kommer mockup-prover med artificiellt skapade hålrum att användas för att skapa en robust databas som algoritmerna kan träna på.

Testas i fält på verkliga brokonstruktioner

En prototyp av verktyget kommer att testas i fält på verkliga brokonstruktioner för att säkerställa att det fungerar under praktiska förhållanden. Målet är att skapa en användarvänlig lösning som kan integreras i befintliga inspektionsmetoder.

Genom att fokusera på att förbättra inspektionsnoggrannheten och minska den mänskliga faktorn syftar vi till att revolutionera hur vi bedömer broars tillstånd.

Det är inte bara ingenjörerna och teknikerna som kommer att dra nytta av denna innovation. Genom att förbättra inspektionsprocessen kan vi skydda liv och minska kostnader för trängsel och reparation av infrastruktur. En effektivare underhållsstrategi kan också bidra till en mer hållbar användning av resurser.

Genom att förlänga livslängden på befintliga broar kan vi minska behovet av nybyggnation, vilket sparar både pengar och miljöresurser.

Algoritmen identifierar potentiella skador

Genom att tillämpa avancerad teknologi och maskininlärning står vi inför en möjlighet att förändra hur vi övervakar och underhåller våra broar. Den utvecklade algoritmen för att identifiera potentiella skador i foderrör kommer att representera ett betydande framsteg inom infrastrukturområdet.

Genom att kombinera traditionell ingenjörskonst med modern teknologi kan vi inte bara skydda våra broar utan också bidra till ett säkrare samhälle.

Den digitala transformationen av bygg- och infrastruktursektorn innebär att vi tar ett innovativt steg framåt. Vi går från reaktiva metoder till proaktiva strategier där tidig upptäckte av skador kan leda till snabba och effektiva reparationer.

Genom detta projekt hoppas vi också inspirera andra inom industrin att utforska och använda ny teknik för att förbättra säkerheten och hållbarheten hos våra infrastrukturprojekt.