Un studiu universitar australian a folosit cu succes algoritmi de inteligență artificială (AI) împreună cu rețele neuronale pentru a detecta defectele podurilor în timp real.
O rețea neuronală, așa cum este definită în dicționarul Oxford, este un sistem computerizat modelat pe creierul uman și sistemul nervos.
Cercetarea Universității Catolice din Australia a dezvoltat o metodă pentru monitorizarea în timp real a sănătății structurale a podurilor, folosind podurile Chumchup, Gocong, Ongdau și Ongnhieu din Vietnam pentru a o testa.
Acest nou program de inteligență artificială utilizează datele de vibrație a podurilor pentru a identifica cu exactitate defectele structurale minore înainte ca acestea să devină critice și apoi poate alerta echipajele de întreținere.
Pentru a dezvolta programul de învățare automată, cercetătorii australieni și vietnamezi au folosit conceptul de factor de pierdere, care reprezintă procesul de disipare a energiei în diferite stări de vibrație, ca indicator cheie al sănătății structurale.
„Dacă ați sărit vreodată pe o trambulină, o parte din energie este folosită pentru a face trambulina să se întindă și să se miște, pe când o parte din acea energie nu se mai întoarce la tine. Aceasta este energia pierdută în poduri, factorul de pierdere este de fapt acea energie pierdută, deci măsoară energia care nu se întoarce,” a spus Shafiabady, profesorul care a condus echipa de cercetare multinațională.
Această energie care se pierde este de fapt transformată în căldură sau provoacă frecare internă. Echipa de cercetare a analizat modelele de vibrații folosind factorul de pierdere în poduri pentru a evalua starea lor structurală de sănătate.
Rezultatele au demonstrat că disiparea de energie a podului în timpul funcționării poate fi clasificată în semnale din trei surse distincte: răspunsuri structurale, indicatori legați de defecte și interferență de zgomot.
Prin monitorizarea variațiilor factorului de pierdere în timp, modelul a reușit să identifice semnele timpurii de deteriorare structurală. Pentru a picta o imagine completă, studiul a folosit trei scenarii diferite pe diferite poduri. „Primul scenariu a fost când aveam o încărcătură de vehicule grele pe acele poduri, de exemplu, camioane sau containere și vehiculele care depășeau limita standard de încărcare atunci când traversau podul. Al doilea studiu de caz a fost legat de încărcătura vehiculelor ușoare, la mașini mici și motociclete când nu este oră de vârf. Al treilea studiu de caz a fost când am avut trafic intens, pentru că unul dintre scopurile acestor studii a fost observe gestionarea traficului. Ne-am gândit la scenariul de trafic intens când aveam diferite tipuri de mașini pe pod și transportul public.”
Folosind cele patru poduri diferite și trei scenarii, studiul a evaluat factorul de pierdere și a comparat rezultatele utilizând diferiți algoritmi AI pentru a colecta date despre sănătatea structurală a podurilor.
„S-a făcut posibilă detectarea schimbările structurale timpurii când am văzut că se schimbă coeficientul de pierdere. Atunci am luat-o ca pe un semn. Acele schimbări înseamnă că există o anumită oboseală sau daune în unele zone ale podului.”
În timp ce utilizarea rețelelor neuronale poate ajuta la identificarea defectelor grave ale podurilor, Shafiabady a spus că scopul studiului este ca AI să semnaleze atunci când este necesară întreținerea preventivă.
„Aplicarea acestor metode AI a fost în primul rând pentru întreținere preventivă. Nu este neapărat ceva necesar pentru a acorda atenție imediată acelui pod, ci doar pentru a evita probleme precum accidente catastrofale care s-ar putea întâmpla dacă echipele de întreținere nu ar avea grijă de pod.”
Echipa din spatele studiului consideră că utilizarea rețelelor neuronale artificiale instruite pentru a detecta defectele podurilor ar putea revoluționa practicile de siguranță și ar putea salva vieți de potențiale defecțiuni structurale.
„Avântul dezvoltării tehnologice din ultimii ani și modernizarea abordării evaluării viabilității podurilor au condus la crearea și implementarea unor sisteme moderne de determinare a stării de degradare ce au fost denumite generic Structural Health Monitoring (SHM). Aceste tehnologii au devenit necesare o dată cu dorința administratorilor de a cunoaște cât mai exact starea de degradare a podurilor și de a aloca eficient fondurile bugetare limitate avute la dispoziție. Utilizându-se sistemele de monitorizare permanentă de tipul SHM, degradările sunt descoperite încă din primele etape ale dezvoltării lor, scăzându-se în acest fel anvergura lucrărilor de remediere și costul acestora”, spunea Șef lucrări dr. Cristina Maria Scutaru, de la Facultatea de Construcții și Instalații din Iași. Împreună cu o echipă entuziastă de specialiști CFDP, ea a efectuat primele teste de monitorizare online la o lucrare de artă(Podul de peste Siret, de pe DN 28, județul Iași), introducând primele sisteme de Inteligență Artificială. Vom reveni cu informații interesante din activitatea „podarilor” de la Facultatea de Construcții și Instalații Iași.