National Transport Library Research Database

SENSIT – Verifiering och prognostisering av tekniska funktionskrav på tunnelinfattning av betong – sensorbaseras prognosmetod med artificiell intelligens (SENSIT - Verification and forecasting of technical functional requirements for tunnel framing of concrete - sensor-based forecasting method with AI)

  • Rempling, Rasmus
  • Chalmers tekniska högskola AB, Universitet eller högskola, 556479-5598
Sponsors, duration, budget: Trafikverket ; 2021-11-01 -- 2024-12-31 Registration number:
  • Trafikverket 2021/66599
Subject(s): Abstract: Projektansökan avser finansiering för en doktorand baserad på Chalmers och en mindre seniorforskarstudie som utföres på KTH. Projektet omfattar också en post-doc baserad på Göteborgs Universitet och Chalmers, finansierad av Smart-Built Envionment. Helheten är en kraftsamling inom verifikation av tekniska funktionskrav. Denna ansökan beskriver den del som finansiering sökes för. Projektets syfte är att bidra till framtagandet av metoder för informationsinhämtning via sensorer som kan användas för att prognostisera och verifiera tekniska funktionskrav med hjälp av Artificiell intelligens. Utgångspunkten och bakgrund är tunnelinfattningar av fiberarmerad sprutbetong. Konstruktionen utgörs av ett komplext material och det saknas ofta detaljerad information om kringliggande berg. Materialet och berget är i samverkan det bärande systemet som sammantaget ger en osäkerhet om dess funktion. För att angripa frågeställningen kommer labbexperiment kompletteras med numeriska analyser och statistiska metoder baserat på artificiell intelligens. Tillsammans utgör det den vetenskapliga ansatsen. Projektet genomförs som ett doktorandprojekt vid Chalmers och en senior del som utföres på KTH. Handledning ges i samverkan. Mognadsgraden för de huvudsakliga teknikerna skiljer sig åt: sensortekniken anses vara TRL 3 medans AI-algoritmer i samverkan med NLFEA befinner sig på TRL 2. Riskbedömning baseras på erfarenheter från tidigare projekt. Att skapa data i stor mängd från ett litet antal experiment är en utmaning. Inom AI använder man en kombination av reelldata (ett foto) och syntetiska data (ett spegelvänt foto). Vår innovation som vi testat i tidigare BBTprojekt bygger på kombinationen av försöksdata (reell) och FEA-data (syntetisk) och på detta sätt skapar ett större data-set som framgångsrikt kan användas för att träna en AI-algoritm. Branschprogrammet adresseras genom att studera informationsinhämtning mha sensorer och statistisk informationsbearbetning mha AI tillsammans med ett slutanvändarfokus. Projektorganisation utgörs av ett handledarteam från Chalmers och KTH som i samverkan handleder en Chalmersdoktorand. I tillägg ingår en SBE finansierad post-doc som arbetar med gränssnittet mot slutanvändaren. Tidsramen för projektet är tre aktiva år med doktorandstudier. Studien som ska utföras på KTH som en senior forskarstudie planeras till mitten av projekttiden. Finansiering för helheten utgörs av BBT och SBE (Vinnova och Formas samt WSP och NCC) Tillämpning i branschen adresseras genom post-doc projektet tillsammans med det aktiva deltagandet av WSP och NCC. Publicering i vetenskaplig internationell tidskrift tillsammans med Bygg och Teknik planeras. Abstract: The project application concerns funding for a doctoral student based at Chalmers and a small senior research study that is carried out at KTH. The project also includes a post-doc based on the University of Gothenburg and Chalmers, funded by Smart-Built Envionment. The project is a collection of forces within verification of technical functional requirements. This application describes the part for which funding is sought. The purpose of the project is to contribute to the development of methods for information retrieval via sensors that can be used to forecast and verify technical functional requirements using Artificial Intelligence The starting point and background is tunnel frames made of fiber-reinforced shotcrete. The construction consists of a complex material and detailed information about surrounding rock is often lacking. The material and the rock are in collaboration the load-bearing system that overall gives an uncertainty about its actual function. To address the issue, lab experiments will be supplemented with numerical analyzes and statistical methods based on Artificial Intelligence. Together, it constitutes the scientific approach. The project is carried out as a doctoral project at Chalmers and a senior part performed at KTH. Supervision is given in collaboration between CTH and KTH. The degree of maturity of the main technologies differs: the sensor technology is considered to be TRL 3 while AI algorithms in collaboration with NLFEA is on TRL 2. Risk assessment is based on experience from previous projects. Creating large amounts of data from a small number of experiments is a challenge. In AI, a combination of real data (a photo) and synthetic data (a mirror image) is used. Our innovation as we tested in previous BBT projects is based on the combination of experimental data (real) and FEA data (synthetic) and in this way creates a larger data set that can be successfully used to train an AI algorithm. The industry program is addressed by studying information retrieval using sensors and statistical information processing using AI along with an end-user focus. The project organization consists of a supervisory team from Chalmers and KTH who in collaboration supervise the doctoral student at Chalmers. In addition the Project includes an SBE-funded post-doc that works with the interface to the end user. The time frame for the project is three active years of doctoral studies. The study to be carried out at KTH as a senior research study is planned to the middle of the project period. Financing for the project consists of BBT and SBE (Vinnova and Formas as well as WSP and NCC) Application in the industry is addressed through the post-doc project together with the active participation of WSP and NCC. Publication in a scientific international journal together with Bygg och Teknik is planned.
Item type: