Abstract: Inspektioner av tunnlar är en viktig men tidskrävande aktivitet. Den senaste tidens teknikutveckling har dock visat på möjligheten att övergå från manuella till digitala inspektioner där mobila datainsamlingssystem och maskininlärning används för att automatisk upptäcka sprickor. Dock är forskningen som riktar in sig mot tillståndsbedömningen av risken kopplat till skador i konstruktioner och i synnerhet bergförstärkning väldigt begränsad. Tidigare forskning presenterade en sammanfattning av riktlinjer för tillståndsbedömning relaterad till sprickor i bergförstärkningar av betong vilket visade en stor spridning. I många fall verkar det saknas en teoretisk bakgrund för hur gränsvärden för konstruktionens tillstånd har bestämts. Gränsvärden har nog i stor utsträckning satts baserat på erfarenhet. Projektet kommer att vara en del av, samt utöka innehållet i, projektet ”TACK II: En AI-plattform för automatiska tunnelinspektioner och tillståndsbedömningar” som är finansierat av Formas. Målet med TACK-II är genomföra storskalig verifiering för en digital och automatiserad inspektions- och tillståndsbedömningsteknik. Detta projekt knyter an och utökar delen om tillståndsbedömningen samt undersöker en möjlig vidareutveckling av datainsamlingstekniken. Målsättningen med detta projekt är att öka förståelsen för hur befintliga skador i form av vidhäftningsbrott och sprickor i bergförstärkning av sprutbetong eller gjuten betong påverkar förstärkningens bärförmåga. Detta kommer att undersökas med hjälp av numeriska simuleringar med finita elementmetoden. TACK-II använder kameror och AI för att upptäcka sprickor och för att vidareutveckla denna idé fokuserar detta projekt därför på undersöka om det finns metoder för att upptäcka vidhäftningsbrott mellan berg och betong som är lämpliga för automatisering och digitalisering. Detta skulle väsentligt förbättra den idag använda datainsamlingsmetoden. Slutligen kommer projektet även att undersöka hur en digital tunnelinspektionsmetod ska implementeras och samköras med analoga inspektioner för att genomföra inspektioner på bästa möjliga sätt.Abstract: Inspections of tunnels are an essential but time-consuming activity. However, recent technology developments have shown the possibility of moving from manual to digital inspections where mobile data collection systems and machine learning are used to automatically detect cracks. However, the research that focuses on the condition assessment of the risk linked to damage in constructions and, in particular, rock support is limited. Earlier studies presented a summary of condition assessment guidelines related to cracks in concrete used as rock support, which showed a large scatter. In many cases, there seems to be a lack of theoretical background for how limit states for the condition of the construction have been determined. The values have probably been selected based on empirical knowledge in most cases. This project will expand and be part of the project "TACK II: an AI Framework for Automated Tunnel Inspections and Assessment". TACK-II aims to conduct a large-scale verification for a digital technique to perform automated inspection and condition assessment of tunnels. This project connects to TACK-II and expands the part on condition assessment and investigates possible further development of the data collection technique. This project aims to increase the understanding of how existing adhesion failure and cracks in rock support of shotcrete or cast concrete affect the load-bearing capacity of the support. This will be investigated using numerical simulations with the finite element method. TACK-II uses cameras and AI to detect cracks, and to develop this idea further; this project focuses on examining whether there are methods for detecting rock-concrete adhesion failures that are suitable for automation and digitization. This would significantly improve the currently used data collection method. Finally, the project will also investigate how a digital tunnel inspection method should be implemented and coordinated with analogue inspections to conduct inspections in the best possible way.