National Transport Library Research Database

Från data till beslut: riktlinjer för effektiv utvärdering av brobaneplattor i betong med markradardata (From Data to Decisions: Guideline for Effective Concrete Bridge Deck Evaluation Using Ground Penetrating Radar)

  • Bayane, Imane
  • Kungliga tekniska högskolan, Universitet eller högskola, 202100-3054
Sponsors, duration, budget: Trafikverket ; 2025-09-01 -- 2028-02-29 ; 1 664 000 kronorRegistration number:
  • Trafikverket 2024/133088
Summary: Mål: Att kunna upptäcka och kvantifiera kritiska indikatorer på försämring av broars betongfarbanor, exempelvis skadad betong, klorider under tätskiktet, fuktinfiltration och defekter som sprickor eller blåsor i tätskiktet. Projektets syfte är följande: 1. Etablera tillförlitliga GPR-databearbetningstekniker. Utvärdera och förbehandla befintlig GPR-data som samlats in av Trafikverket för att etablera pålitliga bearbetningstekniker som kan avslöja potentiella försämringsindikatorer såsom fukt, klorider under tätskiktet och betongskador. 2. Utveckla adaptiva maskininlärningsmodeller för bearbetning av GPR-data. Utveckla maskininlärningsmodeller som kan identifiera skador och avvikelser i tätskikt och underliggande betong trots de inbyggda osäkerheterna i GPR-data. Modellerna kommer att utformas med ett flerstegstillvägagångssätt som börjar med "unsupervised learning" för att identifiera mönster och avvikelser i rå GPR-data, vilket är användbart för tidig upptäckt när datan saknar etiketter. Därefter kommer "supervised learning" att användas med märkt data från destruktiva tester av tidigare projekt och syntetiska data för att upptäcka försämring. Slutligen kommer "reinforcement learning" att införas för att låta modellerna anpassa sig och förbättras över tid genom att lära sig från användarfeedback och ny data. 3. Genomföra validering med fältförsök. Genomför fältförsök på brofarbana före och efter byte av tätskikt, där GPR-data integreras med andra icke-förstörande provningsmetoder (OFP) som ultraljud och lasertomografi. Denna korsvalidering kommer att säkerställa modellernas noggrannhet, robusthet och tillförlitlighet under operativa förhållanden. 4. Formulera ett förslag till riktlinjer för broförvaltare. Översätt projektresultaten till användarvänliga riktlinjer för broingenjörer och infrastrukturansvariga, och erbjuda tydliga steg-för-steg-instruktioner för användning av GPR-data och maskininlärningsresultat i underhållsplanering. Summary: Aim: To detect and quantify critical indicators of concrete bridge deck deterioration, such as damaged concrete, chlorides under the waterproofing, moisture infiltration, and defects like cracks or blisters in the waterproofing layer. The project’s objectives are as follows: 1. Establish reliable GPR data processing techniques. Evaluate existing GPR data collected by Trafikverket to establish reliable processing techniques that can reveal potential deterioration indicators, such as moisture, chlorides under the waterproofing, and concrete damage. 2. Develop adaptive machine learning models to process GPR data. Build machine learning models capable of detecting deterioration despite inherent uncertainties in GPR data. The models will use a multi-tiered approach starting with unsupervised learning to identify patterns and anomalies in raw GPR data, useful for early detection when data lacks labels. Then, supervised learning will be applied using labelled data from destructive tests from previous projects and synthetic data to detect deterioration. Finally, reinforcement learning will be incorporated to allow the models to adapt and improve over time by learning from user feedback and new data. 3. Conduct an experimental validation campaign. Conduct field trials on a bridge deck before and after waterproofing replacement, integrating GPR data with other non-destructive testing (NDT) methods such as ultrasound and laser thermography. This cross-validation will confirm the accuracy, robustness, and reliability of the models under operational conditions. 4. Formulate a guideline proposal for bridge management. Translate the project results into user-friendly guidelines for bridge engineers and infrastructure managers, offering clear, step-by-step instructions for using GPR data and machine learning outputs in maintenance planning.
Item type: