National Transport Library Research Database

TACK-II: En AI plattform för automatiserad tunnel inspektion och tillståndsbedömning (TACK-II: an AI Framework for Automated Tunnel Inspections and Assessment)

Sponsors, duration, budget: Formas ; 2024-01-01 -- 2027-12-31 ; 4 000 000 kronorRegistration number:
  • Formas 2023-00562
Subject(s): Summary: Tunnlar är en viktig del av många länders transportinfrastruktur och temporära stängningar av tunnlar har stor påverkan på trafikflödet och restiden för användarna. För att upprätthålla en säker trafikmiljö, genomförs därför regelbundna inspektioner. Målet med inspektionerna är att upptäcka, mäta och bedöma risken med skador, som t.ex. sprickor, i bergförstärkningen. Resultaten från inspektioner används därefter för att planera underhållet av tunneln, vilket är ett optimeringsproblem där kostnaden för underhåll och risken för skador och olyckor måste balanseras. Idag inspekteras tunnlar nästan uteslutande av inspektörer på plats. Detta är ett tidskrävande arbete som påverkas av mänskliga fel och dessutom kräver att tunneln är stängd. Ett åldrande tunnelbestånd i kombination med en ständig utbyggnad av tunnelsystemet ökar behovet av mer tidseffektiva inspektionsmetoder.Detta forskningsprojekt är en fortsättning på det nyligen avslutade projektet TACK – Tunnel Automatisk spriCK detektering. I TACK, användes en kombinerad metod med fotogrammetri och maskininlärning för att påvisa möjligheten att automatisk upptäcka och mäta vidden på sprickor i tunnlars betongförstärkning. Projektet undersökte även möjligheten att automatisk bedöma risken med sprickor i förstärkningen. Detta är en komplicerad uppgift och mer forskning behövs. Det föreslagna projektet siktar på att ta digitala inspektionsmetoder för tunnlar ett steg närmare implementering genom att presentera en storskalig utvärdering av metodens fördelar och noggrannhet. Detta uppnås genom att samla in data från tunnlar med ett ”mobile mapping” system som kombinerar LiDAR sensorer med högupplösta kameror. Denna data kan användas för att skapa en digital tvilling av tunneln för att få en överblick över tunnelns tillstånd. En första skadekartering och tillståndsbedömning kan därmed göras från kontoret. Med hjälp av maskininlärning kan sprickor i betongen automatiskt upptäckas vilket eliminerar det annars mycket tidskrävande arbetet att manuellt gå igenom all data från tunnel för att hitta sprickor. Sprickans längd och vidd kan mätas genom att kombinera data från LiDAR med de högupplösta fotona. Vidare kan sprickans propagering över tid mätas tack vara den nyutvecklade fotogrammetriska algoritmen ”Deformation from Motion”. Denna algoritm kommer att testas och utvärderas ytterligare inom ramen för detta projekt. Ett verktyg för att visualisera sprickorna i tunneln för att ge en samlad och överskådlig bild av skadeläget kommer också att utvecklas. Det sista steget i den föreslagna inspektionsmetoden är att bedöma risken med sprickorna. Här kommer arbetet som startades i TACK att fortsättas och risken kommer att bedömas med hjälp av numeriska simuleringar med finita element metoden.Digitala och automatiska inspektioner och tillståndsbedömningar har många fördelar jämfört med traditionella inspektionsmetoder. Först och främst kan data från tunneln samlas in snabbt med ”mobile mapping” systemet vilket kraftigt reducerar tiden tunneln måste stängas. Arbetsmiljön för inspektörer förbättras också betydligt med den föreslagna metoden eftersom inspektörens huvudsakliga arbetstid flyttas från nattetid i tunnel till dagtid i kontoret. Användandet av AI reducerar tiden det tar att upptäcka sprickor vilket naturligtvis minskar kostnaden för inspektionen. Övergången från våra traditionella inspektionsmetoder till den föreslagna digitala metoden är dock väldigt stor och ägare måste övertygas om metodens pålitlighet samt fördelarna som den erbjuder. En fundamental uppgift för detta projekt är därför att påvisa detta. Detta ska genomföras genom att välja ut tunnlar för datainsamling som under projektets tid även ska inspekteras av inspektörer. Därefter kommer workshops att anordnas under projektets gång där ägare, inspektörer och forskare presenterar och jämför sina resultat från inspektionerna. Summary: This research project is a continuation of the recently finalized project TACK - Tunnel Automatic CracK Detection, which used a hybrid approach of deep learning and photogrammetry to show the feasibility of automatically detecting and measuring the width of cracks in the concrete tunnel lining. In TACK, a limited amount of data from three tunnels in Sweden were used as a small proof of concept. The aim of the proposed project is a proof of concept on a large scale. This includes collecting data from three to four tunnels and autonomously detecting and visualizing the location of cracks in the concrete lining. A framework for digital inspections, particularly a method to autonomously assess the risk associated with cracks, will be developed. This framework will be used to assess the structural condition of the tunnel. Lastly, the most important step of this project is to compare the results from digital inspection with results from human in-situ inspections. Here, inspection accuracy, time and cost and knowledge transfer between inspectors and owners should be evaluated systematically. This is important to show the proposed methodology´s capability and take it one step closer to implementation.
Item type: