National Transport Library Research Database

Beslutstödsverktyg baserat på maskininlärning för skadekontroll i betongkonstruktioner (Decision support tool based on machine learning for damage detection in concrete structures)

Sponsors, duration, budget: Formas ; 2024-12-01 -- 2025-11-30 ; 500 000 kronorRegistration number:
  • Formas 2024-01323
Subject(s): Summary: Broar spelar en central roll i vår moderna infrastruktur. De möjliggör transport och kommunikation och förbinder samhällen och regioner. En av de mest utbredda typerna av broar i våra städer är förspända betongbroar, som har förmågan att sträcka sig över långa avstånd och hantera tunga laster. Men många av dessa broar, byggda för över 50 år sedan, står nu inför allvarliga utmaningar på grund av ålder, miljöpåverkan och bristande underhåll. För att säkerställa att våra broar förblir säkra och användbara behövs innovativa lösningar för att upptäcka skador innan de leder till katastrofer.Betongbroar är utsatta för en rad påfrestningar: repetitiva lastcykler, väderförhållanden, korrosion och materialtrötthet. En av de mest kritiska delarna av broar är spännarmeringen, som håller ihop konstruktionen, det är väsentligt att denna fungerar som avsett. Problemet är att inspektion av dessa komplexa strukturer ofta är både tidskrävande och kostsamt. Traditionella metoder, såsom kärnborrning och visuell inspektion, är både invasiva och beroende av subjektiv bedömningar.En tragisk påminnelse om vikten av noggrant underhåll är kollapsen av Morandi-bron i Genua, Italien, där bristande inspektion ledde till förödande konsekvenser. Händelsen understryker behovet av effektiva inspektionsmetoder som kan identifiera strukturella brister tidigt, innan de orsakar olyckor.Det är här som maskininlärning (ML) kommer in i bilden. Genom att använda avancerade algoritmer kan vi analysera stora mängder data snabbt och exakt. Detta projekt syftar till att utveckla ett beslutsstödsverktyg som använder ML för att automatisera upptäckten av skador i betongbroar, särskilt hålrum i foderrör som skyddar spännarmeringen. Genom att kombinera teknik som georadar och ultraljud med maskininlärning kan verktyget upptäcka mönster och anomalier som den mänskliga ögat kan missa. Genom att tillämpa ML kan vi inte bara förbättra noggrannheten i inspektionerna utan också spara tid och pengar. När vi kan identifiera skador tidigt minskar vi risken för allvarliga problem och kan planera underhållsarbete mer effektivt. Ett proaktivt tillvägagångssätt för inspektion och reparation kan förlänga livslängden på dessa viktiga konstruktioner och minska samhällets kostnader. Projektet kommer att involvera insamling av data från tillverkade provkroppar samt broar genom oförstörande provning. Dessa data kommer att användas för att träna ML-algoritmerna, vilket gör det möjligt för dem att lära sig känna igen tecken på skador. Till exempel kommer mockup-prover med artificiellt skapade hålrum att användas för att skapa en robust databas som algoritmerna kan träna på.En prototyp av verktyget kommer att testas i fält på verkliga brokonstruktioner för att säkerställa att det fungerar under praktiska förhållanden. Målet är att skapa en användarvänlig lösning som kan integreras i befintliga inspektionsmetoder. Genom att fokusera på att förbättra inspektionsnoggrannheten och minska den mänskliga faktorn syftar vi till att revolutionera hur vi bedömer broars tillstånd.Det är inte bara ingenjörerna och teknikerna som kommer att dra nytta av denna innovation. Genom att förbättra inspektionsprocessen kan vi skydda liv och minska kostnader för trängsel och reparation av infrastruktur. En effektivare underhållsstrategi kan också bidra till en mer hållbar användning av resurser. Genom att förlänga livslängden på befintliga broar kan vi minska behovet av nybyggnation, vilket sparar både pengar och miljöresurser.Genom att tillämpa avancerad teknologi och maskininlärning står vi inför en möjlighet att förändra hur vi övervakar och underhåller våra broar. Den utvecklade algoritmen för att identifiera potentiella skador i foderrör kommer att representera ett betydande framsteg inom infrastrukturområdet. Genom att kombinera traditionell ingenjörskonst med modern teknologi kan vi inte bara skydda våra broar utan också bidra till ett säkrare samhälle. Summary: Bridges play a central role in our modern infrastructure. They facilitate transport and communication, connecting communities and regions. One of the most prevalent types of bridges in our cities is the prestressed concrete bridge, which has the ability to span long distances and support heavy loads. However, many of these bridges, built over 50 years ago, now face serious challenges due to age, environmental impact, and lack of maintenance. To ensure that our bridges remain safe and functional, innovative solutions are needed to detect damage before it leads to disasters.Concrete bridges are subjected to a range of stresses: repetitive load cycles, weather conditions, corrosion, and material fatigue. One of the most critical components of bridges is the prestressing tendons, which hold the structure together; it is essential that this system functions as intended. The problem is that inspection of these complex structures is often both time-consuming and costly. Traditional methods, such as core drilling and visual inspections, are invasive and rely on subjective evaluations.A tragic reminder of the importance of diligent maintenance is the collapse of the Morandi Bridge in Genoa, Italy, where inadequate inspection led to devastating consequences. This incident underscores the need for effective inspection methods that can identify structural deficiencies early, before they result in accidents.This is where machine learning (ML) comes into play. By utilizing advanced algorithms, we can analyze large amounts of data quickly and accurately. This project aims to develop a decision-support tool that uses ML to automate the detection of damage in concrete bridges, particularly voids in the ducts that protect the prestressing tendons. By combining technologies such as ground-penetrating radar and ultrasound with machine learning, the tool can detect patterns and anomalies that the human eye might miss. By applying ML, we can not only improve the accuracy of inspections but also save time and money. Early detection of damage reduces the risk of serious problems and enables more effective planning of maintenance work. A proactive approach to inspection and repair can extend the lifespan of these critical structures and reduce societal costs. The project will involve collecting data from fabricated prototypes and bridges through non-destructive testing. This data will be used to train the ML algorithms, allowing them to learn to recognize signs of damage. For example, mock-up samples with artificially created voids will be used to create a robust database for the algorithms to train on.A prototype of the tool will be tested in the field on real bridge structures to ensure it functions under practical conditions. The goal is to create a user-friendly solution that can be integrated into existing inspection methods. By focusing on improving inspection accuracy and reducing the human factor, we aim to revolutionize how we assess the condition of bridges.It is not only engineers and technicians who will benefit from this innovation. By improving the inspection process, we can protect lives and reduce costs associated with congestion and infrastructure repairs. A more efficient maintenance strategy can also contribute to more sustainable resource utilization. By extending the lifespan of existing bridges, we can reduce the need for new construction, saving both money and environmental resources.By applying advanced technology and machine learning, we have an opportunity to transform how we monitor and maintain our bridges. The developed algorithm for identifying potential damage in ducts will represent a significant advancement in the field of infrastructure. By combining traditional engineering with modern technology, we can not only protect our bridges but also contribute to a safer society.The digital transformation of the construction and infrastructure sector means that we are taking an innovative step forward.
Item type: