الگوریتم های یادگیری ماشین انقلابی در مورد چگونگی پیش بینی مهندسان عمران و مدیریت تخریب زیرساخت های پل است.با تجزیه و تحلیل مجموعه های گسترده از سنسورها، بازرسی ها و مانیتورهای محیط زیست، این مدل ها الگوهای نامرئی را به روش های سنتی کشف می کنند، امکان نگهداری فعال و گسترش زندگی خدمات پل را فراهم می کند.

درک پل Deterioration: علت ها و الگوهای

پل ها در طول زمان به دلیل ترکیبی از عوامل مکانیکی، زیست محیطی و شیمیایی (FLT 2:0) بارهای ترافیکی - هر دو اندازه و فرکانس - به علت خستگی در فولاد و گسترش مواد به طور مشخص کمک می کنند: FLT:2 کاهش عوامل محیطی [F3 مانند چرخه یخ - پوکی، رطوبت، اسپری، و نوسانات نمک، و تقویت کننده ذرات خوردگی بتن هوا.

الگوهای دمتریواسیون به ندرت خطی هستند، به عنوان مثال، خوردگی اغلب به آرامی پیشرفت می کند تا زمانی که آستانه بحرانی به دست آید، سپس به سرعت سرعت برنامه های بازرسی سنتی - به طور معمول هر دو سال - ممکن است این نقاط یادگیری ماشین آموزش دیده در داده های سنسور مداوم می تواند تغییرات ظریف در لرزش، فشار، یا انتشار های صوتی که قبل از آسیب قابل مشاهده، ارائه هشدار اولیه.

چگونه یادگیری ماشین پیش بینی Deterioration را تغییر می دهد

یادگیری ماشین از داده های تاریخی و زمان واقعی برای پیش بینی دولت های آینده استفاده می کند، بر خلاف مدل های مبتنی بر فیزیک که نیاز به معادلات صریح رفتار مواد دارند، الگوریتم های ML الگوهایی را مستقیما از داده ها یاد می گیرند.این به ویژه برای پل ها ارزشمند است، که در آن تعاملات پیچیده بین بارهای، محیط زیست و مواد به طور تحلیلی دشوار است.

الگوریتم های یادگیری ماشین های کلیدی

چندین خانواده الگوریتم برای پیش بینی خرابی پل، هر کدام برای انواع مختلف داده ها و اهداف اعمال می شوند:

  • یادگیری سوپرvised: استفاده می شود هنگامی که برچسب های وضعیت تاریخی وجود دارد (به عنوان مثال، خوب، منصفانه، ضعیف) الگوریتم هایی مانند جنگل های تصادفی، تقویت گرادیان و شبکه های عصبی یاد می گیرند که ویژگی های سنسور را برای رتبه بندی وضعیت نقشه برداری کنند.
  • آموزش عالی: تکنیک های خوشه ای (ک-مans، DBSCAN) و autoencoders تشخیص ناهنجاری در جریان های سنسور بدون برچسب، این می تواند رفتارهای ساختاری غیرمنتظره را شناسایی کند - مانند یک تغییر ناگهانی در فرکانس طبیعی - که نشان دهنده شروع آسیب است.
  • آموزش اجباری: برنامه های نوظهور از RLS برای بهینه سازی بازرسی و زمان بندی تعمیر و نگهداری استفاده می کنند.این الگوریتم یک سیاست را یاد می گیرد که هزینه های بازرسی را با خطر شکست متعادل می کند، به روز رسانی به عنوان داده های جدید می رسد.
  • یادگیری برش: شبکه های عصبی کانولو تکامل یافته (CNNs) تصاویر را از هواپیماهای بدون سرنشین یا دوربین ها تجزیه و تحلیل می کنند تا شکاف ها، خوردگی و کم کردن را طبقه بندی کنند.

خرید داده ها و مهندسی ویژگی

کیفیت داده ها و انواع منابع عمومی مهم هستند:

  • سنسورهای نظارت بر سلامت ساختاری (SHM) : Accelerometers, سنجه های فشار, مبدل های جابجایی و شیب سنج اندازه گیری های زمان واقعی را ارائه می دهند.
  • ] [اطلاعات مربوط به موارد زیر]: رتبه بندی وضعیت بصری، عکس ها و یادداشت ها از بازرسی های دو ساله (استاندارد شده توسط NBIS در ایالات متحده).
  • داده های مربوط به محیط زیست: [FLT 1 ] درجه حرارت، رطوبت، بارش و چرخه های یخ زده از ایستگاه های آب و هوایی نزدیک.
  • ] اطلاعات ترافیکی: میانگین ترافیک روزانه، درصد کامیون و طیف بار از سیستم های وزن در حرکت.
  • ترکیب و سن: مشخصات طراحی، سوابق ساخت و ساز و تاریخ عقب مانده است.

مهندسی ویژگی شامل تبدیل داده های خام به سیگنال های پیش بینی شده است.به عنوان مثال، از سری زمان شتاب خام، مهندسان فرکانس های طبیعی، نسبت های مرطوب و اشکال حالت را استخراج می کنند. سویه های طبیعی شده با افزایش حرارت، اثرات ناشی از بار جدا از گسترش حرارتی را نشان می دهد. رولینگ میانگین پارامترهای محیطی جذب نوردهی ویژگی های تجمعی مناسب - استفاده از تکنیک هایی مانند اطلاعات متقابل یا مقادیر SHAP -improves و تفسیر عملکرد مدل عملکرد و تفسیر.

برنامه های کاربردی و مطالعات موردی

چندین آژانس حمل و نقل، یادگیری ماشینی را برای پیش بینی خرابی پل با نتایج امیدوار کننده انجام داده اند.

وزارت حمل و نقل ایالت نیویورک (NYSDOT)

NYSDOT یکپارچه یادگیری ماشین آلات در بازرسی پل و سیستم مدیریت وضعیت خود را با استفاده از داده های وضعیت تاریخی و بارهای ترافیکی، یک مدل جنگل تصادفی پیش بینی می کند که رتبه بندی شرط عرشه آینده پنج سال پیش با دقت بیش از 90٪ است، این اجازه می دهد تا اولویت بندی پروژه های توانبخشی قبل از آستانه بحرانی به دست آمده، کاهش تعمیرات اضطراری تا 20٪.

اداره حمل و نقل سوئد

سوئد از یادگیری عمیق در تصاویر از هواپیماهای بدون سرنشین برای خودکار سازی تشخیص کرک در پل های بتنی استفاده می کند. A CNN آموزش دیده در 500.000 عکس با دقت 95٪، زمان بازرسی به شدت کاهش یافته و نظارت مکرر بیشتری از ساختارهای پرخطر را فراهم می کند.

مدیریت جاده های عمومی نروژی

در نروژ، داده های طولانی مدت SHM از پل هارد خطر (یک پل معلق طولانی مدت) یک مدل LSTM را تغذیه می کند که پیش بینی می کند که تجمع خستگی در جوش های حیاتی پیش بینی می شود.این مدل به مهندسان هشدار می دهد که آسیب بیش از آستانه ایمنی، هدایت بازرسی های هدفمند است.

مزایا و بازگشت سرمایه گذاری

اتخاذ یادگیری ماشین برای پیش بینی خرابی پل مزایای ملموسی را ارائه می دهد:

  • نگهداری فعال: تشخیص زود هنگام از زوال اجازه می دهد تا تعمیرات برنامه ریزی در طول دوره های ترافیکی کم، به حداقل رساندن اختلال و هزینه. مطالعه توسط NIST برآورد کرد که نظارت بر زیرساخت می تواند هزینه های چرخه زندگی را تا 15 تا 30٪ کاهش دهد.
  • ] منابع بازرسی عملیاتی: [FLT 1 ] به جای بازرسی تمام پل ها بر روی یک برنامه ثابت، آژانس ها می توانند بر روی مدل هایی که به عنوان ریسک بالا قرار دارند، تمرکز کنند، بازرسی های غیرضروری و صرفه جویی تا 40 درصد در هزینه های کار بازرسی.
  • ] زندگی خدمات مطلوب: مداخلات زمان از افزایش نقص های جزئی به مسائل ساختاری عمده جلوگیری می کند، به طور بالقوه گسترش زندگی پل تا 10-20 سال.
  • ایمنی بهبود یافته: مدل های پیش بینی کننده احتمال شکست های غیرمنتظره، حفاظت از ایمنی عمومی و اجتناب از مسئولیت را کاهش می دهد.
  • تخصیص بودجه مبتنی بر داده ها: [FLT 1] سازمان ها می توانند درخواست های بودجه را با کاهش ریسک قابل اندازه گیری و تجزیه و تحلیل های هزینه-سود حاصل از خروجی های مدل توجیه کنند.

چالش در اجرای

علی رغم مزایای روشن، استقرار یادگیری ماشینی برای پیش بینی خرابی پل با موانع قابل توجهی مواجه است.

کیفیت داده ها و مقدار

مدل های یادگیری ماشین نیاز به مجموعه داده های بزرگ، تمیز، برچسب زده شده است. داده های بازرسی پل اغلب کم است، با گزارش متناقض در سراسر حوزه قضایی، داده های سنسور ممکن است شامل شکاف، سر و صدا یا چرخش کالیبراسیون باشد. همجوشی داده از منابع ناهمگنیک همچنان یک چالش فنی است.

قابلیت پیش بینی مدل Interpretability

مدل های جعبه سیاه با کارایی بالا (به عنوان مثال، شبکه های عصبی عمیق) تفسیر، ایجاد مقاومت در میان مهندسان و تنظیم کنندگان که نیاز به درک چرا پیش بینی ساخته شده است، تکنیک های AI قابل توضیح مانند LIME و SHAP شفافیت را بهبود می بخشد، اما پذیرش آن ها اغلب مدل های ساده تر (به عنوان مثال تصمیم گیری، درختان) را ترجیح می دهد که قوانین تصمیم گیری را حتی اگر دقیق تر باشد، ارائه می دهند.

ادغام با سیستم های مدیریت دارایی موجود

بسیاری از آژانس ها از نرم افزار میراث برای مدیریت پل (به عنوان مثال، Pontis /BrM) استفاده می کنند که خروجی های یادگیری ماشین را یکپارچه می کند، نیاز به API های سفارشی، فرمت داده ها و تنظیمات گردش کار دارد.مدیریت تغییر و آموزش کارکنان اغلب نادیده گرفته می شوند اما برای استقرار موفق حیاتی هستند. استانداردهای Interoperability [F:1]

تعمیم در سراسر انواع پل

مدل های آموزش دیده بر روی یک نوع پل (به عنوان مثال، girder فولادی) ممکن است به دیگری انتقال ندهند (به عنوان مثال، قوس بتنی) هر پل به دلیل طراحی، مواد، محیط زیست و بارگیری تاریخ منحصر به فرد است. ایجاد مدل های قوی نیاز به آموزش در مجموعه داده های مختلف، اغلب در سراسر سازمان های متعدد، افزایش داده ها و به اشتراک گذاری نگرانی ها دارد.

مسیر های آینده و روند نوظهور

این زمینه به سرعت در حال تکامل است، با چندین پیشرفت امیدوار کننده در افق:

  • دوقلوهای دیجیتال: ، نسخه های مجازی زمان واقعی از پل هایی که داده های SHM، پیش بینی ML و مدل های عنصر محدود را ادغام می کنند، این اجازه می دهد سناریوهای "چه وقت" برای استراتژی های تعمیر و نگهداری و رتبه بندی بار.
  • شبکه های عصبی آگاهانه (PINNs): مدل های ترکیبی که قوانین فیزیکی (به عنوان مثال، روابط استرس) را به یادگیری عمیق، بهبود دقت با داده های محدود و افزایش قابلیت تفسیر، جاسازی می کنند.
  • یادگیری اجباری: چندین مدل قطار به طور مشترک بدون به اشتراک گذاشتن داده های خام، حفظ حریم خصوصی در حالی که ساخت مدل های بزرگ تر.
  • محاسبات خط: استقرار مدل های سبک ML در سنسورها یا دروازه های محلی تاخیر و نیازهای پهنای باند را کاهش می دهد، که باعث می شود تشخیص ناهنجاری در زمان واقعی حتی در پل های دور افتاده.
  • تولید داده های مصنوعی برای تقویت مجموعه داده های بازرسی محدود، بهبود قوی مدل، همچنین مدل های بزرگ زبان ممکن است در تولید گزارش خودکار و استخراج دانش از یادداشت های بازرسی غیر ساختاری کمک کند.

نتیجه گیری

الگوریتم های یادگیری ماشین یک رویکرد تحول آمیز برای پیش بینی الگوهای تخریب پل، تغییر مدیریت زیرساخت از واکنش به فعال سازی ارائه می دهند.با استفاده از منابع داده مختلف - سنسور، بازرسی، محیط زیست و ترافیک - این مدل ها سیگنال های ظریف از تخریب را مدتها قبل از آسیب قابل مشاهده، گسترش دنیای واقعی از نیویورک برای نشان دادن صرفه جویی قابل توجه، خدمات گسترده، و بهبود ایمنی، بهترین ابزار یادگیری دقیق، به نظر می رسد، و سیستم های توجه دقیق، به نظر می رسد.