כיצד להשתמש ב- Data Analytics כדי לשפר את ניהול הנכסים של Bridge

הדחף הגדל לניהול גשר של Data-Driven Bridge Management

ברחבי ארצות הברית לבדה, מעל 600,000 גשרים נושאים מיליוני כלי רכב בכל יום.על פי האגודה האמריקנית של מהנדסים אזרחיים (ASCE) 2021 דוח תשתיות CardcioFLT:1, יותר מ-40% מהגשרים האלה הם לפחות 50 שנים, וכמעט 8% מסווגים כניהול נכסים מסורתיים של הגשר - על בדיקות חזותיות ותיקון חוזר - אינו מספק יותר מ- 25 מיליארד דולר, אשר מרחיב את תחום ניהול נכסים, אשר אינו מספק יותר מגובהו של ניהול נכסים, 000 דולר, 000, 000, 000, 000, 000, אשר מספק יותר, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000 יותר מניהול נכסים מתקדמים יותר מניהול נכסים מתקדמים יותר מניהול נכסים מתקדמים יותר מניהול נכסים מתקדמים יותר מניהול נכסים מסורתיים, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000

ניתוח נתונים בניהול גשר פירושו איסוף שיטתי, עיבוד, ופרש כרכים גדולים של נתונים מובנים ולא מבנים כדי ליידע החלטות על תדירות בדיקה, עדיפות תחזוקה, שיטות תיקון ותכנון הון.כאשר ייושמו כראוי, הוא הופך את קוראי חיישן גולמי, רשומות בדיקה, ו יומני סביבה לתובנות ניתנות פעולה המאפשרות לסוכנויות לחזות הידרדרות, עדיפות השקעות, וזיהוי סיכון עם דיוק גדול יותר מאשר שיטות מסורתיות.

מקורות נתונים מרכזיים ל- Bridge Analytics

ניתוח יעיל מתחיל עם נתונים חזקים ומגוונים.המקורות הבאים הם הבסיס של כל תוכנית ניהול גשר מודרנית.

ניטור בריאותי (SHM) Sensor Networks

חיישנים מותקנים באופן קבוע - מדפי זנים, מדצי זנים, מטומטמים ועקירה - מספקים נתונים בזמן אמת או ליד-מציאות על תגובה מבנית.סיבים אופטיים ו-MeMS אלחוטי (Micro-Electro-Mechanical Systems) הם נפוצים יותר ויותר.מערכות אלה לזהות אנומליות כגון רטט מופרז, סטיות, סטיות, או סדקים ארוכים לפני שהם נראים לעין מספר LTF (HF) יש יותר ויותר נפוץ.

National Bridge Inventory (NBI) נתונים ודיווחים על

FHWA שומרת על הגשר הלאומי של ממציאי, הכולל דירוגים מצב עבור הסיפון, מבנה סופר, תת-מבנה, ו culverts עבור כל גשר מעל 20 רגל. כל בדיקה מייצרת קודים נומרניים (0-9 בתוספת הערות נרטיביות. Analytics יכול מכרה את הדירוגים ההיסטוריים האלה כדי לזרז את עקומות המודל, לזהות חומר מערכתי או בעיות עיצוב, ומודלים חיזוייים מקיפים.

סחר וטעינה נתונים

נפח, שיעור, משקל ונתוני מהירות של מערכות משקל (WIM) ודלפק התנועה משפיעים ישירות על חיי עייפות.שחיתות של חלוקת משקל משאית עם נתוני חיישן מאפשר הערכת עייפות פרוביביליסטית. Agencies יכול גם להשתמש מגמות צמיחה התנועה ההיסטורית כדי לחזות תרחישים טעינה עתידיים ולהתאים מרווחי בדיקה בהתאם.

מידע סביבתי וקלימי

חשיפה מלח, מחזורי קפואה, לחות ודפוסי רוח מניעים קורוזיה והשפלה קונקרטית. integrating נתונים בתחנת מזג אוויר מקומית או מודלים אקלים מעוגל (למשל, מ- NOAA) עם מודלים הידרדרות משפרים את הדיוק. לדוגמה, גשרים באזורי החוף עם חשיפה גבוהה כלור דורש ניטור קורוזי אגרסיבי יותר מאשר גשרים עם מאפיינים מבניים.

תחזוקה היסטורית, תיקון וכישלון רשומות

כל תיקון העבר - עיין על פניות, החלפה, אמצעי מניעה רבים - מספק נקודת נתונים על מה עובד ומה לא.פרטי סיפורי עבודה, כולל סוגים חומריים, ביצועים קבלנים ונתוני עלות, להאכיל לתוך מודלים עלות מחזור חיים (LCCA) ולעזור לחדד המלצות ניתוח מרשם.

מערכת מידע גיאוגרפית (GIS) Layers

נתוניםספאטיים כגון קרבה למים, אזורי סיכון סיסמיים, סוגי הקרקע והשימוש בקרקע הסמוך הם קריטיים עבור ניקוד סיכונים. overlaying Bridge מיקומים עם מפות מצפות, קווי תקלות, ואזורים רגישים מפולת יוצרים פרופיל סיכון מקיף המודיע הן תחזוקה והן תכנון הון.

גישות אנליטיות שמשפרות את קבלת ההחלטות

ניתוח נתונים אינו טכניקה אחת; הוא משתרע על ספקטרום מדיווח בסיסי לאופטימיזציה מתוחכמת.התוכניות היעילות ביותר לניהול גשר מעסיקות את כל ארבעת הרמות של ניתוח.

Analytics תיאורי: מה קורה?

דשורדות ודוחות מותאמות אישית מסכמים את המצב הנוכחי, בדיקה לאחור ומגמות ההוצאות מאפשרות למנהלים לראות את התמונה הגדולה במבט.לדוגמה, מחלקת תחבורה מחוזית עשויה להשתמש בלוח נתונים Power BI או Tableau כדי לעקוב אחר הגשרים יש את דירוגי הכדאיות הנמוכה ביותר, אשר הם מעל לבדיקה, וכיצד קרנות תחזוקה מוקצות על פני מחוזות.

ניתוח אבחון: למה זה קורה?

כאשר גשר מראה הידרדרות מואצת, ניתוח אבחון תרגילים לתוך שורש גורמים.טכניקות כוללות קורלציה סטטיסטית (למשל, קישור של ספיגה קונקרטית לשימוש מלח גבוה), ניתוח רגרסציה על גורמים סביבתיים, ואפילו מערכי למידה מכונה המזהים כי שילוב של משתנים ביותר מנבאים סדקים.זה עוזר למהנדסים להחליט אם לשנות מפרטים חומריים, לנקז, או לשנות שיטות דה-דאליות.

Analytics חיזוי: מה יקרה בהמשך?

זהו המקום שבו ניתוח נתונים מספק את הערך הגדול ביותר שלו.מודלים של למידת מכונות - כגון יערות אקראיים, ⁇ שיפור או רשתות עצביות - מוגבל על נתוני בדיקה היסטוריים, קריאות חיישן, ומשתנים סביבתיים יכולים לצפות דירוגים של כל רכיב גשר שנים לתוך העתיד. לדוגמה, מודל עשוי לחזות כי גשר מיתר פלדה עם דירוג superstructure ראשוני של 6 יפחת לדירוג 4 בתוך שמונה שנים תחת תנועה וחשיפה הנוכחית יכול למנוע את לוח הזמנים של הגנה עלות, או ירידה יעילה עלות, אז, ירידה של פלדה, או לוח הזמנים של הגנה עלות, ירידה יעילה ביותר של הגנה עלות, או ירידה יעילה ביותר של פלדה, ירידה יעילה עלות, ירידה ברמת דיוק, ירידה של הגנה עלות, ירידה במשקל, או לוח זמנים של עלייה יעילה ביותר של עלייה יעילה, ירידה של עלייה יעילה עלות, או ירידה של עלייה יעילה ביותר של עלייה של פלדה, ירידה של מחזורית, ירידה של הגנה עלות גבוהה של מחזורית, ירידה של מחזורית, ירידה של מחזורית, או לוח זמנים של מחזורית, ירידה של מחזורית עלות גבוהה של מחזורית עלות גבוהה של מחזורית עלות גבוהה של שישה קומות.

ההנחיות של FHWA:0 (BMS) של מערכת ניהול (BMS) 1Felo עכשיו מעודדות את השימוש במודלים של התדרדרות פרוביביליסטית ולא עקומות ⁇ , כי נתונים בעולם האמיתי לעתים קרובות מראה אמינות משמעותית. ניתוח חיזוי תומך גם "בדיקה מבוססת תנאי", צמצום ביקורים באתר מיותרים תוך שמירה על מבנים בסיכון.

Analytics ראשוני: מה עלינו לעשות?

ניתוח מרשם הולך צעד אחד קדימה על ידי המלצה על פעולות אופטימליות.שימוש באלגוריתמים אופטימיזציה - תכנות לינארי, אלגוריתמים גנטיים או סימולציה - המערכת יכולה להעריך מאות לוחות זמנים תחזוקה והחלפתיים אפשריים תחת מגבלות תקציביות: "אם יש לנו 5 מיליון דולר בחמש השנים הקרובות, שעשר גשרים צריכים לתקן תחילה כדי למקסם את הבטיחות ולהקטין את התחזוקה המופרעת או "האם עלינו להחליף את הגשר הזה, או לבצע פעולות משמעותיות בחמש שנים", כדי לשלב את השיקום, חמש שנים, או להחליף מדיניות החלטיות?"

יישום Analytics ב- Bridge Management Practice

מעבר מהתאוריה לפרקטיקה דורש תכנון זהיר, השקעה ושינוי ארגוני.הצעדים הבאים חיוניים ליישום מוצלח.

בניית פלטפורמת נתונים בלתי מזוינת

רוב הסוכנויות מאחסנות נתונים ב-Silos: רשומות בדיקה במסד נתונים אחד, נתוני תנועה באחר, מערכות פיננסיות בשלישי.אגם נתונים מבוסס ענן או מחסן שמצמצילים ומזיקים לכל המקורות הרלוונטיים הוא הבסיס לממשקי תכנות יישומים (APIs) מאפשרים לפלטפורמות חיישן לייעל נתונים באופן קבוע.

השקעה באיכות המידע ובממשלה

Analytics הוא רק טוב כמו הנתונים להאכיל אותו.ייסד כללים איכותיים של שלמות, דיוק, וזמן.לדוגמה, דורש שכל דוח בדיקה כולל דירוגים ותצלומים עקביים של רכיבים ותצלומים התואמים למיקום הגשר.מדיניות של ממשל מי יכול לגשת, לשנות ולשתף נתונים. ביקורת רגילה לעזור לתפוס את נהלי איסוף הנתונים (למשל, מפקח חדש באמצעות קריטריונים שונים).

לפתח בבית או שותף עם מומחים

לא לכל סוכנות יש מדעני נתונים על צוות.אופציות כוללים גיוס יועצים מיוחדים, שותף לקבוצות מחקר באוניברסיטה, או השתתפות במחקרי מימון מוכנסים באמצעות ה-FLT:0) ועדת המחקר של Transportation Board (TRB)FLT:1 . חלק מהסוכנויות יוצרות צוותים בין-תחומיים של מהנדסים אזרחיים, מומחי IT ואנליסטים נתונים שעובדים יחד על פרויקטים של טייס לפני הגדלה.

התחל עם פרויקטים של טייסים High-Impact

בחרו שניים או שלושה שיעורי גשר המייצגים חלק משמעותי של המלאי ויש להם מספיק נתונים היסטוריים.ליישם מודלים חיזוייים או מרשם לאלה הראשון.מד תוצאות - כגון תיקונים מופחתים חירום, שיפור דירוגי מצב, או חיסכון בעלויות - ולהשתמש בתוצאות אלה כדי לבנות תמיכה באימוץ רחב יותר.לדוגמה, טייס על גשרי פלדה על גבי גלדר פלדה על פני מים עשוי להראות כי ציור מוקדם מופעל על ידי חיישן corrosion נתונים המשתרע על ידי 5 שנים.

מהנדסי רכבת ומקבלי החלטות

טכנולוגיה לבדה אינה מספקת.צוות חייב להבין כיצד לפרש פלטי מודל, הנחות אתגר, ושילוב ניתוח לתוך חייזרי עבודה יומיומיים. לפתח מודולים הכשרה על מגרשי תיבת קריאה וסיכון, לפרש מרווחי אמון במודל, ולתקשר ממצאים אנליטיים לגורמים נבחרים והציבור.המטרה היא תרבות שבה החלטות נתונים הן נורמה, לא יוצא דופן.

יישומים אמיתיים ומקריות

כמה סוכנויות תחבורה כבר הוכיחו הטבות למדידה מהשקעות ניתוח נתונים.

• (FLT:0Caltrans (California Department of Transportation): FLT) 1 יישום מודל למידת מכונה באמצעות נתוני NBI וספירת התנועה כדי לאשר רטרוfits סיסמית'ס.המודל זיהה 12% מהגשרים שמהווים 40% מכלל הסיכון הסיסמיטי, המאפשרים הוצאות ממוקדות של קרנות רטרופיט מוגבלות.
• (FLT:0) מחלקת התחבורה של מדינת ניו יורק (NYSDOT): ®FLT:1 , Deployed Wireless SHM חיישנים על 30 גשרים עיקריים והשתמש בניתוח חיזוי כדי לעבור מבדיקה מבוססת זמן עד למצב.הסוכנות דיווחה על ירידה של 25% בעלויות בדיקה ללא סיכון גובר, שחרור מפקחים למבנים עתירי עדיפות גבוהה יותר.
• (FLT:0City of הלסינקי, פינלנד:FLT:1 Integrated בזמן אמת נתונים עם פלטפורמה תאומה דיגיטלית עבור גשר קבוע כבל, מודלים חיזוי זיהוי דפוסי פירוק חוט ונומאסי תנועה, התראה צוותי תחזוקה בתוך דקות.המערכת מנעה שני הסגרים אפשריים חירום מאז 2020.

דוגמאות אלה מראות כי ניתוח נתונים אינו פעילות תיאורטית - הוא מספק יתרונות תפעוליים וכלכליים מוחשיים כאשר הוא מיושם עם מטרות ברורות ותמיכה מוסדית.

אתגרים וכיצד להתגבר עליהם

למרות ההבטחה, סוכנויות מתמודדות עם מכשולים אמיתיים שיכולים לפגוע ביוזמות ניתוח אם לא לטפל בהם באופן יזום.

איכות נתונים והתאמה

נתוני בדיקת Legacy עשויים להיות בכתב יד, לא עקביים או חסרים.מערכות שונות משתמשות בקנה מידה לא תואמים של דירוג או ייעוד: להשקיע בכלי ניקוי נתונים וטרנספורמציה, לאמץ סטנדרטים פתוחים, ולאכיפת איכות בשלב הכניסה. שקול להשתמש ב- NLP כדי לחלץ נתונים מדיווחי נייר ישנים.

מגיפות סקיל והתנגדות תרבותית

מהנדסים עשויים לא להפקיד מודלים "קופסא שחורה" של מנהלים מסוימים מעדיפים אינטואיציה מבוססת ניסיון: לערב מהנדסים בפיתוח מודל כדי שהם מבינים הנחות ומגבלות. להראות תוצאות אימות שבו המודל תואם תוצאות ידועות.התחל עם ניתוח תיאורי / אבחון לפני המעבר לתחזיות.

עלויות מימון וטכנולוגיה

חומרה חושית, מחשוב ענן ותוכנה מיוחדת דורשים השקעה מקדימה.פתרון: להפגין את ROI באמצעות פרויקטים של טייס, החל מענקים פדרליים (למשל, תוכנית Analytics הנתונים המתקדמת של FHWA), ולבחון יישום בשלב זה.

אבטחת סייבר ופרטיות נתונים

נתוני חיישן ומאגרי מידע מרכזיים מציגים משטחים חדשים של התקפה: לעקוב אחר מסגרת אבטחת סייבר NIST, להצפין נתונים במעבר ובמנוחה, וליישם בקרת גישה מבוססת תפקידים. עבור גשרים קריטיים, לשמור על נתוני חיישן על רשת נפרדת (אוויר-גפ) כ-Acc-Safe-Safe.

מגמות עתידיות: בינה מלאכותית, תאומים דיגיטליים, והערכה אוטונומית

תחום ניתוח הנתונים לניהול הגשר מתפתח במהירות. מצפה שההתפתחויות הללו יהפכו למיינסטרים בתוך חמש עד עשר השנים הקרובות.

• (FLT:0) אינטליגנציה מלאכותית (AI) ו- Deep Learning:BuildFLT:1 מודלים AI מאומן על אלפי תמונות בדיקה עכשיו יכול לזהות סדקים, חלודה, ספאלים, וחשוף ריבר עם דיוק מתקרב זה של מפקחים אנושיים. בשילוב עם תמונות מל"טים, AI יכול להתאים את החלק החזותי של בדיקות, צמצום עלות ושיפור עקביות.
• (FLT:0) תאומים: FLT:1 עותק וירטואלי של גשר המעדכן בזמן אמת מהנתונים של חיישן ובדיקות.מהנדסים יכולים להפעיל את מה שתרחישים (למשל רעידת אדמה 7.0, שיטפון של 50 שנה) על התאום כדי לראות מצבי נזק סביר ותכנון סטיות.
• (FLT:0) רובוטים של Inspection Inspection:cioFLT:1) מטפסים רובוטים, מל"טים תת-קרקעיים ומערכות ראיית כבל אוספים נתונים במקומות מסוכנים או בלתי נגישים.כאשר הם יחד עם AI וניתוח, הם מספקים ניטור מצב רציף ולא תמונות תקופתיות.

מסקנה

ניתוח נתונים הופך את ניהול נכסים הגשר ממשמעת ממוקדת, ממוקדת בדיקה לתוך מדע פרואקטיבי, חיזוי, וקדם-מרשם.על ידי שילוב רשתות חיישן, רשומות בדיקה, נתוני תנועה, וקלטים סביבתיים לתוך מסגרת אנליטית מאוחדת, סוכנויות יכולות להרחיב את חיי הגשר, לשפר את הבטיחות הציבורית, ולהשיג חיסכון משמעותי בעלויות.המסע דורש השקעה בטכנולוגיה, ממשל נתונים ואנשים, אבל החזרה - מגובה פחות תיקונים חירום, להתחיל מחדש של סוכנויות אבטחה דיגיטלית, כמו גם היום, כמו גם שיפור יעילות גבוהה יותר.