Introduzione

Il monitoraggio della salute strutturale (SHM) è la pratica di valutare continuamente o periodicamente la condizione di infrastrutture come ponti, edifici, dighe e gallerie. L'obiettivo è quello di rilevare danni, stimare la vita rimanente e guidare le decisioni di manutenzione prima che si verifichino guasti. I metodi SHM tradizionali si basano pesantemente sulle ispezioni visive manuali, le letture dei sensori periodici esaminate dagli esperti umani e gli avvisi basati su soglia semplici.

I progressi nell'intelligenza artificiale, soprattutto nell'apprendimento profondo, offrono un percorso trasformativo in avanti. I modelli di apprendimento approfondito possono imparare automaticamente le caratteristiche gerarchiche dei dati grezzi, individuare modelli complessi che indicano il degrado strutturale e operare in tempo reale. Negli ultimi cinque anni, la ricerca e le implementazioni sul campo hanno dimostrato che l'apprendimento profondo può migliorare significativamente l'accuratezza, la velocità e l'efficacia dei costi di SHM.

Comprendere l'apprendimento profondo per SHM

L'apprendimento approfondito è un ramo di machine learning che utilizza reti neurali artificiali con molti strati (quindi "profonde") per modellare relazioni complesse e non lineari nei dati.A differenza dei metodi tradizionali di machine learning che richiedono ingegneria manuale delle caratteristiche, modelli di apprendimento profondo estrae automaticamente le caratteristiche rilevanti durante la formazione. Questa capacità è particolarmente preziosa in SHM, dove le firme di danno possono essere sottili e variano ampiamente tra strutture, materiali e condizioni ambientali.

Neural Network Architectures Utilizzato in SHM

Diversi architetture di apprendimento profondo hanno dimostrato efficace per diversi tipi di dati SHM:

  • Reti neurali convoluzionali (CNN): Originariamente sviluppato per il riconoscimento delle immagini, CNNs eccelle al trattamento dei dati spaziali. In SHM, le CNN vengono applicate alle immagini di ispezione visiva (ad esempio, le fotografie delle superfici in cemento) per rilevare crepe, spalling, corrosione e delaminazione.
  • Rete neurali ricorrenti (RNN) e reti Long Short-Term Memory (LSTM):[ Queste architetture sono progettate per i dati sequenziali. Modellano dipendenze temporali in flussi di sensori come accelerometro, estensimetro, o letture di temperatura.
  • Autoencoders:[[] Modelli di apprendimento non supervisionati che imparano a ricostruire i dati operativi normali. Quando una struttura sviluppa danni, l'errore di ricostruzione aumenta, fornendo un punteggio di anomalia. Gli autoencoders sono popolari per problemi di classificazione di una classe in cui i dati di danno etichettati sono scarse.
  • Graph Neural Networks (GNNs): Emerging negli ultimi anni, GNNs opera su dati strutturati come grafici. Possono modellare reti di sensori come nodi e adiacenze spaziali come bordi, consentendo la localizzazione dei danni con maggiore precisione.

In pratica, molti sistemi SHM combinano architetture multiple, ad esempio utilizzando una CNN per elaborare segnali di vibrazione grezzi nelle caratteristiche, quindi alimentando queste caratteristiche in un LSTM per la modellazione temporale.

Applicazioni chiave dell'apprendimento profondo in SHM

Rilevamento automatico di danni da immagini e video

Ispezione visiva rimane il metodo SHM più comune, ma è resistente al lavoro e soggetta ad errore umano. I sistemi di visione del computer basati su apprendimento profondo automatizzano questo processo. Un condotto tipico comporta la cattura di immagini o fotogrammi di superfici strutturali utilizzando droni o telecamere fisse, quindi passarle attraverso un CNN addestrato a segmento o classificare i tipi di danno.

Identificazione di danno basata sulla vibrazione

I cambiamenti nelle proprietà dinamiche di una struttura, le frequenze naturali, le forme di modalità, i rapporti di smorzamento, indicano i danni. I modelli di apprendimento approfondito analizzano le storie di tempo di vibrazione degli accelerometri per classificare la posizione e la gravità dei danni. Un approccio comune tratta il segnale di accelerazione grezzo come serie di tempo e applica uno scenario artificiale 1D CNN o LSTM per distinguere tra stati sani, danneggiati e riparati.

Monitoraggio delle emissioni acustico

I sensori di emissione acustica (AE) catturano le onde elastiche ad alta frequenza generate dalla crescita della crepa, dalla rottura delle fibre o dalla delaminazione. I modelli di apprendimento profondo possono classificare i segnali AE nei meccanismi di origine (ad esempio, la matrice cracking vs. la fibra pullout in compositi).

Predictive Manutenzione e Rimanente Vita utile (RUL) Valutazione

I modelli di apprendimento approfondito imparano le tendenze di degrado dai dati dei sensori storici. Ad esempio, una rete LSTM può prendere una sequenza di misurazioni delle tensioni nel corso di mesi e prevedere la durata di fatica rimanente di una trave in acciaio. L'apprendimento dei trasferimenti aiuta quando i dati dei cuscinetti run-to-failure etichettati sono limitati, un modello pre-trained su dati simulati da un gemello digitale può essere regolato in modo eccellente sui progetti di espansione reali.

Rilevamento dell'anomalia in tempo reale con il calcolo del bordo

Per il monitoraggio continuo, la trasmissione di tutti i dati dei sensori grezzi al cloud può essere a banda larga e latenza sensibile. L'elaborazione dei bordi abbinata a modelli di deep learning leggeri consente un rilevamento in tempo reale dell'anomalia sul posto. Un dispositivo come un NVIDIA Jetson o Google Coral può eseguire una CNN quantizzata che contrassegna i modelli di vibrazioni anormali all'interno di millisecondi.

Vantaggi di SHM Profondamente Apprendimento-Potenza

  • Cerca precisione di rilevazione più elevata:[ Le analisi delle meta-analisi degli studi pubblicati mostrano che i modelli di apprendimento profondo spesso raggiungono tassi positivi veri e propri del 5-15% per il rilevamento delle crepe rispetto all'ispezione manuale o all'apprendimento tradizionale delle macchine, con un tasso negativo inferiore.
  • Costo e tempo di ispezione ridotti:[[] I controlli visivi automatizzati basati su droni con CNNs possono sondare un ponte di 500 metri in meno di un'ora e elaborare le immagini durante la notte. L'ispezione tradizionale dell'accesso alla corda potrebbe richiedere un equipaggio di tre persone per due giorni.
  • Il monitoraggio continuo delle aree inaccessibili:[ L'apprendimento approfondito consente il monitoraggio di aree difficili o pericolose per gli esseri umani da raggiungere, come la parte inferiore di un ponte o l'interno di un sistema di parete tenda di un edificio alto.
  • Sistemi di allarme rapido:[]] Analizzando tendenze piuttosto che semplici soglie, i modelli di apprendimento profondo possono emettere avvisi settimane o mesi di anticipo. Ad esempio, un strisciante di monitoraggio LSTM in un ponte di arco concreto ha avvertito gli ingegneri di movimento anormale due mesi prima che una crepa critica apparisse.
  • Adattibilità a diversi tipi strutturali:[ Con l'apprendimento del trasferimento, un modello formato su un ponte può essere adattato rapidamente ad un ponte simile con pochi giorni di riqualifica dei dati, riducendo la necessità di grandi set di dati etichettati per ogni nuova struttura.

Sfide e Limitazioni attuali

Nonostante la sua promessa, l'integrazione di deep learning nei sistemi operativi SHM affronta ostacoli significativi che la comunità ingegneristica sta affrontando attivamente.

Qualità e quantità dei dati

Molti dispiegamenti SHM generano enormi quantità di dati, ma che i dati sono spesso non etichettati (non esiste la verità di base sui danni) o contiene alti livelli di rumore dalle vibrazioni ambientali (vento, traffico, pedoni). Ottenere dati di danno etichettati, soprattutto per eventi rari o gravi, è costoso e talvolta impossibile senza causare danni deliberati ad una struttura.

Modello Interpretibilità

Gli ingegneri e gli organismi di regolamentazione devono capire perché un modello ha contrassegnato un'anomalia. Le reti neurali profonde sono spesso "scatole nere". Tecniche come i meccanismi di attenzione, Grad-CAM (per le CNN sulle immagini), e i valori SHAP possono fornire spiegazioni parziali, ma non sono ancora standardizzati per SHM. Senza l'interpretazione, i proprietari di infrastrutture possono essere riluttanti ad agire sulle uscite di modello, soprattutto nelle decisioni di evacuoghi su ponti di costruzione di alta o di costruzione.

Generalizzazione tra strutture e ambienti

Un modello formato su dati provenienti da un ponte di tronchi d'acciaio in un clima temperato non può essere eseguito bene su un ponte di canapa in calcestruzzo in una regione di monsoon tropicale. Le differenze nelle proprietà materiali, geometria, posizionamento dei sensori e condizioni ambientali causano spostamenti di distribuzione. L'adattamento del dominio e l'apprendimento multi-task sono aree di ricerca attive, ma le soluzioni valutate sul campo rimangono rare.

Integrazione con le infrastrutture esistenti

L'integrazione di un motore di inferenza di apprendimento profondo richiede sia la retrofitting con dispositivi di bordo o la modifica di cloud pipeline. Il costo upfront e la sicurezza informatica preoccupazioni spesso lento adozione. Inoltre, la manutenzione a lungo termine di modelli di apprendimento profondo (riqualificare come deriva di comportamento strutturale) richiede competenze che molte aziende di ingegneria civile attualmente mancano.

Le tendenze e le tendenze della ricerca

Gemelli digitali e reti neurali informati dalla fisica (PINN)

Un gemello digitale è una replica virtuale ad alta fedeltà di una struttura continuamente aggiornata con i dati dei sensori. I modelli di apprendimento approfondito possono essere incorporati all'interno di gemelli digitali per prevedere la risposta strutturale sotto vari scenari. Le reti neurali informati dalla fisica incorporano le equazioni di governo delle simulazioni strutturali (ad esempio, la formulazione degli elementi finiti) nella funzione di perdita, assicurando che le previsioni siano fisicamente plausabili.

Imparare fedelmente per la privacy-Preservare SHM

In molti paesi, i dati dei sensori provenienti da infrastrutture critiche sono sensibili. I modelli di apprendimento federati in più strutture senza condividere dati grezzi; vengono scambiati solo i gradienti del modello. Questo permette ad una rete di ponti monitorati da diverse agenzie di imparare collettivamente un rivelatore di anomalia più robusto nel rispetto della sovranità dei dati. Un progetto pilota finanziato dalla Commissione Europea sta testando SHM federati su cinque ponti in tre paesi, con risultati promettenti.

Imparare e imparare a fare i bagagli

Per superare la scarsità di dati di danno etichettati, l'apprendimento del trasferimento consente un modello pre-trained su un set di dati di grande origine (ad esempio, caratteristiche di danno simulato o immagini di superfici di cemento generico) di essere fine-tuned con solo una manciata di esempi etichettati dal ponte di destinazione.

Standardizzazione e Linee guida

L’Organizzazione Internazionale per la Standardizzazione (ISO) e la American Society of Civil Engineers (ASCE) stanno lavorando su standard per SHM assistiti dall’IA. Le tematiche includono requisiti minimi di dataset, protocolli di convalida del modello, soglie di precisione accettabili e formati di report.

Fusione del sensore multi-modulare

I futuri sistemi SHM fonderanno i dati da accelerometri, estensimetri, telecamere, sensori acustici e persino da satellite InSAR (Interferometric Synthetic Aperture Radar) per la deformazione del terreno.

Conclusioni

L'apprendimento approfondito della società sta ridisegnando il monitoraggio della salute strutturale, consentendo una valutazione automatizzata, accurata e continua dei ponti e degli edifici.Dal rilevamento delle crepe in calcestruzzo utilizzando le CNN alla previsione della vita residua con le LSTM, questi metodi si stanno muovendo dalla ricerca accademica alla distribuzione del mondo reale.I vantaggi— Maggiore accuratezza di rilevamento, costi di ispezione ridotti, avvisi in tempo reale e avvisi di prima necessità—sono ben documentati.

Per ulteriori informazioni, un articolo di revisione completo pubblicato in ]Mechanical Systems and Signal Processing (2021)[[]] indagini su oltre 300 documenti sull'apprendimento profondo per SHM.