Inleiding

Structurele gezondheidsmonitoring (SHM) is de praktijk van continue of periodieke beoordeling van de toestand van infrastructuur zoals bruggen, gebouwen, dammen en tunnels. Het doel is om schade te detecteren, de resterende levensduur te schatten en onderhoudsbeslissingen te leiden voordat er storingen optreden. Traditionele SHM-methoden zijn sterk afhankelijk van handmatige visuele inspecties, periodieke sensormetingen die door menselijke experts worden beoordeeld, en eenvoudige drempelgebaseerde waarschuwingen. Hoewel deze benaderingen al decennia worden gebruikt, hebben ze te maken met verschillende goed gedocumenteerde beperkingen: inspecties zijn duur en tijdrovend, subjectieve interpretatie kan subtiele schade missen, en handmatige dataanalyse kan geen gelijke tred houden met het volume van gegevens gegenereerd door moderne sensornetwerken.

Vooruitgang in kunstmatige intelligentie en met name diep leren biedt een transformatieve weg vooruit. Deep learning modellen kunnen automatisch hiërarchische functies leren van ruwe gegevens, complexe patronen detecteren die structurele afbraak aangeven, en in real time werken. In de afgelopen vijf jaar hebben onderzoek en veld implementaties aangetoond dat diep leren de nauwkeurigheid, snelheid en kosteneffectiviteit van SHM aanzienlijk kan verbeteren. Dit artikel biedt een grondig overzicht van hoe diep leren wordt toegepast om bruggen en gebouwen, de technische funderingen, belangrijke toepassingsgebieden, voordelen, uitdagingen en veelbelovende toekomstige richtingen te monitoren.

Begrijpen Deep Learning voor SHM

Deep learning is een tak van machine learning die gebruik maakt van kunstmatige neurale netwerken met vele lagen (vandaar "diep") om complexe, niet-lineaire relaties in data te modelleren. In tegenstelling tot traditionele machine learning methoden die handmatige functie engineering vereisen, halen diep leren modellen automatisch relevante functies tijdens de training. Deze mogelijkheid is vooral waardevol in SHM, waar schade handtekeningen subtiel kunnen zijn en sterk kunnen variëren tussen structuren, materialen en milieuomstandigheden.

Neurale netwerkarchitectuur gebruikt in SHM

Verschillende diep lerende architecturen hebben bewezen effectief voor verschillende soorten SHM-gegevens:

  • Convolutionaire Neurale Netwerken (CNNs): Oorspronkelijk ontwikkeld voor beeldherkenning, excelleren CNNs bij het verwerken van ruimtelijke gegevens. In SHM worden CNNs toegepast op visuele inspectiebeelden (bv. foto's van betonoppervlakken) om scheuren, spalling, corrosie en delaminatie te detecteren. Ze worden ook gebruikt met tijdfrequentieweergaven van trillingssignalen (spectrograms) om schadetoestanden te classificeren.
  • Recurrent Neural Networks (RNNs) and Long Short-Term Memory (LSTM) networks:[ Deze architecturen zijn ontworpen voor sequentiële data. Ze modelleren temporale afhankelijkheden in sensorstromen zoals versnellingsmeter, stammeter of temperatuurmetingen. LSTM's kunnen met name langetermijnpatronen vastleggen en worden op grote schaal gebruikt voor anomaliedetectie en resterende levensduurvoorspelling.
  • Autocoders: Onbeheerste leermodellen die leren normale bedrijfsgegevens te reconstrueren. Wanneer een structuur schade ontwikkelt, neemt de reconstructiefout toe, waardoor een anomaliescore wordt verkregen. Autocoders zijn populair voor problemen met een klasse classificatie waarbij gelabelde schadegegevens schaars zijn.
  • Graph Neural Networks (GNNs): De afgelopen jaren zijn GNN's opgekomen op data die als grafiek zijn gestructureerd. Ze kunnen sensornetwerken modelleren als knooppunten en ruimtelijke adjacencies als randen, waardoor de lokalisatie van schade met een hogere nauwkeurigheid kan worden verbeterd.

In de praktijk combineren veel SHM-systemen meerdere architecturen. Bijvoorbeeld, met behulp van een CNN om ruwe trillingssignalen te verwerken tot functies, en vervolgens voeden deze functies tot een LSTM voor temporale modellering.

Belangrijkste toepassingen van Deep Learning in SHM

Automatische schadedetectie van afbeeldingen en video's

Visuele inspectie blijft de meest voorkomende SHM-methode, maar het is arbeidsintensief en vatbaar voor menselijke fouten. Diep lerende computersystemen automatiseren dit proces. Een typische pijpleiding omvat het vastleggen van beelden of videoframes van structurele oppervlakken met behulp van drones of vaste camera's, vervolgens door een CNN opgeleid om schadetypes te segmenteren of classificeren. Bijvoorbeeld, een aangepaste U-Net architectuur kan scheuren in beton met pixel-niveau nauwkeurigheid detecteren, het bereiken van F1 scores boven 95%. Soortgelijke benaderingen detecteren roest op stalen bruggen, losse bouten, en bestrating verdriet. Onderzoekers aan de Universiteit van Tokyo hebben aangetoond dat een lichtgewicht CNN model kan draaien op randapparatuur (bijv. een Raspberry Pi met een camera) om real-time crack waarschuwingen op bruggen te bieden. Een externe bron van a 2019 studie in Engineering Structures[]]] toont een dergelijk diep leerkader voor concrete detectie van scheuren.

Identificatie van de op trillingen gebaseerde schade

Veranderingen in de dynamische eigenschappen van een structuur . natuurlijke frequenties, mode vormen, demping ratio's . . . diepe leren modellen analyseren vibratie tijd geschiedenissen van acceleratoren om schade locatie en ernst classificeren . Een gemeenschappelijke aanpak behandelt de ruwe acceleratie signaal als een tijdreeks en past een 1D CNN of LSTM om onderscheid te maken tussen gezonde, beschadigde en gerepareerde toestanden . Een opmerkelijk voorbeeld is het gebruik van een gestapelde autoencoder gecombineerd met een softmax classifier op gegevens van de Z24 Bridge in Zwitserland , waarbij 98% nauwkeurigheid in het identificeren van kunstmatige schade scenario's (zie ]dit open-access artikel in Sensors, 2020[]).

Monitoring van akoestische emissies

Akoestische emissie (AE) sensoren vangen hoogfrequente elastische golven gegenereerd door scheurgroei, breuk van vezels of delaminatie. Diep leren modellen kunnen AE signalen classificeren in bronmechanismen (bijv., matrix kraken vs. vezel pullout in composieten). Convolutionele neurale netwerken toegepast op de ruwe tijd-domein AE golfvormen hebben de traditionele feature-gebaseerde classifiers outformed, vooral wanneer meerdere schadetypes naast elkaar. Een 2021 studie van KAIST gebruikt een hybride CNN-LSTM model om AE hits classificeren van stalen bruggen met 96% nauwkeurigheid.

Voorspelling voor onderhoud en resterende gebruikservaring (RUL) Schatting

Prognostics streven ernaar om te voorspellen wanneer een component zal falen. Deep learning modellen leren degradatie trends uit historische sensorgegevens. Bijvoorbeeld, een LSTM netwerk kan een reeks van stammetingen over maanden en voorspellen de resterende vermoeidheid levensduur van een stalen ligger. Transfer learning helpt wanneer gelabeld run-to-failure data is beperkt een model voorgetraind op gesimuleerde gegevens van een digitale tweeling kan worden verfijnd op echte sensor metingen. De Amerikaanse Federal Highway Administration heeft gefinancierd projecten te verkennen deze aanpak voor brug lagers en uitbreidingsverbindingen.

Real-time anomalie detectie met rand computing

Voor continue monitoring kunnen alle ruwe sensorgegevens naar de cloud worden verzonden met bandbreedte-intensieve en latency-gevoelig. Randcomputers gekoppeld aan lichtgewicht diep leren modellen maken het mogelijk om real-time anomalie detectie ter plaatse. Een apparaat zoals een NVIDIA Jetson of Google Coral kan een gequantiseerde CNN uitvoeren dat abnormale trillingspatronen binnen milliseconden markeert. Wanneer een anomalie wordt gedetecteerd, wordt alleen het evenement-knipper (en de classificatie) naar een centrale server gestuurd, waardoor het datavolume drastisch wordt verminderd. Deze architectuur wordt ingezet op langeafstandsbruggen in China en Europa.

Voordelen van Deep Learning-Powered SHM

  • Hoger Detectie Nauwkeurigheid: Meta-analyses van gepubliceerde studies tonen aan dat diep leren modellen vaak 5
  • Verlaagde inspectiekosten en tijd: Geautomatiseerde visuele inspecties op basis van drone met CNNs kunnen een 500 meter brug in minder dan een uur onderzoeken en de beelden vannacht verwerken. Traditionele touwtoegangsinspectie kan twee dagen lang een driepersoons bemanning vereisen. Kostenbesparing van 60.80% zijn gemeld.
  • Continuous Monitoring of Inaccessibble Areas: Diep leren maakt het mogelijk om gebieden te monitoren die moeilijk of gevaarlijk zijn voor mensen, zoals de onderkant van een brug of het interieur van het gordijnwandsysteem van een hoog gebouw.
  • Vroeger waarschuwingssystemen: Door trends te analyseren in plaats van eenvoudige drempels, kunnen diep leren modellen weken of maanden van tevoren waarschuwingen geven. Bijvoorbeeld, een LSTM monitoring kruip in een betonnen boog brug waarschuwde ingenieurs voor abnormale beweging twee maanden voordat een kritieke scheur verscheen.
  • Aanpassendheid tot verschillende structurele typen: Met overdrachtsleren kan een model dat op één brug is opgeleid snel worden aangepast aan een soortgelijke brug met slechts enkele dagen omscholingsgegevens, waardoor de behoefte aan grote gelabelde datasets voor elke nieuwe structuur wordt verminderd.

Huidige uitdagingen en beperkingen

Ondanks zijn belofte, wordt het integreren van diep leren in operationele SHM-systemen geconfronteerd met aanzienlijke hindernissen die de ingenieursgemeenschap actief aanpakt.

Kwaliteit van de gegevens en hoeveelheid

Deep learning modellen zijn data-hongerig. Veel SHM implementaties genereren enorme hoeveelheden gegevens, maar die gegevens zijn vaak niet geëtiketteerd (geen grond waarheid over schade) of bevat hoge geluidsniveaus van omgevingstrillingen (wind, verkeer, voetgangers). Het verkrijgen van gelabelde schade gegevens, vooral voor zeldzame of ernstige gebeurtenissen, is duur en soms onmogelijk zonder het veroorzaken van opzettelijke schade aan een structuur. Synthetische gegevens van eindige element simulaties kunnen helpen, maar modellen die zuiver op synthetische gegevens vaak niet om te generaliseren tot echte stochastische omstandigheden.

Modelinterpreteerbaarheid

Ingenieurs en regelgevende instanties moeten begrijpen waarom een model een anomalie gemarkeerd. Diepe neurale netwerken zijn vaak "zwarte dozen." Technieken zoals aandachtsmechanismen, Grad-CAM (voor CNNs op afbeeldingen), en SHAP waarden kunnen gedeeltelijke verklaringen, maar deze zijn nog niet gestandaardiseerd voor SHM. Zonder interpretatie, infrastructuur eigenaren kunnen zijn terughoudend om te handelen op model outputs, vooral in high-stakes beslissingen over brug sluitingen of gebouw evacuaties.

Generalisatie Over structuren en omgevingen

Een model dat getraind is op data van een stalen trussbrug in een gematigd klimaat, kan niet goed presteren op een betonnen box-girder brug in een tropisch moessongebied. Verschillen in materiaaleigenschappen, geometrie, sensorplaatsing en omgevingsomstandigheden veroorzaken distributieverschuivingen. Domeinadaptatie en multi-task learning zijn actieve onderzoeksgebieden, maar veld-validated oplossingen blijven zeldzaam.

Integratie met bestaande infrastructuur

Veel bestaande SHM-systemen zijn gebouwd op legacy hardware en software die communiceren via propriëtaire protocollen. Integreren van een deep learning inferentie engine vereist ofwel retrofit met randapparatuur of het wijzigen van cloudpipelines. De upfront kosten en cybersecurity gaat vaak over een langzame adoptie. Daarnaast, lange termijn onderhoud van diep leren modellen (heropleiding als structurele gedragsdriften) vereist expertise die veel civiele ingenieursbedrijven momenteel niet.

Digitale tweeling- en natuurkunde-geïnformeerde Neurale Netwerken (PINN's)

Een digitale tweeling is een virtuele replica van een structuur met hoge betrouwbaarheid die continu wordt bijgewerkt met sensorgegevens. Diep lerende modellen kunnen worden ingebed in digitale tweelingen om structurele respons te voorspellen onder verschillende scenario's. Fysica-geïnformeerde neurale netwerken nemen de bestuurbare vergelijkingen van structurele mechanica (bijv. de eindige elementformulering) in de verliesfunctie, zodat voorspellingen fysiek aannemelijk zijn. Deze hybride aanpak vermindert de noodzaak van massale trainingsdatasets en verbetert generalisatie. Zo zijn PINN's gebruikt om de dynamische respons van een beschadigde brug met minder dan 100 gelabelde trainingsvoorbeelden te simuleren.

Federated Learning for Privacy-Behoud van SHM

In veel landen zijn sensorgegevens van kritieke infrastructuur gevoelig. Federated learning traints modellen over meerdere structuren zonder ruwe gegevens te delen; er worden alleen modelgradiënten uitgewisseld. Hierdoor kan een netwerk van bruggen die door verschillende agentschappen worden bewaakt, collectief een robuustere anomaliedetector leren met inachtneming van datasoevereiniteit. Een door de Europese Commissie gefinancierd proefproject test gefedereerd SHM op vijf bruggen in drie landen, met veelbelovende vroege resultaten.

Transfer leren en weinig leren op de foto

Om de schaarste aan gelabelde schadegegevens te overwinnen, kan een model dat vooraf is opgeleid op een grote brondataset (bv. gesimuleerde schadekenmerken of afbeeldingen van generieke betonnen oppervlakken) worden verfijnd met slechts een handvol gelabelde voorbeelden van de doelbrug. Weinig technieken om te leren metrieke netwerken (siamese netwerken, prototypische netwerken) kunnen schadetypes classificeren van slechts 5

Normalisatie en richtsnoeren

De International Organization for Standardization (ISO) en de American Society of Civil Engineers (ASCE) werken aan normen voor AI-assisted SHM. Onderwerpen zijn onder meer minimale datasetvereisten, modelvalidatieprotocollen, aanvaardbare nauwkeurigheidsdrempels en rapportageformaten. Een white paper van de ASCE SEI/ASHRAE commissie (beschikbaar op ASCE

Multimodaal sensorfusie

Toekomstige SHM-systemen zullen gegevens van versnellingsmeters, stammeters, camera's, akoestische sensoren en zelfs satelliet InSAR (Interferometrische synthetische aperture radar) voor grondvervorming samenvoegen. Diep lerende modellen met multimodale architecturen (bv. cross-atttention transformators) kunnen aanvullende informatie benutten: bijvoorbeeld, het combineren van trillingsgegevens (gevoelig voor stijfheidsveranderingen) met visuele crackkaarten (gevoelig voor lokale schade) levert robuustere schadelokalisatie. Vroege prototypes van een Europees onderzoeksconsortium hebben een verbetering van 30% van de lokalisatienauwkeurigheid ten opzichte van single-modality systemen aangetoond.

Conclusie

Deep learning is het hervormen van structurele gezondheidsmonitoring door het mogelijk te maken geautomatiseerde, nauwkeurige en continue beoordeling van bruggen en gebouwen. Van crackdetectie in beton met CNNs tot de resterende levensduur van LSTM's, deze methoden zijn het verplaatsen van academisch onderzoek naar de implementatie in de echte wereld. De voordelen .Hoger detectie nauwkeurigheid, lagere inspectiekosten, real-time waarschuwingen, en vroege waarschuwingen . zijn goed gedocumenteerd . Toch uitdagingen blijven: datakwaliteit , modelinterpreteerbaarheid , generalisatie over structuren , en integratie met oude systemen zal blijvende inspanningen van onderzoekers , ingenieurs en beleidsmakers vereisen . Naarmate infrastructuur leeftijden en extreme weersomstandigheden meer gebruikelijk , de mogelijkheid om structurele gezondheid intelligent en betaalbaar te controleren is niet alleen een technische verbetering .

Voor verdere lezing, een uitgebreid artikel over de herziening gepubliceerd in Mechanische systemen en de Signaalverwerking (2021) onderzoeken meer dan 300 papers over diep leren voor SHM. Praktische case studies van de Amerikaanse Federale snelwegadministratie kan worden benaderd via hun onderzoekspagina .