Data-Driven Bridge Management için Büyüyen Imperative

ABD'de, her gün 00.000'den fazla köprünün milyonlarca aracı var.Ücretsiz:0) Amerikan Sivil Mühendisleri Topluluğu (ASCE) 2021 Altyapı Raporu Kartı), bu köprülerin% 40'ından fazlası en az 50 yaşında ve neredeyse% 8'i aktif olarak değersiz bir şekilde işletmek için doğrudan bir yol sunuyor. Geleneksel köprü varlık yönetimi - periyodik görsel denetimler ve reaktif onarımlar üzerinde temel olarak - büyüyen bakım bakım onarımını kapatmak için yeterli değildir.

Köprü yönetimindeki veri analizi, sistematik olarak toplama, işleme ve ajansların bozulmaya izin veren geniş çaplı verileri inceleme frekansı, bakım önceliği, onarım yöntemleri ve sermaye planlamaları hakkında karar vermelerini sağlar. doğru uygulandığında, ham sensör okumalarını, denetim kayıtlarını ve çevresel logları ajansların bozulmaya izin veren, önceliklendirme yatırımlarını yorumlayın ve geleneksel yöntemlerden çok daha hassas bir risk ölçmek için risk ölçmek için ölçebilir.

Köprü Analytics için Anahtar Veri Kaynağı

Etkili analiz sağlam ve çeşitli verilerle başlar. Aşağıdaki kaynaklar, modern köprü yönetimi programının temelidir.

Yapısal Sağlık İzleme (SHM) Sensör Ağları

Sürekli olarak yüklenen sensörler – hız ölçerler, eğimler ve yerinden edilmeler – yapısal yanıtdaki gerçek zamanlı veya yakın zamanlı veriler. Fiber-FLT:0)[Melektro-Mechanical Systems) daha yaygın.[FONT=Göndergiler, ve yer değiştirmeler, hata, anormallik, veya sönüllümeler, çıplak gözle görülürken daha fazla uyarıda bulunabilirler.

Ulusal Köprü Teşvik (NBI) Veri ve İnceleme Raporları

FHWA, güverte, süper yapı, alt yapı ve 20 feet üzerinde her köprü için culverts içeren Ulusal Köprü İnventory'u koruyor.Her bir inceleme, sayısal kodları (0-9) artı anlatı yorumları yapar. Analytics bu tarihi notları hata eğrileri, sistemik malzeme veya tasarım sorunları tanımlayabilir ve kalibre edici modelleri birleştirmektedir.

Trafik ve Yük Data

Volume, class, ağırlık ve hız verileri tart-in-motion (WIM) sistemler ve trafik karşıları doğrudan yorgunluk hayatını etkiler.Virelating kamyon ağırlık dağıtımları sensörle ilgili veriler olasılıksal yorgunluk değerlendirme ajanslarına olanak sağlar. Ayrıca gelecekteki yükleme senaryolarını tahmin etmek ve denetim aralıklarını ayarlamak için tarihsel trafik eğilimlerini kullanabilir.

Çevre ve Climatic Data

Tuz maruz kalma, donmuş döngüleri, nem ve rüzgar kalıpları korozyon ve beton bozulmasını sağlar. Yerel hava istasyonu verileri veya ızgara iklim modelleri (örneğin, NOAA) ile ilgili olarak, kıyı bölgelerindeki köprüler benzer yapısal özelliklerle daha agresif korozyon izleme gerektirir.

Tarihsel Bakım, Onarım ve Başarısızlık Records

Her geçmiş onarım – yedekler, keşifler, tahminler taşıyanlar – hangi işe yaradığını ve hangileri olmadığını gösteren bir veri noktası.Özel çalışma histories, maddi tipler, müteahhit performansı ve maliyet verileri, yaşam döngüsü maliyet analizi (LCCA) modelleri ve yardımcı olur.

Coğrafi Bilgi Sistemi (GIS) Katmanlar

Su yolları, sismik tehlike bölgeleri, toprak türleri ve bitişik arazi kullanımı gibi temel veriler, su haritaları, hata hatları ve topraklar gibi aşırı yükleme yerlerini riske atmak için kritiktir.

Kararyı geliştiren analitik yaklaşımlar

Veri analizi tek bir teknik değildir; temel raporlamadan sofistike optimizasyona bir spektrumu yaymaktadır. En etkili köprü yönetim programları tüm dört analiz seviyesini kullanır.

Descriptive Analytics: Ne oluyor?

Dashboards ve özel raporlar mevcut durumu özetliyor, denetim backlog ve harcama trendleri, yöneticilerin büyük resmi bir bakışta görmelerine izin veriyor. Örneğin, bir ilçe ulaşım bölümü, köprülerin en düşük mamül puanlarını takip etmek için bir Power BI veya Tableau panounu kullanabilir, hangi bakım fonlarının bölge genelinde tahsis edildiğine izin verebilir.Descriptive Analytics bir ilerleme için temel oluşturur.

Tanık Analytics: Neden Bu Oldu?

Bir köprü hızla bozulmaya başladığında, analitik matkaplar kök sebeplerine yol açar. Teknikler, istatistiksel korelasyon (örneğin, yüksek de-ikleştirici tuz kullanımı ile bağlantı kurma), çevresel faktörler hakkında regresyon analizi ve hatta makine öğrenme sınıflandırıcıları, hangi değişkenlerin kombinasyonlarını en güçlü şekilde tahmin eden sınıflandırmalar içerir.Bu, malzeme özelliklerini değiştirme, drenaj mühendislerine karar verir veya değişikliklerin temelleştirilmesine yardımcı olur.

Tahmin edici Analytics: Sonraki Ne olacak?

Bu, veri analizinin en büyük değerini sağladığı yerdir. Makine öğrenme modelleri – rastgele ormanlar, 6'nın ilk süper yapısıyla birlikte bir çelik telinin, mevcut trafik ve tuz maruziyeti altında dört puana düşmesini tahmin edebilir.

FHWA'nın [[Dönetici Sistemi (BMS) yönergeleri[Dönetici 1) artık, olasılıksal bozulma modellerinin kullanımını, belirsiz eğrilerden ziyade teşvik eder, çünkü gerçek dünya verileri genellikle önemli bir değişkenlik gösterir. Tahmin edici analizler “önemli denetim”, risk altındaki yapıların gözetimini artırmak için site ziyaretlerini teşvik eder.

Prescriptive Analytics: Ne yapmamız gerekir?

Prescriptive Analytics, en iyi eylemleri önererek bir adım daha ileri gider. Optimizasyon algoritmaları kullanarak - lineer programlama, genetik algoritmaları veya simülasyon – sistem, beş yıl içinde olası bakım ve yedek programlarını bütçe kısıtlamaları altında değerlendirebilir mi?

Köprü Yönetimi Uygulamalarında Veri Analytics'i Uygulama

Teoriden pratik yapmak için taşınmak dikkatli planlama, yatırım ve organizasyon değişikliği gerektirir. Aşağıdaki adımlar başarılı bir uygulama için gereklidir.

Birleşik Bir Veri Platformu Oluşturun

Çoğu ajans, tüm ilgili kaynaklarla uyumlu olan bulut tabanlı veri gölü veya depolar, temel sürtünme platformlarının verileri sürekli olarak yayınlamasına izin verir.S.S.S.S.S.AASHTOWare Bridge Management data modeli)[değiştir | kaynağı değiştir]

Data Quality ve Yönetmede Yatırım

Analytics sadece veri beslemesi kadar iyidir. Tamamenlik, doğruluk ve zaman çizelgesi için veri kalitesi kuralları oluşturmak. Örneğin, her inceleme raporu, köprü konumuna tutarlı bileşen derecelendirmelerini ve fotoğrafları geotagged etmek gerekir.Veri toplama uygulamaları için veri toplama politikaları oluşturmak, değiştirmek ve paylaşmak için yasal denetimler yardımcı olur (örneğin, farklı derecelendirme kriterlerini kullanarak).

In-House veya Uzmanlarla birlikte geliştirin

Her ajans personel üzerinde veri bilim insanları yoktur. Seçenekler, üniversite araştırma gruplarıyla ortak olmak veya ölçeklendirmeden önce pilot projelerde birlikte çalışan uzman danışmanlar içerir.0)Transportasyon Araştırma Kurulu (TRB)).

Yüksek Impact Pilot Projeler ile başlayın

envanterin önemli bir bölümünü temsil eden iki veya üç köprü sınıfı seçin ve yeterli tarihsel verilere sahip olun. sensör korozyon verileri tarafından başlatılan erken tablonun beş yıl boyunca kaplama yaşamını genişletebileceğini gösterebilir.

Tren Mühendisleri ve Kararları

Teknoloji tek başına yetersizdir. Personel model çıktılarını, meydan okuma varsayımlarını nasıl yorumlayacağımızı ve analitikleri günlük iş akışlarına entegre etmeyi anlamalıdır.Breketli arsalar ve risk matrisleri hakkında eğitim modülleri geliştirme, model güven aralıklarını yorumlamak ve seçilmiş yetkililere ve halka analitik bulgular iletmeli.

Gerçek Dünya Uygulamaları ve Vaka Çalışmaları

Birkaç ulaşım ajansları zaten veri analiz yatırımlarından ölçülebilir faydalar göstermiştir.

  • [FONT:0)Caltrans (California Ulaşım Bölümü): [Dönetici: 1) NBI verileri ve trafik bilgilerini kullanarak bir makine öğrenme modeli uygulanmış, sismik retrofitlere öncelik vermek için. Model, toplam sismik riskin% 12'sini tespit etti, sınırlı retrofit fonlarının hedeflediği köprülerin% 40'ını tespit etti.
  • [FONT:0) New York State Ulaşım Bakanlığı (NYSDOT): [Döneticileri 30 büyük köprülerde çalışan ve koşul temelli denetimden geçiş için tahmin edilebilir analizler kullandı.
  • [FONT:0] Helsinki şehri Finlandiya: [Dönetici: [Dönetici: 0,8] 2020'den beri dijital ikiz bir platformla dijital bir ikiz sensör verilerinin tamamının tespit ettiği tahmin edilebilir modeller tel molalarını ve trafik anomalilerini tespit eder, bakım ekiplerini uyarır. Sistem 2020'den beri iki potansiyel acil kesintiye neden olmuştur.

Bu örnekler veri analizinin teorik bir egzersiz olmadığını gösteriyor - açık hedefler ve kurumsal destekle uygulanan somut operasyonel ve finansal faydalar sağlar.

Meydanlar ve Nasıl Overcome Them

Sözcülüğe rağmen, ajanslar proaktif olarak ele alınmamışsa, analitik inisiyatiflere karşı gerçek engellerle karşı karşıyadır.

Data Quality and Interoperability

Miras inceleme verileri yazılabilir, tutarsız veya eksik olabilir. Farklı sistemler uyumlu derecelendirme ölçekleri veya terminolojide kullanılır. Çözüm: veri temizleme ve dönüşüm araçlarına yatırım, açık standartları benimseme ve giriş noktasında kalite uygulayın. NLP'yi eski kağıt raporlarından yapılandırın.

Skill Gaps ve Kültür Direnişi

Mühendisler “kara kutu” modellerini görmezden gelebilirler. Bazı yöneticiler deneyim temelli sezgileri tercih eder. Çözüm: model geliştirmede mühendisler içerir, böylece varsayımları ve sınırlamaları anlarlar. Model maçlarının bilinen sonuçları göster. Tahminlere taşınmadan önce tanımlayıcı /diagnostic analitik ile başlayın.

Fonlama ve Teknoloji Maliyetleri

Sensör donanımı, bulut bilişimi ve özel yazılım ön planda yatırım gerektirir. Çözüm: ROI'yi pilot projeler aracılığıyla gösterir, federal hibeler için geçerlidir (örneğin FHWA'nın Gelişmiş Veri Analytics programı), ve fazlı uygulama gibi Open-source araçları göz önünde bulundurun.

Siber güvenlik ve Data Privacy

Akışkanlık verileri ve merkezileştirilmiş veritabanı yeni saldırı yüzeylerini tanıtmaktadır. Çözüm: NIST siber güvenlik çerçevesini takip edin, transit ve geri kalanında şifreli verileri şifreleyin ve rol tabanlı erişim kontrolleri uygulayın. kritik köprüler için, sensör verileri ayrı bir ağ üzerinde tut (air-gap)

Köprü yönetimi için veri analizi alanı hızla gelişmektedir. Önümüzdeki beş ila on yıl içinde bu gelişmeleri bekliyoruz.

  • [FONT:0)Artificial Intelligence (AI) ve Deep Learning:), binlerce inceleme görüntüleri üzerinde eğitilmiş AI modelleri artık çatlakları, pas, spalls ve insan denetimcileri ile birlikte yeniden çubukları tespit edebilir.
  • [FONT:0] Dijital Twins:[DD) Büyük hasar modlarını görmek için ikizler, olası hasar modları görmek için bir köprünün 3D sanal kopyası, aynı zamanda bilgisayar kullanıcıları ve inceleme feeds. Mühendisleri, hangi senaryoları çalıştırabilir (örneğin, 50 yıllık bir 7.0 deprem, 50 yıllık bir sel).
  • [FONT:0] Özerk Muayene Robotları: [Dönetici: [Döncüm: 0,4, sualtı uçakları ve kablo-inspeksiyon sistemleri tehlikeli veya ulaşılamaz yerlerde veri toplar. AI ve analitik ile çiftleştirildiğinde, sürekli durum izleme süresiz anlık görüntüler sağlar.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Veri analizi, köprü varlık yönetimini reaktif, denetim odaklı bir disiplinden proaktif, tahmin edici ve önsözlü bilime dönüştürerek, sensör ağlarını, denetim kayıtlarını, trafik verilerini ve çevresel girdileri birleşik bir analitik çerçeveye dönüştürerek, ajanslar köprü hayatını genişletebilir, kamu güvenliğini artırabilir ve önemli maliyet tasarrufları elde edebilir.