La inteligencia artificial puede identificar patrones de grietas en la superficie para evaluar el daño a las estructuras de hormigón armado

Los recientes colapsos estructurales, incluidas las tragedias de Surfside, Florida, Pittsburgh y Nueva York, han dado lugar a la necesidad de inspecciones más frecuentes y exhaustivas de los edificios e infraestructuras envejecidos en todo el país. Sin embargo, las inspecciones son procesos lentos y, a menudo, inconsistentes, que dependen en gran medida del juicio de los inspectores.

Investigadores de la Universidad de Drexel y la Universidad Estatal de Nueva York en Buffalo están tratando de hacer que este proceso sea más eficiente y definitivo mediante el uso de inteligencia artificial junto con el método matemático clásico de cuantificación de redes en forma de red para determinar el grado de daño a una estructura concreta. . basado únicamente en el patrón de grietas.

En el artículo “Un método basado en gráficos para cuantificar patrones de grietas en muros de corte de hormigón armado”, que se publicó recientemente en la revista Ingeniería civil e infraestructura asistida por computadoraLos investigadores dirigidos por el Dr. Arvin Ebrahimkhanlou, profesor asistente en la Facultad de Ingeniería de Drexel, y Pedram Bazrafshan, estudiante de doctorado en la Facultad, presentan un proceso que podría ayudar al país a comprender mejor cuántos de los cientos de miles de puentes y diques envejecidos , las carreteras y los edificios necesitan urgentemente reparaciones.

“Sin un proceso de evaluación de fallas autónomo y objetivo para las muchas estructuras de hormigón armado que conforman nuestro entorno construido, estas trágicas fallas estructurales seguramente continuarán”, dijo Ebrahimkhanlou. “Nuestra infraestructura obsoleta se utiliza más allá de su vida útil de diseño y, debido a que las inspecciones manuales requieren mucho tiempo y son subjetivas, los signos de daño estructural pueden pasarse por alto o subestimarse”.

El proceso actual para inspeccionar una estructura de concreto, como un puente o un estacionamiento, implica la inspección visual de grietas, astillado o penetración de agua, medir las grietas y observar si han cambiado entre inspecciones, lo que puede llevar años. Si están presentes suficientes de estas condiciones y parecen estar en un estado avanzado, de acuerdo con un conjunto de pautas de tasa de fallas, entonces la estructura puede evaluarse como “insegura”.

Además del tiempo que lleva pasar por este proceso para cada inspección, existe una preocupación común de que el proceso deja demasiado espacio para la subjetividad sesgar la calificación final.

“La misma grieta en una estructura de concreto reforzado puede parecer amenazante o mundana, dependiendo de quién la mire”, dijo Bazrafshan. “Una grieta puede ser una parte inofensiva del proceso de asentamiento de un edificio o un signo revelador de una falla estructural; desafortunadamente, no hay consenso sobre el momento exacto de transición del primero al segundo”.

El primer paso para el grupo de Bazrafshan y Ebrahimkhanlou fue eliminar esta incertidumbre mediante el desarrollo de un método para cuantificar con precisión el grado de agrietamiento. Para ello, utilizaron un método matemático llamado teoría de grafos, que se utiliza para medir y estudiar redes.redes sociales recientemente— especificando las características del gráfico, como el número medio de intersecciones de grietas.

Originalmente Ebrahimkhanlou desarrolló el proceso utilizar la función gráfica para crear una especie de huella digital para cada conjunto de grietas en una estructura de hormigón armado y, comparando las impresiones de las estructuras recién inspeccionadas con las de las estructuras con clasificaciones de seguridad conocidas, para evaluar los daños de forma rápida y precisa.

“Crear una representación matemática de los patrones de fractura es una idea novedosa y una contribución clave de nuestro artículo reciente”, dijo Ebrahimkhanlou. “Encontramos que esta es una forma muy efectiva de cuantificar los cambios en los patrones de grietas, lo que nos permite relacionar la apariencia de la grieta con el nivel de daño estructural de una manera que es cuantificable y puede repetirse constantemente independientemente de quién lo esté inspeccionando. ”

El equipo utilizó algoritmos de seguimiento de píxeles de IA para convertir las imágenes de grietas en su representación matemática correspondiente: un gráfico.

“Los procesos de conversión y extracción de características de un gráfico de grietas a un gráfico tardan aproximadamente un minuto por imagen, lo que es una mejora significativa con respecto al proceso de inspección, que puede tardar horas o días en completar todas las mediciones requeridas”, dijo Bazrafshan. . “También es un desarrollo prometedor por la posibilidad de automatizar todo el proceso de análisis en el futuro”.

Para desarrollar una estructura de características para la comparación, hicieron que un programa de aprendizaje automático extrajera gráficos de características de un conjunto de imágenes de estructuras de muros de corte de hormigón armado con diferentes relaciones de altura a longitud que se crearon para probar los diferentes comportamientos de los muros que podrían ocurrir en un terremoto.

Centrándose específicamente en un grupo de imágenes que mostraban grietas moderadas, del tipo que muestra que la seguridad estructural está en riesgo, el equipo entrenó un segundo algoritmo para correlacionar las características extraídas del gráfico con una escala tangible que muestra la cantidad de daño impuesto a la estructura. . Estructura. Por ejemplo, cuantas más grietas se cruzan, lo que corresponde a un mayor “grado promedio” de su gráfico, más severo es el daño a la estructura.

El programa asignó un valor ponderado a cada una de estas características, según su correlación con los indicadores de falla mecánica, para crear un perfil cuantitativo a partir del cual el algoritmo podría medir nuevas muestras para determinar el alcance de su falla estructural.

Para probar el algoritmo de puntuación, el equipo usó imágenes de tres grandes paredes que habían sido probadas mecánicamente en un laboratorio de la Universidad de Buffalo para determinar su condición. El equipo usó imágenes de un lado de cada pared como un conjunto de entrenamiento y luego probó el modelo con imágenes del lado opuesto para probar su capacidad para predecir el nivel de daño de cada muestra.

En cada caso, el programa de IA pudo evaluar correctamente los daños con una precisión superior al 90 %, lo que indica que el programa sería un medio muy eficaz para evaluar rápidamente los daños.

“Este es solo el primer paso para crear una herramienta de evaluación muy poderosa que utiliza los resultados de la investigación y el conocimiento humano para evaluar estructuras en el entorno construido de manera más rápida y precisa”, dijo Ebrahimkhanlou. “Poner orden en un conjunto aparentemente caótico de funciones es la esencia del descubrimiento científico. Creemos que esta innovación puede contribuir en gran medida a identificar problemas antes de que ocurran y hacer que nuestra infraestructura sea más segura”.

El grupo planea continuar su trabajo entrenando y probando el programa en conjuntos de datos más grandes y diversos, incluidos otros tipos de estructuras. También están trabajando para automatizar el proceso para que pueda integrarse con los sistemas de monitoreo de construcción, así como el proceso de recopilación de fotos y videos de estructuras dañadas después de terremotos y otros desastres naturales.