Suyun Ham, docent civiele techniek aan de Universiteit van Texas in Arlington, werkt aan een betere beoordeling van de structurele gezondheid van bruggen door machine learning te combineren met traditionele monitoringmetingen.
Bruggen hebben vaak weight-in-motion-sensoren die trillingen, rek en doorbuiging meten. Door de reactie van de brug op deze elementen te meten kunnen ze het bruto voertuiggewicht van passerende voertuigen en hun effecten op de structurele gezondheid van een brug schatten. Waar de sensoren echter geen rekening mee houden, zijn verschillende soorten vrachtwagens, meerdere rijstroken, tijden van de dag en hoe druk het verkeer is.
Integriteit van de constructie
Omdat bewegingssensoren vaak al aanwezig zijn, probeert Ham een systeem te creëren waarmee deze traditionele metingen van structurele gezondheid kunnen worden verfijnd door middel van machine learning. Met de resulterende gegevens kunnen transportafdelingen nauwkeurigere belastingsparameters voor bruggen instellen en een beter beeld krijgen van de algehele integriteit van een constructie.
Voorwaarden
“We combineren een op fysica gebaseerd model met kunstmatige intelligentie, want hoe meer een computer leert, hoe beter de informatie die je krijgt”, zei Ham. “Uiteindelijk stelt de toevoeging van machine learning ons in staat om nauwkeurig meerdere voorwaarden te bepalen.”
Beslissingen
Ham werkt ook aan gerelateerd onderzoek om een contactloos testsysteem te gebruiken om snellere, gemakkelijkere en nauwkeurigere beslissingen te nemen over wanneer en waar brugreparaties nodig zijn.
Kwaliteitsbewaking
“Dr. Ham heeft de allernieuwste technologie omarmd in zijn studie van kwaliteitsbewaking van bruggen, en deze nieuwe studie heeft potentieel voor uitgebreide veranderingen ten goede in de manier waarop staats- en federale transportafdelingen de integriteit van de bruggen bepalen dagelijks gebruiken ”, zegt Ali Abolmaali, voorzitter van de afdeling Civiele Techniek.
Beeld: UT Arlington
