L’intelligence artificielle peut identifier les modèles de fissuration de surface pour évaluer les dommages dans les structures en béton armé
Les récents effondrements structurels, y compris les tragédies à Surfside, en Floride, à Pittsburgh et à New York, ont centré le besoin d’inspections plus fréquentes et approfondies des bâtiments et infrastructures vieillissants à travers le pays. Mais les inspections sont des processus longs et souvent incohérents, qui dépendent fortement du jugement des inspecteurs.
Des chercheurs de l’Université Drexel et de l’Université d’État de New York à Buffalo tentent de rendre le processus plus efficace et définitif en utilisant l’intelligence artificielle, combinée à une méthode mathématique classique pour quantifier les réseaux de type Web, afin de déterminer à quel point une structure en béton est endommagée, basé uniquement sur son modèle de fissuration.
Dans l’article « Une méthode basée sur des graphiques pour quantifier les modèles de fissures sur les murs de cisaillement en béton armé », qui a été récemment publiée dans la revue Ingénierie civile et des infrastructures assistée par ordinateurles chercheurs, dirigés par Arvin Ebrahimkhanlou, Ph.D., professeur adjoint au Drexel’s College of Engineering, et Pedram Bazrafshan, doctorant au Collège, présentent un processus qui pourrait aider le pays à mieux comprendre combien de ses centaines de des milliers de ponts, digues, chaussées et bâtiments vieillissants ont un besoin urgent de réparations.
« Sans un processus autonome et objectif d’évaluation des dommages causés aux nombreuses structures en béton armé qui composent notre environnement bâti, ces défaillances structurelles tragiques vont certainement se poursuivre », a déclaré Ebrahimkhanlou. « Nos infrastructures vieillissantes sont utilisées au-delà de leur durée de vie de conception, et comme les inspections manuelles prennent du temps et sont subjectives, les indications de dommages structurels peuvent être manquées ou sous-estimées. »
Le processus actuel d’inspection d’une structure en béton, telle qu’un pont ou une plate-forme de stationnement, implique qu’un inspecteur l’examine visuellement pour détecter les fissures, l’écaillage ou la pénétration d’eau, prend des mesures des fissures et note si elles ont changé ou non dans le temps. entre les inspections, qui peuvent prendre des années. Si suffisamment de ces conditions sont présentes et semblent être dans un état avancé – selon un ensemble de lignes directrices sur un indice de dommages – alors la structure pourrait être classée « dangereuse ».
En plus du temps qu’il faut pour passer par ce processus pour chaque inspection, on s’inquiète largement du fait que le processus laisse trop de place à la subjectivité pour fausser l’évaluation finale.
« La même fissure dans une structure en béton armé peut sembler menaçante ou banale, selon qui la regarde », a déclaré Bazrafshan. « Une fissure peut être une partie anodine du processus de tassement d’un bâtiment ou un signe révélateur de dommages structurels ; malheureusement, il y a peu d’accord sur le moment précis où l’on est passé de la première à la seconde. »
La première étape pour le groupe de Bazrafshan et Ebrahimkhanlou était d’éliminer cette incertitude en créant une méthode pour quantifier précisément l’étendue de la fissuration. Pour ce faire, ils ont utilisé une méthode mathématique appelée théorie des graphes, qui est utilisée pour mesurer et étudier les réseaux – plus récemment, les réseaux sociaux – en identifiant leurs caractéristiques graphiques, telles que le nombre de fois que les fissures se croisent en moyenne.
Ebrahimkhanlou a développé à l’origine le processus d’utilisation des caractéristiques graphiques pour créer une sorte d ‘«empreinte digitale» pour chaque ensemble de fissures dans une structure en béton armé et – en comparant les empreintes des structures nouvellement inspectées à celles des structures avec des cotes de sécurité connues – produire un rapide et évaluation précise des dommages.
« La création d’une représentation mathématique des modèles de fissuration est une idée nouvelle et la principale contribution de notre récent article », a déclaré Ebrahimkhanlou. « Nous trouvons que c’est un moyen très efficace de quantifier les changements dans les modèles de fissuration, ce qui nous permet de relier l’apparence visuelle d’une fissure au niveau de dommage structurel d’une manière qui est quantifiable et peut être répétée de manière cohérente, peu importe qui fait l’inspection. »
L’équipe a utilisé des algorithmes de suivi des pixels de l’IA pour convertir les images de fissures en leur représentation mathématique correspondante : un graphique.
« Les processus de conversion de fissure en graphique et d’extraction de caractéristiques ne prennent qu’une minute environ par image, ce qui constitue une amélioration significative par rapport au processus d’inspection qui pourrait prendre des heures ou des jours pour effectuer toutes les mesures requises », a déclaré Bazrafshan. . « Il s’agit également d’un développement prometteur pour la possibilité d’automatiser l’ensemble du processus d’analyse à l’avenir. »
Pour développer un cadre de caractéristiques à des fins de comparaison, ils disposaient d’un programme d’apprentissage automatique extrayant des caractéristiques graphiques d’un ensemble d’images de structures de murs de cisaillement en béton armé avec différents rapports hauteur/longueur, qui ont été créés pour tester différents comportements des murs qui pourraient se produire. dans un tremblement de terre.
En se concentrant spécifiquement sur le groupe d’images montrant une fissuration modérée – le type qui montre que la sécurité de la structure est remise en question – l’équipe a formé un deuxième algorithme pour corréler les caractéristiques graphiques extraites avec une échelle tangible montrant la quantité de dommages infligés à la structure. structure. Par exemple, plus les fissures se croisent – ce qui correspond à un « degré moyen » élevé de leur caractéristique graphique – plus les dommages à la structure sont importants.
Le programme a attribué une valeur pondérée à chacune de ces caractéristiques, en fonction de leur étroite corrélation avec les indicateurs mécaniques de dommages, pour produire un profil quantitatif par rapport auquel l’algorithme pourrait mesurer de nouveaux échantillons pour déterminer l’étendue de leurs dommages structurels.
Pour tester l’algorithme d’évaluation, l’équipe a utilisé des images de trois murs à grande échelle qui avaient été testés mécaniquement dans un laboratoire de l’Université de Buffalo pour déterminer leurs conditions. L’équipe a utilisé des images d’un côté de chaque mur comme ensemble d’apprentissage, puis a testé le modèle avec des images du côté opposé pour tester sa capacité à prédire le niveau de dommage de chaque échantillon.
Dans chaque cas, le programme d’IA a pu évaluer correctement les dommages avec une précision supérieure à 90 %, ce qui indique que le programme serait un moyen très efficace d’évaluation rapide des dommages.
« Ce n’est que la première étape dans la création d’un outil d’évaluation très puissant qui exploite des volumes de recherche et de connaissances humaines pour effectuer des évaluations plus rapides et plus précises des structures dans l’environnement bâti », a déclaré Ebrahimkhanlou. « Imposer de l’ordre sur un ensemble apparemment chaotique de fonctionnalités est l’essence même de la découverte scientifique. Nous pensons que cette innovation pourrait grandement contribuer à identifier les problèmes avant qu’ils ne surviennent et à rendre nos infrastructures plus sûres. »
Le groupe prévoit de poursuivre son travail en formant et en testant le programme par rapport à des ensembles de données plus vastes et plus diversifiés, y compris d’autres types de structures. Et ils travaillent également à l’automatisation du processus afin qu’il puisse être intégré dans les systèmes de surveillance structurelle, ainsi que le processus de collecte de photos et de vidéos des structures endommagées à la suite de tremblements de terre et d’autres catastrophes naturelles.