최근 인공 지능(AI)의 발전 덕분에 토목 엔지니어는 대규모 인프라를 보다 효율적이고 비용 효율적으로 검사하는 동시에 시간이 지남에 따라 손상 심각도의 진행 상황을 모니터링할 수 있습니다.

EPFL 연구원 팀은 균열 감지, 성장 및 모니터링을 위한 AI 기반 방법의 타당성을 입증했으며 곧 Valais Canton의 Zermatt와 Brig 사이의 철도 구간에서 테스트할 예정입니다.연구는출판됨~에건설 자동화.

AI는 선로, 교차점, 밸러스트 및 옹벽을 자동으로 검사하여 철도 안전을 개선하는 데 도움을 줄 수 있습니다.EPFL의 IMOS(지능형 유지 관리 및 운영 시스템) 연구소 연구원들은 균열 탐지 효율성을 향상시키는 AI 기반 방법을 개발했습니다.콘크리트 구조물.

그들의 연구는 설명 가능한 방법을 사용하는 새로운 방법을 도입합니다.인공지능또는 사용자가 AI 결정의 기초를 이해할 수 있게 해주는 AI의 한 형태입니다.

"우리는 균열이 있는 이미지와 없는 이미지를 구별하는 알고리즘을 훈련했습니다.콘크리트 벽[이진 분류 작업] 두 범주 모두에서 수백 개의 이미지 샘플을 공급합니다.그런 다음 우리는 알고리즘에 결정을 내리는 데 사용된 픽셀을 강조하도록 요청했습니다."라고 IMOS 연구소의 과학자이자 연구의 주요 저자인 Florent Forest는 말합니다.

알고리즘은 균열에 해당하는 픽셀을 성공적으로 식별했습니다."우리의 접근 방식을 통해 사용자는 철도 구간이나 다른 종류의 구간에서 수년 동안 촬영한 알고리즘 이미지를 제공할 수 있습니다.하부 구조정기적으로 검사를 받고 시간이 지남에 따라 벽과 교차점의 균열 심각도를 정량화하도록 요청합니다.이는 인프라 운영자가 유지 관리를 보다 효과적으로 계획하는 데 도움이 됩니다."라고 그는 말합니다.

강화된 검사

현재 철도 운영자는 경험이 풍부한 검사관이 등급을 지정하는 사전 정의된 기준을 사용하여 옹벽과 같은 인프라 상태를 정기적으로 검사합니다.그러나 이 프로세스는 종종 주관적인 평가를 받기 쉽고 시간 경과에 따른 변경 사항을 추적하기 어렵게 만듭니다. 특히 서로 다른 검사자가 서로 다른 시점에서 동일한 인프라 섹션을 평가하는 경우 더욱 그렇습니다.

디지털화의 발전 덕분에 철도 운영자는 레일, 콘크리트 교차점 및 옹벽의 육안 검사를 위한 다양한 측정 장치와 측면 및 바닥 카메라를 갖춘 전문 모니터링 코치를 사용하여 선로 상태를 모니터링할 수 있습니다.

손상 심각도 정량화를 위해 이러한 AI 기반 시스템을 사용하면 검사 프로세스가 자동화되어 시간이 지남에 따라 더욱 객관적이고 정확하며 쉽게 비교할 수 있습니다.

EPFL 연구팀은 체르마트(Zermatt)와 브리그(Brig) 사이, 브리그(Brig)와 디센티스(Disentis) 사이의 철도 구간에서 해당 방법을 테스트할 예정입니다.이러한 섹션에는 다양한 모양과 재료의 여러 옹벽이 포함되어 있어 알고리즘에 대한 작업이 상당히 까다롭습니다.

팀은 이미 모니터링 코치의 이미지와 함께 드론 이미지를 수집했으며 AI를 사용할 예정입니다.연산를 돕기 위해철도운영자는 인프라를 더 자주, 체계적으로 모니터링할 수 있습니다.

추가 정보:Florent Forest 외, 설명 가능한 AI를 사용한 분류에서 세분화까지: 균열 감지 및 성장 모니터링에 대한 연구,건설 자동화(2024).DOI: 10.1016/j.autcon.2024.105497