Катбас сотрудничал со своим бывшим студентом-строителем Марваном Дебисом, 23PhD, который сейчас работает менеджером программы NASA Bridge, над недавно опубликованным исследованием, в котором подробно описывается, как инфракрасная термография, изображения высокой четкости и анализ нейронных сетей могут сочетаться, чтобы сделать проверку бетонных мостов более эффективной.

Катбас и Дебис надеются, что их результаты, недавно опубликованные в журнале Transportation Research Record, могут быть использованы инженерами с помощью комбинации этих методов для стратегического определения состояния моста и более эффективного распределения затрат на ремонт.

"Если мы лучше поймем, какие мосты нуждаются в дополнительном ремонте, а какие могут быть отложены, тогда [финансирующие агентства] смогут более разумно использовать ограниченные средства, и тогда мы сможем направить наши усилия на действительно важные мосты", - говорит Катбас. "У нас около 650 000 мостов в США, и мы работаем над изучением того, как мы можем использовать новые технологии для понимания существующего состояния сооружений".

Дебис отметил случай во время нагрузочного теста моста НАСА, когда Катбас и его команда помогали оценивать ремонтные работы. Они определили, что произведенный ремонт был достаточным, в конечном счете, исключив следующий этап запланированных работ.

"Мы тратим деньги только там, где это необходимо, вместо того, чтобы делать это без всестороннего понимания реальных условий эксплуатации моста в полевых условиях", - говорит Дебис. "Цель состоит в том, чтобы лучше понять состояние моста и составить более четкий список приоритетов того, в чем мосты действительно нуждаются".

Диагностика бетонных мостов

Катбас говорит, что то, что он и другие инженеры-строители делают для оценки общей целостности сооружения, можно сравнить с диагностикой состояния здоровья человека врачом.

"Мониторинг состояния конструкций, который почти аналогичен мониторингу здоровья человека, - это то, где мы используем различные типы оборудования, чтобы лучше понять безопасность и работоспособность конструкций", - говорит он.

Чтобы помочь получить изображения высокой четкости для сравнения с инфракрасными данными, исследователи тесно сотрудничали с NEXCO-West USA. Inc, компания по визуализации и неразрушающей оценке в Тайсонсе, штат Вирджиния, имеющая специализированные транспортные средства, оснащенные средствами визуализации. При поддержке компании исследовательская группа использовала инфракрасные данные для оценки состояния компонентов моста, включая палубу, надстройку и основание.

"Что касается самого инфракрасного излучения, то здесь есть некоторые ограничения", - говорит Дебис. "Одна из вещей в этой статье, которая помогла преодолеть некоторые из этих ограничений, - это изображения высокой четкости в дополнение к инфракрасным изображениям".

Эти технологии, которые были использованы в исследовании Catbas и Debees, позволили получить более полную информацию о состоянии бетонного моста.

"Человеческая визуализация имеет ограничения", - говорит Катбас. "Это почти как если бы врач просто посмотрел на тебя и сказал, что ты выглядишь прекрасно, хотя на самом деле с тобой может быть все в порядке, а может и нет. Могут быть и другие проблемы, о которых вам могут сообщить датчики и другие технологии, например, когда врач говорит, что ему нужны дополнительные анализы, поэтому он отправляет вас на рентген или МРТ. Мы применяем аналогичный подход к нашим мостам".

Преодоление разрыва между технологией и интерпретацией

Инфракрасная термография работает путем сбора тепловых характеристик конструкции, которые могут указывать на дефекты внутри нее, такие как потеря тепла, проникновение влаги или другие структурные проблемы.

Для анализа различных частей моста, таких как палуба, надстройка и подконструкция, исследовательская группа использовала технологии термографии и захвата изображений, установленные на лодках под мостом и на транспортных средствах, проезжающих по нему, чтобы движение не было затруднено и автомобилисты могли продолжать пользоваться дорогами.

Сочетание визуального контроля и обработки изображений является обычной практикой, но Дебис говорит, что элемент использования нейронной сети и машинного обучения для расшифровки данных - это то, что является новым компонентом проверок. Для сравнения результатов исследования были использованы коллективные знания опытных инженеров, проводивших аналогичные проверки.

"Отличие этого метода от других способов использования заключается в том, что мы используем не только инфракрасные камеры и собираем необработанные данные, но также у нас есть уровень постобработки, и мы устраняем шум или ненужную информацию в инфракрасном изображении", - говорит Дебис. "Затем мы используем эти данные, чтобы понять, где находятся эти дефекты, а затем интегрируем их в текущие необходимые процессы проверки мостов. Мы замыкаем цикл, используя некоторые методы принятия решений и алгоритмы с простой в использовании нейронной сетью персептрон, чтобы направлять инспектора или инженера, не тратя слишком много времени на анализ данных".

По его словам, две части статьи посвящены тому, как внедрить эту новую технологию и как ее можно использовать для ускорения принятия решений, сохраняя при этом точность и безопасность.

"Когда мы проводим промежуточные проверки, мы стремимся найти способы ускорить или сделать их более эффективными, имея при этом больше данных, на которые можно положиться в будущем или при немедленном принятии решений", - говорит Дебис. "Мы можем определить, какой мост нуждается в немедленной оценке, какой нуждается в дополнительном тестировании, и мы сможем быстрее оценить значимость находки".

Переход в будущее

Дебис говорит, что одной из самых захватывающих частей результатов исследования является осознание того, что система множественных методов контроля может быть интегрирована с коллективными знаниями и применяться для мониторинга самых разнообразных структур.

"Мы не ограничиваемся бетонными мостами", - говорит он. "Мы можем опираться на это исследование и применять его с различными методами проверки и использовать его для различных типов инфраструктуры. Мы можем опробовать это на бетонных зданиях, стальных мостах, постройках или других сооружениях".

Использование машинного обучения и коллективных знаний для интерпретации данных - это то, что, по мнению Дебиса, будет по-прежнему играть важную роль в проверках, даже выходящих за рамки их исследования.

"Я думаю, что для меня открылось то, что даже за пределами обычных проверок есть возможности использовать больше нейронных сетей для принятия решений, чтобы стандартизировать [процесс] принятия решений", - говорит он. "Вы можете облегчить работу сотрудников на местах, чтобы они знали, где принимать решения на месте или куда обратиться за более опытной помощью".

Существуют широкие возможности для поиска еще более инновационных способов оценки структурного состояния, и Катбас говорит, что он с радостью ожидает решения следующей задачи с бывшими студентами и сотрудниками, такими как Дебис.

"Как и другие мои аспиранты, мы все еще поддерживаем связь, когда они заканчивают учебу, а затем становятся моими коллегами", - говорит Катбас, поворачиваясь к Дебису. "Итак, мой вопрос таков: "Над чем мы собираемся работать дальше?"