ترکهایی که پل ها را میبلعند – نقش AI در بازرسی زیرساخت
پهپادها و دوربینهای هوشمند با الگوریتمهای مقایسه زمانی، ترکهای جدید در پلها و ساختمانها را با دقت ۰.۱ میلیمتر تشخیص میدهند!
پلها، سدها، تونلها و ساختمانهای بلند با گذشت زمان دچار ترکهای مویی، خوردگی و نشست میشوند. بازرسی چشمی توسط مهندسین ماهر، زمانبر، هزینهبر و نیازمند داربست یا بالابر است و خطرات جانی برای بازرسان دارد. سیستمهای هوش مصنوعی با دوربینهای باکیفیت (و پهپادها) و الگوریتمهای مقایسه زمانی (Time-lapse)، ترکهای جدید یا رشد ترکهای قدیمی را با دقت زیر ۰.۲ میلیمتر تشخیص میدهند. این فناوری «پایش سلامت سازه» (Structural Health Monitoring) نام دارد [۱].
این سامانه ابتدا با دوربین از کل سازه (مثلاً یک پل) تصاویر با وضوح بالا میگیرد و آنها را به یک نقشه مرجع تبدیل میکند. سپس در بازههای ماهانه یا سالانه، تصاویر جدید را با نقشه مرجع ثبت (Align) کرده و شبکه عصبی (مانند U-Net) پیکسلهایی که تغییر رنگ یا شکستگی دارند را به عنوان ترک علامتگذاری میکند. برای تشخیص رشد ترک، طول و عرض ناحیه ترک در دو زمان مقایسه میشود [۲].
جدول دقت در شرایط مختلف:
| نوع سازه و عیب | بازرسی چشمی سنتی | هوش مصنوعی + پهپاد |
|---|---|---|
| ترک مویی (۰.۲mm) روی پل بتنی | نیازمند دسترسی نزدیک (پرهزینه) | ۸۷٪ (از فاصله ایمن) |
| خوردگی میلگرد در بتن (قابل مشاهده نبود) | ۰٪ (بدون تخریب) | ۷۲٪ (تشخیص غیرمستقیم از روی لکه زنگ) |
| ترک بازشده از ۰.۵ به ۲mm در ۱ سال | ۱۰٪ (عدم مقایسه کمی دقیق) | ۹۴٪ |
| نشست پی (تغییر زاویه) | ۵۰٪ (با تراز دستی) | ۹۱٪ (از روی جابهجایی نقاط ثابت) |
شرکت راهآهن جمهوری اسلامی ایران از پهپادهای مجهز به هوش مصنوعی برای بازرسی صدها کیلومتر از خطوط ریلی و پلهای مسیر استفاده میکند. در یکی از موارد، یک ترک مخفی در پایه یکی از پلهای بزرگ شناسایی شد که تعمیر بهموقع آن با هزینهای محدود، از خسارت احتمالی چندین برابری ناشی از فروریختن جلوگیری کرد [۳]. همچنین سازههای شاخص شهری مانند برجها و پلهای بزرگ در ایران، با بهرهگیری از سنسورها و دوربینهای پایش سلامت، بهطور مستمر رصد میشوند.
ارزش بازار جهانی پایش هوشمند زیرساخت تا ۲۰۲۸ به ۵.۴ میلیارد دلار میرسد [۴]. فناوری جدید «تشخیص ترک زیرسطحی» با دوربینهای مادون قرمز و رادار نفوذی (GPR) و هوش مصنوعی، ترکهای داخل بتن را بدون تخریب تشخیص میدهد [۵]. همچنین «دوقلوهای دیجیتال» (Digital Twins) از روی تصاویر، یک مدل سهبعدی از سازه ساخته و ترکها را روی آن نمایش میدهند [۶].
منابع:
[۱] Spencer, B. F. et al. (2019). "Advances in Computer Vision-Based Civil Infrastructure Inspection and Monitoring." Engineering, 5(2).
[۲] Cha, Y. J. et al. (2017). "Deep Learning-Based Crack Detection Using Convolutional Neural Networks." Structural Health Monitoring, 16(5).
[۳] خبرگزاری وزارت راه و شهرسازی (۱۴۰۱). «استفاده از پهپادهای هوشمند در بازرسی خطوط ریلی کشور».
[۴] MarketsandMarkets (2023). "Structural Health Monitoring Market – Global Forecast to 2028."
[۵] Benedetto, A. et al. (2017). "GPR and AI for Subsurface Crack Detection in Concrete Structures." NDT & E International, 92.
[۶] Lu, R. & Brilakis, I. (2019). "Digital Twinning of Existing Bridges for Automated Defect Detection." Automation in Construction, 104.
[۷] MnDOT – Minnesota Department of Transportation (2019). "Cost-Benefit Analysis of UAS for Bridge Inspection."
تصاویر مرتبط
برچسبها
همین قابلیتها را روی دوربین خودتان داشته باشید
دوربینهای امنیتی هوشمند ویونکس با همین تحلیلهای هوش مصنوعی، هشدار لحظهای در اپلیکیشن و تلگرام و یک سال اشتراک سرویس ارائه میشوند.
برای ثبت نظر لطفاً وارد شوید
هنوز نظری ثبت نشده است