Los ensayos no destructivos (NDT) en la construcción se han desarrollado ampliamente para evaluar las propiedades de los materiales, componentes o sistemas de infraestructura para identificar defectos internos sin causar daños. Dado que las pruebas no destructivas no cambian permanentemente el objeto que se examina, es una técnica extremadamente valiosa ya que se pueden obtener datos del área dañada sin cortar ni romper el material. El Instituto Coreano de Ingeniería Civil y Tecnología de la Construcción (KICT, presidente Kim, Byung-Suk) ha anunciado el desarrollo de un marco autónomo de recopilación de datos (muestreo) para END en infraestructura.

Los ensayos no destructivos (NDT) en la construcción se han desarrollado ampliamente para evaluar las propiedades de los materiales, componentes o sistemas de infraestructura para identificar defectos internos sin causar daños. Dado que las pruebas no destructivas no cambian permanentemente el objeto que se examina, es una técnica extremadamente valiosa ya que se pueden obtener datos del área dañada sin cortar ni romper el material. El Instituto Coreano de Ingeniería Civil y Tecnología de la Construcción (KICT, presidente Kim, Byung-Suk) ha anunciado el desarrollo de un marco autónomo de recopilación de datos (muestreo) para END en infraestructura.

En las últimas décadas, se han investigado varios estudios para mejorar los sistemas NDT eficientes y confiables. La mayoría de estos estudios se han centrado en el desarrollo de sistemas de hardware o procesamiento avanzado de señales. Aunque los lugares a inspeccionar (muestreo) son el aspecto clave para la localización exitosa de daños, la formulación de un método de muestreo eficiente no se ha explorado ampliamente. El muestreo basado en cuadrículas basado en el juicio humano todavía se usa como un diseño de muestreo tradicional en las técnicas de END. El muestreo basado en cuadrícula evalúa ubicaciones de toda la esfera de influencia de la estructura a intervalos regulares. En este muestreo, sus posiciones deben determinarse subjetivamente antes de realizar NDT. Debido a que las ubicaciones de los daños no siempre son obvias, este muestreo basado en cuadrículas puede pasar por alto el daño desconocido según el diseño subjetivo de la cuadrícula (Fig. 2).

Para minimizar cualquier juicio subjetivo y no pasar por alto daños desconocidos, un equipo de investigación de KICT dirigido por el Dr. Seung-Seop Jin desarrolló el aprendizaje activo asistido por Gaussian Process (GP) para un marco de adquisición de datos autónomo en NDT. A través de estudios numéricos y experimentales, el marco del Dr. Marcos existentes de Jin (es decir, muestreo de cuadrícula y selección de modelo no automatizado).

La lógica detrás de este marco es el aprendizaje activo para guiar secuencialmente el muestreo a los sitios dañados, que son las regiones de interés. El marco inicia el aprendizaje activo con pequeños ejemplos. Las muestras iniciales se evalúan mediante inspección NDT, luego se obtiene un conjunto de pares de entrada-salida (índice de daño de ubicación) como datos de entrenamiento inicial. Sobre la base de los datos de entrenamiento inicial, se construye la regresión del proceso gaussiano (GP) como un algoritmo de aprendizaje para el aprendizaje activo. El aprendizaje activo se implementa secuencialmente para guiar el muestreo a las regiones dañadas. Luego agrega un nuevo patrón a los datos de entrenamiento para mejorar la localización de daños. En este sentido, un marco recientemente desarrollado puede seleccionar secuencialmente ubicaciones de daño prometedoras, y este marco autónomo se puede aplicar a la adquisición de datos para cualquier técnica de END.

Dados los patrones de entrenamiento, el marco recientemente desarrollado puede seleccionar de forma adaptativa el modelo óptimo para visualizar el daño. Con base en el modelo óptimo, se puede deducir la ubicación más prometedora para el muestreo. Este método se itera secuencialmente hasta que los recursos disponibles, como un número máximo de muestras, estén disponibles.

A partir de la visualización del daño, el modelado de la regresión GP debe hacerse con cuidado eligiendo kernel. Incluso con patrones de entrenamiento idénticos, la predicción de regresión de GP puede variar según el kernel. En otras palabras, la elección correcta del kernel puede predecir y visualizar correctamente el daño dados los patrones de entrenamiento. En este contexto, elegir el kernel correcto es el componente clave para el marco desarrollado recientemente. Este módulo de selección de modelo automatizado puede acelerar la sinergia de aprendizaje activo para una mejor localización de daños con menos muestras.

La sinergia creada por el Dr. El marco de Jin se evaluó utilizando pruebas de eco de impacto de estructuras de concreto para identificar varios defectos internos, incluida la delaminación profunda y superficial. Las pruebas de IE obtienen información sobre el espesor del daño interno en la losa y el parche. Los resultados indican que el marco propuesto ofrece potencial para generar muestras más informativas al dirigir el muestreo hacia las regiones dañadas. Se muestra empíricamente que la selección automatizada de modelos en este contexto puede generar sinergias para la adquisición autónoma de datos en ensayos no destructivos. Como resultado, el marco del Dr. Jin se desempeña mucho mejor en la identificación de daños con menos patrones de entrenamiento. El muestreo de cuadrícula no logra identificar algunos daños, mientras que el marco propuesto ubica con éxito el muestreo informativo en todas las regiones dañadas para identificar todos los daños con una mejor resolución de daños.

dr. Jin dijo: “Usar el aprendizaje activo adecuado nos brindará una herramienta muy poderosa que se puede usar para respaldar la toma de decisiones para el muestreo NDT. El aprendizaje activo puede sermetodología de diseño‘. En nuestra aplicación, diseña un plan de muestreo de forma secuencial y adaptativa sin intervención humana. Para una implementación NDT totalmente automatizada, el marco propuesto puede ser el algoritmo central con vehículos no tripulados o robótica al incorporar el dispositivo informático”.

###

El Instituto Coreano de Ingeniería Civil y Tecnología de la Construcción (KICT, por sus siglas en inglés) es un instituto de investigación patrocinado por el gobierno establecido para contribuir al desarrollo de la industria de la construcción de Corea y al crecimiento económico nacional mediante el desarrollo de fuentes y tecnologías prácticas en los campos de la ingeniería civil y la gestión nacional de tierras. .

Este proyecto de investigación está financiado por la Fundación Nacional de Investigación de Corea (NRF), que está financiada por el Gobierno de Corea (MSIT). (#2020R1C1C1009236). Un artículo que explica los resultados de esta investigación fue publicado en el Volumen 139 de Automatización en la construcciónreconocida revista internacional en la categoría INGENIERÍA CIVIL (IF: 7.7, Top 1.46% por JCR).


DEJA UNA RESPUESTA

Por favor ingrese su comentario!
Por favor ingrese su nombre aquí

7 − cinco =