人工智能和非破坏性测试数据用于评估土木基础设施的具体可持续性
Cédric Baudrit1, Sylvain Dufau1, Géraldine Villain2
1I2M, CNRS, UMR 5295, INRAE, Université de Bordeaux, F-33400 Talence, France.
这项研究使用人工智能来利用传感器数据预测基础设施的健康状况. 随机森林模型在预测更好的土木工程维护的具体属性方面表现优于人工神经网络.
科学领域:
- 土木工程 土木工程是指土木工程.
- 材料科学 材料科学 材料科学
- 数据科学数据科学数据科学
- 人工智能的人工智能
背景情况:
- 有效维护土木工程基础设施对于可持续发展和资源保护至关重要.
- 传感器技术和数据数字化的进步允许从结构中实时获取数据.
- 腐蚀严重影响基础设施的完整性,需要先进的预测性维护策略.
研究的目的:
- 探索人工智能 (AI) 在优化土木工程维护行动中的应用.
- 调查受监督的机器学习 (ML) 结构性质回归模型的预测能力.
- 使用非破坏性测试 (NDT) 数据比较随机森林 (RF) 和人工神经网络 (ANN) 的性能.
主要方法:
- 利用监督的ML回归技术,特别是随机森林 (RF) 和人工神经网络 (ANN).
- 采用了一组数据集,其中包括各种NDT测量 (超声波,电磁,电气) 从混凝土样本.
- 应用了SHapley添加式扩展 (SHAP) 来提高模型的可解释性和透明度.
主要成果:
- 两种RF和ANN模型都表现出对混凝土特征 (压力强度,弹性模量,多孔性,密度,和率) 的强大预测准确性.
- 随机森林模型在大多数绩效指标中通常表现优于人工神经网络.
- SHAP分析为预测模型的决策过程提供了有价值的见解.
结论:
- 机器学习集成,特别是RF,提供了一种强大的方法来增强土木工程中的预测性维护.
- 该研究为将机器学习与经验和机械方法相结合提供了一个框架,以改善基础设施管理.
- 人工智能驱动的预测性维护可以大大促进关键基础设施的寿命和安全.
更多相关视频
10:00Experimental Protocol to Determine the Chloride Threshold Value for Corrosion in Samples Taken from Reinforced Concrete Structures
Published on: August 31, 2017
05:36Production and Analysis of Sporosarcina pasteurii Biocement Bricks Using Custom 3D-Printed Molds for Unconfined Compression Tests
Published on: March 7, 2025
相关概念视频
Non-destructive Tests for Concrete Strength
Microcracking in Concrete
Design Example: Sustainability in Concrete Building
There are multiple approaches to achieve sustainability in a commercial concrete building. For instance, construct a concrete parking area under the building, utilizing pervious concrete paver blocks in open areas to facilitate rainwater collection through an underground...
Abrasion Resistance of Concrete
One such test is the revolving disc test, where three plates...
Testing Water Quality
Design Example: Managing Concrete Workability
