.
Colapsos estruturais recentes, incluindo tragédias em Surfside, Flórida, Pittsburgh e Nova York, centraram a necessidade de inspeções mais frequentes e completas de prédios e infraestrutura antigos em todo o país. Mas as inspeções são processos demorados e muitas vezes inconsistentes, fortemente dependentes do julgamento dos inspetores. Pesquisadores da Drexel University e da State University of New York em Buffalo estão tentando tornar o processo mais eficiente e definitivo usando inteligência artificial, combinada com um método matemático clássico para quantificar redes semelhantes à web, para determinar o quão danificada é uma estrutura de concreto, baseado unicamente em seu padrão de rachadura.
No artigo “Um método baseado em gráficos para quantificar padrões de fissuras em paredes de cisalhamento de concreto armado”, publicado recentemente na revista Engenharia Civil e de Infraestrutura Assistida por Computador, os pesquisadores, liderados por Arvin Ebrahimkhanlou, PhD, professor assistente na Faculdade de Engenharia de Drexel, e Pedram Bazrafshan, aluno de doutorado da Faculdade, apresentam um processo que pode ajudar o país a entender melhor quantas de suas centenas de milhares de pontes antigas , diques, estradas e edifícios precisam urgentemente de reparos.
“Sem um processo autônomo e objetivo para avaliar os danos às muitas estruturas de concreto armado que compõem nosso ambiente construído, essas trágicas falhas estruturais certamente continuarão”, disse Ebrahimkhanlou. “Nossas infraestruturas envelhecidas estão sendo usadas além de sua vida útil projetada e, como as inspeções manuais são demoradas e subjetivas, as indicações de danos estruturais podem ser perdidas ou subestimadas”.
O processo atual para inspecionar uma estrutura de concreto, como uma ponte ou um estacionamento, envolve um inspetor que a examina visualmente em busca de rachaduras, lascas ou penetração de água, fazendo medições das rachaduras e observando se elas mudaram ou não com o tempo. entre as inspeções – que podem levar anos. Se muitas dessas condições estiverem presentes e parecerem estar em estado avançado – de acordo com um conjunto de diretrizes sobre um índice de danos – a estrutura poderá ser classificada como “insegura”.
Além do tempo que leva para passar por esse processo para cada inspeção, há uma preocupação generalizada de que o processo deixe muito espaço para a subjetividade distorcer a avaliação final.
“A mesma rachadura em uma estrutura de concreto armado pode parecer ameaçadora ou mundana – dependendo de quem está olhando para ela”, disse Bazrafshan. “Uma rachadura pode ser uma parte inócua do processo de assentamento de um edifício ou um sinal revelador de dano estrutural; infelizmente, há pouco consenso sobre quando alguém progrediu do primeiro para o último.”
O primeiro passo para o grupo de Bazrafshan e Ebrahimkhanlou foi eliminar essa incerteza criando um método para quantificar com precisão a extensão da trinca. Para fazer isso, eles empregaram um método matemático chamado teoria dos grafos, que é usado para medir e estudar redes – mais recentemente, redes sociais – identificando suas características gráficas, como o número de vezes que as rachaduras se cruzam em média.
Ebrahimkhanlou desenvolveu originalmente o processo de uso de gráficos para criar uma espécie de “impressão digital” para cada conjunto de rachaduras em uma estrutura de concreto armado e – comparando as impressões de estruturas recém-inspecionadas com as de estruturas com classificações de segurança conhecidas – produz uma avaliação de danos rápida e precisa.
“Criar uma representação matemática de padrões de rachaduras é uma ideia nova e a principal contribuição de nosso artigo recente”, disse Ebrahimkhanlou. “Achamos que esta é uma maneira altamente eficaz de quantificar mudanças nos padrões de rachaduras, o que nos permite conectar a aparência visual de uma rachadura ao nível de dano estrutural de uma forma que é quantificável e pode ser repetida consistentemente, independentemente de quem está fazendo a inspeção.”
A equipe usou algoritmos de rastreamento de pixel AI para converter imagens de rachaduras em sua representação matemática correspondente: um gráfico.
“Os processos de conversão crack-to-graph e extração de recursos levam apenas um minuto ou mais por imagem, o que é uma melhoria significativa em comparação com o processo de inspeção, que pode levar horas ou dias para fazer todas as medições necessárias”, disse Bazrafshan . “Este também é um desenvolvimento promissor para a possibilidade de automatizar todo o processo de análise no futuro.”
Para desenvolver uma estrutura de recursos para comparação, eles fizeram com que um programa de aprendizado de máquina extraísse recursos gráficos de um conjunto de imagens de estruturas de paredes de concreto armado com diferentes proporções altura-comprimento, que foram criadas para testar diferentes comportamentos das paredes que poderiam ocorrer em um terremoto.
Focando especificamente no grupo de imagens que mostravam rachaduras moderadas – aquelas que mostram que a segurança da estrutura está em questão – a equipe treinou um segundo algoritmo para correlacionar as características do gráfico extraído com uma escala tangível que mostra a quantidade de danos causados na estrutura. Por exemplo, quanto mais rachaduras se cruzam – o que corresponde a um “grau médio” mais alto de sua característica gráfica – mais sério é o dano à estrutura.
O programa atribuiu um valor ponderado a cada um desses recursos, dependendo de quão próximos eles se correlacionam com indicadores mecânicos de danos, para produzir um perfil quantitativo contra o qual o algoritmo poderia medir novas amostras para determinar a extensão de seus danos estruturais.
Para testar o algoritmo de avaliação, a equipe usou imagens de três paredes em grande escala que foram testadas mecanicamente em um laboratório da Universidade de Buffalo para determinar suas condições. A equipe usou imagens de um lado de cada parede como um conjunto de treinamento e depois testou o modelo com imagens do lado oposto para testar sua capacidade de prever o nível de dano de cada amostra.
Em cada caso, o programa de IA foi capaz de avaliar corretamente os danos com mais de 90% de precisão, indicando que o programa seria um meio altamente eficaz de avaliação rápida de danos.
“Este é apenas o primeiro passo na criação de uma ferramenta de avaliação muito poderosa que alavanca volumes de pesquisa e conhecimento humano para fazer avaliações mais rápidas e precisas de estruturas no ambiente construído”, disse Ebrahimkhanlou. “Impor ordem em um conjunto aparentemente caótico de recursos é a essência da descoberta científica. Acreditamos que essa inovação pode ajudar muito a identificar problemas antes que eles aconteçam e tornar nossas infra-estruturas mais seguras.”
O grupo planeja continuar seu trabalho treinando e testando o programa em conjuntos de dados maiores e mais diversos, incluindo outros tipos de estruturas. E eles também estão trabalhando para automatizar o processo para que possa ser integrado a sistemas de monitoramento estrutural, bem como o processo de coleta de fotos e vídeos de estruturas danificadas após terremotos e outros desastres naturais.
.
