EPFL开发AI框架自动评估钢结构基础设施

EPFL团队开发AI框架,自动评估钢结构基础设施。该框架整合3D扫描与模拟技术,量化现场数据不确定性,辅助判断受损元件剩余承载力,旨在提升偏远地区电力塔等设施的维护效率与决策一致性。

2026 年 11 月 16 日

激光扫描量化结构变形与噪声
热轧宽翼缘钢梁柱及其局部屈曲行为示意图:(a)宽翼缘钢柱及其截面几何形状;(b)局部屈曲变形形态。来源:Computers & Structures (2026)。DOI: 10.1016/j.compstruc.2026.108332

电信线路、电力传输塔、钢桥及滑雪电梯等基础设施长期面临强风、冰积累等自然灾害以及老化问题的挑战。确保这些结构的安全运行,依赖于经过培训的专家进行定期的人工检查。

传统检查流程主要依靠视觉评估,并依据特定协议上报变形、腐蚀、缺陷或裂纹等情况。然而,抵达偏远或危险地点往往困难重重,且部分评估失误可能带来高昂后果。

为提升评估的证据基础与一致性,洛桑联邦理工学院(EPFL)弹性钢结构实验室教授 Dimitrios Lignos 及其团队开发了一种自动化数据驱动的检查框架。该框架整合了扫描技术、计算机模拟和人工智能模型,旨在更准确地评估损害并辅助检查员工作。

辅助决策而非替代人工

该检查流程始于利用激光技术对结构元素进行详细的 3D 扫描,以捕捉其几何形状及可见变形。随后,通过点云技术转换扫描数据,并利用在数千次实验室实验中训练的算法进行分析。此外,系统还引入了经基于物理的模拟验证的虚拟测试样本作为补充。最终,系统会评估受损元件的剩余承载能力,判断其是否能继续按预期运行或需要干预。

Lignos 表示:“该方法的发展并非为了取代人类检查员,而是为了引导他们做出更明智的决定。”

当检查员面临延迟检查可能导致服务中断延长和维护成本增加的挑战时,这种框架显得尤为有价值。因此,研究人员重点针对采用标准化钢质横截形状的电力传输塔及其他基础设施进行了优化。这些设施是瑞士基础设施的重要组成部分,常位于偏远地区,且在暴风雪等极端天气事件后难以进入。

量化真实数据中的不确定性

该框架具备扩展性,可应用于包括传统钢结构建筑、钢筋混凝土复合桥梁及铁路基础设施在内的多种结构类型。同时,它也有助于确定已退役的结构或组件是否安全可重复使用。

该框架的一个显著特点是能够处理现场数据中的不确定性。扫描仪收集的测量数据并非完美无缺,扫描分辨率和环境条件等因素可能在采集过程中引入错误,即“测量噪声”。这可能会影响对损害的解释及预测的可靠性。拟议的方法通过量化这种不确定性并评估其对最终结果的影响,使检查人员能够更清晰地了解对结果的信心程度。

跨学科合作推动落地

目前,研究人员正在寻求试点项目,将该技术从实验室推向日常基础设施管理。Lignos 指出:“来自检查公司的反馈可以提供重要信息,帮助我们在最终商业化之前改进和完善已建立的工作流程。”

此外,Lignos 团队正与分布式智能系统和算法实验室教授 Alcherio Martinoli 合作,探索无人机技术的实施。与此同时,与智能维护和操作系统实验室副教授奥尔加·芬克(Olga Fink)合作的另一个正在进行的项目,旨在扩展这一框架,开发用于识别使用寿命结束后仍可重复使用的钢结构成员的预测算法。

参考文献:

Tianyu Gu 等人,《考虑大变形与测量噪声的钢构件自动几何重建方法,以助力自动化检测》,Computers & Structures (2026)。DOI: 10.1016/j.compstruc.2026.108332

评论 0

0/500

评论需审核后展示,请文明发言

💬
还没有评论,来说两句

相关阅读