Banner OpenAccess
Banner Torrossa

The use of deep learning for a cost-effective tunnel maintenance

Schneider Oliver Prokopová Alzbeta Modetta Flavio Petschen Veronika
Articolo Immagine
Rivista:
Gallerie e grandi opere sotterranee
Anno:
2019
Numero:
129
Fascicolo:
Gallerie e grandi opere sotterranee N.129/2019

Acquisto digitale

Acquista:

€ 14.00

L’uso del “deep learning” per una manutenzione economica delle gallerie.

Ogni anno vengono costruiti 4700 km di nuove gallerie per un valore di crescita annuale del 7%. Ciò significa che il numero totale di gallerie che dovranno essere ispezionate aumenterà in modo considerevole nel prossimo futuro. La loro affidabilità di funzionamento dovrà inoltre essere garantita con mezzi sicuri ed economici. Ad oggi, la valutazione dello stato delle gallerie si basa principalmente su un processo di ispezione manuale lenta e soggettiva. La rilevazione automatica dei difetti fornirà invece un approccio più obiettivo e quantificabile in relazione al compito di ispezione della galleria. Con l’ispezione manuale, è infatti difficile valutare in modo oggettivo le anomalie ed in particolare fessure, aventi forma e dimensioni casuali, con una precisione di 0,2 mm, oltre che poterle confrontare con lo stato storico delle precedenti campagne di valutazione. Risulta quindi logico e sensato puntare ad una procedura di rilevamento automatico e ad un flusso di lavoro completamente digitalizzato per il monitoraggio dei difetti nel tempo. I recenti sviluppi nel campo dei “big data” e dell’intelligenza artificiale possono essere applicati al campo dell’ispezione in galleria per portarlo ad un più elevato grado di automazione.

Every year 4.700 km of new tunnels are built with an annual growth value of 7%. This results in the fact, that the total amount of tunnels which must be inspected will increase in the future. Furthermore, their operation reliability must be guaranteed with safe and cost-efficient means. Today, tunnel assessment is mostly based on a slow and subjective human inspection process. Automatic defect detection will provide a more objective and quantifiable approach to the task of tunnel inspection. By manual inspection, it is difficult to assess anomalies objectively – especially cracks at an accuracy of 0.2 mm with random size and shape – and it is difficult to compare them to the historic state of previous assessment campaigns. Thus, it makes sense to aim at an automated detection procedure and a fully digitized workflow for tracking the defects over time. Recent developments in the field of artificial intelligence can be applied to the field of tunnel inspection and bring it to a higher degree of automatization.