Hvordan maskinlæring hjalp med at udvikle en ny algoritme, der kunne tilføre liv til broer

En ny algoritme udviklet af University of Surrey kunne hjælpe konstruktionsingeniører med bedre at overvåge broernes helbred og advare dem om, når de skal repareres hurtigere.

Mange myndigheder og organisationer bruger strukturelle sundhedsovervågningssystemer til at holde styr på broer, sammen med vægten af ​​den trafik, den modstår i det daglige. Dette fører til en meget høj samplingsrate for data, med nogle, der når mindst 10 Hz og databaser, der har oplysninger om gigabyte værd om en ental struktur - som er dyr at huse.

I et papir udgivet af tidsskriftet Måling , forskere beskriver, hvordan de skabte en algoritme, der komprimerer store data fra broovervågningssystemer til mere håndterbare størrelser.

Surrey-forskerne brugte en ordbogslæringsmetode kaldet K-betyder Singular Value Decomposition (K-SVD) til at komprimere data fra systemet, der overvåger Lezíria-broen i Portugal. Teamet anvendte sin algoritme til 45, 000 data pr. Kanal i timen modtaget af Bridge Weight -in -Motion -systemet - en af ​​de mest anvendte overvågningsapplikationer - og det lykkedes at opnå en næsten tabsfri rekonstruktion ud fra oplysningerne på mindre end 0,1 procent. Andre metoder har vist, at de har brug for 50 procent af dataene for at opnå lignende rekonstruktionens nøjagtighed.

Dr. Ying Wang, hovedforfatter af papiret fra University of Surrey, sagde:"Mange myndigheder har svært ved at huse de data, de har om deres broer og anden infrastruktur - med hundredtusinder, nogle gange millioner af biler, der bruger nogle broer hver dag.

"Vi mener, at denne tilgang viser, at du dramatisk kan reducere de store data til en meget overskuelig størrelse uden at miste information - hvilket er afgørende for konstruktionsingeniører."