AI-teknologi forbedrer kritisk revnedetektion i atomreaktorer, broer, bygninger

En lille revne i en atomreaktor, skyskraber, bro eller dæmning kan forårsage katastrofale konsekvenser. Minneapolis broen kollapser, som dræbte 13 mennesker i 2007, er blot et eksempel på, hvad der kan ske, når den strukturelle integritet kompromitteres.

Uidentificerede eller underidentificerede strukturelle skader i atomreaktorer kan være katastrofale. Inspektion af kritiske systemer såsom atomreaktorer er kompliceret og tidskrævende.

Videoer optaget af et automatisk revnedetektionssystem kan nemt fejlidentificere små ridser eller svejsninger som revner, så teknikere skal gennemgå videoer billede for billede. Det er en tidskrævende proces med muligheder for menneskelige fejl.

Et system under udvikling på Purdue University bruger kunstig intelligens til at opdage revner, der er fanget i videoer af atomreaktorer. Systemet analyserer video, ramme for ramme, for at opdage eventuelle revner.

Det nye system registrerer revner i hver videoramme, mens algoritmeskemaet er i stand til at spore revnet fra det ene billede til det næste.

"Dette er et kæmpe spring for inspektionsteknologi og at kunne reducere ulykker, dødsfald og vedligeholdelsesomkostninger, " sagde Mohammad R. Jahanshahi, en assisterende professor i Purdue's College of Engineering, som leder forskergruppen. "Det lader computeren gøre det hårde arbejde, og giver derefter en menneskelig operatør kvantitative oplysninger om revnen såsom tykkelsen og længden af ​​revnen."

Operatøren er derefter i stand til at gennemgå videoerne og gå til de specifikke frames, der refereres til af softwaresystemet, for at undersøge revnerne og bestemme, hvilken handling der kan være nødvendig.

Jahanshahi sagde, at metoden blev testet på 20 inspektionsvideoer af atomkraftværker, med resultater, der viser, at denne metode er mere robust end nogen anden tilgang. Han sagde, at systemet har mange potentielle anvendelser, såsom at opdage revner på store bygninger, veje og vindmøller.

"Vores system er smart og tilpasningsdygtigt, så en operatør kan bruge deres egne data, " sagde Jahanshahi. "Computeren kan omprogrammeres baseret på disse data til at opdage revner i forskellige strukturer og forskellige materialer."

Purdue-teamet mener, at systemet vil blive endnu mere nyttigt, da robotter og droner bruges til at indsamle store mængder visuelle data.

Teammedlemmer sagde også, at Purdue-detektionssystemet for kunstig intelligens kunne opdage skader og bestemme bygningers strukturelle sundhed, veje og dæmninger efter jordskælv og andre naturkatastrofer.