Untuk memperpanjang umur jembatan kereta api yang ada dan menghemat sumber daya, para peneliti bekerja dengan Swiss Federal Railways (SBB) untuk mengembangkan model prediksi baru menggunakan algoritma pembelajaran mesin. Asisten AI juga membantu insinyur sipil dengan desain jembatan baru.
Gambar jembatan trem yang runtuh di atas sungai Elbe di Dresden terlihat di seluruh dunia pada bulan September 2024. Ini adalah keajaiban tidak ada yang kehilangan nyawanya – tidak seperti dalam runtuhnya jembatan jalan tol di Genoa pada tahun 2018, yang menyebabkan 43 kematian. Kedua bencana itu disebabkan bukan oleh pengaruh eksternal, melainkan oleh proses kerusakan yang terkait dengan usia struktur. Proses -proses ini tidak terdeteksi dan diperbaiki dalam waktu. “Swiss juga menghadapi situasi di mana sebagian besar infrastrukturnya mendekati akhir dari kehidupan pelayanan yang direncanakan dan harus diperiksa dan diperkuat jika perlu,” kata Sophia Kuhn. “Kami sedang mengembangkan alat yang membantu menjaga jembatan beroperasi selama mungkin dan karenanya untuk menghemat sumber daya tanpa menjalankan risiko kecelakaan yang tidak proporsional.”
Sophia Kuhn adalah peneliti doktoral dalam kelompok yang dipimpin oleh Walter Kaufmann, Profesor ETH dari Teknik Struktural (Struktur Beton dan Desain Jembatan). Doktornya diawasi oleh Fernando Pérez-Cruz, Profesor Ilmu Komputer ETH, dan Profesor Michael Kraus dari Tu Darmstadt. Penelitian Kuhn berfokus pada penggunaan kecerdasan buatan dalam konstruksi, terutama algoritma pembelajaran mesin. Bekerja sama dengan kolega Marius Weber dan Swiss Federal Railways (SBB), ia telah mengembangkan model AI untuk “jembatan bingkai yang kaku” – jembatan kereta api sederhana yang terbuat dari beton bertulang, yang sangat umum di Swiss dan memungkinkan kereta api berlalu di atas atau di bawah Jalan atau jalan setapak, misalnya. Praktis dengan sentuhan tombol, model AI memberikan penilaian awal keamanan struktural sehingga memprediksi apakah jembatan berpotensi kritis secara statis atau tidak. “Oleh karena itu dimungkinkan untuk memprioritaskan jembatan mana yang harus menjalani penilaian struktural tanpa penundaan dan mungkin memerlukan intervensi struktural,” kata Kuhn.
AI dapat menilai apakah analisis akan efektif
Model tidak hanya memberikan nilai yang diprediksi untuk keamanan struktural tetapi juga menunjukkan apakah nilai ini dapat diandalkan; Dengan kata lain, ini mengukur ketidakpastian model. Secara khusus, ini juga membantu dengan keputusan tentang bagaimana melanjutkan saat melakukan penilaian struktural jembatan. Insinyur selalu melakukan lebih banyak atau lebih sedikit perhitungan kompleks pada komputer, tetapi ini dapat dilakukan baik menggunakan metode konvensional, yang memberikan hasil dengan upaya yang relatif sedikit, atau menggunakan analisis yang disempurnakan, yang jauh lebih intensif dalam hal waktu dan daya pemrosesan dan karenanya dan karenanya Lebih mahal, meskipun mereka memberikan hasil yang lebih akurat dan kurang konservatif. “Seringkali, Anda tidak tahu apakah masuk akal untuk melakukan analisis halus ini atau apakah mereka hanya biaya yang tidak perlu,” jelas Kuhn. “Alat AI kami dapat menilai apakah analisis cenderung efektif dan apakah biaya yang terlibat bermanfaat.”
Pipa Simulasi memberikan data tambahan
Sebagai dasar untuk model, para peneliti menggunakan portofolio jembatan bingkai kaku SBB. “Kami melihat banyak contoh – bagaimana mereka dibangun, bagaimana variabelnya – dan mengembangkan pipa simulasi parametrik berdasarkan pada mereka,” kata peneliti. Ini menghasilkan struktur virtual dari berbagai parameter jembatan, menghitung tingkat pemanfaatan kapasitas struktural dan dengan demikian menghasilkan data tambahan.
Para peneliti membangun jaringan saraf buatan, sebuah algoritma yang belajar dari data dengan cara yang mirip dengan otak kita. Ini memunculkan model berbasis pembelajaran mesin yang memberikan prediksi yang diinginkan untuk banyak jembatan bingkai kaku yang ada, bahkan jika ini belum dihitung oleh para ahli atau oleh pipa simulasi. “Kami memvalidasi model kami pada dataset uji dan mengevaluasinya dengan contoh jembatan nyata,” jelas Kuhn. “Model ini menunjukkan keselarasan yang baik dan tingkat presisi yang diperlukan untuk SBB. Karena itu kami telah mengembangkan prototipe awal.” Langkah selanjutnya melibatkan bekerja bersama dengan SBB untuk memastikan bahwa insinyur jembatan dapat menerapkan model dalam praktiknya – dan kemudian memfasilitasi penerapan model yang lebih luas.
AI Assistant membalikkan proses desain
Dalam proyek kedua dari kursi Kaufmann, Sophia Kuhn bekerja dengan Profesor Michael Kraus dan Pusat Ilmu Data Swiss tentang desain jembatan baru. “Tujuan kami adalah untuk mengembangkan asisten AI yang secara aktif membantu tim insinyur merancang jembatan dan mengarah pada struktur hemat biaya yang berkelanjutan mungkin tanpa mengganggu keselamatan,” jelas Kuhn. Secara tradisional, insinyur menyusun desain jembatan dan kemudian menggunakan perangkat lunak perhitungan konvensional untuk menentukan keamanan struktural, kemampuan servis, biaya dan karakteristik lainnya. Jika nilai -nilai ini tidak memenuhi spesifikasi, tim mengubah desain sampai
“Sebenarnya, yang lebih disukai adalah membalikkan proses ini, tetapi itu tidak mungkin dengan perangkat lunak perhitungan konvensional,” kata peneliti. “Apa yang ingin dimasukkan ke dalam tujuan proyek dan kondisi batas dan kemudian menerima desain yang diusulkan yang memenuhi spesifikasi ini tanpa perlu iterasi yang melelahkan.” Asisten AI yang dikembangkan oleh para peneliti, yang menggunakan algoritma AI “generatif”, memungkinkan dengan tepat itu. Ini tidak hanya mempercepat pendekatan ke depan dengan menilai berbagai desain hampir secara real time, tetapi juga secara proaktif menghasilkan desain yang memenuhi kendala dan tujuan yang ditentukan.
Sebagai studi kasus untuk mengembangkan asisten AI mereka, para peneliti, bekerja sama dengan kolega Vera Balmer, menggunakan Gallen yang dirancang oleh perusahaan teknik Basler & Hofmann bersama dengan lanskap NAU2 dan DGJ. Jembatan ini, yang dikenal sebagai jembatan pejalan kaki Wiborada, mengalir melalui taman di kota tua dan harus menghindari menyentuh salah satu pohon yang dilindungi jika memungkinkan. Selama pekerjaan mereka pada proyek ini, para peneliti berhubungan dengan perusahaan teknik, yang terkesan dengan penyajian hasil. Asisten AI memberikan berbagai contoh jembatan yang mungkin dan juga melakukan “analisis sensitivitas” yang menunjukkan parameter mana yang memiliki pengaruh terbesar pada keamanan struktural sesuai dengan standar, atau pada perkiraan biaya atau keberlanjutan.
“Karena itu, asisten AI mendukung insinyur tetapi tidak menggantikannya”, Kuhn menekankan. Misalnya, jika asisten AI mengusulkan desain yang, meskipun tidak terduga, memenuhi spesifikasi dalam hal keselamatan struktural dan kompatibilitas lingkungan, para insinyur masih harus menilai apakah mungkin untuk membangun jembatan seperti itu dan apakah itu akan tahan lama. “Kami tidak memberikan solusi satu klik. Itu selalu melibatkan interaksi antara insinyur dan AI,” kata peneliti.
Toolkit untuk model AI yang diadaptasi
Konstruksi jembatan bukan satu -satunya aplikasi potensial dari teknik pembelajaran mesin canggih ini. Bersama -sama dengan peneliti lain dari Pusat Ilmu Data Swiss dan Ketua Arsitektur Gramazio Kohler Research, kelompok penelitian dari kursi Kaufmann mengembangkan toolkit yang juga membuat algoritma AI dapat diakses oleh insinyur dan arsitek lain tanpa perlu keterampilan pemrograman yang luas.
“Dengan hanya beberapa baris kode, perangkat open-source kami memungkinkan pengguna untuk membangun model maju dan model generatif yang dapat digunakan untuk memecahkan masalah kompleks, dimensi tinggi dalam arsitektur, industri konstruksi dan seterusnya,” jelas Kuhn. Ini dimaksudkan untuk memberikan dukungan berbasis luas untuk perencanaan ekonomi dan berkelanjutan dalam konstruksi. “Di sektor konstruksi, pendekatan ini kurang luas daripada di industri lain seperti rekayasa mesin,” kata peneliti. “Masih ada potensi yang cukup besar untuk efisiensi dan keberlanjutan yang lebih besar menggunakan metode berbasis data – dan itulah tujuan kami.”
Referensi
Balmer, V, Kuhn, SV, Bischof R, Salamanca, L, Kaufmann, W, Perez-Cruz, F, Kraus, MA. Desain Eksplorasi dan Penjelasan Luar Angkasa Melalui Autoencoder Variasional Bersyarat dalam Desain Konseptual Berbasis Meta Jembatan Pejalan Kaki. Otomasi dalam Konstruksi, Vol. 163, Juli 2024, 105411, doi: 10.1016/j.autcon.2024.105411
