最近的结构性倒塌，包括发生在佛罗里达州瑟夫赛德、匹兹堡和纽约市的悲​​剧，都集中体现了对全国老化建筑和基础设施进行更频繁和彻底检查的需求。但检查是耗时的，而且往往是不一致的过程，在很大程度上取决于检查员的判断。德雷克塞尔大学和纽约州立大学布法罗分校的研究人员正试图通过使用人工智能，结合用于量化类网络的经典数学方法，来确定混凝土结构的损坏程度，从而使这一过程更加高效和明确，完全基于其开裂模式。

在最近发表在《计算机辅助土木与基础设施工程》杂志上的论文“一种基于图形的钢筋混凝土剪力墙上裂缝模式量化方法”中，研究人员由德雷塞尔大学助理教授Arvin Ebrahimkhanlou 博士领导工程学院和该学院的博士生 Pedram Bazrafshan 提出了一个过程，可以帮助该国更好地了解其数十万座老化桥梁、堤坝、道路和建筑物中有多少急需维修。

(资料图片)

Ebrahimkhanlou 说：“如果没有一个自主和客观的过程来评估构成我们建筑环境的许多钢筋混凝土结构的损坏，这些悲惨的结构故障肯定会继续发生。” “我们老化的基础设施的使用时间已经超过了它们的设计寿命，而且由于人工检查既费时又主观，结构损坏的迹象可能会被遗漏或低估。”

目前检查混凝土结构(如桥梁或停车场)的过程包括检查员目视检查是否有裂缝、碎裂或渗水，测量裂缝，并注意它们是否随时间发生变化检查之间——可能是几年。如果存在足够多的这些条件并且似乎处于高级状态——根据一套关于损坏指数的指南——那么该结构可能被评为“不安全”。

除了每次检查都需要花费时间之外，人们普遍担心这个过程会给主观性留下太多空间，从而影响最终评估。

Bazrafshan 说：“钢筋混凝土结构中的同一条裂缝可能看起来很危险，也可能很平凡——这取决于看到它的人是谁。” “裂缝可能是建筑物沉降过程中无害的部分，也可能是结构损坏的明显迹象;不幸的是，对于一个人何时从前者发展到后者，几乎没有一致意见。”

Bazrafshan 和 Ebrahimkhanlou 小组的第一步是通过创建一种精确量化开裂程度的方法来消除这种不确定性。为此，他们采用了一种称为图论的数学方法，该方法用于测量和研究网络——最近是社交网络——通过精确定位其图形特征，例如裂缝平均相交的次数。

Ebrahimkhanlou 最初开发了使用图形特征为钢筋混凝土结构中的每组裂缝创建一种“指纹”的过程，并且通过将新检查的结构的指纹与具有已知安全等级的结构的指纹进​​行比较来产生快速且准确的损害评估。

“创建裂纹模式的数学表示是一个新颖的想法，也是我们最近论文的主要贡献，”Ebrahimkhanlou 说。“我们发现这是一种非常有效的量化裂缝模式变化的方法，它使我们能够以一种可量化的方式将裂缝的视觉外观与结构损坏的程度联系起来，并且无论是谁都可以始终如一地重复正在检查。”

该团队使用 AI 像素跟踪算法将裂缝图像转换为相应的数学表示：图形。

Bazrafshan 说：“裂纹到图形的转换和特征提取过程每张图像只需要一分钟左右的时间，与可能需要数小时或数天才能完成所有必需测量的检查过程相比，这是一个显着的改进。” . “对于未来整个分析过程自动化的可能性来说，这也是一个很有前途的发展。”

为了开发用于比较的特征框架，他们让机器学习程序从一组具有不同高长比的钢筋混凝土剪力墙结构图像中提取图形特征，这些图像是为了测试可能发生的墙的不同行为而创建的在地震中。

特别关注显示中度开裂的图像组——表明结构安全性受到质疑的那种——该团队训练了第二种算法，将提取的图形特征与显示对结构造成的损坏程度的有形比例相关联结构。例如，裂缝相互交叉的次数越多——这对应于它们的图形特征的“平均度数”越高——对结构的破坏就越严重。

该程序根据这些特征与机械损伤指标的相关程度，为这些特征中的每一个分配了一个加权值，以生​​成一个定量特征，算法可以根据该特征测量新样本以确定其结构损伤的程度。

为了测试评估算法，该团队使用了在布法罗大学的实验室中经过机械测试的三面大型墙壁的图像，以确定它们的状况。该团队使用每面墙一侧的图像作为训练集，然后使用另一侧的图像测试模型，以测试其预测每个样本损坏程度的能力。

在每种情况下，AI 程序都能够以 90% 以上的准确率正确评估损坏情况，这表明该程序将是一种非常有效的快速损坏评估方法。