Ідентифікація тріщин у вертикальних елементах будівельних конструкцій за допомогою згорткових нейронних мереж

Abstract

UK: Постановка проблеми.Актуальною проблемою сучасного будівництва стало розроблення нових методів ідентифікації дефектів будівельних конструкцій, які б заощаджували людські ресурси та зменшували залежність результатів обстеження від суб’єктивних людських чинників. Мета роботи полягає у розробленні штучних нейронних мереж для виявлення тріщин у вертикальних елементах будівельних конструкцій (на прикладі бетонних та залізобетонних стін) та їх класифікації за напрямом. Методика.Хмарний інструмент Teachable Machine застосовувався для створення нейронної мережі із закритою внутрішньою архітектурою. Використання бібліотек програмної платформи TensorFlow дозволило розробити згорткову нейронну мережу з оригінальною архітектурою. Програмний код написано мовою Python. Для створення та навчання моделі використовувалося хмарне середовище розробки програмного забезпечення Colab. Наукова новизна.Обчислено нові моделі штучних нейронних мереж для ідентифікації дефектів будівельних конструкцій. Визначено раціональні значення параметрів навчання та раціональну архітектуру згорткової нейронної мережі, які дозволяють досягти найбільшої точності та найменших втрат моделі під час розпізнавання та класифікації тріщин. Практична значимість. Розроблені моделі нейронних мереж та одержані за їх допомогою результати свідчать про високу ефективність застосування методів штучного інтелекту для вирішення проблем діагностики будівельних конструкцій. На відміну від традиційних способів обстеження, запропоновані моделі дозволяють проводити діагностику автоматично в режимі реального часу шляхом аналізу фотографічних зображень, зображень з веб-камери комп’ютера, смартфона чи квадрокоптера. Останнє дає можливість виконувати обстеження споруд без фізичної присутності спеціалістів на об’єкті, що особливо важливо під час роботи в небезпечних місцях: на висоті, в аварійних та частково зруйнованих будівлях, на замінованих територіях тощо. Висновки.Запропоновані у роботі методи розроблення нейронних мереж надалі можуть бути розвинуті для діагностики та класифікації широкого кола дефектів будівельних конструкцій і споруд.

EN: Problem statement.The relevant issue of modern Civil Engineering is the development of new methods for identifying defects in building structures, which would save human resources and reduce the dependence of survey results on subjective human factors. The purpose of the researchis to develop artificial neural networks for the identification and classification of cracks in vertical elements of building structures (e.g., concrete and reinforced concrete walls). Methodology. The cloud tool Teachable Machine is used to develop a neural network with a pre-defined internal architecture. The libraries of TensorFlow software platform allow us to develop a convolutional neural network with a tunable architecture. The program code is written in Python. The training was performed using the cloud environment Colab. Scientific novelty. New models of artificial neural networks for the identification of defects in building structures are developed. The rational magnitudes of the training parameters and the topology of the convolutional neural network are determined allowing to achieve the highest accuracy and the lowest losses of the model. Practical value.The developed models of neural networks and the results obtained with their help ensures a high efficiency of the artificial intelligence to solve problems of the health monitoring of building structures. Unlike traditional approaches, the proposed models allow real-time automatic diagnostics by analyzing photographic images, images from computer, smartphone or quadcopter webcams. The latter makes it possible to inspect buildings without the physical presence of humans at the site, which is especially important for working in dangerous places, such as tall buildings, partially destroyed buildings, mined areas, etc. Conclusions.The proposed methods can be further extended for the monitoring and classification of a wide range of defects in building structures.