Visión computacional como herramienta en faenas de inspección estructural

Toda estructura que presente un periodo considerable en servicio respecto de su vida útil estimada por diseño comienza a presentar signos inequívocos del paso del tiempo, esta condición es evidentemente visible en la evolución de las prestaciones de sus materiales contituyentes, por ejemplo, en estructuras que son conformadas en acero estructural los procesos de corrosión suelen ser determiantes en la continuidad de operación de muchas de estas, así también, en obras de hormigón armado con procesos de pérdias de sección que puedan dejar expuestas las armaduras de refuerzo además de situacones donde se presente la evaluación de fisuras o grietas que en definitiva condicionarán la confiabilidad en su continuidad de operación y remanente de vida útil.

Dado el contexto descrito y el uso de la inteligencia artificial que ya no es un concepto poco usal de escuchar en diversas industrias y procesos, el sector de la construcción aunque de lenta transformación hacia la digitalización, ya ha adoptado diversas ideas de soluciones a problematicas del sector relacionadas con el uso de la gran capacidad de computo que se tiene hoy en día junto con algoritmos desarrollados con fines específicos para fines tales como el seguimiento y reconocimiento de objetos o predicciones de gran utilidad, logrando procesos automatizados y de gran eficacia.

¿Que estamos haciendo en NFA INGENIERÍA?

Basados en técnicas de visión computacional que consideran el tratamiento de imágenes mediante capas de convolución (CNN) es que se logran predicciones a partir de una interacción con un data set predefinido que sintetiza de manera clara las condiciones de fallas previamente parametrizadas y esperadas de poder encontrar en campañas de inspecciones en terreno.

El algoritmo considera la conformación de capas de convolución y el uso de funciones de activación para lograr la condición de predicción deseada, lo anterior es el resultado de un proceso de entrenamiento basado en epocas (o ciclos de entrenamiento del algoritmo) que a su vez consideran un numero determinado de steps, lo que genera un proceso de estudio y "calibración" de cada neurona constituyente de la red en función de la información proporcionada desde el data set.

Las funciones de pérdida y precisión son constantemente monitoreadas en el proceso de "aprendizaje" con la finalidad de poder evaluar la evolución del algoritmo de inteligencia artificial y la condición de convergencia de resultados en función de la cantidad de epocas de entrenamiento, logrando un proceso más eficiente en su configuración en concordancia con los resultados esperados en relación a la definición de anomalías en elementos de hormigón armado.

A la fecha nuestro equipo ha consolidado la generación de diferentes modelos de redes neuronales convolucionales especialmente diseñadas para el trabajo con imágenes (CNN) y con la capacidad de poder discriminar y cuantificar la existencia de daño en elementos de hormigón armado.

El actual desarrollo de investigación busca poder generar una herramienta que pueda facilitar la detección de fallas de importancia en elementos de hormigón en operación de manera de caracterizar las anomalías detectadas mediante la toma de fotografías en entornos de vital continuidad operacional o de difícil acceso con el fin de porporcionar una ayuda al criterio y evaluación experta de un profesional competente. 

Los próximos pasos...

Si bien a la fecha los resultados de los primeros modelos a nivel de prototipo de IA desarrollados en el Departamento de I+D son prometedores, lo que se busca a mediano plazo es poder capitalizar el conocimiento científico a servicios con gran impacto en el desarrollo de proyectos reales, tenemos certeza del impacto que puede lograr la mezcla de ciencia y la tecnología en la optimización de procesos actuales, razón por lo cual seguiremos con nuestros desarrollos, mejorando nuestras bases de datos propias y optimizando nuestros algoritmos que nos permitan poco tiempo poder presentar nuevos avances en materia de inspección y diagnóstico de estructuras basados en IA.