TACK – Tunnlar Automatisk spriCK Övervakning genom Maskininlärning

Bergtunnlar i Sverige bärs normalt upp med ett tunt lager fiberarmerad sprutbetong i kombination med bergbultar. Sprickor i sprutbetongen kan leda till att stödsystemet går sönder och deras existens och bredd bör därför noteras vid de inspektioner av tunnlar som rutinmässigt utförs. Under de senaste åren har detta arbete utförts genom in-situ undersökningar som är dyra och tidskrävande. Nyligen har flera studier belyst potentialen med halvautomatiska metoder där en mobil kartutrustning (vanligtvis monterad på ett fordon) används för att fånga scenen och för att rekonstruera 3D-modellen av en tunnel med hjälp av en uppsättning geomatiska sensorer (dvs. infraröda kameror, laserskanning, IMU). Denna digitala representation av tunneln analyseras därefter manuellt genom visuell inspektion i syfte att söka upp sprickan och markera dess utbredning. Det är tydligt att på grund av en stor mängd insamlad data är dessa metoder ineffektiva och påverkade av mänskliga fel.

Målet med projektet var att skapa ett automatiskt system för inspektioner och tillståndsbedömning av tunnlar baserat på en kombination av bildbehandling och maskininlärning. För att uppnå detta var målet att öka TRL (Technology Readiness Level) för det föreslagna systemet från TRL 3/4 (TRL 3 ”fungerar konceptuellt i experimentell miljö”, TRL 4 ”teknik validerad i laboratorium” ) till TRL 7 (demonstration av prototyp i verklig miljö).

Viktiga resultat som projektet gav

Vi uppnådda lovande resultat för sprickdetektering och mätningar genom att kombinera CNN och fotogrammtri.

Långsiktiga effekter som förväntas

Den detaljerade kartläggningen av sprickor samt möjligheten att mäta dess vidd ger ett väldigt bra och detaljerat underlag för att bedöma behovet av underhåll för tunnlar. Detta kommer att öka kunskapen om tunnlars tillstånd samt underlätta planering av underhåll. Detta kommer att minska tiden som tunnlar behöver stängas samt kostnaderna för underhåll. Användandet av digital tvillingar kan dessutom förenkla kunskapsåterföring mellan ägare och inspektörer.

Upplägg och genomförande

Detta projekt genomfördes som ett samarbete mellan KTH, Universitetet Sapienza i Rom samt WSP Sverige. En algoritm för sprickdetektering och mätningar har validerades inom projektet. De uppnådda resultaten har presenterats på vetenskapliga konferenser, i uppsatser på masternivå och som artiklar i högt rankade vetenskapliga tidsskrifter. För att driva forskningen inom området framåt kommer dataset från prover genomförda i laboratorium och ett dataset som krävs för att träna en maskininlärningsalgoritm att upptäcka sprickor i tunnlar att publiceras online.