Des études comparent des modèles pour prédire la détérioration des ponts

Une étude compare des modèles pour prédire la détérioration des ponts

Répartition pour le type de surface par évaluation de l’état de : (a) la durée d’évaluation, (b) le nombre de ponts, (c) la circulation quotidienne moyenne des camions et (d) la circulation cumulée des camions. Le crédit: Dossier de recherche sur les transports : Journal du Conseil de recherche sur les transports (2022). DOI : 10.1177/03611981221078281

Les défaillances de ponts sont une réalité pour les États dont les infrastructures vieillissent, y compris la Pennsylvanie. En février, le pont Forbes Avenue à Pittsburgh s’est effondré en raison d’une défaillance structurelle; malheureusement, ce genre d’événement n’est pas unique. Selon l’American Road and Transportation Builders Association, environ 14 % des ponts de Pennsylvanie sont structurellement déficients, ce qui signifie qu’au moins un de leurs principaux éléments structurels est en mauvais état.

Dans deux articles récents, Ilgin Guler, professeur adjoint de génie civil et environnemental de Penn State, a comparé la modélisation statistique et l’apprentissage automatique pour surveiller et prévoir les conditions des tabliers de pont, les surfaces les plus élevées d’un pont. Ses résultats sont publiés dans le Journal d’ingénierie des ponts et le Dossier de recherche sur les transports.

“Les deux méthodes ont leurs avantages”, a déclaré Guler. “La méthode statistique fournit des informations sur les facteurs qui contribuent plus ou moins à la détérioration d’un pont, tandis que la méthode d’apprentissage automatique offre une prédiction plus précise.”

Pour leur ensemble de données, les chercheurs ont utilisé une liste de 25 000 ponts appartenant à l’État en Pennsylvanie.

Dans le Journal d’ingénierie des ponts, les chercheurs ont utilisé une méthode d’estimation appelée chaîne de Markov Monte Carlo pour écrire du code en Python afin de représenter les données du pont dans la modélisation statistique. Ensuite, ils ont identifié les coefficients ou paramètres, qui leur ont dit tout ce qu’ils devaient savoir sur les données, selon les chercheurs.

“Dans la méthode de distribution statistique, nous avons pu analyser des variables explicatives, ou les impacts futurs de différentes caractéristiques du pont, telles que les types de matériaux, de poutres et de barres d’armature utilisés pour construire le pont”, a déclaré Muyang Lu, un Penn State. doctorant en génie civil et environnemental et premier auteur des deux articles. “Les données indiquent la probabilité qu’un facteur puisse contribuer à la détérioration d’un pont.”

Dans le Dossier de recherche sur les transports papier, les chercheurs ont utilisé une méthode d’apprentissage automatique connue sous le nom de forêt de survie aléatoire, qui crée des arbres de données en divisant les éléments en groupes similaires pour analyse.

“En utilisant l’apprentissage automatique, nous avons créé un modèle de prédiction en utilisant l’ensemble de données de 25 000 éléments”, a déclaré Guler. “Au fil du temps, nous avons entraîné l’algorithme à” apprendre “des données existantes pour faire des hypothèses sur des données similaires.”

Selon Guler, des méthodes d’apprentissage automatique ont été utilisées dans le passé pour déterminer la détérioration d’un pont pour une année donnée, mais elles n’ont pas été utilisées pour prédire la durée pendant laquelle un pont restera dans un certain état ou combien de temps il faudra pour se détériorer.

“Ces deux méthodes peuvent améliorer la prise de décision lorsque les parties prenantes conçoivent des ponts ou décident de faire des réparations et quand”, a déclaré Guler. “Avec ces modèles basés sur les données, nous avons une meilleure estimation de ce qui va se détériorer et quand. Cela peut considérablement améliorer la façon dont la gestion des ponts est effectuée.”

En plus de Guler et Lu, Aleksandra Radlińska, professeure associée de développement de carrière de la famille Penn State Hartz en génie civil et environnemental, et Jonathan Hydock, étudiant de premier cycle en génie civil et environnemental de Penn State, ont contribué au Journal d’ingénierie des ponts papier.


Surveillance de la sécurité du pont avec des capteurs sans fil


Plus d’information:
Muyang Lu et al, Analyse de fiabilité d’un tablier de pont utilisant la distribution gamma généralisée, Journal d’ingénierie des ponts (2022). DOI : 10.1061/%28ASCE%29BE.1943-5592.0001842. ascelibrary.org/doi/10.1061/%28ASCE%29BE.1943-5592.0001842

Muyang Lu et al, Comparaison de la forêt de survie aléatoire avec le modèle de temps de défaillance accéléré-Weibull pour la détérioration du tablier de pont, Dossier de recherche sur les transports : Journal du Conseil de recherche sur les transports (2022). DOI : 10.1177/03611981221078281

Fourni par l’Université d’État de Pennsylvanie

Citation: Des études comparent des modèles pour prédire la détérioration des ponts (2022, 30 juin) récupéré le 30 juin 2022 sur https://techxplore.com/news/2022-06-bridge-deterioration.html

Ce document est soumis au droit d’auteur. En dehors de toute utilisation loyale à des fins d’étude ou de recherche privée, aucune partie ne peut être reproduite sans l’autorisation écrite. Le contenu est fourni seulement pour information.