AI-assisterad underhåll och tillståndsbedömning av undervattensinfrastruktur

Viktiga resultat som projektet gav

Projektet syftar till att identifiera hindren och underlätta inträdet av Machine Learning (ML) för automatiserad inspektion av marina strukturer genom att utveckla lämpliga ML-modeller för specifika förhållanden och miljö för sådana strukturer, och slutligen autonom tillståndsbedömning av marina strukturer. Ett sådant besiktningssystem förväntas minska kostnaderna för besiktning och tillståndsbedömning med minst 50 % och öka hastigheten i verksamheten med minst 50 %.

Långsiktiga effekter som förväntas

En hybrid neural nätverksmodell för bildbehandling utvecklades. Modellen kan upptäcka sprickor i betongkonstruktioner i ganska komplexa bakgrunder som finns i marina miljöer. Förväntade effekter inkluderar: - Att dramatiskt minska underhållskostnaderna för ägare av undervattensinfrastruktur, - Att dramatiskt minska risken för mänskliga skador på grund av undervattensinspektioner genom att främja och underlätta autonomi, Att öka relevant kunskap och kompetens i Sverige.

Upplägg och genomförande

- Identifiera undervattensstrukturella skador: Vi identifierade de vanligaste skadetyperna i betongkonstruktioner i marina miljöer, - Undersök olika AI-verktyg och välj det mest lämpliga: Olika ML-modeller har studerats och en hybrid neurala nätverksmodell etablerades, - Validering och utvärdering av resultaten: Modellen undersöktes för en uppsättning utvärderingsbilder från en betongpir vid Göteborgs Hamn och en lovande genomsnittlig noggrannhet på 93 % vid upptäckt av sprickor erhölls.