TACK - Tunnlar Automatisk spriCK Övervakning genom Maskininlärning

Viktiga resultat som projektet gav

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).

Långsiktiga effekter som förväntas

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

Externa länkar

Project Homepage