Modelo innovador para monitorear grietas en el concreto asfáltico

El concreto asfáltico (AC) es un material común para las superficies de las carreteras, con alrededor del 95% de las carreteras pavimentadas en Estados Unidos hechas de esto. Uno de los principales problemas con el AC es que se agrieta, lo que puede llevar al fallo de la carretera. Es importante monitorear cómo se forman y crecen las grietas en el AC para evaluar su durabilidad y predecir futuros problemas. Los métodos tradicionales para medir el crecimiento de las grietas a menudo involucran herramientas físicas como sensores, que solo pueden recopilar datos de lugares específicos y requieren una cuidadosa configuración.

#La necesidad de mejores técnicas de medición

Los métodos actuales para medir la propagación de grietas suelen proporcionar información limitada y pueden ser tediosos de configurar. Por ejemplo, dispositivos como galgas de deformación solo dan datos desde el punto donde se colocan. Esto significa que si una grieta se desarrolla en otro lugar, podría no ser detectada. Además, estas herramientas a menudo necesitan recalibración para asegurar lecturas precisas. Por lo tanto, se necesita una técnica más completa y eficiente para monitorear grietas en toda la superficie del AC durante las pruebas.

#Avances en tecnología

Desarrollos recientes en tecnología han llevado a explorar el procesamiento digital de imágenes y el Aprendizaje Profundo como soluciones potenciales. Las técnicas tradicionales de visión por computadora, como el umbral y la segmentación, tienen limitaciones cuando se trata de patrones de grietas complejos. Por otro lado, el aprendizaje profundo, especialmente a través de redes neuronales convolucionales (CNNs), ha demostrado ser prometedor para detectar y categorizar grietas visibles de manera efectiva.

#Correlación de Imágenes Digitales (DIC)

La Correlación de Imágenes Digitales (DIC) es un método óptico utilizado para medir desplazamiento y deformación en superficies. Funciona rastreando el movimiento de los píxeles en imágenes tomadas antes y después de aplicar una carga. Esta técnica permite identificar grietas como interrupciones en los Campos de Desplazamiento. Sin embargo, los métodos tradicionales de DIC pueden ser intensivos en computación y no funcionan bien en aplicaciones en tiempo real, particularmente al analizar numerosas imágenes rápidamente durante pruebas de AC.

#Un nuevo enfoque: CrackPropNet

Para mejorar los métodos existentes, se ha introducido un nuevo modelo de aprendizaje profundo llamado CrackPropNet. Este modelo utiliza imágenes recogidas durante pruebas de agrietamiento para medir cómo se propagan las grietas. Aprende a encontrar cambios en los campos de desplazamiento al comparar las imágenes de referencia (antes de agrietarse) y las imágenes deformadas (después de agrietarse). El propósito de este modelo es proporcionar una forma rentable, rápida y confiable de medir la propagación de grietas en toda la superficie del AC.

#Recolección de datos

Se creó una gran base de datos de imágenes para entrenar el modelo CrackPropNet. Las imágenes se recolectaron de varias pruebas bajo diferentes condiciones para capturar una amplia gama de comportamientos de agrietamiento. Las pruebas involucraron controlar la carga aplicada al AC a diferentes temperaturas y tasas, lo que afectó cómo se formaron las grietas. Se aplicó un patrón de salpicaduras a las superficies de AC para mejorar la calidad de imagen para el análisis DIC.

#Pasos de Procesamiento de imágenes

El proceso de entrenamiento de CrackPropNet involucró varios pasos:

1. Colección de imágenes: Se tomaron imágenes en bruto durante las pruebas usando cámaras de alta resolución.
2. Cálculo de campos de desplazamiento: Se utilizó la técnica DIC para derivar campos de desplazamiento de las imágenes.
3. Etiquetado de bordes de grietas: Se crearon etiquetas de verdad fundamental que indican dónde estaban presentes las grietas analizando los campos de desplazamiento.
4. Verificación de etiquetas: Se realizaron verificaciones automatizadas y manuales para asegurar la precisión de los bordes de grietas etiquetados.

#Entrenamiento del modelo

El modelo CrackPropNet utiliza una arquitectura de red diseñada especialmente que se basa en métodos existentes de estimación de flujo óptico. La arquitectura incorpora tanto un FlowNetC como dos modelos FlowNetS. El modelo fue entrenado para producir un mapa de probabilidad de bordes de grietas, que indica la probabilidad de grietas en diferentes puntos de la imagen.

Durante el entrenamiento, se utilizaron varias técnicas de aumento de datos, como voltear imágenes y ajustar brillo y contraste, para mejorar la capacidad del modelo de generalizar en diferentes escenarios. El proceso de entrenamiento involucró minimizar una función de pérdida que tuvo en cuenta la naturaleza desequilibrada de los píxeles de bordes de grietas y no grietas, asegurando que el modelo aprendiera a identificar correctamente las grietas.

#Evaluación y pruebas

Después del entrenamiento, el modelo fue probado en un conjunto de datos separado para evaluar su rendimiento. Los resultados indicaron que CrackPropNet podría procesar imágenes rápidamente, alcanzando tasas de cuadro adecuadas para aplicaciones en tiempo real. Las pruebas mostraron que el modelo era efectivo para distinguir entre imágenes con y sin grietas. Mantuvo un alto nivel de precisión incluso cuando se probó con imágenes que contenían ruido.

El modelo también demostró un rendimiento sólido en un tipo diferente de prueba, llamada IDEAL-CT, que presentó nuevos desafíos debido a su diferente comportamiento de agrietamiento. A pesar de esto, CrackPropNet fue capaz de medir la propagación de grietas de manera precisa.

#Aplicaciones de CrackPropNet

CrackPropNet tiene varias aplicaciones prácticas en el campo del transporte y las pruebas de materiales. Aquí hay algunos usos clave:

1. Comparar mezclas de AC: Puede usarse para evaluar el potencial de agrietamiento de diferentes mezclas de asfalto al rastrear qué tan rápido se propagan las grietas en cada mezcla bajo condiciones de prueba controladas.

2. Validar protocolos de prueba: Al usar CrackPropNet para mediciones de campo completo, los investigadores pueden validar métodos tradicionales que se basan en mediciones localizadas, mejorando la confiabilidad de los protocolos de prueba.

3. Desarrollar índices de agrietamiento: El modelo puede emplearse para crear o actualizar índices que predicen el potencial de agrietamiento, ofreciendo a las agencias de transporte mejores herramientas para evaluar el rendimiento de los materiales.

4. Monitoreo en tiempo real: Con su velocidad y precisión, CrackPropNet podría integrarse en sistemas de monitoreo en tiempo real para carreteras, ayudando a identificar fallas potenciales antes de que se conviertan en problemas significativos.

#Conclusión

CrackPropNet ofrece un avance significativo en la forma en que se mide la propagación de grietas en el concreto asfáltico. Al utilizar técnicas de aprendizaje profundo y procesamiento digital de imágenes, ofrece una solución flexible, eficiente y rentable a un desafío continuo en el mantenimiento de carreteras y pruebas de materiales. Este modelo no solo mejora la capacidad de monitorear grietas con precisión, sino que también tiene amplias aplicaciones en la evaluación y mejora de la longevidad de los materiales asfálticos utilizados en la construcción de carreteras. La investigación futura podría centrarse en expandir la base de datos, mejorar la precisión del modelo y explorar sus capacidades en una gama más amplia de condiciones de prueba.