La technologie d'apprentissage en profondeur combinée à l'analyse des données topologiques permet d'estimer avec succès le degré de dommages internes à l'infrastructure du pont

Permet l'estimation de la défaillance et de l'état de dégradation à l'aide de capteurs montés en surface.

Estimer et détecter le risque d'effondrement catastrophique des ponts anciens.

Les tâches d'inspection des ponts sont généralement effectuées visuellement pour vérifier que la structure n'est pas endommagée. Cependant, le problème de ne se fier qu'aux informations recueillies visuellement est que les inspecteurs ne peuvent identifier que les anomalies ou les anomalies apparaissant à la surface de la structure et sont par conséquent incapables de saisir les informations concernant le degré de dommage interne. Il y a eu de nombreux essais dans lesquels des capteurs ont été fixés à la surface du tablier du pont, en utilisant des données de vibration pour évaluer le niveau de dommage. Avec les méthodes utilisées jusqu'à présent, il était difficile de comprendre avec précision le degré de dommage à l'intérieur du pont. La technologie d'IA d'apprentissage en profondeur pour les données de séries chronologiques peut découvrir des anomalies et exprimer en termes numériques des degrés de changement qui démontrent des changements drastiques dans l'état d'objets tels que des structures ou des machines, et détecter l'apparition d'anomalies ou de changements distinctifs. La technologie apprend des caractéristiques géométriques extraites de données de vibration complexes et en constante évolution collectées par des capteurs équipés sur des appareils IoT, permettant ainsi aux utilisateurs d'estimer et de valider l'état de dégradation ou de défaillance dans une variété d'infrastructures ou de machines sociales. Cette technologie a maintenant été confirmée par l'application des données de test de vérification de la 21 Research Association for Infrastructure Monitoring System (RAIMS).