Ăn mòn là tự nhiên và có ở khắp mọi nơi. Mặc dù có nhiều kỹ thuật có thể được áp dụng để ngăn chặn sự ăn mòn, nhưng không có gì tồn tại mãi mãi khi tiếp xúc với các yếu tố của thiên nhiên, vì vậy, việc đánh giá nhất quán và có kế hoạch là điều cần thiết để giữ cho những thứ chúng ta xây dựng hoạt động và an toàn.
Tín dụng: Pixabay/CC0 Public Domain
Một nhóm nghiên cứu tại Đại học Illinois (U. of I.) do Shengyi Wang, ứng viên Tiến sĩ tại Khoa Kỹ thuật Xây dựng và Môi trường, đứng đầu đang sử dụng các nguồn lực của NCSA để giúp hợp lý hóa quy trình đánh giá tình trạng ăn mòn của cơ sở hạ tầng.
Công trình này được công bố trên tạp chí Structural Health Monitoring.
"Ăn mòn gây ra những thách thức đáng kể cho nhiều tài sản cơ sở hạ tầng khác nhau", Wang cho biết, "bao gồm cầu, đường ống, thiết bị quân sự và hệ thống nước. Nó có thể dẫn đến nguy cơ mất an toàn, tổn thất kinh tế đáng kể và rủi ro về môi trường. Đáng chú ý, Hoa Kỳ phân bổ 40% Ngân sách Bảo trì Quốc gia cho các sửa chữa liên quan đến ăn mòn".
Đánh giá các cơ sở hạ tầng khác nhau này cần rất nhiều thời gian và chuyên môn. "Ăn mòn là vấn đề chính ảnh hưởng đến độ bền và sự an toàn của cơ sở hạ tầng quan trọng, dẫn đến chi phí bảo trì đáng kể và rủi ro an toàn", Wang cho biết.
"Các phương pháp đánh giá ăn mòn truyền thống mang tính thủ công, chủ quan và tốn thời gian, đòi hỏi phải có người kiểm tra để đo diện tích ăn mòn."
Cần một chuyên gia để tìm ra sự ăn mòn, đặc biệt là trong giai đoạn đầu. Ví dụ, có thể có điều gì đó quan trọng và tinh tế đang xảy ra ở các trụ đỡ của một cây cầu mà chỉ có một chuyên gia được đào tạo mới có thể tìm ra. Với rất nhiều cơ sở hạ tầng tại Hoa Kỳ mà mọi người sử dụng hàng ngày, thật khó để theo kịp nhu cầu. Nghiên cứu của Wang là một bước quan trọng trong việc giảm bớt một số vấn đề này.
Wang cho biết: "Nghiên cứu của tôi nhằm mục đích tự động hóa và nâng cao khả năng phát hiện, phân đoạn và đo lường ăn mòn bằng mô hình phân đoạn hình ảnh dựa trên học sâu, có thể cải thiện độ chính xác, hiệu quả và tính nhất quán trong phân tích ăn mòn".
Nghiên cứu của Wang liên quan đến việc đào tạo AI bằng hình ảnh có và không có nhãn. Ý tưởng là bạn đưa ra một số hướng dẫn cho AI, trong trường hợp này là hình ảnh về sự ăn mòn mà các chuyên gia con người dán nhãn, sau đó cho phép AI học bằng ví dụ cách phát hiện sự ăn mòn trong hình ảnh không có nhãn. Phương pháp này được gọi là học bán giám sát dựa trên CNN (SSL). Wang giải thích thêm về cách anh ấy sử dụng phương pháp này trong nghiên cứu của mình.
"Phương pháp này bao gồm việc thu thập hình ảnh kính hiển vi kỹ thuật số có độ phân giải cao của các tấm thép bị ăn mòn, được xử lý theo hướng dẫn ASTM D1654 và ISO 12944. Sau đó, những hình ảnh này được chú thích, xử lý, phân đoạn và tăng cường để đào tạo.
"Phương pháp SSL dựa trên giáo viên trung bình sử dụng DeepLabv3+ với xương sống ResNet-34 được sử dụng, cho phép mô hình học từ cả dữ liệu có nhãn và không có nhãn. Ngoài ra, một mô-đun làm mịn hợp nhất bản vá được giới thiệu để tích hợp các bản vá hình ảnh có độ phân giải cao một cách liền mạch và giảm hiện tượng nhiễu ở cạnh.
"Mô hình được thử nghiệm bằng nhiều số liệu hiệu suất, bao gồm độ chính xác, khả năng thu hồi, điểm F1 và IoU, và được so sánh với các mô hình hiện đại."
Mặc dù mô hình học tập nghe có vẻ phức tạp về mặt kỹ thuật, nhưng tác động của nó lại dễ hiểu. Việc kiểm tra cầu dễ dàng hơn có thể giúp phát hiện sự ăn mòn ở giai đoạn đầu. Khi sự ăn mòn tiến triển, việc sửa chữa trở nên tốn kém hơn nhiều và phức tạp hơn.
"Nghiên cứu của tôi nhằm giải quyết vấn đề này bằng cách tự động hóa đánh giá ăn mòn", Wang cho biết. "Việc tự động hóa này cho phép phát hiện sớm, do đó giảm chi phí bảo trì. Nó cũng cải thiện hiệu quả bằng cách thay thế các cuộc kiểm tra thủ công tốn thời gian bằng phương pháp do AI điều khiển.
"Do đó, cách tiếp cận này hỗ trợ tính bền vững bằng cách kéo dài tuổi thọ của cơ sở hạ tầng quan trọng thông qua việc ra quyết định bảo trì được tối ưu hóa. Điều này có ý nghĩa trực tiếp đối với các ngành công nghiệp như giao thông vận tải, xây dựng và quốc phòng."
Nghiên cứu của Wang không chỉ có khả năng giảm bớt một số khó khăn trong việc bảo trì cơ sở hạ tầng mà phương pháp của ông còn có thể được áp dụng cho các mục đích nghiên cứu khác.
Ông cho biết: "Nghiên cứu của tôi cung cấp một khuôn khổ có khả năng mở rộng và thích ứng để phát hiện ăn mòn, có thể mở rộng sang các ứng dụng phát hiện khuyết tật khác trong cơ sở hạ tầng dân dụng, chẳng hạn như phân đoạn và phân tích vết nứt và bong tróc".
"Phương pháp học bán giám sát làm giảm sự phụ thuộc vào các tập dữ liệu được gắn nhãn mở rộng, giúp dễ dàng áp dụng vào các điều kiện môi trường khác. Nghiên cứu trong tương lai có thể dựa trên công trình này bằng cách tích hợp các cuộc kiểm tra dựa trên máy bay không người lái theo thời gian thực hoặc các mô hình dựa trên máy biến áp để phát hiện lỗi đa lớp mạnh mẽ hơn nữa."
Nhóm của Wang tiếp tục cải tiến công việc của họ. Họ sẽ kết hợp nhiều hình ảnh ăn mòn thực tế hơn để tăng cường khả năng khái quát hóa mô hình khi họ tiến triển. Wang cũng có ý định làm cho AI thích ứng hơn với các tình huống khác nhau.
"Tôi cũng sẽ triển khai các kỹ thuật thích ứng miền để cải thiện khả năng hoạt động tốt của mô hình trong các môi trường và loại ăn mòn khác nhau", ông nói. "Ngoài ra, tôi sẽ khám phá các mô hình dựa trên máy biến áp để cải thiện độ chính xác của việc trích xuất tính năng và phân đoạn".
Các kế hoạch trong tương lai bao gồm hợp tác với các đối tác trong ngành để thử nghiệm mô hình tại hiện trường. "Tôi sẽ hợp tác với các đối tác trong ngành như USACE và các nhóm bảo trì cơ sở hạ tầng để triển khai và thử nghiệm hệ thống AI trong các ứng dụng giám sát ăn mòn trong thế giới thực."
Công trình của Wang không thể hoàn thành trong thời gian ngắn như vậy nếu không có nguồn lực tại NCSA. Điện toán hiệu suất cao giúp các nhóm nghiên cứu như Wang có được kết quả nhanh chóng, đẩy nhanh quá trình đổi mới trên mọi lĩnh vực sử dụng điện toán nghiên cứu.
"Hệ thống GPU NCSA Delta đã giúp ích rất nhiều trong việc đẩy nhanh quá trình nghiên cứu của tôi. Việc đào tạo các mô hình học sâu trên hình ảnh có độ phân giải cao tốn kém về mặt tính toán và việc sử dụng các tài nguyên Điện toán hiệu suất cao (HPC) đã giảm đáng kể thời gian đào tạo từ vài ngày xuống còn dưới 20 giờ cho mỗi thí nghiệm, Shengyi Wang, ứng viên Tiến sĩ, Kỹ thuật Xây dựng và Môi trường, Đại học Illinois cho biết.
"Bộ nhớ quy mô lớn và GPU mạnh mẽ cho phép tôi xử lý hiệu quả các tập dữ liệu hình ảnh lớn mà không cần phải cân nhắc quá nhiều đến những hạn chế về phần cứng, đồng thời cho phép tôi tập trung vào việc phát triển phương pháp mới để giải quyết vấn đề."
Mời các đối tác xem hoạt động của Công ty TNHH Pacific Group.
FanPage: https://www.facebook.com/Pacific-Group
YouTube: https://www.youtube.com/@PacificGroupCoLt
