Розробка AI-системи моніторингу стану мостів та тунелів

Розробка AI-системи моніторингу стану мостів та тунелів

Міст чи тунель не подає ознак деградації до обвалення – якщо не моніторити. Структурний моніторинг (SHM, Structural Health Monitoring) з ML замінює рідкісні планові інспекції безперервним аналізом вібрацій, деформацій та акустичних сигналів.

Сенсорна мережа SHM

Типи датчиків та розміщення:

shm_sensors = {
    'accelerometers': {
        'location': 'главные пролёты, пилоны, подвески',
        'frequency': '100-200 Hz',
        'measures': 'динамический отклик на транспорт и ветер'
    },
    'strain_gauges': {
        'location': 'критические узлы балок, сварные швы',
        'frequency': '1-10 Hz',
        'measures': 'деформация (микрострейн, мкм/м)'
    },
    'displacement_sensors': {
        'location': 'опорные части моста',
        'frequency': '1 Hz',
        'measures': 'вертикальное и горизонтальное смещение'
    },
    'crack_gauges': {
        'location': 'известные трещины, сварные швы',
        'frequency': '0.1 Hz',
        'measures': 'раскрытие трещины в мм'
    },
    'temperature': {
        'location': 'по длине пролёта',
        'frequency': '1/60 Hz',
        'measures': 'температурные деформации (компенсация)'
    }
}

Аналіз модальних параметрів (Modal Analysis)

Вилучення власних частот конструкції:

import numpy as np
from scipy import signal
from scipy.linalg import svd

def extract_modal_frequencies(acceleration_data: np.ndarray,
                               sampling_rate: float = 100) -> dict:
    """
    OMA (Operational Modal Analysis) — идентификация мод из рабочей вибрации.
    Изменение собственной частоты = изменение жёсткости = повреждение.
    """
    n_sensors = acceleration_data.shape[1]

    # Кросс-спектральная матрица
    freqs, Sxy = signal.csd(
        acceleration_data[:, 0], acceleration_data[:, 1],
        fs=sampling_rate, nperseg=2048
    )

    # SVD для выделения мод (FDD — Frequency Domain Decomposition)
    S_matrices = []
    for i in range(len(freqs)):
        row_data = acceleration_data  # упрощённо
        S_matrices.append(np.outer(row_data[i], row_data[i].conj()))

    # Пики сингулярных значений = резонансные частоты
    singular_values = []
    for S in S_matrices:
        U, s, Vh = svd(S)
        singular_values.append(s[0])

    peaks, properties = signal.find_peaks(
        singular_values,
        height=np.mean(singular_values) * 3,
        distance=5
    )

    modal_frequencies = freqs[peaks].tolist()

    return {
        'modal_frequencies': modal_frequencies,
        'dominant_mode': freqs[peaks[np.argmax(properties['peak_heights'])]] if len(peaks) > 0 else None
    }

Моніторинг зміни частот:

def detect_structural_change(current_freqs: list, baseline_freqs: list,
                              tolerance_pct: float = 3.0) -> dict:
    """
    Снижение собственной частоты на >5% = потеря жёсткости = возможное повреждение.
    Компенсируем температурный эффект (зимой частота выше из-за жёсткости металла).
    """
    changes = []
    for i, (curr, base) in enumerate(zip(current_freqs, baseline_freqs)):
        change_pct = (curr - base) / base * 100
        if abs(change_pct) > tolerance_pct:
            changes.append({
                'mode': i + 1,
                'baseline_hz': round(base, 3),
                'current_hz': round(curr, 3),
                'change_pct': round(change_pct, 2),
                'direction': 'decrease' if change_pct < 0 else 'increase'
            })

    severity = 'none'
    if changes:
        max_change = max(abs(c['change_pct']) for c in changes)
        severity = 'critical' if max_change > 10 else ('warning' if max_change > 5 else 'notice')

    return {'structural_changes': changes, 'severity': severity}

Аналіз деформацій та втомний розрахунок

Rainflow- рахунок втомних циклів:

def rainflow_fatigue_analysis(strain_history: np.ndarray,
                               material_sn_curve: dict) -> dict:
    """
    Rainflow counting: подсчёт амплитуд нагрузочных циклов.
    SN-кривая материала: N циклов до разрушения при амплитуде S.
    Правило Майнера: D = Σ(ni/Ni) — суммарное повреждение.
    """
    # Упрощённый алгоритм (реальный через fatpack или rainflow пакет)
    import rainflow

    cycles = list(rainflow.count_cycles(strain_history))

    damage = 0.0
    for amplitude, mean, count, i_start, i_end in cycles:
        # Интерполяция по SN-кривой
        cycles_to_failure = material_sn_curve['coefficient'] / (amplitude ** material_sn_curve['exponent'])
        damage += count / cycles_to_failure

    return {
        'miner_damage_ratio': damage,
        'remaining_fatigue_life_pct': max(0, (1 - damage) * 100),
        'alert': damage > 0.8  # 80% исчерпание ресурса
    }

Детекція аномальних навантажень

Моніторинг перевищення розрахункових навантажень:

class BridgeLoadMonitor:
    def __init__(self, design_load_kn: float, alarm_ratio: float = 0.85):
        self.design_load = design_load_kn
        self.alarm_ratio = alarm_ratio
        self.event_log = []

    def analyze_strain_event(self, timestamp, strain_data: np.ndarray,
                              section_modulus: float) -> dict:
        """
        Из деформации → напряжение → эквивалентная нагрузка
        Elastic modulus для стали: 200 ГПа
        """
        max_strain = np.max(np.abs(strain_data))
        E_steel = 200e9  # Па
        max_stress_mpa = max_strain * E_steel * 1e-6  # МПа

        # Момент → нагрузка (упрощение)
        equivalent_load = max_stress_mpa * section_modulus

        event = {
            'timestamp': timestamp,
            'max_strain_microstrain': float(max_strain * 1e6),
            'max_stress_mpa': float(max_stress_mpa),
            'load_utilization': equivalent_load / self.design_load
        }

        if event['load_utilization'] > self.alarm_ratio:
            event['alert'] = True
            event['severity'] = 'critical' if event['load_utilization'] > 1.0 else 'warning'

        self.event_log.append(event)
        return event

Довгостроковий тренд та прогноз

Регресія на історичних даних:

from sklearn.linear_model import HuberRegressor
from sklearn.preprocessing import PolynomialFeatures

def fit_degradation_trend(monthly_health_scores: pd.DataFrame) -> dict:
    """
    Линейный или полиномиальный тренд Health Score.
    Huber регрессия — устойчивость к аномальным зимним точкам.
    """
    X = monthly_health_scores['month_num'].values.reshape(-1, 1)
    y = monthly_health_scores['health_score'].values

    model = HuberRegressor()
    model.fit(X, y)

    # Экстраполяция: когда health score достигнет 0.6 (порог вмешательства)
    threshold = 0.6
    if model.coef_[0] < 0:  # деградация
        months_to_threshold = (threshold - model.intercept_) / model.coef_[0]
        current_month = monthly_health_scores['month_num'].max()
        months_remaining = months_to_threshold - current_month
    else:
        months_remaining = None  # улучшение тренда

    return {
        'slope_per_month': model.coef_[0],
        'months_to_intervention': months_remaining,
        'intervention_year': pd.Timestamp.today() + pd.DateOffset(months=int(months_remaining or 999))
    }

Інтеграція з САПР та нормативами: Система експортує дані у форматах сумісних із BIM-платформами (Autodesk Revit через IFC, OpenBridge). Звіти відповідають нормативам РФ: СП 35.13330.2011 (мости), ГОСТ Р 56353.

Строки: Установка датчиків + базовий моніторинг деформацій + алерти перевищення навантажень - 4-5 тижнів. Modal analysis, fatigue Rainflow, довгостроковий тренд, BIM інтеграція – 3-4 місяці.