Resumen

El mtodo tradicional de deteccin de grietas en puentes de hormign presenta los inconvenientes de su baja precisin y escasa robustez. En este artculo, se propone un mtodo de identificacin de grietas para estructuras de hormign basado en redes neuronales convolucionales U-net mejoradas, combinado con los datos de imgenes digitales de grietas obtenidos a partir de ensayos de flexin de vigas de hormign armado, con el fin de mejorar la precisin de la identificacin de grietas. En primer lugar, se realiza una prueba de flexin de vigas de hormign para recoger imgenes de grietas. En segundo lugar, se obtienen conjuntos de datos de imgenes de grietas utilizando la tecnologa de aumento de datos. Se marcan las grietas seleccionadas. En tercer lugar, sobre la base de las redes neuronales U-net, se aaden al modelo U-net mejorado un mdulo de inception mejorado y un mdulo de Atrous Spatial Pyramid Pooling. Por ltimo, se identifican las anchuras de las grietas utilizando las imgenes binarias de grietas de hormign obtenidas a partir del modelo U-net mejorado. La precisin media del conjunto de pruebas del modelo propuesto es un 11,7% superior a la del modelo de segmentacin de red neuronal U-net. El error relativo medio de la anchura de la grieta del modelo propuesto es del 13,2%, un 18,6% menos que el medido con el sistema ACTIS. Los resultados indican que el mtodo propuesto es preciso, robusto y adecuado para la identificacin de grietas en estructuras de hormign.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Método; Identificación de grietas; Estructuras de hormigón; Redes neuronales convolucionales U-net; Precisión; Robustez
• Keywords:Method; Crack identification; Concrete structures; U-net convolutional neural networks; Accuracy; Robustness