史蒂文斯理工学院正在加速机器学习在土木工程中的技术应用

   电气传播        

由数据分析、数据挖掘推动的机器学习是地球上最普遍、最适用的技术之一,几乎触及现代社会的每个领域。史蒂文斯理工学院土木、环境和海洋工程系(CEOE)的教授们正在利用这些尖端技术来推进智能、可持续和有弹性的基础设施系统的设计、建造和维护,以及减轻自然灾害的影响。

史蒂文斯理工学院正在加速机器学习在土木工程中的技术应用

地下建造


当需要建造一条大型地下公路或下水道管道时,土木工程师使用隧道掘进机(TBM)来切割岩石、粘土和其他土壤类型。这些机器,也被称为鼹鼠,可以像建筑物一样高,长度超过300英尺。


地下施工面临的唯一最重大的挑战是不能相当肯定地知道地表下有什么,这在隧道施工中尤其如此,首席执行官办公室研究隧道和地下土壤条件的助理教授Rita Sousa说。利用从放置在TBM切割头的传感器中收集的数据,Sousa应用机器学习来提取关于地下的知识并在施工前预测地面状况。这种类型的预测性建模可以使地下施工作业更有效、更快速、更安全。


"在土木工程中使用数据科学是比较新的应用,它已经成为更多的主流,为解决土木工程领域的许多挑战提供了令人兴奋的机会。"Sousa说。


CEOE助理教授Valentina Prigiobbe将机器学习用于统计模型的校准和优化,以确定受地下水泛滥(或渗透)影响的老化下水道管道。


"这种方法为下水道维修和下水道洪水缓解的战略干预提供了一个工具。它的实施是灵活的,可以扩展到其他类型的基础设施。"Prigiobbe说。


Prigiobbe还使用先进的技术,如密度函数理论(DFT)--一种在计算化学和物理学中经常使用的量子力学建模方法,来研究放射性元素镭如何在土壤中移动。她正与她的学生一起,用数据科学工具补充这种方法,以揭示与地下运输过程有关的许多复杂性。

史蒂文斯理工学院正在加速机器学习在土木工程中的技术应用

监测桥梁和基础设施


CEOE助理教授Kaijian Liu对利用大数据和机器学习的力量来更好地开发和管理智能建筑环境感兴趣。


刘说:"一个基本的研究问题是如何从越来越多的大型、分散和异质的数据中提取可操作的知识,以支持加强对智能建筑、民用基础设施系统和社区的决策。"


在解决这个问题时,Liu和他的研究团队开发了一个新颖的智能数据分析框架,能够从多个来源中提取、融合和分析桥梁数据,以加强桥梁老化预测和维护决策。该框架使用新颖的机器学习方法,允许利用结构化和非结构化数据进行预测,这超越了这两种数据大多被分开处理的最新技术。这个框架有可能改变决策者以综合、整体和分析的方式使用分散和异质的数据来实现桥梁管理。


目前,刘和他的跨机构合作者正在创建一个民用基础设施系统--开放知识网络(CIS-OKN),以实现数据驱动的民用基础设施决策,从而提高安全性和便利性,并为公众增加经济机会。


CEOE助理教授Mohammad Ilbeigi也专注于开发基于机器学习的方法来分析基础设施发展的不确定性。最近,Ilbeigi和他的研究团队开发了桥梁老化预测模型和最佳桥梁检查程序。这可以帮助交通机构更有效地分配他们的检查和维护资源,并将数百万美元重新投入到急需的基础设施发展项目中。


Ilbeigi说:"今天,我们可以获得基础设施系统中前所未有的大量数据,利用现有的数据,结合高性能的机器学习方法,我们最终可以解决几十年来由于缺乏数据和计算能力而无法解决的问题。"


预测风暴的涌动


CEOE主席兼戴维森实验室主任Muhammad Hajj说,土木工程师可用的数据在未来将变得更大。


哈吉说:"他们将被期望使用这些数据来做出更明智的决定,而我们部门在土木工程应用中实施数据科学方面处于领先地位。"


Hajj和他的同事Reza Marsooli(该系的一名助理教授)以及他们的学生正在使用机器学习来提高在不断变化的气候中由极端风事件诱发的沿海洪水灾害预测能力。在最近的一项研究中,他们表明,当与机器学习相结合时,基于物理学的模拟可以更有效地预测低概率、高后果的风暴潮事件。


Hajj说:"当这些模拟与机器学习相结合时,可以将仅使用高保真物理计算模拟需要几个月或几年的时间,减少到几小时或几天,这在试图确定低概率风暴潮事件(例如,100年回归期)时非常重要。”


最新评论(0)条评论
不吐不快,我来说两句

还没有人评论哦,抢沙发吧~

相关新闻推荐