Predicciones de intervención de mantenimiento utilizando redes neuronales de incorporación de entidades

      CI186 PROYECTO DE TESIS I                                                    2019-1[pic 1]

FORMATO F3_ ANALISIS DEL ARTICULO CIENTIFICO

Author (s): Zaharah Allah Bukhsha, Irina Stipanovica, Aaqib Saeedb, Andre G. Doreea

Títle of paper: Predicciones de intervención de mantenimiento utilizando redes neuronales de incorporación de entidades

Journal: Automation in Construction

Volume (issue): 116

pag – pag (year):  (2020) 103202

1. Problema que el autor del artículo científico desea resolver  

Clasificación y regresión al inferir los patrones y reglas de los datos en el mantenimiento de puentes.

1. Descripción del aporte del autor                 

El aporte que el autor realiza es que se explora varios algoritmos supervisados ​​desde el aprendizaje automático tradicional hasta el paradigma del aprendizaje profundo con el fin de encontrar el modelo óptimo para las tareas de predicción. Entre los métodos basados ​​en árboles, los modelos de árbol de aumento de gradiente funcionaron mejor con valores kappa de 0,56, 0,61 y 0,68 en el conjunto de datos completo para las tareas de predicción de estado de condición, nivel de riesgo y consejos de mantenimiento, respectivamente. Para desarrollar modelos predictivos con una capacidad predictiva mejorada aún más, exploramos la red neuronal con incrustaciones de entidades para aprender a partir de datos estructurados. (Allah Bukhsh et al., 2020)  De manera similar, los pesos de clase se implementan en NN-EE para abordar el problema del desequilibrio de clases. El NN-EE con pesos de clase mejoró el kappapuntúe a 0,70, 0,76 y 0,79 con una precisión cercana al 80% para el estado de la condición, el nivel de riesgo y los consejos de mantenimiento, respectivamente. Para todos los algoritmos dados, se desarrollan los modelos predictivos discretos, es decir, clasificadores específicos de tareas.                

1. Proceso para resolver el problema

La inspección es una herramienta integral para la gestión de activos de infraestructura. El marco de inspección de la agencia de carreteras considerada consta de tres tipos de inspección, a saber, inspecciones de rutina, generales y principales. Las inspecciones de rutina y generales tienen como objetivo la detección de fallas inesperadas. La inspección principal está dirigida al pronóstico de la futura necesidad de mantenimiento de la infraestructura.

Se describe un proceso detallado del BMS desde la inspección de un activo hasta el asesoramiento de mantenimiento. Los detalles de la inspección se registran a nivel de elemento, mientras que cualquier daño observado, su causa, tipo de daño y su extensión se registra a nivel de componente. Posteriormente, la puntuación de condición de un componente puente se cuantifica en un cuadro de mando estándar basado en análisis subjetivos, estándares cuantitativos y acuerdos de nivel de servicio. A continuación, se realiza el estudio de escritorio en el que se accede a los daños y estados de condición señalados para su probabilidad de fallas para cuantificar el nivel de riesgos. El riesgo observado en el elemento del puente se controla tomando ciertas medidas de mantenimiento. Los propietarios de activos y los directores de inspección emiten avisos de mantenimiento a partir de una lista estándar para activar las acciones de mantenimiento. Sin embargo, el proceso desde la inspección hasta el asesoramiento de mantenimiento es subjetivo, donde, debido a la consideración del riesgo, es posible que no se establezca un vínculo directo entre el daño, la condición y el nivel de riesgo.

...