Detailergebnis zu DOK-Nr. 81570
Feldvalidierung einer auf Deep-Learning basierenden Georadar-Bildanalyse zur Verbesserung der Erkennung tiefliegender Schäden (Orig. engl.: Field Validation of Deep-Learning-Based Ground Penetrating Radar Image Analysis for Advancing Subsurface Distress Detection)
| Autoren |
A. Abdelmawla J.J. Yang S.S. Kim |
|---|---|
| Sachgebiete |
11.1 Berechnung, Dimensionierung, Lebensdauer 12.0 Allgemeines, Management |
Transportation Research Record: Journal of the Transportation Research Board Vol. 2678, H. 11, 2024, S. 489-500, 15 B, 1 T, 28 Q. − Online-Ressource: verfügbar unter: https://journals.sagepub.com/home/trr
Der Artikel beschreibt eine innovative Methode zur Analyse von Georadardaten (GPR) zur Detektion von Rissen in gebundenen Schichten (Ermüdungs- oder Reflexionsrisse). Dazu wird eine fortschrittlichen Deep-Learning-Technik eingesetzt, um die Radargramme und Daten automatisiert auswerten zu können. Das Hauptziel ist die Verbesserung der Genauigkeit und Effizienz bei der Bewertung von Fahrbahnen. Bei der Validierung der Ergebnisse wurde ein alternativer Ansatz gewählt. Dabei wurden die Bereiche analysiert, in denen neben tieferliegenden Rissen auch Oberflächenrisse vorhanden sind. Das Modell konzentriert sich auf Quer- und Ermüdungsrisse, die sich von unten nach oben entwickeln. Es konnte die Effektivität des Modells, bei der genauen Identifizierung von tieferliegenden Rissen, gezeigt werden. Der Artikel hebt die Bedeutung von nicht-invasiven und zerstörungsfreien Prüfmethoden wie GPR hervor, die eine kontinuierliche Überwachung der strukturellen Bedingungen von Fahrbahnen ermöglichen. Die Fortschritte in der Deep-Learning-Technologie bieten Möglichkeit, die Genauigkeit der Detektion von Schäden zu verbessern und die Analysezeit erheblich zu verkürzen.