"Existe un enorme potencial para que usemos la inteligencia artificial no solo para comprender mejor los problemas relacionados con la infraestructura ferroviaria, sino también para crear soluciones para resolverlos", dice el jefe de mantenimiento de Network Rail, Tim Flower en declaraciones a Newcivilengineer.

"La clave es asegurarnos de que entrenamos esos algoritmos de IA de la manera correcta, asegurándonos de que tenemos la información correcta allí".

"Si podemos procesar automáticamente los datos y presentarlos a los ingenieros, entonces están mucho mejor informados", dice Flower. "Podemos decirles lo que necesitan saber cuándo necesiten saberlo, lo que les permitirá concentrarse en la capacidad del personal y la supervisión in situ y realmente impulsar ese resultado de calidad por el que nos esforzamos".

El sistema se implementó durante el último período de control y ha sido entrenado para garantizar que no se pierda nada, lo que ha significado falsos positivos ocasionales, donde las imágenes se han malinterpretado, han sido un problema.

Flower explica: "Se basa en la visión artificial, pero hemos comenzado a hacer un aprendizaje automático para tratar de mejorar la precisión".

"El aprendizaje automático se trata de eliminar los falsos positivos de la salida, por lo que los inspectores humanos solo están mirando las cosas genuinas que necesitan revisar".

El consultor Atkins ha experimentado desafíos falsos positivos similares en el desarrollo del trabajo de datos de levantamiento aéreo que ha llevado a cabo con Network Rail.

"Está descubriendo dónde está esa tolerancia para los niveles de precisión", dice Jonny Corker, analista senior de servicios habilitados para tecnología de Atkins. "Lo que es y no es aceptable perderse".

Movimiento de tierras y vegetación

Los puntos de tierra de los datos LiDAR se utilizan para construir un modelo digital del terreno (DTM). Los modelos de terreno de diferentes años se comparan para mostrar cambios a lo largo del tiempo, y estos cambios se clasifican utilizando el aprendizaje automático y la computación en la nube para detectar y cuantificar posibles problemas geotécnicos.

"Podemos entender hacia dónde se ha movido el suelo durante ese período de tiempo y dónde existe una inestabilidad potencial, o dónde ha habido trabajos en el pasado y podría haber más inestabilidad más adelante", explica Fatema Walji, ingeniero de gestión de activos digitales de Atkins. .

La segunda iniciativa se enfoca en el manejo de la invasión de vegetación. Network Rail gestiona su vegetación utilizando una especificación que define las zonas de invasión, que indica el espacio libre necesario para permitir el paso seguro de los trenes. 

El operador ferroviario ha trabajado con Atkins para crear estas zonas y luego las intersecta con datos LiDAR de vegetación para comprender en qué parte de la red está invadiendo la vegetación. 

"Entonces los gerentes pueden entrar en esa área específica y llevar a cabo la gestión requerida", dice Walji.

Estas iniciativas son parte de la cartera más amplia de investigación y desarrollo de Network Rail, y el objetivo es poder implementarlas en toda la organización para ayudar a los usuarios finales a tomar decisiones de gestión de activos más informadas. 

Mientras tanto, un proyecto del Centro de Cambridge para Infraestructura y Construcción Inteligente (CSIC) para Network Rail ha utilizado una red automatizada de un sistema de detección de rejilla de fibra Bragg (FBG), sensores de emisión acústica y acelerómetros de alta sensibilidad para obtener información sobre un viaducto de mampostería dañado en Leeds 

La detección de fibra óptica en los FBG proporciona datos dinámicos de deformación en múltiples ubicaciones simultáneamente, identificando la extensión y contracción del puente cuando los trenes lo cruzan. 

Además de esto, la detección de emisiones acústicas detecta ondas de alta frecuencia que indican grietas. Estas ondas de alta frecuencia se pueden distinguir fácilmente de las frecuencias de vibración típicas de los puentes.

El co-investigador del CSIC, Matthew DeJong, explica que esto hace posible "detectar qué grietas están activas y propagándose y cuáles han estado allí durante 30 años pero no son un problema".

Estos datos del sensor han permitido al CSIC investigar nuevos enfoques para la gestión de activos, en colaboración con el Instituto Alan Turing.

Por ejemplo, los algoritmos desarrollados para el puente han separado la variación estacional de otras tendencias de datos a largo plazo, identificando áreas en el viaducto donde el deterioro se está produciendo activamente.  

"Debido a los cambios en la temperatura y la humedad, la parte del puente que se mueve cuando un tren cruza cambia con la época del año", dice DeJong, quien también es profesor asistente de ingeniería estructural en la Universidad de California, Berkeley. 

"Hemos podido desbloquear algunas de esas cosas y ya vemos lugares donde se produce un daño continuo".

Otro proyecto de desarrollo de Network Rail está explorando la correlación entre los datos meteorológicos y la falla de los activos. 

El gerente de I + D de Network Rail, Rob Forde, explica: “Un ser humano puede decir que cuando llueve, puedo ver que la tendencia de este tipo de activos está fallando. Actualmente estamos trabajando en un modelo predictivo que puede decir: 'está llegando el clima, estos son los puntos calientes en las áreas en las que es probable que veas un fracaso' ".

Una vez que un modelo comprende los factores variables, aprenderá. 

"Por lo tanto, tiene un período de tipo meteorológico, tendrá una falla de activos y volverá al modelo para aprender algo que no le ha enseñado", dice Forde. 

"Le das un entrenamiento básico y comienza a entrenarse a sí mismo".

Cuando el modelo ha sido entrenado de esta manera, la IA es repetible, y una vez que llega a la etapa de ser confiablemente correcta la primera vez, las normas suben. 

"Es un poco como entrenar a un ser humano", dice Forde. “Cuanto más alguien hace una tarea, más reconoce las sutilezas en ella. Con el aprendizaje automático, cuanta más información ingrese, mejor será el algoritmo ". 

Estos métodos también permiten procesar grandes cantidades de datos a velocidades más rápidas de lo que era posible anteriormente. 

"La capacidad de procesar grandes conjuntos de datos aumenta el valor de esos conjuntos de datos", dice Corker. “Puedes ser más proactivo. Tienes nuevas herramientas en los juegos de herramientas de los ingenieros ”.

Desde la perspectiva de Network Rail, Flower destaca la importancia de esta proactividad. 

"Deberíamos poder informar mucho mejor a los gerentes del activo", dice. "Comenzaremos a ver cuándo las cosas tienden hacia una alarma, en lugar de esperar una alarma". 

DeJong también enfatiza esto. “Antes era reactivo. Ahora, detectamos cosas mucho antes y actuamos sobre ellas cuando es más apropiado ".

Agrega que buscar tendencias en grandes cantidades de datos de alta dimensión o multiparamétricos es un desafío manual, pero que la inteligencia artificial permite a los equipos "buscar tendencias en los datos que de otro modo no hubiéramos podido capturar".

Como tal, la IA tiene el potencial de eliminar gran parte del trabajo preliminar y los cálculos que impiden que los equipos de diseño se centren en lo que están capacitados para hacer. 

HackPartners y Network Rail, por ejemplo, actualmente están construyendo tecnología que utilizará IA para automatizar el trabajo de diseño de la estación. 

La herramienta NextStation permitiría a los planificadores ingresar parámetros específicos relacionados con el número de pasajeros que entran o salen de una estación, luego AI diseñaría la estación para que se adapte a ellos.

"Aceleraría el proceso de diseño de las estaciones y lo haría mucho más barato", explica el director ejecutivo de HackPartners, River Tamoor Baig.

Cuando se trata de operaciones, Baig cree que "habremos fallado un truco si en una década todavía tenemos humanos que solo toman decisiones operativas". 

En general, Forde cree que no se trata de "eliminar la necesidad de personas", sino de "eliminar las tareas repetibles que las personas encuentran bastante mundanas".

Corker está de acuerdo. "Ayudará a las personas a tomar decisiones, no a tomar decisiones por ellos", dice. 

“Un algoritmo es muy difícil de responsabilizar por sus decisiones. Todos lo entienden. Es su nombre el que aparecerá en la parte inferior del informe”.