Automated standardization of bridge inspection data using generative AI
Notice bibliographique
Résumé
This paper presents a method leveraging generative AI and natural language processing to standardize bridge inspection data, transforming it into a ready-to-use format for direct use in condition assessment, predictive modeling, and informed decision-making. This entails capturing and evaluating severity levels of reinforced concrete bridge defects from textual inspection data, such as comments provided by inspection personnel regarding type, location, and intensity of these defects. This paper employs three models: (1) a baseline generative pre-trained transformer model, which leverages OpenAI’s large language models to process textual inspection data through an optimized prompt engineering procedure; (2) a fine-tuned generative pre-trained transformer model, which builds upon the baseline by incorporating domain-specific training before being deployed to improve its performance; and (3) a newly developed natural language processing model, which employs conventional natural language processing techniques, providing a benchmark for comparison with the generative AI models. These models are implemented and validated to standardize vast amounts of inspection data extracted from 2255 inspection reports spanning five years (2018–2022) for a set of bridges in Québec, Canada. The fine-tuned model is found to outperform other models in terms of performance, stability, and reliability in detecting and standardizing the severity of different types of concrete defects in bridge decks. It achieves accuracy rates of 98.79 % for corrosion of reinforcing bars, 99.09 % for concrete delamination, and 98.64 % for cracking, scaling, and spalling of concrete. This paper demonstrates the potential for integrating generative AI into infrastructure asset management, an application that has yet to be realized.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».