Bayesian Neural Network to Factor-in Structural Attributes in Infrastructure Probabilistic Deterioration Models

RÉSUMÉ: RÉSUMÉ:«Les infrastructures de transport jouent un rôle crucial dans la croissance économique en facilitant la circulation des personnes, des biens et des services. Au fil du temps, l’état des infrastructures se détériore en raison du vieillissement, de l’utilisation et des facteurs environnementaux. Bien que les inspections visuelles périodiques constituent l’approche la plus courante pour surveiller l’état des structures à grande échelle, elles sont coûteuses et subjectives. Il en résulte peu de points de données, souvent peu fiables, pour chaque structure. Malgré cela, la plupart des propriétaires d’infrastructures publiques, s’appuient de plus en plus sur des modèles de détérioration basés sur les inspections visuelle pour planifier les activités d’entretien et de réhabilitation. Cependant, se fier uniquement à un nombre limité d’inspections visuelles pour chaque structure n’est pas suffisant pour modéliser de manière fiable leur détérioration. La prise en compte des attributs structurels (par exemple, l’âge, l’emplacement, etc.) peut compenser le manque d’inspections en permettant le partage d’informations entre les structures. Ces attributs sont de bons prédicteurs de détérioration et sont souvent facilement disponible. Une récente méthode de régression par le noyaux a réussi à inclure des attributs structurels dans un modèle probabiliste de détérioration des infrastructures tout en quantifiant l’incertitude des inspecteurs. Bien qu’elle soit capable de modéliser de manière fiable la détérioration, cette méthode nécessite des ressources de calcul considérables et ne peut inclure que peu d’attributs structurels. Ces problèmes rendent l’approche basée sur les noyaux impropre à la modélisation de la détérioration des grands réseaux d’infrastructures ; Pourtant, trouver une méthode alternative n’est pas anodin, car elle doit être probabiliste, efficace sur le plan informatique et capable d’inclure de nombreux attributs. Bien que les réseaux de neurones bayésiens (BNN) soient bien adaptés aux grands ensembles de données et possèdent bon nombre des qualités souhaitées, leur intégration dans le modèle de détérioration existant a été limitée par leurs mécanismes d’inférence reposant sur l’échantillonnage ou l’optimisation basée sur le gradient. Cependant, l’inférence sous forme fermée dans les BNN a récemment été rendue possible grâce à une méthode probabiliste appelée tractable approximate Gaussian inference (TAGI). Cette recherche vise à fusionner un BNN entrainé par TAGI avec un modèle probabiliste de détérioration des infrastructures à grande échelle pour apprendre la relation entre les attributs structurels et les taux de détérioration. La méthode proposée est vérifiée sur un ensemble de données d’inspection visuelle synthétique et ses performances sont comparées à l’approche existante en utilisant les données du réseau de ponts de la province de Québec. Il est démontré que la nouvelle méthode est plusieurs fois plus rapide que la méthode existante sans compromettre les performances prédictives. Il intègre de manière transparente tous les attributs disponibles, ce qui supprime la tâche fastidieuse et chronophage consistant à identifier les variables les plus importantes à chaque fois que de nouvelles analyses sont effectuées. Ces avantages ont incité à étendre la méthode proposée pour estimer conjointement les paramètres de l’inspecteur dans toutes les catégories structurelles (poutres, platelage, etc.), plutôt que de devoir s’appuyer sur la configuration actuelle par catégorie. Ils ont également permis d’automatiser le traitement de bout en bout de l’ensemble des données composées de milliers de structures englobant des millions d’inspections visuelles. L’effet du cadre conjoint sur les paramètres des inspecteurs est examiné et ses performances sont comparées à l’approche par catégorie utilisant plusieurs catégories structurelles. Dans l’ensemble, l’efficacité et l’évolutivité des cadres conjoints et par catégorie proposés permettent de modéliser de manière fiable la détérioration de grands réseaux d’infrastructures.» ABSTRACT: ABSTRACT: «Transportation infrastructure plays a crucial role in fueling the economic growth by facilitating the movement of people, goods, and services. Over time, the condition of the infrastructure deteriorates due to aging, usage, and environmental factors. Although periodic visual inspections are the most common approach to monitoring structural health at a large scale,they are costly and subjective. This results in few and often unreliable data points for each structure. Despite this, most public infrastructure owners increasingly rely on deterioration models based on visual inspections for planning maintenance and rehabilitation activities. Yet, depending solely on a limited number of visual inspections for each structure is not sufficient to reliably model their deterioration. Factoring in structural attributes (e.g., age, location, etc.) can compensate for the lack of inspections by allowing information-sharing between structures. These attributes are good predictors of deterioration and are often readily available. A recent kernel-based regression method has successfully included structural attributes in an infrastructure probabilistic deterioration model while also quantifying the inspectors’ uncertainty. Despite being capable of reliably modeling deterioration, this method requires considerable computational resources and can only include few structural attributes. These issues make the kernel-based approach unfit for modeling the eterioration of large infrastructure networks; yet, finding an alternative method is not trivial, as it must be probabilistic, computationally efficient, and capable of including many attributes. Although Bayesian neural networks (BNN) are well-suited for large datasets and have many of the desired qualities, their integration into the existing deterioration model has been restricted by their inference mechanisms relying on sampling or gradient-based optimization. However, closed-form inference in BNNs was recently made possible by a probabilistic method called tractable approximate Gaussian inference (TAGI). This research aims to fuse a TAGI-trained BNN with a large-scale infrastructure probabilistic deterioration model to learn the relation between the structural attributes and the deterioration rates. The proposed method is verified on a synthetic visual inspection dataset and its performance is compared against the existing kernel-based approach using the bridge network data from the province of Quebec. The new method is shown to be orders of magnitude faster than the existing one without compromising the predictive performance. It seamlessly incorporates all the available attributes, which removes the tedious and time-consuming task of identifying the most important ones each time new analyses are performed. These advantages prompted the extension of the proposed method to jointly estimate the parameters of inspector’ across all structural categories (beams, slabs, etc.), rather than having to rely on the current category-wise setup. They also enabled automating the end-to-end processing of all the data composed of thousands of structures encompassing millions of visual inspections. The effect of the joint framework on inspectors’ parameters is examined, and its performance is compared against the categorywise approach using several structural categories. Overall, the efficiency and scalability of the proposed joint and category-wise frameworks allow for reliably modeling the deterioration of large infrastructure networks.»

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.