Resumen - Interpretación Automatizada de Mapas de Contorno de Evaluación No Destructiva Utilizando Grandes Modelos de Lenguaje para la Evaluación del Estado de los Puentes

Interpretación Automatizada de Mapas de Contorno de Evaluación No Destructiva Utilizando Grandes Modelos de Lenguaje para la Evaluación del Estado de los Puentes

2025-07-18 17:39:03

{"Viraj Nishesh Darji","Callie C. Liao","Duoduo Liao"}

{cs.AI,cs.IR}

Esta investigación explora el potencial de utilizar grandes modelos de lenguaje (LLM) para automatizar y mejorar el análisis de mapas de contorno de evaluación no destructiva (NDE) para la valoración del estado de los puentes. El estudio demuestra la eficacia de los LLM en la interpretación de información visual compleja de los datos de NDE, proporcionando análisis detallados del estado de los puentes y generando recomendaciones viables. ### Hallazgos Clave: * **Evaluación Holística de las Capacidades de los LLM**: La investigación ofrece una evaluación exhaustiva de varios LLM, incluyendo ChatGPT-4, Claude 3.5 Sonnet, CogVLM2 y ShareGPT4V, en la interpretación de mapas de contorno de NDE. Esta evaluación considera su capacidad para generar descripciones detalladas, identificar defectos, proporcionar recomendaciones y demostrar precisión general. * **Descripciones de Imágenes Mejoradas**: El estudio encuentra que LLM como ChatGPT-4 y Claude 3.5 Sonnet generan resúmenes más detallados y efectivos de las condiciones del puente. Esto demuestra el potencial de los LLM para proporcionar una visión general completa de la integridad estructural del puente. * **Marco de Integración**: La investigación propone un marco práctico para integrar LLM en los flujos de trabajo de inspección de puentes. Este marco aprovecha las fortalezas de múltiples LLM manteniendo un enfoque estructurado y sistemático para la interpretación de datos técnicos. * **Eficiencia y Precisión**: Los hallazgos sugieren que el análisis asistido por LLM puede mejorar significativamente la eficiencia y precisión de los procesos de evaluación de infraestructuras. Esto puede llevar a una toma de decisiones más rápida en la mantenimiento de puentes y mejorar las evaluaciones de gestión y seguridad de la infraestructura. ### Metodología: 1. **Entrada y Preparación de Datos**: El estudio utiliza cinco conjuntos de datos únicos de mapas de contorno de NDE obtenidos a través de diversas tecnologías de medición (GPR, ER, IE y USW) para evaluar el estado de los puentes. 2. **Capcionado de Imágenes Multimodal**: Diferentes LLM se utilizan para generar descripciones detalladas e identificar defectos en los mapas de contorno de NDE. 3. **Análisis de Resumen**: Los outputs de múltiples modelos de capcionado de imágenes se consolidan utilizando modelos de resumen de LLM para generar una visión general completa del estado del puente. 4. **Generación de Salida**: La salida final incluye aspectos clave como la evaluación de la integridad estructural, la identificación y clasificación de defectos y las recomendaciones de mantenimiento. ### Conclusión: Este estudio piloto demuestra el potencial de los LLM para revolucionar la valoración del estado de los puentes. Al automatizar el análisis de los mapas de contorno de NDE y proporcionar información detallada, los LLM pueden mejorar significativamente la eficiencia y precisión de los procesos de evaluación de infraestructuras. Esta investigación abre nuevas vías para una toma de decisiones más eficiente en el mantenimiento de puentes y contribuye a los campos más amplios de gestión de infraestructuras y evaluaciones de seguridad.