Résumé - Interprétation Automatique des Plans de Profils d'Évaluation Non Destructive à l'Aide de Grands Modèles de Langue pour l'Évaluation de l'État des Ponts

Interprétation Automatique des Plans de Profils d'Évaluation Non Destructive à l'Aide de Grands Modèles de Langue pour l'Évaluation de l'État des Ponts

2025-07-18 17:39:03

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

{cs.AI,cs.IR}

Cette recherche explore le potentiel de l'utilisation de grands modèles de langage (GML) pour automatiser et améliorer l'analyse des cartes de profils de l'évaluation non destructrice (END) pour l'évaluation de l'état des ponts. L'étude démontre l'efficacité des GML dans l'interprétation des informations visuelles complexes provenant des données END, fournissant des analyses détaillées de l'état des ponts et générant des recommandations opérationnelles. ### Principales constatations : * **Évaluation globale des capacités des GML** : La recherche fournit une évaluation complète de divers GML, y compris ChatGPT-4, Claude 3.5 Sonnet, CogVLM2 et ShareGPT4V, pour interpréter les cartes de profils END. Cette évaluation prend en compte leur capacité à générer des descriptions détaillées, à identifier des défauts, à fournir des recommandations et à démontrer une précision globale. * **Amélioration des descriptions d'images** : L'étude trouve que des GML tels que ChatGPT-4 et Claude 3.5 Sonnet génèrent des résumés plus détaillés et plus efficaces des conditions des ponts. Cela démontre le potentiel des GML pour fournir une vue d'ensemble complète de l'intégrité structurale du pont. * **Cadre d'intégration** : La recherche propose un cadre pratique pour intégrer les GML dans les workflows d'inspection des ponts. Ce cadre exploite les forces de multiples GML tout en maintenant une approche structurée et systématique pour l'interprétation des données techniques. * **Efficiency et précision** : Les résultats suggèrent que l'analyse assistée par des GML peut améliorer considérablement l'efficacité et la précision des processus d'évaluation des infrastructures. Cela peut conduire à une prise de décision plus rapide en matière de maintenance des ponts et améliorer les évaluations de gestion des infrastructures et des tests de sécurité. ### Méthodologie : 1. **Entrée de données et préparation** : L'étude utilise cinq ensembles de données uniques de cartes de profils END obtenus par diverses technologies de mesures (GPR, ER, IE et USW) pour l'évaluation des conditions des ponts. 2. **Captioning d'image multipartenariat** : Des GML différents sont employés pour générer des descriptions détaillées et identifier des défauts dans les cartes de profils END. 3. **Analyse de résumé** : Les sorties de multiples modèles de captioning d'image sont consolidées à l'aide de modèles de résumé de GML pour générer une vue d'ensemble complète de l'état du pont. 4. **Génération de la sortie** : La sortie finale inclut des aspects clés tels que l'évaluation de l'intégrité structurale, l'identification et la classification des défauts, et les recommandations de maintenance. ### Conclusion : Cette étude pilote montre le potentiel des GML pour révolutionner l'évaluation de l'état des ponts. En automatisant l'analyse des cartes de profils END et en fournissant des insights détaillés, les GML peuvent améliorer considérablement l'efficacité et la précision des processus d'évaluation des infrastructures. Cette recherche ouvre de nouvelles voies pour une prise de décision plus efficace en matière de maintenance des ponts et contribue aux domaines plus larges de la gestion des infrastructures et des évaluations de sécurité.