Utilisation de la cartographie numérique LiDAR et de l’apprentissage automatique pour repérer les fissures dans le revêtement de tunnel en béton préfabriqué du projet de tunnel de l’émissaire d’évacuation de l’usine d’épuration d’Ashbridges Bay

Résumé

Les documents réunis pendant la construction du tunnel, comme les photos et les données d’arpentage, sont utilisés pour produire des dessins conformes à l’exécution dans un logiciel de conception assistée par ordinateur. Disposer de données conformes complètes et exactes est essentiel à la certification à la fin du projet, et comme référence pour la surveillance continue pendant la construction ou l’exploitation. Toutefois, la collecte et l’organisation des données peuvent exiger beaucoup de temps et de ressources. On peut se servir de la numérisation laser 3D pour capturer des nuages de points puis générer des modèles 3D détaillés des actifs souterrains qui peuvent ensuite servir à la prise de décisions d’ingénierie. En plus d’analyser le cadre bâti, les ingénieurs sont maintenant en mesure d’annoter et de caractériser numériquement les éléments d’intérêt afin d’accélérer l’acquisition et l’utilité des données recueillies pendant la construction du tunnel.

Cet article présente un flux de travail pour la cartographie numérique géoréférencée du revêtement de tunnel en béton préfabriqué dans la couronne d’un émissaire d’évacuation d’un diamètre interne de 7,0 m de l’usine d’épuration d’Ashbridges Bay (Toronto, Canada), à l’aide d’un outil de cartographie permettant la détection et la télémétrie par la lumière (LiDAR). Le nuage de points capturé est utilisé pour élaborer un algorithme d’apprentissage automatique formé pour cerner les lacunes (p. ex., des fissures) dans les segments du revêtement de tunnel en béton préfabriqué. Les hyperparamètres de l’algorithme de classification en apprentissage automatique sont optimisés afin de prioriser une prévision précise de l’emplacement des fissures dans les segments du revêtement de tunnel en béton préfabriqué. L’objectif de cette étude est de mettre en évidence l’efficacité de la cartographie numérique des tunnels pour consigner les conditions, et de montrer la faisabilité de l’intégration de l’apprentissage automatique dans la surveillance future des tunnels, particulièrement lorsque des données numériques pertinentes sont recueillies pendant la construction initiale du tunnel.