Resumen de A New Methodology Based on Artificial Intelligence for Estimating the Compressive Strength of Concrete from Surface Images

Gamze Doğan, Ahmet Özkiş, Musa Hakan Arslan

• español

  En este estudio se utilizó procesamiento de imágenes digitales y una red neuronal artificial (ANN) para determinar la resistencia a la compresión del hormigón en edificios de hormigón armado sin tomar núcleos. Primero, se generaron 32 muestras de concreto en el laboratorio con diferentes proporciones de agua a cemento, tipos de agregado, cantidades de aglutinante, valores de compresión aplicada al concreto fresco y cantidades de aditivo. A continuación, se visualizaron las ubicaciones de 192 núcleos, y las resistencias a la compresión de sus correspondientes muestras se compararon con las imágenes de la superficie del hormigón, que se digitalizaron mediante procesamiento de imágenes. Si las imágenes digitalizadas fueron la capa de entrada, y los procedimientos de entrenamiento y prueba se realizaron utilizando la ANN como capa de salida. Después de las pruebas, el modelo se validó en edificios reales de hormigón armado. Para el proceso de verificación, se utilizaron 20 núcleos tomados de edificios de hormigón seleccionados al azar. Si bien los resultados obtenidos de las muestras producidas en el laboratorio fueron satisfactorios, el porcentaje de éxito de las muestras tomadas en campo fue limitado. Por último, se comparan los hallazgos del estudio con la literatura sobre este tema, especialmente de las últimas dos décadas.

• English

  This study used digital image processing and an artificial neural network (ANN) to determine the compressive strength of concrete in reinforced concrete buildings without coring. First, 32 concrete samples were produced in the laboratory, with different water-to-cement ratios, aggregate types, amounts of binder, compression values applied to fresh concrete, and amounts of additive. Next, the locations of 192 cores were visualized, and the compressive strengths of their corresponding core samples were matched with the surface images of the concrete, which were then digitized by image processing. The digitized images were the input layer, and the training and testing procedures were performed using the ANN as an output layer. After testing, the model was validated in existing reinforced concrete buildings. For the verification process, 20 cores taken from randomly selected concrete buildings were used. Although the results obtained from the samples produced in the laboratory were satisfactory, the success rate of the samples taken from the field was limited. Finally, the findings of this study are compared against the literature on this subject, especially from the last two decades.