ROSEHIPS推动新的基础设施标准

由谢菲尔德大学领导，由EPSRC项目拨款770万英镑资助玫瑰果项目汇集了来自学术界和工业界的专家，以解决安全和经济地保护当前和未来基础设施的挑战。ROSEHIPS将持续到2027年，涉及贝尔法斯特女王大学，香港大学剑桥和埃克塞特以及包括北爱尔兰在内的行业合作伙伴基建署，Translink，Arqiva，Cellnex(英国)和西门子盖姆。

2019年，清理英国积压的维修工程的成本价值67亿英镑。ROSEHIPS(使用基于人口的SHM(结构健康监测)革新高价值基础设施的运营安全和经济)旨在通过研究自动化健康监测来解决英国的基础设施资产管理问题。

代替昂贵的定期检查，永久安装的传感器可以持续收集结构数据，并通过计算机算法进行解释，从而帮助ROSEHIPS框架提供经济的诊断。

”监控大型基础设施的一个真正挑战是缺乏来自这些结构的数据，尤其是受损状态的数据谢菲尔德大学。“即使有特定结构的可用数据，也不清楚它是否可以用于为另一个大致相似的结构的维修改进提供决策支持。”

埃克塞特大学的詹姆斯·布朗约翰教授补充说，可以使用工程判断来识别结构之间潜在的相似性，但主观性可能导致不同分析师之间缺乏一致性。该团队表示，ROSEHIPS的一个重要元素是通过开发和实施一种正式的数学方法来计算结构之间的“相似性得分”，从而纠正这一问题的工程师。

更多来自土木和结构

结构将以数学图形式表示，图论将用于计算它们之间的相似性分数。贝尔法斯特女王大学的大卫·赫斯特博士解释说，对于相似度高的结构，来自其中一个的数据很可能有助于管理另一个。

克罗斯教授是牛津大学机械工程系主任谢菲尔德大学他说:“这种系统化的比较方法是该领域迈出的一大步，因为它首次允许利用有限的可用数据来管理其他结构。”

对于项目的传感元件，ROSEHIPS框架将接受在给定结构上收集的任何传感器数据。

Cross教授说，SHM已经成功地将机器学习(ML)用于某些状态监测和结构健康监测应用，但机器学习有效管理大型民用基础设施的例子很少，而用于结构类型人群的例子就更少了。

“所以，问题是你如何最有效地利用和发展机器学习，或者机器学习的特定方面，如迁移学习，来管理大型民用基础设施，”克罗斯教授继续说道。“机器学习/人工智能与物理学的结合可以提供一种非常新颖和强大的方法，这将在健康监测环境中实现信息丰富和可靠的预测。”