Hola,
¿eres nuevo aquí?

Regístrate gratis y conecta tu empresa con financiación pública, partners y proyectos.

Tengo cuenta

Regístrate

Ver video

TED2021-131560A-I00

Financiado

Cerrado

GENERACION DE ALGORITMOS INTELIGENTES PARA EL MANTENIMIENTO DE VIAS EN BASE AL T...

GENERACION DE ALGORITMOS INTELIGENTES PARA EL MANTENIMIENTO DE VIAS EN BASE AL TRATAMIENTO DIGITAL DE IMAGENES DE ACELERACIONES EN VEHICULOS FERROVIARIOS EL PROYECTO GIGAFER SE CENTRA EN LA MEJORA DEL ANALISIS DE LOS DATOS PROCEDENTES DE LA AUSCULTACION DINAMICA DE VIA POR MEDIO DE TECNOLOGIAS BASADAS EN INTELIGENCIA ARTIFICIAL APLICADAS AL PROCESAMIENTO DIGITAL DE IMAGENES. ACTUAL... ver más

01/01/2021

UPV

92K€

Presupuesto del proyecto: 92K€

Líder del proyecto

UNIVERSITAT POLITÈCNICA DE VALÈNCIA No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 691

Fecha límite participación Sin fecha límite de participación.

Financiación concedida El organismo AGENCIA ESTATAL DE INVESTIGACIÓN notifico la concesión del proyecto el día 2021-01-01 No tenemos la información de la convocatoria

0% 100%

Características del participante

Este proyecto no cuenta con búsquedas de partenariado abiertas en este momento.

Información adicional privada

No hay información privada compartida para este proyecto. Habla con el coordinador.

Participantes

UPV

Lider

Proyectos interesantes

PID2021-125711OB-I00

Software

Data Science

145K€ Cerrado

OmniVideo

Software

Data Science

2M€ Cerrado

TIN2015-66951-C2-1-R

Software

Data Science

91K€ Cerrado

PID2019-110977GA-I00

Software

Data Science

133K€ Cerrado

QQML

Software

Data Science

100K€ Cerrado

DEEPLEARNING

Software

Data Science

164K€ Cerrado

Conecta tu I+D

¿Tienes un proyecto y buscas un partner? Gracias a nuestro motor inteligente podemos recomendarte los mejores socios y ponerte en contacto con ellos. Te lo explicamos en este video

Líder del proyecto

UNIVERSITAT POLITÈCNICA DE VALÈNCIA No se ha especificado una descripción o un objeto social para esta compañía.

Total investigadores 691

Presupuesto del proyecto 92K€

Fecha límite de participación Sin fecha límite de participación.

Descripción del proyecto EL PROYECTO GIGAFER SE CENTRA EN LA MEJORA DEL ANALISIS DE LOS DATOS PROCEDENTES DE LA AUSCULTACION DINAMICA DE VIA POR MEDIO DE TECNOLOGIAS BASADAS EN INTELIGENCIA ARTIFICIAL APLICADAS AL PROCESAMIENTO DIGITAL DE IMAGENES. ACTUALMENTE, LAS ADMINISTRACIONES FERROVIARIAS ANALIZAN LOS DATOS DE LAS AUSCULTACIONES DINAMICAS UNICAMENTE EN EL DOMINIO DEL TIEMPO, CLASIFICANDO EL DEFECTO SEGUN LA MAGNITUD DEL PICO OBSERVADO. CON ESTE PROYECTO SE PRETENDE, ADEMAS, IDENTIFICAR EL TIPO DE DEFECTO Y SU ORIGEN.SOBRE LAS ACELERACIONES CONVERTIDAS EN IMAGENES MEDIANTE ESPECTROGRAMAS, SE HARA USO DE ARQUITECTURAS DE DEEP LEARNING BASADAS EN REDES NEURONALES CONVOLUCIONALES (CNNS) PARA EXTRAER CARACTERISTICAS DE LOS ESPECTROGRAMAS Y CLASIFICARLOS SEGUN SU DETERIORO DE FORMA CONJUNTA. EN PRIMER LUGAR, SE ANALIZARAN LOS CRUZAMIENTOS DE DESVIOS, POR SER UNO DE LOS PUNTOS CRITICOS DE LA VIA. EN UN PARADIGMA DE APRENDIZAJE SUPERVISADO, LAS CNNS REQUIREN GRANDES CANTIDADES DE DATOS PARA EXTRAER CARACTERISTICAS ROBUSTAS EN LA CLASIFICACION. POR ELLO, SE HARA USO DE TECNICAS DE SELF-TRAINING BASADAS EN CONTRASTIVE LEARNING Y DATA AUGMENTATION APLICADO EN DATOS NO ANOTADOS, PARA ENTRENAR UN EXTRACTOR DE CARACTERISTICAS MAS GENERALIZABLE. CON EL CODIFICADOR ENTRENADO, COMBINARAN PERDIDAS BASADAS EN ENTROPIA CRUZADA CON REGRESIONES LINEALES PARA APORTAR UNA ESCALA DE DETERIORO CONTINUA PARA CADA TIPO DE ELEMENTO DE VIA ANALIZADO.PARA LA APLICACION A OTRO TIPO DE SINGULARIDADES DE LA VIA, DEBIDO A LA COMUN ESCASEZ DE NUEVOS EJEMPLOS DE CADA GRADO DE NUEVOS DEFECTOS A ESTUDIAR EN ESTE TIPO DE APLICACIONES INDUSTRIALES, SE SEGUIRA UN ENFOQUE BASADO EN FEW-SHOT LEARNING PARA DICHA TRANSFERENCIA DE CONOCIMIENTO. EN CONCRETO, SE ENTRENARAN MODULOS DE RELATIONAL LEARNING CAPACES DE OBTENER METRICAS DE APRENDIZAJE PROFUNDO CAPACES DE COMPARAR ESPECTROGRAMAS DE SINGULARIDADES DE VIA CON UN NUMERO REDUCIDO DE EJEMPLOS DE CADA TIPO DE NUEVO DESGASTE, APORTANDO UNA PUNTUACION DE SIMILITUD PARA CADA UNO. ESTOS MODELOS SERAN TESTEADOS EN BASES DE DATOS EXTERNAS, LAS CUALES PUEDEN PRESENTAR UN CAMBIO DE DOMINIO DEBIDO A LAS CARACTERISTICAS DEL SISTEMA FERROVIARIO. PARA PALIAR ESTE DESAFIO, SE ESTUDIARA EL USO DE TECNICAS DE DOMAIN ADAPTATION QUE ACOPLEN LOS SUBESPACIOS OBTENIDOS POR EL CODIFICADOR PARA SINGULARIDADES DE VIA DEL DOMINIO ORIGEN Y OBJETIVO. LOS DISINTOS MODELOS PREDICTIVOS SERAN VALIDADOS Y TESTEADOS DE FORMA ADECUADA, SIGUIENDO UNA PARTICION BASASDA EN HOLD OUT.SEGUN DATOS CONSULTADOS DEL ADMINISTRADOR DE INFRAESTRUCTURAS FERROVIARIAS (ADIF) Y DE EMPRESAS CONSTRUCTORAS ADJUDICATARIAS DEL MANTENIMIENTO DE ALGUN TRAMO DE RED DE ALTA VELOCIDAD, EL MANTENIMIENTO DE LA SUPERESTRUCTURA FERROVIARIA (BALASTO, TRAVIESAS, SUJECIONES Y CARRILES) PUEDE LLEGAR A SUPONER UN COSTE 1.250 MILLONES DE EUROS AL AÑO. CONSIDERANDO LOS RESULTADOS PREVIOS DEL EQUIPO DE INVESTIGACION, LOS ALGORITMOS DESARROLLADOS OBTUVIERON MEJORAS EN LA DETECCION DE CRUZAMIENTOS DETERIORADOS EN DESVIOS DEL 8% DE ACIERTO RESPECTO A METODOS PREVIAMENTE UTILIZADOS, ALCANZANDO UNA PUNTUACION F1 DEL 73%. CON ESTO SE OBTENDRIA UN AUMENTO DE LA FIABILIDAD Y DISPONIBILIDAD DEL SISTEMA A LA VEZ QUE SE REDUCIRIAN LOS COSTES DE INSPECCION.

Conecta tu I+D

Entra hoy

¿Olvidé mi contraseña?

Financiación

Empresas

CTIs/Universidades

Proyectos

Investigadores