Financiado bajo la convocatoria Transmisiones 2023 de CDTI-AEI, ACCIONA coordina INARTRANS 4.0 «Transición digital hacia una industria avanzada en soluciones de inteligencia artificial para el sector de las infraestructuras de transporte”, un proyecto que pretende impulsar el uso de soluciones de inteligencia artificial en el sector de las infraestructuras de transporte para acelerar la transformación digital y aumentar la competitividad del sector de la construcción. Este impulso se aplicará en toda la cadena de valor de la infraestructura: construcción, operación y mantenimiento, con una fuerte componente en relación a sistemas de información y gobierno del dato. El proyecto cuenta con las empresas INDRA, AZVI, VIRTUALMECH y JIG, y con los centros tecnológicos CTCON, TEKNIKER, INTROMAC, UAH, UPM.

Pero, ¿Cómo puede la IA mejorar la toma de decisiones durante todo el ciclo de vida de una infraestructura ferroviaria?

En este artículo se exponen las soluciones que están siendo desarrolladas por el consorcio para cada una de las fases en la vida de una infraestructura.

Construcción

En primer lugar, INARTRANS incorpora y desarrolla nueva tecnología que ayuda a digitalizar aspectos clave durante la construcción de túneles y movimientos de tierra asociados a tramos de ferrocarril.

La construcción de túneles tanto mediante TBM como con métodos convencionales presentan aún limitaciones que pueden ser solventadas mediante modelos de aprendizaje y de inteligencia artificial. En INARTRANS, con un volumen de datos reales suficiente, se analizan los parámetros principales de excavación y de geología mediante la conexión a la base de datos en tiempo real de la máquina tuneladora. De más de 7.000 variables se han seleccionado 23, procedentes de sensores de la TBM y 4 parámetros para definir las unidades geotécnicas.

Mediante la construcción de modelos de regresión (geología-máquina) se puede establecer una predicción del avance de la TBM en términos de parámetros que sean relevantes para el pilotaje, y pueda influir en su toma de decisiones para un avance óptimo en condiciones de seguridad y de rangos de operación de la propia máquina. El modelo se entrena y se calibra con datos de excavación de tuneladora en casos reales, y se compara la realidad de la excavación con los valores arrojados por los modelos. Esto permite al piloto obtener unos valores óptimos para la operación que puede adoptar en su conducción, mejorando la penetración de la máquina en cualquier terreno.

En segundo lugar, en túneles excavados mediante métodos convencionales, se desarrolla una herramienta para realizar mapeos geológicos de forma automatizada, mediante captura de imágenes y escaneo LiDAR únicamente con un smartphone, para recibir un output numérico de la calidad geomecánica.

Además, a partir de este resultado se predice la sobreexcavación ocasionada en la sección y se recomienda un plan de tiro acorde a los valores óptimos. En esta herramienta intervienen algoritmos de inteligencia artificial de reconocimiento de características en imágenes y de predicción en base a modelos machine learning con ingesta de datos reales.

También es disruptivo el control automático de seguimiento de obra mediante tratamiento de imágenes y sensorización para movimiento de tierras. Actualmente, existe la posibilidad de colocar sistemas CCTV o cámaras IP para visualizar unidades de obra desde una cabina de control, pero estos sistemas no disponen de ningún tipo de inteligencia y no permite el uso de los datos capturados en las imágenes, como ya se está haciendo en otro tipo de segmentos, como por ejemplo el control de tráfico o el control de acceso en estaciones de transporte. INARTRANS implementará en su plataforma esta funcionalidad para analizar datos procedentes de tareas de movimiento de tierras y proponer planes y rutas optimizadas en base a datos en tiempo real e históricos.

Operación y mantenimiento

La operación y mantenimiento en ferrocarriles enfrenta una gran variedad de retos que en la actualidad se están intentando acometer empleando tecnologías habilitadoras para poder cubrir mayores longitudes de inspección en menor tiempo y con una alta precisión. INARTRANS aporta sensores avanzados, toma e interpretación de datos automatizada y generación de gemelos digitales para un conocimiento exhaustivo del estado de la infraestructura y material móvil.

Y en concreto, ¿qué técnicas se aplican para ello? Aquí se muestra una descripción de los modelos que se están aplicando:  

• Modelos basados en Inteligencia Artificial (AI/ML) que redunden en una mejora operativa y de mantenimiento centrados en la gestión de la operación y mantenimiento ferroviario a través del tratamiento inteligente de imagen para la caracterización de diferentes parámetros de material rodante y carga al paso de puntos concretos de la infraestructura, determinación de diferentes parámetros de carril a través del despliegue de traviesas inteligentes que provean en puntos críticos información relevante para la operación y el mantenimiento, mejora del posicionamiento del material rodante así como de la longitud efectiva del tren y la integridad del mismo.
• Modelos predictivos híbridos de evolución de catenaria: algoritmos de IA/ML entrenados con conjuntos de datos reales (en función de su volumen, calidad y disponibilidad) y sintéticos. Para la generación de estos datos sintéticos, se desarrollarán gemelos digitales físicos basados en simulaciones multicuerpo de vehículos, modelos físicos de infraestructura, condiciones meteorológicas, operación y modelos de degradación.
• Los gemelos digitales y la validación de los algoritmos de IA/ML entrenados en base a los datos sintéticos generados con ellos, permitirá solventar una de las principales barreras existentes para la introducción de tecnologías de IA en el mantenimiento predictivo de activos ferroviarios lineales, la limitada calidad y volumen de los datasets históricos con que cuentan actualmente los administradores ferroviarios, dada la baja frecuencia de inspección que se realiza.

Plataforma para la gestión integral del dato

¿cómo se gestiona el dato desde que es tomado mediante sensores IoT hasta que se hace uso de el en los gemelos digitales y paneles de decisión?

Para que los resultados logrados con la aplicación de los modelos de inteligencia artificial pueda tener una aplicación directa para futuros usuarios, se ha diseñado una plataforma desde la que poder controlar los procesos de construcción, operación y mantenimiento mediante gemelos digitales y paneles de control alimentados en tiempo real.

La principal aportación tecnológica se basa en contar con una infraestructura IT que permita una gestión y explotación segura de grandes volúmenes de datos procedentes de múltiples fuentes externas y formatos heterogéneos y complejos. Para ello se ha definido una ontología y una arquitectura común que garantice la mensajería de datos, su almacenamiento, transformación y su representación en cuadros de mando o aplicaciones digitales.

Esta infraestructura se vertebra a través de un sistema multicapa (Local-Edge y Puesto central Cloud) que se integra de forma vertical a través de “Communication Middlewares” (CMV) y permite el tratamiento de los datos mediante motores ETL y cuadros de mando.

A través de esta infraestructura se despliegan todas las soluciones de inteligencia sujeto de investigación en este proyecto, además de la inteligencia otorgada a la propia infraestructura.