Die Digitalisierung zählt zu den wichtigsten Veränderungsprozessen in diesem Jahrhundert und betrifft alle Bereiche unserer Gesellschaft. Im Bereich des Bauingenieurwesens bietet die Digitalisierung viele Potenziale für alle Phasen des Lebenszyklus von Bauwerken, die durch Verfügbarmachung von Daten und die Definition neuer Wege der Zusammenarbeit ausgebaut werden können. Digitale Methoden, insbesondere Building Information Modeling (BIM) und Structural Health Monitoring (SHM), bieten für Ingenieurbauwerke der Infrastruktur hervorragende Ansätze, diesem Gedanken gerecht zu werden und können einen Beitrag leisten, den Bauwerksbetrieb effizienter zu gestalten. Der Prozess der Bauwerksprüfung von Infrastrukturbauwerken folgt heute festgelegten Regelinspektionsfristen. Mithilfe des vorgestellten Konzepts soll durch die Verzahnung von BIM und SHM eine digital gestützte Instandhaltung von Eisenbahnbrücken entwickelt werden, um ein prädiktives Instandhaltungsmanagement zu ermöglichen und damit die Zuverlässigkeit von Ingenieurbauwerken über die Lebensdauer hinweg zu verbessern. Im Rahmen der Konzeptentwicklung werden die erforderlichen Methoden und Prozesse definiert, erklärt und harmonisiert.
Der Zustand von Ingenieurbauwerken ist von besonderer Bedeutung für den Erhalt und sicheren Betrieb der Verkehrsinfrastruktur. Für ein wirtschaftliches Instandhaltungsmanagement ist die Kenntnis zum aktuellen Zustand eines Bauwerks daher zentral. Neben dem aktuellen Zustand ergeben sich wirtschaftliche Instandhaltungsstrategien aus der Kenntnis der zukünftigen Zustandsentwicklung eines Bauwerks. Durch eine intelligente Datenverknüpfung von Bestandsdaten kann die Entwicklung eines Bauwerks abgeschätzt und so vorausschauend Instandhaltungsmaßnahmen abgeleitet werden. Der Beitrag stellt einen Ansatz vor, wie auf Basis der Methode Building Information Modeling (BIM) und digitaler Bauwerksmodelle über die Verknüpfung mit betreiberbezogenen Bestandsdaten und Structural Health Monitoring (SHM) datenbasiert Prognosen zum Bauwerkszustand von Eisenbahnbrücken abgeleitet werden können. Hierfür werden Verfahren des Machine Learnings (ML) auf die Bestandsdaten zu den Brückenbauwerken der DB Netz AG angewendet und systembezogen ausgewertet. Durch das objektive und datengetriebene Bewertungsverfahren wird eine weitere Grundlage für belastbare Entscheidungen im Instandhaltungsmanagement gelegt.
Due to the relatively high average age of the rail infrastructure in Germany and the thus often historic plans, as-built documentation has a very high priority at Deutsche Bahn AG. The inventory and updating of existing plans represent an enormous challenge for the operator, DB Netz AG. More than 4.6 million inventory plans must be continuously checked to ensure that they are up to date,correct,adjusted and supplemented as necessary. The most fragile structures are railroad bridges. These are the focus of this paper. For now, all information of bridges such as planning documents, statics, status reports of bridge examination, etc. are collected in decentral locations of the owner or operator. The existing information is available in a wide variety of formats, e.g. pdf files, plans on paper, scanned paper plans, digitally created plans, SAPdata and photos. We tackled this problem of non-uniform and decentralized data management within the mdfBIM project. Within the scope of this project, a process model was developed that describes the merging of the various data sources in the planning process and attempts to identify the primary data source in each case. The validation and adaptation of this model was carried out continuously after it had been set up based on a railway bridge in Hannover, Germany. We used machine learning algorithms to enable an automated object classification for the most common objects to derive the highest possible degree of automation. Another important step towards automation was the consolidation of the numerous data sources. This existing, inhomogeneous data was homogenized in a defined process. During this homogenization, the data sets -ranging from existing as-built plans, photo documentation, maintenance and conversion reports, SAP extracts, construction books and construction plans to the newly recorded laser point cloud -was evaluated. In this paper; the complete process chain and the first results are presented. Furthermore, an outlook is given on further research tasks and the further development of the elaborated process chain.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.