Auf dem Weg zur digitalen Brücke existieren bereits erste Lösungen, die den Lebenszyklus einer Brücke abbilden können. Für die Planung, den Bau und den Unterhalt stehen unterschiedlichste Werkzeuge, z. B. BIM, DIN 1076, SIB‐Bauwerke, Monitoring etc. zur Verfügung, die jeweils mit unterschiedlichen Datenformaten arbeiten. Für ein intelligentes Erhaltungsmanagement müssen aber alle Daten mit den verschiedenen Datenformaten zusammengeführt, abgelegt und so verwaltet werden können, dass über den gesamten Lebenszyklus einer Brücke die Abbildung eines ganzheitlichen digitalen Zwillings eines Bauwerks möglich ist. Die Autoren haben dafür mit BBox den Prototyp einer Verwaltungsschale (VWS) auf Grundlage von Industrie 4.0 entwickelt. Damit wird das physikalisch‐ingenieurtechnische Modell zur Zustandsbewertung der Brücke in den Mittelpunkt gestellt und der gesamte Lebenszyklus einer Brücke kann unabhängig von Datenformaten digital erfasst werden. Da der Aufbau der VWS durch die Granularität optimal strukturiert ist, bietet die Ablage und Einspeisung von Messdaten sowohl die Grundlage eines Live‐Monitorings als auch den Grundstein für maschinelles Lernen (ML). Der Datenzugriff via S3‐Schnittstelle erleichtert die Entwicklung von eigenen Prognosemodellen mit Informationsmustern (SHIP – Structural Health Information Pattern). Am Beispiel der Heinrichsbrücke Bamberg wird die praktische intelligente Umsetzung des Bauwerksmonitorings inkl. VWS mit Informationsmustern und ML gezeigt.
Intelligente Systeme (IS) erreichen derzeit die Industrie 4.0 [1, 2] in einem vielfältigem Einsatzspektrum. Mit dem Erhalt von Big Data können IS‐Anwendungen von neuen Techniken des maschinellen Lernens (ML) erweitert werden, um auf Basis der IS erzeugte Digitale Zwillinge direkt umzusetzen. Auf Ingenieurbauwerke können diese Techniken durch ein Bauwerksmonitoring übertragen werden. Durch Onlineüberwachung des Betriebsverhaltens kann ein intelligentes Erhaltungsmanagement über den gesamten Lebenszyklus mit einer proaktiven Schadenserkennung betrieben werden. Mittlerweile ist die Entwicklung wirtschaftlicher intelligenter smarter Verfahren für die Wissensextraktion in der künstlichen Intelligenz (KI) von ausschlaggebender Bedeutung. Der Beitrag stellt die Structural Health Information Patterns (SHIPs) vor, die aus einem Monitoring gewonnen und mit einer ML‐Technik erzeugt werden. Es wird die Erstellung von SHIPs gezeigt. Zudem wird dargestellt, welches Bauwerksmonitoring für die Zustandsüberwachung erforderlich ist, sodass die ML‐Techniken für ein intelligentes Erhaltungsmanagement angewandt werden können. Es werden neuartige Ansätze der intelligenten Analyse mit unüberwachtem und überwachtem ML in Hinblick auf SHIPs für die technische Strukturüberwachung des Ingenieurbauwerks betrachtet. Die neue SHIP‐Methodik wird abschließend an einem Praxisbeispiel, der Heinrichsbrücke Bamberg, demonstriert.
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.