Bauingenieurwesen

Diese Masterarbeit implementiert ein automatisiertes Structural Health Monitoring-System für Brückenbauwerke. Dabei werden mithilfe einfacher Sensordaten (Verschiebungs- und Dehnungsmessungen) zuverlässig Schäden am Beton, an der Bewehrung und am Vorspannkraftsystem detektiert und deren Ausmaß bestimmt. So wird die Brückenüberwachung mit einfacher Technik, die für Neu- und Bestandsbauten in Frage kommt, realisiert.

Das Monitoringkonzept basiert auf der Verwendung von Finite-Elemente (FE)-Modellen, deren bekannte Eingangsparameter iterativ angepasst werden, bis die numerische Antwort des FE-Modells mit der gemessenen Tragwerksreaktion des realen Bauwerks übereinstimmt. Zur Optimierung der eingehenden Modellparameter kommt ein Genetischer Algorithmus (GA) zum Einsatz.

Die Implementierung des Systems erfolgt durch die Kopplung des FE-Programms DIANA FEA mit der MATLAB Optimization Toolbox. Mittels einer durchgeführten Parameterstudie, die die optimalen Einstellungen für den GA ermittelt hat, konnte die Berechnungszeit des Algorithmus reduziert werden.

Die erfolgreiche Validierung des Systems wurde am Beispiel eines vorgespannten Fertigteildachbinders durchgeführt. Die Ergebnisse zeigen, dass Schädigungen des Betons und des Vorspannsystems präzise durch eine linear-elastische Berechnungsanalyse identifiziert werden können. Für eine realitätsnahe Modellierung von Schädigungen des Bewehrungsquerschnitts, ist jedoch der Einbezug des nichtlinearen Materialverhaltens von Stahlbeton notwendig.

Der Wissensverlust durch den demografischen Wandel sowie die Steigerung der Produktivität durch Digitalisierung stellen große Herausforderungen im Bauwesen dar. Besonders im Bestandsbau ist das heterogene Wissen von Experten essenziell, um Gebäude und deren Strukturen vor Baumaßnahmen zu bewerten. Diese Bewertungen sind traditionell subjektiv und anfällig für Fehler, beeinflusst durch persönliche Erfahrungen und kognitive Verzerrungen.

Im Fokus dieser Arbeit steht die Beurteilung von Holzbauteilen, die als biologischer Werkstoff jedoch auch anfällig für Schädlinge sind, welche Zellulose als Nahrung nutzen. Der Bewertungsprozess der Schäden umfasst die Sichtung beschädigter Bauteile, die Kategorisierung der Einbausituation, die Einschätzung der Aktivität (aktiver Befall oder Altbefall) und die Bestimmung der Schädlinge.

Ähnlich wie in der Medizin, die bereits seit den 1960er-Jahren digitale Expertensysteme erforscht, wurde in Anlehnung an den diagnostischen Prozess aus der Medizin ein Konzept zur digitalen Bewertung von Schäden im Holzbau entwickelt, um die Sachverständigen zu unterstützen. Es nutzt formalisierte Prozesse, um komplexe Fragestellungen zu vereinfachen, und verlinkte Daten, die sowohl für Menschen als auch Maschinen verständlich sind. Darüber hinaus wurde mittels Fuzzy-Logik eine Möglichkeit geschaffen, auch unsichere Entscheidungsprozesse transparent zu machen.

Das Konzept wurde durch prototypische Anwendungen und Experteninterviews validiert, die dessen Relevanz und Praktikabilität bestätigten. Es stärkt die digitale, datenbasierte Entscheidungsfindung und schafft Grundlagen für die Integration weiterer Technologien wie Künstliche Intelligenz (KI) und Robotik.

Es besteht ein dringender Bedarf, zahlreiche Bestands bauwerke zeitnah und effizient zu modernisieren und instand zu setzen. Der Fachkräftemangel in westlichen Ländern verschärft die Situation zusätzlich. Eine vielversprechende Lösung ist das Building Information Modelling (BIM), das unter anderem die Planung und Durchführung von Modernisierungsmaßnahmen optimiert. Die BIM-Modellierung erfolgt bei Bestandsbauwerken jedoch nachträglich. Hierbei kommt KI mit künstlichen neuronalen Netzen (KNNs) zum Einsatz, um analoge Dokumente wie Baupläne zu digitalisieren, indem Symbole wie Fenster und Türen erkannt werden. Die notwendige Datenmenge für das Training der KNNs stellt jedoch aufgrund des verbundenen Zeit- und Kostenaufwandes ein Problem dar.

Mit den Methoden der Few-Shot Detection (FSD) können unbekannte Symbole anhand weniger Beispiele erkannt werden. In Leitungsplänen wurden diese Methoden bereits erfolgreich angewandt, jedoch sind Baupläne komplexer. Daher untersucht die Arbeit, wie sich die Kosten der Symboldetektion in Bauplänen durch FSD-Methoden reduzieren lassen. Zwei Methoden, die Brute-Force Baseline und der Two-Step Fine-Tuning Approach, werden auf zwei Datensätzen evaluiert.

Die Experimente ergeben, dass die TFA-Methode besser geeignet ist. Insgesamt wird gezeigt, dass FSD-Methoden ein hohes Potenzial zur Reduzierung der Trainingskosten haben, jedoch vollständig annotierte Datensätze benötigen. Mit entsprechenden KNNs können zukünftig auch Unterlagen mit verschiedenen Symbolstilen präzise ausgewertet und damit Gebäude als digitale Modelle rekonstruiert werden.