1. Home
  2. TRID
  3. View Record
TRB Annual Meeting

Künstliche Intelligenz im Bauingenieurwesen. Hintergründe, Status Quo und Potenziale

Artificial intelligence in civil engineering. Background, status quo and potential applications

Einleitend werden Hintergründe und Definitionen zur sogenannten „Künstlichen Intelligenz“ (KI) vorgestellt, wobei die KI in einen für das Bauingenieurwesen relevanten Kontext gesetzt wird. Aus informationswissenschaftlicher Sicht umfasst die KI alle Systeme, die ihre Umgebung wahrnehmen und Maßnahmen ergreifen, mit denen die Chance auf das erfolgreiche Erreichen von Zielen maximiert wird. Der Begriff „KI“ meint also, dass eine Maschine beziehungsweise ein Algorithmus Fähigkeiten wie Lernen und Problemlösen nachahmt. Die Begriffe „Maschinelles Lernen“ (ML = Machine Learning) und „Tiefes Lernen“ (DL = Deep Learning) stellen verschiedene Arten der KI dar. Beim ML muss grundsätzlich ein mathematisches Modell für das zu untersuchende Problem vorhanden sein. Das DL ist historisch gesehen ein Teilgebiet des ML, das sich ausschließlich mit den sogenannten Neuronalen Netzen beschäftigt. Nach den grundsätzlichen Darstellungen werden Beispiele für die Anwendung der KI im Bauwesen vorgestellt. Das erste Beispiel behandelt die versuchs- und simulationsdatengestützte Kalibrierung eines neuronalen Netzes zur wirklichkeitsnahen Vorhersage der Stabilitätsversagenslasten von quadratischen und rechteckigen Stahlhohlprofilen unter Axial- und Biegebelastung. Dieses kalibrierte und trainierte Neuronale Netz kann im Rahmen einer semi-probabilistischen Bemessung alternativ zu analytischen oder computergestützten Methoden angewendet werden. Im zweiten Beispiel wird die Berechnung von Platten nach der Kirchhoff-Theorie mit physik-informierten Neuronalen Netzen vorgestellt. Im Gegensatz zum vorhergehenden Beispiel wird hier ein physik-informiertes Neuronales Netz zur Lösung einer partiellen Differenzialgleichung ohne zuvor bereitgestellte Trainingsdaten kalibriert. Physik-informiert bedeutet dabei, dass zwei Neuronale Netze so definiert werden, dass eines die starke Form der Differenzialgleichung und das andere die Rand- und Anfangsbedingungen jeweils zum Training der Parameter des jeweiligen Neuronalen Netzes verwendet. Konkret handelt es sich bei dem Beispiel um eine quadratische Platte mit sinusförmiger Flächenlast, für die sowohl eine analytische Lösung als auch eine Lösung mit der Finite-Element-Methode verfügbar ist. Ein drittes Beispiel zeigt die Anwendung der KI bei der Produktionskontrolle von Verbundsicherheitsgläsern für den konstruktiven Glasbau. Um den Haftgrad der Polymerfolie zum Glas zu bestimmen, werden im Rahmen der werkseigenen Produktionskontrolle sogenannte Pummel-Tests durchgeführt. Das Verbundglas wird bei diesem Test auf einem schrägen metallischen Untergrund mit einem Hammer bearbeitet. Das zerstörte Glas wird dann mittels Erfahrungswerten hinsichtlich des Adhäsionsgrades nach der Pummel-Skala anhand des Erscheinungsbildes beurteilt. Bei dem vorgestellten Beispiel verwendet man die Pummel-Skala als Datengrundlage für die Entwicklung eines bildverarbeitenden KI-Werkzeugs zur Prognose des Pummel-Werts. Erste Ergebnisse zeigen eine Prognosewahrscheinlichkeit der richtigen Klassifizierung des Pummel-Tests von über 80 Prozent. ABSTRACT IN ENGLISH: The technology of „artificial intelligence“ (AI) is currently paving its way into both private and professional everyday life in a wide variety of forms. Hence this article is on the one hand concerned with an introduction to the background and definitions of this technology and on the other hand with the illustration of different AI methods successfully applied to examples from the civil engineering. Finally potentials for future applications of AI in civil engineering are explored. Selecting the examples attempts to present the broadest possible spectrum of applications of AI in civil engineering and related disciplines: on the one hand, AI serves as an alternative to established numerical methods such as the finite element method in the computation and design of structures and components, and on the other hand, image-processing AI methods can be used successfully in a variety of ways, from construction supervision to production-accompanying material quality controlling. It is particularly worth mentioning that the presented physics-informed AI does not require a „big data“ situation and is therefore interesting for application in civil engineering practice. (A)

Language

  • German

Media Info

  • Media Type: Print
  • Features: Figures; References;
  • Pagination: pp 369-78
  • Serial:
    • Bauingenieur
    • Volume: 95
    • Issue Number: 10
    • Publisher: Springer-VDI-Verlag GmbH
    • ISSN: 0005-6650

Subject/Index Terms

Filing Info

  • Accession Number: 01775983
  • Record Type: Publication
  • Source Agency: Bundesanstalt für Straßenwesen (BASt)
  • Files: ITRD
  • Created Date: Jul 6 2021 2:37PM