Zustandsprognose von Ingenieurbauwerken auf Basis von digitalen Zwillingen und Bestandsdaten

Publikation: Spezielle Publikationen/BeiträgeSonderbeitrag/Feuilleton (Feature)BeigetragenBegutachtung

Beitragende

  • Hubert Naraniecki - , Marx Krontal Partner GmbH (Autor:in)
  • Robert Hartung - , Rheinisch-Westfälische Technische Hochschule Aachen (Autor:in)
  • Steffen Marx - , Institut für Massivbau (IMB), Technische Universität Dresden (Autor:in)
  • Katharina Klemt-Albert - , Rheinisch-Westfälische Technische Hochschule Aachen (Autor:in)

Abstract

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.

Details

OriginalspracheDeutsch
Seiten173-181
Seitenumfang9
Band99
Ausgabenummer3
FachzeitschriftBautechnik
Herausgeber (Verlag)Ernst & Sohn [Berlin]
PublikationsstatusVeröffentlicht - März 2022
Peer-Review-StatusJa
No renderer: customAssociatesEventsRenderPortal,dk.atira.pure.api.shared.model.researchoutput.ContributionToPeriodical

Externe IDs

ORCID /0000-0001-8735-1345/work/142244469
Mendeley 62112ac7-399a-3901-a264-16bcb1e3ece7

Schlagworte

ASJC Scopus Sachgebiete

Schlagwörter

  • Building Information Modeling, Eisenbahnbrücken, Entscheidungsbäume, Machine Learning, Structural Health Monitoring, Zustandsprognose, prädiktive Instandhaltung, shBIM, Maintenance and Repair, predictive maintenance, Railway construction, artificial intelligence, decision trees, railway bridges, condition state prediction, Bridge engineering