Zustandsprognose von Ingenieurbauwerken auf Basis von digitalen Zwillingen und Bestandsdaten
Publikation: Spezielle Publikationen/Beiträge › Sonderbeitrag/Feuilleton (Feature) › Beigetragen › Begutachtung
Beitragende
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
Originalsprache | Deutsch |
---|---|
Seiten | 173-181 |
Seitenumfang | 9 |
Band | 99 |
Ausgabenummer | 3 |
Fachzeitschrift | Bautechnik |
Herausgeber (Verlag) | Ernst & Sohn [Berlin] |
Publikationsstatus | Veröffentlicht - März 2022 |
Peer-Review-Status | Ja |
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