Intelligente Resilienzanalyse von Infrastruktur unter Berücksichtigung unsicherheitsbehafteter Echtzeitdaten

Umfassende und dennoch effiziente numerische Modellierungs- und Analysewerkzeuge für große und komplexe Infrastruktursysteme werden für moderne Gesellschaften immer wichtiger. Im aktuellen Projekt werden entsprechende Entwicklungen in ein umfassendes Framework zur Bewertung der Resilienz von Infrastruktursystemen integriert. Dabei werden die Kosten und Unsicherheiten verschiedener resilienzsteigernder Entscheidungspfade berücksichtigt. Gemäß Abb. 1 wird die Resilienz auf der Grundlage der zeitabhängigen Systemleistung Q (t) in Gegenwart von Störereignissen und degradierenden Effekten über den gesamten Lebenszyklus quantifiziert. Das sogenannte "Resilienzdreieck" wird in einer einzelnen Periode durch (A) die Zuverlässigkeit, (B) die Robustheit und (C) die Wiederherstellbarkeit des Systems charakterisiert, wie in Abb. 1 dargestellt, sowie durch entsprechende zur Verbesserung.

Die mehrdimensionale Optimierung von resilienzsteigernden Entscheidungspfaden ermöglicht eine kosteneffiziente Entscheidungsfindung der Interessenvertreter in Bezug auf die Risikoprävention sowie die Planung von Wartung, Reparatur und Instandsetzung. Dabei erlaubt der entwickelte Ansatz die Berücksichtigung von systemischen Wechselwirkungen. Zu den wichtigsten Herausforderungen für eine realistische Analyse gehören die Verknüpfung der zahlreichen Modelle und Performanzgrößen auf allen Systemebenen, die Analyse der umfangreichen Datensätze, die für kritische Bauwerke über den bisherigen Lebenszyklus entstanden sind oder aus dem Structural Health Monitoring (SHM) generiert werden, und die Berücksichtigung der inhärenten Unsicherheit in allen verfügbaren Daten.

Wie in Abb. 2 dargestellt, werden mehrere Systemebenen auf verschiedenen Skalen identifiziert - (1a.) Ingenieursbauwerke, wie Brücken, bilden grundlegende Systemkomponenten, (1b.) regionale Subsysteme stellen räumliche und funktionale Verbindungen dar, (1c.) alle Submodelle werden auf der globalen Infrastruktursystemebene aggregiert. Dieser Substrukturierungsansatz erleichtert nicht nur den Umgang mit der entstehenden Rechenkomplexität für große Infrastruktursysteme, sondern ermöglicht auch die genaue Lokalisierung kritischer Regionen und Komponenten. Auf Komponentenebene wird (2.) ein intelligentes Modellierungsverfahren auf der Basis von automatisiertem maschinellem Lernen entwickelt, um die große Menge an Daten, die für die Referenzbrücke SPP 2388 zur Verfügung stehen, zu einem probabilistischen, zeit- und zustandskontinuierlichen Surrogate Modell zu verdichten. Ein entsprechendes (3.) Verfahren zum Model Updating passt die vom SHM gesammelten Echtzeitdaten an das Ersatzmodell an, um genaue Vorhersagen zu gewährleisten.