Methodenentwicklung und Bewertungssystematik für die lebensdauerübergreifende Verknüpfung von Structural Health Monitoring Daten und Bestandswissen über Deep Transfer Learning

Im Projekt „Methodenentwicklung und Bewertungssystematik für die lebensdauerübergreifende Verknüpfung von Structural Health Monitoring Daten und Bestandswissen über Deep Transfer Learning“ werden die Grundlagen für einen allgemeingültigen Ansatz des Structural Health Monitorings (SHM) methodisch untersucht, um die Degradation von Sensoren und Systemen, sowie den nur unzureichend identifizierbaren Randbedingungen von unikalen Bauwerken durch Künstlichen Intelligenz zu berücksichtigen. Dies bereitet den Weg zur lebensdauerbegleitenden Verknüpfung von Zustandsinformationen und Messdaten mit einem „Digitalen Zwilling“ zu einer prädiktiven Instandhaltung, s. Abbildung 1.

Es werden Grundlagenuntersuchen an mittels Deep Transfer Learning angelernter KI-Modellen durchgeführt. Bei Deep Transfer Learning wird bestehendes „Wissen“ aus Simulationen und realen Messungen in Form von allgemeinen KI-Modellen wiederverwendet, um mit einem wesentlich reduzierteren Bestand an Trainingsdaten vom einzelnen Bauwerk und geringerem Trainingsaufwand ein passendes KI-Modell mit hoher Genauigkeit zu erstellen. Durch erneutes Training (Retraining) können während der Lebensdauer des Bauwerks neue Klassen, von zuvor nicht bekannten und berücksichtigten Merkmalen ergänzt werden und damit Sensoreffekte und Bauwerksreaktionen für das jeweilige SHM berücksichtigt werden. Das Projekt untersucht, wie Störeinflüsse und Ungenauigkeiten in den Trainingsdaten die Wissensübertragung von Ausgangsmodell zu Sensormodell bzw. Bauwerksmodell beeinflussen. Für die Generierung von allgemeinem Wissen über ein konkretes Bauwerk wird die Finite Elemente Methode eingesetzt.

Im anschließenden Deep Transfer Learning Prozess werden konkrete Monitoringdaten verwendet, die u.a. vom Demonstratorbauwerk, der Nibelungenbrücke über den Rhein (s. Abbildung 2), gewonnen werden.