Daten- und KI-basierte Lösungen

Daten- und KI-basierte Ansätze im Ingenieurwesen können zur Analyse und Modellierung komplexer Systeme und Prozesse eingesetzt werden. Mit Hilfe von künstlichen neuronalen Netzen (ANN) und der Technologie des digitalen Zwillings können sie die Sicherheit, Leistung und Effizienz von Zivil- und Maschinenbausystemen potenziell verbessern. Sie können dazu beitragen, die Kosten zu senken und die Umweltauswirkungen dieser Systeme zu minimieren.

Einige Beispiele für den Einsatz von ANN im Bauwesen sind:

  • Schadenserkennung und -bewertung: Der Einsatz von ANN hilft bei der Analyse von Daten aus Inspektionen oder von Sensoren, bei der Identifizierung von Bereichen mit Schäden oder Verschlechterungen in einer Struktur oder einem System und bei der Bewertung des Ausmaßes des Schadens.
  • Prädiktive Modellierung: Mit datengesteuerten KI-Ansätzen lässt sich das Verhalten von Strukturen und Systemen unter verschiedenen Belastungen und Bedingungen vorhersagen, z. B. die Reaktion von Brücken oder Gebäuden auf Erdbeben oder Windlasten.
  • Modellaktualisierung und -optimierung: KI-Ansätze können zur Anpassung der numerischen Modelle einer Struktur auf der Grundlage von Monitoring-Daten eingesetzt werden. Diese Daten können auch von Algorithmen des maschinellen Lernens verwendet werden, um die optimalen Materialparameter des Modells zu ermitteln.
  • Prädiktive Instandhaltung und intelligente Infrastrukturen: Prädiktive Instandhaltung und intelligente Infrastrukturen können zusammen eingesetzt werden, um die Gesamtleistung von Bauprojekten zu verbessern. Mit Hilfe der vorausschauenden Instandhaltung kann vorhergesagt werden, wann Wartungs- oder Reparaturarbeiten in intelligenten Infrastruktursystemen erforderlich sind, und intelligente Infrastrukturen können zur Optimierung des Betriebs dieser Systeme und zur Verbesserung der Effizienz und Sicherheit dieser Systeme eingesetzt werde.

Beispielhafte Tools

Jupyter-notebook-logo

Beispielhafte Anwendungen

Machine learning im Rahmen der Multiskalenmodellierung

Machine Learning ist im Rahmen der Multiskalenmodellierung ein hilfreiches Instrument. Dadurch können „Deep“ rekurrierende neuronale Netze zur Erzeugung eines objektiven, pfadabhängigen, anisotropen ML-Materialmodelles gebildet werden. Des Weiteren erlaubt die Generierung von datenbasierten ML-Materialmodellen eine Berücksichtigung von mikrostrukturellen Informationen, die in konventionellen Materialmodellen nicht erfasst werden können. Deep Reinforcement Learning kann zudem als Werkzeug zur automatischen Ermittlung der optimalen NN-Meta-Parameter in Verbindung mit der Erfüllung einer vordefinierten Bedingung angewendet werden. 

Anwendung auf Kristallplastizität Ref. (Open Access Ref.)
Anwendung auf poröse Medien Ref. (Open Access Ref.)
Anwendung auf Verbundwerkstoffe Ref. (Open Access Ref.)

Maschinelles Lernen für das Structural Health Monitoring

Structural Health Monitoring (SHM) ist ein wichtiges Instrument zur Gewährleistung der Sicherheit und Zuverlässigkeit von Bauwerken. NDSOL Engineering setzt fortschrittliche ML-Tools ein, um strukturelle Schäden im Rahmen von SHM zu erkennen. Durch die Analyse von Sensordaten können unsere maßgeschneiderten Algorithmen Muster, die auf Schäden hindeuten, genau erkennen. Dies ermöglicht eine frühzeitige Erkennung von Defekten und verbessert die Lebensdauer und Sicherheit von Bauwerken. Dieser Ansatz kann auch dazu beitragen, die Instandhaltungskosten erheblich zu senken.

Details in der Projektkarte

ML-basierte mehrphasige Materialmodellierung

Supervised Machine Learning mit Hilfe eines künstlichen neuronalen Netzes (ANN) hat für viele Anwendungen, die Mehrphasenströmung und Poromechanik beinhalten, erhebliche Popularität erlangt. Bei ungesättigten poromechanischen Problemen ist es aufgrund der multiphysikalischen Natur und der Komplexität der hydraulischen Gesetze eine Herausforderung, den optimalen Aufbau, die Architektur und die Hyperparameter der tiefen neuronalen Netze zu entwerfen. Die Verwendung von Deep Reinforcement Learning (DRL) ist eine praktische Option, um automatisch optimale neuronale Netzwerkeinstellungen zu finden, die eine vordefinierte Leistungsmetrik für die konstitutiven Gesetze des maschinellen Lernens maximieren. Ein Beispiel hierfür ist die Anwendung zur Erstellung eines ML-basierten Retentionsmodells.

Ref. (Open Access Ref.)

ML-basierte Prognose der Materialfestigkeit (z. B. Beton)

Ziel dieses Projekts ist es, die Fähigkeit des maschinellen Lernens zur Vorhersage der Druckfestigkeit von Hochleistungsbeton auf der Grundlage von 8 Eingangsmerkmalen zu demonstrieren. Die explorative Datenanalyse (EDA) zeigt eine starke Korrelation zwischen der Zementmenge (kg/m^3 Mischung) und der Druckfestigkeit (MPa), die gegenüber den anderen Merkmalen dominanter ist. Der Vergleich der Leistung (Genauigkeit und Trainingsgeschwindigkeit) von drei verschiedenen Ansätzen des maschinellen Lernens (MLP, XGBoost und lineare Regression) zeigt eine Überlegenheit von XGBoost, während MLP und XGBoost eine vergleichbare Genauigkeit aufweisen. Die Daten sind der Literatur entnommen.

Details in der Projektkarte