Monitoringdatengetriebenes Lebensdauermanagement mit AR auf Basis einer adaptiven, KI-gestützen Korrosionsprognose für Infrastrukturbauwerke aus Stahlbeton unter kombinierten Einwirkungen
Im deutschen Bundesfernstraßennetz befinden sich mehr als 39.000 Brücken, davon bestehen mehr als 85% aus Stahl- und Spannbeton. Mehr als die Hälfte dieser Ingenieurbauwerke weist ein Alter von 40 bis 50 Jahre auf (Bundesanstalt für Straßenwesen; 2021). Alterung, Materialermüdung und die gestiegene Verkehrsbelastung führen zu Schädigungen der Bausubstanz und gefährden damit die Sicherstellung der Zuverlässigkeit und Leistungsfähigkeit des gesamten Verkehrssystems. Im Hinblick auf die Schadensursachen an Brückenbauwerken, sind der Anteil erforderlicher Betoninstandsetzungen oder Abbrüche infolge von chloridinduzierter Bewehrungskorrosion am höchsten, vgl. Abbildung 1.
In diesem Projekt soll eine Methode erforscht werden, die es erlaubt mit aktuell verfügbaren Messprinzipien Bauwerke zu überwachen und zeitvariante Zustandsinformationen für eine Verknüpfung mit einem digitalen Bauwerkszwillings zur Verfügung zu stellen. Dabei werden Ansätze der Gewinnung, Aufbereitung und Verarbeitung von kontinuierlich erfassten Sensordaten eines Korrosionsmonitorings und deren Verknüpfung mit einem digitalen Lebensdauermanagementsystem untersucht. Basis hierfür ist eine adaptive Lebensdauerprognose unter kombinierter Beanspruchung aus Chloridexposition und mechanischen Einwirkungen. Selektierte und interpretierte Sensordaten dienen dabei der regelmäßigen Adaption von Modellparametern. Sowohl für die Interpretation der lokalen und ggf. fehlerhaften Sensordaten als auch für die Adaption der Parameter des Prognose-Modells sollen Methoden der künstlichen Intelligenz (KI) zur Anwendung kommen. Insbesondere mit Hilfe von Physikalisch-Informiereten Neuronalen Netzen (PINN) werden Zustandsdaten laufend aktualisiert und zu einer Adaption der Lebensdauerprognose genutzt. Aus den lokal erfassten Sensordaten, Ergebnissen aus zusätzlich durchgeführten Bauwerksuntersuchungen und Informationen zum Spannungs- bzw. Verformungs- und Risszustand des Bauwerks werden Modellparameter abgeleitet, die eine dreidimensionale Darstellung und Prognose des Schädigungsfortschritts ermöglichen. Zudem wird es möglich, Veränderungen von Messwerten bzw. Korrelationen durch die Alterung bzw. Schädigung des Betons oder infolge der Degradation des Monitoringsystems zu erfassen.
Ausgewählte Sensor- und Prognosedaten werden innerhalb eines Digitalen Zwilling mit einer Datenbank verknüpft. Mit Hilfe des Abgleichs von Prognosedaten, Daten zur Bauwerksgeometrie und der Lage der Stahlbewehrung im Bauteil sollen Problemstellen identifiziert und mit Hilfe von Augmented Reality (AR) am Bauteil visualisiert werden. Auf diese Weise können oberflächlich noch nicht sichtbare Schadstellen bei Bauwerksprüfungen leichter aufgefunden und kontrolliert werden. Die adaptive Lebensdauerprognose liefert eine zuverlässige Vorhersage des Schädigungsprozesses und ermöglicht so eine optimierte und lokal differenzierte Planung zukünftiger Instandsetzungsmaßnahmen.
Das Projekt wird in Kooperation von Dirk Lowke (Baustoffe und Bauwerksinstandhaltung) und Henning Wessels (Datengetriebene Modellierung) geleitet, um die adressierten Forschungsfragen sowohl hinsichtlich der bautechnisch-betontechnologischer Aspekte als auch im Hinblick auf die Künstliche Intelligenz in einer hinreichenden Tiefe zu untersuchen.
Das Arbeitsprogramm des Forschungsvorhabens gliedert sich in 5 Arbeitspakete. Den Kern der Forschungsarbeiten stellt dabei das in AP2, AP3 und AP4 adressierte Monitoringdatengetriebene Lebensdauermanagementsystem mit AR auf Basis einer adaptiven, KI-gestützten Lebensdauerprognose dar, Abbildung 2.
Im AP2 wird zunächst auf die Aufbereitung und Verarbeitung der kontinuierlich erfassten Sensordaten für die adaptive Lebensdauerprognose mit Hilfe physikalisch informierter neuronaler Netze fokussiert. Dadurch wird eine sichere Zuordnung und Interpretation der Sensordaten auf Basis eines physikalisch-basierten Modells möglich. Die Erfassung der Sensordaten für das Training der physikalisch informierten neuronalen Netze erfolgt dabei an Ersatzbauwerken, mit genau bekannten betontechnologischen und physikalischen Eigenschaften sowie gezielt kontrollierten gekoppelten Einwirkungen aus Chloridexposition und Belastung, welche in AP1 hergestellt werden. AP3 und AP4 adressieren die Untersuchungen zur Verknüpfung von Sensor- und Modelldaten mit einem digitalen Zwilling sowie die Erforschung von Methoden zur Visualisierung der Daten am Bauwerk mittels der AR. Die Validierung und Applikation der Forschungsarbeiten soll schließlich im AP5 am zentralen SPP-2388-Validierungsbauwerk erfolgen.
Anprechpartner
Publikationen
Peer-Reviewed Journal Paper
Ullmann, S., & Lowke, D. (2024). The effect of external load on the chloride migration resistance and the service life of reinforced concrete structures and repair mortars. Construction and Building Materials, 443. https://doi.org/10.1016/j.conbuildmat.2024.137770
Becks, H., Lippold, L., Winkler, P., Moeller, M., Rohrer, M., Leusmann, T., Anton, D., Sprenger, B., Kähler, P., Rudenko, I., Arcones, D. A., Koutsourelakis, P.-S., Unger, J. F., Weiser, M., Petryna, Y., Schnellenbach-Held, M., Lowke, D., Wessels, H., Lenzen, A.,…Hegger, J. (2024). Neuartige Konzepte für die Zustandsüberwachung und -analyse von Brückenbauwerken – Einblicke in das Forschungsvorhaben SPP100+/Novel Concepts for the Condition Monitoring and Analysis of Bridge Structures – Insights into the SPP100+ Research Project. Bauingenieur, 99(10), 327-338. doi.org/10.37544/0005-6650-2024-10-63
Narouie, V., Wessels, H., and Römer, U.: Inferring displacement fields from sparse measurements using the statistical finite element method. Mechanical Systems and Signal Processing, 2025https://doi.org/10.1016/j.ymssp.2023.110574
Anton, D., Tröger, J.-A., Wessels, H., Römer, U., Henkes, A., Hartmann, S.: Deterministic and statistical calibration of constitutive models from full-field data with parametric physics-informed neural networks. Accepted in Advanced Modeling and Simulation in Engineering Sciences, 2025. https://doi.org/10.48550/arXiv.2405.18311
Römer, U., Hartmann, S., Tröger, J., Anton, D., Wessels, H., Flaschel, M., and De Lorenzis, L.: Reduced and All-at-Once Approaches for Model Calibration and Discovery in Computational Solid Mechanics. ASME. Appl. Mech. Rev., 2025. doi.org/10.1115/1.4066118
Narouie, V., Wessels, H., Cirak, F., and Römer, U.: Mechanical State Estimation with a Polynomial-Chaos-Based Statistical Finite Element Method. Comput. Methods Appl. Mech. Engrg., 2025. https://doi.org/10.1016/j.ymssp.2023.110574
Konferenz und andere VÖ
Shivalingappa, G., Anton, D., & Wessels, H.: Parametric Neural Networks as Full-Field Surrogates for Material Model Calibration. Proceedings of the 10th European Workshop on Structural Health Monitoring (EWSHM 2024), June 10-13, 2024 in Potsdam, Germany. e-Journal of Nondestructive Testing . doi.org/10.58286/29583
Potnis, A., Macier, M., Leusmann, T., Anton, D., Wessels, H., and Lowke, D.: Model-based reinforcement corrosion prediction: Continuous calibration with Bayesian optimization and corrosion wire sensor data. Arxiv preprint, 2024.
https://doi.org/10.48550/arXiv.2411.16447