Der Erhalt der Verkehrsinfrastruktur ist geprägt durch bauliche und betriebliche Reaktionen auf (a) die Ergebnisse von wiederkehrenden Bauwerksprüfungen und (b) die Entwicklung der Werte zweier Leistungskennzahlen: Zustandsnote & Traglastindex. Das SPP 2388 hat sich zum Ziel gesetzt, die für ein prädiktives, digitales Bauwerksmanagement notwendigen und nützlichen Informationen in einem digitalen Zwilling zentral und komprimiert bereitzustellen. Die zu bewältigenden technischen Herausforderungen umfassen die Menge und Heterogenität der durch die vielfältigen Sensoren messbaren Daten sowie deren Verdichtung zu belastbaren und nutzbaren Informationen in Echtzeit. Aus ökonomischer Sicht steht dem erheblichen Investitionsbedarf in die Verkehrsinfrastruktur erschwerend der fortwährende Fachkräfte-mangel gegenüber. Vor diesem Hintergrund stellt das Projekt TwinSHIP die Anforderungen der Automatisierung, der Interoperabilität und der Skalierbarkeit in den Mittelpunkt.

In eigenen Vorarbeiten konnte festgestellt werden, dass Zustandsveränderungen baulicher Strukturen grundsätzlich mithilfe von sogenannten Structural Health Information Patterns (SHIPs) erkannt werden können. Die Herausforderung besteht nun darin, die an Bestandsbauwerken festgestellten Veränderungen in den Datenmustern auf die physikalischen und mechanischen Ursachen zurückzuführen. Die Kenntnis über die Effekte und Einflüsse, die eine Datenmusteränderung hervorrufen können, erlaubt dann die Optimierung der Sensorauswahl und -anordnung an Brückenbauwerken. 

Ziel des Forschungsvorhabens ist es, einen Algorithmus zu entwickeln und zu validieren, der automatisiert Datenmuster erzeugt und diese dann den konkreten Merkmalsveränderungen der Brücken und der Messsysteme zuordnet. Zusätzlich soll automatisiert und bauwerksspezifisch abgeleitet werden, welche Messdaten in welchem Umfang und an welchen Positionen erhoben werden sollten, um den größten Nutzen für die Merkmalsextraktion zu generieren. Die Arbeiten stützen sich (a) auf die vielzähligen, zur Verfügung stehenden Daten von der Nibelungenbrücke Worms und der Forschungsbrücke OpenLAB und (b) auf die daraus KI-gestützt aufbereiteten Trainingsdaten. Die automatisierte und skalierbare Datenaufnahme, -ablage und -verarbeitung basiert auf dem erprobten Verwaltungsschalenkonfigurator BBox. Die erwarteten Erkenntnisse bilden die Basis für eine optimierte Inspektion und Überwachung von Brücken in der Zukunft.

Zum Erreichen des übergeordneten Projektzieles werden folgende Arbeitsschritte einbezogen:

• Erweiterung des SHIP-Konzeptes um Convolutional Neural Networks (CNNs)
• Entwicklung eines Algorithmus für das automatische Entwickeln von Referenztrainingsdatensätzen aus den Sensordaten
• Validierung der Echtzeitanalyse an einem Demonstrator des Schwerpunktprogrammes