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.
Unsicherheiten, die sich aus (4.) widersprüchlichen, vagen oder falschen (Echtzeit-)Daten ergeben, werden quantifiziert und durch das systemische Modell propagiert. Auf der Ebene der regionalen Teilsysteme werden kritische Infrastrukturkomponenten miteinander verknüpft und in ein neu entwickeltes Systemzuverlässigkeitsmodell integriert, das umfassende und dennoch effiziente numerische Analysen ermöglicht. Eine weitere Reduzierung der Komplexität der Subsystemmodelle wird durch die Zusammenfassung ähnlicher Komponenten in Komponententypen erreicht. Die Informationen, die sich aus der Modellierung der Zuverlässigkeit von Teilsystemen ergeben, werden in das entwickelte Framework zur Entscheidungsfindung für die Lebenszyklus-Resilienz integriert, einschließlich Wiederherstellungsmodellen und Kostenfunktionen.
Die endgültige Methodik ermöglicht es den Entscheidungsträgern, kosteneffiziente Lebenszyklusentscheidungen in der Wartungs-, Überholungs- und Reparaturplanung sowie in Konstruktionsprozessen zu treffen, wobei die Lebensdauer der Komponenten und monetäre Beschränkungen berücksichtigt werden. Die entwickelten Ansätze auf Komponentenebene werden an der Referenzbrücke "Nibelungenbrücke Worms" (Bundesstraße 47) demonstriert. Auf der Systemebene wird das umliegende Infrastruktursystem betrachtet, wobei die Landkreise als regionale Teilsysteme abgegrenzt werden und physikalische Eigenschaften weiterer kritischer Bauteile zu Demonstrationszwecken für ein beispielhaftes Szenario angenommen werden.
Anprechpartner
Publikationen
Peer-Reviewed Journal Paper
Salomon, J., Behrensdorf, J., Winnewisser, N., Broggi, M., & Beer, M. (2022). Multidimensional Resilience Decision-Making for Complex and Sub-Structured Systems. Resilient Cities and Structures, 1(3), 61-78.
Winnewisser, N. R., Salomon, J., Broggi, M., & Beer, M. (2023). The Concept of Diagonal Approximated Signature: New Surrogate Modeling Approach for Continuous-State Systems in the Context of Resilience Optimization. Disaster Prevention and Resilience, 2(2), N-A.
Still in Progress:
A journal paper based on conference papers [6],[9], and [11] is in progress (planned submission in Q3 2025)
A journal paper within Cluster D is in progress (planned submission in Q3-4 2025)
A journal paper based on conference papers [1], [2], and [10] as well as journal paper [1] and [2] is in progress (planned submission in Q4 2025)
Konferenz und andere VÖ
Winnewisser, N. R., Salomon, J., Broggi, M., & Beer, M. (2023) The Concept of Diagonal Approximated Signature: New Surrogate Modeling Approach for Continuous-State Systems. In ASCE Inspire 2023 (pp. 258-266).
Winnewisser, N. R., Salomon, J., Shi, Y., Broggi, M., & Beer, M. (2024) Generalizing the Diagonal Approximated Signature to Systems With Multiple Component Types. Advances in Reliability, Safety and Security, Part 2, ESREL2024.
Winnewisser, N., Beer, M., Kosheleva, O., & Kreinovich, V. (2024). Somewhat Surprisingly,(Subjective) Fuzzy Technique Can Help to Better Combine Measurement Results and Expert Estimates into a Model with Guaranteed Accuracy: Digital Twins and Beyond. NAFIPS 2024.
Winnewisser, N. R.; Kreinovich, V.; and Kosheleva, O. (2024). "From Quantifying and Propagating Uncertainty to Quantifying and Propagating Both Uncertainty and Reliability: Practice-Motivated Approach to Measurement Planning and Data Processing". Departmental Technical Reports (CS). 1861.
Winnewisser, N., Mett, F., Beer, M., Kosheleva, O., & Kreinovich, V. (2024). Using Known Relation Between Quantities to Make Measurements More Accurate and More Reliable. XXIV IMEKO World Congress 2024.
Winnewisser, N. R., Potthast, T., Mett, F., Perin, A., Broggi, M., & Beer, M. (2024) How to Be Certain: Using Known Relations and Trust Discount to Determine Confidence About the Degree of Uncertainty. EWSHM2024.
Winnewisser, N., Beer, M. Kosheleva, O. & Kreinovich, V. (2025, March) How Shapley Value and Its Generalizations Can Help in the Analysis of Complex Engineering Systems and What Next. In International Symposium on Integrated Uncertainty in Knowledge Modelling and Decision Making (pp. 85-97). Springer Nature Singapore
Winnewisser, N., Beer, M. Kosheleva, O. & Kreinovich, V. (2025, March) What is Optimal Granularity When Estimating Reliability of a Complex Engineering System. In International Symposium on Integrated Uncertainty in Knowledge Modelling and Decision Making (pp. 85-97). Springer Nature Singapore
Winnewisser, N. R., Hoyer, M., Bartels, J. H., Mett, F., Potthast, T., Marx, S. & Beer, M. (2025, May) How to Determine the Level of Epistemic Uncertainty and Exclude Faulty Sensors in Structural Health Monitoring Systems. (accepted) At Symposium 2025 in Tokyo of the International Association for Bridge and Structural Engineering
Marsili F., Winnewisser N.R., Beer M., & Kessler S. (2025, June) Continuous-state survival functions for reinforced concrete bridges based on physics-based degradation models and visual inspection, (accepted) ESREL 2025
Hoyer, M., Winnewisser, N. R., Bartels, J. H., F., Potthast, T. & Beer, M. (2025, September) Investigation of Robustness in Detectiing and Localizing Sensor Malfunctions in Deteriorating Structural Health Monitoring Systems (submitted) IWSHM 2025
Möller, S., Potthast, T., Winnewisser, N., Jonscher, C., Beer, M. & Rolfes, R. Quantifying the Required Sample Size for Desired Confidence in Damage Detection of Structural Health Monitoring (submitted) IWSHM 2025