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.
Die Leistungsfähigkeit wird mittels eines Benchmarks bewertet, der den Training- und Interferenzaufwand zur Klassifikation quantifiziert. Als Ergebnis des Projekts kann bewertet werden, wie gut Vorwissen über Sensorverhalten und Baukonstruktionen zwischen ähnlichen Bauwerkstypen bei vergleichbarem Monitoringsetup zwischen KI-Modellen ausgetauscht werden kann.
Meilensteine in D03:
- Installation eines Structural Health Monitoring (SHM) Systems auf der Nibelungenbrücke, ausgestattet mit 7 digitalen Sensoren zur kontinuierlichen Aufzeichnung von Schwingungsdaten.
- Verwendung der aufgezeichneten Sensordaten zur Entwicklung von Machine-Learning-Modellen, insbesondere Convolutional Neural Networks (CNNs), zur Klassifikation von Fahrzeugbewegungen auf der Brücke.
- Anwendung von Transfer-Learning-Techniken zur Reduktion des benötigten Trainingsdatenumfangs und Test der Generalisierungsfähigkeit des Modells anhand von Datensätzen, die an unterschiedlichen Sensorpositionen auf der Brücke erfasst wurden.
Anprechpartner
Publikationen
Peer-Reviewed Journal Paper
Bartels, J.; Xu, R.; Kang, C.; Herrmann, R.; Marx, S.: Experimental Investigation on the Transfer Behaviour and Environmental Influences of Low-Noise Integrated Electronic Piezoelectric Acceleration Sensors. Metrology (2024), 4, 46–65.
Konferenz und andere VÖ
Herrmann, R., Ramasetti, E., Degener, S., Hille, F., & Baeßler, M. (2024). A living lab for Structural Health Monitoring at the Nibelungen Bridge Worms for Transfer Learning of Structural Dynamics. Proceedings of the 10th European Workshop on Structural Health Monitoring (EWSHM 2024), June 10-13, 2024 in Potsdam, Germany. e-Journal of Nondestructive Testing. https://doi.org/10.58286/29853
Herrmann, R., Hille, F., Pitters, S., Ramasetti, E.,Schneider, R., Wedel, F., Hindersmann, I. (2024): Föderiertes Datenmanagement von Monitoringdaten aus Structural Health Monitoring Anwendungen und daraus gewonnenen Trainingsdaten bei Spannbetonbrücken. 11. Jahrestagung des DAfStb mit 63.Forschungskolloquium der BAM. 16.10. – 17-10.2024, Berlin.
Ramasetti E., Herrmann, R., Degener, S., Baeßler, M. (2024): Development of generic AI models to predict the movement of vehicles on bridges. SMAR 2024 – 7th International Conference on Smart Monitoring, Assessment and Rehabilitation of Civil Structures, 4. - 6. September 2024, Salerno, Italy.
Ramasetti E., Herrmann, R., Degener, S., Baeßler, M. (2025): Investigation of regression models based on deep transfer learning for the effect of bridge temperature on the inclination of a prestressed concrete bridge. SEMC 2025– The 9th International Conference on structural engineering, 1. - 3. September 2025, Capetown, South Africa.
Herrmann, R., Ramasetti, E., Ponnam. P. Degener, S (2025). Charcterization of smart acceleation sensors for traffic recognition using AI at the Nibelungen Bridge Worms. Proceedings of the fib Symposium , June 16-18, 2025, Antibes, France.