Erschütterungsprognose mit KI? Schnelle Ersatzmodelle und physikbasiertes maschinelles Lernen in der Bauwerk-Boden-Dynamik

  • Erschütterungsprognosen können mit sehr detaillierten Modellen durchgeführt werden. Dies ist sowohl bei der Erstellung des Modells (zum Beispiel für ein Finite-Element-Modell für Boden und Bauwerk), als auch bei der Berechnung zeitaufwändig, von einigen Minuten für die Wellenausbreitung in geschichteten Böden mit Wellenzahlintegralen bis zu mehreren Stunden für Randelementlösungen für die korrekte Bauwerk-Boden-Wechselwirkung. Hier sind einfache und schnelle Ersatzmodelle von Vorteil, die die Ergebnisse der detaillierten Berechnungen gut wiedergeben. Diese Ersatzmodelle können vollständig auf physikalischen Überlegungen beruhen (white-box Modelle) oder mit Hilfe von maschinellem Lernen aus einer Vielzahl von detaillierten Rechenergebnissen erzeugt werden (black-box Modelle). Erfahrungen mit black-box Modellen zeigen, dass es sinnvoll ist das maschinelle Lernen mit physikalischen Informationen anzureichern (grey-box Modelle). Es werden Anwendungsmöglichkeiten für physikbasiertesErschütterungsprognosen können mit sehr detaillierten Modellen durchgeführt werden. Dies ist sowohl bei der Erstellung des Modells (zum Beispiel für ein Finite-Element-Modell für Boden und Bauwerk), als auch bei der Berechnung zeitaufwändig, von einigen Minuten für die Wellenausbreitung in geschichteten Böden mit Wellenzahlintegralen bis zu mehreren Stunden für Randelementlösungen für die korrekte Bauwerk-Boden-Wechselwirkung. Hier sind einfache und schnelle Ersatzmodelle von Vorteil, die die Ergebnisse der detaillierten Berechnungen gut wiedergeben. Diese Ersatzmodelle können vollständig auf physikalischen Überlegungen beruhen (white-box Modelle) oder mit Hilfe von maschinellem Lernen aus einer Vielzahl von detaillierten Rechenergebnissen erzeugt werden (black-box Modelle). Erfahrungen mit black-box Modellen zeigen, dass es sinnvoll ist das maschinelle Lernen mit physikalischen Informationen anzureichern (grey-box Modelle). Es werden Anwendungsmöglichkeiten für physikbasiertes maschinelles Lernen im Bereich von Bahnerschütterungen aufgezeigt, die Erschütterungsemission durch die Fahrzeug-Fahrweg-Wechselwirkung, die Wellenausbreitung im Boden, die Erschütterungsimmission in Gebäude, Gleisschäden und das Monitoring von Eisenbahnbrücken.zeige mehrzeige weniger

Volltext Dateien herunterladen

  • VDI2025.pdf
    deu

Metadaten exportieren

Weitere Dienste

Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:Lutz AuerschORCiD
Dokumenttyp:Beitrag zu einem Tagungsband
Veröffentlichungsform:Verlagsliteratur
Sprache:Deutsch
Titel des übergeordneten Werkes (Deutsch):VDI-Berichte 2447 “Baudynamik 2025”
Jahr der Erstveröffentlichung:2025
Organisationseinheit der BAM:7 Bauwerkssicherheit
7 Bauwerkssicherheit / 7.2 Ingenieurbau
Verlag:VDI-Verlag
Verlagsort:Düsseldorf
Jahrgang/Band:2447
Erste Seite:53
Letzte Seite:64
DDC-Klassifikation:Technik, Medizin, angewandte Wissenschaften / Ingenieurwissenschaften / Ingenieurbau
Freie Schlagwörter:Bahnerschütterungen; Emissionsmodell; Gleisüberwachung; Immissionsmodell; Transmissionsmodell; Tunnelausbreitung
Themenfelder/Aktivitätsfelder der BAM:Infrastruktur
Infrastruktur / Verkehrsinfrastrukturen
Veranstaltung:VDI-Tagung Baudynamik
Veranstaltungsort:Würzburg, Germany
Beginndatum der Veranstaltung:02.04.2025
Enddatum der Veranstaltung:03.04.2025
ISSN:0083-5560
ISBN:978-3-18-092447-2
Verfügbarkeit des Dokuments:Datei im Netzwerk der BAM verfügbar ("Closed Access")
Datum der Freischaltung:09.04.2025
Referierte Publikation:Nein
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.