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.…

