Filtern
Erscheinungsjahr
- 2023 (2) (entfernen)
Dokumenttyp
- Vortrag (2)
Sprache
- Englisch (2)
Referierte Publikation
- nein (2)
Schlagworte
- SHM (2) (entfernen)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (2)
Structural Health Monitoring (SHM) mittels geführter Ultraschallwellen ermöglicht eine kontinuierliche Überwachung komplexer Bauteile und liefert umfangreiche Informationen über deren strukturelle Integrität. Die aufgezeichneten Signale sind jedoch komplex und werden daher zunehmend mittels KI verarbeitet, um Anomalien in der Systemintegrität automatisch zu erkennen. Eine Herausforderung dabei ist jedoch das Trainieren solcher KI-Modelle, da dafür große Mengen an Trainingsdaten inklusive diverser Schadensfälle benötigt werden, um eine hohe Genauigkeit und Zuverlässigkeit zu gewährleisten. Experimentelle Generierung dieser Daten ist wegen des enormen Zeit- und Kostenaufwands nicht möglich.
Eine Alternative hierfür bieten die numerischen Simulationen, da dadurch Trainingsdaten für beliebige Anzahl an Schadenskonfigurationen erzeugt werden können. Das Hauptproblem dabei ist jedoch die Abweichung zwischen den experimentellen und simulierten Daten (durch z.B. Abweichungen bei der Geometrie, Randbedingungen oder Materialparameter). Um diese Abweichungen zu reduzieren bzw. zu eliminieren, wird ein KI-Modell mit einer Autoencoder-Decoder Architektur vorgestellt, die mittels eines Experiments kalibriert werden kann und anschließend in der Lage ist, die Genauigkeit der Simulationsergebnisse nachträglich zu erhöhen.
The long-term preservation of our infrastructure requires not only intelligent sensor technology and highly developed monitoring procedures, but also innovative digital tools for analyzing, evaluating and utilizing the results. This includes mathematical and, in particular, probabilistic methods for damage detection and tracking as well as for calculating service life and maintenance cycles and data management. The example project Maintal Bridge Gemuenden as part of the AISTEC project shows the workflow for the implementation of structural health monitoring and experimental tests with a train of Deutsche Bahn. The influence lines, as one possible way for damage detection, were measured with a highly accurate GNSS System to locate the trains position when crossing the bridge. The results were compared to measurements from 1987 just before the bridge went in operation.