Open Access

“Methoden der Künstlichen Intelligenz (KI) werden im Bauwesen bereits vielfältig eingesetzt. In den meisten Fällen sind sie jedoch auf Spezial- oder Forschungsprojekte beschränkt. Die Analyse von geotechnischen Labordaten stellt dabei noch eine Ausnahme dar. Die Hauptgründe für den geringen Einsatz von KI-Anwendungen in der Geotechnik liegen nach Ansicht der Autoren neben dem eingeschränkten Zugang zu geeigneten Daten vor allem an Unsicherheiten im Umgang mit KI-Methoden, insbesondere der Nachvollziehbarkeit.”(René Sonnenberg und M Sc David Döring, 2023, S. 1) Aus diesem Grund wird in vorliegender Arbeit das Potenzial des Einsatzes von Künstlicher Intelligenz zur Rezeptentwicklung und Prognose der Eigenschaften von zeitweise fließfähigen, selbstverdichtenden Verfüllbaustoffen (ZFSV) untersucht. ZFSV werden hauptsächlich im Erd- und Tiefbau eingesetzt. Sie sind eine Mischung, welche in der Lage ist, ohne äußere Verdichtung unter dem Einfluss von Schwerkraft Hohlräume vollständig zu füllen. Dabei bietet der ZFSV logistische, ökonomische und ökologische Vorteile gegenüber konventionellen Verfüllmaterialien wie Sand. Aktuelle Forschungsprojekte an der HafenCity Universität (HCU) in Hamburg zeigen, dass ZFSV mit dem Einsatz von Recycling-Materialien noch nachhaltiger hergestellt werden kann (Weidlich, Banushi, Büschken u. a., 2022, S. 17). Das Ziel der Arbeit ist es, durch Verwendung digitaler Methoden, geotechnische Labordaten zu strukturieren und mittels KI auszuwerten. Die Auswertung mithilfe von Künstlicher Intelligenz erfolgt durch Programmierung einer Anwendung in Python. Mit der Auswertung will man Vorhersagen über die Rezeptur und Eigenschaften von ZFSV treffen. Dadurch ist es möglich, den ZFSV ressourcenschonender herzustellen, was gerade angesichts der aktuellen Thematik Nachhaltigkeit im Bausektor und dessen CO2-Bilanz positiv beitragen kann.

The construction industry faces substantial economic, environmental, and social challenges. Simultaneously, the industry experiences one of the lowest degrees of digitalization. In this context, cyber-physical education is essential to empower learners with skills to utilize digital and physical solutions more effectively. Therefore, a modular as well as construction specific learning setting was designed. The setting facilitates a range of topics, such as production planning considering human and robot capabilities, (semi-) automated construction machines, robotics, sensing & actuation and more. The digital part of the cyber-physical toolbox consists of various methods and tools to learn programming languages, frameworks, offline simulators, post-processors and more. This step is essential to enable an end-to-end data-/workflow from design (e.g., BIM-based planning methodologies) to (machine-based) production. A focus is given to human-machine/-robot collaboration and appropriate simulation tools (e.g., emaWD) enabling the incorporation of human factors. The physical setting is highly modular, and each device and its periphery can be customized to a broad variety of learning scenarios and levels. This paper describes the details of the learning setting, extracts learning strategies, and analyzes selected learning scenarios and their initial testing in various learning formats.