Internationales Verkehrswesen (74) 3 | 2022 32 INFRASTRUKTUR Wissenschaft AT A GLANCE Infrastructure planning is a complex task that requires extensive engineering knowledge, which must be stored in a structured way in a database and should be available for the repetitive planning processes. The individual infrastructure objects of a traffic system must be retrievable according to regulations and their regulation rules. It should also be possible to model planning processes and the explicit knowledge associated with them in a machine-readable form in a database. Especially against the background of the increasing acceptance of planning and building according to the BIM methodology in infrastructure construction, which is associated with high data and the information it contains, a multifunctional knowledge database is needed. In this paper, a graph-based modeling approach to generically model the knowledge as well as the planning processes in infrastructure construction is presented. The methods and techniques used in the development for structuring and modeling data sets in the chosen graph database are shown. Graphenbasierte Wissensdatenbank zur Infrastrukturplanung Wissensdatenbank, Graphendatenbank, Knowledge-based engineering, BIM Die Planung einer Verkehrsanlage ist eine komplexe Aufgabe mit vielen Iterationsschritten und erfordert ein umfangreiches Ingenieurwissen, welches strukturiert in einer Datenbank abgelegt werden könnte und für die repetitiven Planungsprozesse wiederverwendbar sein sollte. Die einzelnen Infrastrukturobjekte einer Verkehrsanlage müssen dabei nach Vorschriften und deren Festlegungen aufrufbar sein. Auch die Möglichkeit der Abbildung von Planungsprozessen und das mit diesen verbundene explizite Wissen sollte in einer maschinenlesbaren Form in einer Datenbank modellierbar sein. Insbesondere vor dem Hintergrund der steigenden Akzeptanz der Planung und des Bauens nach der BIM-Methodik im Infrastrukturbau, das mit umfangreichen Daten und den darin enthaltenen Informationen verbunden ist, wird eine multifunktionale Wissensdatenbank benötigt. In diesem Artikel wird ein graphenbasierter Modellansatz vorgestellt, mit dem das Wissen sowie die Planungsprozesse im Infrastrukturbau generisch modelliert werden können. Es werden die zur Entwicklung verwendeten Methoden und Techniken zur Strukturierung und Modellierung von Datensätzen in der gewählten Graphendatenbank gezeigt. Vitali Schuk, Felix Belz, Tobias Weiß, Ullrich Martin D ie Planung von Verkehrsanlagen ist ein komplexer und iterativer Vorgang mit einer Vielzahl an Randbedingungen, welcher von unterschiedlichen Verfahren und Beteiligten einschließlich von Trägern öffentlicher Belange begleitet ist. Die Entscheidungen während des Planungsprozesses erfordern eine hohe Zahl an verschiedenen Informationen, welche zusammen ein großes Ingenieurwissen umfassen. Das Ziel jeder Planung ist dabei das Finden einer optimalen Entwurfslösung unter Berücksichtigung verkehrlicher, verkehrssicherheitstechnischer, ökologischer und wirtschaftlicher Aspekte. Hierbei soll der Entwurf mit anschließender Realisierung sämtlichen verbindlichen und weiteren Vorschriftenfestlegungen entsprechen, welche in Gesetzen, Rechtsnormen und Regelwerken bzw. Richtlinien festgehalten sind. Um die Planungsprozesse im Infrastrukturbau zu vereinfachen und die Möglichkeit zu schaffen, eine Verkehrsanlage über den gesamten Lebenszyklus zu betrachten, findet mit der fortschreitenden Entwicklung von Informationstechnologien seit einigen Jahren eine verstärkte Digitalisierung von Informationen statt. Realisiert wird dies insbesondere mit BIM, die die konventionelle 2,5D-Planungsmethodik ablösen soll. Zur Verbesserung der Planungsprozesse im Infrastrukturbau sieht BIM viele bestimmte Anwendungsfälle vor. Diese können nur unter Zuhilfenahme fortgeschrittener Technologien implementiert werden. Die digitalisierten Informationen aus unterschiedlichen Sachgebieten des Infrastrukturbaus geben ein enormes über viele Jahre erlangtes Wissen wieder. Eine zusätzliche Informationenansammlung ergibt sich durch die Betrachtung einer Verkehrsanlage über den gesamten Lebenszyklus hinweg. Zur strukturierten Speicherung, Vernetzung untereinander und Verwaltung dieser Informationen wird eine Datenbank (DB) benötigt. Stand der Technik Zur Erfassung/ Formalisierung, Organisation und Verwaltung des Wissens sowie zum Lösen sich wiederholender Planungsaufgaben (hier: Wiederverwendung vom Wissen) gibt es viele Techniken, welche die sogenannten Wissenstechnologien bilden. Diese Wissenstechnologien können nach [12] in drei große Bereiche eingeteilt wer- Internationales Verkehrswesen (74) 3 | 2022 33 Wissenschaft INFRASTRUKTUR den: Knowledge Engineering (KE), Knowledge Management (KM), Knowledge-based Engineering (KBE). Hierbei stellt das KBE die umfangreichste Lösung dar. KBE mit den enthaltenen Knowledge Based Systems (auch als Expertensystem bezeichnet [12, 22]) können entweder ein vollintegrierendes System mit CAD-Fähigkeiten darstellen oder eine Schnittstelle mit einem CAD-Tool (in Bild 1 mit DAS bezeichnet) haben [7, 12] (vgl. Bild-1). Mit einem KBS werden im Grunde zwei große Ziele verfolgt. Zum einen soll durch das System eine langfristige Erhaltung des Ingenieurwissens sichergestellt werden. Zum anderen soll das System helfen, das organisierte Ingenieurwissen zur Lösungsfindung während einer Planungsaufgabe bereitzustellen [3]. In [7] wurde ein von den CAD-Tools entkoppeltes KBS für den Infrastrukturbau vorgestellt, welches das unstrukturierte Wissen sowie Prozessabläufe in der Bahninfrastrukturplanung mittels des Visual Programming Language (hier: BPMN (Business Process Model and Notation)- und DMN (Decision Model and Notation)-Notationen) gemäß [10] nach MOKA (Methodology and tools Oriented to Knowledge-based engineering Applications)- Methode formalisiert. Derzeit gibt es bereits viele Softwareanwendungen, welche digitale Planungsprozesse unterstützen. Diese bieten für die Planer in einem gewissen Umfang eine reichliche Unterstützung. U. a. verwenden die modernen Softwareanwendungen DB, welche Infrastrukturobjekte und logische Abhängigkeiten zwischen diesen enthalten [7, 18]. Eine eigens durchgeführte Befragung von führenden CAD-Software-Herstellern hat dies bestätigt. Die Ergebnisse der Umfrage haben auch ergeben, dass zum Beispiel die Abhängigkeiten aus den Vorschriftenfestlegungen hartkodiert sind und die Darstellungen des Überprüfungsvorgangs einer Planung auf die Vorschriftenkonformität der Black-Box-Methode entsprechen. Als Wissensdatenbank, in welcher die Vorschriftenfestlegungen abgebildet sind, wird meistens eine relationale DB verwendet. Zurzeit gibt es jedoch kein umfassendes und effizientes digitales datenbankbasiertes Wissensintegrationswerkzeug zum bereits vorhandenen Knowhow sowie zum stets neu hinzukommenden Wissen. Generell werden bis heute die fehlenden standardisierten Ansätze und Methoden (z. B. Entwicklungs- und Verwaltungsframeworks, Programmiersprachen) zur Formalisierung des Wissens bemängelt [7, 20, 23]. Ein einheitliches, standardisiertes und international anerkanntes Klassifizierungssystem im Infrastrukturbau fehlt ebenfalls bis heute (vgl. laufende Forschungsarbeiten [4, 8, 21]). Das gleiche betrifft die digitale maschinenlesbare Abbildung von Vorschriften mit deren Festlegungen und Regeln (vgl. folgende Forschungsarbeiten [7, 9, 17, 25]). Es wird eine DB benötigt, welche das Ingenieurwissen aus dem Verkehrswegebau (hier: Infrastrukturobjekte, Vorschriftenfestlegungen aus den Vorschriften in Form von Abhängigkeiten zwischen den Infrastrukturobjekten etc.) digital maschinenlesbar erfasst, abbildet und verwaltet und dieses Wissen repetitiv zum Anwenden bei Planungsprozessen im Infrastrukturbau zur Verfügung stellen kann. In diesem Beitrag wird eine multifunktionale DB mit den darin enthaltenen Wissensgraphen vorgestellt, die auf den Technologien der Graphendatenbank (GDB) von OrientDB basiert [16]. Die entwickelten (Teil-)Modelle in der GDB zum Repräsentieren des Ingenieurwissens bilden ein explizites Knoten-Kanten-Konstrukt, das durch sogenannte Modellierungsattribute ergänzt wird. Die hier vorgeschlagene Methode ist generisch und erfordert nur das Ingenieurwissen zur Planung der Infrastruktur des betrachteten Verkehrsträgers, jedoch keine Programmierkenntnisse. Der Ansatz entspricht einem mit CAD integriertem KBS, da im Rahmen der durchgeführten Forschungsarbeit zu der GDB mit den darin enthaltenen Modellkonzepten auch Planungstools (im Wesentlichen das Trassierungs- und Dimensionierungstool) entwickelt wurden, welche selbst auf der DB basieren, aus dieser abgelegte Infrastrukturobjekte dynamisch laden und anschließend mit Hilfe der dazu vorgesehenen Interpreter auswerten. Hintergrund Am Institut für Eisenbahn- und Verkehrswesen der Universität Stuttgart wurde ein Modellansatz namens (E) DCC (Environment, Discretization, Categorization and Characterization) für die Planung und Analyse von verkehrsträgerübergreifenden Infrastrukturen entwickelt sowie eine prototypische modulare Softwarelösung konzipiert, die Ansätze aus dem Infrastrukturbau integriert. Die anfängliche Idee des Ansatzes wurde bereits in [14] vorgestellt. Der genannte Modellansatz soll eine sinnvolle Strukturierung und Zerlegung der zugrundeliegenden Datensätze einer Infrastruktur über ein in der GDB definiertes Klassifizierungssystem mit deren Ontologien und Taxonomien ermöglichen sowie diese Infrastrukturobjekte und -gruppen diversen Planungs- und Analysetools, welche in den BIM-Anwendungsfällen eingesetzt werden, zur Verfügung stellen, aber auch die Daten aus der Planung, der Errichtung, dem Betrieb und der Instandhaltung der Infrastruktur integrativ verwalten. Das Besondere an dem entwickelten Ansatz ist, dass in der GDB auch die länderbezogenen Vorschriftenfestlegungen bzw. die sich aus den Vorschriften ergebenden Abhängigkeiten für die unterschiedlichen Verkehrsträger entsprechend der sogenannten White-Box-Methode mitabgebildet werden. Rahmenbedingungen, Methoden und Modellierung Rahmenbedingungen Die hier vorgestellte DB wurde mit dem Graphen-Modell von OrientDB entwickelt. Alle Daten(sätze), in der DB werden dementsprechend durch Knoten und Kanten realisiert. GDB eignen sich grundsätzlich gut zur digitalen Abbildung von netzartigen bzw. verketteten und heterogenen Daten(sätzen), insbesondere wenn die Datenkomplexität die Möglichkeit der Speicherung in einer relatio- Integrated approach Coupled approach * * * DAS DAS + Knowledge base Knowledge base Design authoring system Bild 1: Arten von KBS [7] Internationales Verkehrswesen (74) 3 | 2022 34 INFRASTRUKTUR Wissenschaft nalen DB übersteigt. Sie machen den Umgang mit komplexen Daten einfacher und erlauben, diese für den Nutzer sichtbar zu machen [1]. In der (E)DCC-Datenbank von OrientDB ist der Graph gerichtet, die Kantentraversierung ist aber über die Java API in beide Richtungen möglich. Allerdings wird der Graph in der Verbindung einzelner Objekte bzw. Instanzen der zugehörigen Klassen beschränkt, um dadurch einzelnen Ontologien und Taxonomien der (Teil-)Modelle abbilden zu können. Der Graph darf parallele Kanten haben, wodurch das gesamte System zu einem Multigraphen wird. Der OrientDB-Graph ist zusätzlich ein Labeled-Property-Graph (LPG-Kanten). Das bedeutet, dass die Eigenschaften sämtlicher Datentypen nicht nur in die Knoten eingetragen werden können, sondern auch in die Kanten. Die Datensätze, welche in der GDB modelliert sind, werden in den Knoten (Vertexes) gespeichert. Hierbei werden zu den Instanzen bzw. Objekten immer Klassen (Super- und Unterklassen) angelegt. Die gesamte Klassenstruktur ist als Baupläne anzusehen, nach denen die GDB mit dem darin enthaltenen Produkt- und Prozesswissen unter Einbezug von Regeln aus den Vorschriften aufgebaut ist. In der GDB wird zwischen Kanten- und Knotenklassen unterschieden. Von den Kantenklassen existieren zwei Superklassen - die sogenannte „Navigationskante“ und die „Verbindungskante“. Diese beiden Kantenklassen sind die beiden Superklassen, von denen alle weiteren in der GDB verfügbaren (Modellierungs-)Kantenklassen erben. Alle Klassen, die von „Navigationsklasse“ erben, dienen der Traversierung der GDB. Sie bilden Pfade und modellieren die Struktur der GDB. Verbindungskanten, also Kanten die Instanzen von Klassen sind, die direkt oder indirekt von der Superklasse „Verbindungskante“ erben, dienen der Modellierung von Konzepten und Strukturen jenseits der (E)DCC-Hierarchie, unter anderem zur Abbildung der Vorschriftenfestlegungen. Methoden und Modellierung Das umfangreiche Wissen im Infrastrukturbau kann anhand von formalisierten Modellen abgebildet werden. Die Modelle müssen gut strukturierbar sein und sowohl für den Modellierer der Daten(sätze) als auch für die Anwender gut visualisierbar sein. Ein Modell kann mittels objektorientierten Programmierens (hier: Klassen- und Vererbungshierarchie mit deren Ontologien und Taxonomien) gut implementiert werden. Das objektorientierte Paradigma erlaubt die Entwicklung von einfachen und benutzerfreundlichen Modellen ohne Programmierkenntnisse und ist deshalb für Ingenieure im Bauwesen von Vorteil [12]. Im Rahmen der durchgeführten Forschungsarbeiten entstanden zum (E)DCC-Modellansatz viele (Teil-)Modelle, welche teilweise durch eigene Konzepte gestützt sind. Sie werden mittels der Taxonomie- und Ontologietechnik in Verbindung mit sogenannten Modellierungsattributen gebildet und abgefragt. Diese wiederum bilden bestimmte Wissensbereiche ab. Ontologien eignen sich grundsätzlich zur Bildung von expliziten Spezifikationen bestimmter Konzepte ([11] mit Verweis auf [6]). Sie beinhalten bestimmte Konzepte bzw. Klassen mit deren Instanzen, Logiken, Eigenschaften, Beziehungen und Einschränkungen [5, 24]. Sie eignen sich gut zur Abbildung von zusammenhängendem, miteinander verzahntem Wissen, welches repetitiv wiederverwendet wird. Die Beziehungen innerhalb eines Konzeptes und des Konzeptsystems können in der aufgesetzten (E)DCC- Datenbank sowohl hierarchisch als auch assoziativ sein. Zusammen bilden sie ein Klassifizierungssystem. In Bezug auf das KBS wird in [12] zwischen sogenannten RBS (Rule Based System) und FBS (Frame Based System) unterschieden. Hierbei wird in einem RBS das Wissen in Form von reinen WENN-DANN-Regeln dargestellt. In einem FBS existiert dagegen ein sogenannter Frame, in welchem das Wissen formalisiert hinterlegt wird. Der Frame stellt dabei ein Klassifizierungssystem mit dessen Instanzen bzw. Objekten, Taxonomien und Ontologien dar und entspricht somit in diesem Sinne dem objektorientierten Programmierparadigma ([12] mit Verweis auf [2, 13, 15, 19]). Solche Systeme können im Vergleich zu den reinen RBS ein deutlich umfangreicheres, komplexeres Wissen widerspiegeln [12]. Der hier vorgestellte Ansatz entspricht im Grunde einem FBS, enthält aber zwischen den Daten(sätzen) auch logische Ausdrücke. Das (E)DCC-Modell unterteilt sich in drei große Klassenebenen (hier: Umgebungsebene, Diskretisierungsebene, Kategorisierungsebene) und deren fünf Zwischenebenen, welche miteinander über Kanten verknüpft sind. Dieses Klassifizierungssystem mit der darin enthaltenen Hauptontologie und -taxonomie bildet die Basis für die weiteren Teilklassifizierungssysteme zum digitalen Formalisieren des expliziten Wissens in einem bestimmten Kontext in der GDB. Eine Infrastruktur setzt sich aus mehreren Infrastrukturobjekten zusammen. Zur Strukturierung eines Infrastruktursystems, wird dieses in einzelne Objekte dekomponiert. Diese Zerlegung erfolgt auf der Diskretisierungs- und Kategorisierungsebene mit den dazu gehörigen Zwischenebenen. Die einzelnen Klassenebenen können wie folgt beschrieben werden: •• Diskretisierungsebene: Auf der Diskretisierungsebene erfolgt die grobe Unterteilung der Infrastruktur Umgebungsebene Kategorisierungsebene Diskretisierungsebene Kategorisierungsgruppe Kategorisierungsuntergruppe Kategorisierung Diskretisierung Unterdiskretisierung Umgebung Unterunterumgebung Unterumgebung Bild 2: Hautptaxonomie der aufgesetzten GDB nach dem (E)DCC-Modell Internationales Verkehrswesen (74) 3 | 2022 35 Wissenschaft INFRASTRUKTUR eines Verkehrsträgers in die Infrastrukturobjekte. Im Falle des Verkehrsträgers Schiene z. B. in die Infrastrukturobjekte des Bahnkörpers, d. h. Schienenprofile, Schwellen etc. •• Kategorisierungsebene: Die Kategorisierungsebene unterteilt weiter in die einzelnen Typen der Infrastrukturobjekte eines Verkehrsträgers. Auf dieser Ebene werden ebenfalls die Abhängigkeiten der Infrastrukturobjekte untereinander berücksichtigt. Die Diskretisierungsebene wird zusätzlich in eine Unterdiskretisierung unterteilt. Durch die Unterdiskretisierung wird eine Infrastruktur zwecks besserer Struktur in (Teil-)Infrastrukturgruppen/ -systemen sortiert und geordnet, um so die Infrastruktur eines Verkehrsträgers feiner dekomponieren zu können. Zusätzlich zur Ebene der Kategorisierung besteht die Möglichkeit, diese weiter zu ordnen und zu unterteilen in die Kategorisierungsgruppen und -untergruppen. Diese ergänzen die Hauptebene Kategorisierung und ermöglichen z. B. eine Trennung nach bestimmten gemeinsamen Eigenschaften bestimmter Art. Z. B. das Objekt Schwelle kann zunächst in die Schwellenarten „Holz“, „Beton“, „Stahl“ und „Kunststoff“ unterteilt werden (vgl. Bild 3). Die Zwischenebenen der „Kategorisierung“ sind optional und können, falls sie nicht erforderlich sind, übersprungen werden. Die Charakterisierungsebene wurde aus Gründen der Übersichtlichkeit weggelassen. Das bedeutet, dass die Eigenschaften in den Knoten der Infrastrukturobjekte als Attributfelder hinterlegt sind (vgl. Bild 4). Somit befinden sich die Eigenschaften auf der Kategorisierungsebene. Um eine verkehrsträgerübergreifende Diversifizierung zu erreichen, wurde eine zusätzliche Klassenebene eingeführt. In diesem Zusammenhang wurde über den bisher genannten Klassenebenen eine neue Klassenebene namens Umgebungsebene (Enviroment) eingeführt. Diese soll eine verkehrsträgerübergreifende Ansteuerung bzw. eine gezielte Zuordnung von Infrastrukturobjekten-Umgebungen einer bestimmten Infrastruktur zu bestimmten Verkehrsträgern ermöglichen. Die Umgebungsebene übernimmt aber auch viele andere Aufgaben. Auf die Nennung anderer Bestimmungen der Umgebungsebene wird an dieser Stelle verzichtet. Vorschriften und Globale Parameter (hier: Vorschriftenfestlegungen) sind ein unumgänglicher Bestandteil des (E)DCC-Modellansatzes. Vor diesem Hintergrund war es unabdingbar, für diese eine eigene Klassenstruktur in der GDB zu generieren. Diese bilden neben dem Klassifizierungssystem der Infrastrukturobjekte der einzelnen Verkehrsträger zwei weitere wichtige Teilklassifizierungssysteme ab. Bei der Strukturierung der Vorschriften wird in der GDB zwischen kodifizierten und nicht kodifizierten Vorschriften unterschieden. Die modellierten Vorschriften werden anschließend mit den einzelnen Infrastrukturobjekten verbunden, wodurch sich die Infrastrukturobjekte in der DB in Abhängigkeit von den entsprechenden Vorschriften aufrufen lassen. Zusätzlich werden die Vorschriften mit den modellierten Festlegungen/ Regeln (hier: Globale Parameter) verbunden. Die Vorschriften werden den zwei implementierten Entwurfsvorgängen zugewiesen - dem sogenannten „Geführten Entwurfsvorgang“ und dem „Individuellem Entwurfsvorgang“. Im „Geführten Entwurfsvorgang“ erfolgt die Modellierung strikt nach den kodifizierten Vorschriften. Im „Individuellen Entwurfsvorgang“ werden die Daten über die Schranken des gültigen Bereichs der kodifizierten Vorschriften hinaus modelliert. Das Modell der Globalen Parameter verfügt ebenfalls, wie das der Vorschriften, über eine eigene Klassenstruktur. Bei dem Modell der Globalen Parametern werden die Vorwärts-/ Rückwärtsverkettungen von Bedingungen, die die Vorschriftenfestlegungen bzw. Regeln aus den Vorschriften repräsentieren, realisiert. Diese stellen dabei logische Ausdrücke (WENN-DANN-Regeln, mathematische Regeln und Mischformen aus den beiden) dar, welche anschließend vom System als vorschriftenkonformer Inferenzmechanismus zum Finden (Matching) von z. B. passenden Typen von Infrastrukturobjekten und deren Kompatibilität zueinander genutzt werden. Die Basis bildet dabei die Logik 1. Ordnung, welche durch die Modellierungsattribute in den Knoten und Kanten ergänzt wird. Die drei zuvor beschriebenen Konzepte bilden zusammen das VPO (VorschriftenGlobaleParameterInfras trukturobjekte)-Modell (vgl. Bild 5a). Alle Verbindungen zwischen den einzelnen Elementen des Modelles erfolgen dabei über die explizite Kantenmodellierung. Dies betrifft auch die Verbindung zwi- Gruppierungskante (GRK) Kategorisierungsgruppe Kategorisierungsuntergruppe Schwellenart_Holz Kategorisierungskante (KGK) Diskretisierungskante (DKK) Unterdiskretisierungskante (UDK) Diskretisierung Unterdiskretisierung Schwelle (SW) Bahnkörper Beton Stahl Kunststoff Holz DKK UDK UDK UDK UDK Holzschwelle Brücke genormt GRK GRK GRK GRK KGK KGK KGK Holzschwelle Gleis Holzschwelle Gruppe 2 Form I 2,5 m B Holzschwelle Gruppe 2 Form I 2,6 m E Holzschwelle Gruppe 2 Form I 2,4 m E Weitere Holzschwellen Holzschwellen Holzschwelle Brücke ungenormt Bild 3: Dekomponierung des Bahnkörpers am Beispiel Schwelle IO E1 E2 E3 ... E1: Attributfeld, Datentyp E2: Attributfeld, Datentyp E3: Attributfeld, Datentyp ...: ..., ... Bild 4: Schematische Darstellung des verworfenen und umgesetzten Konzeptes zur Abbildung der Eigenschaften eines einzelnen Infrastrukturobjektes Internationales Verkehrswesen (74) 3 | 2022 36 INFRASTRUKTUR Wissenschaft Bild 5: Ontologie des VPO-Modells auf hohen Abstraktionsebene (a, links) sowie Darstellung der Beziehung zwischen zwei Objekten, welche zusammengehören (b, rechts) schen den einzelnen Infrastrukturobjekten, wodurch vom System die Zusammengehörigkeit beider Objekte festgestellt wird (vgl. Bild 5b), auf dem Bild Verbindung mittels der roten Kante). Das Modell wird u. a. in der Datenbankkomponente in der intelligenten Suchfunktion eingesetzt. Primär wurde bei der Modellierung von dem Grundprinzip einer GDB ausgegangen - Abbildung der netzwerkartigen Strukturen/ Beziehungen zwischen den Objekten (Knoten) mittels Kanten (hier: Knoten-Kanten- Konstrukt) bei gleichzeitigem Verzicht auf Modellierungsattribute. Dadurch lässt sich jede Verbindung und Abhängigkeit explizit modellieren. Dies trägt stark zur Übersichtlichkeit und Nachvollziehbarkeit bei. Dennoch konnte ein kompletter Verzicht auf die Modellierungsattribute nicht erreicht werden. Dementsprechend existiert eine Unterscheidung zwischen Modellierungskanten und Modellierungsattributen. Bildlich kann man sich dies so vorstellen, dass die Modellierungskanten für die Grobmodellbildung zuständig sind und das Grundgerüst des Modells bilden. Die Modellierungsattribute der Kanten und Knoten sind dagegen für die Feinmodellbildung erforderlich. Die Modellierungsattribute unterstützen die Entwicklung eines verhältnismäßig einfachen Modells (Übersichtlichkeit und Wartbarkeit). Ergebnisse und Diskussion In diesem Artikel wurde ein generisches und verkehrsträgerübergreifendes Modell zur Abbildung der Interaktion Infrastrukturobjekte - Vorschriften - Vorschriftenfestlegungen in einer multifunktionalen GDB vorgestellt, welches nach der Eingabe von Rahmenbedingungen einer Entwurfsaufgabe die Regeln anwendet und anschließend passende Infrastrukturobjekte/ -elemente für einen technischen Entwurf findet. Die Abhängigkeiten zwischen den Infrastrukturobjekten/ -elementen und den einzelnen kodifizierten/ nicht kodifizierten Vorschriftenfestlegungen können dabei dank der hohen Flexibilität des gewählten Datenbankmodells entweder frei oder streng vorschriftenkonform direkt in der GDB ohne programmiertechnische Kenntnisse modelliert werden. Das hier vorgestellte VPO-Modell bildet in der GDB die Basis des expliziten Ingenieurwissens und wird nicht nur in den entwickelten Planungstools angewandt, sondern auch bei der Suche nach Daten(sätzen) (hier: „Intelligente Datensuche“) in der Datenbankomponente. Die wesentlichen Charakteristika des hier vorgestellten Modellansatzes können Tabelle 1 entnommen werden. Der entwickelte Rahmen des (E)DCC-Modellansatzes kann multifunktional eingesetzt werden, nicht nur als Basis zur Abbildung von technischem Wissen in Form von Infrastrukturobjekten und deren vorschriftenkonformer Einsetzbarkeit bei der Infrastrukturplanung, sondern auch zur Abbildung von Planungsprozessen in den Bauabläufen zur Optimierung der Bauverfahrensweise und der Planungsbzw. Bauzeit, des Einsatzes von Baustoffen und somit der Kosten. Zusammenfassung Dieser Artikel schlägt eine multifunktionale graphenbasierte Wissensdatenbank mit den darin enthaltenen (Teil-)Modellen vor, welches u. a. Infrastrukturobjekte, Vorschriften und Vorschriftenfestlegungen in Form von Knoten enthält und die Beziehungen zwischen den genannten Elementen in Form von Kanten abbildet. Der Ansatz kann verkehrsträgerübergreifend eingesetzt werden. Zusammenfassend kann festgehalten werden, dass die vorgeschlagenen Techniken und Methoden einen vielversprechenden Ansatz bieten, mit dessen Hilfe das technische Wissen sowie die technischen Planungspro- A IO 1 A V A P VOK VPK PKK A IO 1 A V P A P VOK A IO 2 VOK GP V IO Globaler Parameter Vorschrift Infrastrukturobjekt VPK Vorschriftenparameterzuordnungskante PKK Parameterkategorieverbindungskante VOK Vorschriftenobjektkante KVK Kategorieverbindungskante KVK a b Datenbankmodell Multi-Modell (Graph- und Document- API) Programmierungskonzept Objektorientierung (Klassen und Objekte) Strukturierungstechnik der Daten Dekomposition, Ontologie und Taxonomie Modellierungsprinzip Explizites Knoten-Kanten-Konstrukt und Modellierungsattribute Programmierkenntnisse erforderlich (Generizität) Nein Zweck der DB Multifunktional (Infrastrukturbau) KBS-Typ FBS Vorschriftenkonformitätsprüfung Ja Darstellungsmethode der Vorschriftenfestlegungen/ Regel (Logiken) White-Box Tabelle 1: Eigenschaften des (E)DCC-Modellansatzes Internationales Verkehrswesen (74) 3 | 2022 37 Wissenschaft INFRASTRUKTUR zesse im Infrastrukturbau abgebildet werden können. Dank der einfachen Grundgedanken der (Teil-)Modelle mit den darin enthaltenen Modellierungslogiken (hier: Kantenmodellierung des Knoten-Kanten-Konstruktes, einfache „UND“/ „ODER“-Logiken und Modellierungsattribute) und der generischen Erweiterbarkeit, besitzt der (E)DCC-Modellansatz ein hohes Potential zur Weiterentwicklung. Es hat sich gezeigt, dass auch die einfachen Modellierungstechniken zum Abbilden von komplexen entwurfstechnischen Sachverhalten aus dem Infrastrukturbau genügen. Die Modellierung der Daten erfordert keine Programmierkenntnisse, kann sehr gut komplexe Sachverhalte aus dem Infrastrukturbau abbilden und diese dem Anwender gut visualisieren. Zur Realisierung des hier vorgestellten Ansatzes wurde eine schemalose GDB von OrientDB verwendet. GDB sind auf dem Markt relativ neu und werden im Verkehrswesen nach derzeitigem Stand fast gar nicht eingesetzt, obwohl diese viele Vorteile mit sich bringen können. Im Gegensatz zu den sich bereits seit Jahren auf dem Markt etablierten relationalen DB, in denen die Modellierung von ausgeprägten Abhängigkeiten zwischen den Datensätzen nur begrenzt möglich ist, bietet eine GDB einen großen Vorteil im Hinblick auf die Abbildung von großen stark miteinander vernetzen und unstrukturierten Datensätzen. Die Datensätze können in einem Baumgraph visualisiert werden, wodurch jede komplexe Modellierung einfach erscheint und dadurch für jeden nachvollziehbar bleibt. ■ LITERATUR [1] Angles, R.; Gutierrez, C. (2008): Survey of graph database models. In: ACM Computing Surveys, Volume 40. [2] Auty, D. (1998): Object oriented programming systems and frame representations, an investigation of programming paradigms. In: NASA (Ed.), Technical Report. [3] Bermell-García, P.; Fan, I.-S. (2002): A KBE System for the design of wind tunnel models using reusable knowledge components. Konferenz: Ponencia presentada en el VI Congreso Internacional de Ingenieria de Proyectos celebrada en Barcelona en el ano 2002. [4] buildingSMART Deutschland (2020): BIM-Klassen der Verkehrswege; Vorstandardisierungsarbeit der buildingSMART-Fachgruppe BIM-Verkehrsweg. bSD Verlag Berlin. [5] Chen, G.; Luo, Y. (2016): A BIM and Ontology-based Intelligent Application. Konferenz: 2016 IEEE Advanced Information Management, Communicates, Electronic and Automation Control Conference (IMCEC). [6] Gruber, T. R. (1995): Toward Principles for the Design of Ontologies Used for Knowledge Sharing. In: International Journal Human - Computer Studies (1995) 43. [7] Häußler, M.; Borrmann, A. (2021): Knowledge-based engineering in the context of railway design by integrating BIM, BPMN, DMN and the methodology for knowledge-based engineering applications (MOKA). In: Journal of Information Technology in Construction 26, pp.193-226. [8] Häußler, M.; Borrmann, A. (2020): Model-based quality assurance in railway infrastructure planning. In: Automation in Construction 109, p. 102971. [9] Häußler, M.; Esser, S.; Borrmann, A. (2021): Code compliance checking of railway designs by integrating 1 BIM, BPMN and DMN. In: Automation in Construction 121, p. 103427. [10] ISO/ IEC 19510 (2013): Information technology - Object Management Group Business Process Model and Notation. [11] ISO/ IEC TR 11179-2 2019): Information technology - Metadata registries (MDR) - Part 2: Classification. [12] La Rocca, G. (2012): Knowledge based engineering: Between AI and CAD. Review of a language based technology to support engineering design. In: Advanced Engineering Informatics 26, p. 159-179. [13] Lassila, O. (1990): Frames or Objects, or Both? In: 8th AAAI National Conference on Artificial Intelligence, Object-Oriented Programming in AI. [14] Martin, U.; Schuk, V.; Rapp, S.; Camacho, D. (2019): Modell zur strukturierten Analyse des Bahnkörpers. In: Ingenieurspiegel 02. [15] Negnevitsky, M. (2005): Artificial Intelligence - A Guide to Intelligent System. Addison- Wesley, Harlow, England. [16] OrientDB Ltd.: Startseite. https: / / orientdb.org. (Letzter Zugriff: 20.03.2022). [17] Porto, M. F.; Falcao, P. C.; Queiroz Franco, J. R., et al. (2015): Automatic Analysis of Standards in Rail Projects. Konferenz: The 19th World Multi-Conference on Systemics, Cybernetics and Informatics: WMSCI 2015. [18] Reifenhäuser, M.; Klebermass, R.; Mautz, R. (2018): BIM IFC-Alignment: Fachliche Anforderungen Rail der DB, ÖBB und SBB. [19] Rumbaugh, J.; Blaha, M.; Premerlani, W., et al. (1991): Object-oriented modeling and design. Prentice-Hall, Englewood Cliff, New Jersey. [20] Sainter, P.; Oldham, K.; Larkin, A. (2000): Achieving benefits from knowledge-based engineering systems in the longer term as well as in the short term. Konferenz: Proceedings of the 6th International Conference on Concurrent Enterprising. [21] Seo, M. B.; Lee, D. (2020): Development of Railway Infrastructure BIM Prototype Libraries. In: Applied Sciences 10 (22). [22] Tripathi, K. P. (2011): A review on knowledge-based expert system: concept and architecture. In: Artificial Intelligence Techniques - Novel Approaches & Practical Applications. [23] VDI 5610: Wissensmanagement im Ingenieurwesen - Wissensbasierte Konstruktion (KBE), Blatt 2; Mai 2017. [24] Wu, S.; Shen, Q.; Deng, Y.; Cheng, J. (2019): Natural-language-based intelligent retrieval engine for BIM object. In: Computers in Industry 108. [25] Xu, X.; Cai, H. (2020): Semantic approach to compliance checking of underground utilities. In: Automation in Construction 109, p. 103006. Tobias Weiß, M. Sc. Akademischer Mitarbeiter, Institut für Eisenbahn- und Verkehrswesen, Universität Stuttgart tobias.weiss@ievvwi.uni-stuttgart.de Felix Belz, B. Sc. Akademischer Mitarbeiter, Institut für Eisenbahn- und Verkehrswesen, Universität Stuttgart felix.belz@ievvwi.uni-stuttgart.de Ullrich Martin, Univ. Prof. Dr.-Ing. Institutsleiter, Institut für Eisenbahn- und Verkehrswesen, Universität Stuttgart ullrich.martin@ievvwi.uni-stuttgart.de Vitali Schuk, M. Sc. Akademischer Mitarbeiter, Institut für Eisenbahn- und Verkehrswesen, Universität Stuttgart vitali.schuk@ievvwi.uni-stuttgart.de