2. Fachkongress Digitale Transformation der Verkehrsinfrastruktur - Juni 2023 239 Maschinelles Lernen zur Zustandserkennung bei Ermüdungsversuchen an Spannbetonträgern Yasser Alshaban Alqasem, M. Sc. Bundesanstalt für Straßenwesen (BASt), Bergisch Gladbach Dr.-Ing. Jens Heinrich Technische Universität Dortmund (TUD) Dr.-Ing. Matthias Müller Bundesanstalt für Straßenwesen (BASt), Bergisch Gladbach Zusammenfassung Mobilität und damit eine zuverlässige Straßeninfrastruktur sind die Voraussetzung für wirtschaftliches Wachstum. Die vorausschauende Erhaltung der Straßeninfrastruktur gewinnt daher zunehmend an Bedeutung. Die Straßenbaubehörden sind auf ein solides, zukunftsfähiges Erhaltungsmanagement angewiesen, das nicht nur die heutigen Risiken und Anforderungen identifiziert, sondern auch potenzielle künftigen Entwicklungen rechtzeitig erkennt und bewertet. Der Bereich des Datamining im Zusammenhang mit maschinellem Lernen spielt zurzeit eine zunehmend wichtige Rolle bei der Entwicklung von Bewertungs- und Prognoseverfahren im Bausektor. Somit können komplexe Entscheidungsmodelle abgebildet werden, die lineare und nichtlineare Zusammenhänge lernen und wiedererkennen können. In diesem Beitrag werden Daten aus Ermüdungsversuche an Spannbetonträgern verwendet, um den Zustand im linearen oder nichtlinearen Bereich zu erkennen. Dabei wurden Algorithmen des maschinellen Lernens trainiert, und ihre Vorhersage mit Testdaten evaluiert. 1. Einführung Die Zustandserfassung von Brücken- und Ingenieurbauwerken in Deutschland basiert auf der visuellen Erfassung von Schäden im Rahmen der handnahen Bauwerksprüfung. Diese findet in regelmäßigen Abständen statt. Die Schäden werden in Deutschland von besonders geschultem Personal nach DIN 1076: 1999-11 bewertet und dokumentiert [1] [2]. Die erfassten Schäden mit ihrer Beschreibung und Benotung werden im Programmsystem „SIB-Bauwerke“ zentral für alle Bauwerke gespeichert. Aufgrund der kontinuierlich anwachsenden Schwerverkehrsbelastungen sowie der Alterung der Bausubstanz wird die Erfassung der Schäden sowie des Zustandes derzeit um digitale Verfahren erweitert, mit denen das Verhalten und der Zustand kontinuierlich analysiert werden können. Die automatisierte Erkennung von Schäden und Bewertung von Risiken an der Straßeninfrastruktur stellt eine große Herausforderung für das Erhaltungsmanagement dar. Die wesentlichen Herausforderungen bei der Schadenserkennung sind die Änderungen im Tragverhalten, die Art, den Ort und das Ausmaß eines Schadens sowie ggf. Prognose der zukünftigen Entwicklung im Tragverhalten zu identifizieren. Diese bilden die Grundbausteine des Strukturmonitorings (eng. Structural Health Monitoring „SHM“) [3] [4] [5]. Beim SHM werden Bauwerke entsprechend der zu überwachenden Elemente eines Bauwerks oder seiner Schwachstellen mit einem Messsystem ausgestattet, um kontinuierlich Informationen über das Verhalten und den Zustand zu erhalten. Somit sollten Schäden frühmöglich erkannt und Erhaltungsmaßnahmen eingeleitet werden. Darüber hinaus werden zunehmend intelligente Methoden auf Basis von Monitoringdaten entwickelt, um Entscheidungen über die Entwicklung des Zustands zu unterstützen [6]. Diese Methoden werden auf der Grundlage von Algorithmen des maschinellen sowie tiefen Lernens (eng. machine learning & deep learning) entwickelt und eingesetzt [7] [8]. Im Infrastrukturingenieurwesen spielt die Erkennung und Vorhersage von Schäden eine zunehmend wichtigere Rolle, da volkswirtschaftliche Kosten durch den Zeitgewinn, der eine frühzeitige Planung von Erhaltungsmaßnahmen ermöglicht, reduziert werden können. Vor diesem Hintergrund gewinnt das maschinelle Lernen im Zusammenhang mit der Anomalieerkennung an Bedeutung, um Schäden bzw. anomales Verhalten möglichst schnell zu erkennen oder vorherzusagen. Dies bildet einen wesentlichen Baustein auf dem Weg zur Entwicklung von digitalen Zwillingen, die die aus Sensoren gesammelten Daten nutzen, um die Reaktion des Bauwerks im digitalen Raum zu reflektieren [9]. 1.1 Theoretische Grundlagen In der letzten Zeit wurden weltweit neue Entwicklungen im Bereich der Wissensentdeckung in Datenbanken (eng. KDD Knowledge Discovery in Databases) erreicht. Das Generieren von Wissen aus den Daten hat stark an Bedeutung zugenommen. Dabei werden große Datenmengen (Big Data) für ein bestimmtes Problem gesammelt und verarbeitet, um Zusammenhänge, Muster und Kor- 240 2. Fachkongress Digitale Transformation der Verkehrsinfrastruktur - Juni 2023 Maschinelles Lernen zur Zustandserkennung bei Ermüdungsversuchen an Spannbetonträgern relationen herauszufiltern [10]. Durch geeignete grafische Visualisierungsmethoden kann die Menge der Daten für die menschliche Wahrnehmung verständlich dargestellt werden. Intelligente Datenverarbeitungsmethoden bereiten den Weg für eine neue technische Entwicklungen. Eine Vorreiterrolle nimmt das maschinelle Lernen ein, bei dem Lernmodelle ohne Vorprogrammierung angelernt werden können. Diese können anhand ausreichender Daten menschliche Handlungen für bestimmte Aufgaben nachbilden [11]. Solche Modelle stellen einen vielversprechenden Ansatz zur Lösung komplexer Probleme dar. Die Überwachung des statischen sowie dynamischen Verhaltens der Infrastrukturbauteile mithilfe von intelligenten Methoden kann bei Verhaltensänderung einzelner Bauteile auf eine mögliche Schädigung oder den Ausfall im System deuten [12] [13]. Bei maschinellem Lernen (ML) geht es darum, durch mathematische Funktionen, die in der Statistik verwurzelt sind, Zusammenhänge in Daten zu finden. Das tiefe Lernen (DL) ist ein Teilbereich des maschinellen Lernens und unterscheidet sich grundsächlich durch die Lernfunktionen. Dabei werden Neuronen in mehreren Schichten eines tiefen Netzes verwendet, um Lösungsmöglichkeiten eines Problems zu lernen. Das tiefe Netz besteht aus einer Eingabe-, Ausgabeschicht und versteckten Schichten (eng. Hidden Layer) dazwischen. Die Anzahl der versteckten Schichten sowie Neuronen in jeder Schicht hängt von der Komplexität der zu lösenden Aufgabe ab [14]. Anhand der tiefen Schichten können lineare bzw. nichtlineare Zusammenhänge abgebildet werden. Nachteilig ist dabei, dass das Auf bauen des Modells aufwändig ist und die Interpretation der Ergebnisse meistens nicht ohne weiteres möglich ist [15]. Ergebnisse aus traditionellen ML-Modellen können einfacher interpretiert werden, da meistens für den Algorithmus Merkmale abgeleitet werden. Merkmale sind abgeleitete Größen, die charakteristische Eigenschaften und Informationen der Daten enthalten. Diese beinhalten Aussagen über die zusammenhängenden Parameter. Die Anomalieerkennung bei Bauwerken bzw. die Vorhersage in der Zukunft möglicherweise eintretender Schädigungen stellt eine große Herausforderung dar, da nicht genügend Daten über spezifische Schadensmechanismen gesammelt wurden. Erforderlich sind sowohl Daten aus Laborversuchen als auch Daten, die an realen Strukturen der Verkehrsinfrastruktur gewonnen werden. Sobald die Daten aus beiden Quellen in ausreichendem Umfang zur Verfügung stehen und verarbeitet werden können, können die Auswirkungen von Schädigungsmechanismen aus Datensicht klarer beurteilt werden. Damit können intelligente Modelle angelernt werden, die diese Mechanismen wiedererkennen können. Hierbei ist es von großer Bedeutung, dass das Verhalten von Bauteilen oder Bauteilgruppen im ungeschädigten Zustand angelernt wird. Für reale Brückenbauwerke ist dies aufgrund der Komplexität und der zeitlichen Veränderlichkeit des Verhaltens keine triviale Anforderung. Ziel der in diesem Beitrag beschriebenen Untersuchung ist, den Versagensmechanismus von Spannbetonbauteilen bei Ermüdungsbeanspruchung zu analysieren und anhand dessen eine Aussage über das Verhalten des Bauteils bis zum Versagen zu treffen. Die Einschätzung des Zustandes der Spannbetonträger erfolgt anhand von Daten aus Dehnmessstreifen, die bei Ermüdungsversuchen eingesetzt wurden. Der Verlauf der Rissbreitenänderung während der Versuche wird für die Ableitung von Zustandsindikatoren für maschinelles Lernen verwendet. Das Ziel dabei ist, dass das maschinelle Lernmodell die Merkmale lernt und anhand dessen eine Einschätzung zum Zustand der Versuchskörper vornimmt. 2. Konzept Bei komplexen Problemen können lineare Ansätze nicht ausreichend sein, um die Zusammenhänge zutreffend zu beschreiben. Nichtlineare Zusammenhänge zwischen Ein- und Ausgaben können mittels maschinellem Lernen abgebildet werden [16]. Der Vorteil bei der Verwendung von intelligenten Systemen liegt in der Eigenständigkeit dieser Algorithmen. Im Folgenden wird das erarbeitete Konzept zur Erkennung von Zustandsänderungen von Versuchskörpern unter zyklischen Belastungen vorgestellt. Das Konzept folgt der typischen Vorgehensweise zur Erstellung einen ML-Modells. Im ersten Schritt werden die Daten der Rissbreitenänderung „Risszuwachs“ aus den Dehnmessstreifen plausibilisiert und auf bereitet, um zunächst Merkmale bzw. Zustandsindikatoren der Versuchsverläufe in verschiedenen Zuständen abzuleiten. Anschließend werden die Daten mit einem ML-Modell angelernt und getestet, siehe Abbildung 1. Abb. 1: Untersuchungskonzept des Ermüdungsverhaltens der Versuche 3. Maschinelles Lernen im Zusammenhang mit Laborversuchen 3.1 Allgemein In diesem Abschnitt wird die Vorgehensweise des ML bei der Erkennung des Zustands von Versuchskörpern während eines Ermüdungsversuchs dargestellt. Bei dem Versuchsträgern handelt es sich um Spannbetonbalken, die in 4-Punkt-Biegeveruschen zyklisch beansprucht werden. Die Untersuchung zielt darauf ab, den Zustand der Versuchsträger anhand angelernter Daten einzuschätzen. Ermüdung beschreibt den langsam voranschreitenden Schädigungsprozess der Spannstähle im einbetonierten 2. Fachkongress Digitale Transformation der Verkehrsinfrastruktur - Juni 2023 241 Maschinelles Lernen zur Zustandserkennung bei Ermüdungsversuchen an Spannbetonträgern Zustand unter zyklischer Belastung. In diesem Zusammenhang können aus statischer Sicht unkritische Belastungen eine fortschreitende Schädigung verursachen, was bis zum Versagen des Bauteils führen kann, wenn sie oft genug wiederholt auftreten. Der Nachweis der Ermüdungsfestigkeit von Spanngliedern im Eurocode basiert hauptsächlich auf der Beziehung zwischen der aufgebrachten Spannungsschwingbreite im Spannstahl und der ertragbaren Lastwechselzahl [17]. Da die Ermüdungsfestigkeit der Spannglieder von vielen Faktoren wie Materialgüte, Herstellungsverfahren, Anzahl der realen Lastwechsel usw. abhängt, ist eine direkte mathematische physikalische Beschreibung des Verhaltens bei zyklischer Beanspruchung nicht trivial. Im Rahmen einer Versuchsreihe an der TU Dortmund wurden Ermüdungsversuche an Spannbetonträgern durchgeführt, um die Ermüdungsfestigkeit des Spannstahls im einbetonierten Zustand mit sehr großen Lastwechselzahlen im Bereich der Dauerschwingfestigkeit zu untersuchen. Bei den Versuchen wurden dabei verschiedene Einflussparameter untersucht. So wurden u. a. bei einigen Versuchskörpern alte Spannstähle aus einem Abbruchbauwerk von 1957 und Spannstähle einer aktuellen Produktion im einbetonierten Zustand verwendet [18]. Darüber hinaus wurden die folgenden Parameter bei den Versuchen variiert: Anzahl der Spannstahllitzen, Vorspannkraft, Umlenkradius der Spanngliedführung, Prüffrequenz, Spannungsschwingbreite und Spannstahlfläche-[19]. Der Einbau der Spannstählte in die Versuchsträger erfolgte in gekrümmten Stahlhüllrohren. Das Ermüdungsverhalten der im Träger einbetonierten Spannstähle wurde unter Auf bringung sehr kleiner Spannungsschwingbreiten in Verbindung mit hohen Lastwechselzahlen erforscht [20], da die Anzahl der bisher durchgeführten Versuche in diesem Bereich stark begrenzt ist. Das Ziel war die Gewinnung weiterer Versuchsergebnisse zur Beschreibung der Ermüdungsfestigkeit von Spanngliedern bei Beanspruchungen im Bereich der Dauerschwingfestigkeit. 3.2 Beschreibung des Versuchskörper Die Versuchskörper wurden als statisch bestimmte Einfeldträger mit den Abmessungen von l/ h/ b = 4,5/ 1,0/ 0,3 m als 4-Punkte-Biegeversuch getestet. Ein wesentliches Merkmal der Prüfkörper ist die kreisförmige Aussparung in Feldmitte sowie eine Stahlkonstruktion zur definierten Übertragung der Biegedruckkräfte oberhalb dieser Öffnung, siehe Abbildung 2. Hierdurch ist der Hebelarm der inneren Kräfte im Rissquerschnitt exakt bekannt, was eine rechnerische Ermittlung der Spannungsschwingbreiten im Spannstahl aus den Versuchslasten ermöglicht. Während der Versuchsdurchführung wurde in Feldmitte die Rissbreite im Zuggurt messtechnisch überwacht. Zusätzlich erfolgte an den Ankerbuchsen der Spannglieder jeweils eine Mikrofon- und Beschleunigungsmessung. In Kombination dieser drei Messkenngrößen (Rissbreite, Beschleunigungs- und Mikrofonmessung) konnten einzelne Spanndrahtbrüche im Spannglied während der Versuchsdurchführung aufgezeichnet und auch zeitlich einer zugehörigen Lastwechselzahl zugeordnet werden. Ein Spanndrahtbruch war durch eine Rissbreitezunahme sowie einem Ausschlag der Beschleunigungs- und Mikrofonmessung zu erkennen. Die Größe der Rissbreitenzunahme hing dabei von der Anzahl der bereits ausgefallenen Spanndrähte bzw. der verbleibenden Anzahl intakter Spanndrähte ab. Abb. 2: Darstellung des Versuchskörpers [20] Abbildung 3 zeigt den charakteristischen Verlauf der gemessenen Rissbreite eines Versuchs bis zum Versagen. Es ist zu erkennen, dass die Rissbreitenzunahme zu Beginn des Versuchs bis zum ersten Drahtbruch stabil verläuft. Der stabile Verlauf setzt sich auch nach dem ersten Einzeldrahtbruche weiter fort. Mit zunehmender Lastspielzahl wächst die Rissbreite bis zum Versagenspunkt 1 annähernd linear an. Nach dem Erreichen dieses Versagenspunkts ist eine deutlich überproportionale Zunahme der Rissbreitenänderung zu beobachten. Die Rissbreitenänderungen steigen deutlich an und die zeitlichen Abstände zwischen den Einzeldrahtbrüchen nehmen ab. Sobald eine kritische Anzahl von Drahtbrüchen erreicht wurde und die verbleibende Spannstahlfläche nicht mehr ausreichte, die Zugkraft aufzunehmen, kam es letztendlich zum Versagen des Bauteils. 3.3 Datenaufbereitung Die Definition des Versagenszeitpunkts eines Spannbetonbauteils mit mehrdrahtigen Spanngliedern infolge Ermüdung ist in der Fachwelt nicht eindeutig formuliert. Einige Wissenschaftler betrachten bereits den ersten Drahtbruch als kritischen Versagenspunkt. Die Versuche an der TU Dortmund zeigen jedoch, dass das Auftreten eines ersten Drahtbruchs nicht unmittelbar zum Gesamtversagen des Bauteils führen muss. Das Gesamtbauteilversagen trat i.d.R. immer deutlich nach dem Auftreten des Erstdrahtbruchs auf. Eine genaue Definition des tatsächlichen Versagenszeitpunktes eines Spannbetonbauteils geht aus den aktuell gültigen Regelwerken nicht hervor. Wird der erste Drahtbruch als Versagenszeitpunkt angesetzt, führt dies jedoch wie die Versuche zeigen zu sehr konservativen Ergebnissen. Im Rahmen der nachfolgenden Untersuchungen wurde der fünfte Drahtbruch als Versagenspunkt 1 definiert [20]. Der Grund dafür ist, dass der erste Drahtbruch während der Versuche nicht zu Instabilität führte, sondern die Rissbreitenzunahme i.d.R. bis zum fünften Drahtbruch sehr stabil verlief. 242 2. Fachkongress Digitale Transformation der Verkehrsinfrastruktur - Juni 2023 Maschinelles Lernen zur Zustandserkennung bei Ermüdungsversuchen an Spannbetonträgern Diese Erkenntnisse und die Beschreibung der Ergebnisse der experimentellen Untersuchungen aus [19] wurden für die Erarbeitung eines maschinellen Lernmodells genutzt, um zu untersuchen, inwieweit das Modell die Verläufe der Versuche anlernen und wiedererkennen kann. Abb. 3: Schematische Darstellung des Zustandes während eines Versuchs. 01ZS (Normaler Zustand), 02Zs (mittlerer Zusatnd), 03ZS (Versagenszustand) [18] In der Abbildung 4 sind die Verläufe der Versuche bis zum Versagen dargestellt. Die Dauer der Versuchsdurchführung reichte von einem bis zu 100-Tagen. Die Daten aus den Versuchen wurden für diese Studie herangezogen und auf bereitet. Sie sind in drei Stufen unterteilt (01ZS „Normaler Zustand“, 02ZS „Mittlerer Zustand“, 03ZS „Versagenszustand“), siehe Abbildung 3. Diese Stufen bilden die Grundlage der weiteren Untersuchungen. Anhand der Daten werden Eigenschaften der Rissbreitenänderung während der zyklischen Belastungen abgeleitet. Diese Eigenschaften sollen als Indikatoren der Zustandsänderung eines Versuchs dienen. Die Indikatoren werden mit einem ML-Modell angelernt und getestet, um die Genauigkeit des Modells zu evaluieren. Abb. 4: Darstellung der Rissbreiteänderung über die Zeit 3.4 Ableitung von Zustandsindikatoren Grundlage für die Ableitung von Merkmalen sind in diesem Beitrag die aggregierten Daten des Risswachstums, die Anzahl der Lastwechsel sowie die Spannungsschwingbreite, um Zustandsindikatoren zum Trainieren eines ML-Modelles zu etablieren. Aus den Daten der Ermüdungsversuche haben sich drei Merkmale bzw. Indikatoren als geeignet für eine weitere Verarbeitung ergeben. Das erste Merkmal bezieht sich auf den Mittelwert des Produkts aus Lastwechselzahl N, Risszuwachs Δw und Spannungsschwingbreite Δs, siehe Gleichung (1). (1) Die Ergebnisse in [18] deuten darauf hin, dass die sprunghafte bzw. plötzliche Änderung des Risszuwachses als guter Indikator zur Erkennung der Drahtbrüche dienen kann. Um dieses Merkmal abzuleiten, wird für die Daten jedes Versuchs eine Analyse der plötzlichen Änderungen durchgeführt. Die Analyse der plötzlichen Änderungen in den Daten dient der Identifikation von Punkten innerhalb eines großen Datensatzes, an denen sich statistische Eigenschaften wie Mittelwert oder Varianz ändern [21] [22]. In der Abbildung 5 wird die Änderungspunktanalyse für den Träger SB01 im Zustand 02ZS über den Mittelwert dargestellt. So entstehen treppenförmige Segmente. In einer zweiten Stufe (Merkmal 2) wird die Neigung der Segmente nach Gleichung (2) ermittelt, wobei k die Anzahl der Segmente darstellt. Hierbei wird angenommen, dass die Neigung der Risszuwachsverläufe ein Indikator für den Zustand ist, siehe Abbildung 6. (2) Das dritte Merkmal lässt sich durch die Berechnung der Anzahl der Störstellen in einem Zustand darstellen. Hierbei erfolgt die Berechnung der Ausreißer in einem Signal mit der Berechnung der Varianz [23]. 2. Fachkongress Digitale Transformation der Verkehrsinfrastruktur - Juni 2023 243 Maschinelles Lernen zur Zustandserkennung bei Ermüdungsversuchen an Spannbetonträgern Abb. 5: Darstellung der Änderungspunktanalyse des Trägers SB01 in mittleren Zustand 02ZS Abb. 6: Darstellung der Änderungspunktanalyse des Trägers SB01 in mittleren Zustand 02ZS mit der Neigung zwischen den Segmenten 3.5 Maschinelles Lernmodell Bei einer Klassifikationsaufgabe mit maschinellem Lernen werden die abgeleiteten Merkmale für das Anlernen eines Algorithmus verwendet. Die Auswahl, welcher Algorithmus für das Lösen der Aufgabe am besten geeignet ist, erfolgt iterativ. Anschließend kann die Genauigkeit durch die Optimierung der Lernoptionen mit Hyperparametern oder durch die Auswahl der besten Merkmale optimiert werden [24] [25]. Ein Hyperparameter ist ein Optimierungsalgorithmus, der mehrere Lernparameter testet und daraus die besten Parameter eines maschinellen Lernmodells ableitet. So wird das beste Modell mit der höchsten Genauigkeit gefunden [26]. Die Merkmalauswahl (eng. Feature Selektion) dient dazu, die relevanten Merkmale für die Prognose auszuwählen. Damit werden die Datenmenge und das Rauschen in den Daten durch die Elimination der redundanten sowie korrelierten Daten verringert. Überdies werden das Überanpassungspotenzial und die Rechenzeit reduziert [27] [28]. Die Überanpassung (eng. Overfitting) bedeutet, dass ein statistisches Modell genau auf seine Trainingsdaten passt. Das Modell lernt dabei auswendig und kann bei Testdaten keine gute Genauigkeit erreichen [29]. Wenn die angestrebte Genauigkeit erreicht ist, kann das Modell für neue unbekannte Daten verwendet werden. Das „zufällige Wald-Modell“ (engl. Random Forest) hat sich im Rahmen der Untersuchung als geeignet erwiesen. Das Modell ist ein baumbasierter Ensemble-Lernalgorithmus. Das Ensemble Learning benutzt mehrere Lernalgorithmen, um die Genauigkeit und die Stabilität des Lernmodells zu optimieren [30]. Ensemble bedeutet, mehrere schwache Algorithmen zu bündeln, um ein starkes Modell zu konfigurieren [31] [32]. Die Entscheidung der Klassifizierung wird über den Mittelwert der Entscheidungen aus den verschiedenen verwendeten Lernalgorithmen ausgegeben [33]. Grundsächlich handelt es sich um mehrere gebündelte Top-Down-Algorithmen (Baumstruktur), deren Knoten die abgeleiteten Merkmale repräsentieren. In der Abbildung 7 ist eine von mehreren Baumstrukturen dargestellt, deren Knoten für den Entscheidungsprozess verantwortlich sind. Dieser Algorithmus ist einfach zu interpretieren und erfordert wenig Rechenaufwand. [34]. Abb. 7: Darstellung einer Baustruktur des zufälligen Wald-Models Der gesamte Datensatz besteht aus 1055 Einzeldatensätzen, die aus den 16 der vorhandenen Ermüdungsversuchen abgeleitet sind. Das Modell bedarf zweier Phasen, einer Lernphase mit 70 % und einer Testphase mit weiteren 30 % der Daten. Dies entspricht einem typischen Verhältnis zwischen Lern- und Testdaten. Die Ergebnisse der Zustandserkennung der Ermüdungsversuche mit dem Ensemble Modell zeigen, dass das Lernmodell eine Wiedererkennungsrate von 94 % erreicht, siehe Abbildung 8. Hieraus kann geschlussfolgert werden, dass der Zustand für bestimmte Versagensmechanismen anhand einer Menge von Daten vorhersehbar ist. Dies, obwohl die Versuche mit unterschiedlichen Versuchsparametern (Z. B. Vorspanngrad, Spanngliedgroße, Spannungsschwingbreite, usw.) durchgeführt wurden. Der verwendete Datensatz ist hinsichtlich der Zustandszuordnung unausgewogen, da die Anzahl der Datensätze in der Klasse 03ZS überwiegt, siehe Abbildung 8. 244 2. Fachkongress Digitale Transformation der Verkehrsinfrastruktur - Juni 2023 Maschinelles Lernen zur Zustandserkennung bei Ermüdungsversuchen an Spannbetonträgern Abb. 8: Testergebnisse des Ensemble-Modells für die Zuordnung zu den drei definierten Zuständen Die unausgewogene Vertretung der Klassen (01ZS 02ZS 03ZS) in den Daten korrespondiert mit den tatsächlichen Zeiträumen in den Versuchsdurchführungen und stellt daher keinen Mangel in der Datengrundlage dar. Die unterschiedlichen Gewichtung der verschiedenen Klassen kann das für einen ML-Algorithmus jedoch problematisch sein. Um das Potenzial der ML-Modelle zur Erstellung einer verlässlichen Zustandszuordnung trotz der Unausgewogenheit zu untersuchen, wird das Modell mit 10 % der Daten zum Trainieren verwendet. 90 % werden zum Evaluieren und für die Prüfung der Robustheit des Modells herangezogen. In der Abbildung 9 sind die Ergebnisse dargestellt. Es wird eine Wiedererkennungsrate von 92-% erzielt. Diese ist trotz der unterschiedlichen Repräsentation der Train- und Testdaten hoch. Überdies zeigt der Vergleich zwischen den Zuständen, dass eine vergleichbare Wiedererkennungsrate für die drei Zustände erreicht wird (zwischen 86 und 93 %.) Dies heißt, dass das ML-Modell bei den Testdaten gut abschneidet und kein Problem durch Überanpassung (overfittig) des Modells vorliegt. Weitere Möglichkeiten zum Umgang mit unausgewogenen Daten stehen mit der Signalbzw. Bildverarbeitung zur Verfügung. Dabei können auf Basis originaler Datensätze zusätzliche synthetische Daten einer unterrepräsentierten Klasse generiert werden [35] [36] [37]. Abb. 9: Testergebnisse des Ensemble-Modells bei den drei Zuständen für 10 %er Trainingsdatensatz 4. Zusammenfassung und Ausblick Die Nutzung maschinellen Lernens zur Generierung von Wissen aus Daten bietet im Infrastrukturbereich erhebliches Potenzial für darauf auf bauende Anwendungsmöglichkeiten im Erhaltungsmanagement. Insbesordere durch Monitoringanwendungen lassen sich enorme Datenmengen sammeln, die für das Ableiten von neuen Erkentnissen zum gegenwärtigen und zukünftigen Verhalten der Infrastruktur verwendet werden können. In diesem Beitrag wurde ein Konzept zur Einschätzung des Zustandes von Versuchsträgern auf Basis der Anwendung des maschinellen Lernens vorgestellt. Trotz der verschiedenen Versuchsparameter und der Streuungen in den Daten wurde festgestellt, dass eine allgemeine Zustandsaussage mit Hilfe von ML-Algorithmen möglich ist. Auf reale Bauwerke ist die Übertragbarkeit solches Ansatzes derzeit nicht möglich, da deutlich mehr Einflussparameter zu berücksichtigen sind. Insbesondere zu nennen sind dabei Umwelteinflüsse, veränderliches Langzeitverhalten und heterogene Einwirkungen infolge Verkehrs. Hier besteht zukünftig noch weitere Forschungsbedarf. Es ist anzunhemen, dass sich die hier angewendeten Verfahren der Datenanalyse auch dazu eigenen, um das Verhalten bzw. die Zustandentwicklung anderer Konstruktionen und Detailausbildungen zu erlernen und zu erkennen (bspw. das Ermüdungsverhalten verschiedener Schweißnahtdetails (Kerbfälle) im Stahbau). Basis für die weitere Entwicklung ist jedoch das Vorhandensein einer entsprechenden Datengrundlage. Neben der Zustandserkennung wurden an den hier beschriebenen Versuchsträger bereits erste Erkenntnisse zur Ermittlung der Restlebensdauer unter Anwednung mschineller Lernverfahren erfolgreich untersucht. Die Ergebnisse werden derzeit ausgewertet und sollen in zukünftigen Beiträgen veröffentlicht werden. 2. Fachkongress Digitale Transformation der Verkehrsinfrastruktur - Juni 2023 245 Maschinelles Lernen zur Zustandserkennung bei Ermüdungsversuchen an Spannbetonträgern Literatur [1] DIN 1076, „DIN 1076: Ingenieurbauwerke im Zuge von Straßen und Wegen - Überwachung und Prüfung,“ Beuth, Berlin. [2] „Richtlinien für die Erhaltung von Ingenieurbauten (RI-ERH-ING),“ Bundesanstalt für Straßenwesen „BAST“, [Online]. Available: https: / / www. bast.de/ DE/ Publikationen/ Regelwerke/ Ingenieur bau/ Erhaltung/ RI-ERH-ING.html; jsessionid=CC B9DCDEEAD561998DC83CFAFB3B79F1.live 11293? nn=1816396 [Zugriff am 04 January 2023]. [3] A. Malekjafarian, P. J. McGetrick und E. J. OBrien, „A Review of Indirect Bridge Monitoring Using Passing Vehicles,“ Shock and Vibration: Volume 2015, 02 March 2015. [4] K. Worden, C. R. Farrar, G. Manson und G. Park, „The fundamental axioms of structural health monitoring,“ Proc. R. Soc. A.4631639-1664, 03 April 2007. [5] A. Malekloo, E. Ozer, M. AlHamaydeh und M. Girolam, „Machine learning and structural health monitoring overview with emerging technology and high-dimensional data source highlights,“ SAGE Journals, p. 50, 2021. [6] F. &. K. M. Çelik, „A sigmoid-optimized encoder- decoder network for crack segmentation with copyedit-paste transfer learning,“ Computer-Aided Civil and Infrastructure Engineering, 37, 1875-1890, 12-April 2022. [7] X. Li, H. Jiang, Y. Liu, T. Wang und Z. Li, „An integrated deep multiscale feature fusion network for aeroengine remaining useful life prediction with multisensor data,“ Knowledge-Based Systems, Volume 235, 10 January 2022. [8] R. Zhao, R. Yan, Z. Chen, K. Mao, P. Wang und R. X. Gao, „Deep learning and its applications to machine health monitoring,“ Mechanical Systems and Signal Processing, Volume 115, pp. 213-237, 15 January 2019. [9] C. Ullerich, M. Wenner und M. Herbrand, „smart- BRIDGE Hamburg - prototypische Pilotierung eines digitalen Zwillings,“ 1. Fachkongress Digitale Transformation im Lebenszyklus der Verkehrsinfrastruktur, pp. 237-245, Juni 2021. [10] M. Gordan, S.-R. Sabbagh-Yazdi, Z. Ismail, K.- Ghaedi, P. Carroll, D. McCrum und B. Samali, „State-of-the-art review on advancements of data mining in structural health monitoring,“ Measurement: Volume 193, 26 February 2022. [11] B. Mahesh, „Machine Learning Algorithms - A Review,“ International Journal of Science and Research (IJSR), pp. 381-386, January 2020. [12] F. Xiao, J. Fan, G. Chen und J. Hulsey, „Bridge health monitoring and damage identification of truss bridge using strain measurements,“ Advances in Mechanical Engineering, 13 March 2019. [13] W. Jae Lee, H. Wu, H. Yun, H. Kim, M. B.G. Jun und J. W. Sutherland, „Predictive Maintenance of Machine Tool Systems Using Artificial Intelligence Techniques Applied to Machine Condition Data,“ Procedia CIRP: Volume 80, pp. 506-511, 4 May 2019. [14] v. nigam, „Understanding Neural Networks. From neuron to RNN, CNN, and Deep Learning,“ 11-September 2018. [Online]. Available: https: / / medium. com/ analytics-vidhya/ understanding-neural-networks-from-neuron-to-rnn-cnn-and-deep-learningcd88e90e0a90 [Zugriff am 13 January 2023]. [15] D. Hecker, I. Döbel und S. Rüping, „Künstliche Intelligenz und die Potenziale des maschinellen Lernens für die Industrie,“ Wirtsch Inform Manag 9, 26-35, 19 October 2017. [16] d. Stetco, F. Dinmohammadi, X. Zhao, V. Robu, D.- Flynn, M. Barnes, J. Keane und G. Nenadic, „Machine learning methods for wind turbine condition monitoring: A review,“ Renewable Energy: Volume 133, pp. 620-635, April 2019. [17] „DIN EN 1992-2: Bemessung und Konstruktion von Stahlbeton- und Spannbetontragwerken Teil 2: Betonbrücken,“ 2010. [18] G. Heeke, „Untersuchungen zur Ermüdungsfestigkeit von Betonstahl und Spannstahl im Zeit- und Dauerfestigkeitsbereich mit sehr hohen Lastwechselzahlen,“ Dortmund, 2016. [19] J. Heinrich, „Ermüdungs- und Verbundverhalten von Litzenspanngliedern unter dynamischer Belastung im Zeit- und Dauerfestigkeitsbereich,“ Technischen Universität Dortmund, Dortmund, 2022. [20] G. Heeke, J. Heinrich und R. Maurer, „Neue Erkenntnisse zur Ermüdungsfestigkeit von Spannbeton unter sehr hohen Lastwechselzahlen,“ Wiley Online Library, 13 Februar 2019. [21] R. Killick, P. Fearnhead und E. I. A., „Optimal Detection of Changepoints With a Linear Computational Cost,“ Jurnal of the American Statistical Association, 21 Dezember 2012. [22] Mathwork, „findchangepts,“ [Online]. Available: https: / / de.mathworks.com/ help/ signal/ ref/ findchangepts.html [Zugriff am 12 2022]. [23] MATHWORK, „Isoutlier,“ [Online]. Available: https: / / de.mathworks.com/ help/ matlab/ ref/ isoutlier.html [Zugriff am 01 January 2023]. [24] A. M. P. Sharma, „Performance analysis of machine learning based optimized feature selection approaches for breast cancer diagnosis,“ International Journal of Information Technology: volume 14, p. 1949-1960, 15 August 2021. [25] A. Morales-Hernández, I. Van Nieuwenhuyse und S. Rojas Gonzalez, „A survey on multi-objective hyperparameter optimization algorithms for machine learning,“ Artificial Intelligence Review, 24-December 2022. [26] F. Hutter, L. Kotthoff und J. Vanschoren, Automated Machine Learning Methods, Systems, Challenges, Gewerbestrasse 11, 6330 Cham, Switzerland: Springer, 2019. [27] T. Jingwei, S. Ali Safaa und M. Seyed Mohammad, „A conditional opposition-based particle swarm 246 2. Fachkongress Digitale Transformation der Verkehrsinfrastruktur - Juni 2023 Maschinelles Lernen zur Zustandserkennung bei Ermüdungsversuchen an Spannbetonträgern optimisation for feature selection,“ Connection Science, pp. 340-361, 31 December 2022. [28] U. Mahadeo Khaire und R. Dhanalakshmi, „Stability of feature selection algorithm: A review,“ Journal of King Saud University - Computer and Information Sciences, pp. 1060-1073, 29 March 2022. [29] O. M. L. A. C. J. Montesinos López, „Overfitting, Model Tuning, and Evaluation of Prediction Performance,“ in Multivariate Statistical Machine Learning Methods for Genomic Prediction, Cham, Springer, 2022, pp. 109-139. [30] B. Robert, R. Gutierrez-Osuna und F. Quek, „Attribute bagging: improving accuracy of classifier ensembles by using random feature subsets,“ Pattern Recognition: Volume 36, Issue 6, pp. 1291-1302, 6-June 2003. [31] D. Chakraborty und I. Awolusi, „An explainable machine learning model to predict and elucidate the compressive behavior of high-performance concrete,“ ELSEVIER, pp. 1-2, 28 June 2021. [32] J. Brownlee, „Strong Learners vs. Weak Learners in Ensemble Learning,“ 03 May 2021. [Online]. Available: https: / / machinelearningmastery.com/ stronglearners-vs-weak-learners-for-ensemble-learning/ . [Zugriff am 27.04.2022]. [33] S. Ceren Turan und M. A. Cengiz, „Ensemble Learning Algorithms,“ Journal of Science and Arts, 30-June 2022. [34] M. B. R. D. Jena, „Hybrid Decision Tree for Machine Learning: A Big Data Perspective,“ Advances in Machine Learning for Big Data Analysis. Intelligent Systems Reference Library, 24 February 2022. [35] A. P. Pamuncak, „Deep learning for structural health monitoring,“ University of Warwick, School of Engineering, Warwick, UK, 2021. [36] N. Islah, J. Koerner, R. Genov und T. A. a. O. G. Valiante, „Machine Learning with Imbalanced EEG Datasets using Outlier-based Sampling,“ 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), pp. 112-115, 20-24 July 2020. [37] T. Boyle, „Dealing with Imbalanced Data,“ 03 February 2019. [Online]. Available: https: / / towardsdatascience.com/ methods-for-dealing-with-imbalanced-data-5b761be45a18 [Zugriff am 13 February 2023].