5. Brückenkolloquium - September 2022 137 Szenarienbasierte Schadenserkennung: Anwendungen der künstlichen Intelligenz M. Sc. Yasser Alshaban Alqasem Bundesanstalt für Straßenwesen (BASt), Bergisch Gladbach, Deutschland Prof. Dr.-Ing. Markus König Ruhr-Universität Bochum, Bochum, Deutschland Zusammenfassung Anwendungen von Algorithmen des maschinellen Lernens bei der Sicherheitsbewertung von Elementen der Infrastruktur wie Straßen, Brücken, Windkraftanlagen, usw. sind in den letzten Jahren intensiv erforscht worden. Mit den zunehmenden Entwicklungen auf dem Gebiet der künstlichen Intelligenz können heutzutage komplexe Entscheidungsmodelle abgebildet werden, die die Möglichkeit bieten, den Lebenszyklus der Infrastruktur auf der Grundlage großer Datenmengen zu bewerten. In diesem Beitrag wird die Erarbeitung eines maschinellen Lernmodels vorgestellt, das anhand von Daten aus verschiedenen Schadensszenarien bzw. Schadensmustern eine Entscheidung über den Zustand treffen kann. 1. Einleitung Die Funktionsfähigkeit der Straßeninfrastruktur spielt eine wichtige Rolle für die Entwicklung einer modernen Gesellschaft. Der Großteil der Brücken in Deutschland wurde in den 70er Jahren gebaut und in Betrieb genommen [1]. Aufgrund von vorhandenen Defiziten und der kontinuierlich anwachsenden Schwerverkehrsbelastung ist bei einem zunehmenden Anteil dieser Brücken das Ende der Nutzungsdauer erreicht. Um die Erhaltung der bestehenden Brücken zu optimieren, ist die Gesellschaft auf die Überwachung der Brücken angewiesen. Die bisherige Erhaltungsstrategie des Straßenbaublasträgers ist reaktiv und basiert seit Jahrzehnten auf der handnahen Bauwerksprüfung nach DIN 1076. Da die Bestandbrücken nicht mehr die aktuellen Anforderungen der Norm erfüllen, wurde ab 2011 die traditionelle Überwachung von Brücken durch die Einführung der Nachrechnungsrichtlinie [2] um rechnerische Methoden ergänzt, um die Tragfähigkeit und Gebrauchstauglichkeit der nach alten Normungen bemessenen Brücken einheitlich zu bewerten [3]. Allerdings bleibt die Erhaltungsstrategie reaktiv. Es wird erst gehandelt, wenn die Schäden sichtbar sind. In den letzten Jahren hat die Forschung zur Echtzeit-Brückenüberwachung an Bedeutung zugenommen, um die Zustandserfassung von Brücken intelligent, und digital unterstützt weiter zu entwickeln. Die automatisierte Erkennung von Schäden und Bewertung von Risiken an der Straßeninfrastruktur stellt eine große Herausforderung für das Erhaltungsmanagement der Straßenbauverwaltungen dar. Die wesentliche Herausforderung bei der Schadenserkennung ist es, zum einen die Änderung im Tragverhalten, die Art, den Ort und das Ausmaß eines Schadens sowie ggf. eine Änderung im Tragverhalten zu identifizieren. In diesem Zusammenhang können Algorithmen der künstlichen Intelligenz (KI) zum Einsatz kommen. KI benötigt eine Menge von Daten bei unterschiedlichen Verkehrs- und Witterungsbedingungen über einen längeren Zeitraum, um sie aussagekräftig gestalten zu können sowie alle möglichen Szenarien abzudecken. Dazu sollen Daten aus messtechnisch ausgestatteten Brücken (Reallabore) unter realen Bedingungen gesammelt werden. Zu diesem Zweck sind weltweit Reallabore eingerichtet worden [4], um die Entwicklung von intelligenten Echtzeit-Überwachungssysteme voranzutreiben. Eine Brücke hat jedoch ein komplexes Tragverhalten, das von ihrer Konstruktion, den verwendeten Baumaterialien und der Qualität der Ausführung abhängt, so dass es schwierig ist, Schäden mittels traditioneller Vorgehensweisen zu erkennen oder festzustellen. Hinzu kommt, dass ein Großteil der Reallabore an Bestandsbauwerken eingerichtet wurde. Diese Bauwerke waren bereits längere Zeit dem Einfluss von Verkehr und Witterung ausgesetzt und Informationen über den Ausgangszustand sind in der Regel nicht vorhanden, so dass die Erkennung von neuen Schäden und die Erfassung von Veränderungen im Tragverhalten schwierig sind. Die Bundesanstalt für Straßenwesen (BASt) hat im Rahmen des Forschungsschwerpunktes „Intelligente Brücke“ Reallabore sowohl im Bestand als auch als Neubau eingerichtet, um die Entwicklung intelligenter Systeme zur Unterstützung der bisherigen Erhaltungsmanagementstrategie zu realisieren [5] [6]. Angesicht der fortschreitenden Digitalisierung und steigender Rechenkapazitäten sowie intensiver Entwicklung von Sensoren setzt sich die künstliche Intelligenz in vielen Branchen der Industrie durch. Big Data bezeichnet eine große Menge an strukturierten und unstrukturierten Messdaten oder Zustandsdaten, und bildet den Grundstein für die Entwicklung von intelligenten Systemen, die dank ihrer Lernfähigkeit Entscheidungen zu bestimmten Aufgaben treffen können [7] [8]. Rohdaten aus Messsensoren haben nur eine geringe Aussagekraft über den Zustand eins Bauwerks. Deshalb ist es 138 5. Brückenkolloquium - September 2022 Szenarienbasierte Schadenserkennung: Anwendungen der künstlichen Intelligenz notwendig, aus den Messdaten gewisse Kenngrößen bzw. Merkmale (eng. Features) abzuleiten [9], die charakteristische Eigenschaften eines Signals beschreiben [10]. Somit können Merkmale sinnvolle Informationen enthalten, die in einem maschinellen Lernmodell weiterverarbeitet werden können. Das Extrahieren von Merkmalen erfolgt mit Methoden der Signalverarbeitung im Zeit-, Frequenz- und Zeitfrequenzbereich [11]. Der Fokus dieses Beitrages liegt an der Erstellung eines grundlegenden Konzepts zur szenarien-basierten Schadenserkennung, die darauf basiert, virtuell Schäden an einem Bauwerk einzufügen und die Änderung im Tragverhalten abzuleiten (Szenario-basierte Simulation). Die gewonnenen Daten werden den Schadensarten zugeordnet, und mit einem maschinellen Lernmodell verarbeitet. Das Modell lernt das Verhalten jedes Szenarios und wird dadurch für neue, unbekannte Daten Vorhersagen treffen können. 2. Theoretische Grundlagen Seit über 50 Jahren ist künstliche Intelligenz (KI) Gegenstand der Forschung. Der Begriff KI wird dadurch definiert, dass eine Maschine bestimmte Entscheidungsstrukturen des Menschen nachbilden kann. Darüber hinaus beinhaltet KI gewisse Systeme, die ihre Umgebung erfassen und berücksichtigen und aus eigenen Erfahrungen lernen können [12]. Aufgrund der Lernfähigkeit der KI ist sie in verschiedenen Bereichen der Naturwissenschaft, Forschung, Medizin, Wirtschaft usw. intensive erforscht und angesetzt worden. KI ist mit zwei weiteren Begriffen verbunden: Maschinelles Lernen (ML = Machine Learning) und tiefes Lernen (DL = Deep Learning). DL ist Teilbereich des ML und unterscheidet sich von ML durch den Lernprozess. Beim ML werden mathematischen Methoden der Mustererkennung verwendet, um die Methodik der Lösung eines Problems zu lernen. ML benötigt menschliche Vorarbeit bei der Ableitung von Merkmalen. Im Gegensatz dazu richtet sich das DL nach der Struktur der menschlicheren Neuronen beim Lernen. Neuronen, die zur richtigen Lösung führen, werden durch Gewichtung verstärkt. Dadurch können neuronale Netze selbst aus den Daten Merkmale finden [13]. KI umfasst ein breites Spektrum von Algorithmen und Modellierungswerkzeugen, die für eine Vielzahl von Datenverarbeitungsaufgaben angesetzt werden können. Das allgemeine Ziel von maschinellem Lernen (ML) ist es, Muster in den Daten zu erkennen, die die Art und Weise bestimmen, wie Probleme behandelt werden, die bisher mit üblichen Verfahren nicht lösbar waren [14]. ML lässt sich in überwachtes Lernen (Supervised Learning), unüberwachtes Lernen (unsupervised Learning), halbüberwachtes Lernen (semi-supervised learning) und bestärkendes Lernen (reinforcement learning) unterteilen [15]. Der Zweck des überwachten Lernens ist es, ein Modell zu erstellen, dass auf Grundlage von gekennzeichneten (labeled) Lern- und Testdatensätzen eine Vorhersage über unbekannte Daten machen kann. Im Gegensatz dazu bedarf unüberwachtes Lernen keinen gekennzeichneten Datensatz. Bei diesen Modellen werden in den vorhandenen Datensätzen Mustern oder Strukturen gesucht [10]. Clustern ist die am weitesten verbreitete unüberwachte Lerntechnik [16] [15]. Beim halbüberwachten Lernen ist nur ein Teil der Datensätze gekennzeichnet. Beim bestärkenden Lernen wird der Algorithmus vorab nicht angelernt, wie eine Vorhersage getroffen werden kann, sondern der Algorithmus lernt aus den eigenen Erfahrungen, und somit kann er die Qualität seiner Entscheidung selbst evaluieren [17]. Im Folgenden wird das erarbeitete Konzept zur Schadenserkennung vorgestellt. Es lässt sich in vier grundlegende Schritte einteilen, siehe Abbildung 1. Der erste Schritt beginnt mit der Erstellung eines Finite-Elemente-Modells für das betrachtete Bauwerk. In dieses Modell werden im zweiten Schritt zu untersuchende Schadenzszenarien eingefügt. Aus der FE-Berechnung dieser Szenarien wird eine umfassende Datenmenge gesammelt. Die Daten sind entweder mechanische Größen wie statische oder dynamische Größen oder künstliche Messdaten. Anschließend werden die Daten zur Ableitung von Merkmalen verarbeitet. Abgeleitete Merkmale werden wiederum zum Trainieren eines Algorithmus verwendet und abschließend ist ein iterativer Prozess zur Optimierung des Modelles vorzunehmen. Wenn die angestrebte Genauigkeit erreicht ist, kann das Modell für neue unbekannte Daten verwendet werden [18]. Abbildung 1: Schematische Darstellung des Konzeptes zur szenarien-basierten Schadenserkennung 3. Künstliche Intelligenz in Zusammenhang mit numerischen Rechenmodellen KI kann aufgrund ihrer Lernfähigkeit und hohen Flexibilität beim Lösen stark nichtlinearer Problemstellungen unterstützen. Die Verwendung von KI an Daten, die durch numerische physikalische Modelle generiert sind, kann für das Monitoring von Echten Produkten Verwendung finden. In der Forschung gibt es bereits Ansätze zum Monitoring von Produkten wie Teile von Autos, Pumpen, Roboter, Flugzeuge usw. anhand aus physikalischen Modellen generierten Daten [19] [20]. Dazu kann KI für die Optimierung der Bemessung von Bauteilen verwendet werden. [21]. In diesem Abschnitt werden zwei Beispiele auf der Grundlage des in Abbildung 1 dargestellten Schemas behandelt. Im ersten Beispiel werden verschiedene Schadensszenarien an einem numerischen Modell eines Einfeldträgers erzeugt. Diese werden durch ein maschinelles Lernmodell erlernt und an einem neuen unbekannten Testdatensatz evaluiert. Im zweiten Beispiel werden die Schadenzszenarien unter Berücksichtigung des realen Verkehrs 5. Brückenkolloquium - September 2022 139 Szenarienbasierte Schadenserkennung: Anwendungen der künstlichen Intelligenz erstellt. Hierzu werden künstlich erzeugte Messdaten für imaginäre Neigungssensoren verwendet. 3.1 Numerisches Model zur Ermittlung von modalen Eigenschaften für verschiedene Schadensszenarien Ein Schaden an einem Bauwerk kann sich durch die Änderung der dynamischen Eigenschaften bezeichnen. Modale Eigenschaften, wie Eigenfrequenzen, Eigenformen und der Dämpfungsbeiwert können eine Änderung durch strukturelle Schäden aufweisen. Jeder Riss oder jede örtliche Beschädigung an einem Bauwerk kann die Steifigkeit verringern und die Dämpfung bzw. die Reibung erhöhen. Die Verringerung der Steifigkeit ist mit einer Veränderung der Eigenfrequenzen und der Eigenformen des Bauwerks verbunden. In dokumentierten Forschungsarbeiten wurde eines oder wurden mehrere der o.g. Eigenschaften verwendet, um einen Riss zu erkennen und zu lokalisieren. Oftmals wird die Änderung der Krümmung als Indikator zur Erkennung eines Schadens betrachtet. Veröffentlichungen zu diesem Thema sind in [22] und [23] zu finden. Zhu [24] zeigt, dass die Verarbeitung der Krümmung eines Bauwerks im Zeitfrequenzbereich ein mögliches Merkmal darstellt, um die Diskontinuitäten eines Signals zu erkennen. In diesem Beitrag wird der Fokus auf die Ableitung der Krümmung durch das Ableiten der ersten Verdrehungseigenform sowie das Verwenden von ML-Modellen zur Erkennung eines Schadens und des Schadensorts gelegt. Die Erkennung eines Schadens bzw. von mehreren gleichzeitig auftretenden Schäden wird mit Hilfe von ML erarbeitet. Für die Untersuchung wird ein numerisches Modell eines Einfeldträgers in MATLAB erstellt. MATLAB ist eine matrixbasierte Programmiersprache, mit der sich verschiedene mathematische und physikalische Probleme lösen lassen [25]. FEM wird verwendet, um sowohl die Verdrehungseigenformen als auch Verschiebungseigenformen zu berechnen. Die zweite Ableitung der Verdrehungseigenformen (Entspr. der ersten Ableitung der Krümmung) wird durch numerische Differentiation ermittelt [26]. An dem erstellten Modell werden fünf Schadensszenarien untersucht, um die Sensibilität der KI bei der Erkennung der Schäden darzustellen. Schadensszenarien werden durch die Verringerung des E-Moduls der Elemente erstellt [27]. Der Einfeldträger in Abbildung 2 wird in eine Reihe von 100 finiten Elementen in (MATLAB, Version R2021a) diskretisiert. Für jedes Element werden die Elementsteifigkeitsmatrix [k e ] und die Massenmatrix [me] formuliert. Anschließend werden alle Elementmatrizen der finiten Elemente in globalen Matrizen K und M zusammengestellt, siehe Gleichungen (2) und (3). An jedem Knoten eines Elements werden zwei Freiheitsgrade w (Verschiebung) und j (Verdrehung) in Betracht gezogen. Wenn alle Elemente zusammengesetzt sind, ergibt sich die endgültige Gleichung, siehe Gleichung (1): Abbildung 2: Darstellung des einfachen numerischen Modells (1) Wobei (2) (3) Nach dem Auf bauen der Steifigkeits- und Massenmatrix werden die Randbedingungen als fest angenommen. Die Steifigkeit wird durch die Geometrie und das Material des Einfeldträgers bestimmt. Die Berechnung zielt darauf ab, die Eigenformen der vordefinierten Freiheitsgrade (w und j) zu ermitteln. Modale Eigenschaften des ungedämpften Systems lassen sich durch die Gleichung (4) berechnen [28]. (4) Wobei w die Eigenfrequenz und {X}Eigenvektor des betrachteten Freiheitsgrads darstellt. Die ersten fünf ermittelten Eigenvektoren bzw. Eigenformen der betrachteten Freiheitsgrade w und j sind in Abbildung 3 und Abbildung 4 über die Modelllänge dargestellt. Abbildung 3: Darstellung der ersten fünf Verschiebungseigenformen 140 5. Brückenkolloquium - September 2022 Szenarienbasierte Schadenserkennung: Anwendungen der künstlichen Intelligenz Abbildung 4: Darstellung der ersten fünf Verdrehungseigenformen 3.1.1 Schadensszenarien Zunächst werden an dem Einfeldträger mehrere Schadensszenarien an verschiedenen Stellen betrachtet. Die Schäden werden jeweils durch eine Verringerung des E Moduls des beschädigten Elements um 10 % berücksichtigt, siehe Abbildung 5, Szenario B. Dies kann eine lokal plötzlich auftretende Schädigung wie z.B. Litzenbrüche eines Spanngliedes darstellen. Die Szenarien B, C, D und E unterscheiden sich durch den Ort des Schadens bzw. mehrerer Schäden. Szenario A steht für das Modell ohne Schäden. Im Weiteren wird jedes Szenario mit drei unterschiedlichen Längen 1-3 m und in einem Fall mit einer Verringerung der Elementsteifigkeit um 10 % mit der Länge L = 1 m analysiert. Dies kann z. B. eine geänderte Querschnittform repräsentieren. Die Variierung der Länge und Querschnittsform dient zur Abbildung 5: Schematische Darstellung der Szenarien. Gewinnung von Daten, die anschließend mit einem ML-Modell verarbeitet werden sollen. Das ML-Modell soll diese Daten lernen und anhand von neuen unbekannten Daten Entscheidungen treffen, an welcher Stelle Schäden entstanden sind. 3.1.2 Ergebnisse Insgesamt wurden 10 Eigenformen ermittelt. Für die weitere Berechnung sind nur die ersten Eigenformen von Interesse, siehe Abbildung 3 und Abbildung 4, jeweils blaue Linien. Die erste Verschiebungseigenform wird für die Ermittlung des ersten Merkmals der Szenarien verwendet. Das erste Merkmal wird statistisch mit der mittleren absoluten Abweichung von Median (MADm01) gerechnet, siehe Gleichung (5). (5) 5. Brückenkolloquium - September 2022 141 Szenarienbasierte Schadenserkennung: Anwendungen der künstlichen Intelligenz Abbildung 6: Darstellung der abgeleiteten Krümmung im Zeitfrequenzbereich (Short Time Fourier Transformation [STFT]). Szenario B (oben links), Szenario C: (oben rechts), Szenario D: (unten links), Szenario E: (unten rechts). Die durch numerische Differenzierung abgeleitete Krümmung wird im Zeitfrequenzbereich dargestellt, um die Änderung des Frequenzinhaltes am Schadensort zu kennzeichnen. Die Short Time Fourier Transformation (STFT) wurde dafür verwendet und als Spektrogramm dargestellt [29], siehe Abbildung 6. Es zeigt sich, dass sich am Ort des Schadens eine klare Änderung der Magnitude abzeichnet. Dies deutet darauf hin, dass sich die Frequenzinhalte der abgeleiteten Krümmung an der Stelle des Schadens verändert. Das Prinzip der STFT basiert auf der Erstellung eines Analysefensters, mit einer konstanten Länge, das schrittweise über die zu analysierenden Daten verschoben wird, um die Änderung im Frequenzinhalt der Daten zu erkennen [30]. Aus der Darstellung des Spektrogramms aller Szenarien wurden die Maxima und ihre Amplituden als weitere Merkmale für das maschinelle Lernen verwendet. Nachdem die Merkmale vorbereitet sind, werden sie in einem iterativen Prozesse mit einem Klassifikations-Ensemble Modell verarbeitet. Das Klassifikations-Ensemble Modell ist ein baumbasierter Ensemble-Lernalgorithmus, der dem Prinzip des Boosting folgt. Boosting ist dabei eine Technik, bei der mehrere schwache Lernalgorithmen verwendet werden, um einen starken Lernalgorithmus zu konfigurieren [31] [32]. Das Modell bedarf zweier Phasen, eine Lernphase mit 75 % und Testphase mit 25 % der Daten. Die Ergebnisse der szenarien-basierten Schadenserkennung mit maschinellem Lernen zeigen, dass das Lernmodell alle Szenarien wiedererkannt hat, siehe Abbildung 7. Das Modell wurde zusätzlich an neuen Szenarien mit der Variation des Schadensorts und der Anzahl der Schäden getestet. Das Modell konnte die zu testenden Schäden den ähnlich angelernten Szenarien zuordnen.In der Realität ist die Erkennung von Schäden anhand der Änderung der Eigenfrequenzen oder. Eigenformen schwierig, da die Änderung erst ab einem gewissen Schädigungsausmaß dargestellt werden kann [33]. Eine bessere Aussagequalität entsteht, wenn eine höhere Dichte von Sensoren verwendet wird und damit eine Aussage über den Zustand abgeleitet werden kann. Dies ist mit höheren Kosten und Rechenaufwand verbunden. In dem nächsten Beispiel werden künstlich erzeugte Messdaten für die Ableitung von Merkmalen unter real gemessenen Verkehrseinwirkungen verwendet. 142 5. Brückenkolloquium - September 2022 Szenarienbasierte Schadenserkennung: Anwendungen der künstlichen Intelligenz Abbildung 7: Konfusionsmatrix der validierten (links) und getesteten (rechts) Datensätze 3.2 Künstlich erzeugte Messdaten einer geschädigten Brücke Im Rahmen des Themenschwerpunkts „Intelligente Brücke“ der Bundesanstalt für Straßenwesen wurde im Jahr 2015 das vom Bundesministerium für Digitales und Verkehr (BMDV) geförderte Reallabor „Intelligente Brücke im digitalen Testfeld Autobahn“ auf der A9 zwischen Nürnberg und München eingerichtet [5]. Es handelt sich um eine gekrümmte Spannbetonbrücke mit einem begehbaren einzelligen Hohlkasten, siehe Abbildung 8. Die Brücke besteht aus vier Feldern und die einzelnen Spannweiten betragen 37,8 m, 45,0 m, 44,0 m, 29,0 m. Die Gesamtbreite des Überbaus beträgt 15,4 m zwischen den Geländern. Die maximale Querschnittshöhe beträgt 3,17 m. Um digitale Innovationen unter realen Bedingungen testen zu können, wurde das Bauwerk mit umfangreicher Messtechnik ausgestattet [34]. Unter anderem wurde damit das Verkehrsaufkommen im Rahmen mehrerer Forschungsprojekte untersucht [34]. Für die Brücke wurde ein Schalenelementmodell in der kommerziellen Software InfoCAD der Firma InfoGraph erstellt, dem der reale Verkehr zugewiesen wurde. Dadurch wurden die Einflussflächen der Brücken berechnet, anhand derer künstliche Messdaten generiert wurden. Vertiefende Informationen sind in [34] zu finden. Abbildung 8: Querschnitt der intelligenten Brücke [34] 5. Brückenkolloquium - September 2022 143 Szenarienbasierte Schadenserkennung: Anwendungen der künstlichen Intelligenz Das Ziel der Generierung von Messdaten ist es, neuere KI-Entwicklungen testen zu können. Da die meisten neuen Brücken noch keine Schäden aufweisen und die bestehenden Brücken keine Referenzmessung aufweisen, ist es sinnvoll, Daten bei verschiedenen Schadensszenarien zu generieren und diese mit KI-Algorithmen zu bewerten. 3.2.1 Messkonzept Die intelligente Brücke im digitalen Testfeld Autobahn wurde im vierten Feld zwischen den Achsen 40 und 50 virtuell mit einem Monitoringsystem ausgestattet. Das virtuelle Monitoringsystem besteht aus fünf Messquerschnitten, an denen virtuelle Messsensoren angebracht sind, siehe Abbildung 9. Der Messquerschnitt über dem Pfeiler und dem Auflager ist identisch und beinhaltet je zwei Sensoren für die Neigungsmessung und die Verschiebungsmessung, die auf der unteren Platte des Hohlkastens zentriert sind, siehe Abbildung 10 oben. Die Messquerschnitte 2, 3 und 4 sind identisch. Sie bestehen aus vier virtuellen Dehnungsmessstreifen. Zwei befinden sich links und rechts an der Bodenplatte, zwei sind oben und unten zentriert. Dazu ist an der unteren Platte ein virtueller Neigungssensor angebracht, siehe Abbildung 10 unten. Die Messfrequenz der Sensoren beträgt 75 Hz. Abbildung 9: Darstellung der fünf virtuellen Messquerschnitte im vierten Feld der Brücke sowie der Ort der Szenarien sz1 und sz2 [34] Abbildung 10: Messsensoren in Messquerschnitt 1 und 5 MQ_1/ 5 (oben) und in Messquerschnitt 2, 3 und 4 MQ_2/ 3/ 4 (unten) [34] 3.2.2 Schadensszenarien An dem mit FEM erstellten Modell der Brücke werden zwei Schäden durch die Abminderung des E-Moduls und ein Schäden durch die Änderung der Lagerbedingungen verursacht. Das erste Schädigungsszenario (SZ1) stellt eine örtlich begrenzte, allmählich zunehmende Schädigung des Bauwerks dar. In der Realität kann dies z. B. eine chloridinduzierte Korrosion des Betonstahls sein [34]. Im Tragwerk wird der E-Modul allmählich mit der Zeit bis zu 30 % im Feld 4 vom Momentennullpunkt bis zur Achse 50 verringert [34], siehe Abbildung 9. Das Schädigungsszenario (SZ2) stellt einen lokal plötzlich eintretenden Schaden dar. Dies kann in der Realität als plötzlich eintretender Bruch eines Spanngliedes betrachtet werden. Der Schaden wurde durch die Verringerung des E-Modules um 50 % an der betrachteten Stelle abgebildet, siehe Abbildung 9. Das Schädigungsszenario (SZ3) stellt einen global schleichend eintretenden Schaden dar. Dies kann in der Realität als Blockierung eines Lagers verstanden werden. Die Lagerbedingungen wurden in der Analyse allmählich geändert. Die Verschiebung der Brücke in Längsrichtung wurde von freier Bewegung des Überbaus auf eine mit Feder behinderte Bewegung umgewandelt [34]. 3.2.3 Ableitung von Merkmalen Zunächst werden die künstlichen Messdaten aus den fünf Messquerschnitten herangezogen. Es werden Untersuchungen an jeden Messquerschnitt zu den Schadensszenarien durchgeführt. Aus dem Neigungssignal aller Messquerschnitte sowie Verschiebungssignal in Messquerschnitte 1 und 5 wurden Merkmale im Zeit- und Frequenzbereich abgeleitet. Im Zeitbereich betrifft dies den maximalen Signalwert, die Standardabweichung, den Impulsfaktor und den quadratischen Mittelwert. Für die Ermittlung der Merkmale im Frequenzbereich wird eine Spektralanalyse durchgeführt. Dabei werden die Zeitreihen mit einem autoregressivem (AR) Spektralschätzer im Frequenzbereich dargestellt. Mit einem AR Spektralschätzer können die Zeitreihen jedes Signals in einem Spektrum der Frequenzinhalte und ihre Amplituden umgewandelt werden. Der Vorteil dieses Modells im Gegensatz zur Fourier Transformation liegt darin, dass einerseits Rauschen unterdrückt werden kann, anderseits kann das Modell besser nahe beieinander liegende Amplituden trennen [35]. Mehr Informationen zum Thema Spektralanalyse sind in [36] [37] enthalten. oftmals sind die Daten im Frequenzbereich einfacher zu bearbeiten und können maßgebende physikalische Informationen über Änderungen eines Signals beinhalten. 3.2.4 Ergebnisse In der Abbildung 11a ist das Neigungssignal im Messquerschnitt 4 für die Schadensszenarien (S1, S2, S3) sowie den ungeschädigten Zustand (S0) dargestellt. Zusätzlich ist in der Abbildung 11b der Maßstab des Signals in markierten Bereich der Abbildung a vergrößert dargestellt, um zu erkennen, inwieweit sich die Szenarien im Zeitverlauf untereinander unterscheiden lassen. Aus dem 144 5. Brückenkolloquium - September 2022 Szenarienbasierte Schadenserkennung: Anwendungen der künstlichen Intelligenz Signal sind augenscheinlich keine Unterschiede der Neigungen zu erkennen. Jedoch ist aus der Darstellung der abgeleiteten Merkmale aus dem Frequenzbereich in der Abbildung 12 zu erkennen, dass der plötzliche Schaden (S2) in einer deutlich anderen Richtung als die anderen Schadensszenarien (S1 und S3) im Vergleich zum unbeschädigten Zustand (S0) verläuft. Die Szenarien S1 (Rot) und S3 (Violett) sind hinlänglich von dem unbeschädigten Zustand der Brücke S0 zu unterscheiden. Allerdings überlappen sich die Merkmale an manchen Stellen. Diese Überlappung führt zur Verschlechterung der Ergebnisse des ML-Modells. In der Tabelle 1 ist die Genauigkeit der Ergebnisse für die einzelnen Messquerschnitten aufgeführt. Das o.g. Klassifikations-Ensemble Lernmodell wird hier verwendet. 70% der Daten werden für das Trainieren und 30% für den Test angenommen. Die Ergebnisse zeigen, dass das Modell mit bis zu 87% Genauigkeit zwischen unbeschädigtem Zustand und den Schadensszenarien im Messquerschnitt 4 unter realen Verkehr unterscheiden kann. Eine Verbesserung der Ergebnisse kann mit der Zerlegung des Modells in mehrere Untermodelle erfolgen, wobei jedes Modell für ein Szenario zuständig ist. Dieser Schritt dient zur Verringerung der Überlappung der Merkmale. Die letzten zwei Zeilen in der Tabelle 1 stellen dar, dass bei der Verwendung von Untermodellen bis zu 97 % Genauigkeit erreicht werden kann. Dies entspricht der Steigerung der Genauigkeit um 12 % in den Messquerschnitten 3 und 5. Tabelle 1: Genauigkeit der berechneten Szenarien aus den fünf Messquerschnitten in %. Messquerschnitt_Szenarien Validation Test MQ1_S0S1S2S3 69 56 MQ2_S0S1S2S3 96 74 MQ3_S0S1S2S3 97 82 MQ4_S0S1S2S3 96 87 MQ5_S0S1S2S3 97 85 MQ5_S0S3 100 97 MQ3_S0S1S2 100 97 Abbildung 11: Darstellung der Neigung aus dem Messquerschnitt 4 im unbeschädigten Zustand S0 und bei den betrachteten Schadensszenarien S1, S2, S3 (a) Sowie bei der Vergrößerung des Neigungssignals im markierten Bereich der Abbildung a (b) In der Abbildung 13 sind die Merkmale aus dem Frequenzbereich für das Verschiebungssignal im Messquerschnitt 1 dargestellt. Die Merkmale für das Schadensszenario S3 (Violett) sind deutlich von dem unbeschädigten Zustand S0 (Blau) entfernt. Das deutet darauf hin, dass die Blockierung eines Lagers zur deutlichen Änderung der modalen Eigenschaften eines Bauwerks führt, und somit eine Genauigkeit von 100 % mittels maschinellen Lernens für dieses Szenario zu erwarten ist. 5. Brückenkolloquium - September 2022 145 Szenarienbasierte Schadenserkennung: Anwendungen der künstlichen Intelligenz Abbildung 12: Matrix-Plot der abgeleiteten Merkmale aus dem Frequenzbereich in Messquerschnitt 4 Abbildung 13: Matrix-Plot der abgeleiteten Merkmale aus dem Frequenzbereich in Messquerschnitt 1 4. Zusammenfassung und Ausblick In diesem Beitrag wurde die Anwendung von maschinellem Lernen bei mehreren Schadens- und Verkehrsszenarien für ein Brückenmonitoring dargestellt. Anhand zweier Beispiele wurde ein Konzept zur Unterscheidung zwischen unbeschädigtem und beschädigtem Zustand erarbeitet. Im ersten Beispiel wurde ein numerisches Modell eines Einfeldträgers erstellt, um Daten bei verschiedenen Schadensszenarien zu generieren, und wiederum mit maschinellem Lernen zu verarbeiten. Im zweiten Beispiel wurden künstlich erzeugte Messdaten einer echten Brücke herangezogen. Die Generierung der Daten erfolgte mit FEM unter Berücksichtigung des realen Verkehrs bei verschiedenen Schadensszenarien. Für die Erarbeitung eines maschinelles Lernmodells wurden Merkmale für beide Beispiele abgeleitet. Im ersten Beispiel wurden die Merkmale direkt aus mechanischen Größen (Verlauf der abgeleiteten Krümmung) ermittelt. Im Gegensatz zum ersten Beispiel sind die Merkmale aus dem Messsignal im Zeit- und Frequenzbereich abgeleitet. Es zeigte sich, dass es großes Potenzial zur Anwendung von KI in Brückenmonitoring gibt. Die Ergebnisse zeigen, dass KI Änderungen im Verhalten eines Bauwerks lernen und wiedererkennen kann, wenn eine Referenz zum normalen Zustand eines Bauwerks bei verschiedenen Verkehrsszenarien vorhanden ist. Bei der Entwicklung eines maschinellen Lernmodelles spielen die Merkmale eine entscheidende Rolle. Schadenssensitive Merkmale bestimmen die Aussagekraft eines Modelles. Merkmale können im Zeit-, Frequenz- und Zeitfrequenzbereich abgeleitet werden. Im Zeitfrequenzbereich kann die Änderung im Tragverhalten durch mechanische Größen bzw. Verläufe erkannt werden. Die Ergebnisse aus dem zweiten Beispiel zeigen, dass Merkmale im Frequenzbereich schadenssensibler als Merkmale im Zeitbereich sind, und eine Auskunft über die physikalische Änderung des Verhaltens eines Bauwerks geben. Mit bis zu 100 % Genauigkeit konnten die Schäden nach der Trainingsphase wiedererkannt werden. Die Erkennung von Schäden mit realen Messdaten stellt eine große Herausforderung dar, da es hier darum geht, mehrere Parameter aufgrund des Witterungseinflusses (z. B. Temperatur, Feuchtigkeit usw.) und des materialbedingten Verhaltens, wie z. B. Kriechen und Schwinden beim Beton und Relaxation bei Spanngliedern im unbeschädigten Zustand zu berücksichtigen. Es besteht Forschungsbedarf hinsichtlich des Einflusses dieser Parameter auf die Aussagekraft der künstlichen Intelligenz. Um die Genauigkeit des verwendeten Modelles an einem Messquerschnitt in allen Szenarien zu steigern, wird für die Zukunft angestrebt, eine kombinierte Verarbeitung von verschiedenen Messsignalen an einem Messquerschnitt zu verwenden. Literaturverzeichnis [1] „Brückenstatistik“, Bundesanstalt für Straßenwesen (BASt), 01 09 2021. [Online]. Available: https: / / www.bast.de/ DE/ Statistik/ Bruecken/ Brueckenstatistik.pdf? __blob=publicationFile&v=17. [Zugriff am 29 April 2022]. [2] „Richtlinie zur Nachrechnung von Straßenbrücken im Bestand (Nachrechnungsrichtlinie)“, 2011. [3] W. Neumann und A. Brauer, „Nachrechnung von Stahl- und Verbundbrücken: Systematische Datenauswertung nachgerechneter Bauwerke“, Bundesanstalt für Straßenwese (BASt): ISBN 978-3- 95606-395-4, Bergisch Gladbach, 2018. [4] D. Inaudi, „Overview of 40 Bridge Structural Health Monitoring Projects, SMARTEC SA, Switzerland, Roctest Ltd, Canada“, International bridge conference, IBC, 2010 , 2010. [5] S. Dabringhaus, S. Neumann, Y. Alqasem und P. Haardt, „Intelligente Brücke: Living Labs und aktuelle Forschung“, Technische Akademie Esslingen TAE, 06 2020. [6] Y. Alshaban Alqasem, A. Socher und A. Jansen, „Online Sicherheits-Managementsystem für Brücken: Der Weg zum Reallabor“, Technische Akademie Esslingen: 1. Fachkongress Digitale Transfor- 146 5. Brückenkolloquium - September 2022 Szenarienbasierte Schadenserkennung: Anwendungen der künstlichen Intelligenz mation im Lebenszyklus der Verkehrsinfrastruktur, pp. 97-102, Juni 2021. [7] A. Socher und M. Müller, „Relevante Brückenbauwerke für ein prädiktives Erhaltungsmanagement“, in TAE, Esslingen, 2020. [8] J. Wei und X. Chu, „Machine learning in materials science“, InfoMat, 9. September 2019. [9] A. Jansen und K. Geißler, „Strukturüberwachung von Straßenbrücken durch Bauwerksmonitoring - Teil 1: Rechnerische Simulation mit einem auf Einflusslinien basierenden Merkmal“, Bauingenieur / Volume: 96 Issue Number: 7/ 8&10, 07 2021. [10] M. Kleinert und F. Sawo, „Intelligente Bauwerke: Verfahren zur Auswertung, Verifizierung und Aufbereitung von Messdaten“, Bundesanstalt für Straßenwesen, Brücken- und Ingenieurbau Heft B 164, Bergisch Gladbach, 2021. [11] Mathowrk, „Signal-Based Condition Indicators“, 2022. [Online]. Available: https: / / de.mathworks. com/ help/ predmaint/ ug/ signal-based-condition-indicators.html. [Zugriff am 10. Februar 2022]. [12] M. A. Kraus und M. Drass, „Künstliche Intelligenz im Bauingenieurwesen - Hintergründe, Status Quo und Potenziale“, BAUINGENIEUR BD. 95 (2020) NR. 10, 10 2020. [13] Y. LeCun und Y. Bengio, „Deep learning“, Nature 521, 436-444 (2015), p. 436-444, 27 May 2015. [14] G. Carleo und I. Cirac, „Machine learning and the physical sciences“, APS Physics, 6. Dezember 2019. [15] M. Paluszek und S. Thomas, „Introduction to Mashine Learning“, New Jersey: Springer, 2017. [16] L. Wuttke, „Datasolut“, [Online]. Available: https: / / datasolut.com/ machine-learning-vs-deep-lear ning/ . [Zugriff am 04 Mai 2022]. [17] MATHWORK, „Reinforcement Learning with MATLAB“, 2020. [Online]. Available: https: / / de. mathworks.com/ content/ dam/ mathworks/ ebook/ gated/ reinforcement-learning-ebook-all-chapters. pdf. Abgerufen am 3. März 2022. [18] MATHWORK, „Mastering Machine Learning“, 2019. [Online]. Available: https: / / de.mathworks. com/ content/ dam/ mathworks/ ebook/ gated/ machine-learning-workflow-ebook.pdf. [19] MATHWORk, „Why use a digital twin? “, [Online]. Available: https: / / explore.mathworks.com/ digital-twins-for-predictive-maintenance/ chapter- 02-36US-762YW.html. [Zugriff am 10. Mai 2022]. [20] R. Magargle, L. Johnson, P. Mandloi, P. Davoudabadi, O. Kesarkar, S. Krishnaswamy, J. Batteh und A. Pitchaikani, „A Simulation-Based Digital Twin for Model-Driven Health Monitoring and Predictive Maintenance of an Automotive Braking System“, Proceedings of the 12th International Modelica Conference, Prague, Czech Republic, 15.-17. Mai 2017. [21] K. Schrader und M. Schauer, „Multidirectional design control of plastic crash components by means of domainpredictive feedforward neural networks“, Structural and Multidisciplinary Optimization, 26. Juli 2021. [22] M. Yuen, „A numerical study of the eigenparameters of a damaged cantilever“, Journal of Sound and Vibration, 8. Dezember 1985. [23] A. K. Pandey und B. A. Samman, „Damage Detection from changes in Curvature mode shapes“, Journal of Sound and Vibration (1991) 145 (2), 321-332, 29. Mai 1990. [24] X. Zhu und S. Law, „Structural Health Monitoring Based on Vehicle-Bridge Interaction: Accomplishments and Challenges“, Sage Journal: Advances in Structural Engineering, 7. November 2016. [25] „Wikipedia“, 25 Dezember 2021. [Online]. Available: https: / / de.wikipedia.org/ wiki/ Matlab. [Zugriff am 11 Mai 2022]. [26] „Wikipedia“, [Online]. Available: https: / / de.wikipedia.org/ wiki/ Numerische_Differentiation. [Zugriff am 26. April2022]. [27] A. Pandey, M. Biswas und M. Samman, „Damage detection from changes in curvature mode shapes“, Journal of Sound and Vibration, 1991. [28] D. Dinkler, „Einführung in die Strukturdynamik, Braunschweig“, Deutschland: Springer-Verlag GmbH, ISBN 978-3-658-19814-5, 2017. [29] „Wikipedia“, 2021. [Online]. Available: https: / / de. wikipedia.org/ wiki/ Kurzzeit-Fourier-Transformation. [30] M. Kemal Kiymik, I. Güler, A. Dizibüyük und M. Akin, „Comparison of STFT and wavelet transform methods in determining epileptic seizure activity in EEG signals for real-time application“, Elsevier: Computers in Biology and Medicine, 11. Mai 2004. [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. Juni 2021. [32] J. Brownlee, „Strong Learners vs. Weak Learners in Ensemble Learning“, 3. Mai 2021. [Online]. Available: https: / / machinelearningmastery.com/ strong-learners-vs-weak-learners-for-ensemble-learning/ . [Zugriff am 27. April2022]. [33] Lucks, Christoph , „Detektion von Schäden an vorgespannten Betonbrücken“, Oktober 2020. [34] P. D. U. Freundt, „Erzeugung künstlicher Messdaten einer geschädigten Brücke“, Bundesanstalt für Straßenwesen, Bergisch Gladbach, 2020. [35] „Weisang“, 23. August 2021. [Online]. Available: https: / / www.weisang.com/ dokumentation/ hiresfreqestimatorspectrumar_de/ #. [Zugriff am 4. Mai2022]. [36] G. Tacconi, „Aspects of Signal Processing“, University of Genoa Italy: Springer Science, 1976. [37] L. Marple, „A new autoregressive spectrum analysis algorithm“, IEEE Transactions on Acoustics, Speech, and Signal Processing, vol. 28, no. 4, pp. 441-454, August 1980.