1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 61 KI-basierte interaktive Brückenplanung - Forschungsprojekt KIBIP Dipl.-Ing. Adrian Schubert Konstruktionsgruppe Bauen AG, Kempten, Deutschland Jonas Wiederer, M. Sc. Ostbayerische Technische Hochschule Regensburg, Deutschland Prof. Dr.-Ing. Michael Kraus München, Deutschland Prof. Dr.-Ing. Matthias Obergrießer Ostbayerische Technische Hochschule Regensburg, Deutschland Zusammenfassung Das Forschungsprojekt KIBIP - KI-basierte interaktive Brückenplanung widmet sich der Entwicklung und Erprobung KI-basierter Methoden im Brückenbau. Angesichts zunehmender Herausforderungen im Infrastrukturbereich und knapper Ressourcen wird die Notwendigkeit neuer, effizienterer Prozesse betont. KIBIP kombiniert künstliche Intelligenz (KI), Building Information Modeling (BIM) sowie parametrische und algorithmische Modellierung, um klassische ingenieurtechnische Abläufe datengetrieben zu unterstützen und zu erweitern. Schwerpunkt ist die automatisierte Generierung, Bewertung und Optimierung von Entwurfsvarianten, wodurch Objektivität und Vielfalt in der Entscheidungsfindung erhöht werden. Ziel ist es, Brückenentwürfe nachhaltiger und wirtschaftlicher zu gestalten und bislang ungenutzte Potenziale zu erschließen. Es werden zudem die herkömmlichen Planungsschritte analysiert und daraus Innovationsbedarfe für das Bauwesen in Deutschland abgeleitet. 1. Einführung und Hintergrund In Zeiten wachsender Herausforderungen für die Infrastruktur rückt der Sanierungsbedarf im Brückenbau immer stärker in den Fokus. Angesichts begrenzter personeller und zeitlicher Ressourcen kann dies zu Engpässen in der Planung, Genehmigung und Ausführung von Bauprojekten führen. Gleichzeitig eröffnet die fortschreitende Digitalisierung neue Möglichkeiten, Abläufe effizienter und präziser zu gestalten. Die Kombination aus KI-Technologien, BIM und parametrischer Modellierung verspricht, Brückenentwürfe nicht nur schneller, sondern auch nachhaltiger und wirtschaftlicher zu bewerten und zu optimieren. Durch die Untersuchung dieses Ansatzes, leistet das Forschungsprojekt KIBIP der KB und der OTH Regensburg (OTH) aus planerischer Sicht einen wichtigen Beitrag zur Zukunft des Bauwesens und der Infrastruktur in Deutschland. Das Forschungsprojekt KIBIP widmet sich der Entwicklung und praktischen Erprobung von KI-basierten Prozessen für die Brückenplanung. Ziel ist es, die klassischen ingenieurtechnischen Abläufe durch intelligente, datengetriebene Methoden zu unterstützen und weiterzuentwickeln. Durch die KI-gestützte Analyse sollen verschiedene Entwurfsvarianten in einem iterativen Workflow automatisiert generiert, bewertet und optimiert werden. KIBIP verfolgt das Ziel, die Planung von Brücken zukunftsorientiert auszurichten und einen wesentlichen Beitrag zur nachhaltigen Modernisierung der deutschen Infrastruktur zu leisten. Hierzu wird Ingenieur*innen ein Tool bereitgestellt, mit dem KI-gestützte Vorplanungen erstellt und bislang ungenutzte Potenziale erschlossen werden können. Auf diese Weise lässt sich die Variantenbildung und Entscheidungsfindung in der Leistungsphase 2 deutlich beschleunigen und objektiver gestalten. 62 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 KI-basierte interaktive Brückenplanung - Forschungsprojekt KIBIP 2. Technologische Grundlagen 2.1 Bisherige Planungsmethodik Abb. 1: Herkömmlicher Prozess bei der Vorplanung LPH2 Zur Analyse möglicher Optimierungen in der traditionellen Bauwerksplanung werden die einzelnen Arbeitsschritte betrachtet. Abb. 1 stellt das Vorgehen in der Vorplanung LPH2 dar. 2.2 KI-gestützte Planungsmethodik Vor allem in den Schritten 2 und 4 bestehen durch die Integration von KI-Prozessen Möglichkeiten, die Vorplanung effizienter und zügiger zu gestalten. Schritt 2 - Aufstellung der Bauwerksvarianten: Abb. 2: Erwarteter Ausgang eines Entwurfprozesses nach aktueller Praxis, nach [1] Bei herkömmlichen Brückenbauprojekten basiert der Entwurfsprozess hauptsächlich auf den Erfahrungen und dem Fachwissen der beteiligten Ingenieur*innen [1]. Wie Abb. 2 verdeutlicht, führen selbst identische Rahmenbedingungen durch individuelle Herangehensweisen häufig zu unterschiedlichen Lösungsvorschlägen für eine Aufgabe. Die bisherigen Erfahrungen eines Planungsteams beeinflussen dabei oft die Auswahl potenzieller Lösungen. So werden manche Ansätze frühzeitig ausgeschlossen, weil in der Vergangenheit ungünstige Projektergebnisse damit verbunden wurden. Dadurch kann es passieren, dass der Lösungsraum der Entwurfsaufgabe unnötig eingeschränkt wird und die bestmögliche Lösung unentdeckt bleibt. Abb. 3: Vorgeschlagener Prozess, der einen Machine Learning Algorithmus in die Entwurfsaufgabe integriert, nach [1] Das Entwickeln und Trainieren eines KI-Modells zur Generierung verschiedener Bauwerksvarianten ermöglicht eine objektive und umfassende Bewertung aller möglichen Lösungsansätze in kurzer Zeit, sodass Variantenstudien und -optimierungen damit wirtschaftlich möglich werden. Wie in Abb. 3 dargestellt, kann die Integration eines KI-Algorithmus dazu beitragen, potenzielle Verzerrungen durch Planungsteams zu minimieren und den Analyseprozess zu optimieren. Schritt 4 - Ermittlung der Leistungskennzahlen: Ein zentrales Problem bei Bauwerksentwürfen ist der Zeitpunkt, zu dem Leistungskennzahlen bestimmt werden. Aussagekräftige Werte lassen sich erst berechnen, wenn detaillierte Pläne vorliegen, was bereits viel Arbeit erfordert. Müssen darauf hin Anpassungen erfolgen, ist das oft aufwendig. Dadurch wird ein ausgeprägter iterativer Entwurfsprozess, der zum Auffinden der optimalen Lösung notwendig wäre, in den meisten Fällen unterbunden. 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 63 KI-basierte interaktive Brückenplanung - Forschungsprojekt KIBIP Abb. 4: Aktueller (oben) und vorgeschlagener (unten) Ansatz zum Brückenentwurf, nach [2, 3] Wie in Abb. 4 dargestellt, ermöglicht die Integration eines spezialisierten „conditional variational Autoencoder“ (CVAE) KI-Modells [2, 3] sowohl den klassischen Entwurfsprozess als auch die inverse Betrachtung der Leistungskennzahlen. In diesem Ansatz werden die gewünschten Kenngrößen vorgegeben, und der Algorithmus ermittelt die entsprechenden Entwurfsparameter. Durch die frühzeitige Einbeziehung von Leistungskennzahlen im Entwurfsprozess kann die Identifikation einer optimalen Bauwerksvariante vereinfacht und beschleunigt werden. Zudem kann durch die computergestützte Variantengenerierung eine verbesserte Iterationsfähigkeit des Entwurfsprozesses erwartet werden. Die Verlagerung von Leistungsanteilen in frühere Projektphasen wird bereits heute durch die Implementierung der BIM-Technologie im Bauwesen gefördert. Dieser Zusammenhang wird häufig mithilfe der MacLeamy-Kurve (vergleiche Abb. 5) veranschaulicht. Die Kurve zeigt, dass die Möglichkeiten zur Anpassung eines Entwurfs (grün) insbesondere in den frühen Projektphasen umfangreicher sind, während die Kosten für Planungsänderungen (rot) in diesen Phasen geringer ausfallen. Durch die Verschiebung der bisherigen Leistungskurve (gelb) in frühere Projektphase (blau) können Anpassungen schneller, kostengünstiger und mit mehr Flexibilität erfolgen. [3, 4] Abb. 5: MacLeamy-Kurve: Verlagerung des Planungsaufwands in frühere Projektphasen durch BIM [4, nach MacLeamy 2004]. Der Einsatz eines KI-gestützten Werkzeugs zur automatisierten Generierung von Vorplanungsvarianten führt zu einer weiteren Verlagerung von Leistungsanteilen in die frühen Phasen eines Bauprojekts, wodurch der Entwurfsprozess optimiert werden kann. Diese Verschiebung ermöglicht eine schnellere Bestimmung relevanter Leistungskennzahlen und erhöht die Wahrscheinlichkeit, im Rahmen des Entwurfsprozesses die bestmögliche Lösung für das Bauwerk zu identifizieren. 2.3 Einsatz Parametrischer Modelling und BIM Der für die Generierung der Bauwerksvarianten genutzte CVAE-Algorithmus liefert numerische Vektoren als Ergebnis [1, 2, 3]. Der Workflow ist dabei auf die Interaktion zwischen Mensch und KI ausgerichtet. Daher ist es erforderlich, diese Vektoren in für Ingenieur*innen verständliche Formate zu überführen - beispielsweise als Pläne oder Kennzahlen zu Kosten und Nachhaltigkeit. Dies ermöglicht eine effiziente Erfassung und Bewertung der Lösungsvorschläge. Das Forschungsprojekt untersucht daher sowohl die Optimierungspotenziale durch KI als auch die adäquate und nachvollziehbare Auf bereitung der Ergebnisse für Ingenieur*innen. Die derzeitigen Arbeitsprozesse von Ingenieur*innen sind maßgeblich durch die Nutzung von Plandarstellungen geprägt. Mit der Einführung der BIM-Methodik vollzieht sich jedoch eine Entwicklung hin zu einer vollständig modellbasierten Projektbearbeitung. Perspektivisch könnten BIM-Modelle traditionelle Pläne gänzlich ablösen. Aufgrund dieses Trends und der Erweiterbarkeit des modellbasierten Ansatzes um zusätzliche Anwendungsfälle (bspw. 4D, 5D, Nachhaltigkeitsanalyse) wurde dieses Konzept im Rahmen des Forschungsprojekts weiterverfolgt. Hierbei werden die numerischen Vektoren der künstlichen Intelligenz mithilfe von parametrischen bzw. algorithmischen Entwerfens auf BIM-Modelle übertragen. Diese dienen als Grundlage für die Ableitung von Plänen, die Bestimmung von Leistungskennzahlen sowie für weitere Projektschritte. 64 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 KI-basierte interaktive Brückenplanung - Forschungsprojekt KIBIP 2.4 Weitere Verbesserungspotentiale Darüber hinaus sind für die Schritte 1, 3 und 5 zusätzliche Potenziale zur Verbesserung durch Digitalisierung gegeben. Diese werden jedoch im Rahmen des aktuellen Forschungsvorhabens nicht untersucht und daher in diesem Paper nicht weiter behandelt. 3. Mensch-KI-Interaktion 3.1 Schnittstelle zwischen Ingenieur*in und KI Für eine effektive Zusammenarbeit zwischen Ingenieur*innen und der Künstlichen Intelligenz ist es erforderlich, die Schnittstelle zwischen beiden Akteuren eingehend zu analysieren. Diese Schnittstelle ist detailliert in Abb. 6 dargestellt. Zur Interaktion mit der KI öffnen die Ingenieur*innen eine speziell entwickelte grafische Benutzeroberfläche (GUI). Im ersten Schritt werden sämtliche relevanten Randbedingungen hinterlegt, darunter Informationen zur Streckenplanung, zur Bauwerksumgebung sowie allgemeine Bauwerksparameter. Verfügbare Zielgrößen, wie beispielsweise ein festgelegtes Kostenmaximum, werden ebenfalls eingetragen. Im Anschluss verarbeitet das KI-Backend die eingegebenen Daten und identifiziert passende Bauwerksvarianten. In der initialen Phase erstellt die KI verschiedene Varianten in Form numerischer Vektoren. Dabei prognostiziert die KI auch die Leistungskennzahlen, die dem Ingenieurteam für nachfolgende Entscheidungen zur Verfügung gestellt werden. In diesem Schritt werden keine Geometriemodelle erzeugt. Die Resultate werden stattdessen grafisch auf bereitet und den Projektingenieur*innen präsentiert. Abb. 6: Workflow der Mensch-KI-Interaktion Die Planung im Brückenbau erfordert oftmals anspruchsvolle und sehr spezifische Lösungsstrategien. Daher wird auf die Implementierung eines vollständig automatisierten Workflows bewusst verzichtet. Stattdessen prüfen die Projektingenieur*innen die generierten Ergebnisse und wählen mehrere Varianten für eine vertiefte Analyse und Ausarbeitung aus. Sollte keine geeignete oder umsetzbare Variante angeboten werden, besteht die Möglichkeit, die Eingabedaten, Zielgrößen und Entwurfsrandbedingungen entsprechend zu modifizieren. Nach der Auswahl der gewünschten Varianten können aus den numerischen Vektoren der Künstlichen Intelligenz Bauwerksmodelle abgeleitet sowie detaillierte Pläne und Leistungskennzahlen erstellt werden. 3.2 Konzeption einer GUI Die Entwicklung einer grafischen Benutzeroberfläche befindet sich derzeit in der Konzeptionsphase. Ziel hierbei ist es, eine benutzerfreundliche Plattform bereitzustellen, die zwei Hauptfunktionen abdeckt. Die Interaktion mit der KI bildet den zentralen Bestandteil. Über die GUI können Anwender relevante Entwurfsparameter sowie optional bekannte Zielgrößen eingeben. Die KI generiert darauf hin verschiedene Varianten von Brückenbauwerken (vgl. Abb. 7). In diesem initialen Schritt steht der Vergleich der unterschiedlichen generierten Varianten im Mittelpunkt. Das Planungsteam benötigt einen schnellen Überblick über jeden Vorschlag, um dessen Eignung effizient bewerten zu können. Hierzu ist eine rasche Erfassung der Bauwerksgeometrie erforderlich, was aktuell am effektivsten durch ausgewählte Plandarstellungen oder Skizzen erfolgt. Darüber hinaus sollten die Leistungskennzahlen unmittelbar berücksichtigt werden. Diese Kennzahlen sind grafisch darzustellen - sowohl für wesentliche Merkmale wie Spannweiten, Konstruktionshöhe und Schlankheit als auch für approximierte Werte wie Kosten, Bauzeit und Nachhaltigkeit. Die Präsentation der Leistungskennzahlen erfolgt in diesem Schritt ausschließlich normalisiert und nicht als konkrete Zahlenwerte, da prozentuale Vergleiche im Vordergrund stehen. Die Leistungskennzahlen sind mit der Hilfe von geeigneten Darstellungsformen zu präsentieren. Für die ausgewählten Varianten wird nach manuellen Anpassungen der Kenngrößen ein parametrisches 3D- Modell erstellt, das als Grundlage für die weitere Projektbearbeitung genutzt werden kann. Hierzu werden die Ausgabevektoren der KI in die in Kapitel 8 und 9 vorgestellten Pipelines weiterverarbeitet. Die zweite Funktion der GUI besteht darin, das Auffinden von Referenzprojekten zu unterstützen. Durch das KI-basierte Data Mining liegen alle Projektdaten strukturiert in einer Datenbank vor, was einen effizienten und aktuellen Zugriff auf diese Informationen ermöglicht. Dadurch können Ingenieur*innen gezielt nach bereits realisierten Projekten suchen, die Merkmale mit ihren aktuellen Planungsaufgaben gemeinsam haben. 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 65 KI-basierte interaktive Brückenplanung - Forschungsprojekt KIBIP Abb. 7: Beispiel der Variantenausgabe als Regelquerschnitt mit Bewertungsmatrix in der GUI 4. Parametrische Datenstruktur Zur Verknüpfung der unterschiedlichen Technologien wie KI, parametrisches und algorithmisches Entwerfen, BIM und Data Mining wurde eine spezifische parametrische Datenstruktur entwickelt, vgl. Abb. 8. Das Hauptziel bei der Konzeption dieser Struktur besteht darin, Bauwerke mit ausreichender Genauigkeit zu beschreiben, sodass die Anforderungen der LPH2 erfüllt werden können, während gleichzeitig eine Übermodellierung im Sinne unnötiger Detailattribute dieser LPH und der gängigen LOIN-Konzepte vermieden wird. Bestimmte Aspekte der Bauwerksgeometrie oder Materialität werden dabei außer Acht gelassen, sofern ihr Einfluss auf die Leistungskennzahlen vernachlässigbar ist und der Variantenvergleich uneingeschränkt durchgeführt werden kann. Für vier Brückenbauwerkstypen - Hohlkasten, Plattenquerschnitt, Stahlverbundträger sowie ein- und mehrstegige Plattenbalken - wurde eine Datenstruktur mit insgesamt 49 beschreibenden Parametern entwickelt. Davon sind 18 Parameter für das Training der CVAE-KI vorgesehen, wobei drei dieser Parameter als Zielwerte (target values) und die übrigen 15 als Eingangsgrößen (feature values) betrachtet werden. Die übrigen Parameter werden entweder durch vereinfachte Berechnungsmethoden approximiert oder müssen als Eingabewerte von Projektingenieur*innen bereitgestellt werden. Sämtliche Parameter wurden in einer umfassenden Dokumentation festgehalten, welche die Relevanz der jeweiligen Parameter für das KI-Training oder das parametrische Modell darlegt, potenzielle Vereinfachungen erläutert und diese detailliert beschreibt, vlg. Abb. 8. Zusätzlich wurden Grenzwerte für die einzelnen Parameter hinterlegt, um eine spätere Validierung der KI-Ergebnisse zu ermöglichen sowie eine unter Umständen notwendige Generierung von synthetischen Daten vorzubereiten. 5. Data-Mining an Bestandsunterlagen Im Rahmen des Forschungsprojekts wurde ein umfassendes Data-Mining-Verfahren durchgeführt. Als Datengrundlage wurden ausschließlich ausgeschriebene Bauwerksentwürfe verwendet, um sicherzustellen, dass die Trainingsdaten baubare und wirtschaftlich sinnvolle Varianten enthalten. Für die Datenextraktion kamen PDF-Pläne und PDF- Berichte zum Einsatz. Das Projektteam entwickelte dafür eine Pipeline, welche die präzise Identifikation relevanter technischer Parameter ermöglicht. Die Methode kombiniert herkömmliches Pre-Processing der Plandaten auf Basis von Bilddaten mit dem Einsatz multimodaler Large Language Models (mLLMs). Über Application Programming Interfaces (API) wurde das mLLM direkt in die Pipeline eingebunden und ermöglicht automatisiertes Data Mining über vollständige Ordnerstrukturen. In einer frühen Testphase wurden mLLMs der Firma OpenAI ausgewählt, da diese zum Zeitpunkt des Entwicklungsbeginns (Frühjahr 2024) Leistungsunterschiede gegenüber anderen Anbietern zeigten. 66 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 KI-basierte interaktive Brückenplanung - Forschungsprojekt KIBIP Abb. 8: Auszug aus der Dokumentation zur parametrischen Datenstruktur In einer späteren Testphase wurden verschiedene GPT- Modelle von OpenAI systematisch miteinander verglichen. Für jeden Modelltyp wurde die Datamining- Pipeline fünfmal in zwei unterschiedlichen Projekten durchgeführt. Die Resultate wurden mit den Erwartungswerten von Brückeningenieur*innen abgeglichen und anschließend bewertet. Tab. 1 präsentiert die gewonnenen Ergebnisse und zeigt, dass das Modell GPT-4.1 mini dem GPT-4.1-Modell in einzelnen Fällen überlegen war, jedoch unter anderen Bedingungen signifikant schlechter abschnitt. Tab. 1: Leistungsvergleich verschiedener GPT Modelle GPT Modell Effizienz Run 1 Effizienz Run 2 GPT 4o 52,9 % 58,3 % GPT 4.1 mini 73,5 % 59,2 % GPT 4.1 70,6 % 72,3 % Das mLLM Prompting wurde mithilfe verschiedener Strategien angepasst, um präzise Ergebnisse zu erzielen. Dazu gehörte die Vorauswahl relevanter Planinhalte, um eine Überlastung des KI-Modells zu vermeiden. Es zeigte sich zudem, dass das Vorabübermitteln von Randbedingungen zum Bauwerk der KI ein besseres Verständnis der Zeichnungen ermöglicht. Weitere Verbesserungen konnten über einen Few-Shot-Learning Ansatz erzielt werden. Details dazu finden sich in [5]. Zu den zentralen Planinhalten zählen Regelquerschnitte und Bauwerkstabellen, welche die Ableitung eines Großteils der Parameter für die parametrische Datenstruktur erlauben. Tabellen werden durch konventionelle Programmierung identifiziert. Hierbei werden rechteckige Konturen erkannt, wobei eine Ansammlung benachbarter Konturen meist auf eine Tabelle hinweist. Für die Erkennung relevanter Planinhalte wurde ein YOLO-Modell aus der Computer Vision eingesetzt, wie Abb. 9 zeigt. Die OTH hat basierend auf wenigen Plänen ein YOLO-Modell trainiert, das auf die Erkennung von einzelnen Zeichnungen im Plan spezialisiert ist. Mithilfe von NER und mLLMs könnten die einzelnen Zeichnungen klassifiziert werden [5]. Abb. 9: Zeichnungserkennung mithilfe eines spezifisch trainierten YOLOv8-Modells, aus [5] 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 67 KI-basierte interaktive Brückenplanung - Forschungsprojekt KIBIP Neben relevanten Planinhalten werden auch die zugehörigen Erläuterungsberichte (E-Berichte) der Projekte über ein mLLM ausgewertet, entsprechende Parameter extrahiert und in den Datamining Prozess integriert. Als Ausgabeformat wurde eine strukturierte JSON-Datei direkt vom mLLM angefordert. Das Vorlegen einer Muster-JSON hat sich als hilfreich erwiesen, um das gewünschte Übergabeformat eindeutig zu spezifizieren und Abweichungen zu reduzieren. Für jeden gesuchten Parameter wurden Hinweise hinterlegt, an welchen Stellen im Plan der jeweilige Parameter gefunden werden kann, und welche Einheit erwartet wird. Die Verwendung einer Datenvalidierungsstrategie (z. B. Datentyp, Wertebereich, etc.) stellte sich als signifikant heraus. Wie in Abb. 10 dargestellt, werden ebenfalls die Einheiten bei der Datenextraktion berücksichtigt. Abb. 10: Datenextraktion aus Plandarstellungen Bislang wurden rund 40 GB Projektdaten der KB mittels eines vollautomatisierten Preprocessing-Verfahrens analysiert. Der aktuelle Datenbestand umfasst neben Ausschreibungsunterlagen auch weitere Dokumente (statische Berechnungen, Baugrundgutachten, Angebote, etc.) und Pläne zu unterschiedlichen Bauwerkstypen, wie beispielsweise Stützwänden oder Deckenerneuerungen. Dadurch konnten bislang 110 Brückenbauwerke im ursprünglichen Datenpool durch den Algorithmus identifiziert und ausgewertet werden. Bis zum Projektabschluss ist eine Erweiterung des Datensatzes um weitere 58 Projekte geplant. Sollte dann trotz des vergrößerten Datensatzes nicht genügend Datenpunkte zur Erzielung belastbarer KI-Ergebnisse zur Verfügung stehen, wird die Entwicklung einer synthetischen Daten-Pipeline, wie in Abs. 2.3 beschrieben, in Betracht gezogen. Für die langfristige Weiterentwicklung des Tools wurden zwei ergänzende Datenquellen ermittelt. Erstens lassen sich Pläne von externen Quellen wie Informationen von verschiedenen Bauherren ohne erheblichen Mehraufwand einbinden, da der Workflow ausschließlich auf PDF-Dateien und Pläne gemäß RAB-ING ausgelegt ist. Zweitens besteht grundsätzlich die Möglichkeit, die SIB-Bauwerke zu integrieren. Im Rahmen des Forschungsprojekts wurde dieses Vorgehen jedoch nicht weiterverfolgt, da die Dokumentation des Datenformats als unzureichend bewertet wurde, um den zeitlichen Rahmen einzuhalten. 6. KI Training Im Rahmen des Projekts wurde als KI-Architektur ein sogenannter „conditional variational Autoencoder“ (CVAE) [1, 2, 3], vgl. Abb. 11, ausgewählt. Diese Architektur bietet die Möglichkeit, sowohl Vorwärtsals auch inverse Entwurfsprozesse im Brückenbau abzubilden. Insbesondere der inverse Entwurf, also die Ableitung eines Bauwerks aus Zielgrößen, lässt sich mit traditionellen Methoden wie Finite-Elemente-Software nicht realisieren und eröffnet neue Perspektiven für die automatisierte Planung. Der Trainingsprozess erfolgt auf Grundlage der entwickelten parametrischen Datenstruktur bzw. Ergebnissen des Dataminings. Wie in Kapitel 4 erläutert, wurden für drei Brückentypen relevante Attribute ausgewählt und deren charakteristische Merkmale sowie Wertebereiche festgelegt, vgl. Abb. 8. Die durch das Datamining gewonnenen Attributwerte bilden die Basis für das Training. Ergänzend dazu werden über die in Kapitel 8 beschriebene Pipeline die zugehörigen Leistungskennzahlen der Bauwerke ermittelt. Diese Performancelabel dienen als Trainingsdaten für den CVAE-Algorithmus. Je nach Prognosegüte wird ein Nachsampling des Entwurfsraums durchgeführt, um die Trainingsgrundlage kontinuierlich zu erweitern. Die resultierende KI-Architektur ermöglicht eine effiziente Nutzung der vorhandenen Datenbasis und trägt zur Weiterentwicklung automatisierter Entwurfsprozesse im Brückenbau bei. 68 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 KI-basierte interaktive Brückenplanung - Forschungsprojekt KIBIP Abb. 11: Architektur des CVAE Netzwerks einschließlich Nomenklatur und Verlustfunktionen [2] 7. Parametrische und algorithmische Modellierung Eine zentrale Fragestellung des Forschungsprojekts ist die Übersetzung numerischer Output-Vektoren des KI- Modells und des Data Minings in Bauwerksgeometrie. Als zentrale Technologie dafür eignet sich insbesondere die parametrische Modellierung [1, 2, 3]. Im Rahmen dieses Projektes wurden einige CAD Programme hinsichtlich ihrer Eignung dafür untersucht [6], die finale Wahl fiel auf die innerhalb der KB als Modellierungsstandard verwendete Software Autodesk „Revit“. Schon seit 2017 hat sich innerhalb der KB ab Leistungsphase 3 (Entwurf) parametrische Modellierung in Revit und Dynamo etabliert, wobei stets ein projektspezifischer Ansatz verfolgt wird. Da sich das Forschungsprojekt auf die Vorplanung von Brückenbauwerken (Leistungsphase 2) konzentriert, wurde ein spezifisches parametrisches Modell entwickelt, das auf eine schnelle Modellgenerierung abzielt und dabei einen allgemeingültigeren Ansatz verfolgt. Somit können innerhalb eines festgelegten Zeitrahmens mehrere Bauwerksvarianten untersucht werden, was zur effizienten Analyse des Lösungsraumes beiträgt. Aktuelle Softwareprodukte bieten häufig keine vollständig parametrische Modellierung von Linienbauwerken. Aufgrund der komplexen Trassierungsgeometrie, die mit der Bauwerksgeometrie verknüpft ist, entstehen Herausforderungen. Zur Lösung werden externe Softwarelösungen (wie Revit + SOFiSTiK Bridge Modeller, Allplan + Allplan Bridge) oder Algorithmen (z. B. Revit + Dynamo, Rhino3D + Grasshopper, vgl. [2, 3]) eingesetzt. Diese Programme und Algorithmen nutzen die Trassierungsgeometrie und platzieren an geometrisch relevanten Stellen, basierend auf der Achsgeometrie, Gradienteninformationen aus der VA-Planung (etwa Spuraufweitungen) sowie Merkmalen der Bauwerksgeometrie (wie Vouten), die Bauwerksquerschnitte. Nach deren Generierung können Volumenkörper zwischen den Querschnitten berechnet werden. Dieser Prozess wird als algorithmische statt parametrischer Modellierung bezeichnet. Die Schnittstelle zwischen parametrischer und algorithmischer Modellierung liegt, wie in Abb. 12 gezeigt, zwischen der Bauwerksquerrichtung (Brückenquerschnitt) für die parametrische Modellierung und der Brückenlängsrichtung (Querschnittspositionierung, Volumenberechnung) für die algorithmische Modellierung. Zur besseren Integration der algorithmischen Modellierung in die parametrische Modellierung hat die KB 2023 im Zusammenhang mit LPH3 und LPH5 sogenannte „Modellierungsdatenbanken“ eingeführt, vgl. Abb. 13. In diesen Datenbanken werden relevante Informationen aus der VA-Planung und zur Bauwerksgeometrie gebündelt. Die Geometriedaten sind jeweils mit Stationswerten verknüpft, um eine spätere Zuordnung zu ermöglichen. Auf Grundlage dieser Datenbanken wurden allgemeine Dynamoskripte entwickelt, die die Brückenlängsgeometrie automatisiert generieren, basierend auf den gespeicherten Daten und Trassierungsinformationen. Der Arbeitsablauf wurde dadurch von einem algorithmusbasierten zu einem datenorientierten Ansatz weiterentwickelt. Abb. 12: Vergleich der unterschiedlichen Variablen bei der Bauwerksmodellierung 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 69 KI-basierte interaktive Brückenplanung - Forschungsprojekt KIBIP Abb. 13: Auszug aus der Modellierungsdatenbank zur Modellierung eines gevouteteten Überbaus Für das Forschungsprojekt KIBIP wurde diese Denkweise übernommen und auf die parametrische Datenstruktur angepasst, die auch für das Training künstlicher Intelligenz verwendet wird. Das Ziel bestand darin, nicht länger mit einer Zuordnung zwischen Stationswerten und Parametern zu arbeiten, sondern den Output-Vektor der KI direkt weiterzuverarbeiten. Zwar ermöglicht dieser Ansatz keine detaillierte Steuerung der Bauwerksgeometrie, wie sie für LPH3 und LPH5 erforderlich ist, jedoch bietet er eine ausreichend präzise Methode, um innerhalb von LPH2 aussagekräftige Leistungskennzahlen zu ermitteln und so einen fundierten Variantenvergleich zu ermöglichen. 8. Ermittlung der Leistungskennzahlen Die Ermittlung der Leistungskennzahlen erfolgt auf zwei verschiedenen Wegen. Einerseits wird das CVAE KI-Modell gezielt auf die Prognose von Leistungskennzahlen trainiert, sodass für jeden vorgeschlagenen Lösungsvektor unmittelbar eine Schätzung bereitgestellt werden kann. Diese Methode ist insbesondere bei der Analyse großer Variantenmengen effektiv, da sie die Berechnungszeiten signifikant reduziert. Da für den Trainingsdatensatz keine Leistungskennzahlen vorliegen, werden andererseits IFC-Modelle mittels einer vollständig automatisierten Pipeline analysiert. Neben der Generierung der Datensätze für das KI-Training, wird dieser Ansatz auch für die finale Bewertung der gewählten Varianten herangezogen. Die Modelle der Pipeline werden im offenen IFC-Standard von buildingSMART bereitgestellt, um die Abhängigkeit von spezifischen Modellierungssoftwares zu minimieren. Dies ermöglicht es, zukünftige Weiterentwicklungen in der Modellierung sowie zusätzliche Datenquellen effizient zu integrieren. Für die Analyse wird vorrangig die Software Desite des Unternehmens thinkProject verwendet. Die Entscheidung hierfür basiert auf der umfassenden API und dem hohen Verbreitungsgrad der Software im deutschen Infrastrukturbereich. Desite lässt sich extern über das TCP- Protokoll steuern, wodurch eine Einbindung der Software in eine Python-basierte Pipeline möglich ist. Auf diese Weise kann eine flexible und hochautomatisierte Pipeline realisiert werden, die dennoch zentrale Softwarefunktionen wie 4D-Simulationen oder Mengenermittlungen umfasst. Im Rahmen des Forschungsprojekts wurden bisher zur Bestimmung der Leistungskennzahlen spezifische methodische Ansätze ausgewählt. Diese Methoden bieten eine fundierte Basis für die Analyse und können im Zuge zukünftiger Weiterentwicklungen gezielt optimiert werden, um noch präzisere und aussagekräftigere Ergebnisse des KI-Systems zu ermöglichen. Kosten: Die Kostenstruktur wird maßgeblich durch die Hauptkomponenten des Bauwerks - Überbau, Unterbau und Gründung - bestimmt. Die Berechnung erfolgt auf Grundlage einer Mengenermittlung in Kombination mit entsprechenden Einheitspreisen (Menge × Einheitspreis). Somit lassen sich die Gesamtkosten auf Basis quantitativer Analysen zuverlässig approximieren. Bisher werden die Kosten in LPH2 anhand der Brückenfläche (Überbaubreite × Bauwerkslänge) berechnet. Diese Methode bietet jedoch nur eingeschränkte Vergleichsmöglichkeiten zwischen Varianten, weshalb im Forschungsprojekt der modellbasierte Ansatz weiterentwickelt wird. Nachhaltigkeit: Für die Bewertung der Nachhaltigkeit werden die Materialeigenschaften der jeweiligen Baustoffe aus der ÖKO- BAUDAT-Datenbank des Bundesministeriums für Wohnen, Stadtentwicklung und Bauwesen herangezogen. Die Indikatoren zur Nachhaltigkeitsanalyse werden faktorbasiert abgebildet, weshalb auch hier ein Ansatz Menge × Faktor eingesetzt werden kann. Die Analyse legt den Fokus auf die wesentlichen Bauteile, da diese den Hauptanteil an den Ergebnissen liefern. Als vereinfachte Betrachtung wird im Rahmen des Forschungsprojekt mit dem Global Warming Potential (GWP) gearbeitet. Tragwerksplanung: Im Rahmen der LPH2-Tragwerksplanung steht die Überprüfung der Schlankheit des Bauwerks im Mittelpunkt. Dabei wird das Verhältnis von Konstruktionshöhe zu 70 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 KI-basierte interaktive Brückenplanung - Forschungsprojekt KIBIP Spannweite analysiert und mit einschlägiger Fachliteratur abgeglichen, wobei Konstruktionsart und Bauverfahren berücksichtigt werden. Dieser methodische Ansatz soll im Zuge des Forschungsprojektes weiter vertieft werden. Die Mengenermittlung erfolgt automatisiert über Desite. Dafür ist eine eindeutige Klassifizierbarkeit der Bauteile erforderlich, welche über den firmeninternen Attributstandard der KB gewährleistet wird und bereits in der parametrischen Modellierung Berücksichtigung findet. 9. Zusammenfassung Im Zentrum des vorgestellten Forschungsprojekts steht ein KI-gestützter Vorplanungsprozess für Infrastrukturbauwerke, der durch effiziente Mensch-KI-Interaktion geprägt ist. Die enge Zusammenarbeit zwischen menschlicher Expertise und künstlicher Intelligenz bildet die Basis, um Planungsaufgaben präziser und schneller zu bewältigen. Eine parametrierte Datenstruktur gewährleistet die eindeutige und strukturierte Erfassung aller wesentlichen Bauwerksinformationen, was die Grundlage für nachfolgende Data-Mining- und KI-Trainings-Prozesse schafft. Mithilfe fortschrittlicher Data-Mining-Techniken werden aus den strukturierten Datenmengen relevante Muster und Zusammenhänge extrahiert, welche wiederum als Trainingsdaten für das AI-Training dienen und so die Leistungsfähigkeit des KI-Systems kontinuierlich verbessern. Die Kombination aus parametrischer und algorithmischer Modellierung ermöglicht es, Bauwerksmodelle automatisiert und regelbasiert zu erzeugen, wodurch ein hohes Maß an Flexibilität und Anpassungsfähigkeit erreicht wird. Im Rahmen der Ermittlung von Leistungskennzahlen kommen automatisierte Auswertungsprozesse zum Einsatz, die dank moderner Schnittstellen und datenbasierter Workflows eine effiziente Analyse von Mengen, Kosten und Nachhaltigkeitsindikatoren erlauben. Die Analyse der Leistungskennzahlen basiert auf klar definierten methodischen Ansätzen und bietet eine solide Grundlage für die Bewertung der entworfenen Infrastrukturmodelle. Spezifisch kommt ein CVAE Algorithmus zum Einsatz, da somit Variantenuntersuchungen und -optimierungen im Vorwärtsals auch im Inversmodus erstmalig ermöglicht werden. Zukünftige Weiterentwicklungen zielen darauf ab, die Optimierung der Methoden und die Präzision der Analysen weiter zu steigern. Insbesondere sollen die Entwicklungszyklen für KI-Modelle beschleunigt sowie Schnittstellen zwischen Mensch, KI und Softwarelandschaft effizienter gestaltet werden, um noch intelligentere und nachhaltigere Planungsprozesse zu ermöglichen. Literatur [1] Kraus, M.A. (2022), Erklärbare domänenspezifische Künstliche Intelligenz im Massiv- und Brückenbau. Beton- und Stahlbetonbau, 117: 795-804. https: / / doi.org/ 10.1002/ best.202200079 [2] 1. Balmer, V. M., Kuhn, S. V., Bischof, R., Salamanca, L., Kaufmann, W., Pérez-Cruz, F., Kraus, M. A.: Design Space Exploration and Explanation via Conditional Variational Autoencoders in Meta-Model-Based Conceptual Design of Pedestrian Bridges. arXiv 2022. https: / / doi.org/ 10.48550/ arXiv.2211.16406 [3] Kraus, M.A., Kuhn, S.V., Hodel, A., Bischof, R., Maissen, A., Salamanca Mino, L. and Pérez-Cruz, F. (2024), Parametrische Modellierung und generatives tiefes Lernen für den Brückenentwurf. Bautechnik, 1: 174-180. https: / / doi.org/ 10.1002/ bate.202300122 [4] André Borrmann, Markus König, Christian Koch, Jakob Beetz (Hrsg.): Building Information Modeling. Technologische Grundlagen und industrielle Praxis, 2. Auflage, Wiesbaden: Springer Vieweg 2021, S. 9. [5] Jonas Wiederer, Anna-Maria Mehringer, Simon K. Höng, Adrian Schubert, Matthias Obergrießer, Michael Kraus: AI-Driven Data Extraction from Bridge Engineering Documents, ACCCBE 2025 [6] Jonas Wiederer, Simon K Höng und Friedrich Eder: Konzept zur KI-gestützten parametrischen Brückenmodellierung für ressourcen- und kostenoptimierte Bauwerksentwürfe. Hamburg, 35. Forum Bauinformatik 2024