1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 79 Künstliche neuronale Netze in der Geotechnik - Fortschritte & Anwendungen David Schneider, M. Eng. Technische Hochschule Köln, Deutschland Prof. Dr.-Ing. Niels Bartels Technische Hochschule Köln, Deutschland Zusammenfassung Der Einsatz künstlicher neuronaler Netze (KNN) erlangt zunehmend auch in der Geotechnik Bedeutung, insbesondere für die Modellierung und Prognose von Baugrundbedingungen, wie die Korngrößenverteilung oder mögliche Setzungen. Diese Technologien ermöglichen es, komplexe geotechnische Herausforderungen effizienter und präziser zu adressieren, da sie Muster in großen Datenmengen erkennen und fundierte Vorhersagen treffen können. Doch auch für andere Sachzusammenhänge, wie beispielsweise geotechnische Erkundungen oder Laborversuche, werden KNN entwickelt und eingesetzt, sodass sie in unterschiedlichen Anwendungsfällen, wie der Baugrundcharakterisierung, der Prognose von Georisiken oder dem Tunnelbau, anzutreffen sind. Auf Basis einer Literaturrecherche beleuchtet diese Analyse den aktuellen Stand der Technik sowie internationale Forschungstrends. Die Relevanz dieses Themas liegt in der zunehmenden Komplexität moderner geotechnischer Projekte, bei denen traditionelle Methoden zur Datenverarbeitung oft an ihre Grenzen stoßen oder eine geringere Effizienz aufweisen. KNN bieten wertvolle Alternativen, indem sie automatisiert relevante Informationen aus großen Datenpools extrahieren. Diese Ausarbeitung zielt darauf ab, einen Überblick über die aktuellen Anwendungsfälle von KNN im Bereich der Geotechnik zu schaffen und im Zuge dessen Potenziale für zukünftige Entwicklungen aufzuzeigen. 1. Einführung Die Modellierung des Verhaltens von Boden und Gestein in geotechnischen Anwendungen ist aufgrund ihrer natürlichen Komplexität und Ungewissheit, die aus physikalischen Prozessen während ihrer Entstehung resultiert, äußerst anspruchsvoll (Wu et al. 2025; Kim und Ji 2022; Onyelowe et al. 2023). Herkömmliche analytische Methoden stoßen hier oft an ihre Grenzen, da sie Schwierigkeiten haben, komplexe nicht-lineare und plastische Eigenschaften sowie die Unsicherheiten effektiv zu handhaben (Wenighofer und Galler 2018). Als digitale Technologie bieten KNN als Teil der Künstlichen Intelligenz (KI) im Allgemeinen innovative Lösungen für diese komplexen Herausforderungen. KI zielt darauf ab, Computersysteme zu entwickeln, die menschliche Intelligenz bei der Problemlösung nachahmen können, insbesondere bei Aufgaben, die Entscheidungsfindung, Mustererkennung und die Verarbeitung von unvollständigen oder unsicheren Daten erfordern (Abdellah 2024). Im Rahmen der KI hat sich das Maschinelle Lernen (ML) als ein Werkzeug erwiesen, das Systemen die Fähigkeit verleiht, aus Erfahrungen zu lernen und sich zu verbessern, ohne explizit programmiert zu werden (Pirnia et al. 2018). Innerhalb dieser Technologie sind künstliche neuronale Netze (KNN), engl. Artificial Neural Networks (ANNs), die derzeit am häufigsten verwendete KI-Technik in der Geotechnik (Liu et al. 2024). KNNs sind robuste, nichtlineare Modelle, die durch die Simulation von Neuronen Informationen verarbeiten und lernen, komplexe, nichtlineare Beziehungen zwischen Eingabe- und Ausgabedaten herzustellen (Onyelowe et al. 2023). Ihr Hauptvorteil liegt in ihrer Fähigkeit Muster in großen Datensätzen zu erkennen und genaue Vorhersagen zu treffen, selbst bei verrauschten, also statistisch großen Abweichungen, oder unvollständigen Daten. (Sharma et al. 2021) Die Anwendungen von KNNs in der Geotechnik sind vielfältig und umfassen unter anderem die Klassifizierung von Böden (Tehrani et al. 2022), die Vorhersage mechanischer Bodeneigenschaften wie Kohäsion und Verdichtungsparameter, die Berechnung von Gründungen, die Analyse der Hangstabilität, die Vorhersage des Setzungsverhaltens von Fundamenten und die Modellierung des Tunnelverhaltens (Ebid 2021; Zhang et al. 2021; Thienert et al. 2025). Vor diesem Hintergrund beleuchtet diese Ausarbeitung die jüngsten Fortschritte und Anwendungen von Künstlicher Intelligenz, insbesondere von Künstlichen Neuronalen Netzen, in der Geotechnik und zeigt ihr Potenzial zur Verbesserung der Effizienz, Genauigkeit und Nachhaltigkeit in diesem Ingenieurzweig auf. 2. Methodik Methodisch liegt der Ausarbeitung eine Literaturanalyse unter Verwendung der spezialisierten Datenbanken Google Scholar und Scopus zu Grunde. Ziel dieser Literaturanalyse ist es, einen umfassenden Überblick über den aktuellen wissenschaftlichen Diskurs zum Einsatz von KNN in der Geotechnik zu erhalten. Auf dieser Grundlage wird eine SWOT-Analyse erstellt, um die Vor- und Nachteile von KNN in diesem Fachgebiet zu evaluieren. 80 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 Künstliche neuronale Netze in der Geotechnik - Fortschritte & Anwendungen Eine SWOT-Analyse ist ein Instrument der strategischen Planung, das zur Identifizierung und Bewertung von internen und externen Faktoren eines Projekts oder allgemein eines Sachverhalts dient (Paul und Wollny 2014). Die Analyse umfasst vier Komponenten: Stärken (Strengths) und Schwächen (Weaknesses) beziehen sich auf interne Merkmale, während Chancen (Opportunities) und Risiken (Threats) externe Umweltbedingungen behandeln (Puyt et al. 2023). Diese Methode zielt darauf ab, durch eine systematische Bewertung eine fundierte Entscheidungsgrundlage zu schaffen (Schawel und Billing 2018). Die Anwendung der SWOT-Analyse in diesem Kontext ermöglicht es, die aktuellen Vorteile und Anwendungsgrenzen von KNN in der Geotechnik zu identifizieren. Durch die Analyse der Chancen und Risiken lässt sich abschätzen, wie KNN-Technologien den Fortschritt in geotechnischen Anwendungen beeinflussen können. Ziel ist es, strategische Empfehlungen zu entwickeln, die die Implementierung von KNN optimieren und gleichzeitig potenzielle Herausforderungen herausstellen. 3. Anwendungsfälle von KNN in der Geotechnik 3.1 Baugrundcharakterisierung Die Baugrundcharakterisierung ist eine grundlegende Aufgabe der Geotechnik, die essenziell für die sichere und wirtschaftliche Planung und Ausführung von Bauprojekten ist (Abdellah 2024). Traditionell ist dieser Prozess jedoch mit erheblichen Herausforderungen verbunden, darunter die Heterogenität des Untergrunds, die räumliche Variabilität und die Unsicherheit von Baugrunddaten (Chen et al. 2025). Geotechnische Messungen vor Ort sind oft spärlich und von nur wenigen Orten verfügbar, was zu unvollständigen Datensätzen führt. Dieses Phänomen wird auch als „MUSIC-3X“ (Multivariate, Unsicher und Einzigartig, Spärlich, Unvollständig und potenziell Korrumpiert mit 3D-Raumvariabilität) bezeichnet (Phoon et al. 2023). Diese Datenattribute erschweren herkömmliche geostatistische Methoden, die zudem oft eine Vorabbestimmung von Hyperparametern erfordern und mit hohem Rechenaufwand verbunden sind (Chen et al. 2025). Abb. 1: Zugehörigkeiten von exemplarischen Anwendungen zu den Arten Künstlicher Intelligenz Für die KI-basierte Lösung dieser und weiterer geotechnischer Aufgaben können unterschiedliche Modelle verwendet werden. Dafür sind in Abb. 1 die Beziehungen zwischen den KI-Modellen und den geotechnischen Anwendungen dargestellt. Dabei geht aus der linken Seite der Abbildung hervor, dass KI der Überbegriff für diese Modelle ist und KNN, ML und Deep Learning (DL) jeweils spezialisierte Untergruppen bilden (Kreutzer 2023). Künstliche Intelligenz und Maschinelles Lernen, insbesondere Deep Learning, haben sich als Werkzeuge für die räumliche Mustercharakterisierung bei großflächigen Untergrunduntersuchungen erwiesen (Satipaldy et al. 2021). Sie bieten Ansätze, um die Komplexität und Unsicherheit der Baugrundcharakterisierung zu bewältigen und Prozesse zu optimieren: So wurde im Rahmen einer Studie ein optimiertes Deep Neural Network (DNN)-basiertes Modell zur Klassifikation geotechnischer Schichten des 3D-Untergrundraums in Seoul, Südkorea entwickelt (Kim und Ji 2022). Dieses Modell nutzt eine umfangreiche Bohrlochdatenbank, deren Daten mittels Anomalieerkennung und Normalisierung fehlender Werte vorverarbeitet wurden. Die 3D-Raumkoordinaten und die Tiefen der geotechnischen Schichten dienen als Merkmale, um sieben indizierte geotechnische Schichten zu klassifizieren. Die Genauigkeit der resultierenden 3D-Karte wurde durch den Vergleich mit thematisch klassifizierten Karten, wie 2D-Schwerkraftanomalien und geostatistischen Simulationen, validiert (Kim und Ji 2022). Dieses Modell erreichte eine durchschnittliche Genauigkeit von 75 %, also einer Übereinstimmung der Schichtenzu-ordnung in dreiviertel aller Fälle, und war der erste Versuch, ein DL-basiertes 3D-Rauminterpolationsmodell für die geotechnische Schichtklassifikation zu entwickeln. So bieten Data-Driven Site Characterization (DDSC) für datenzentrierte Geotechnik die Möglichkeit 3D-stratigraphische Karten zu erstellen und Planungsparameter auf der Grundlage von Standortuntersuchungsdaten zu schätzen (Satipaldy et al. 2021). ML-Methoden können ebenfalls den Verformungsmodul kohäsiver Böden basierend auf Spitzendrucksondierun- 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 81 Künstliche neuronale Netze in der Geotechnik - Fortschritte & Anwendungen gen (CPT-Daten) voraussagen (Ofrikhter und Ponomarev 2025). Eine Datenbank, die CPT-Ergebnisse und bodenphysikalische Eigenschaften aus Bohrlochdaten umfasst, verbesserte die Vorhersagegenauigkeit signifikant. Insbesondere bei fortschrittlicheren Modellen wie KNNs und Gradient-Boosting-Methoden konnten somit realitätsnähere Beschreibungen des Baugrunds aufgestellt werden. Ähnlich wurde der Rekompressionsindex (Cr), dessen Bestimmung durch Ödometerversuche zeitaufwendig ist, erfolgreich mittels eines GMDH-Typ-Neuronalen Netzes aus einfacher zu bestimmenden Indexparametern wie der Flüssigkeitsgrenze und der ursprünglichen Porenzahl vorhergesagt (Kordnaeij et al. 2015). KNNs sind bereits weit etabliert für die Klassifikation von Böden und die Vorhersage von Bodeneigenschaften (Moayedi et al. 2020). So wurden beispielsweise Konvolutionsneuronale Netze, engl. Convolutional Neural Networks (CNNs) für die Klassifikation von Bodentypen eingesetzt. Auch die Scherfestigkeit von Böden kann mittels KI-basierter Techniken effizient und genau vorhergesagt werden (Sharma et al. 2021). Mehrere Studien zeigen, dass ML-Algorithmen, wie Support Vector Machines (SVM), KNNs und Entscheidungsbäume, engl. Decision Tree (DT), dominierend für die Bodenklassifikation sind, da sie komplexe nichtlineare Beziehungen genau beschreiben können (Shao et al. 2023). KI kann auch die Auswertung umfangreicher geophysikalischer Messdaten, wie Gamma-Ray, Gamma-Gamma, Neutronen und spezifischer elektrischer Widerstand, nutzen, um Bodenschichten im Felsbau abzugrenzen (Huang und Wänstedt 1998). Dies bietet eine kostengünstigere und effizientere Alternative zu traditionellen Kernbohrungen. Ferner können ANNs eingesetzt werden, um die Korngrößenverteilung von Böden aus Bildern zu bestimmen (Pirnia et al. 2018). 3.2 Prognose von Georisiken Durch die Auswertung von Untergrundinformationen mittels KNNs können ebenfalls Ereignisse wie Straßen- oder Hangrutschungen und Subsidenzen prognostiziert werden. KI-Algorithmen können dafür Daten, die von seismischen IoT-Sensoren gesammelt wurden, analysieren, um Muster, Anomalien und Trends zu identifizieren, die auf potenzielle Gefahren hindeuten. Diese Fähigkeit ermöglicht es Ingenieuren, die Komplexität des Untergrunds besser zu verstehen und regionale Georisikobewertungen durchzuführen, indem fehlende Daten interpoliert werden (Liu et al. 2024; Wu et al. 2025). Die Überwachung und Prognose der Hangstabilität sowie die Kartierung der Rutschungsanfälligkeit sind zentrale Anwendungsbereiche von KI in der Geotechnik (Tehrani et al. 2022). Traditionelle Methoden zur Analyse kontinuierlicher Untergrundstrukturen mit horizontalen und vertikalen Korrelationen stoßen oft an ihre Grenzen, insbesondere bei komplexen standortspezifischen Merkmalen. Hier können KIbzw. ML-basierte Methoden als wesentliche Werkzeuge zur Charakterisierung räumlicher Muster bei großflächigen Untergrunduntersuchungen dienen (Kim und Ji 2022). Für die Vorhersage von Hangbewegungen und die Bewertung der Stabilität haben sich insbesondere Long Short- Term Memory (LSTM)-Modelle als effektiv erwiesen, da sie dynamische geologische Parameter und historische Daten besser verarbeiten können als Support Vector Machines (SVM), also eine Sonderform von ML, oder Backpropagation Neural Networks, eine Sonderform von KNN (Mojtahedi et al. 2025). Auch für die modellierte zeitlich variierende Versagenswahrscheinlichkeit von Rutschungen unter Berücksichtigung räumlicher Variabilität und Echtzeitdaten werden zunehmend Deep Learning-Methoden eingesetzt. Darüber hinaus werden CNNs, SVMs und Random Forest (RF)-Modelle zur Echtzeitbeobachtung und direkter Prognose der Hangstabilität verwendet (Liu et al. 2024). Bei der Kartierung der Rutschungsanfälligkeit sind ML- Methoden, einschließlich DL, populär geworden und zeigen vielversprechende Vorhersageleistungen im Vergleich zu konventionellen Methoden (Tehrani et al. 2022). SVM, DT und RF-Algorithmen, wobei letztere eine Verknüpfung mehrerer Entscheidungsbäume (DT) darstellt, gehören zu den gängigsten Methoden. Hybride Ansätze wie CNN-SVM, CNN-RF und CNN-LR wurden entwickelt, um die Klassifikationsleistung bei der Rutschungsanfälligkeitskartierung zu verbessern (Zhang et al. 2021). Teil der aktuellen Forschung ist die Bilderkennung und Anwendung von Large Language Models (LLMs) für virtuelle Inspektionsmodelle, um die Hangstabilität zu bewerten (Wu et al. 2025). Daneben ist die Vorhersage des Potenzials von Bodenverflüssigungen in erdbebengefährdeten Gebieten von entscheidender Bedeutung (Yaghoubi et al. 2024; Sulewska 2017). KNN wurden umfassend für die Verflüssigungsbewertung eingesetzt, um komplexe Beziehungen zwischen verschiedenen Bodenparametern zu lösen. Probabilistische Neuronale Netze und Support Vector Machines (SVMs) sind ebenfalls für die Bewertung des seismischen Verflüssigungspotenzials genutzt worden (Ebid 2021). Neuere Entwicklungen umfassen hybride maschinelle Lernmodelle wie PSO-KELM (Kernel Extreme Learning Machine mit Particle Swarm Optimization) zur genauen Bewertung des Verflüssigungspotenzials mittels Cone Penetration Test (CPT) und Scherwellengeschwindigkeits-Tests (Vs) Daten (Liu et al. 2024). CNNs werden ebenfalls eingesetzt, um das Auftreten und den Zeitpunkt von Verflüssigungsereignissen vorherzusagen. Dies geschieht durch Training mit Zeit-Frequenz-Verteilungsbildern aus Simulationen der Standortreaktion (Liu et al. 2024), um die Stichprobengröße von Verflüssigungsdatensätzen zu erweitern und die Modellgenauigkeit zu verbessern. Insbesondere dort, wo umfassende Daten schwer zu beschaffen sind, hat sich die Wasserstein Generative Adversarial Network (WGAN)- Methode als praktikabel erwiesen (Liu et al. 2024). Auch im Bereich der Bodenerosion finden ML-Techniken Anwendung. KI kann zur Abschätzung von Bodenerosion eingesetzt werden (Ebid 2021). Regressionsbasierte ML-Algorithmen werden zur Kartierung der Winderosionsgefährdung verwendet (Onyelowe et al. 2023). 82 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 Künstliche neuronale Netze in der Geotechnik - Fortschritte & Anwendungen Studien haben den Einsatz von ML-Modellen, wie z. B. Random Forest, zur Bewertung der Anfälligkeit für Grabenerosion gezeigt (Yaghoubi et al. 2024). 3.3 Bauausführung von Tiefbauleistungen Weiterführend bieten Bauvorhaben mit geotechnischen Schwerpunkten auch bei der Bauausführung Herausforderungen, darunter unvorhergesehene Untergrundbedingungen, Umweltauflagen und die wachsende Komplexität von Bauprojekten, die oft zu kostspieligen Überschreitungen und Sicherheitsrisiken führen können (Wu et al. 2025). In diesem Kontext haben sich KNN auch für die Bauausführung als praktikables Werkzeug erwiesen, um diese Komplexität zu bewältigen und Prozesse im Baumanagement und in der Bauüberwachung maßgeblich zu verbessern (Abdellah 2024; Zhang et al. 2021). Die Verknüpfung des Internets der Dinge (IoT) mit KI- Technologien eröffnet ein enormes Potenzial für die geotechnische Überwachung. KI-Algorithmen sind in der Lage, die von IoT-Sensoren gesammelten Daten zu analysieren und Muster, Anomalien sowie Trends zu identifizieren, die auf potenzielle Gefahren, Baumängel oder strukturelle Schwachstellen hindeuten. Dadurch entstehen Echtzeit-Informationssysteme, die Frühwarnungen ermöglichen, Interventionen erleichtern und die Sicherheit auf Baustellen sowie die Zustandsüberwachung von Bauwerken gewährleisten (Guerra et al. 2025). Die fortschrittliche Sensorik und Datenerfassung liefern große Mengen geotechnischer Daten, die von ML-Algorithmen effizient genutzt werden können (Satipaldy et al. 2021). Die Prognose von Baukosten und der Bauzeit ist ein kritischer Aspekt jedes Bauprojekts. KI kann in diesem Bereich schnelle und präzise Vorhersagen treffen, indem sie eine Vielzahl von Eingabeparametern verarbeitet. Diese Informationen sind sowohl für Bieter als auch für Bauherren von großer Bedeutung, um realistische Angebote zu erstellen, aus den vergangenen Bauvorhaben zu lernen und auftretende Kostenüberschreitungen zu vermeiden. Um adäquate Aussagen über diese baubetrieblichen Parameter zu treffen, sind jedoch eine Vielzahl an Daten und damit an Projektwissen erforderlich. Diese liegen aktuell nicht in der Qualität und Quantität vor, weshalb auch die Präzision und Sensitivität der KI-Systeme gering sind. (Sharma et al. 2021). Intelligente Verdichtungssysteme (IC-Systeme) sind eine reale Anwendung der KI in der Geotechnik und spielen eine zentrale Rolle im Erdbau (Ebid 2021; Guerra et al. 2025). ML kann zur Vorhersage von Verdichtungsparametern für fein- und grobkörnige Böden eingesetzt werden (Abdellah 2024; Onyelowe et al. 2023). IC-Systeme nutzen Sensoren, um Daten über Bodeneigenschaften während des Verdichtungs-prozesses in Echtzeit zu erfassen. KI-Algorithmen analysieren diese Daten, um den Verdichtungsprozess dynamisch zu optimieren. Dies gewährleistet eine gleichmäßige Dichte und Steifigkeit des Bodens, reduziert Nacharbeiten und steigert die Gesamtqualität der Bauleistung (Guerra et al. 2025). 3.4 Gründungstechnik und Tunnelbau Schließlich werden KNNs auch zur Vorhersage der lateralen Reibungswiderstände von Pfählen in bindigen Böden eingesetzt, wobei sie realitätsnähere Ergebnisse im Vergleich zu bisherigen mathematischen Ansätzen erzielen. So dienen als Input-Parameter die Pfahllänge, -durchmesser, die durchschnittliche effektive Spannung und die undrainierte Scherfestigkeit (Abdellah 2024). Studien zeigen erfolgreiche Anwendungen von KNNs zur Vorhersage der axialen Mantelreibung und des Spitzendrucks von Pfählen (Moayedi et al. 2020), oft basierend auf Cone Penetration Test (Liu et al. 2024) oder Standard Penetration Test (SPT) (Zhang et al. 2021). Darüber hinaus werden sie zur Optimierung des Designs von Tiefgründungen und zur Vorhersage des Verhaltens von Pfahlgruppen genutzt (Ebid 2021). Das komplexe Verhalten des Bodens unter Lasten wird durch KNNs besser modellierbar (Ebid 2021; Moayedi et al. 2020). Dies schließt die Vorhersage der dynamischen Pfahl-Boden- Interaktion bei gekoppelten Schwingungen und die Abschätzung lateraler Wandbewegungen bei ausgesteiften Baugruben ein (Yin et al. 2020). KNNs ermöglichen auch die präzise Vorhersage von Setzungen bei Flachgründungen in körnigen Böden (Sulewska 2017; Zhang et al. 2021). Hierbei werden Eingangsgrößen wie die aufgebrachte Spannung, die Ergebnisse von SPTs, die Fundamentbreite, -form und -tiefe berücksichtigt (Abdellah 2024). Die Vorhersage von Konsolidationssetzungen in Sanierungsprojekten mittels ML ist somit ebenfalls ein wichtiges Anwendungsfeld (Ebid 2021). KI ermöglicht die Echtzeit-Bestimmung von Aushubmaterialparametern für Erddruckschild-Tunnelbohrmaschinen (EPB-TBM) (Thienert et al. 2025). Dies umfasst die Charakterisierung des ausgehobenen Materials auf dem Förderband, um dessen Eigenschaften und Recyclingpotenzial in Echtzeit zu bestimmen. KNNs können dabei Schlüsselparameter wie den Slump-Wert und die Scherfestigkeit von Mischböden mit hoher Genauigkeit vorhersagen (Thienert et al. 2025). Die Vorhersage der TBM- Penetrationsrate ist eine häufige Anwendung von KI, oft unter Einsatz von hybriden Modellen, die verschiedene Neuronale Netze kombinieren, um Betriebs- und geologische Daten zu analysieren (Zhang et al. 2021; Liu et al. 2024; Mojtahedi et al. 2025). Für die Vorhersage von Boden- und Tunnelsetzungen werden KNN ebenfalls eingesetzt. Sie werden beispielsweise zur Prognose von Oberflächensetzungen infolge von Untertagebau (Hopfield-Netzwerke) (Chao et al. 2018) oder zur Vorhersage der Konvergenz eingesetzt (Onyelowe et al. 2023). Verbesserte Algorithmen wie Long Short-Term Memory (LSTM) ermöglichen präzisere Langzeitprognosen bei Verformungen (Mojtahedi et al. 2025). Über die reinen Verformungsvorhersagen hinaus werden KNNs zur Sicherstellung der Stabilität und Langlebigkeit unterirdischer Infrastrukturen eingesetzt (Yaghoubi et al. 2024). Dies umfasst die Optimierung von Stützkonstruktionen und die Analyse der Tunnelstabilität während des Baus mittels neuro-fuzzy Systemen (Ebid 2021). KI-gestützte Systeme können somit auch dazu bei- 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 83 Künstliche neuronale Netze in der Geotechnik - Fortschritte & Anwendungen tragen, die Bemessung von Tunneln zu optimieren und die Qualität der Gebirgsbewertung vor dem Tunnelvortrieb zu verbessern (Liu et al. 2024). KI-basierte Bildanalysen, insbesondere mit DNNs, werden für die Inspektion von Tunneln sowie zur Erkennung von Rissen und Leckagen genutzt (Yin et al. 2020; Wenighofer und Galler 2018). 3D-Laserscanner werden dabei eingesetzt um die Tunnelverformungen wie die Ovalisierung des Querschnitts, die Risse und Fugenspalten zu erfassen. Die gesammelten Daten werden dann durch DNNs ausgewertet. Automatisierte Arbeitsabläufe sind hierbei unerlässlich, um die großen Datenmengen effizient zu verarbeiten (Wenighofer und Galler 2018). 4. SWOT-Analyse Künstliche Neuronale Netze (KNN) haben sich in der Geotechnik als einflussreiches Werkzeug erwiesen, das sowohl erhebliche Stärken und Chancen als auch bestimmte Schwächen und Risiken mit sich bringt (Shao et al. 2023; Liu et al. 2024). Dafür wurden die Ergebnisse der SWOT-Analyse in der Tabelle 1 dargestellt und im Weiteren näher erläutert. Tab. 1: Ergebnisse der SWOT-Analyse zu KNN in der Geotechnik Stärken Schwächen • Nachbildung komplexer geotechn. Beziehungen • Anpassungsfähigkeit an unterschiedliche Datensätze • Hohe Zuverlässigkeit bei der Charakterisierung von Böden und der Erstellung von Schichtenmodellen • Bedarf an großen Datenmengen für das Training auf geotechnische Anwendungsfälle • Undurchsichtige Herkunft der Ergebnisse • Risiko der Überanpassung (Overfitting) an den Trainingsdatensatz Chancen Risiken • Unterstützung detaillierter 3D-Modelle • Echtzeit-Prognosen im Tunnelbau • Verbesserte Vorhersagen geotechn. Eigenschaften • Erweiterte geotechn. Analysen durch physikgeleitete KI-Modelle • Fehlklassifikationen bei unvollständigen Trainingsdatensätzen • Ohne Interpretation durch Fachkräfte können fehlerhafte Ergebnisse ungefiltert in die Planung einfließen Stärken von KNNs in der Geotechnik: Ein großer Vorteil von KNNs ist ihre Fähigkeit, komplexe nichtlineare Beziehungen zu modellieren und jede kontinuierliche Funktion zu approximieren (Zhang et al. 2021; Huang und Wänstedt 1998; Sharma et al. 2021). Dies ist besonders nützlich angesichts der inhärenten Komplexität und Heterogenität geotechnischer Materialien und Prozesse (Liu et al. 2024). KNNs zeichnen sich durch ihre selbstlernenden und adaptiven Fähigkeiten aus; sie können aus Erfahrungen lernen und sich an neue Daten anpassen, ohne explizit programmiert zu werden (Liu et al. 2024). Sie sind zudem robust gegenüber Fehlern und können auch bei verzerrten oder unvollständigen Daten noch zuverlässige Ergebnisse liefern (Sharma et al. 2021). Ihre Fähigkeit zur Mustererkennung und Klassifizierung macht sie ideal für Aufgaben wie die Bodentypklassifizierung, die Vorhersage von Gesteinseigenschaften oder die Erkennung von Verformungen (Moayedi et al. 2020; Chao et al. 2018). Die Effizienz bei der Verarbeitung großer Datenmengen (Ebid 2021; Pirnia et al. 2018) und die Überlegenheit gegenüber traditionellen statistischen Methoden in der Vorhersagegenauigkeit (Zhang et al. 2021; Ofrikhter und Ponomarev 2025) führen zu erheblichen Kosten- und Zeiteinsparungen (Abdellah 2024; Liu et al. 2024). Schwächen von KNNs in der Geotechnik: Trotz ihrer Stärken haben KNNs auch Nachteile. Sie erfordern in der Regel große Mengen an hochwertigen und zuverlässigen Daten für ein effektives Training und genaue Vorhersagen (Yaghoubi et al. 2024; Padarian et al. 2020; Wenighofer und Galler 2018). In der Geotechnik sind Daten oft „uggly“, also räumlich variabel, spärlich, standortspezifisch und unvollständig (Phoon et al. 2023). Das Training von KNNs kann rechenintensiv und zeitaufwendig sein, insbesondere bei komplexen Architekturen (Liu et al. 2024; Kim und Ji 2022). Die „Black Box“-Natur von KNNs, bei der die internen Mechanismen schwer zu interpretieren sind, kann das Vertrauen und die Akzeptanz in der Praxis mindern (Onyelowe et al. 2023; Padarian et al. 2020). Zudem neigen sie zu Overfitting, insbesondere bei kleinen Trainingsdatensätzen, was die Generalisierungsfähigkeit beeinträchtigen kann (Zhang et al. 2021; Cui und Jing 2019). So gibt es kein universell anwendbares Modell; die Auswahl hängt von den spezifischen Zielen und Datenmerkmalen ab (Zhang et al. 2021). Chancen durch den Einsatz von KNNs: Die Anwendung von KNNs eröffnet zahlreiche Möglichkeiten. Sie ermöglichen eine verbesserte räumlich-zeitliche Charakterisierung von Untergrundbedingungen und die Vorhersage von Bodeneigenschaften an unbeprobten Stellen, was zur Entwicklung hochauflösender 3D-Modelle führt (Satipaldy et al. 2021; Moayedi et al. 2020). Im Tunnelbau können sie zur Echtzeit-Überwachung und -Prognose der Vortriebsleistung, Verformungen und Injektionsmengen eingesetzt werden, was die Bauausführung beschleunigt und Risiken reduziert (Wenighofer und Galler 2018; Thienert et al. 2025; Thienert et al. 2022). Die Vorhersage von mechanischen und physikalischen Eigenschaften wie Scherfestigkeit, Kompressibilität und Verflüssigungspotenzial wird präziser und effizienter (Kordnaeij et al. 2015; Onyelowe et al. 2023). Darüber hinaus bieten sie großes Potenzial in der Hangstabilitätsanalyse und 84 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 Künstliche neuronale Netze in der Geotechnik - Fortschritte & Anwendungen zur Vorhersage von Rutschungen (Chao et al. 2018; Shao et al. 2023; Liu et al. 2024). Die Kombination von KNNs mit anderen KI-Methoden wie Deep Learning oder physikgeleitete Modelle sowie die Nutzung numerischer Methoden (FEM, DEM) zur Generierung großer Datensätze können die Leistungsfähigkeit weiter steigern (Pirnia et al. 2018; Zhang et al. 2021). Risiken bei der Verwendung von KNNs: Zu den Risiken zählt die starke Abhängigkeit von der Datenqualität und -quantität, da minderwertige oder unzureichende Daten zu unzuverlässigen Vorhersagen führen können (Abdellah 2024; Phoon et al. 2023). Ein weiteres Risiko besteht im Missbrauch oder der mangelnden Kenntnis über die Algorithmen, was zu Fehlinterpretationen oder ineffizientem Einsatz führen kann, insbesondere bei der Abstimmung von Hyperparametern (Tehrani et al. 2022). Es ist entscheidend zu erkennen, dass die Ausgabe von KI-Techniken nicht immer direkt in die Praxis umgesetzt werden kann und möglicherweise Anpassungen durch erfahrene Ingenieure erfordert. Die Möglichkeit von Fehlklassifikationen, wenn Merkmale nicht im Trainingsdatensatz enthalten sind, ist ebenfalls ein relevantes Risiko (Wenighofer und Galler 2018). Um diese Herausforderungen zu bewältigen, sind interdisziplinäre Zusammenarbeit, Investitionen in Datenmanagement und eine kontinuierliche Weiterentwicklung der KI-Algorithmen erforderlich (Liu et al. 2024). 5. Zusammenfassung und Ausblick Künstliche Neuronale Netze (KNN) bieten in der Geotechnik die Stärke, komplexe nichtlineare Beziehungen zu modellieren, aus Erfahrungen zu lernen und sich an neue Daten anzupassen. Sie sind robust gegenüber Fehlern und unvollständigen Daten, erkennen Muster effizient und können durch präzisere Vorhersagen zu erheblichen Kosten- und Zeiteinsparungen führen. Zu ihren Schwächen gehören der hohe Bedarf an großen Mengen hochwertiger Daten, eine oft rechenintensive und zeitaufwändige Schulung sowie die schwere Interpretierbarkeit ihrer „Black Box“-Natur. Zudem neigen sie bei kleinen Trainingsdatensätzen zu Overfitting. Chancen ergeben sich aus der verbesserten räumlich-zeitlichen Charakterisierung des Untergrunds, der Echtzeit-Überwachung im Tunnelbau und der präzisen Vorhersage mechanischer Bodeneigenschaften. Als Risiken sind die starke Abhängigkeit von der Datenqualität, das Missbrauchspotenzial durch mangelndes Wissen über die Algorithmen und die Gefahr unzuverlässiger Vorhersagen bei im Trainingsdatensatz nicht enthaltenen Merkmalen zu nennen. Die Zukunft der KI in der Geotechnik wird maßgeblich von einer stärkeren Integration von physikgeleiteten Modellen und Domänenwissen geprägt sein, um die Interpretierbarkeit und Generalisierbarkeit der Modelle zu verbessern. Es wird einen weiterhin wachsenden Fokus auf die Qualität, Quantität und Standardisierung von Daten geben, was Investitionen in das Datenmanagement und die gemeinsame Nutzung von Datensätzen erfordert. KI-Algorithmen werden zunehmend für Echtzeit-Monitoring und dynamische Vorhersagen eingesetzt, beispielsweise zur Überwachung von Tunnelbauten oder Hangrutschungen, um frühzeitige Warnsysteme zu etablieren und die Bauausführung zu beschleunigen. Die Entwicklung hochauflösender 3D-Modelle des Untergrunds und die Vorhersage von Bodeneigenschaften an unbeprobten Stellen durch datengesteuerte Standortcharakterisierung (DDSC) wird eine zentrale Rolle spielen. Ein weiteres wichtiges Feld ist die Erforschung von Large Language Models (LLMs), die das Potenzial haben, textbasierte geotechnische Daten zu verarbeiten, Wissen zu extrahieren, die Problemformulierung zu unterstützen und Entscheidungsfindungen zu erleichtern, oft in Kombination mit multimodalen Daten wie Bildern und Zahlen. Die Fähigkeit von LLMs, in Berichten und Texten verstreute Informationen zu sammeln und aufzubereiten, bietet das Potenzial bestehendes Wissen über den Baugrund effizient nutzbar zu machen. Insgesamt zeichnet sich der Trend in der Geotechnik ab, dass durch KI-Anwendungen effizientere, sicherere und nachhaltigere Prozesse etabliert werden. Dafür gilt es in der Zukunft jedoch den dargestellten Herausforderungen, wie die Datenknappheit, der Rechenintensität und der „Black Box“-Natur, durch interdisziplinäre Zusammenarbeit und kontinuierliche Weiterentwicklung der Algorithmen zu begegnen. 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 85 Künstliche neuronale Netze in der Geotechnik - Fortschritte & Anwendungen Literaturverzeichnis Abdellah, Walid Serier (2024): A review of applications of artificial intelligence in geotechnical engineering. In: 18th African Regional Conference on Soil Mechanics and Geotechnical Engineering. Online verfügbar unter https: / / www.issmge.org/ uploads/ publications/ 51/ 127/ ARCSMGE2024-150.pdf. Chao, Zhiming; Ma, Guotao; Zhang, Ye; Zhu, Yanjie; Hu, Hengyang (2018): The application of artificial neural network in geotechnical engineering. In: IOP Conf. Ser.: Earth Environ. Sci. 189, S. 22054. DOI: 10.1088/ 1755- 1315/ 189/ 2/ 022054. Chen, Weihang; Shi, Chao; Ding, Jianwen; Wang, Tengfei; Connolly, David P. (2025): Data-driven sparse learning of three-dimensional subsurface properties incorporating random field theory. In: Engineering Geology 349, S. 107972. DOI: 10.1016/ j.enggeo.2025.107972. Cui, Kai; Jing, Xiang (2019): Research on prediction model of geotechnical parameters based on BP neural network. In: Neural Comput & Applic 31 (12), S. 8205- 8215. DOI: 10.1007/ s00521-018-3902-6. Ebid, Ahmed M. (2021): 35 Years of (AI) in Geotechnical Engineering: State of the Art. In: Geotech Geol Eng 39 (2), S. 637-690. DOI: 10.1007/ s10706-020-01536-7. Guerra, Nuno; Matos Fernandes, Manuel; Ferreira, Cristiana; Gomes Correia, António; Pinto, Alexandre; Sêco Pinto, Pedro (Hg.) (2025): Geotechnical Engineering Challenges to Meet Current and Emerging Needs of Society. Erscheinungsort nicht ermittelbar: Taylor & Francis. Online verfügbar unter https: / / library.oapen.org/ bitstream/ id/ 1fd2925c-be5b-4fca-b18b- 4a5ae3239790/ 9781040259825.pdf. Huang, Yi; Wänstedt, Stefan (1998): The introduction of neural network system and its applications in rock engineering. In: Engineering Geology 49 (3-4), S. 253-260. DOI: 10.1016/ S0013-7952(97)00056-2. Kim, Han-Saem; Ji, Yoonsoo (2022): Three-dimensional geotechnical-layer mapping in Seoul using borehole database and deep neural network-based model. In: Engineering Geology 297, S. 106489. DOI: 10.1016/ j.enggeo.2021.106489. Kordnaeij, Afshin; Kalantary, Farzin; Kordtabar, Behrouz; Mola-Abasi, Hossein (2015): Prediction of recompression index using GMDH-type neural network based on geotechnical soil properties. In: Soils and Foundations 55 (6), S. 1335-1345. DOI: 10.1016/ j.sandf.2015.10.001. Kreutzer, Ralf T. (2023): Künstliche Intelligenz Verstehen. Grundlagen - Use-Cases - Unternehmenseigene KI-Journey. 2nd ed. Wiesbaden: Springer Fachmedien Wiesbaden GmbH. Online verfügbar unter https: / / ebookcentral.proquest.com/ lib/ kxp/ detail.action? docID=30773639. Liu, Hongchen; Su, Huaizhi; Sun, Lizhi; Dias-da-Costa, Daniel (2024): State-of-the-art review on the use of AI-enhanced computational mechanics in geotechnical engineering. In: Artif Intell Rev 57 (8), S. 1-58. DOI: 10.1007/ s10462-024-10836-w. Moayedi, Hossein; Mosallanezhad, Mansour; Rashid, Ahmad Safuan A.; Jusoh, Wan Amizah Wan; Muazu, Mohammed Abdullahi (2020): A systematic review and meta-analysis of artificial neural network application in geotechnical engineering: theory and applications. In: Neural Comput & Applic 32 (2), S. 495-518. DOI: 10.1007/ s00521-019-04109-9. Mojtahedi, F. Fazel; Yousefpour, N.; Chow, S. H.; Cassidy, M. (2025): Deep Learning for Time Series Forecasting: Review and Applications in Geotechnics and Geosciences. In: Arch Computat Methods Eng 32 (6), S. 3415-3445. DOI: 10.1007/ s11831-025-10244-5. Ofrikhter, I. V.; Ponomarev, A. B. (2025): Estimation of Soil Deformation Modulus from Cone Penetration Test Data Using Machine-Learning Methods. In: Soil Mech Found Eng 62 (1), S. 57-64. DOI: 10.1007/ s11204-025- 10034-y. Onyelowe, Kennedy C.; Mojtahedi, Farid F.; Ebid, Ahmed M.; Rezaei, Amirhossein; Osinubi, Kolawole J.; Eberemu, Adrian O. et al. (2023): Selected AI optimization techniques and applications in geotechnical engineering. In: Cogent Engineering 10 (1), Artikel 2153419. DOI: 10.1080/ 23311916.2022.2153419. Padarian, José; Minasny, Budiman; McBratney, Alex B. (2020): Machine learning and soil sciences: a review aided by machine learning tools. In: SOIL 6 (1), S. 35-52. DOI: 10.5194/ soil-6-35-2020. Paul, Herbert; Wollny, Volrad (2014): Instrumente des strategischen Managements. Grundlagen und Anwendungen. 2., aktualisierte und erw. Aufl. München: De Gruyter Oldenbourg. Phoon, K. K.; Zhang, L. M.; Cao, Z. J. (2023): Special issue on “Machine learning and AI in geotechnics”. In: Georisk: Assessment and Management of Risk for Engineered Systems and Geohazards 17 (1), S. 1-6. DOI: 10.1080/ 17499518.2023.2185938. Pirnia, Pouyan; Duhaime, François; Manasht, Javad (2018): Machine learning algorithms for applications in geotechnical engineering. Online verfügbar unter https: / / members.cgs.ca/ conferences/ geoedmonton/ papers/ geo- 2018paper339.pdf. 86 1. Symposium Künstliche Intelligenz im Ingenieurbau - November 2025 Künstliche neuronale Netze in der Geotechnik - Fortschritte & Anwendungen Puyt, Richard W.; Lie, Finn Birger; Wilderom, Celeste P.M. (2023): The origins of SWOT analysis. In: Long Range Planning 56 (3), S. 102304. DOI: 10.1016/ j. lrp.2023.102304. Satipaldy, Bauyrzhan; Marzhan, Taigan; Zhenis, Ulugbek; Damira, Gulbadam (2021): Geotechnology in the Age of AI: The Convergence of Geotechnical Data Analytics and Machine Learning. In: fmr 2 (1), S. 136-151. DOI: 10.63995/ ZOAF3555. Schawel, Christian; Billing, Fabian (2018): Top 100 Management Tools. Das wichtigste Buch eines Managers Von ABC-Analyse bis Zielvereinbarung. 6. Aufl. 2018. Wiesbaden: Springer Gabler (SpringerLink Bücher). Shao, Wei; Yue, Wenhan; Zhang, Ye; Zhou, Tianxing; Zhang, Yutong; Dang, Yabin et al. (2023): The Application of Machine Learning Techniques in Geotechnical Engineering: A Review and Comparison. In: Mathematics 11 (18), S. 3976. DOI: 10.3390/ math11183976. Sharma, Sparsh; Ahmed, Suhaib; Naseem, Mohd; Alnumay, Waleed S.; Singh, Saurabh; Cho, Gi Hwan (2021): A Survey on Applications of Artificial Intelligence for Pre-Parametric Project Cost and Soil Shear-Strength Estimation in Construction and Geotechnical Engineering. In: Sensors (Basel, Switzerland) 21 (2). DOI: 10.3390/ s21020463. Sulewska, Maria (2017): Applying Artificial Neural Networks for analysis of geotechnical problems. In: Computer Assisted Methods in Engineering and Science 18 (4), S. 231-241. Online verfügbar unter https: / / cames-old. ippt.pan.pl/ index.php/ cames/ article/ view/ 101. Tehrani, Faraz S.; Calvello, Michele; Liu, Zhongqiang; Zhang, Limin; Lacasse, Suzanne (2022): Machine learning and landslide studies: recent advances and applications. In: Nat Hazards 114 (2), S. 1197-1245. DOI: 10.1007/ s11069-022-05423-7. Thienert, Christian; Gutberlet, Lara; Klaproth, Christoph; Budach, Christoph; Müller, Pierre; Heim, Andre; Kassel, Andreas (2025): Real-time determination of EPB-TBM excavation material parameters using AI-based measurement data analyses. In: Tunnelling into a Sustainable Future - Methods and Technologies, S. 3279-3286. DOI: 10.1201/ 9781003559047-418. Thienert, Christian; Ouschan, Michael; Wenighofer, Robert; Könemann, Frank; Klaproth, Christoph; Gabriel, Patrick et al. (2022): Potenziale und Grenzen der Prognose von Injektionsparametern mittels Künstlicher Intelligenz - Ergebnisse einer Fallstudie bei einem Tunnelprojekt in Skandinavien. In: Geomechanics and Tunnelling 15 (5), S. 525-534. DOI: 10.1002/ geot.202200050. Wenighofer, Robert; Galler, Robert (2018): Künstliche neuronale Netze im Einsatz zur Gebrauchstauglichkeitsbewertung des einschaligen maschinellen Tunnelbaus. In: Berg Huettenmaenn Monatsh 163 (12), S. 517-523. DOI: 10.1007/ s00501-018-0799-4. Wu, Stephen; Otake, Yu; Mizutani, Daijiro; Liu, Chang; Asano, Kotaro; Sato, Nana et al. (2025): Future-proofing geotechnics workflows: accelerating problem-solving with large language models. In: Georisk: Assessment and Management of Risk for Engineered Systems and Geohazards 19 (2), S. 307-324. DOI: 10.1080/ 17499518.2024.2381026. Yaghoubi, Elaheh; Yaghoubi, Elnaz; Khamees, Ahmed; Vakili, Amir Hossein (2024): A systematic review and meta-analysis of artificial neural network, machine learning, deep learning, and ensemble learning approaches in field of geotechnical engineering. In: Neural Comput & Applic 36 (21), S. 12655-12699. DOI: 10.1007/ s00521- 024-09893-7. Yin, Zhen-yu; Jin, Yin-fu; Liu, Zhong-qiang (2020): Practice of artificial intelligence in geotechnical engineering. In: J. Zhejiang Univ. Sci. A 21 (6), S. 407-411. DOI: 10.1631/ jzus.A20AIGE1. Zhang, Wengang; Li, Hongrui; Li, Yongqin; Liu, Hanlong; Chen, Yumin; Ding, Xuanming (2021): Application of deep learning algorithms in geotechnical engineering: a short critical review. In: Artif Intell Rev 54 (8), S. 5633- 5673. DOI: 10.1007/ s10462-021-09967-1.