Datengestützte Analysemodelle für schlanke Bauwerke unter Nutzung von Explainable Artificial Intelligence

Ziel dieses Projekts ist es, unter Nutzung von Messdaten aus dem Bauwerksmonitoring die Strukturdynamik von schlanken Bauwerken zu untersuchen. Als konzeptuelle Basis zur Untersuchung der Strukturdynamik wird hier ein neuer Ansatz basierend auf so genannter Explainable Artificial Intelligence (XAI), oder deutsch „erklärbare Künstliche Intelligenz“, zugrunde gelegt. Der XAI-Ansatz basiert auf einer Reihe von maschinellen Lerntechniken und produziert – im Gegensatz zu vielen, im Bauingenieurwesen häufig eingesetzten Ansätzen der Künstlichen Intelligenz – erklärbare Modelle, während eine hohe Lernleistung beibehalten wird. Hierzu werden „Glass Box“-Modelle entwickelt, die die XAI-Vorgänge transparenter machen und es den Ingenieuren ermöglichen, die sonst üblicherweise auf „Black Box“-Vorgängen basierenden Entscheidungsfindungsprozesse nachvollziehen zu können. Die maschinellen Lerntechniken innerhalb des XAI-Ansatzes, die bereits in Vorarbeiten erprobt wurden, werden auf spezifische Aspekte des dynamischen Verhaltens von schlanken Strukturen angewendet. Messdaten aus dem Bauwerksmonitoring (engl. „Structural Health Monitoring“, SHM), die an Brücken und Türmen erhoben wurden, werden zur Validierung herangezogen und datengestützt analysiert, ohne dass Kenntnis der zugrundeliegenden physikalischen Phänomene erforderlich ist. Es wird erwartet, dass es der XAI-Ansatz Ingenieuren zukünftig ermöglicht, künstlich intelligente Strukturanalysen von schlanken Bauwerken, die sonst üblicherweise auf intransparenten Black Box-Modellen basieren, (besser) zu verstehen und in der Ingenieurspraxis nachvollziehbarer zu machen.