Bauingenieurwesen

Die alternde Verkehrsinfrastruktur stellt Betreiber vor große Herausforderungen hinsichtlich Sicherheit, Verfügbarkeit und Wirtschaftlichkeit. Insbesondere Brücken überschreiten zunehmend ihre geplante Nutzungsdauer, während gleichzeitig Fachkräfte und Ressourcen knapp werden. Ziel der Dissertation war die Entwicklung einer ganzheitlichen, digitalen Lösung zur kontinuierlichen Überwachung und Bewertung von Eisenbahninfrastruktur.

Im Zentrum der Arbeit steht die Konzeption, Implementierung und Erprobung einer föderalen Digital-Twin-Plattform, die Methoden des Structural Health Monitoring, digitale Zwillinge und datengetriebene Analyseverfahren integriert. Die Plattform verknüpft heterogene Datenquellen wie Sensorsignale, Bilder, Inspektionsberichte und Modelle in einer zentralen, skalierbaren Architektur. Einzelne digitale Zwillinge für Brücken, Züge, Strecken und Bahnhöfe werden dabei zu einem Gesamtsystem vernetzt, das eine ganzheitliche Betrachtung der Infrastruktur ermöglichen soll.

Neben der Konzeption wurde die Plattform technisch umgesetzt und anhand realer Anwendungsfälle, unter anderem an Eisenbahnbrücken, evaluiert. Hierbei kommen sowohl physikbasierte Modelle als auch Verfahren aus dem Bereich der Künstlichen Intelligenz zum Einsatz, etwa zur automatisierten Auswertung von Schwingungs- und Bilddaten. Die Arbeit zeigt, dass durch die Kombination von kontinuierlicher Datenerfassung, digitalem Zwilling und intelligenter Analyse ein wesentlicher Beitrag zur vorausschauenden Instandhaltung sowie zum nachhaltigen Management komplexer Infrastrukturnetze geleistet werden kann.

Der vorbeugende Brandschutz ist ein zentraler Bestandteil der Gebäudesicherheit. Dennoch werden Inspektionen von Feuerlöschern, Brandmeldern und anderen Brandschutzeinrichtungen in der Praxis häufig manuell durchgeführt und papierbasiert dokumentiert. Dies ist zeitaufwändig, fehleranfällig und erschwert eine kontinuierliche Nachverfolgbarkeit.

Die Dissertation untersucht, wie maschinelles Lernen und Building Information Modeling (BIM) genutzt werden können, um Brandschutzinspektionen weitgehend zu automatisieren. Dafür wurde ein digitales Framework entwickelt, das Brandschutzeinrichtungen auf Gebäudefotos automatisch erkennt, ihre Position im dreidimensionalen BIM-Modell bestimmt und die Einhaltung relevanter Vorschriften überprüft.

Kern des Ansatzes ist die Kombination aus KI-gestützter Bildauswertung, kamerabasierter Lokalisierung und regelbasierter Prüfung. Trainierte neuronale Netze identifizieren Feuerlöscher und zugehörige Informationen wie Zustand oder Prüfkennzeichnungen. Anschließend werden die erkannten Elemente automatisiert in ein bestehendes BIM-Modell integriert. Auf dieser Grundlage erfolgt eine digitale Bewertung, beispielsweise hinsichtlich der erforderlichen Anzahl von Feuerlöschern oder der zulässigen Entfernungen zur nächstgelegenen Anlage.

Die Arbeit demonstriert, wie KI und BIM gemeinsam einen durchgängigen, digitalen Inspektionsprozess ermöglichen und damit einen Beitrag zur nachvollziehbaren und zukunftsfähigen Gestaltung des vorbeugenden Brandschutzes leisten.

Diese Dissertation befasst sich mit der effizienten Erstellung und Pflege „digitaler Schatten“ für Industriegebäude. Da herkömmliche, manuelle Methoden der Datenerfassung oft zu kostspielig und zeitintensiv sind, werden hier automatisierte Ansätze zur Erfassung und Verarbeitung von Punktwolkendaten vorgestellt. Die Arbeit gliedert sich in drei komplementäre Kernmethoden:

Automatisierte Scanplanung: Um die Qualität und Effizienz beim stationären Laserscanning zu steigern, wurde ein System entwickelt, das automatisch optimale Scanstrategien auf Basis komplexer Umgebungsmodelle generiert. Dabei werden sowohl technische Anforderungen als auch Scanner-Parameter berücksichtigt.

KI-basierte semantische Segmentierung: Da im Industriebereich oft annotierte Trainingsdaten für neuronale Netze fehlen, nutzt dieser Ansatz synthetische Punktwolken aus bestehenden 3D-Modellen. Eine realistische Laserscan-Simulation verbessert hierbei die Segmentierung realer Punktwolkendaten signifikant.

Automatisierte Modellrekonstruktion: Auf Basis der segmentierten Daten werden hochwertige Geometriemodelle für komplexe Systeme (zum Beispiel Stahltragwerke) erstellt. Durch evolutionsbasierte Optimierung werden standardisierte Profilquerschnitte identifiziert und als teilparametrisches Modell im Industry Foundation Classes (IFC)-Format exportiert.

Diese Methoden bilden einen durchgängigen „Scan-to-BIM"-Ansatz. Sie ermöglichen eine transparente, datenbasierte Steuerung von Industrieanlagen und dienen als strategischer Hebel für Effizienz und Wettbewerbsfähigkeit in Zeiten von Fachkräftemangel und steigendem Kostendruck.