Das Fachgebiet datengetriebene Baudynamik ist am Institut für Statik und Konstruktion angegliedert. Dort bündelt man die Forschungs- und Lehraktivitäten in den Bereichen Baustatik, Baudynamik, Werkstoffe, Gebäudehülle und Konstruktion, um einheitliche Grundlagen für werkstoffgerechtes Entwerfen und Konstruieren zu erreichen. Dazu werden sowohl grundlegende theoretische Arbeiten zu Berechnungs- und Bemessungsverfahren, Werkstoffprüfung und –simulation, Materialmodellierung, numerische Simulationen, Sicherheitstheorie, Konstruktionsverfahren als auch angewandte Forschung und Entwicklung behandelt.

• Kostenreduktion in der Windenergie durch verbesserte Lebensdauer- und Zuverlässigkeitsberechnungen. Lebensdauervorhersagen von Windenergieanlagen basieren aktuell auf einer hohen Anzahl von physikbasierten Simulationen, was einen hohen Rechenaufwand bedeutet. Dieser Rechenaufwand schließt die Berücksichtigung von Unsicherheiten aus und sorgt dafür, dass unpräzise Extrapolationen erforderlich sind. Durch das Ersetzen der physikbasierten Simulationen durch KI-Ansätze können Rechenzeiten reduziert, Unsicherheiten integriert und Lebensdaueranalysen präzisiert werden.
• Messdatengestützte Beurteilung von Brücken Für eine zuverlässige Nutzung Brückeninfrastruktur, ist es essenziell insbesondere den Zustand vieler Bestandsbrücken, die das Ende ihrer Lebenszeit erreichen, zu beurteilen. Hier wird erforscht, wie KI genutzt werden kann, um auf Basis der Analyse aufgezeichneter Messdaten Veränderungen des Brückenzustands automatisiert zu detektieren und zu quantifizieren. Zusätzlich wird untersucht, wie aus diesen Messdaten mit Hilfe von KI zusätzliche Informationen gewonnen werden können, um die Daten möglichst umfangreich zu veredeln. Beispiel hierfür ist die automatisierte Ermittlung der Position und Größe der Achslasten von Zügen.

Physics-informed machine learning, Machine learning mit geringer Trainingsdatenmenge (one-shot learning, semi-supervised learning), statistical machine learning, computer vision, Xplainable AI

Der fließende Übergang zwischen der Geometrie und den Eigenschaften bei der Erderfassung ist mittlerweile fester Bestandteil der modernen Photogrammetrie und Fernerkundung. Ebenso ist die Bedeutung von neu entwickelten Methoden aus z.B. den Bereichen Machine Learning, Computer Vision und Data Science seit einigen Jahren stark gewachsen. Die Anwendung aktueller Methoden auf die diversen photogrammetrischen und fernerkundlichen Daten ist ein zentrales Feld der Forschung. Dabei bilden insbesondere die Datenfusion, die Prozessierung von Punktwolken und semantische Segmentierung einen Schwerpunkt des Fachgebiets.

Der Schwerpunkt liegt auf der Auswertung von Bildern und anderen Sensordaten realer Szenen mit Bezug auf die Erdoberfläche und die bebaute Umwelt.

• Erfassung/Rekonstruktion verschiedener Umgebungen, z.B. Indoor, Stadt, Wald, etc.: Welche KI-Modelle eignen sich für bestimmte Aufgaben der Fernerkundung?
  • Anwendungsbereiche z.B. Bestimmung von Waldparametern, Scan-to-BIM. Hier wird Deep Learning in verschiedenen Bereichen angewendet (z.B. Detektion von Einzelbäumen, Fusion von verschiedenen Fernerkundungsdaten unterschiedlicher räumlicher Auflösung und Sensorik z.B. Hyperspektraler Daten mittlerer Auflösung und hochaufgelöster RGB Daten, Bestimmung der Gesundheit der Vegetation, vektorbasierte Repräsentation von Innenräumen)
• Neuronale Szenenrepräsentationen: Wie können multisensorielle Daten (z.B. LiDAR, multispektral, thermal) mit Neuronale Szenenrepräsentation fusioniert werden?
• Bestimmung der Datenqualität: Wie können die bestehenden Deep-Learning-Modelle erweitern werden, um die Bestimmung der Qualität und Bewertung der Input Bilder zu ermöglichen? In realen Datenszenarien sind inzwischen die Datenqualität der limitierende Faktor im Vergleich zum gewählten Deep Learning Modell

Objektdetektion, semantische Segmentierung, Entwicklungsprognosen, Datenerfassung, NeRF – Neural Radiance Fields, Label-Qualität, Explanability, Interpretability

In der Verkehrsplanung werden Methoden und Verfahren mit interdisziplinären Bezügen und als Bestandteil der überfachlichen Raumplanung entwickelt. Im Mittelpunkt stehen die Ursachen und Wirkungen der Mobilität und Erreichbarkeit sowie integrierende Strategien zum klimaresilienten Verkehrsmanagement.

Die Verkehrstechnik betrachtet die Grundlagen des Verkehrsablaufs und die Leistungsfähigkeit von Verkehrsanlagen. Diese wird ergänzt durch eine umfassende Auseinandersetzung mit modernen Verkehrsleittechniken, Verkehrsinformationssystemen sowie der Erfassung, Aufbereitung und Evaluation von Verkehrsdaten.

Im Mittelpunkt steht die disruptive Mobilität und der Einfluss von künstlicher Intelligenz.

• Kann Intelligenz nachhaltig sein?
• Wie und warum ändern sich Mobilitätsysteme aufgrund von künstlicher Intelligenz?
• Wie und warum ändern sich Städte durch künstliche Intelligenz?

scAInce lab: Mobilität der Zukunft in virtueller Realität

Wir erforschen, wie künstliche Intelligenz und Extremereignisse unsere Mobilitätssysteme verändern und ob der technologische Wandel tatsächlich zu nachhaltiger Mobilität führt.

Disruptive Mobilität durch neue Technologien und Digitalisierung

Wir untersuchen, wie disruptive Mobilität unsere Nachhaltigkeit beeinflusst. Wir beschäftigen uns mit der funktionellen, digitalen und institutionellen Vernetzung von neuen Verkehrssystemen, Straßenverkehrstechnik, Mobilitätsdienstleistungen, Informationssystemen und Künstlicher Intelligenz (KI).

I+I sowie E+E

Das Fachgebiet forscht an Lösungen zur werkstoffspezifischen Steigerung der Energieeffizienz, die Wiederverwendung von Rohstoffen und die Reduzierung der CO₂-Emissionen. Das Potential für zukunftsträchtige Forschung liegt in zunehmendem Maße in der wissenschaftlichen Arbeit und Technologieanwendung im Mikro- und Nanobereich. Durch hochwertige numerische Modellierungen und experimentelle Ausstattung können Lösungen zur Quantifizierung des Lebensdauerverhaltens nachhaltiger Materialien, für die Entwicklung umweltfreundlicher und nachhaltiger Bindemittel und zur Berechnung der Restlebensdauer bestehender Infrastrukturbauwerke gefunden werden.

• Anwendung von KI-Strategien für Mustererkennung zur weiteren Optimierung der CO₂-Reduzierung und Unterstützung von Forschern. (DFG: SPP 2436 – Net-Zero Concrete)
• Anwendung von KI-Strategien zur Vorhersage von Unsicherheiten hinsichtlich der Dauerhaftigkeitseigenschaften von umweltfreundlichen Materialien für schwimmende Offshore-Plattformen für PV-Systeme (EU H2020: NatureSea-PV – Novel Eco-Cementitious Materials and Components for Durable, Competitive, and Bio-Inspired Offshore Floating PV Substructures)
• Anwendung von KI-Strategien zur Vorhersage von Unsicherheiten bei Rückbaumöglichkeiten mit optimierter CO₂-Reduktion und Wiederverwendbarkeit von Materialien. (PtJ ERAMIN 2: RecycleBIM – Integrated Planning and Recording Circularity of Construction Materials through Digital Modelling)

Allgemeine KI-Entwicklungen

Das Fachgebiet „Baustatik“ ist am Institut für Statik und Konstruktion angegliedert und deckt die Forschungs- und Lehraktivitäten in den Bereichen Baustatik, Baudynamik, Werkstoffe, Gebäudehülle und Konstruktion sowie „Scientific Machine Learning“ ab. Um einheitliche Grundlagen für werkstoffgerechtes Entwerfen und Konstruieren zu erreichen werden sowohl grundlegende theoretische Arbeiten zu Berechnungs- und Bemessungsverfahren, Werkstoffprüfung und –simulation, Materialmodellierung, numerische Simulationen, Sicherheitstheorie, Konstruktionsverfahren als auch angewandte Forschung und Entwicklung behandelt.

• Generativer Entwurf (vorwärts und invers) parametrischer baulicher Anlagen. Es werden moderne generative Deep Learning Algorithmen wie cGAN oder cVAE erforscht, die sich für den Entwurf baulicher Anlagen mit parametrischer Repräsentation als „Assistenten“ in die menschlichen Planungsteams integrieren und schnellere aber dennoch robuste Entwurfsiterationen erlauben.
• Scientific Machine Learning Es werden verschiedene Ansätze zur Kombination „klassischer“ numerischer Verfahren wie der Finite-Elemente-Methode oder der Phasen-Feld-Methode mit Ansätzen des Deep-Learning für berechnungsorientierte Fragestellungen bearbeitet. Die Anwendungen reichen von der Materialmechanik (z.B. Bruchbild von Glas) bis zur Berechnung großskaliger Tragwerke (wie Brücken). Weiterhin werden Forschungen zur Sicherheitstheorie und der Erklärbarkeit von Methoden des Scientific Machine Learning untersucht wie z.B. die Ableitung von Teilsicherheitsbeiwerten bei prädiktiven Machine und Deep-Learning-Modellen oder das „grounding“ von Deep-Learning-Architekturen mit Wissen der Baustatik in Textform.
• Neuronale und Implizite Geometrierepräsentation in Verbindung mit computergestützter Analyse: Untersuchungsgegenstand ist hier, wie komplexe und zusammengesetzte Geometrien mit Neuronale Szenenrepräsentation dargestellt und numerischen Verfahren zur Lösung von Differentialgleichungen zugeführt werden können.
• Bestimmung der Datenqualität: Erarbeiten von Metriken zur Bestimmung der Qualität und Bewertung von (strukturierten und unstrukturierten) Daten, die real aber auch synthetisch erhoben werden können. Qualitativ hochwertige und repräsentative Daten sind derzeit der signifikanteste Faktor für das Training und die Brauchbarkeit von Machine und Deep Learning Methoden.

Generative AI, physics-informed artificial intelligence, explainable and interpretable AI, causal AI, semi- und self-supervised training, computer vision, LLMs

Das Fachgebiet befasst sich uns im Rahmen von Grundlagenforschung wie auch Forschungs- und Entwicklungsaufträgen mit der Erarbeitung von ingenieurwissenschaftlichen Lösungen in den Aufgabenbereichen Ethohydraulik & Gewässerdurchgängigkeit, Gewässerentwicklung und -unterhaltung, Hochwasser- und Starkregenschutz, wärmeenergetische Nutzung von Gewässern, Sedimentmanagement an Stauwerken, Bauwerkshydraulik, Wasserkraftnutzung und Ökohydraulik. Methodisch kommen physikalische und numerische Modelle als auch KI-gestützte Analyse- und Simulationsroutinen zum Einsatz.

• Analyse von Messsignalen und -daten aus dem Labor- und Feldbetrieb
• Erkennen, typisieren und prognostizieren von Verhaltensmustern bei Lebendtierversuchen
• Erkennung und Verfolgung von Fischarten und -bewegungen in ethohydraulischen Tests

Signaldatenverarbeitung, Bildverarbeitung, Analyse großer Datenmengen

Wir befassen uns in Forschung und Lehre mit computerbasierten Methoden zur Modellierung und Simulation ingenieurwissenschaftlicher Aufgabenstellungen. Dies beinhaltet Konzeption, Entwicklung und Anwendung innovativer Verfahren, Methoden und Demonstratoren der Informations- und Kommunikationstechnik zum Planen, Bauen, Nutzen und Rückbau sowie Kreislaufwirtschaft von Bauwerken und ihrer Wechselwirkungen mit der Umwelt im Sinne der digitalen Transformation der Ingenieurtätigkeit.

Im Zuge der digitalen Transformationen der Planungs-, Betriebs- und Rückbau- sowie Kreislaufwirtschaftsprozesse von Bauwerken (Gebäude und Infrastruktur) fallen eine Vielzahl von heterogenen digitalen Daten an, die mit KI-Methoden genutzt werden können, um die bisherigen traditionellen analytischen und empirischen Methoden zu ergänzen sowie methodische Lücken zu schließen.

Die zentralen Forschungsfragen mit den entsprechenden Forschungsfeldern sind:

• Welche KI-Methoden sind für welche ingenieurtechnischen Problemstellungen in Bau und Umwelt wie am besten zu verwenden? Hierzu werden im Rahmen „subsymbolischer“ KI-Methoden (d.h. Maschinelles Lernen zur Entwicklung „intelligenter“ Verhaltensweisen basierend auf Mustern und statistischer Analyse) unterschiedliche Methoden des Maschinellen Lernens im Sinne der datengetriebenen Modellierung von Ingenieursystemen erforscht.
  • Forschungsprojekte:
    • HyProTwin (Hybrid-KI basierter digitaler Zwilling zur prozessorientierten Informationsbereitstellung heterogener Bestandsdaten von Infrastrukturen)
    • DABKO (Digital optimierte Verpackungsplanung von aktivierten Betonstrukturen in Konrad-Container beim Rückbau kerntechnischer Anlagen, KI: Reinforcement Learning)
    • KISStra (KI-basiertes Indikatorgestütztes Sicherheitsmanagement für die Straßenverkehrsinfra-struktur, KI: Convolutional Neuronal Networks)
    • ZEKISS (Zustandsbewertung von Eisenbahnbrücken und Fahrzeugen mit KI-Methoden zur Aus-wertung von Sensordaten und strukturdynamischen Modellen, KI: Fully Connected Neuronal Networks, in Kooperation mit dem Institut ISM+D am FB13)
    • INSITU (Digitale Tatortdokumentation, KI: Computer Vision)
• Wie können KI-Methoden hybrid weiterentwickelt werden, so dass die Erklärbarkeit und Nachvollziehbarkeit der mit KI generierten Ergebnisse und Erkenntnisse im Sinne einer ingenieurgerechten Validierung erfolgen kann?WoDa: Wissensorientiertes Datenbanksystem Hierzu werden hybride erklärbare KI-Methoden in Bezug auf ingenieurtechnische Problemstellungen erforscht. Dazu werden „symbolische“ KI-Methoden (d.h. die Verwendung formaler Logik und regelbasierten Systemen zur Repräsentation von Wissen und zur Entscheidungsfindung) in Kombination mit subsymbolischen KI-Methoden hybrid hin zu einer erklärbaren KI entwickelt.
  • Forschungsprojekt:
  • WoDa: Wissensorientiertes Datenbanksystem

KI-Methoden in der Sensorik (Kooperationsbedarf mit FB ET IT und Maschinenbau); Computing mit KI-Hardware (Kooperationsbedarf mit FB ET IT und Informatik); Hybride und erklärbare KI (Kooperationsbedarf mit FB Informatik); KI-geeignete Wissensmodellierung (Kooperationsbedarf mit FB Informatik)

Das Institut für Geotechnik befasst sich grundsätzlich sowohl mit Grundlagenforschung als auch mit anwendungsorientierter Forschung ingenieurwissenschaftlicher Aufgabenstellungen. Dabei reichen die Forschungsfelder von der Boden-Bauwerks-Interaktion bei Offshore Windenergieanlagen oder großen Pfahlgruppen über die Weiterentwicklung numerischer Methoden und Anwendungen der KI bis hin zu Fragen des Einflusses des Klimawandels auf geotechnische Strukturen. Wir verfügen über leistungsfähige Forschungslabore für bodenmechanische Versuche sowie mittel- und großmaßstäbliche geotechnische Modellversuche und setzten modernste und teilweise eigens entwickelte numerische Methoden zur Lösung der geotechnischen Fragestellungen ein.

Durch die umfangreichen Datenverarbeitungsfähigkeit von KI-Systemen wird erwartet, dass Künstliche Intelligenz im geotechnischen Ingenieurwesen tiefgreifende Veränderungen in Analyse und Prognose ermöglicht, welche beispielsweise zu einer verbesserten Entwurfspräzision und Risikobewertung führen können. In der Geotechnik werden zudem zahlreiche Bodenverbesserungs- und Bauverfahren verwendet, bei welchen die Baumaschinen mit dem Baugrund interagieren und dabei heute schon umfangreiche Maschinendaten erfassen.

• Intelligente Bodenverdichtung In einem Industrieprojekt wurde für einen Hersteller von Baumaschinen zur Bodenverdichtung eine KI entwickelt, welche in der Lage ist, den Verdichtungsgrad des Baugrunds während des Verdichtungsprozesses zu ermitteln und dem Geräteführer über ein Ampelsystem das Erreichen einer ausreichenden Verdichtung anzuzeigen. Die Vielfältigkeit natürlicher Böden, die Vielzahl der physikalischen Bodeneigenschaften und der Einflussparameter auf den Verdichtungsprozess und den -erfolg im Zusammenspiel mit einer großen Bandbreite an Maschineneinflussparametern machen diese Aufgabe sehr komplex. Anhand von zahlreichen Probeverdichtungen und Testfeldern wurden umfangreiche Felddaten erfasst, geotechnische interpretiert und damit eine Trainingsdatenbank für den ML-Algorithmus aufgebaut.. Über den Bau eines Prototyps wurde die Anwendbarkeit des Systems demonstriert und wird nun für die Serienfertigung vorbereitet.
• Automatische Kalibrierung fortgeschrittener Stoffmodelle Fortgeschrittene Stoffmodelle zur Beschreibung des Spannungs-Dehnungsverhaltens von Böden sind für die numerische Untersuchung komplexer geotechnischer Fragestellungen, wie beispielsweise Erdbebensicherheit und Langzeitverhalten von Offshore-Windenergieanlagen, unerlässlich. Die Bestimmung der Modellparameter ist jedoch komplex, zeitaufwendig und erfordert ein hohes Maß an Expertise. Als Antwort auf diese Herausforderungen haben wir eine Software zur automatischen Kalibrierung solcher Modelle entwickelt. Unter Verwendung von heuristischen Optimierungsalgorithmen er-mittelt sie auf Basis von Laborversuchen einen Parametersatz, der in Bezug auf die Robustheit und Prognosefähigkeit einer klassischen Kalibrierung überlegen ist. Eine zentrale Herausforderung liegt in der stark nichtlinearen und diskontinuierlichen Natur des Optimierungsproblems. Hierfür haben wir ei-nen neuen Optimierungsalgorithmus entwickelt. In diesem Themenfeld forschen wir also sowohl mit der KI, aber auch an der KI.
• Ausblick Die nächsten Schritte befassen sich damit, eine automatische Kalibrierung der fortgeschrittenen Stoffmodelle auf Basis von Feldversuchen wie der Drucksondierung oder einer Kombination von Feldversuchen und Laborversuchen zu ermöglichen. Ein weiteres zukünftiges Forschungsfeld am IfG befasst sich mit der vollständigen oder teilweisen Substitution eben dieser Stoffmodelle durch KI-Systeme. Besondere Herausforderungen sind hierbei das hochgradig nichtlineare, pfad-, spannungs- und dichteabhängige Materialverhalten von Böden.

Optimierungsalgorithmen, physikalisch informierte Optimierung, Analyse großer Datenmengen, Mustererkennung