Die Digitalisierung und Automatisierung des Bauwesens hat zu
einem Paradigmenwechsel in der Baubranche geführt, der neue
Chancen zur Steigerung von Sicherheit, Qualität und Effizienz
von Bauprojekten mit sich bringt. Maschinelle Lernverfahren
haben sich zu einem wertvollen Werkzeug etabliert, das es
ermöglicht, digitale Modelle und Bauablaufpläne zu optimieren,
Bauverfahren zu verbessern, heterogene Bauwerksdaten zuverlässig
zu analysieren, und die unterschiedlichen, am Bauprozess
beteiligten Akteure gezielt zu unterstützen.
Diese Session
widmet sich der Theorie und Praxis von maschinellen
Lernverfahren und den Spezifika, die deren Implementierung im
Bauwesen mit sich bringt. Es werden außerdem aktuelle und
zukünftige Herausforderungen diskutiert, wie die so genannte
"erklärbare Künstliche Intelligenz", für die das Spannungsfeld
aus deterministisch geprägter Baupraxis und den häufig als
"Black-Box" charakterisierten maschinellen Lernverfahren ein
einzigartiger Katalysator ist.
One requirement in tunneling is to follow the planed alignment as precise as possible. Keeping the deviations regarding the alignment minimal is a challenge in the directional control of a tunnel boring machine (TBM). This optimization problem is solved by the TBM drivers, responding steadily to deviations. The experience of the drivers plays a crucial role in successfully steering a TBM and recruiting becomes increasingly exclusive. To assist with the directional control, the Herrenkencht AG draws from machine learning methods to predict the movement of TBMs. The underlying predictive model is trained with data from existing tunnel projects, serving as a basis for a new type of assistance system. The assistance system supports TBM drivers when steering in two aspects: (1) The trajectory along which TBMs are likely to move is predicted and visualized, and (2) the prediction offers the ability to steer pro-actively rather than responding to deviations.
A method is presented that uses the digital documentation on injection sites to calculate automated, construction-accompanying predictions of the still-to-be-expected injection quantities. The method uses a feed forward network trained with real data recorded from waterproofing injections, performed as part of the Stuttgart 21 project at a 3.2 km long twin-tube railway tunnel. The results are compared against those of two other methods. First, a legacy method employed by on-site construction managers, and second, an academic method based on statistics.
Bauwerksmonitoring etabliert sich als Werkzeug der Zustandsüberwachung von Bauwerken immer weiter. Dabei fallen sehr große Datenmengen an, die mit geeigneten Verfahren ausgewertet werden müssen. Im Beitrag wird daher der instationäre Zusammenhang zwischen Luft- und Bauwerkstemperatur einer Brücke über ein Machine-Learning-Modell abgebildet. Anhand dieses Beispiels werden verschiedene Anwendungsfälle für Machine-Learning-Methoden auf Monitoringdaten dargestellt, die aus in der Praxis aufgetretenen Fragestellungen resultieren. Es wird bspw. gezeigt, dass mithilfe dieser Methoden Messfehler erkannt und kompensiert werden können oder das Bauwerksverhalten vorhergesagt werden kann.
In this presetation, we will show how FastAI and Scikit-learn can be used to research, implement, and deploy state-of-the-art deep learning models on problems involving civil engeneering datasets. The focus will be put on typical problems relevant to civil engineering.