Analyse des Brückenbestands und Entwicklung von Design-Prior-Modellen
Autorin: Isabel Stang
Sprache: Englisch
Kurzfassung
Heutzutage basiert das statische Konzept von Bauwerken hauptsächlich auf der Erfahrung des Ingenieurteams und vorliegenden Referenzprojekten. Diese Masterarbeit untersucht das Potenzial von Maschinellem Lernen (ML) zur Unterstützung des konzeptionellen Brückenentwurfs. Verschiedene ML-Modelle werden auf einen Datensatz bestehender Brücken angewandt, um Entwurfsmuster zu lernen und Design-Prior-Modelle zu erstellen.
Die Studie konzentriert sich auf Betonrahmenbrücken, hauptsächlich einfeldrige Bahnbrücken. Zunächst wird eine Clusteranalyse durchgeführt, um Zusammenhänge in den Daten zu erkennen. Bei der Clusterbildung werden Bahnbrücken anhand ihrer Spannweite, lichten Höhe, Fahrbahnhöhe und des Rahmentyps unterschieden. Strassen- und Fussgängerbrücken bilden eigene Cluster. Anschliessend werden verschiedene diskriminative Modelle (lineares Modell, Entscheidungsbaum, gradientenverstärkter Entscheidungsbaum, neuronales Netz) verglichen, um Modelle zu entwickeln, welches geeignete Brückenkennwerte für eine neue Projektsituation vorhersagen kann. Die Modelle erkennen Beziehungen zwischen den Parametern, die für Betonrahmenbrücken als sinnvoll erachtet werden. Der CatBoost-Algorithmus überzeugt durch seine Genauigkeit, seine Erklärbarkeit und seine einfache Implementierung.
Eine Herausforderung stellt das Klassenungleichgewicht in den Daten dar, das trotz der Einführung einer Klassengewichtung zu einer ungenauen Vorhersage der unterrepräsentierten Klassen führt. Zusätzlich wird ein generatives Modell, ein Conditional Autoencoder, untersucht, das verschiedene Entwurfsalternativen für neue Projektsituationen generieren kann. Jedoch muss die Modellgenauigkeit verbessert werden, um die Entwurfsmuster für den Entwurfsprozess nutzen zu können.
Die Anwendbarkeit der ML-Modelle wird anhand zweier Beispielprojektsituationen von gebauten Betonrahmenbrücken demonstriert. Die Clusteranalyse liefert zusätzliche Informationen über Brückentypen für den konzeptionellen Entwurf. Während Diskriminative Modelle eine „Best-Fit“-Lösung vorschlagen, können generative Modelle mehrere geeignete Alternativen identifizieren, welche als konkreter, auf bestehenden Brücken basierender Ausgangspunkt für den Entwurfsprozess dienen können.
Die Ergebnisse zeigen wie ML für den konzeptionellen Entwurf von Tragwerken von Nutzen sein kann und sollen ein Anreiz sein, umfangreichere und strukturierte Datenbanken bestehender Bauwerke zu erstellen.
