Prognose von Messdaten beim Bauwerksmonitoring mithilfe von Machine Learning

In diesem Aufsatz wird der nichtlineare bzw. instationäre Zusammenhang zwischen Luft- und Bauwerkstemperatur über ein Machine-Learning-Modell abgebildet. Anhand dieser Problemstellung werden verschiedene Anwendungsfälle für Methoden des maschinellen Lernens (Regression) auf Monitoringdaten dargestellt, die aus in der Praxis aufgetretenen Fragestellungen resultieren. Dazu wird auf neuronale Netze als Methode des Machine Learnings spezifisch eingegangen, die im Kontext von Langzeitmonitoringdaten an Talbrücken der VDE 8 angewandt werden. Es wird bspw. gezeigt, dass mithilfe dieser Methoden Messfehler erkannt und kompensiert werden können oder das Bauwerksverhalten vorhergesagt werden kann. Im Ergebnis wird festgehalten, dass diese Methoden ein großes Potenzial für die automatisierte Auswertung großer Datenmengen aufweisen, da keine komplexen physikalischen Modelle benötigt werden. Der Aufsatz legt dabei den Fokus stärker auf die Anwendung von KI-Methoden als auf den mathematischen bzw. theoretischen Hintergrund der Methoden.

Prediction of the bridge temperature using monitoring data and machine learning
In this paper, the nonlinear or rather transient relationship between the air temperature and the building temperature is simulated by a machine learning model. Based on this modelling, different use cases for the application of machine learning regression methods to monitoring data are presented, which resulted from practical questions. Basic knowledge of neural networks will be given and for the calculations, long-term monitoring data of valley bridges from VDE 8 are used. It is shown, for example, that these methods can be used to detect and compensate measurement errors or to predict the behaviour of structures. The results show that these methods, have a great potential for the evaluation of large amounts of data since no physical models are required. The paper focuses more on the application of AI methods rather than on the mathematical or theoretical background of the methods.