Zustandsprognose von Ingenieurbauwerken auf Basis von digitalen Zwillingen und Bestandsdaten

Der Zustand von Ingenieurbauwerken ist von besonderer Bedeutung für den Erhalt und sicheren Betrieb der Verkehrsinfrastruktur. Für ein wirtschaftliches Instandhaltungsmanagement ist die Kenntnis zum aktuellen Zustand eines Bauwerks daher zentral. Neben dem aktuellen Zustand ergeben sich wirtschaftliche Instandhaltungsstrategien aus der Kenntnis der zukünftigen Zustandsentwicklung eines Bauwerks. Durch eine intelligente Datenverknüpfung von Bestandsdaten kann die Entwicklung eines Bauwerks abgeschätzt und so vorausschauend Instandhaltungsmaßnahmen abgeleitet werden. Der Beitrag stellt einen Ansatz vor, wie auf Basis der Methode Building Information Modeling (BIM) und digitaler Bauwerksmodelle über die Verknüpfung mit betreiberbezogenen Bestandsdaten und Structural Health Monitoring (SHM) datenbasiert Prognosen zum Bauwerkszustand von Eisenbahnbrücken abgeleitet werden können. Hierfür werden Verfahren des Machine Learnings (ML) auf die Bestandsdaten zu den Brückenbauwerken der DB Netz AG angewendet und systembezogen ausgewertet. Durch das objektive und datengetriebene Bewertungsverfahren wird eine weitere Grundlage für belastbare Entscheidungen im Instandhaltungsmanagement gelegt.

Condition state prediction of engineering structures based on digital twins and inspection data
The condition state of engineering structures is significantly important for the maintenance and safe operation of the transport infrastructure. Knowledge of the current condition state of a structure is therefore crucial to economic maintenance management. In addition to the current condition state, economic maintenance strategies are based on knowledge of the future development of a structure's condition. The future condition development of a structure can be estimated by an intelligent data linkage of bridge data and thus maintenance measures can be derived in advance. The paper presents an approach to derive data driven predictions of the condition states of railway bridges based on Building Information Modeling (BIM) and digital building models, linked with inspection data and Structural Health Monitoring (SHM). For this purpose, Machine Learning (ML) methods are applied to the aggregated data of the bridge structures of the DB Netz AG and evaluated in an asset related manner. The objective and data driven prediction provides a further basis for reliable decisions in maintenance management.