Der Erhalt von Brückenbauwerken bei gleichzeitiger Gewährleistung der Sicherheit erhöht die Relevanz automatisierter Monitoringsysteme. Die Regression Based Thermal Response Prediction Method (RBTRPM) aus dem Bereich des maschinellen Lernens ist eine vielversprechender Ansatz zur automatisierten Erkennung struktureller Änderungen. Die auf Grundlage von Temperaturmessungen vorhergesagten Tragwerksreaktionen mithilfe von Machine‐Learning‐Modellen werden dem gemessenen Tragverhalten gegenübergestellt und die Abweichungen erkannt und bewertet. Obwohl die RBTRPM bereits 2014 eingeführt wurde, war die praktische Anwendung bisher begrenzt. In dem Beitrag wird die Anwendung der RBTRPM am Beispiel der Eisenbahnüberführung (EÜ) Itztalbrücke in der Praxis analysiert. Fokus der Untersuchungen sind der Zeitpunkt des Trainings der ML‐Modelle sowie die Länge des Trainingszeitraums. Beide Parameter haben einen signifikanten Einfluss auf die Vorhersagegenauigkeit. Ziel ist es, die Methode möglichst schnell in die Anwendung zu bringen, um strukturelle Anomalien frühzeitig zu erkennen. Bei einem kleinen Zeitraum können die Modelle jedoch u. U. keine hohe Genauigkeit erzielen. Diese Gratwanderung wird untersucht und entsprechende Empfehlungen werden aufgezeigt. Zudem wird festgestellt, dass das Extrapolieren mithilfe solcher Modelle zu ungewünschten Effekten führt. Die Untersuchungen bestätigen die Wirksamkeit der RBTRPM auch in der Praxis, sie erfordert jedoch eine sorgfältige Auswahl der Trainingsparameter.

The maintenance of bridge structures while ensuring safety increases the importance of automated monitoring systems. The Regression Based Thermal Response Prediction Method (RBTRPM) from the field of machine learning is a promising approach for the automated detection of structural changes. Structural responses predicted based on temperature measurements using machine learning models are compared with the measured structural behaviour, with deviations identified and evaluated. Although RBTRPM was introduced in 2014, its practical application has been limited. This paper analyses the practical application of RBTRPM using the example of the Itztal bridge. The focus of the study is on the timing of model training and the length of the training period, as both parameters have a significant impact on prediction accuracy. The aim is to implement the method as quickly as possible to enable the early detection of structural anomalies. However, with a short measurement period, the models may not achieve high accuracy. This balance is explored, and corresponding recommendations are provided. It is also noted that extrapolating with such models leads to undesired effects. The study confirms the effectiveness of RBTRPM in practice, though it requires a careful selection of training parameters.