AI‐driven assessment of steel structures

Die alternde Infrastruktur aus Stahl (Brücken, Industrieanlagen, historische Bauten, Offshore‐Plattformen und Freileitungsmaste) erfordert zuverlässige sowie skalierbare Strategien zur Bewertung ihrer Tragsicherheit. Herkömmliche Inspektionen und Analysen sind jedoch nach wie vor zeitaufwendig, kostenintensiv und invasiv. Jüngste Fortschritte im Bereich der künstlichen Intelligenz (KI) unterstützen zunehmend jede Phase des Bewertungsprozesses – von der automatisierten visuellen und sensorbasierten Inspektion über die hybride, physikalisch‐datenbasierte Restlebensdauervorhersage bis hin zu probabilistischen Entscheidungshilfen. Anhand von elf Fallstudien aus realen Projekten arbeitet dieser Artikel Bedingungen heraus, unter welchen eine KI‐gestützte Bewertung nicht nur theoretisch möglich, sondern praktisch anwendbar wird. Die untersuchten Fälle umfassen die Anomaliedetektion und Schadensidentifikation, die virtuelle Sensorik und Rekonstruktion von Spannungsverläufen, die Ermüdungsbeurteilung, das auf digitalen Zwillingen basierende Monitoring unter realen Betriebsbedingungen, die vorausschauende Instandhaltung, die schadensursachenorientierte datengestützte Überwachung sowie die Zustandsbewertung geschädigter Bauteile. Zusammenfassend lassen sich die Fallstudien am besten nach der Herkunft ihrer Trainingsdaten kategorisieren. Sie weisen auf vier wiederkehrende Voraussetzungen für die praktische Anwendung hin: Erstens muss das Lernen meist unüberwacht (unsupervised) erfolgen, da ein in Betrieb befindliches Tragwerk nicht vorsätzlich beschädigt werden kann, um gelabelte Daten zu erzeugen. Zweitens sind hybride Ansätze (Kombination aus Physik und KI) im Vergleich zu rein datengestützten Modellen einfacher zu implementieren und zu validieren. Drittens lässt sich der messtechnische Aufwand wirtschaftlich optimieren, indem für eine kurze Trainingsphase eine dichte Sensorik installiert und anschließend mit minimaler Ausstattung kostengünstig überwacht wird. Viertens kann die KI als schnelles Ersatzmodell (Surrogat) für ansonsten rechenintensive Simulationen dienen. Die Arbeit schließt mit einer Darstellung der notwendigen Schritte, um KI‐Methoden von Forschungsprototypen in die etablierte Ingenieurpraxis zu überführen, ab und positioniert Tragwerksplanende als fundierte Entscheidungsträger innerhalb eines um KI erweiterten Workflows.

Ageing steel infrastructure (bridges, industrial facilities, heritage buildings, offshore platforms and transmission towers) demands reliable, scalable strategies for structural safety assessment, yet conventional inspection and analysis remain slow, costly and intrusive. Recent advances in artificial intelligence (AI) are increasingly supporting every stage of the assessment process, from automated visual and sensor‐based inspection to hybrid physics–ML remaining‐life prediction and probabilistic decision support. Drawing on eleven case studies from real projects, this paper distils the conditions under which AI‐driven assessment becomes practical rather than merely possible. The cases cover anomaly detection and damage identification, virtual sensing and stress‐history reconstruction, fatigue assessment, digital‐twin‐based monitoring under real operating conditions, predictive maintenance, damage‐source‐oriented data‐driven monitoring, and condition assessment of deteriorating components. Taken together, the cases fall most naturally into categories based on the origin of their training data, and point to four recurring conditions for practical adoption: that learning is typically unsupervised by necessity, since a structure in service cannot be deliberately damaged to produce labelled examples; that hybrid physics‐plus‐AI formulations are more deployable and easier to validate than purely data‐driven ones; that sensing can be economised by instrumenting heavily for a short training campaign and monitoring cheaply thereafter; and that AI can serve as a fast surrogate for otherwise prohibitive computation. The paper concludes by outlining the steps required to move AI from research prototypes into established engineering practice, and by positioning the structural engineer as the informed decision‐maker within an AI‐augmented workflow.