Scan2SAM - Datengetriebene Erzeugung baustatischer Systeme aus 3D-Punktwolken und formalisiertem Wissen zur VPINN-basierten Zustandsprognose

• Antragsteller: Professor Dr.-Ing. Jörg Blankenbach; Professor Dr.-Ing. Sven Klinkel
• Fachliche Zuordnung: Geodäsie, Photogrammetrie, Fernerkundung, Geoinformatik, Kartographie ; Angewandte Mechanik, Statik und Dynamik
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 501834640

Ziel des Vorhabens ist die Entwicklung und Untersuchung von Methoden zur automatisierten Ableitung eines baustatischen Systems aus semantisch segmentierten 3D-Punktwolken sowie Zusatzinformationen, wie Plänen, Bohrkernen und Expertenwissen. Dazu soll zunächst ein Strukturmodell und anschließend ein baustatisches System durch Anreicherung des Strukturmodells mit Randbedingungen mit Hilfe neuro-symbolischer KI generiert werden. Das Strukturmodell stellt eine abstrahierte geometrisch-semantische Repräsentation des Bauwerks dar, die den aktuellen Zustand des Bauwerks abbildet und als Grundlage für die Erstellung des baustatischen Systems dient. Hierfür wird eine räumliche Graphenrepräsentation gewählt, die mit Deep-Learning-Methoden automatisiert aus Punktwolken generiert wird. Wichtige Aspekte des Strukturmodells sind die präzise Erfassung der geometrischen Anordnung und die semantische Beschreibung der Bauteile, die essenziell für eine realitätsnahe Abstraktion des Bauwerks sind. Um die Ergebnisse zu verbessern, werden neuartige neuro-symbolische Verfahren untersucht, die durch die Integration von Regeln und Expertenwissen die Modellgenerierung gezielt steuern und die Plausibilität der Ergebnisse erhöhen. Für die Generierung des baustatischen Systems wird das Strukturmodell durch zusätzliche Informationen wie Randbedingungen und unsichtbare geometrische Details ergänzt. Das baustatische System zeichnet sich durch seine Fähigkeit aus, physikalische Randbedingungen, Materialeigenschaften und strukturelle Zusammenhänge so zu integrieren, dass es für die baustatische Analyse unmittelbar nutzbar ist. Diese Informationen, die in der Regel aus externen Quellen, etwa Plänen und Bohrkernen stammen, werden in das entwickelte Modell integriert. Untersuchungsgegenstand dabei ist die automatisierte und erklärbare Übertragung von relevanten Informationen mittels Clustering und Cross-Attention(CA)-Verfahren. Dadurch entsteht ein vollständiges baustatisches System, welches als Grundlage für die Berechnungsmethoden dient. Auf Basis des baustatischen Systems sowie der Strukturmonitoringdaten sollen Physics-informed Neural Networks (PINNs) und Variational PINNs (VPINNs) zur Prognose geschädigter Bereiche im Bauwerk untersucht werden. Diese Methoden sind in der Lage, neben den physikalischen Feldgleichungen auch Messdaten in die Prognose mit einzubeziehen. Dies erlaubt bei einem vorhandenen Schaden auch die Steifigkeiten als Unbekannte im zu lösenden Problem mit einzubeziehen. Auf dieser Basis wollen wir ein Prognosetool für die Strukturanalyse entwickeln. Betrachtet werden Scheiben, Platten und Balken, schubweiche oder -starre Theorien, wobei untersucht wird, ob PINNs oder VPINNs sich besser für die Schadenprognose aus Messdaten eignen. Diese Ansätze unterscheiden sich insbesondere in der Kontinuitätsanforderung, welche aus der zugrundeliegenden Theorie hervorgeht. Ein wichtiger Aspekt ist die Prognosequalität im Verhältnis zur Menge der vorhandenen Messdaten.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 2388: Hundert plus - Verlängerung der Lebensdauer komplexer Baustrukturen durch intelligente Digitalisierung