Zustandsprognose von Eisenbahnbrücken mit Verfahren des maschinellen Lernens

Hubert Edward Naraniecki

AutorIn

Hubert Edward Naraniecki

Titel

Zustandsprognose von Eisenbahnbrücken mit Verfahren des maschinellen Lernens

Zitierfähige Url:

https://nbn-resolving.org/urn:nbn:de:bsz:14-qucosa2-941607

Übersetzter Titel (EN)

Condition prediction of railway bridges using machine learning methods

Erstveröffentlichung

2024

Datum der Einreichung

30.05.2024

Datum der Verteidigung

27.09.2024

Abstract (DE)

Die Bedeutung von Brücken für Mobilität und Warentransport, das hohe Bauwerksalter und die gestiegenen Verkehrseinwirkungen bewirken, dass der Bauwerkserhalt zunehmend an Gewicht gewinnt. Sowohl für Eisenbahn- als auch für Straßenbrücken wird national eine reaktive Instandhal-tungsstrategie angewendet, wodurch erst nach Schadenseintritt Instandhaltungsmaßnahmen geplant werden können. Die angewendete Instandhaltungsstrategie führt unter anderem zu nicht planbaren und langwierigen Verfügbarkeitseinschränkungen der Bauwerke. Um den beschriebe-nen Problemen zu begegnen, braucht es einen Wandel der derzeitigen Instandhaltungsstrategie. Die prädiktive Instandhaltungsstrategie verfolgt das Ziel, Zustandsänderungen mithilfe von Zu-standsprognosemodellen vorherzusagen und somit frühzeitig Probleme zu identifizieren und zu lösen. Unter anderem können Zustandsprognosemodelle auf Infrastrukturdaten basieren, welche in Brücken-Management-Systemen der Infrastrukturbetreiber gespeichert sind. Die vorliegende wissenschaftliche Arbeit beschäftigt sich mit Zustandsprognosemodellen für Eisen-bahnbrücken in Deutschland und deren möglicher Anwendung in einem Instandhaltungsmanage-ment. Mit der Kombination unterschiedlicher Arten von Infrastrukturdaten aus dem Brücken-Management-System der DB Netz AG wurde eine Datengrundlage für die Erstellung von Zustands-prognosemodellen geschaffen. Als wesentliche, bisher noch nicht verwendete Eingangsmerkmale wurden Schäden integriert und untersucht, ob diese die Leistung von Prognosemodellen verbes-sern können. Entscheidungsbäume als erklärbares maschinelles Lernverfahren sowie Multi-Layer Perceptrons als sogenannte Black-Box Modelle wurden für das Training von Zustandsprognosemo-dellen verwendet. Für die Hauptbauarten (Stahlbeton, Spannbeton, Stahl, Walzträger in Beton und Gewölbe) von Eisenbahnbrücken wurden für die Bauwerksteile Überbauten, Widerlager und Pfeiler jeweils Modelle zur Zustandsprognose erstellt. Durch das Einbeziehen von Schäden als Merkmale konnten ähnlich gute Prognoseleistungen mit beiden maschinellen Lernverfahren erzielt werden. Weiterhin konnte anhand der wichtigsten Merkmale der Modelle gezeigt werden, dass Schäden einen erheblichen Einfluss auf die Zustandsprognose besitzen. Mit den ähnlichen Progno-seleistungen zwischen Entscheidungsbäumen und Multi-Layer Perceptrons wurde ersichtlich, dass mit Schäden als Merkmale auch simple erklärbare Lernverfahren für die Zustandsprognose auf Grundlage von Infrastrukturdaten eingesetzt werden können. Die trainierten Modelle wurden bezüglich ihrer praktischen Anwendbarkeit bewertet. Für Brücken aus Spannbeton und Stahl sowie für Walzträger in Beton Brücken konnten ausgeglichene Modelle trainiert werden, welche eine gute Vorhersage aller Zustände ermöglichen und einen geringen kritischen Fehlklassifikationsanteil besitzen. Zum Ende der Arbeit wurden die Anwendung der Zustandsprognosemodelle sowie die damit einhergehenden Grenzen aufgezeigt. Die auf Schäden basierten Zustandsprognosemodelle sind von den in Inspektionen aufgenommenen Schäden und der Entwicklung der Schadensausprägun-gen abhängig. Für einen Vergleich der prognostizierten Zustände wurden bauartenbezogene Alte-rungskurven aus Inspektionsdaten mit einem Erfassungszeitraum von ungefähr 21 Jahren abgelei-tet. Die aus den Zustandsprognosemodellen abgeleiteten Alterungskurven liefern einen prädikti-ven Ansatz für das Instandhaltungsmanagement und damit eine mögliche Grundlage für den Wandel der Instandhaltungsstrategie.

Freie Schlagwörter (DE)

Eisenbahnbrücken, Zustandsprognose, Instandhaltungsmanagement, Brückeninstandhaltung

Klassifikation (DDC)

625

Klassifikation (RVK)

ZI 6654

GutachterIn