Im Forschungsprojekt "dtec.bw RISK.twin - Intelligente kritische technische Infrastruktur: Von der Realität zum hybriden digitalen Zwilling“ wird interdisziplinär an der Umsetzung von hybriden digitalen Zwillingen geforscht. Gemeinsam mit den Fakultäten HUM, INF, SOWI sowie den Instituten BAU1 und BAU6 forscht das Institut für konstruktiven Ingenieurbau im Massivbau im Arbeitspaket 1 an der Umsetzung von digitalen Zwillingen für Brückenbauwerken.
Im Arbeitspaket 1.1 werden die technischen Grundlagen für auf künstlicher Intelligenz (KI) basiertes Monitoring geschaffen, um geeignete Sensoren zu identifizieren und KI-basierte Lösungen zu erproben. Darüber hinaus wurde an der Isenbrücke in Schwindegg (Lkr. Mühldorf am Inn) ein Brückenneubau mit 140 Sensoren ausgestattet. Mit eigens hierfür hergestellter Infrastruktur (Strom + Internet) vor Ort werden die sensorischen Messgrößen Dehnung, Setzung, Temperatur, Beschleunigung, Neigung, Erddruck und Wetterdaten in unterschiedlichen Frequenzen abgetastet. Die Daten laufen automatisiert in den digitalen Zwilling ein. Dieser wurde auf Grundlage der Industrie 4.0 Technologie „Verwaltungsschale“ konzipiert. Im Konfigurator für Verwaltungsschalen für Brückenbauwerke (Bridge Box, kurz: BBox) wird das Bauwerk durch ein Einspielen des Bauwerksbuchs auf Grundlage der ASB-ING erstellt. Jeder Sensor wird über eine Messstelle an ein Bauteil zugeordnet und verortet. Die sensorischen Daten werden in Sensorkonfigurationen eingespielt und im S3-Speicher abgelegt. Im über Widgets frei konfigurierbaren Dashboard können die Messdaten je Sensor angezeigt werden.
Im Rahmen des Arbeitspakets 1.2 (KI basierte Prognosemodelle) treibt ein Konzept von Structural Health Information Pattern (SHIP) die Zustandsüberwachung und das intelligente Erhaltungsmanagement voran. Das extrahierte Informationsmuster SHIP aus den Messdaten eines sensorbasierten Monitorings informiert über einen strukturellen Gesundheitszustand, der auch mithilfe von ersten Hauptkomponenten abbildbar ist. Jede Hauptkomponente ist hierbei eine Linearkombination standardisierter Messwerte von Sensoren und trägt eine entsprechende Relevanz, die von der Interpretation und der Variabilität der Messdaten abhängt. Es werden algorithmische Methoden entwickelt, um die Erkennung von SHIPs in Big Data des Monitorings an Versuchsobjekten zu verbessern und so praxisnah wie möglich darzustellen. Dies erfolgt von der Datenvorverarbeitung bis zur Datenanalyse und Interpretation algorithmischer Lösungen. Damit werden wichtige Key Performance Indikatoren für die intelligente Zustandsüberwachung erstellt.
Diese Forschungsarbeit im Projekt RISK.twin wird durch dtec.bw – Zentrum für Digitalisierungs- und Technologieforschung der Bundeswehr gefördert. dtec.bw wird von der Europäischen Union – NextGenerationEU finanziert. Projektlaufzeit: 01.01.2021 - 31.12.2026