FH-Kooperativ 1-2023: Digitalisierung von Spundwanddickenmessungen mit KI-basierter Korrosionsprognose (iRON)
KI, Spundwand, Küstenschutz, Prognosealgorithmen, Digitalsierung von Spundwanddickenmessungen
Hochschule Bielefeld Fachbereich Campus Minden Artilleriestr. 9 32427 Minden
Projektbeteiligung
ArcelorMittal Commercial RPS Hamburg Port Authority AöR bremenports Gmbh & Co. KG Rostock Port GmbH
Laufzeit
01.06.2024 – 31.05.2028
Projektförderung
im Rahmen der Förderlinie FH-Kooperativ
Kurzbeschreibung
In einem interdisziplinär aufgestellten Forscherteam aus dem Bauingenieurwesen/Wasserbau (Prof. Andreas Kahlfeld) und der Informatik/KI-Softwareentwicklung (Prof. Grit Behrens) wird eine Applikation zur automatisierten Messaufnahme bei Spundwanddickenmessungen an Ufereinfassungen (Kaianlagen) in deutschen Seehäfen erstellt. Mit dieser Applikation sollen Messaufnahme und Datenbestand digitalisiert werden, so dass der Einsatz von KI-basierten Methoden in der Datenanalyse und bei der Instandhaltung von Wasserbauwerken im Projekt untersucht werden kann.
Zur Instandhaltungsplanung der Hafeninfrastrukturen ist eine Abschätzung der aktuellen und zukünftigen Korrosionszustände unabdingbar, da die in Häfen weit verbreiteten Ufereinfassungen in Spundwandbauweise generell einer großen Exposition von Umweltwirkungen ausgesetzt sind und hohe Korrosionsraten aufweisen.
Im Projekt soll ein wasserbauspezifisches Datenmodell der Bauwerksumgebung entwickelt werden, welches in einer KI-basierten Analyse von Messwerten aus Spundwanddickenmessungen verwendet werden soll. Darauf basierend soll eine Datenbank entwickelt werden, die historische und aktuelle Messreihen von Spundwanddickenmessungen um bauwerksspezifische Modelldaten ergänzt.
Mit Methoden des Maschinellen Lernens sollen typische Muster (Voranschreiten der Korrosion als Zeitreihe, Korrosionsarten, Löcher in Spundwänden, etc.) gelernt werden, um mit einem KI-Algorithmus ein möglichst umfassendes Wissen vom Korrosionsverhalten verschiedener Spundwandtypen in spezifischen Umgebungen zu lernen und für eine KI-basierte Prognose des Korrosionsverhaltens einsetzen zu können.