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

Logo des BMBF


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.