Künstliche Intelligenz hilft beim Entwurf und Erhalt von Brücken

Die Bilder der eingest¨¹rzten Strassenbahnbr¨¹cke ¨¹ber der Elbe in Dresden gingen im September 2024 um die Welt. Wie durch ein Wunder kam niemand ums Leben. Anders beim Einsturz des Autobahnviadukts 2018 in Genua, bei dem 43 Menschen starben. Ursache beider Ungl¨¹cke waren nicht ?ussere Einwirkungen, sondern mit dem Alter der Bauwerke einhergehende Sch?digungsprozesse, die nicht rechtzeitig erkannt respektive behoben wurden. ?Auch in der Schweiz n?hert sich ein betr?chtlicher Anteil der Infrastrukturbauten dem Ende der geplanten Nutzungsdauer und muss ¨¹berpr¨¹ft und gegebenenfalls verst?rkt werden?, sagt Sophia Kuhn: ?Wir entwickeln ein Werkzeug, das dazu beitr?gt, Br¨¹cken m?glichst lange in Betrieb zu halten und damit Ressourcen zu schonen, ohne dabei unverh?ltnism?ssige Risiken von Unf?llen einzugehen.?

Sophia Kuhn ist Doktorandin in der Forschungsgruppe von Professor Walter Kaufmann am Institut f¨¹r Baustatik und Konstruktion der ETH Z¨¹rich. Ihr Doktorat wird von Professor Fernando P¨¦rez-Cruz aus dem Departement Informatik der ETH Z¨¹rich und Professor Michael Kraus von der TU Darmstadt mitbetreut. Sie konzentriert sich in ihrer Forschung auf die Nutzung k¨¹nstlicher Intelligenz im Bauwesen, insbesondere Algorithmen des maschinellen Lernens.

In Zusammenarbeit mit ihrem Kollegen Marius Weber und den SBB entwickelte sie ein KI-Modell f¨¹r sogenannte Rahmenbr¨¹cken ¨C einfache Bahnbr¨¹cken aus Stahlbeton, die in der Schweiz besonders h?ufig vorkommen und eine ?ber- oder Unterf¨¹hrung von Strassen und Fusswegen erm?glichen. Das KI-Modell liefert praktisch auf Knopfdruck eine erste Einsch?tzung der Tragsicherheit, sagt also effizient voraus, ob eine Br¨¹cke potenziell statisch kritisch ist oder nicht. ?Dies erm?glicht es, Priorit?ten zu setzen, welche Br¨¹cken zeitnah eine statische ?berpr¨¹fung und gegebenenfalls bauliche Massnahmen erfordern?, sagt Kuhn. 

KI sch?tzt Erfolg von Analysen ab

Das Modell liefert nicht nur einen Vorhersagewert zur strukturellen Sicherheit, es gibt auch an, ob man diesem Wert vertrauen kann; es quantifiziert also die Unsicherheit des Modells. Und es hilft insbesondere auch beim Entscheid ¨¹ber das weitere Vorgehen bei der statischen ?berpr¨¹fung einer Br¨¹cke. Dabei f¨¹hren Ingenieure zwar in jedem Fall mehr oder weniger aufw?ndige Computerberechnungen durch.

Es gibt daf¨¹r aber einerseits herk?mmliche Methoden, die mit verh?ltnism?ssig kleinem Aufwand Resultate liefern, und andererseits verfeinerte Analysen, die wesentlich zeit- und rechenintensiver und damit teurer sind, daf¨¹r aber genauere und weniger konservative Resultate liefern. ?Oft weiss man nicht, ob diese verfeinerten Analysen ¨¹berhaupt sinnvoll sind oder nur unn?tige Kosten verursachen?, erkl?rt Kuhn: ?Unser KI-Werkzeug kann absch?tzen, ob solche Analysen erfolgversprechend sind und sich der damit verbundene Aufwand lohnt.?

Simulations-Pipeline liefert zus?tzliche Daten

Als Grundlage des Modells diente den Forschenden das Portfolio der SBB-Rahmenbr¨¹cken. ?Wir haben uns viele Beispiele angeschaut ¨C wie sie gebaut wurden, wie variabel sie sind ¨C und darauf basierend eine parametrische Simulationspipeline entwickelt?, erz?hlt die Forscherin. Diese erzeugte aus verschiedenen Br¨¹ckenparametern virtuelle Bauwerke sowie berechnete den Erf¨¹llungsgrad der statischen Auslastung und generierte so weitere Daten.

Dann erstellten die Forschenden ein k¨¹nstliches neuronales Netzwerk, also einen Algorithmus, der aus den Daten lernt, wie unser Gehirn. So entstand das auf maschinellem Lernen beruhende Modell, das die gew¨¹nschten Vorhersagen f¨¹r viele bestehende Rahmenbr¨¹cken liefert, selbst wenn diese weder von Ingenieuren noch von der Simulations-Pipeline berechnet wurden. ?Wir haben unser Modell auf Testdaten validiert und an realen Br¨¹ckenbeispielen gepr¨¹ft?, erkl?rt Kuhn: ?Es zeigt eine gute ?bereinstimmung und die f¨¹r die SBB erforderliche Genauigkeit. Damit haben wir einen ersten Prototyp entwickelt.? In einem n?chsten Schritt m?chte sie gemeinsam mit der SBB sicherstellen, dass Br¨¹ckeningenieure das Modell praktisch anwenden k?nnen, und dann eine breitere Anwendbarkeit des Modells erm?glichen.

KI-Assistent kehrt Designprozess um

In einem zweiten Projekt der Professur Kaufmann befassten sich Sophia Kuhn in Zusammenarbeit mit Professor Michael Kraus und dem Swiss Data Science Center mit dem Entwurf neuer Br¨¹cken. ?Unser Ziel war, einen KI-Assistenten zu entwickeln, der das Ingenieurteam beim Entwurf der Br¨¹cke aktiv unterst¨¹tzt und zu kosteneffizienten, m?glichst nachhaltigen Strukturen f¨¹hrt, ohne die Sicherheit zu beeintr?chtigen?, erkl?rt Kuhn. Traditionellerweise machen die Ingenieure einen Br¨¹ckenentwurf und wenden dann eine herk?mmliche Berechnungssoftware an, um die statische Sicherheit, die Gebrauchstauglichkeit, die Kosten und weitere Eigenschaften zu bestimmen. Entsprechen diese Werte nicht den Vorgaben, ver?ndert das Team das Design, bis die Projektziele erf¨¹llt sind ?¨C ein langwieriger Prozess, bei dem viele Potenziale ungenutzt bleiben.

?Eigentlich m?chte man diesen Prozess umkehren. Dies ist mit herk?mmlicher Berechnungssoftware jedoch nicht m?glich?, sagt die Bauingenieurin. ?Gerne w¨¹rde man die Projektziele und Randbedingungen eingeben und dann ohne aufw?ndige Iterationen Vorschl?ge von Entw¨¹rfen bekommen, die diese Vorgaben erf¨¹llen.?

Genau dies kann der KI-Assistent, den die Forschenden entwickelten, bei dem sogenannte generative KI-Algorithmen eingesetzt wurden. Er beschleunigt nicht nur den Vorw?rts-Ansatz, indem er verschiedene Entw¨¹rfe quasi in Echtzeit bewertet, sondern generiert auch proaktiv Entw¨¹rfe, die den definierten Einschr?nkungen und Zielen entsprechen.

Als Fallbeispiel, um ihren KI-Assistenten zu entwickeln, nutzten die Forschenden in Zusammenarbeit mit Kollegin Vera Balmer das Projekt einer Fussg?ngerbr¨¹cke in St. Gallen, die das Ingenieurunternehmen Basler und Hofmann zusammen mit Nau2 und dgj Landscapes bereits entworfen hatte. Diese Br¨¹cke, der sogenannte Wiborada-Steg, f¨¹hrt durch einen Park in der Altstadt und sollte m?glichst keine der gesch¨¹tzten B?ume tangieren.

W?hrend ihrer Arbeit an diesem Projekt standen die ETH-Forschenden in Kontakt mit dem Ingenieurb¨¹ro, das von der Pr?sentation der Ergebnisse beeindruckt war. Der KI-Assistent lieferte verschiedene m?gliche Br¨¹ckenbeispiele und machte zudem eine sogenannte Sensitivit?tsanalyse, die angab, welcher Parameter am meisten Einfluss beispielsweise auf die normgem?sse Tragsicherheit, die gesch?tzten Kosten oder die Nachhaltigkeit hat.

?Der KI-Assistent unterst¨¹tzt so den Ingenieur, doch er ersetzt ihn nicht?, ist Kuhn ¨¹berzeugt. Schl?gt der KI-Assistent beispielsweise ein unerwartetes Design vor, das zwar die Vorgaben zur Tragsicherheit und Umweltvertr?glichkeit erf¨¹llt, m¨¹ssen die Ingenieure dennoch beurteilen, ob sich diese Br¨¹cke ¨¹berhaupt bauen l?sst und ob sie auch langlebig ist. ?Wir liefern keine L?sung mit einem einzigen Klick; es geht immer um eine Interaktion zwischen dem Ingenieur und der KI?, sagt die Forscherin.

Werkzeugkasten f¨¹r angepasste KI-Modelle

Die fortschrittlichen Techniken des maschinellen Lernens lassen sich nicht nur im Br¨¹ckenbau anwenden. Zusammen mit weiteren ETH-Forschenden aus dem Swiss Data Science Center und aus der Architekturprofessur Gramazio Kohler Research entwickelte die Forschungsgruppe aus der Professur Kaufmann einen Werkzeugkasten, der KI-Algorithmen auch anderen Ingenieuren und Architekten zug?nglich macht, ohne dass es daf¨¹r grosse Programmierkenntnisse braucht.

?Mit unserer Open-Source-Toolbox kann man mit wenigen Zeilen Code sowohl Vorw?rts-Modelle als auch generative Modelle bauen, mit denen sich komplexe, hochdimensionale Probleme in Architektur, Ingenieurwesen, Bauindustrie und weiteren Bereichen l?sen lassen?, erkl?rt Sophia Kuhn. Damit soll die wirtschaftliche und nachhaltige Planung im Bauwesen auf breiter Basis gef?rdert werden. ?Im Bausektor sind solche L?sungsans?tze noch weniger verbreitet als in anderen Industrien wie etwa dem Maschinenbau?, sagt Kuhn: ?Hier gibt es noch viel Potenzial, um mit datengest¨¹tzten Methoden effizienter und nachhaltiger zu werden. Und das ist auch unser Ziel.?