Parametrische Modellierung und generatives tiefes Lernen für den Brückenentwurf

Abstract

In Anbetracht der erheblichen Umweltauswirkungen des Bauwesens wird die Analyse und v. a. Optimierung der Nachhaltigkeit von Strukturen unter Beibehaltung des etablierten Zuverlässigkeitsniveaus immer wichtiger. Im Hochbausektor existieren erste Werkzeuge zur Lebenszyklusanalyse, diese sind jedoch nicht direkt übertragbar auf Brückentragwerke. Dieser Beitrag fasst die wesentlichen Ansätze und Ergebnisse von aktuellen Forschungsprojekten der Autoren an der ETH zusammen und erläutert insbesondere einen neuen Deep-Learning-basierten Ansatz zur Erkundung und Modellierung des Entwurfsraums parametrischer Brückenmodelle und deren Leistungsbewertungen und veranschaulicht die Anwendung für eine Mehrzieloptimierung von Stahlbetonrahmenbrücken. Zunächst werden Daten unter Verwendung eines parametrischen Brückenmodells sowie der Ankoppelung von Analysesoftware synthetisch generiert und anschließend bedingte variationelle Autoencoder (CVAE) als Metamodell trainiert. Der CVAE dient im Rahmen des konzeptionellen Brückenentwurfs als effizienter Co-Pilot sowohl für die Vorwärts- als auch Rückwärtsanalyse. Die mit dem CVAE durchgeführte Sensitivitätsanalyse zeigt Beziehungen zwischen Entwurfsparametern und/oder Leistungskenngrößen sowie Optimierungspotenziale auf. Das hier vorgestellte integrierte Framework besitzt das Potenzial zur Realisierung einer effizienten Brückenplanung unter insbesondere den Kriterien der Nachhaltigkeit und Tragsicherheit und kann problemlos auf andere parametrische Fragestellungen erweitert werden.