Einfluss des Trainingszeitraums auf die Anomalieerkennung in Monitoringdaten von Brücken

Abstract

Der Erhalt von Brückenbauwerken bei gleichzeitiger Gewährleistung der Sicherheit erhöht die Relevanz automatisierter Monitoringsysteme. Die Regression Based Thermal Response Prediction Method (RBTRPM) aus dem Bereich des maschinellen Lernens ist eine vielversprechender Ansatz zur automatisierten Erkennung struktureller Änderungen. Die auf Grundlage von Temperaturmessungen vorhergesagten Tragwerksreaktionen mithilfe von Machine-Learning-Modellen werden dem gemessenen Tragverhalten gegenübergestellt und die Abweichungen erkannt und bewertet. Obwohl die RBTRPM bereits 2014 eingeführt wurde, war die praktische Anwendung bisher begrenzt. In dem Beitrag wird die Anwendung der RBTRPM am Beispiel der Eisenbahnüberführung (EÜ) Itztalbrücke in der Praxis analysiert. Fokus der Untersuchungen sind der Zeitpunkt des Trainings der ML-Modelle sowie die Länge des Trainingszeitraums. Beide Parameter haben einen signifikanten Einfluss auf die Vorhersagegenauigkeit. Ziel ist es, die Methode möglichst schnell in die Anwendung zu bringen, um strukturelle Anomalien frühzeitig zu erkennen. Bei einem kleinen Zeitraum können die Modelle jedoch u. U. keine hohe Genauigkeit erzielen. Diese Gratwanderung wird untersucht und entsprechende Empfehlungen werden aufgezeigt. Zudem wird festgestellt, dass das Extrapolieren mithilfe solcher Modelle zu ungewünschten Effekten führt. Die Untersuchungen bestätigen die Wirksamkeit der RBTRPM auch in der Praxis, sie erfordert jedoch eine sorgfältige Auswahl der Trainingsparameter.