Innovationen im Tragwerksentwurf – die Zukunft erschließen

Versuchen wir, einen kleinen Blick in die nahe Zukunft unseres Fachgebiets zu werfen.

Wie wird es sein, ein Bauingenieur zu sein?

Gehört der Beruf des Bauingenieurs zu den Berufen, die durch das Aufkommen der KI gefährdet sind? Zumindest nicht so sehr, nicht so bald. Die Anzahl der Variablen, die in jede Zuweisung eingehen, ist einfach zu hoch, um von Algorithmen abgedeckt zu werden. Und das nicht wegen der notwendigen Rechenleistung, sondern wegen nicht synchronisierter und nicht kooperierender Datenbanken aus verschiedenen Bereichen und wegen des menschlichen gesunden Menschenverstandes, der nötig ist, um aus dem ganzen Datenchaos einen Sinn zu machen.

Wird andererseits der Arbeitsalltag eines Bauingenieurs genauso aussehen wie heute? Papierzeichnungen, Handbemerkungen, Hunderte von DWGs und PDFs , endlose Tabellenkalkulationen, Strukturmodelle unterschiedlicher Granularität (nicht bereit, miteinander zu kommunizieren), Hunderte von E-Mails und Chat-Nachrichten über die Projekte, Fälligkeitstermine, Budgets, lange Stunden im Büro voller Akten, Bücher, Designvorschriften, Handbücher und Bauzeitschriften? 

Hoffentlich nicht.

Aber was können wir verbessern, um von der heutigen Realität in eine viel gastfreundlichere Umgebung in der Zukunft zu gelangen? Wenn wir intelligent statt hart arbeiten wollen, sollten wir die sich bietenden Möglichkeiten nutzen. Und wenn sie jetzt nicht sichtbar sind, könnten wir einen Blick in einige benachbarte Bereiche wie den Maschinenbau werfen, wo Ausdrücke wie maschinelles Lernen, Big-Data-Verarbeitung oder Topologieoptimierung bereits seit einiger Zeit verwendet werden.

Was schon jetzt klar ist: Auch wenn die Berufsbezeichnung Bauingenieur bestehen bleibt, ist der Bedarf an neuen Fähigkeiten und Fertigkeiten unvermeidlich. Kenntnisse in Mathematik, Physik, Strukturmechanik, Materialien und Designvorschriften werden nicht mehr ausreichen. Es werden völlig neue digitale Fähigkeiten erforderlich sein – Arbeiten mit Daten, Aufbau von Datenverknüpfungen zwischen verschiedenen Tools, Verwendung von parametrischem Design , Verständnis für maschinelles Lernen, Kenntnisse in der effizienten Erstellung von Eingabeaufforderungen usw.

Ein sehr wichtiger Aspekt, der in diesem Beitrag bisher nicht behandelt wurde, aber dennoch sehr wichtig im Entwurfsprozess ist, sind Regierungen, Normen und Prüfstellen. Diese dürfen nicht außer Acht gelassen werden, denn ohne Akzeptanz und Zusammenarbeit in diesem Umfeld wäre der technologische Fortschritt wesentlich schneller, als die Reaktion der Ingenieursgemeinschaft sein könnte.

Topologieoptimierung

Worum geht es? Um es einfach auszudrücken: Es ist so, als würde man eine schwierige Aufgabe lösen, bei der man über eine bestimmte Menge an Bausteinen (oder Material) verfügt, um eine Struktur zu schaffen, und diese stark genug sein soll, um dem Gewicht standzuhalten, aber man hat nur eine begrenzte Anzahl der zu verwendenden Blöcke.

Bei der Topologieoptimierung werden Berechnungsalgorithmen verwendet, um herauszufinden, wie wir unsere Blöcke am besten platzieren können. Das Programm experimentiert mit verschiedenen Designs und probiert Hunderte von Variationen aus, wo die Blöcke platziert werden sollen, um die Struktur so stabil wie möglich zu machen und gleichzeitig so wenige Blöcke wie nötig zu verwenden . Es ist, als würde der Computer alle möglichen Brückenkonstruktionen testen, um herauszufinden, welche das meiste Gewicht tragen kann, ohne herunterzufallen, aber gleichzeitig auch keine Blöcke verschwendet.

Diese Methode hilft Ingenieuren und Konstrukteuren, sehr effiziente und manchmal ungewöhnlich aussehende Strukturen zu entwickeln, die ihre Aufgabe mit möglichst wenig Material erfüllen. Es ist eine intelligente Art, Dinge zu entwerfen, weil es Material spart, Gewicht reduziert und oft zu innovativen Designs führt, an die wir alleine vielleicht nicht denken würden.

Im Bild oben sehen Sie drei optimierte Entwürfe einer dreidimensionalen Brücke in Verbindung mit unterschiedlichen Fixierungsoptionen [K. Bando, R. Din, M. Fouquerand, L. Gilbert, A. Moissenot und M. Nicolas, Optimierung einer Struktur und Anwendungsarchitektur, PSC MEC07, Ecole Polytechnique (X), 2016].

Was ist bereits verfügbar?

IDEA StatiCa Detail , das vielleicht fortschrittlichste Entwurfstool für Strukturen im Stahlbeton, das derzeit verfügbar ist, ist in der Lage, dem Benutzer eine Topologieoptimierung basierend auf Spannungsflüssen in der zugewiesenen Geometrie anzuzeigen. Dieses Tool zeigt dem Konstrukteur sehr deutlich und visuell, welche Positionen und Richtungen für Bewehrungsstäbe am effizientesten sind. Sie können unseren Blogartikel zum Thema Topologieoptimierung durchblättern .

Selbst diese leistungsstarken und fortschrittlichen Modelle sind nur der Anfang dessen, was möglich sein könnte, wenn man sie ernsthaft anwendet. Wir kennen bereits Hunderte von Entwürfen, bei denen die Geometrie auf organischen Formen basiert und viel mehr wie ein Bild aus einem Biologiebuch als wie eine typische Fachwerkform aussieht. Wir können mehrere bereits gebaute oder im Bau befindliche Projekte mit organischen Formen finden. Ein schönes Beispiel ist das aktuelle Projekt der Metrostation in Riad von Zaha Hadid Architects.

Mit etwas Fantasie könnten diese organischen Formen in der Architektur nicht nur aufgrund ihrer Schönheit, sondern dank Topologieoptimierung und neuer Bauprozesse auch als Geometrie der tragenden Strukturen auftauchen.

 Welche Art von Strukturen und Projekten werden dank der heutigen Entwurfswerkzeuge bemessen? Werfen wir einen Blick in unsere Bibliothek mit Fallstudien .

Die Macht der Daten im Ingenieurwesen

Die Forscher von IDEA StatiCa präsentierten kürzlich auf einer Stahlbaukonferenz die neuen Methoden zur automatisierten Vorhersage der Schweißnahtausnutzung in der Connection-App . Dieser revolutionäre Ansatz löst eine einfache Frage mit einer sehr komplexen Lösung. Wie hoch ist die tatsächliche Kapazität einer Schweißnaht, wenn eine Plastifizierung des Materials zulässig ist?

Die in dem Dokument beschriebene innovative Methode nutzt fortschrittliche künstliche Intelligenz , insbesondere convolutional neural networks (faltendes neuronales Netz), um die Genauigkeit der Vorhersage der Schweißausnutzungsraten in Stahlkonstruktionen erheblich zu verbessern. Dieser neuartige Ansatz ist für Bauingenieure bahnbrechend, da er über herkömmliche Methoden hinausgeht und die Spannungsverteilung und den Dehnungsverlauf entlang der Schweißnähte aufwendig analysiert. Eine solch detaillierte Analyse ermöglicht genauere Schätzungen und berücksichtigt verschiedene Schweißkonfigurationen und Belastungsszenarien. Dieser Fortschritt erhöht nicht nur die Sicherheit und Effizienz von Tragwerksentwürfen, sondern verdeutlicht auch das Potenzial der Integration von maschinellem Lernen in konventionelle Ingenieurspraktiken und ebnet den Weg für intelligentere, datengesteuerte Lösungen im Tragwerksbau. Weitere Informationen zur Nutzung dieser Verbesserung finden Sie hier .

Da es nicht so einfach ist, Hunderte von Lasterhöhungen in Sekunden zu berechnen, nutzt der Algorithmus einen riesigen Datensatz aus früheren Analysen und ist in der Lage, in Echtzeit die Schweißnahtgrößenwerte zu finden, die der gewünschten Lösung am nächsten kommen.

Wörterbuchtipps für neue Bauingenieure:

Maschinelles Lernen (ML) ist ein Zweig der künstlichen Intelligenz, der es Computern ermöglicht, aus Daten zu lernen und Entscheidungen auf deren Grundlage zu treffen. Bei der Strukturplanung und -analyse kann ML zur Vorhersage des Materialverhaltens, zur Bewertung der strukturellen Integrität und zur Optimierung von Entwurfsprozessen eingesetzt werden. Durch die Analyse umfangreicher Datensätze können ML-Algorithmen Muster und Erkenntnisse identifizieren, die mit herkömmlichen Methoden möglicherweise übersehen werden. Dies kann zu effizienteren, sichereren und kostengünstigeren Strukturkonstruktionen führen. ML kann auch bei der Echtzeitüberwachung und Wartungsplanung von Bauwerken helfen und so deren Lebensdauer und Sicherheit weiter verbessern.

Convolutional neural networks (faltendes neuronales Netz) (CNNs) sind eine Art künstlicher Intelligenz, die häufig zur Verarbeitung von Daten mit gitterartiger Topologie, beispielsweise Bildern, eingesetzt wird. Sie zeichnen sich durch Aufgaben wie Bilderkennung und -klassifizierung aus. Ein CNN lernt, Muster und Merkmale in Eingabedaten durch Schichten zu erkennen, die Faltungen durchführen – mathematische Operationen, die Daten filtern und komprimieren. Diese Struktur ermöglicht es CNNs, komplizierte Muster zu identifizieren, was sie zu leistungsstarken Werkzeugen für verschiedene technische Anwendungen macht, von der Strukturanalyse bis hin zu automatisierten Entwurfsprozessen. Ihre Fähigkeit, komplexe Datensätze effizient zu verarbeiten, macht sie zu einem wertvollen Aktivposten bei der Lösung moderner technischer Probleme.

Zusammenfassung

Wie Sie gerade gesehen haben, ist die Zukunft näher als Sie denken. Nicht das aus KI-generierten Bildern, aber die ersten Prinzipien der Automatisierung und intelligenten Optimierung werden bereits in Strukturanalysetools eingebettet.

Die Werkzeuge allein werden die Revolution nicht bewirken. Um diese neuen Möglichkeiten freizusetzen, ist ein tiefgreifender Umdenken der am Designprozess beteiligten Parteien erforderlich. Es liegt an den Ingenieuren, wie sie sich an die verfügbaren Möglichkeiten anpassen und diese in ihre täglichen Arbeitsabläufe integrieren.