Künstliche neuronale Netze im Einsatz zur Gebrauchstauglichkeitsbewertung des einschaligen maschinellen Tunnelbaus

Zusammenfassung

Maschinelles Lernen ist eine der verheißungsvollsten Technologien der letzten Jahre. Fortwährend leistungsfähigere CPU- und GPU-Architekturen kurbeln ihre Entwicklung an. Der Beitrag führt Anwendungen des maschinellen Lernens und speziell künstlicher neuronaler Netzwerke (=KNN) im Tunnelbau ein und hebt ihre Vorteilhaftigkeit beim Ersatz zeitaufwändiger, fehleranfälliger und lästiger manueller Tätigkeiten hervor. Jedoch bedürfen KNN’s repräsentativer Datensätze, anhand deren sie trainiert werden, für deren Erhalt der Tunnelbau eine harsche Umgebung bildet, aber die eine Voraussetzung einer erfolgreichen Implementation sind.

Daher unterstreicht der Beitrag die Notwendigkeit, geeignete Datensätze anzulegen und zu unterhalten, um eine Weiterverwendung in anderen Projekten zu ermöglichen. Er legt die Nutzung für die Bewertung der Gebrauchstauglichkeit des einschaligen Tübbingausbaus und für die Rissdetektion bei Belastungstests an Tübbingen dar. Die Daten dazu entstammen österreichischen Tunnelprojekten mit Tunnelvortriebsmaschinen (TVM) unter Einsatz von 3D Laserscannern und nutzen Aufnahmen eines Kamerasystems während der Belastungstests.

Abstract

Machine learning has been one of the upcoming technologies of the recent years and parallels the acceleration enabled by steadily more powerful CPU- and GPU architectures. It improves the performance of search on the internet, enables autonomous cars and enhances mankind’s interaction with electronical devices. Especially, artificial neural networks (=ANN) can conquer complex machine learning tasks but rely heavily on the data base neural networks are trained on. In tunnelling there is hardly any application of neural networks. This fact entails labour intensive, tedious and error-prone manual activities concerning e. g. as-built documentation and geotechnical measurement. Tunnelling constitutes a harsh environment for gathering the necessary representative data.

The contribution shows the necessity of constituting data sets which overcome insufficient quantity and nonrepresentative quality of training data and which are decisive prerequisites of successful application of machine learning. It shows its utilization for the assessment of serviceability of single-layer lining and emphasizes its role in crack detection in geotechnical tests. The data for setting up the data base needed for network training is gathered in Austrian TVM projects using 3D laser scanners and image acquisition systems during geotechnical testing.