smartBRIDGE Hamburg

Ausgangssituation

Rückgrat unserer Wirtschaft ist eine funktionierende, verfügbare, effiziente und sichere Verkehrsinfrastruktur. Brücken sind ein wichtiger und zugleich anfälliger Bestandteil dieses Infrastrukturnetzes. Sie unterliegen Alterungsprozessen durch ständige und wachsende Verkehrsbeanspruchung und ihre Exposition gegenüber klimatischen Einwirkungen.
Ähnlich dem TÜV bei Fahrzeugen, müssen Brücken einer regelmäßigen Inspektion unterzogen werden, um ihren Zustand und ihre Leistungsfähigkeit bewerten zu können. Aktuell werden Brücken alle drei Jahre durch spezialisierte Brückenprüfer handnah und visuell auf Herz und Nieren überprüft. Erkannte Schäden werden kategorisiert und dienen als maßgebliche Basis der Zustandsbewertung der gesamten Brücke.
Diese aktuelle Vorgehensweise ermöglicht leider nur eine reaktive Instandhaltung. Die Prozesse sind kaum automatisiert, gewonnene Daten werden teils analog erfasst, vorhandene Informationen werden nicht vernetzt, Sensorik bleibt ungenutzt.
Der zunehmende Verkehr auf Straße und Schiene sowie die Auslegung der Infrastruktur für die Mobilität der Zukunft (Mobilität 4.0) erfordern einen Paradigmenwechsel bei der Instandhaltungsstrategie. Es besteht der Bedarf nach einer vorausschauenden Instandhaltung (Predictive Maintenance) und nach einer Vernetzung aller Bauwerksinformationen, um die Erhaltung unseres Bestands zu optimieren.

Idee, Strategie und Umsetzung

Die Umsetzung des Projekts basiert auf dem Konzept des Digitalen Zwillings. Der digitale Zwilling ist ein virtuelles Abbild des realen Assets, das möglichst genau und synchron seine Eigenschaften und sein Zustand abbildet. Während bestehende digitale Zwillinge meist auf reinen Systemparametern, die aus Sensoren gewonnen werden, basieren, kombiniert smartBRIDGE Hamburg drei wesentliche Datenquellen: (1) Informationen aus der Bauwerksinspektion (2) Monitoringdaten von IoT-Sensoren am Bauwerk sowie Messdaten aus diagnostische Untersuchungen (3) Daten aus dem Building Information Model (BIM). Diese werden zusammengetragen, analysiert und mit ingenieurswissenschaftlicher Grundlagenarbeit zu sogenannten Condition Indicators aggregiert und in Zusammenhang gebracht. Mit Hilfe der gesammelten historischen Daten lassen sich auf diese Weise Prognosen für Zustandsentwicklungen, u.a. mit Methoden des maschinellen Lernens, ableiten.
Der Widerspruch zwischen fachlicher Komplexität und Konsumierbarkeit der Daten wird durch eine konsequente fachliche Methodik sowie über ein hochwertiges User Interface überbrückt.
Das Konzept wird erstmalig an der Köhlbrandbrücke demonstriert. Durch ihre politische und wirtschaftliche Brisanz, sowie durch ihre strukturelle Komplexität ist die Köhlbrandbrücke der geeignete Pilot und wird damit zu einer Referenz.