Entwicklung von Maschinenlernmodellen zur Vorhersage der Festigkeit des resilienten Moduls des Unterbodens: genetische und künstliche neuronale Netzwerkansätze – Scientific Reports

Entwicklung von Maschinenlernmodellen zur Vorhersage der Festigkeit des resilienten Moduls des Unterbodens: genetische und künstliche neuronale Netzwerkansätze – Scientific Reports

In dem vorliegenden Forschungsbereich werden verschiedene datengetriebene Ansätze zur Vorhersage mechanischer Eigenschaften von Baustoffen und Bauprojekten untersucht. Eine Studie von Hayat, Hussain und Afridi (2019) beschäftigt sich mit der Bestimmung von Temperaturvariationen in frischem Heißasphalt (HMA) und den entsprechenden Verdichtungstemperaturen. Zhang et al. (2023) nutzen intelligente Verdichtungstechnologie zur Echtzeitdichtungsüberwachung von Asphaltlagen. Afridi und Khattak (2024) untersuchen die selbstheilenden Eigenschaften von heißem Asphalt, um die Haltbarkeit von Straßenbelägen zu verbessern. Yoder und Witczak (1975) präsentieren in ihrem Werk “Principles of pavement design” Grundlagen der Straßenbelagsgestaltung.

Eine Vielzahl von Studien beschäftigt sich mit der Stärkung von Betonbauteilen unter verschiedenen Belastungen. Huang et al. (2020) untersuchen die Rehabilitierung von korrodierten Stahlbetonsäulen, während Mazari et al. (2014) numerische und experimentelle Reaktionen von Straßenbelagsystemen vergleichen. Andere Arbeiten befassen sich mit der Vorhersage des elastischen Moduls von verdichteten Baugrundmaterialien (Alkhattabi & Arif, 2024; Jalal et al., 2021).

Darüber hinaus erforschen einige Studien den Einsatz von künstlicher Intelligenz und maschinellem Lernen in verschiedenen Bereichen wie Prognose des Verdichtungsverhaltens von Böden, Vorhersage der mechanischen Eigenschaften von Beton und Bewertung der Leistungsmerkmale von Baustoffen. Esmaeili-Falak et al. (2019) nutzen KI-Methoden zur Vorhersage von Triaxialdruckfestigkeit und Elastizitätsmodulen von gefrorenem Sand. Weitere Studien beschäftigen sich mit Vorhersagemodellen für Betonfestigkeit auf Basis von Industrieabfällen, Prognose der Druckfestigkeit von Beton unter verschiedenen Bedingungen und Vorhersage des elastischen Moduls von Bodenmaterialien zur Straßenentwurfsverfeinerung.

Insgesamt zeigt die Literatur, dass der Einsatz von Datenanalyse, maschinellem Lernen und künstlicher Intelligenz in der Bau- und Materialforschung fortschreitet, um die Effizienz, Haltbarkeit und Leistungsfähigkeit von Bauwerken und Infrastrukturen zu verbessern. Durch die Integration moderner Technologien und innovativer Vorhersagemodelle können Ingenieure fundierte Entscheidungen treffen und die Qualität von Bauprojekten steigern.