Die vorliegende Arbeit fasst Informationen aus verschiedenen wissenschaftlichen Forschungsarbeiten im Bereich der strukturellen Gesundheitsüberwachungs- und Inspektionsmethoden zusammen. Beispiele hierfür sind die Anwendung von Maschinellem Lernen, Deep Learning und neuronalen Netzwerken zur Detektion von Strukturdefekten, insbesondere Risse in Betonoberflächen. Diese Techniken haben sich als vielversprechend erwiesen, um Schäden frühzeitig zu erkennen und lokal zu lokalisieren.
Die Verwendung von Convolutional Neural Networks (CNNs) für die automatisierte Rissdetektion in Betonstrukturen wird untersucht und diskutiert. Diese Methode zeigt vielversprechende Ergebnisse bei der Erkennung und Segmentierung von Rissen auf pixelgenauer Ebene. Es werden auch Techniken zur Anwendung von Deep Learning und höherdimensionalen Datenquellen in der strukturellen Gesundheitsüberwachung untersucht.
Darüber hinaus werden Forschungsarbeiten zur Detektion von strukturellen Schäden mithilfe von Schwingungsbasierten Inspektionsmethoden vorgestellt. Die Kombination von Modalparametern und künstlichen neuronalen Netzwerken zeigt vielversprechende Ergebnisse bei der Strukturschadensdiagnose. Weitere Arbeiten beschäftigen sich mit der Anwendung von Vibrationssignalen zur Schadenserkennung und -diagnose bei komplexen Strukturen.
Insgesamt bieten die in dieser Zusammenfassung behandelten Studien wichtige Einblicke in die Entwicklung und Anwendung von fortgeschrittenen Technologien und Methoden zur strukturellen Gesundheitsüberwachung von Bauwerken. Maschinelles Lernen, Deep Learning und neuronale Netzwerke spielen eine entscheidende Rolle bei der Erkennung und Lokalisierung von strukturellen Defekten, was zu einer verbesserten Sicherheit und Effizienz in der Bauindustrie führen kann.