Die Digitalisierung zählt zu den wichtigsten Veränderungsprozessen in diesem Jahrhundert und betrifft alle Bereiche unserer Gesellschaft. Im Bereich des Bauingenieurwesens bietet die Digitalisierung viele Potenziale für alle Phasen des Lebenszyklus von Bauwerken, die durch Verfügbarmachung von Daten und die Definition neuer Wege der Zusammenarbeit ausgebaut werden können. Digitale Methoden, insbesondere Building Information Modeling (BIM) und Structural Health Monitoring (SHM), bieten für Ingenieurbauwerke der Infrastruktur hervorragende Ansätze, diesem Gedanken gerecht zu werden und können einen Beitrag leisten, den Bauwerksbetrieb effizienter zu gestalten. Der Prozess der Bauwerksprüfung von Infrastrukturbauwerken folgt heute festgelegten Regelinspektionsfristen. Mithilfe des vorgestellten Konzepts soll durch die Verzahnung von BIM und SHM eine digital gestützte Instandhaltung von Eisenbahnbrücken entwickelt werden, um ein prädiktives Instandhaltungsmanagement zu ermöglichen und damit die Zuverlässigkeit von Ingenieurbauwerken über die Lebensdauer hinweg zu verbessern. Im Rahmen der Konzeptentwicklung werden die erforderlichen Methoden und Prozesse definiert, erklärt und harmonisiert.
Der Zustand von Ingenieurbauwerken ist von besonderer Bedeutung für den Erhalt und sicheren Betrieb der Verkehrsinfrastruktur. Für ein wirtschaftliches Instandhaltungsmanagement ist die Kenntnis zum aktuellen Zustand eines Bauwerks daher zentral. Neben dem aktuellen Zustand ergeben sich wirtschaftliche Instandhaltungsstrategien aus der Kenntnis der zukünftigen Zustandsentwicklung eines Bauwerks. Durch eine intelligente Datenverknüpfung von Bestandsdaten kann die Entwicklung eines Bauwerks abgeschätzt und so vorausschauend Instandhaltungsmaßnahmen abgeleitet werden. Der Beitrag stellt einen Ansatz vor, wie auf Basis der Methode Building Information Modeling (BIM) und digitaler Bauwerksmodelle über die Verknüpfung mit betreiberbezogenen Bestandsdaten und Structural Health Monitoring (SHM) datenbasiert Prognosen zum Bauwerkszustand von Eisenbahnbrücken abgeleitet werden können. Hierfür werden Verfahren des Machine Learnings (ML) auf die Bestandsdaten zu den Brückenbauwerken der DB Netz AG angewendet und systembezogen ausgewertet. Durch das objektive und datengetriebene Bewertungsverfahren wird eine weitere Grundlage für belastbare Entscheidungen im Instandhaltungsmanagement gelegt.
Für die Zuverlässigkeit von Brücken ist die Instandhaltung essenziell. Ein wichtiger Bestandteil dieses Prozesses ist die Bauwerksinspektion, in der der Zustand der betrachteten Brücke bewertet wird. Diese Inspektionen folgen aktuell festgelegten Fristen. Aufgrund der begrenzten personellen und finanziellen Kapazitäten für die Instandsetzung von Brückenschäden stellt sich die Frage, welche dieser Schäden prioritär zu behandeln sind. Ein Lösungsansatz ist die Ausfalleffektanalyse (engl. Failure Mode and Effects Analysis, FMEA). Mit der Adaption der Methode soll eine, im Vergleich zu heute, objektivere Priorisierung der Schäden vorgenommen werden. Die Herausforderung besteht darin, die FMEA an die Inspektionsdaten von Brücken zu koppeln. Hierfür wurde eine hohe Zahl an Schadensdaten von Eisenbahnbrücken ausgewertet, die von der DB Netz AG bereitgestellt wurden. Die adaptierte Methode wird als Schadenspriorisierungsanalyse (SPA) bezeichnet, an die Schadenssystematik der DB Netz AG angepasst und schließlich an Schadensdaten von Spannbeton‐ und Stahlbrückenüberbauten validiert. Für die Bewertung wurden die drei Parameter Bedeutung, Wirksamkeit und Kosten definiert. Das Produkt der drei Parameter gibt Auskunft über die Kritikalität eines Brückenschadens. Trotz ihrer Bauformabhängigkeit ermöglicht die SPA eine objektivere Schadensbewertung. Somit kann sie bei der fundierten Instandhaltungsplanung von Brücken helfen und die Entscheidung der zu priorisierenden Schäden erleichtern.
<p>The bond behaviour of concrete specimens with carbon textile reinforcement was investigated in the presented research programme. Pull-out specimens were cast from self-compacting concrete with expansive admixtures and in this way chemical prestress was introduced. The aim of the research was to compare bond behaviour between prestressed specimens and non-prestressed control specimens. During pull-out tests, the pull-out force and notch opening were measured with a load cell and laser sensors. Further, bond - slip and pull-out force - crack width relationships were drawn and compared for prestressed and non-prestressed specimens. Chemically prestressed specimens reached 24% higher bond strength than non-prestressed ones. It can be therefore concluded, that chemical prestressing positively influences the bond behaviour of concrete with textile reinforcement and thus better utilisation of its properties can be provided.</p>
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
customersupport@researchsolutions.com
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.
Copyright © 2025 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.