13:30
Coupling Physics-Informed Surrogate Models for Modular Structural Analysis
Thies Mattes Buschke (TU Braunschweig), Sebastian Gagesch (ZM-I München), Roland Wüchner (TU München)


Kurzfassung:
Structural design in early planning phases is conducted under limited information and time pressure, which often leads to oversizing. We present a modular hybrid structural analysis (MHSA) method for optimized design in early planning phases. It combines structural and design models with component data from real-world buildings. This study presents the concept of the MHSA method and investigates the coupling of physics-informed structural surrogates.

13:50
Maschinelles Lernen und generative Künstliche Intelligenz bei Dlubal Software und ihren Produkten – Baupraktische Erfahrungen an Beispielen
Daniel Dlubal (Dlubal Software), Georg Dlubal (Dlubal Software), Jaroslav Broz (Dlubal Software), Heet Rojivadiya (Dlubal Software), Andreas Niemeier (Dlubal Software), Isamu Lautenschläger (TU Darmstadt), Michael Kraus (TU Darmstadt)


Kurzfassung:
In diesem Beitrag werden Entwicklungen von Maschinellem Lernen und generativer KI in Dlubal Software-Produkten vorgestellt: Optimierung parametrischer Tragstrukturen mit genetischen Algorithmen oder Autoencoder-Netzen sowie die Entwicklung von „MIA“, einer integrierten KI-Assistenz. Beispiele zur Modellbildung, FEM-Erstellung und Nachweisführung zeigen den Stand der Technik,Zukunftspotenziale und Herausforderungen an der Mensch-Maschine-Schnittstelle.

14:10
A CNN-based Approach for Reliable Concrete Pavement Damage Maps
Hellen Garita-Durán (TU Dresden), Tania Ávila-Esquivel (University of Costa Rica), Michael Kaliske (TU Dresden)


Kurzfassung:
The research compares traditional field and photogrammetric Pavement Condition Index (PCI) surveys using a statistical analysis, revealing systematic deviations. To address this, a convolutional neural network-based system for damage segmentation in concrete pavements is presented. Image-based metrics and practical implementation aspects are discussed to illustrate the potential and limitations of machine learning in structural asset management.

14:30
Entwicklung, Validierung und Praxiserprobung eines KI-Assistenten zur Bemessung von Metallunterkonstruktionen für Photovoltaikanlagen
Johannes Köppl (Köppl Ingenieure Planung und Beratung im Bauwesen GmbH), Stefan Madlindl (HEMARACK GmbH), Michael Buchner (ZM-I Regensburg GmbH), Johannes Altmann (ZM-I Regensburg GmbH), Michael Kraus (ZM-I KI)


Kurzfassung:
Photovoltaikanlagen werden unter hohem Zeit- und Kostendruck bemessen. Dieses Projekt entwickelte dafür einen KI-gestützten Bemessungsassistenten für Metallunterkonstruktionen. Ein konditionaler Autoencoder wird dabei auf Daten aus FEM-Berechnungen und Kostenkalkulationen trainiert und prognostiziert in Echtzeit Metallprofile nebst Spannungen und Verformungen. Das Tool integriert RFEM und Inventor und bietet ein Web-Frontend für automatisierte Planung

14:50
Physik-informierte Künstliche Intelligenz für die lineare und {geometrisch; materiell} nichtlineare Strukturmechanik von Tragwerken
Michael Kraus (TU Darmstadt)


Kurzfassung:
Dieser Beitrag beleuchtet die Formulierung und das Training Physik-Informierter Neuronaler Netze gegenüber Tiefen-Operator-Netzwerken für {geometrisch; materiell} nichtlineare Tragwerke in Form von Balken, Scheiben oder Platten der modernen Strukturmechanik.

15:10
Effektive Modellierung von Flächentragwerken mit zeitabhängigem Materialverhalten auf Basis künstlicher neuronaler Netze
Jeremy Geiger (Karlsruher Institut für Technologie (KIT)), Werner Wagner (Karlsruher Institut für Technologie (KIT)), Steffen Freitag (Karlsruher Institut für Technologie (KIT))


Kurzfassung:
Flächentragwerke mit komplexer Mikrostruktur und zeitabhängigem Materialverhalten können mithilfe von Mehrskalenlösungen modelliert werden. Die zugrunde liegende numerische Homogenisierung wird genutzt, um eine Datenbasis für das Training eines künstlichen neuronalen Netzes zu erzeugen. Dieses dient anschließend als effektives Materialmodell für beschleunigte FE-Berechnungen. Am Beispiel einer Hohlkörperdecke wird die Leistungsfähigkeit demonstriert.