Machine Learning-basiertes Degradationsmonitoring für Asphaltstraßenbefestigungen – „SenAD2“
Projektpartner:
6
Zuwendungsgeber:
Bundesministerium für Digitales und Verkehr
Projektlaufzeit:
06/2024 – 05/2027
Problemstellung
Der strukturelle Zustand der Asphalttragschicht hat wesentlichen Einfluss auf die Nutzungsdauer einer Straße. Zur Beurteilung des strukturellen Zustands stehen gegenwärtig jedoch nur zerstörende Messverfahren mittels Bohrkernentnahme zur Verfügung, bei denen die Straße zusätzlich geschädigt wird. Eine flächendeckende, kontinuierliche Zustandsbewertung der Substanz von Straßen ist aufgrund des damit verbundenen hohen Aufwandes sowie der induzierten Schädigung nicht realisierbar, gleichzeitig jedoch Voraussetzung für ein nachhaltiges Straßenerhaltungsmanagement.
Projektziel
Ziel des Projektes ist ein datenbasiertes Monitoringsystem zur zerstörungsfreien, kontinuierlichen und flächendeckenden Bestimmung und Prognose des Degradationsgrads von Asphaltstraßen. Die Innovation des Vorhabens liegt insbesondere in der Nutzung von KI-Verfahren zur Analyse von Daten aus der Asphalttragschicht, die mittels eines neu zu entwickelnden Sensorsystems direkt aus der Schicht gewonnen werden. Damit werden zukünftig flächenübergreifende, echtzeitbasierte Aussagen zum konstruktiven Straßenzustand und damit effektive, nachhaltige Erhaltungsmaßnahmen möglich.
Zum Einbau in die Asphalttragschicht wird ein neuartiges, funktionalisiertes Gewebe hergestellt und somit ein robustes, autarkes Messsystem integriert. Die damit erfassten Messsignale bilden die zunehmende Materialdegradation im Laufe der Straßennutzungsdauer ab. Zur Auswertung der erstmalig verfügbaren Daten werden durch Machine Learning unter Berücksichtigung weiterer Daten zwei Modelle gelernt, die sowohl den aktuellen als auch den prognostizierten Degradationszustand ermitteln. Messsystem und Analysemodelle werden im Labormaßstab erprobt sowie auf Versuchsstrecken evaluiert.
News & Veröffentlichungen