Kunstmatige intelligentie helpt bij het ontwerp en onderhoud van bruggen
Civiel ingenieurs van ETH Zürich ontwikkelen nieuwe toepassingen van kunstmatige intelligentie waarmee de structurele veiligheid van spoorbruggen kan worden beoordeeld (Illustratie: Sophia Kuhn en Patankar Yamini/ETH Zürich)
24 februari 2025 – Zwitserse onderzoekers hebben een op kunstmatige intelligentie gebaseerde tool ontwikkeld om het onderhoud en de levensduur van bruggen al tijdens het ontwerp te optimaliseren. Onderzoekers van de ETH Zürich werken samen met de Zwitserse federale spoorwegen (SBB) en hebben een AI-tool ontwikkeld waarmee bruggen langer in gebruik kunnen blijven, zonder dat er onnodig veel materiaal wordt verspild en zonder het risico op ongelukken te vergroten.
Het onderzoek bestaat uit twee delen. In de eerste fase werd een model ontwikkeld voor een eerste beoordeling van de structurele veiligheid, terwijl in het tweede deel een AI-assistent werd ontwikkeld. Deze tool is volgens de ETH Zürich bedoeld om ingenieurs actief te ondersteunen bij het ontwerpen van nieuwe bruggen met kostenefficiënte structuren die veilig en duurzaam zijn.
Traditioneel brugontwerp is afhankelijk van conventionele rekensoftware die de structurele veiligheid, bruikbaarheid, kosten en andere kenmerken bepaalt. Dit is vaak een iteratief proces, waarbij het ontwerp telkens wordt aangepast totdat de projectdoelstellingen zijn bereikt. Dit is een tijdrovend proces waarbij veel potentieel onbenut blijft. De Zwitserse onderzoekers wilden dit proces omkeren, maar met conventionele software is dat onmogelijk. Met de nu door ETH Zürich ontwikkelde AI-assistent is dit wel mogelijk. Deze versnelt niet alleen het proces door verschillende ontwerpen vrijwel in realtime te beoordelen, maar zorgt ook voor proactieve ontwerpen die voldoen aan de gedefinieerde beperkingen en doelstellingen.
Het onderzoek is grotendeels gebaseerd op research dat vorig jaar verscheen in het tijdschrift Automation in Construction onder de titel ‘Design Space Exploration and Explanation via Conditional Variational Autoencoders in Meta-Model-Based Conceptual Design of Pedestrian Bridges’.
