Rekurrentes neuronales Netzwerk mit Long Short‑Term Memory zur Erkennung der Pfahlspitze mithilfe roher Daten von Pfahlintegritätstests

Intelligentere Kontrollen für verborgene Fundamente

Viele Gebäude und Brücken ruhen auf langen unterirdischen Betonstützen, sogenannten Pfählen. Da diese Pfähle vergraben sind, können Ingenieure nicht einfach nachsehen, ob sie korrekt gebaut wurden oder wie tief sie reichen. Diese Studie zeigt, wie ein Modell der künstlichen Intelligenz subtile Vibrationssignale aus einem einfachen Hämmer‑Test auswerten und automatisch die Pfahlspitze — den Punkt, an dem der Pfahl im Boden endet — lokalisieren kann. Das macht diese verdeckten Kontrollen schneller, zuverlässiger und weniger abhängig von individueller Expertenbewertung.

Wie Ingenieure den vergrabenen Stützpfeil „hören“

Um einen Pfahl ohne Freilegung zu prüfen, verwenden Ingenieure einen Low‑Strain‑Integritätstest. Ein Mitarbeiter schlägt mit einem kleinen Hammer auf die Pfahloberkante, während ein Sensor aufzeichnet, wie der Pfahl vibriert. Der Schlag sendet eine Spannungswelle den Pfahl hinunter; trifft die Welle auf eine Änderung — etwa die Pfahlspitze oder einen Defekt —, so wird ein Teil der Welle reflektiert. Ein tragbares Gerät wandelt diese Vibrationen in eine Spur um, die Reflectogramm genannt wird und zeigt, wie sich das Signal mit der Zeit oder Tiefe ändert. Erfahrene Ingenieure werten diese Spur zusammen mit Standortinformationen und Normen wie ASTM D5882 und Eurocode‑basierten Regeln aus, um zu beurteilen, ob der Pfahl intakt ist und wo seine Spitze liegt. Diese Interpretation kann jedoch subjektiv, zeitaufwendig und empfindlich gegenüber Rauschen und Bodenbedingungen sein.

Warum Deep Learning zum Einsatz kommt

In den letzten Jahren haben Forscher viele Ansätze der künstlichen Intelligenz ausprobiert, um Pfahltestdaten zu interpretieren — von klassischen neuronalen Netzen bis zu bildbasierten Methoden und Signalklassifikatoren. Diese Ansätze erfordern oft das manuelle Extrahieren von Merkmalen aus den aufgezeichneten Signalen oder deren Umwandlung in Bilder und tun sich schwer, die zeitliche Entwicklung der Wellen entlang des Pfahls abzubilden. Die Autoren dieses Papers konzentrieren sich stattdessen auf Modelle, die speziell für Sequenzen entwickelt wurden: rekurrente neuronale Netze mit Long Short‑Term Memory, kurz RNN‑LSTM. Diese Netze sind darauf ausgelegt, sich an Vergangenes in einer Zeitreihe zu „erinnern“, was sie gut dazu befähigt, einer durch einen Hammerschlag ausgelösten Welle zu folgen, während sie sich ausbreitet, reflektiert und im Pfahl abklingt.

Roh‑Hammerschläge in saubere Daten verwandeln

Das Team stellte eine Datenbank mit 500 Low‑Strain‑Testaufzeichnungen aus ägyptischen Bauprojekten zusammen, bei denen gebohrte Betonpfähle von 12 bis 30 Metern Länge in geschichteten Böden untersucht wurden. Für jeden Pfahl lagen rohe Beschleunigungswerte über die Zeit sowie ein entsprechendes Reflectogramm vor, das ursprünglich von Menschen gezeichnet und interpretiert worden war. Sie digitalisierten diese Diagramme sorgfältig, wandelten Tiefe in Zeit um, indem sie bekannte Wellengeschwindigkeiten nutzten, und normierten die vertikale Skala, sodass Signale verschiedener Pfähle vergleichbar wurden. Auf der Seite der Rohsensordaten glätteten sie hochfrequentes Rauschen, standardisierten die Signale mithilfe einer robusten statistischen Skalierung und verwendeten geschicktes Padding sowie kleine zufällige Variationen, damit das neuronale Netz Sequenzen unterschiedlicher Länge verarbeiten kann, ohne deren Muster zu verzerren.

Entwurf und Test des neuronalen Netzes

Mehrere Netzwerkarchitekturen wurden erprobt, wobei variiert wurde, wie viele Schichten und virtuelle „Neuronen“ das Modell verwendete. Die Forscher suchten nach einer Balance: hohe Vorhersagegenauigkeit ohne explodierende Rechenkosten oder die Neigung, die Trainingsdaten auszuwalzen. Sie fanden, dass ein sechsschichtiges LSTM‑Modell mit 32 Einheiten pro Schicht diesen Kompromiss erreicht. Um dem Modell zu helfen, wichtige Teile des Signals zu verfolgen, fügten sie Verknüpfungen zwischen Schichten und einen Attention‑Mechanismus hinzu, der dem Netzwerk erlaubt, sich auf zentrale Zeitintervalle zu konzentrieren. Trainiert an 400 Pfählen und validiert an 100 unbekannten Fällen, reproduzierte das finale Modell die von Menschen erstellten Geschwindigkeitsverläufe mit hoher statistischer Genauigkeit und zeigte eine starke Übereinstimmung zwischen vorhergesagten und digitalisierten Signalen.

Von Zahlen zu praktischen Pfahlentscheidungen

Über die Statistik hinaus ist die praktische Kernfrage, ob das Modell die Pfahlspitze korrekt markieren kann. Die Forscher inspizierten jedes vorhergesagte Reflectogramm visuell und verglichen die Lage der Spitze mit der digitalisierten Referenz. Ließ sich die Übereinstimmung innerhalb von 5 Prozent bringen, wurde sie als „Good“ bewertet; bis zu 10 Prozent als „Fair“; darüber hinaus als „Bad“. Für den Trainingssatz waren etwa 90 Prozent der Pfähle „Good“ und nur 4 Prozent „Bad“. Im Validierungssatz waren 84 Prozent „Good“ und 6 Prozent „Bad“. Diese Ergebnisse deuten darauf hin, dass das KI‑System die Experteninterpretation dicht genug nachahmen kann, um im Alltag hilfreich zu sein — zumindest innerhalb der Bereiche von Pfahllängen, Betonnachweisen und Testarten, für die es trainiert wurde.

Was das für sicherere Bauwerke bedeutet

Einfach ausgedrückt zeigt die Studie, dass ein gut gestaltetes Deep‑Learning‑Modell die rohe Vibrationsaufzeichnung eines Hammerschlags auf einem Pfahl nehmen und automatisch dieselbe Art von Kurve zeichnen kann, die ein Spezialist zur Bestimmung der Pfahlspitze verwenden würde. Das reduziert die Anzahl manueller Schritte und die Fehleranfälligkeit, während das finale Urteil zur Pfahlqualität transparent bleibt und auf vertrauten Grafiken beruht. Zurzeit gilt das Modell nur für einen bestimmten Sensortyp und für Pfähle, die denen in der Studie ähneln, aber es weist in Richtung einer Zukunft, in der Routinetests an verborgenen Fundamenten schneller, konsistenter und leichter auf stark frequentierten Baustellen anwendbar werden.

Zitation: Samaan, R.M., Saafan, M.S.A., Mokhtar, A.A. et al. Recurrent neural network long short term memory model to detect the pile toe using raw data of pile integrity test. Sci Rep 16, 6348 (2026). https://doi.org/10.1038/s41598-026-36732-7

Schlüsselwörter: Pfahlintegritätsprüfung, Tiefes Lernen, rekurrentes neuronales Netzwerk, zerstörungsfreie Prüfung, Bauingenieurwesen