Forschung zur Identifikation von Strukturschäden basierend auf einem temporalen Leistungsfluss-Grafnetzwerk

Warum die Gesundheit großer Bauwerke wichtig ist

Brücken, Hochhäuser und andere große Bauwerke tragen stillschweigend unseren Alltag, aber durch jahrelangen Verkehr, Wind und Witterung nutzen sie sich langsam ab. Ingenieure versuchen, verborgene Risse oder gelockerte Verbindungen zu entdecken, bevor sie zu Katastrophen werden; traditionelle Inspektionen sind jedoch oft teuer, langsam und übersehen gelegentlich frühe Warnzeichen. Diese Studie stellt einen neuen Weg vor, Strukturen im Schwingungsbetrieb „zuzuhören“ — mittels eines physikgeführten künstlichen Intelligenzsystems, das subtile Schäden offenbaren kann, ohne gelabelte Beispiele von Ausfällen zu benötigen.

Vibrationen als Frühwarnsystem

Wenn eine Brücke oder ein Rahmen durch Wind oder Verkehr in Schwingung versetzt wird, reagiert sie mit komplexen Mustern. Ingenieure befestigen oft kleine Bewegungssensoren (Beschleunigungssensoren) an vielen Punkten, um diese Vibrationen aufzuzeichnen. Schäden wie Risse oder Korrosion verändern meist die Steifigkeit eines Bauteils, was wiederum beeinflusst, wie sich Schwingungsenergie durch die Struktur bewegt. Viele aktuelle Methoden nutzen Deep Learning, um diese Signale zu durchforsten und Anomalien zu markieren. Die meisten dieser Werkzeuge behandeln die Daten jedoch rein als anzupassende Zahlen, ohne die zugrundeliegende Physik einzubauen. Sie können bei sauberen Laborversuchen gut funktionieren, im realen Betrieb — mit Rauschen, Temperaturschwankungen und gelegentlich fehlerhaften Sensoren — liefern dieselben Modelle aber möglicherweise Fehlalarme oder übersehen echte Probleme.

Die Struktur als Netzwerk des Energieflusses darstellen

Die Autoren schlagen eine andere Strategie vor: die Struktur als Netzwerk verbundener Punkte zu repräsentieren und explizit zu verfolgen, wie Schwingungsenergie zwischen ihnen im Zeitverlauf fließt. In ihrem Temporal Power Flow Graph Network (TPF-GNet) wird jeder Sensor zu einem Knoten in einem Graphen, und jede physikalische Verbindung zwischen Bauteilen wird zu einer Kante mit lernbarer Steifigkeit und Dämpfung. Durch numerische Integration der Beschleunigungsdaten rekonstruiert die Methode Geschwindigkeit und Verschiebung und berechnet dann den momentanen Leistungsfluss — wie viel mechanische Energie zu jedem Zeitpunkt von einem Knoten zum anderen fließt. Dieser Leistungsfluss wird zur Kernbotschaft, die im Graphen weitergegeben wird, sodass das Modell Muster lernt, die den Bewegungsgesetzen folgen, statt nur Statistiken anzupassen.

Dem Netzwerk beibringen, wie „gesund“ aussieht

TPF-GNet wird ausschließlich mit Daten aus einem gesunden Zustand der Struktur trainiert, ohne Beispiele für Schäden. In dieser Trainingsphase lernt das Modell, die Schwingungshistorie jedes Zielsensors aus den Messungen der Nachbarn zu rekonstruieren, indem es den Energiefluss im Netzwerk simuliert. Nach dem Training erhält das System neue Vibrationsdaten einer Struktur unbekannten Zustands. Ist die Struktur noch intakt, kann das Modell die Bewegung jedes Sensors recht genau vorhersagen, und die Rekonstruktionsfehler bleiben klein und eng verteilt. Liegt ein Schaden vor — insbesondere ein Steifigkeitsverlust in einem Träger oder einer Säule — weicht der tatsächliche Energiefluss nun von den Modellvorhersagen ab, und die Rekonstruktionsfehler werden größer und breiter verteilt. Die Autoren fassen diese Änderung in einem einzelnen schädigungsempfindlichen Faktor zusammen, der aus der Breite und Abflachung der Fehlerverteilung abgeleitet wird, und legen Schwellenwerte nur anhand gesunder Daten fest.

Tests an virtuellen Brücken und realen Rahmen

Zur Überprüfung ihrer Methode nutzten die Forschenden zunächst ein detailliertes Computermodell einer realen Fußgängerbrücke und führten unterschiedliche Grade und Positionen von Steifigkeitsreduktionen ein, während sie verrauschte Sensormessungen simulierten. Sie verglichen TPF-GNet außerdem mit einem Standard-Graphneuronalen Netz und einem Zeitreihenmodell (LSTM), das keine explizite Physik enthält. In dreißig Szenarien — einschließlich kleiner Steifigkeitsverluste von 5–10 % und anspruchsvoller Rauscharten wie niederfrequenter Drift und nichtstationären Störungen — identifizierte die neue Methode Schäden konsistent genauer und mit geringeren Fehlalarmraten. In vielen Fällen hielt TPF-GNet eine Erkennungsgenauigkeit von über 90 %, während die Vergleichsmodelle nahe oder unter 70 % fielen. Das Team validierte die Methode anschließend an einem skalierten Laborrahmen mit sechzehn Sensoren, in dem sie kontrollierte Schäden an ausgewählten Trägern und Säulen einbringen konnten. Auch hier ballten sich die größten Rekonstruktionsfehler und Schädigungsfaktoren um die tatsächlich beschädigten Bauteile, und die Leistung verbesserte sich stetig mit zunehmender Schadensschwere.

Was das für sicherere Bauwerke bedeutet

Für Nichtfachleute ist die wichtigste Erkenntnis, dass diese Methode die Stärken von Physik und maschinellem Lernen verbindet: Sie sucht nicht nur nach Mustern in Daten, sondern „weiß“ auch, wie Energie durch eine gesunde Struktur fließen sollte. Weicht die Realität von dieser Erwartung ab, markiert das System problematische Stellen — selbst unter lauteren, realen Bedingungen. Da es nur gesunde Ausgangsdaten benötigt, eignet es sich gut für viele Brücken und Gebäude, für die wir zwar jahrelange Überwachungsdaten, aber keine gelabelten Ausfallbeispiele haben. Wenn solche Ansätze wie TPF-GNet weit verbreitet eingesetzt würden, könnten Infrastrukturbetreiber Schäden früher erkennen, Wartungen intelligenter priorisieren und die sichere Lebensdauer kritischer Bauwerke verlängern.

Zitation: Wu, X., Lan, C., Zhang, C. et al. Research on structural damage identification based on temporal power flow graph network. Sci Rep 16, 6898 (2026). https://doi.org/10.1038/s41598-026-37356-7

Schlüsselwörter: Überwachung der Strukturgesundheit, Brückenschadensdetektion, physikinformierte KI, graphneuronale Netze, Vibrationssensorik