3. Deep Learning-Enabled Health Assessment for Sustainable Maintenance of Existing Concrete Structures: A Review

Das Kapitel befasst sich mit der entscheidenden Rolle der Erkennung und Reparatur von Rissen in technischen Strukturen, um deren Langlebigkeit und Funktionalität zu gewährleisten. Traditionelle Inspektionsmethoden sind zwar grundlegend, haben aber Beschränkungen, die moderne Deep Learning-Techniken (DL) beseitigen sollen. Durch den Einsatz von maschinellem Lernen (ML) und DL-Algorithmen wie Random Forest, SVM, RNNs und CNNs ist es möglich, wesentliche Merkmale aus Bildern aus der realen Welt zu extrahieren und damit die Präzision der Rissdetektion deutlich zu erhöhen. Dieser Ansatz spart nicht nur Zeit und Aufwand, sondern ermöglicht auch die Charakterisierung von Rissen mit minimalem menschlichen Eingreifen. Structural Health Monitoring (SHM) ist ein weiterer Schwerpunkt, bei dem Gebäude kontinuierlich beobachtet werden, um ihr Verhalten unter verschiedenen Bedingungen zu verstehen. SHM umfasst eine Reihe von Techniken, darunter Sensoren, maschinelles Lernen, Datenerfassung, Signalverarbeitung und Visualisierung, die alle darauf abzielen, die strukturelle Integrität von Gebäuden zu beurteilen und zu erhalten. In diesem Kapitel werden auch Methoden der zerstörungsfreien Prüfung (Non-Destructive Testing, NDT) untersucht, die eine Möglichkeit bieten, den Zustand von Materialien zu bewerten, ohne Schaden anzurichten. Diese Methoden bieten in Kombination mit DL-Algorithmen einen umfassenden Ansatz zur strukturellen Gesundheitsbewertung, der die Früherkennung von Schäden und die vorausschauende Wartung ermöglicht. Die Integration von KI in SHM wird das Feld revolutionieren und Echtzeit-Datenanalyse, hohe Genauigkeit bei der Schadensklassifizierung und eine geringere Abhängigkeit von menschlicher Interpretation bieten. Dieser proaktive Ansatz zur strukturellen Gesundheitsüberwachung steht im Einklang mit Nachhaltigkeitszielen und fördert effiziente und kosteneffektive Instandhaltungsstrategien. Das Kapitel schließt mit der Hervorhebung des Potenzials künstlicher Intelligenz bei der Schaffung intelligenter und nachhaltiger städtischer Umgebungen, die den Weg für zukünftige Fortschritte im Infrastrukturmanagement ebnen.