💻 computer science

Physics-Informed Sensitivity Analysis for Enhanced Structural Health Assessment: Test-Case for a Mixed Steel-Concrete Bridge

Diese Arbeit präsentiert ein hochpräzises, physikbasiertes numerisches Modell einer Stahl-Beton-Mischbaukonstruktion der Universität der Bundeswehr München unter Verwendung einer Sensitivitätsanalyse innerhalb eines Structural-Health-Monitoring-Frameworks, um einflussreiche Parameter zu identifizieren, Unsicherheiten zu quantifizieren und die Prognosefähigkeiten für alternde Infrastrukturen zu verbessern.

Ursprüngliche Autoren: Jacopo Bonari, Francesca Marsili, Max von Danwitz, Alexander Popp

Veröffentlicht 2026-06-16

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Jacopo Bonari, Francesca Marsili, Max von Danwitz, Alexander Popp

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine Brücke nicht nur als einen Haufen aus Stahl und Beton vor, sondern als ein riesiges, komplexes Musikinstrument. Genau wie eine Gitarrensaite je nach ihrer Dicke, Spannung und dem Holz, an dem sie befestigt ist, unterschiedlich schwingt, „singt“ eine Brücke bei bestimmten Frequenzen, wenn Wind oder Verkehr auf sie einwirken.

In dieser Arbeit geht es darum, einen hochpräzisen virtuellen Zwilling einer realen Brücke zu erstellen, die sich an einer Universität in Deutschland befindet, und dann ein „Was wäre wenn?“-Spiel zu spielen, um herauszufinden, welche Teile der Brücke am wichtigsten sind, wenn sie anfängt zu vibrieren.

Hier ist die Aufschlüsselung ihrer Arbeit in Alltagssprache:

1. Der virtuelle Zwilling (Der digitale Schatten)

Die Forscher bauten ein hochdetailliertes Computermodell einer realen, zweibahnigen Brücke aus einer Mischung aus Stahl und Beton. Denken Sie bei diesem Modell an einen „digitalen Schatten“ oder eine Videospiel-Replik des echten Objekts.

Warum bauen? Reale Brücken sind schwer zu testen. Man kann nicht einfach die Stahlbolzen oder die Betonfestigkeit an einer echten Brücke ändern, ohne sie zu beschädigen. Im Computer können sie alles sofort anpassen.
Das Ziel: Ein „physikbasiertes“ System zu schaffen. Das bedeutet, der Computer rät nicht einfach, sondern folgt den tatsächlichen physikalischen Gesetzen, um vorherzusagen, wie sich die Brücke verhält.

2. Das „Was wäre wenn?“-Spiel (Sensitivitätsanalyse)

Sobald sie die virtuelle Brücke hatten, stellten sie die Frage: „Wenn wir eine winzige Sache ändern, wie sehr ändert sich dann das ‚Lied‘ (die Vibration) der Brücke?“

Sie wählten drei spezifische „Regler“, an denen sie an ihrer virtuellen Brücke drehten:

Betonsteifigkeit ( $E_c$ ): Wie hart oder weich ist die Betonplatte? (Wie das Ändern des Holzes bei einer Gitarre).
Bolzendurchmesser ( $d_b$ ): Wie dick sind die Schrauben, die den Beton am Stahl halten? (Wie das Festziehen oder Lockern der Mechaniken beim Stimmen).
Verbindungsteifigkeit ( $k_{eq}$ ): Wie gut kommunizieren die Betonplatten untereinander? (Wie der Kleber zwischen den Gitarrenbünden).

Sie drehten diese Regler nicht nur einmal, sondern tausende Male mit zufälligen Variationen, um zu sehen, welcher Faktor die größte Veränderung in der Vibration der Brücke verursachte.

3. Die magische Mathematik (Das „Rezept“ für Antworten)

Um dies zu tun, ohne jahrelang auf den Abschluss der Computerberechnungen zu warten, verwendeten sie einen speziellen mathematischen Trick namens Generalized Polynomial Chaos Expansion (gPCE).

Die Analogie: Stellen Sie sich vor, Sie möchten wissen, wie ein Kuchen schmeckt, wenn Sie Zucker, Mehl und Eier ändern. Anstatt 10.000 Kuchen zu backen, backen Sie ein paar, probieren sie und nutzen dann eine kluge Formel, um den Geschmack jeder möglichen Kombination sofort vorherzusagen.
Das Ergebnis: Diese Mathematik ermöglichte es ihnen, Sobol'-Indizes zu berechnen. Betrachten Sie diese Indizes als einen „Schuldigen-Score“. Wenn sich die Vibration der Brücke um 100 % ändert, wie viel davon ist die Schuld des Betons? Wie viel ist die Schuld der Bolzen?

4. Was sie herausfanden (Die überraschenden Ergebnisse)

Als sie die „Schuldigen-Scores“ untersuchten, fanden sie einige sehr klare Muster:

Die Bolzen sind die Chefs: Für die meisten Vibrationen der Brücke (wie das Biegen von Seite zu Seite oder Auf und Ab) war die Größe der Bolzen der wichtigste Faktor. Wenn man die Bolzengröße im Modell falsch ansetzt, ist die Vorhersage falsch.
Beton spielt eine Rolle (Aber nur manchmal): Für die Torsionsbewegung (Verdrehung) der Brücke war die Steifigkeit des Betons der entscheidende Faktor. Für eine spezifische Schwingungsform (Mode 5) spielte die Betonsteifigkeit jedoch überhaupt keine Rolle.
Die Verbindungen sind unsichtbar: Überraschenderweise hatte die Steifigkeit der Verbindungen zwischen den Betonplatten (der „Kleber“ oder die Federn) fast gar keinen Effekt darauf, wie die Brücke vibrierte. Es war, als ob diese Verbindungen für den Zweck der Vibration gar nicht existierten.

5. Warum das wichtig ist

Das Paper kommt zu dem Schluss, dass Ingenieure durch die Verwendung dieses „virtuellen Zwillings“ und der „Schuldigen-Score“-Mathematik:

Aufhören zu raten: Sie wissen genau, welche Teile einer Brücke am intensivsten überwacht werden müssen.
Geld sparen: Sie müssen keine Sensoren an Teilen verschwenden, die (in diesem speziellen Fall) nicht wichtig sind (wie die Betonverbindungen).
Bessere Modelle bauen: Sie wissen, wo sie ihren ingenieurtechnischen Fokus setzen müssen, um das Computermodell perfekt mit der Realität übereinzubringen.

Kurz gesagt: Sie haben eine komplexe Brücke in ein handhabbares Puzzle verwandelt, herausgefunden, welche Teile tatsächlich den Ausschlag geben, und bewiesen, dass manchmal die kleinsten Schrauben (Bolzen) wichtiger sind als die größten Blöcke (Beton).

Technisches Resümee: Physik-informierte Sensitivitätsanalyse zur verbesserten Zustandsbewertung von Tragwerken

Problemstellung
Die zivile Infrastruktur, insbesondere Brücken, steht vor wachsenden Herausforderungen durch Materialalterung, steigende Verkehrsbelastungen und klimabedingte Extremwetterereignisse. Effektive Frameworks zur Zustandsüberwachung (Structural Health Monitoring, SHM) sind erforderlich, um die strukturelle Leistungsfähigkeit unter Unsicherheit zu bewerten. Während hochpräzise physikbasierte Finite-Elemente-Modelle (FE-Modelle) als entscheidende „digitale Schatten“ oder „digitale Zwillinge“ für die Entscheidungsfindung dienen, hängt ihre Vorhersagekapazität maßgeblich von der Genauigkeit der Eingangsparameter ab. Es besteht eine signifikante Lücke im Verständnis darüber, wie sich Unsicherheiten in spezifischen Strukturparametern – wie etwa Materialeigenschaften und geometrischen Details – auf das dynamische Ansprechverhalten der Struktur auswirken. Ohne die Quantifizierung dieser Sensitivitäten könnten Überwachungskampagnen ineffizient sein und modellbasierte Entscheidungen die notwendige physikalische Stringenz vermissen lassen.

Methodik
Die Studie verwendet ein hochpräzises, physikbasiertes numerisches Modell einer vollmaßstäblichen, zweibögigen Stahl-Beton-Mischbrücke der Universität der Bundeswehr München. Das ursprünglich in ANSYS APDL kodierte Modell wurde zur Automatisierung nach PyAnsys portiert und nutzt Schalenelemente für Stahl- und Betonkomponenten sowie Balkenelemente mit verteilten Federn, um Bolzenverbindungen und den Spannungsübergang zwischen den Segmenten zu simulieren.

Um den Einfluss der Eingangsunsicherheiten auf die Modellausgabe zu quantifizieren, implementieren die Autoren ein Framework zur Sensitivitätsanalyse (SA) basierend auf der Methode der verallgemeinerten Polynom-Chaos-Expansion (gPCE). Der Prozess umfasst:

Charakterisierung der Eingangsgrößen: Drei unsichere Parameter wurden identifiziert und als Log-Normal-Zufallsvariablen modelliert:
- $E_c$ : Elastizitätsmodul der Betonsegmente.
- $d_b$ : Durchmesser des Schraftstiels, welcher die Steifigkeit der Bolzenverbindung repräsentiert.
- $k_{eq}$ : Steifigkeit der verteilten Federn, die die Verbindung zwischen den Betonschalen-Segmenten modellieren.
Auswahl der Ausgangsgrößen: Die Modellausgabe besteht aus vier Eigenfrequenzen, die spezifischen Schwingungsmodi entsprechen: primäre In-Plane-Biegung ( $f_1$ ), erste Out-of-Plane-Biegung ( $f_5$ ), primäre Torsionsschwingung ( $f_6$ ) und zweite Out-of-Plane-Biegung ( $f_{10}$ ).
Surrogatmodellierung: Eine nicht-intrusive Regressionsmethode wird verwendet, um ein Polynom-Surrogat des FE-Modells zu konstruieren. Hierbei werden Hermite-Polynome eingesetzt, unter der Annahme normalverteilter Eingangsgrößen nach einer Transformation aus dem Log-Normal-Raum.
Quantifizierung der Sensitivität: Sobol'-Indizes werden analytisch aus den Polynomkoeffizienten abgeleitet. Dieser Ansatz zerlegt die Varianz der Ausgabe in Beiträge einzelner Eingangsvariablen (First-Order-Indizes) und deren Interaktionen (Higher-Order-Indizes), was eine recheneffiziente Alternative zu Monte-Carlo-Methoden darstellt.

Zentrale Beiträge

Entwicklung eines virtuellen Replikats: Die Erstellung eines validierten, hochpräzisen FE-Modells, das als digitaler Schatten einer realen Testbrücke fungiert und über PyAnsys in moderne Data-Science-Workflows integriert wurde.
Anwendung von gPCE auf SHM: Die Demonstration der Verwendung von gPCE zur analytischen Berechnung von Sobol'-Indizes für die Strukturdynamik, was eine rigorose Grundlage für die Unsicherheitquantifizierung in physik-informierten Modellen bietet.
Identifizierung kritischer Parameter: Die systematische Bewertung, wie spezifische Modellannahmen (z. B. Bolzensteifigkeit gegenüber Betonsteifigkeit) die dynamische Antwort einer Verbundbrücke beeinflussen.

Ergebnisse
Die Sensitivitätsanalyse lieferte deutliche Erkenntnisse über den Einfluss der drei Eingangsparameter auf die vier Schwingungsmodi:

Dominanz der Bolzensteifigkeit: Für den In-Plane-Biegemodus ( $f_1$ ), den ersten Out-of-Plane-Biegemodus ( $f_5$ ) und den sekundären Out-of-Plane-Biegemodus ( $f_{10}$ ) ist die Steifigkeit der Bolzenverbindung ( $d_b$ ) der einflussreichste Parameter und erklärt den Großteil der Ausgangsvarianz (z. B. ~84 % für $f_1$ und ~98 % für $f_5$ ).
Sensitivität des Torsionsmodus: Im Gegensatz dazu wird der primäre Torsionsmodus ( $f_6$ ) hauptsächlich durch den Elastizitätsmodul des Betons ( $E_c$ ) getrieben, welcher etwa 63 % der Varianz ausmacht, während die Bolzensteifigkeit etwa 36 % beiträgt.
Vernachlässigbarer Einfluss der Verbindungssteifigkeit: Die Steifigkeit der verteilten Federn ( $k_{eq}$ ), welche die Verbindung zwischen den Betonsegmenten darstellt, zeigte über alle analysierten Modi hinweg einen vernachlässigbaren Einfluss. Die Sobol'-Indizes für diesen Parameter lagen effektiv bei Null, was darauf hindeutet, dass der aktuelle Modellansatz für den Spannungsübergang zwischen den Segmenten kaum Auswirkungen auf die globale dynamische Antwort hat.
Modellverhalten: Die Response-Oberflächen bestätigten, dass die Modelle hochsensibel gegenüber Variationen von $d_b$ und, in geringerem Maße, $E_c$ reagieren, während sie fast vollständig unabhängig von $k_{eq}$ bleiben.

Bedeutung und Ansprüche
Die Arbeit postuliert, dass die Integration von Sobol'-Sensitivitätsindizes mit hochpräzisen numerischen Modellen eine robuste Grundlage für die physik-informierte Entscheidungsfindung im Infrastrukturmanagement bildet. Die primäre Bedeutung liegt in der Fähigkeit:

Überwachungsstrategien zu optimieren: Durch die Identifizierung der Parameter, welche die strukturelle Antwortvariabilität treiben, können Überwachungskampagnen besser gestaltet werden, indem der Fokus der Sensornetzwerke auf die kritischsten Größen gelegt wird.
Modellverfeinerung zu leiten: Die Identifizierung vernachlässigbarer Parameter (wie $k_{eq}$ ) ermöglicht eine Modellvereinfachung, während die Hervorhebung dominanter Parameter (wie $d_b$ ) die Aufmerksamkeit auf präzisere Modellierungsansätze für diese spezifischen Komponenten lenkt.
Proaktive Wartung zu unterstützen: Das Framework trägt zur Entwicklung robusterer Digital-Twin-Systeme bei, was proaktive Wartungs- und Risikomanagementstrategien für kritische Infrastrukturen ermöglicht.

Die Autoren kommen zu dem Schluss, dass die vorliegende Studie zwar einen einzelnen Testfall behandelt, das vorgeschlagene Framework jedoch einen skalierbaren Ansatz bietet, der letztlich auf populationsbasierte Analysen ähnlicher Strukturen ausgeweitet werden kann, um so ein ganzheitliches Management kritischer Infrastrukturnetze zu unterstützen.