Bedeutung im Kontext von Schäden erweitert. Es wird eine systematische Methodik für die Schadensidentifikation entwickelt, die die Datenerfassung, Schadensbewertung und Schadensdatenverwaltung umfasst.
Für die Erfassung von sichtbaren Schadensdaten wird die semantische Segmentierung verwendet. Zahlreiche Strategien und innovative Convolutional Neural Networks wurden entwickelt, um herkömmliche Netzwerke im Kontext der semantischen Segmentierung zu verbessern. Allerdings wurde ein umfassender Vergleich dieser Netzwerke selten durchgeführt. Für zwei Strategien, der Attention Mechanismen und der Generative Adversarial Networks, wird eine vergleichende Studie durchgeführt, um die semantische Segmentierung zu verbessern. Basierend auf dem U-Net werden neuartige Verteilungstypen für beide Strategien mit verschiedenen Diskriminatoren entwickelt und verglichen. Die am besten abschneidenden Netzwerke werden dann einem Validierungsprozess unterzogen, und auch die kombinierten Effekte der beiden Strategien werden vertieft untersucht.
Die Cloud Simulation wird zur numerischen Bewertung von Brückenschäden und der Identifikation von verdeckten Schäden angewendet. Zwei Ansätze, nämlich der Single Variation Approach (SVA) und der Dual Variation Approach (DVA), werden vorgestellt. Beide Ansätze werden auf unterschiedliche Szenarien angewendet, um den Einfluss verschiedener Lastfälle und Überwachungspunkte zu studieren. Der effektivere DVA-Ansatz wird in einem Prototyp implementiert, der Funktionalitäten wie Datenkonvertierung, Visualisierung, Generierung von Modellvariationen und Ergebnisanalyse umfasst. Zur Validierung wird eine Stahlbetonbrücke analysiert.
Qualitative und quantitative Bewertungen für die Schadensrehabilitation werden in eine Wissensbasis integriert, die automatische Vorschläge für die praktische Schadensrehabilitation für die infizierten Schäden liefert.
Augmented Reality wird zur Verbesserung des Visualisierungsergebnisses bei der Schadensinformationsverwaltung für die Vor-Ort-Inspektion und die Rehabilitationsinformationen eingesetzt und in einer Baustellenumgebung validiert.
Den Abschluss bildet eine Marketingperspektive der neugewonnenen Ergebnisse. / The entire research work is dedicated to reinterpreting the concept of system identification by exploring its connotation and expanding its denotation in the context of damage. The work focuses on bridges as representative structures and proposes a systematic methodology for damage identification, encompassing damage data acquisition, damage assessment, and damage data management.
Semantic segmentation is employed for viewable damage data identification. Numerous strategies and innovative convolutional neural networks have been developed to enhance traditional networks in the context of semantic segmentation. However, a comprehensive comparison of these networks has been rarely conducted. Two strategies, namely attention mechanisms and generative adversarial networks, are examined in order to enhance semantic segmentation. Based on the U-net, novel distribution types of attention mechanisms and generative adversarial networks with different discriminators are compared in a lightweight test. The best performed networks are then implemented in the validation process, and in addition the combined effects of the attention mechanism and discriminator are investigated.
Cloud simulation is applied for quantitative evaluation and identification of non-viewable damage. Two approaches, namely the Single Variation Approach (SVA) and the Dual Variation Approach (DVA), are introduced and applied to different scenarios to account for various load cases and monitoring points as variables. A prototype is developed to implement the more effective DVA approach, incorporating functionalities such as data conversion, visualization, model variation generation and result analysis. A monitored concrete bridge is employed for validation of the assessment of the effectiveness and reliability of the method.
Qualitative and quantitative assessments are incorporated into a knowledge base for damage rehabilitation, which automatically provide practical suggestion for the specific identified damage.
Augmented reality is utilized to enhance the visualization experience for on-site inspection providing rehabilitation information and a prototype in a construction setting.
The conclusion presents a marketing perspective on the findings.
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:88952 |
| Date | 11 January 2024 |
| Creators | Lin, Fangzheng |
| Contributors | Scherer, Raimar J., Ma, Zhiliang, Koch, Christian, Technische Universität Dresden |
| Publisher | Institut für Bauinformatik, TU Dresden |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | English |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, doc-type:doctoralThesis, info:eu-repo/semantics/doctoralThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | urn:nbn:de:bsz:14-qucosa2-805393, qucosa:80539 |
Page generated in 0.0018 seconds