Die künstliche Intelligenz im Einsatz zur adaptiven Planung von Injektionsmaßnahmen im Tunnelbau (Forschungsprojekt AVANT)
Zusammenfassung Für Vortriebe können Injektionen zur Baugrundverbesserung sowie zur Abdichtung des Tunnelbauwerks erforderlich sein. Häufig schränken diese Maßnahmen die Vortriebsgeschwindigkeit gravierend ein, weswegen deren effiziente Vorausplanung bedeutsam ist. Injektionen eignen sich bei wechse...
Ausführliche Beschreibung
Autor*in: |
Villeneuve, Marlene [verfasserIn] |
---|
Format: |
Artikel |
---|---|
Sprache: |
Deutsch |
Erschienen: |
2021 |
---|
Schlagwörter: |
---|
Systematik: |
|
---|
Anmerkung: |
© The Author(s) 2021 |
---|
Übergeordnetes Werk: |
Enthalten in: Berg- und hüttenmännische Monatshefte - Springer Vienna, 1963, 166(2021), 12 vom: 30. Nov., Seite 623-630 |
---|---|
Übergeordnetes Werk: |
volume:166 ; year:2021 ; number:12 ; day:30 ; month:11 ; pages:623-630 |
Links: |
---|
DOI / URN: |
10.1007/s00501-021-01179-y |
---|
Katalog-ID: |
OLC2077601302 |
---|
LEADER | 01000caa a22002652 4500 | ||
---|---|---|---|
001 | OLC2077601302 | ||
003 | DE-627 | ||
005 | 20230509063600.0 | ||
007 | tu | ||
008 | 221220s2021 xx ||||| 00| ||ger c | ||
024 | 7 | |a 10.1007/s00501-021-01179-y |2 doi | |
035 | |a (DE-627)OLC2077601302 | ||
035 | |a (DE-He213)s00501-021-01179-y-p | ||
040 | |a DE-627 |b ger |c DE-627 |e rakwb | ||
041 | |a ger | ||
082 | 0 | 4 | |a 070 |a 660 |a 620 |q VZ |
084 | |a 19,1 |2 ssgn | ||
084 | |a TE 1000 |q VZ |2 rvk | ||
100 | 1 | |a Villeneuve, Marlene |e verfasserin |4 aut | |
245 | 1 | 0 | |a Die künstliche Intelligenz im Einsatz zur adaptiven Planung von Injektionsmaßnahmen im Tunnelbau (Forschungsprojekt AVANT) |
264 | 1 | |c 2021 | |
336 | |a Text |b txt |2 rdacontent | ||
337 | |a ohne Hilfsmittel zu benutzen |b n |2 rdamedia | ||
338 | |a Band |b nc |2 rdacarrier | ||
500 | |a © The Author(s) 2021 | ||
520 | |a Zusammenfassung Für Vortriebe können Injektionen zur Baugrundverbesserung sowie zur Abdichtung des Tunnelbauwerks erforderlich sein. Häufig schränken diese Maßnahmen die Vortriebsgeschwindigkeit gravierend ein, weswegen deren effiziente Vorausplanung bedeutsam ist. Injektionen eignen sich bei wechselhaften Bedingungen besonders, weil sie mit vergleichsweise einfachen Baugeräten flexibel durchgeführt werden können. Zusätzlich ermöglicht die Flexibilität ein fortwährendes Anpassen der Bohr- und Injektionsparameter während der Durchführung. Dies kann die regelmäßige Anpassung des Bohrschemas, der -länge sowie der Injektionsparameter, des Injektionsmaterials und Abbruchkriteriums bedeuten. Die Möglichkeit maschinenbasierter, datengetriebener Maßnahmen mittels künstlicher Intelligenz (KI) wird im Forschungsprojekt AVANT untersucht. Ein Forschungskonsortium, bestehend aus den deutschen Partnern STUVA e. V., geoteam Ingenieurges. m.b.H. und den österreichischen Partnern eguana GmbH, Montanuniversität Leoben und Züblin Spezialtiefbau Ges.m.b.H., nimmt sich dieser Aufgabe an. Digitale Systeme zur Datenaufzeichnung sind nun auch im Bereich der Bohr- und Injektionstechnologie vorzufinden. Diese Systeme werden derzeit vorwiegend in der Dokumentation im Rahmen des Qualitätsmanagements eingesetzt. Im Projekt AVANT werden diese Daten untersucht, um einen effizienteren und somit wirtschaftlicheren Vortrieb sowie deren begleitende Injektionsmaßnahmen zu ermöglichen. Die zentrale Idee ist die Prozessierung der Bohr- und Injektionsdaten auf der Baustelle untertage sowie deren Einbindung im nachfolgenden Bauprozess, anstatt sie wie üblich ausschließlich zu Dokumentationszwecken zu archivieren. Konkret sollen die einzelnen Prozessschritte in eine dynamische echtzeitfähige Verarbeitung eingebettet werden. Dazu werden Methoden der künstlichen Intelligenz auf Bohr- und Injektionsdaten angewandt. Im vorliegenden Beitrag wird das Konzept des Projekts AVANT erläutert, und es werden erste Ergebnisse aus den Aufbereitungen der Datenquelle entsprechend den Algorithmen der künstlichen Intelligenz und deren Einschränkungen dargelegt. Der Beitrag beleuchtet tiefer gehend die nötige Grundlagenarbeit, um die Daten für die Prozessierung aufzubereiten und sie in eine KI-Trainingsumgebung zu überführen. | ||
650 | 4 | |a Machine Learning | |
650 | 4 | |a Artificial Neural Networks | |
650 | 4 | |a Tunnelling | |
650 | 4 | |a Grouting | |
700 | 1 | |a Wenighofer, Robert |4 aut | |
700 | 1 | |a Könemann, Frank |4 aut | |
700 | 1 | |a Thienert, Christian |4 aut | |
700 | 1 | |a Klaproth, Christoph |4 aut | |
700 | 1 | |a Gabriel, Patrick |4 aut | |
700 | 1 | |a Ouschan, Michael |4 aut | |
773 | 0 | 8 | |i Enthalten in |t Berg- und hüttenmännische Monatshefte |d Springer Vienna, 1963 |g 166(2021), 12 vom: 30. Nov., Seite 623-630 |w (DE-627)130139467 |w (DE-600)512261-2 |w (DE-576)015679179 |x 0005-8912 |7 nnns |
773 | 1 | 8 | |g volume:166 |g year:2021 |g number:12 |g day:30 |g month:11 |g pages:623-630 |
856 | 4 | 1 | |u https://doi.org/10.1007/s00501-021-01179-y |z lizenzpflichtig |3 Volltext |
912 | |a GBV_USEFLAG_A | ||
912 | |a SYSFLAG_A | ||
912 | |a GBV_OLC | ||
912 | |a SSG-OLC-TEC | ||
912 | |a SSG-OLC-CHE | ||
912 | |a SSG-OLC-GEO | ||
912 | |a SSG-OLC-PHA | ||
912 | |a SSG-OLC-DE-84 | ||
912 | |a GBV_ILN_30 | ||
912 | |a GBV_ILN_267 | ||
912 | |a GBV_ILN_285 | ||
912 | |a GBV_ILN_2027 | ||
912 | |a GBV_ILN_2057 | ||
912 | |a GBV_ILN_4012 | ||
912 | |a GBV_ILN_4046 | ||
912 | |a GBV_ILN_4082 | ||
936 | r | v | |a TE 1000 |
951 | |a AR | ||
952 | |d 166 |j 2021 |e 12 |b 30 |c 11 |h 623-630 |
author_variant |
m v mv r w rw f k fk c t ct c k ck p g pg m o mo |
---|---|
matchkey_str |
article:00058912:2021----::ikslcenelgnienazuaatvnlnnvnnetosaamnmun |
hierarchy_sort_str |
2021 |
publishDate |
2021 |
allfields |
10.1007/s00501-021-01179-y doi (DE-627)OLC2077601302 (DE-He213)s00501-021-01179-y-p DE-627 ger DE-627 rakwb ger 070 660 620 VZ 19,1 ssgn TE 1000 VZ rvk Villeneuve, Marlene verfasserin aut Die künstliche Intelligenz im Einsatz zur adaptiven Planung von Injektionsmaßnahmen im Tunnelbau (Forschungsprojekt AVANT) 2021 Text txt rdacontent ohne Hilfsmittel zu benutzen n rdamedia Band nc rdacarrier © The Author(s) 2021 Zusammenfassung Für Vortriebe können Injektionen zur Baugrundverbesserung sowie zur Abdichtung des Tunnelbauwerks erforderlich sein. Häufig schränken diese Maßnahmen die Vortriebsgeschwindigkeit gravierend ein, weswegen deren effiziente Vorausplanung bedeutsam ist. Injektionen eignen sich bei wechselhaften Bedingungen besonders, weil sie mit vergleichsweise einfachen Baugeräten flexibel durchgeführt werden können. Zusätzlich ermöglicht die Flexibilität ein fortwährendes Anpassen der Bohr- und Injektionsparameter während der Durchführung. Dies kann die regelmäßige Anpassung des Bohrschemas, der -länge sowie der Injektionsparameter, des Injektionsmaterials und Abbruchkriteriums bedeuten. Die Möglichkeit maschinenbasierter, datengetriebener Maßnahmen mittels künstlicher Intelligenz (KI) wird im Forschungsprojekt AVANT untersucht. Ein Forschungskonsortium, bestehend aus den deutschen Partnern STUVA e. V., geoteam Ingenieurges. m.b.H. und den österreichischen Partnern eguana GmbH, Montanuniversität Leoben und Züblin Spezialtiefbau Ges.m.b.H., nimmt sich dieser Aufgabe an. Digitale Systeme zur Datenaufzeichnung sind nun auch im Bereich der Bohr- und Injektionstechnologie vorzufinden. Diese Systeme werden derzeit vorwiegend in der Dokumentation im Rahmen des Qualitätsmanagements eingesetzt. Im Projekt AVANT werden diese Daten untersucht, um einen effizienteren und somit wirtschaftlicheren Vortrieb sowie deren begleitende Injektionsmaßnahmen zu ermöglichen. Die zentrale Idee ist die Prozessierung der Bohr- und Injektionsdaten auf der Baustelle untertage sowie deren Einbindung im nachfolgenden Bauprozess, anstatt sie wie üblich ausschließlich zu Dokumentationszwecken zu archivieren. Konkret sollen die einzelnen Prozessschritte in eine dynamische echtzeitfähige Verarbeitung eingebettet werden. Dazu werden Methoden der künstlichen Intelligenz auf Bohr- und Injektionsdaten angewandt. Im vorliegenden Beitrag wird das Konzept des Projekts AVANT erläutert, und es werden erste Ergebnisse aus den Aufbereitungen der Datenquelle entsprechend den Algorithmen der künstlichen Intelligenz und deren Einschränkungen dargelegt. Der Beitrag beleuchtet tiefer gehend die nötige Grundlagenarbeit, um die Daten für die Prozessierung aufzubereiten und sie in eine KI-Trainingsumgebung zu überführen. Machine Learning Artificial Neural Networks Tunnelling Grouting Wenighofer, Robert aut Könemann, Frank aut Thienert, Christian aut Klaproth, Christoph aut Gabriel, Patrick aut Ouschan, Michael aut Enthalten in Berg- und hüttenmännische Monatshefte Springer Vienna, 1963 166(2021), 12 vom: 30. Nov., Seite 623-630 (DE-627)130139467 (DE-600)512261-2 (DE-576)015679179 0005-8912 nnns volume:166 year:2021 number:12 day:30 month:11 pages:623-630 https://doi.org/10.1007/s00501-021-01179-y lizenzpflichtig Volltext GBV_USEFLAG_A SYSFLAG_A GBV_OLC SSG-OLC-TEC SSG-OLC-CHE SSG-OLC-GEO SSG-OLC-PHA SSG-OLC-DE-84 GBV_ILN_30 GBV_ILN_267 GBV_ILN_285 GBV_ILN_2027 GBV_ILN_2057 GBV_ILN_4012 GBV_ILN_4046 GBV_ILN_4082 TE 1000 AR 166 2021 12 30 11 623-630 |
spelling |
10.1007/s00501-021-01179-y doi (DE-627)OLC2077601302 (DE-He213)s00501-021-01179-y-p DE-627 ger DE-627 rakwb ger 070 660 620 VZ 19,1 ssgn TE 1000 VZ rvk Villeneuve, Marlene verfasserin aut Die künstliche Intelligenz im Einsatz zur adaptiven Planung von Injektionsmaßnahmen im Tunnelbau (Forschungsprojekt AVANT) 2021 Text txt rdacontent ohne Hilfsmittel zu benutzen n rdamedia Band nc rdacarrier © The Author(s) 2021 Zusammenfassung Für Vortriebe können Injektionen zur Baugrundverbesserung sowie zur Abdichtung des Tunnelbauwerks erforderlich sein. Häufig schränken diese Maßnahmen die Vortriebsgeschwindigkeit gravierend ein, weswegen deren effiziente Vorausplanung bedeutsam ist. Injektionen eignen sich bei wechselhaften Bedingungen besonders, weil sie mit vergleichsweise einfachen Baugeräten flexibel durchgeführt werden können. Zusätzlich ermöglicht die Flexibilität ein fortwährendes Anpassen der Bohr- und Injektionsparameter während der Durchführung. Dies kann die regelmäßige Anpassung des Bohrschemas, der -länge sowie der Injektionsparameter, des Injektionsmaterials und Abbruchkriteriums bedeuten. Die Möglichkeit maschinenbasierter, datengetriebener Maßnahmen mittels künstlicher Intelligenz (KI) wird im Forschungsprojekt AVANT untersucht. Ein Forschungskonsortium, bestehend aus den deutschen Partnern STUVA e. V., geoteam Ingenieurges. m.b.H. und den österreichischen Partnern eguana GmbH, Montanuniversität Leoben und Züblin Spezialtiefbau Ges.m.b.H., nimmt sich dieser Aufgabe an. Digitale Systeme zur Datenaufzeichnung sind nun auch im Bereich der Bohr- und Injektionstechnologie vorzufinden. Diese Systeme werden derzeit vorwiegend in der Dokumentation im Rahmen des Qualitätsmanagements eingesetzt. Im Projekt AVANT werden diese Daten untersucht, um einen effizienteren und somit wirtschaftlicheren Vortrieb sowie deren begleitende Injektionsmaßnahmen zu ermöglichen. Die zentrale Idee ist die Prozessierung der Bohr- und Injektionsdaten auf der Baustelle untertage sowie deren Einbindung im nachfolgenden Bauprozess, anstatt sie wie üblich ausschließlich zu Dokumentationszwecken zu archivieren. Konkret sollen die einzelnen Prozessschritte in eine dynamische echtzeitfähige Verarbeitung eingebettet werden. Dazu werden Methoden der künstlichen Intelligenz auf Bohr- und Injektionsdaten angewandt. Im vorliegenden Beitrag wird das Konzept des Projekts AVANT erläutert, und es werden erste Ergebnisse aus den Aufbereitungen der Datenquelle entsprechend den Algorithmen der künstlichen Intelligenz und deren Einschränkungen dargelegt. Der Beitrag beleuchtet tiefer gehend die nötige Grundlagenarbeit, um die Daten für die Prozessierung aufzubereiten und sie in eine KI-Trainingsumgebung zu überführen. Machine Learning Artificial Neural Networks Tunnelling Grouting Wenighofer, Robert aut Könemann, Frank aut Thienert, Christian aut Klaproth, Christoph aut Gabriel, Patrick aut Ouschan, Michael aut Enthalten in Berg- und hüttenmännische Monatshefte Springer Vienna, 1963 166(2021), 12 vom: 30. Nov., Seite 623-630 (DE-627)130139467 (DE-600)512261-2 (DE-576)015679179 0005-8912 nnns volume:166 year:2021 number:12 day:30 month:11 pages:623-630 https://doi.org/10.1007/s00501-021-01179-y lizenzpflichtig Volltext GBV_USEFLAG_A SYSFLAG_A GBV_OLC SSG-OLC-TEC SSG-OLC-CHE SSG-OLC-GEO SSG-OLC-PHA SSG-OLC-DE-84 GBV_ILN_30 GBV_ILN_267 GBV_ILN_285 GBV_ILN_2027 GBV_ILN_2057 GBV_ILN_4012 GBV_ILN_4046 GBV_ILN_4082 TE 1000 AR 166 2021 12 30 11 623-630 |
allfields_unstemmed |
10.1007/s00501-021-01179-y doi (DE-627)OLC2077601302 (DE-He213)s00501-021-01179-y-p DE-627 ger DE-627 rakwb ger 070 660 620 VZ 19,1 ssgn TE 1000 VZ rvk Villeneuve, Marlene verfasserin aut Die künstliche Intelligenz im Einsatz zur adaptiven Planung von Injektionsmaßnahmen im Tunnelbau (Forschungsprojekt AVANT) 2021 Text txt rdacontent ohne Hilfsmittel zu benutzen n rdamedia Band nc rdacarrier © The Author(s) 2021 Zusammenfassung Für Vortriebe können Injektionen zur Baugrundverbesserung sowie zur Abdichtung des Tunnelbauwerks erforderlich sein. Häufig schränken diese Maßnahmen die Vortriebsgeschwindigkeit gravierend ein, weswegen deren effiziente Vorausplanung bedeutsam ist. Injektionen eignen sich bei wechselhaften Bedingungen besonders, weil sie mit vergleichsweise einfachen Baugeräten flexibel durchgeführt werden können. Zusätzlich ermöglicht die Flexibilität ein fortwährendes Anpassen der Bohr- und Injektionsparameter während der Durchführung. Dies kann die regelmäßige Anpassung des Bohrschemas, der -länge sowie der Injektionsparameter, des Injektionsmaterials und Abbruchkriteriums bedeuten. Die Möglichkeit maschinenbasierter, datengetriebener Maßnahmen mittels künstlicher Intelligenz (KI) wird im Forschungsprojekt AVANT untersucht. Ein Forschungskonsortium, bestehend aus den deutschen Partnern STUVA e. V., geoteam Ingenieurges. m.b.H. und den österreichischen Partnern eguana GmbH, Montanuniversität Leoben und Züblin Spezialtiefbau Ges.m.b.H., nimmt sich dieser Aufgabe an. Digitale Systeme zur Datenaufzeichnung sind nun auch im Bereich der Bohr- und Injektionstechnologie vorzufinden. Diese Systeme werden derzeit vorwiegend in der Dokumentation im Rahmen des Qualitätsmanagements eingesetzt. Im Projekt AVANT werden diese Daten untersucht, um einen effizienteren und somit wirtschaftlicheren Vortrieb sowie deren begleitende Injektionsmaßnahmen zu ermöglichen. Die zentrale Idee ist die Prozessierung der Bohr- und Injektionsdaten auf der Baustelle untertage sowie deren Einbindung im nachfolgenden Bauprozess, anstatt sie wie üblich ausschließlich zu Dokumentationszwecken zu archivieren. Konkret sollen die einzelnen Prozessschritte in eine dynamische echtzeitfähige Verarbeitung eingebettet werden. Dazu werden Methoden der künstlichen Intelligenz auf Bohr- und Injektionsdaten angewandt. Im vorliegenden Beitrag wird das Konzept des Projekts AVANT erläutert, und es werden erste Ergebnisse aus den Aufbereitungen der Datenquelle entsprechend den Algorithmen der künstlichen Intelligenz und deren Einschränkungen dargelegt. Der Beitrag beleuchtet tiefer gehend die nötige Grundlagenarbeit, um die Daten für die Prozessierung aufzubereiten und sie in eine KI-Trainingsumgebung zu überführen. Machine Learning Artificial Neural Networks Tunnelling Grouting Wenighofer, Robert aut Könemann, Frank aut Thienert, Christian aut Klaproth, Christoph aut Gabriel, Patrick aut Ouschan, Michael aut Enthalten in Berg- und hüttenmännische Monatshefte Springer Vienna, 1963 166(2021), 12 vom: 30. Nov., Seite 623-630 (DE-627)130139467 (DE-600)512261-2 (DE-576)015679179 0005-8912 nnns volume:166 year:2021 number:12 day:30 month:11 pages:623-630 https://doi.org/10.1007/s00501-021-01179-y lizenzpflichtig Volltext GBV_USEFLAG_A SYSFLAG_A GBV_OLC SSG-OLC-TEC SSG-OLC-CHE SSG-OLC-GEO SSG-OLC-PHA SSG-OLC-DE-84 GBV_ILN_30 GBV_ILN_267 GBV_ILN_285 GBV_ILN_2027 GBV_ILN_2057 GBV_ILN_4012 GBV_ILN_4046 GBV_ILN_4082 TE 1000 AR 166 2021 12 30 11 623-630 |
allfieldsGer |
10.1007/s00501-021-01179-y doi (DE-627)OLC2077601302 (DE-He213)s00501-021-01179-y-p DE-627 ger DE-627 rakwb ger 070 660 620 VZ 19,1 ssgn TE 1000 VZ rvk Villeneuve, Marlene verfasserin aut Die künstliche Intelligenz im Einsatz zur adaptiven Planung von Injektionsmaßnahmen im Tunnelbau (Forschungsprojekt AVANT) 2021 Text txt rdacontent ohne Hilfsmittel zu benutzen n rdamedia Band nc rdacarrier © The Author(s) 2021 Zusammenfassung Für Vortriebe können Injektionen zur Baugrundverbesserung sowie zur Abdichtung des Tunnelbauwerks erforderlich sein. Häufig schränken diese Maßnahmen die Vortriebsgeschwindigkeit gravierend ein, weswegen deren effiziente Vorausplanung bedeutsam ist. Injektionen eignen sich bei wechselhaften Bedingungen besonders, weil sie mit vergleichsweise einfachen Baugeräten flexibel durchgeführt werden können. Zusätzlich ermöglicht die Flexibilität ein fortwährendes Anpassen der Bohr- und Injektionsparameter während der Durchführung. Dies kann die regelmäßige Anpassung des Bohrschemas, der -länge sowie der Injektionsparameter, des Injektionsmaterials und Abbruchkriteriums bedeuten. Die Möglichkeit maschinenbasierter, datengetriebener Maßnahmen mittels künstlicher Intelligenz (KI) wird im Forschungsprojekt AVANT untersucht. Ein Forschungskonsortium, bestehend aus den deutschen Partnern STUVA e. V., geoteam Ingenieurges. m.b.H. und den österreichischen Partnern eguana GmbH, Montanuniversität Leoben und Züblin Spezialtiefbau Ges.m.b.H., nimmt sich dieser Aufgabe an. Digitale Systeme zur Datenaufzeichnung sind nun auch im Bereich der Bohr- und Injektionstechnologie vorzufinden. Diese Systeme werden derzeit vorwiegend in der Dokumentation im Rahmen des Qualitätsmanagements eingesetzt. Im Projekt AVANT werden diese Daten untersucht, um einen effizienteren und somit wirtschaftlicheren Vortrieb sowie deren begleitende Injektionsmaßnahmen zu ermöglichen. Die zentrale Idee ist die Prozessierung der Bohr- und Injektionsdaten auf der Baustelle untertage sowie deren Einbindung im nachfolgenden Bauprozess, anstatt sie wie üblich ausschließlich zu Dokumentationszwecken zu archivieren. Konkret sollen die einzelnen Prozessschritte in eine dynamische echtzeitfähige Verarbeitung eingebettet werden. Dazu werden Methoden der künstlichen Intelligenz auf Bohr- und Injektionsdaten angewandt. Im vorliegenden Beitrag wird das Konzept des Projekts AVANT erläutert, und es werden erste Ergebnisse aus den Aufbereitungen der Datenquelle entsprechend den Algorithmen der künstlichen Intelligenz und deren Einschränkungen dargelegt. Der Beitrag beleuchtet tiefer gehend die nötige Grundlagenarbeit, um die Daten für die Prozessierung aufzubereiten und sie in eine KI-Trainingsumgebung zu überführen. Machine Learning Artificial Neural Networks Tunnelling Grouting Wenighofer, Robert aut Könemann, Frank aut Thienert, Christian aut Klaproth, Christoph aut Gabriel, Patrick aut Ouschan, Michael aut Enthalten in Berg- und hüttenmännische Monatshefte Springer Vienna, 1963 166(2021), 12 vom: 30. Nov., Seite 623-630 (DE-627)130139467 (DE-600)512261-2 (DE-576)015679179 0005-8912 nnns volume:166 year:2021 number:12 day:30 month:11 pages:623-630 https://doi.org/10.1007/s00501-021-01179-y lizenzpflichtig Volltext GBV_USEFLAG_A SYSFLAG_A GBV_OLC SSG-OLC-TEC SSG-OLC-CHE SSG-OLC-GEO SSG-OLC-PHA SSG-OLC-DE-84 GBV_ILN_30 GBV_ILN_267 GBV_ILN_285 GBV_ILN_2027 GBV_ILN_2057 GBV_ILN_4012 GBV_ILN_4046 GBV_ILN_4082 TE 1000 AR 166 2021 12 30 11 623-630 |
allfieldsSound |
10.1007/s00501-021-01179-y doi (DE-627)OLC2077601302 (DE-He213)s00501-021-01179-y-p DE-627 ger DE-627 rakwb ger 070 660 620 VZ 19,1 ssgn TE 1000 VZ rvk Villeneuve, Marlene verfasserin aut Die künstliche Intelligenz im Einsatz zur adaptiven Planung von Injektionsmaßnahmen im Tunnelbau (Forschungsprojekt AVANT) 2021 Text txt rdacontent ohne Hilfsmittel zu benutzen n rdamedia Band nc rdacarrier © The Author(s) 2021 Zusammenfassung Für Vortriebe können Injektionen zur Baugrundverbesserung sowie zur Abdichtung des Tunnelbauwerks erforderlich sein. Häufig schränken diese Maßnahmen die Vortriebsgeschwindigkeit gravierend ein, weswegen deren effiziente Vorausplanung bedeutsam ist. Injektionen eignen sich bei wechselhaften Bedingungen besonders, weil sie mit vergleichsweise einfachen Baugeräten flexibel durchgeführt werden können. Zusätzlich ermöglicht die Flexibilität ein fortwährendes Anpassen der Bohr- und Injektionsparameter während der Durchführung. Dies kann die regelmäßige Anpassung des Bohrschemas, der -länge sowie der Injektionsparameter, des Injektionsmaterials und Abbruchkriteriums bedeuten. Die Möglichkeit maschinenbasierter, datengetriebener Maßnahmen mittels künstlicher Intelligenz (KI) wird im Forschungsprojekt AVANT untersucht. Ein Forschungskonsortium, bestehend aus den deutschen Partnern STUVA e. V., geoteam Ingenieurges. m.b.H. und den österreichischen Partnern eguana GmbH, Montanuniversität Leoben und Züblin Spezialtiefbau Ges.m.b.H., nimmt sich dieser Aufgabe an. Digitale Systeme zur Datenaufzeichnung sind nun auch im Bereich der Bohr- und Injektionstechnologie vorzufinden. Diese Systeme werden derzeit vorwiegend in der Dokumentation im Rahmen des Qualitätsmanagements eingesetzt. Im Projekt AVANT werden diese Daten untersucht, um einen effizienteren und somit wirtschaftlicheren Vortrieb sowie deren begleitende Injektionsmaßnahmen zu ermöglichen. Die zentrale Idee ist die Prozessierung der Bohr- und Injektionsdaten auf der Baustelle untertage sowie deren Einbindung im nachfolgenden Bauprozess, anstatt sie wie üblich ausschließlich zu Dokumentationszwecken zu archivieren. Konkret sollen die einzelnen Prozessschritte in eine dynamische echtzeitfähige Verarbeitung eingebettet werden. Dazu werden Methoden der künstlichen Intelligenz auf Bohr- und Injektionsdaten angewandt. Im vorliegenden Beitrag wird das Konzept des Projekts AVANT erläutert, und es werden erste Ergebnisse aus den Aufbereitungen der Datenquelle entsprechend den Algorithmen der künstlichen Intelligenz und deren Einschränkungen dargelegt. Der Beitrag beleuchtet tiefer gehend die nötige Grundlagenarbeit, um die Daten für die Prozessierung aufzubereiten und sie in eine KI-Trainingsumgebung zu überführen. Machine Learning Artificial Neural Networks Tunnelling Grouting Wenighofer, Robert aut Könemann, Frank aut Thienert, Christian aut Klaproth, Christoph aut Gabriel, Patrick aut Ouschan, Michael aut Enthalten in Berg- und hüttenmännische Monatshefte Springer Vienna, 1963 166(2021), 12 vom: 30. Nov., Seite 623-630 (DE-627)130139467 (DE-600)512261-2 (DE-576)015679179 0005-8912 nnns volume:166 year:2021 number:12 day:30 month:11 pages:623-630 https://doi.org/10.1007/s00501-021-01179-y lizenzpflichtig Volltext GBV_USEFLAG_A SYSFLAG_A GBV_OLC SSG-OLC-TEC SSG-OLC-CHE SSG-OLC-GEO SSG-OLC-PHA SSG-OLC-DE-84 GBV_ILN_30 GBV_ILN_267 GBV_ILN_285 GBV_ILN_2027 GBV_ILN_2057 GBV_ILN_4012 GBV_ILN_4046 GBV_ILN_4082 TE 1000 AR 166 2021 12 30 11 623-630 |
language |
German |
source |
Enthalten in Berg- und hüttenmännische Monatshefte 166(2021), 12 vom: 30. Nov., Seite 623-630 volume:166 year:2021 number:12 day:30 month:11 pages:623-630 |
sourceStr |
Enthalten in Berg- und hüttenmännische Monatshefte 166(2021), 12 vom: 30. Nov., Seite 623-630 volume:166 year:2021 number:12 day:30 month:11 pages:623-630 |
format_phy_str_mv |
Article |
institution |
findex.gbv.de |
topic_facet |
Machine Learning Artificial Neural Networks Tunnelling Grouting |
dewey-raw |
070 |
isfreeaccess_bool |
false |
container_title |
Berg- und hüttenmännische Monatshefte |
authorswithroles_txt_mv |
Villeneuve, Marlene @@aut@@ Wenighofer, Robert @@aut@@ Könemann, Frank @@aut@@ Thienert, Christian @@aut@@ Klaproth, Christoph @@aut@@ Gabriel, Patrick @@aut@@ Ouschan, Michael @@aut@@ |
publishDateDaySort_date |
2021-11-30T00:00:00Z |
hierarchy_top_id |
130139467 |
dewey-sort |
270 |
id |
OLC2077601302 |
language_de |
deutsch |
fullrecord |
<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>01000caa a22002652 4500</leader><controlfield tag="001">OLC2077601302</controlfield><controlfield tag="003">DE-627</controlfield><controlfield tag="005">20230509063600.0</controlfield><controlfield tag="007">tu</controlfield><controlfield tag="008">221220s2021 xx ||||| 00| ||ger c</controlfield><datafield tag="024" ind1="7" ind2=" "><subfield code="a">10.1007/s00501-021-01179-y</subfield><subfield code="2">doi</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-627)OLC2077601302</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-He213)s00501-021-01179-y-p</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-627</subfield><subfield code="b">ger</subfield><subfield code="c">DE-627</subfield><subfield code="e">rakwb</subfield></datafield><datafield tag="041" ind1=" " ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="082" ind1="0" ind2="4"><subfield code="a">070</subfield><subfield code="a">660</subfield><subfield code="a">620</subfield><subfield code="q">VZ</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">19,1</subfield><subfield code="2">ssgn</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">TE 1000</subfield><subfield code="q">VZ</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Villeneuve, Marlene</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Die künstliche Intelligenz im Einsatz zur adaptiven Planung von Injektionsmaßnahmen im Tunnelbau (Forschungsprojekt AVANT)</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="c">2021</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="a">Text</subfield><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="a">ohne Hilfsmittel zu benutzen</subfield><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="a">Band</subfield><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">© The Author(s) 2021</subfield></datafield><datafield tag="520" ind1=" " ind2=" "><subfield code="a">Zusammenfassung Für Vortriebe können Injektionen zur Baugrundverbesserung sowie zur Abdichtung des Tunnelbauwerks erforderlich sein. Häufig schränken diese Maßnahmen die Vortriebsgeschwindigkeit gravierend ein, weswegen deren effiziente Vorausplanung bedeutsam ist. Injektionen eignen sich bei wechselhaften Bedingungen besonders, weil sie mit vergleichsweise einfachen Baugeräten flexibel durchgeführt werden können. Zusätzlich ermöglicht die Flexibilität ein fortwährendes Anpassen der Bohr- und Injektionsparameter während der Durchführung. Dies kann die regelmäßige Anpassung des Bohrschemas, der -länge sowie der Injektionsparameter, des Injektionsmaterials und Abbruchkriteriums bedeuten. Die Möglichkeit maschinenbasierter, datengetriebener Maßnahmen mittels künstlicher Intelligenz (KI) wird im Forschungsprojekt AVANT untersucht. Ein Forschungskonsortium, bestehend aus den deutschen Partnern STUVA e. V., geoteam Ingenieurges. m.b.H. und den österreichischen Partnern eguana GmbH, Montanuniversität Leoben und Züblin Spezialtiefbau Ges.m.b.H., nimmt sich dieser Aufgabe an. Digitale Systeme zur Datenaufzeichnung sind nun auch im Bereich der Bohr- und Injektionstechnologie vorzufinden. Diese Systeme werden derzeit vorwiegend in der Dokumentation im Rahmen des Qualitätsmanagements eingesetzt. Im Projekt AVANT werden diese Daten untersucht, um einen effizienteren und somit wirtschaftlicheren Vortrieb sowie deren begleitende Injektionsmaßnahmen zu ermöglichen. Die zentrale Idee ist die Prozessierung der Bohr- und Injektionsdaten auf der Baustelle untertage sowie deren Einbindung im nachfolgenden Bauprozess, anstatt sie wie üblich ausschließlich zu Dokumentationszwecken zu archivieren. Konkret sollen die einzelnen Prozessschritte in eine dynamische echtzeitfähige Verarbeitung eingebettet werden. Dazu werden Methoden der künstlichen Intelligenz auf Bohr- und Injektionsdaten angewandt. Im vorliegenden Beitrag wird das Konzept des Projekts AVANT erläutert, und es werden erste Ergebnisse aus den Aufbereitungen der Datenquelle entsprechend den Algorithmen der künstlichen Intelligenz und deren Einschränkungen dargelegt. Der Beitrag beleuchtet tiefer gehend die nötige Grundlagenarbeit, um die Daten für die Prozessierung aufzubereiten und sie in eine KI-Trainingsumgebung zu überführen.</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Machine Learning</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Artificial Neural Networks</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Tunnelling</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Grouting</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Wenighofer, Robert</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Könemann, Frank</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Thienert, Christian</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Klaproth, Christoph</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Gabriel, Patrick</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Ouschan, Michael</subfield><subfield code="4">aut</subfield></datafield><datafield tag="773" ind1="0" ind2="8"><subfield code="i">Enthalten in</subfield><subfield code="t">Berg- und hüttenmännische Monatshefte</subfield><subfield code="d">Springer Vienna, 1963</subfield><subfield code="g">166(2021), 12 vom: 30. Nov., Seite 623-630</subfield><subfield code="w">(DE-627)130139467</subfield><subfield code="w">(DE-600)512261-2</subfield><subfield code="w">(DE-576)015679179</subfield><subfield code="x">0005-8912</subfield><subfield code="7">nnns</subfield></datafield><datafield tag="773" ind1="1" ind2="8"><subfield code="g">volume:166</subfield><subfield code="g">year:2021</subfield><subfield code="g">number:12</subfield><subfield code="g">day:30</subfield><subfield code="g">month:11</subfield><subfield code="g">pages:623-630</subfield></datafield><datafield tag="856" ind1="4" ind2="1"><subfield code="u">https://doi.org/10.1007/s00501-021-01179-y</subfield><subfield code="z">lizenzpflichtig</subfield><subfield code="3">Volltext</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_USEFLAG_A</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SYSFLAG_A</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_OLC</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SSG-OLC-TEC</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SSG-OLC-CHE</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SSG-OLC-GEO</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SSG-OLC-PHA</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SSG-OLC-DE-84</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_30</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_267</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_285</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_2027</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_2057</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4012</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4046</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4082</subfield></datafield><datafield tag="936" ind1="r" ind2="v"><subfield code="a">TE 1000</subfield></datafield><datafield tag="951" ind1=" " ind2=" "><subfield code="a">AR</subfield></datafield><datafield tag="952" ind1=" " ind2=" "><subfield code="d">166</subfield><subfield code="j">2021</subfield><subfield code="e">12</subfield><subfield code="b">30</subfield><subfield code="c">11</subfield><subfield code="h">623-630</subfield></datafield></record></collection>
|
author |
Villeneuve, Marlene |
spellingShingle |
Villeneuve, Marlene ddc 070 ssgn 19,1 rvk TE 1000 misc Machine Learning misc Artificial Neural Networks misc Tunnelling misc Grouting Die künstliche Intelligenz im Einsatz zur adaptiven Planung von Injektionsmaßnahmen im Tunnelbau (Forschungsprojekt AVANT) |
authorStr |
Villeneuve, Marlene |
ppnlink_with_tag_str_mv |
@@773@@(DE-627)130139467 |
format |
Article |
dewey-ones |
070 - News media, journalism & publishing 660 - Chemical engineering 620 - Engineering & allied operations |
delete_txt_mv |
keep |
author_role |
aut aut aut aut aut aut aut |
collection |
OLC |
remote_str |
false |
illustrated |
Not Illustrated |
issn |
0005-8912 |
topic_title |
070 660 620 VZ 19,1 ssgn TE 1000 VZ rvk Die künstliche Intelligenz im Einsatz zur adaptiven Planung von Injektionsmaßnahmen im Tunnelbau (Forschungsprojekt AVANT) Machine Learning Artificial Neural Networks Tunnelling Grouting |
topic |
ddc 070 ssgn 19,1 rvk TE 1000 misc Machine Learning misc Artificial Neural Networks misc Tunnelling misc Grouting |
topic_unstemmed |
ddc 070 ssgn 19,1 rvk TE 1000 misc Machine Learning misc Artificial Neural Networks misc Tunnelling misc Grouting |
topic_browse |
ddc 070 ssgn 19,1 rvk TE 1000 misc Machine Learning misc Artificial Neural Networks misc Tunnelling misc Grouting |
format_facet |
Aufsätze Gedruckte Aufsätze |
format_main_str_mv |
Text Zeitschrift/Artikel |
carriertype_str_mv |
nc |
hierarchy_parent_title |
Berg- und hüttenmännische Monatshefte |
hierarchy_parent_id |
130139467 |
dewey-tens |
070 - News media, journalism & publishing 660 - Chemical engineering 620 - Engineering |
hierarchy_top_title |
Berg- und hüttenmännische Monatshefte |
isfreeaccess_txt |
false |
familylinks_str_mv |
(DE-627)130139467 (DE-600)512261-2 (DE-576)015679179 |
title |
Die künstliche Intelligenz im Einsatz zur adaptiven Planung von Injektionsmaßnahmen im Tunnelbau (Forschungsprojekt AVANT) |
ctrlnum |
(DE-627)OLC2077601302 (DE-He213)s00501-021-01179-y-p |
title_full |
Die künstliche Intelligenz im Einsatz zur adaptiven Planung von Injektionsmaßnahmen im Tunnelbau (Forschungsprojekt AVANT) |
author_sort |
Villeneuve, Marlene |
journal |
Berg- und hüttenmännische Monatshefte |
journalStr |
Berg- und hüttenmännische Monatshefte |
lang_code |
ger |
isOA_bool |
false |
dewey-hundreds |
000 - Computer science, information & general works 600 - Technology |
recordtype |
marc |
publishDateSort |
2021 |
contenttype_str_mv |
txt |
container_start_page |
623 |
author_browse |
Villeneuve, Marlene Wenighofer, Robert Könemann, Frank Thienert, Christian Klaproth, Christoph Gabriel, Patrick Ouschan, Michael |
container_volume |
166 |
class |
070 660 620 VZ 19,1 ssgn TE 1000 VZ rvk |
format_se |
Aufsätze |
author-letter |
Villeneuve, Marlene |
doi_str_mv |
10.1007/s00501-021-01179-y |
dewey-full |
070 660 620 |
title_sort |
die künstliche intelligenz im einsatz zur adaptiven planung von injektionsmaßnahmen im tunnelbau (forschungsprojekt avant) |
title_auth |
Die künstliche Intelligenz im Einsatz zur adaptiven Planung von Injektionsmaßnahmen im Tunnelbau (Forschungsprojekt AVANT) |
abstract |
Zusammenfassung Für Vortriebe können Injektionen zur Baugrundverbesserung sowie zur Abdichtung des Tunnelbauwerks erforderlich sein. Häufig schränken diese Maßnahmen die Vortriebsgeschwindigkeit gravierend ein, weswegen deren effiziente Vorausplanung bedeutsam ist. Injektionen eignen sich bei wechselhaften Bedingungen besonders, weil sie mit vergleichsweise einfachen Baugeräten flexibel durchgeführt werden können. Zusätzlich ermöglicht die Flexibilität ein fortwährendes Anpassen der Bohr- und Injektionsparameter während der Durchführung. Dies kann die regelmäßige Anpassung des Bohrschemas, der -länge sowie der Injektionsparameter, des Injektionsmaterials und Abbruchkriteriums bedeuten. Die Möglichkeit maschinenbasierter, datengetriebener Maßnahmen mittels künstlicher Intelligenz (KI) wird im Forschungsprojekt AVANT untersucht. Ein Forschungskonsortium, bestehend aus den deutschen Partnern STUVA e. V., geoteam Ingenieurges. m.b.H. und den österreichischen Partnern eguana GmbH, Montanuniversität Leoben und Züblin Spezialtiefbau Ges.m.b.H., nimmt sich dieser Aufgabe an. Digitale Systeme zur Datenaufzeichnung sind nun auch im Bereich der Bohr- und Injektionstechnologie vorzufinden. Diese Systeme werden derzeit vorwiegend in der Dokumentation im Rahmen des Qualitätsmanagements eingesetzt. Im Projekt AVANT werden diese Daten untersucht, um einen effizienteren und somit wirtschaftlicheren Vortrieb sowie deren begleitende Injektionsmaßnahmen zu ermöglichen. Die zentrale Idee ist die Prozessierung der Bohr- und Injektionsdaten auf der Baustelle untertage sowie deren Einbindung im nachfolgenden Bauprozess, anstatt sie wie üblich ausschließlich zu Dokumentationszwecken zu archivieren. Konkret sollen die einzelnen Prozessschritte in eine dynamische echtzeitfähige Verarbeitung eingebettet werden. Dazu werden Methoden der künstlichen Intelligenz auf Bohr- und Injektionsdaten angewandt. Im vorliegenden Beitrag wird das Konzept des Projekts AVANT erläutert, und es werden erste Ergebnisse aus den Aufbereitungen der Datenquelle entsprechend den Algorithmen der künstlichen Intelligenz und deren Einschränkungen dargelegt. Der Beitrag beleuchtet tiefer gehend die nötige Grundlagenarbeit, um die Daten für die Prozessierung aufzubereiten und sie in eine KI-Trainingsumgebung zu überführen. © The Author(s) 2021 |
abstractGer |
Zusammenfassung Für Vortriebe können Injektionen zur Baugrundverbesserung sowie zur Abdichtung des Tunnelbauwerks erforderlich sein. Häufig schränken diese Maßnahmen die Vortriebsgeschwindigkeit gravierend ein, weswegen deren effiziente Vorausplanung bedeutsam ist. Injektionen eignen sich bei wechselhaften Bedingungen besonders, weil sie mit vergleichsweise einfachen Baugeräten flexibel durchgeführt werden können. Zusätzlich ermöglicht die Flexibilität ein fortwährendes Anpassen der Bohr- und Injektionsparameter während der Durchführung. Dies kann die regelmäßige Anpassung des Bohrschemas, der -länge sowie der Injektionsparameter, des Injektionsmaterials und Abbruchkriteriums bedeuten. Die Möglichkeit maschinenbasierter, datengetriebener Maßnahmen mittels künstlicher Intelligenz (KI) wird im Forschungsprojekt AVANT untersucht. Ein Forschungskonsortium, bestehend aus den deutschen Partnern STUVA e. V., geoteam Ingenieurges. m.b.H. und den österreichischen Partnern eguana GmbH, Montanuniversität Leoben und Züblin Spezialtiefbau Ges.m.b.H., nimmt sich dieser Aufgabe an. Digitale Systeme zur Datenaufzeichnung sind nun auch im Bereich der Bohr- und Injektionstechnologie vorzufinden. Diese Systeme werden derzeit vorwiegend in der Dokumentation im Rahmen des Qualitätsmanagements eingesetzt. Im Projekt AVANT werden diese Daten untersucht, um einen effizienteren und somit wirtschaftlicheren Vortrieb sowie deren begleitende Injektionsmaßnahmen zu ermöglichen. Die zentrale Idee ist die Prozessierung der Bohr- und Injektionsdaten auf der Baustelle untertage sowie deren Einbindung im nachfolgenden Bauprozess, anstatt sie wie üblich ausschließlich zu Dokumentationszwecken zu archivieren. Konkret sollen die einzelnen Prozessschritte in eine dynamische echtzeitfähige Verarbeitung eingebettet werden. Dazu werden Methoden der künstlichen Intelligenz auf Bohr- und Injektionsdaten angewandt. Im vorliegenden Beitrag wird das Konzept des Projekts AVANT erläutert, und es werden erste Ergebnisse aus den Aufbereitungen der Datenquelle entsprechend den Algorithmen der künstlichen Intelligenz und deren Einschränkungen dargelegt. Der Beitrag beleuchtet tiefer gehend die nötige Grundlagenarbeit, um die Daten für die Prozessierung aufzubereiten und sie in eine KI-Trainingsumgebung zu überführen. © The Author(s) 2021 |
abstract_unstemmed |
Zusammenfassung Für Vortriebe können Injektionen zur Baugrundverbesserung sowie zur Abdichtung des Tunnelbauwerks erforderlich sein. Häufig schränken diese Maßnahmen die Vortriebsgeschwindigkeit gravierend ein, weswegen deren effiziente Vorausplanung bedeutsam ist. Injektionen eignen sich bei wechselhaften Bedingungen besonders, weil sie mit vergleichsweise einfachen Baugeräten flexibel durchgeführt werden können. Zusätzlich ermöglicht die Flexibilität ein fortwährendes Anpassen der Bohr- und Injektionsparameter während der Durchführung. Dies kann die regelmäßige Anpassung des Bohrschemas, der -länge sowie der Injektionsparameter, des Injektionsmaterials und Abbruchkriteriums bedeuten. Die Möglichkeit maschinenbasierter, datengetriebener Maßnahmen mittels künstlicher Intelligenz (KI) wird im Forschungsprojekt AVANT untersucht. Ein Forschungskonsortium, bestehend aus den deutschen Partnern STUVA e. V., geoteam Ingenieurges. m.b.H. und den österreichischen Partnern eguana GmbH, Montanuniversität Leoben und Züblin Spezialtiefbau Ges.m.b.H., nimmt sich dieser Aufgabe an. Digitale Systeme zur Datenaufzeichnung sind nun auch im Bereich der Bohr- und Injektionstechnologie vorzufinden. Diese Systeme werden derzeit vorwiegend in der Dokumentation im Rahmen des Qualitätsmanagements eingesetzt. Im Projekt AVANT werden diese Daten untersucht, um einen effizienteren und somit wirtschaftlicheren Vortrieb sowie deren begleitende Injektionsmaßnahmen zu ermöglichen. Die zentrale Idee ist die Prozessierung der Bohr- und Injektionsdaten auf der Baustelle untertage sowie deren Einbindung im nachfolgenden Bauprozess, anstatt sie wie üblich ausschließlich zu Dokumentationszwecken zu archivieren. Konkret sollen die einzelnen Prozessschritte in eine dynamische echtzeitfähige Verarbeitung eingebettet werden. Dazu werden Methoden der künstlichen Intelligenz auf Bohr- und Injektionsdaten angewandt. Im vorliegenden Beitrag wird das Konzept des Projekts AVANT erläutert, und es werden erste Ergebnisse aus den Aufbereitungen der Datenquelle entsprechend den Algorithmen der künstlichen Intelligenz und deren Einschränkungen dargelegt. Der Beitrag beleuchtet tiefer gehend die nötige Grundlagenarbeit, um die Daten für die Prozessierung aufzubereiten und sie in eine KI-Trainingsumgebung zu überführen. © The Author(s) 2021 |
collection_details |
GBV_USEFLAG_A SYSFLAG_A GBV_OLC SSG-OLC-TEC SSG-OLC-CHE SSG-OLC-GEO SSG-OLC-PHA SSG-OLC-DE-84 GBV_ILN_30 GBV_ILN_267 GBV_ILN_285 GBV_ILN_2027 GBV_ILN_2057 GBV_ILN_4012 GBV_ILN_4046 GBV_ILN_4082 |
container_issue |
12 |
title_short |
Die künstliche Intelligenz im Einsatz zur adaptiven Planung von Injektionsmaßnahmen im Tunnelbau (Forschungsprojekt AVANT) |
url |
https://doi.org/10.1007/s00501-021-01179-y |
remote_bool |
false |
author2 |
Wenighofer, Robert Könemann, Frank Thienert, Christian Klaproth, Christoph Gabriel, Patrick Ouschan, Michael |
author2Str |
Wenighofer, Robert Könemann, Frank Thienert, Christian Klaproth, Christoph Gabriel, Patrick Ouschan, Michael |
ppnlink |
130139467 |
mediatype_str_mv |
n |
isOA_txt |
false |
hochschulschrift_bool |
false |
doi_str |
10.1007/s00501-021-01179-y |
up_date |
2024-07-03T16:23:40.160Z |
_version_ |
1803575697251237888 |
fullrecord_marcxml |
<?xml version="1.0" encoding="UTF-8"?><collection xmlns="http://www.loc.gov/MARC21/slim"><record><leader>01000caa a22002652 4500</leader><controlfield tag="001">OLC2077601302</controlfield><controlfield tag="003">DE-627</controlfield><controlfield tag="005">20230509063600.0</controlfield><controlfield tag="007">tu</controlfield><controlfield tag="008">221220s2021 xx ||||| 00| ||ger c</controlfield><datafield tag="024" ind1="7" ind2=" "><subfield code="a">10.1007/s00501-021-01179-y</subfield><subfield code="2">doi</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-627)OLC2077601302</subfield></datafield><datafield tag="035" ind1=" " ind2=" "><subfield code="a">(DE-He213)s00501-021-01179-y-p</subfield></datafield><datafield tag="040" ind1=" " ind2=" "><subfield code="a">DE-627</subfield><subfield code="b">ger</subfield><subfield code="c">DE-627</subfield><subfield code="e">rakwb</subfield></datafield><datafield tag="041" ind1=" " ind2=" "><subfield code="a">ger</subfield></datafield><datafield tag="082" ind1="0" ind2="4"><subfield code="a">070</subfield><subfield code="a">660</subfield><subfield code="a">620</subfield><subfield code="q">VZ</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">19,1</subfield><subfield code="2">ssgn</subfield></datafield><datafield tag="084" ind1=" " ind2=" "><subfield code="a">TE 1000</subfield><subfield code="q">VZ</subfield><subfield code="2">rvk</subfield></datafield><datafield tag="100" ind1="1" ind2=" "><subfield code="a">Villeneuve, Marlene</subfield><subfield code="e">verfasserin</subfield><subfield code="4">aut</subfield></datafield><datafield tag="245" ind1="1" ind2="0"><subfield code="a">Die künstliche Intelligenz im Einsatz zur adaptiven Planung von Injektionsmaßnahmen im Tunnelbau (Forschungsprojekt AVANT)</subfield></datafield><datafield tag="264" ind1=" " ind2="1"><subfield code="c">2021</subfield></datafield><datafield tag="336" ind1=" " ind2=" "><subfield code="a">Text</subfield><subfield code="b">txt</subfield><subfield code="2">rdacontent</subfield></datafield><datafield tag="337" ind1=" " ind2=" "><subfield code="a">ohne Hilfsmittel zu benutzen</subfield><subfield code="b">n</subfield><subfield code="2">rdamedia</subfield></datafield><datafield tag="338" ind1=" " ind2=" "><subfield code="a">Band</subfield><subfield code="b">nc</subfield><subfield code="2">rdacarrier</subfield></datafield><datafield tag="500" ind1=" " ind2=" "><subfield code="a">© The Author(s) 2021</subfield></datafield><datafield tag="520" ind1=" " ind2=" "><subfield code="a">Zusammenfassung Für Vortriebe können Injektionen zur Baugrundverbesserung sowie zur Abdichtung des Tunnelbauwerks erforderlich sein. Häufig schränken diese Maßnahmen die Vortriebsgeschwindigkeit gravierend ein, weswegen deren effiziente Vorausplanung bedeutsam ist. Injektionen eignen sich bei wechselhaften Bedingungen besonders, weil sie mit vergleichsweise einfachen Baugeräten flexibel durchgeführt werden können. Zusätzlich ermöglicht die Flexibilität ein fortwährendes Anpassen der Bohr- und Injektionsparameter während der Durchführung. Dies kann die regelmäßige Anpassung des Bohrschemas, der -länge sowie der Injektionsparameter, des Injektionsmaterials und Abbruchkriteriums bedeuten. Die Möglichkeit maschinenbasierter, datengetriebener Maßnahmen mittels künstlicher Intelligenz (KI) wird im Forschungsprojekt AVANT untersucht. Ein Forschungskonsortium, bestehend aus den deutschen Partnern STUVA e. V., geoteam Ingenieurges. m.b.H. und den österreichischen Partnern eguana GmbH, Montanuniversität Leoben und Züblin Spezialtiefbau Ges.m.b.H., nimmt sich dieser Aufgabe an. Digitale Systeme zur Datenaufzeichnung sind nun auch im Bereich der Bohr- und Injektionstechnologie vorzufinden. Diese Systeme werden derzeit vorwiegend in der Dokumentation im Rahmen des Qualitätsmanagements eingesetzt. Im Projekt AVANT werden diese Daten untersucht, um einen effizienteren und somit wirtschaftlicheren Vortrieb sowie deren begleitende Injektionsmaßnahmen zu ermöglichen. Die zentrale Idee ist die Prozessierung der Bohr- und Injektionsdaten auf der Baustelle untertage sowie deren Einbindung im nachfolgenden Bauprozess, anstatt sie wie üblich ausschließlich zu Dokumentationszwecken zu archivieren. Konkret sollen die einzelnen Prozessschritte in eine dynamische echtzeitfähige Verarbeitung eingebettet werden. Dazu werden Methoden der künstlichen Intelligenz auf Bohr- und Injektionsdaten angewandt. Im vorliegenden Beitrag wird das Konzept des Projekts AVANT erläutert, und es werden erste Ergebnisse aus den Aufbereitungen der Datenquelle entsprechend den Algorithmen der künstlichen Intelligenz und deren Einschränkungen dargelegt. Der Beitrag beleuchtet tiefer gehend die nötige Grundlagenarbeit, um die Daten für die Prozessierung aufzubereiten und sie in eine KI-Trainingsumgebung zu überführen.</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Machine Learning</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Artificial Neural Networks</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Tunnelling</subfield></datafield><datafield tag="650" ind1=" " ind2="4"><subfield code="a">Grouting</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Wenighofer, Robert</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Könemann, Frank</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Thienert, Christian</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Klaproth, Christoph</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Gabriel, Patrick</subfield><subfield code="4">aut</subfield></datafield><datafield tag="700" ind1="1" ind2=" "><subfield code="a">Ouschan, Michael</subfield><subfield code="4">aut</subfield></datafield><datafield tag="773" ind1="0" ind2="8"><subfield code="i">Enthalten in</subfield><subfield code="t">Berg- und hüttenmännische Monatshefte</subfield><subfield code="d">Springer Vienna, 1963</subfield><subfield code="g">166(2021), 12 vom: 30. Nov., Seite 623-630</subfield><subfield code="w">(DE-627)130139467</subfield><subfield code="w">(DE-600)512261-2</subfield><subfield code="w">(DE-576)015679179</subfield><subfield code="x">0005-8912</subfield><subfield code="7">nnns</subfield></datafield><datafield tag="773" ind1="1" ind2="8"><subfield code="g">volume:166</subfield><subfield code="g">year:2021</subfield><subfield code="g">number:12</subfield><subfield code="g">day:30</subfield><subfield code="g">month:11</subfield><subfield code="g">pages:623-630</subfield></datafield><datafield tag="856" ind1="4" ind2="1"><subfield code="u">https://doi.org/10.1007/s00501-021-01179-y</subfield><subfield code="z">lizenzpflichtig</subfield><subfield code="3">Volltext</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_USEFLAG_A</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SYSFLAG_A</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_OLC</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SSG-OLC-TEC</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SSG-OLC-CHE</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SSG-OLC-GEO</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SSG-OLC-PHA</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">SSG-OLC-DE-84</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_30</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_267</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_285</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_2027</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_2057</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4012</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4046</subfield></datafield><datafield tag="912" ind1=" " ind2=" "><subfield code="a">GBV_ILN_4082</subfield></datafield><datafield tag="936" ind1="r" ind2="v"><subfield code="a">TE 1000</subfield></datafield><datafield tag="951" ind1=" " ind2=" "><subfield code="a">AR</subfield></datafield><datafield tag="952" ind1=" " ind2=" "><subfield code="d">166</subfield><subfield code="j">2021</subfield><subfield code="e">12</subfield><subfield code="b">30</subfield><subfield code="c">11</subfield><subfield code="h">623-630</subfield></datafield></record></collection>
|
score |
7.401038 |