Professor Georg Nemetschek gehört die Nemetschek Group, eine Gruppe aus 13 Marken, einschließlich Bluebeam, die alle Arten von Bautechnologie produzieren. 2020 gründete er das Georg Nemetschek Institute of Artificial Intelligence for the Built World (GNI).

Das GNI entstand in Zusammenarbeit zwischen der Nemetschek Innovation Foundation und der Technischen Universität München (TUM) und hat sich zum Ziel gesetzt, Primärforschung auf dem Gebiet der künstlichen Intelligenz (KI) im Zusammenhang mit der Architektur-, Ingenieur-, Bau- und Eigentümer-/Betriebsbranche (AECO) zu finanzieren. Die erste Ausschreibung wurde im November 2020 angekündigt.

Bisher hat das GNI mit Sitz am TUM-Campus Garching in München vor allem zwei Forschungsbereiche finanziell gefördert: Forschungsprojekte und einzelne Forschende im Rahmen von Postdoc-Programmen.

Angesichts der zunehmenden Akzeptanz von Technologien im Baugewerbe bilden Initiativen wie das GNI ein wichtiges Element in der Erforschung und Einführung von Werkzeugen, die die moderne Bauweise mitgestalten können. Da KI in der Branche langsam Verbreitung findet, haben sich Projekte wie das GNI zur Aufgabe gemacht, Forschung zu potenziellen Anwendungsfällen unterstützen und so den Grundstein für die nächste Generation der Bauinnovation legen.

Seit der Gründung des GNI erhielten sechs innovative Forschungsprojekte eine Finanzierungszusage.

Alle sechs Projekte haben bereits Form angenommen und befinden sich in den ersten Arbeitsphasen. Man darf gespannt sein, denn sie haben das Potenzial, für bahnbrechende Durchbrüche im Baugewerbe zu sorgen.

Es folgt eine Zusammenfassung der einzelnen Projekte:

Projekt 1: Künstliche Intelligenz zur automatischen Erstellung multiskaliger digitaler Zwillinge im Bauwesen (AI4TWINNING)

Bei digitalen Zwillingen handelt es sich um eine der begehrtesten Technologien der AECO-Branche, da sich damit erhebliche Einsparungen und Produktivitätssteigerungen erzielen lassen. Ein digitaler Zwilling ist keine statische Kopie eines Gebäudes. Vielmehr ermöglicht er es, eine Echtzeit-Verbindung vom digitalen zum physischen Zwilling herzustellen. Im Rahmen dieses Projekts soll nicht lediglich ein einziger, monolithischer digitaler Zwilling erzeugt werden, sondern ein System aus miteinander verbundenen Zwillingen in verschiedenen Maßstäben. So können Modelle der Stadt, des Stadtteils und der Gebäude nahtlos integriert und alle einheitlich auf dem neuesten Stand gehalten werden.

Hier erfahren Sie mehr.

Projekt 2: Künstliche Intelligenz für intelligentes Design und zum Testen von Zement und Beton (AICC)

Zement und Beton gehören zu den am häufigsten verwendeten Materialien in der Bauindustrie. Ihre Nutzung geht mit enorm hohen CO2-Emissionen einher – nicht nur aufgrund der großen Mengen, die jährlich verarbeitet werden, sondern auch aufgrund des hohen Energieverbrauchs während der Herstellung. In diesem Projekt kommen auf maschinellem Lernen basierende Methoden zum Einsatz. Diese sollen das Luftporensystem im Beton charakterisieren, welches vor allem aufgrund der Gas- und Feuchtigkeitstransportmechanismen in der festen Phase die Zersetzungs- und Verfallprozesse beeinflusst. Das Ziel des Projekts ist es, verschiedene Input-/Output-Variablen von derzeit standardisierten Methoden zu untersuchen und ihre Genauigkeit und Zuverlässigkeit zu erhöhen.

Hier erfahren Sie mehr über das Projekt.

Projekt 3: Intelligente Infrastrukturwartung mit Deep Reinforcement Learning (INFRA.RELEARN)

Die Instandhaltung ziviler Infrastruktursysteme, darunter Transport-, Energie- und Wassernetze, verursacht hohe Kosten für die Gesellschaft. Derzeit werden Maßnahmen zur Wartung (einschließlich Inspektionen) vor allem gemäß fixen Regeln und Ad-hoc-Optimierungen geplant. Dieses Projekt soll die Wartungsplanung einen großen Schritt weiter in Richtung KI-Unterstützung bringen, indem formale Beschreibungen der Infrastrukturwartungsplanung in die Form eines sequenziellen Entscheidungsproblems gebracht und maßgeschneiderte DRL-Algorithmen zur Identifizierung optimaler Wartungsstrategien entwickelt werden.

Hier erhalten Sie mehr Informationen.

Projekt 4: Fundierte Physik-basierte Überwachung der strukturellen Intaktheit (DeepMonitor)

Eine wesentliche Aufgabe im Bauingenieurwesen ist es, verborgene Baumängel aufzuspüren. Bis dato ist es jedoch bestenfalls zeitaufwendig und schlimmstenfalls unmöglich, solche Mängel anhand von Sensorsignalen zu erkennen, da die damit verbundenen inversen Probleme schwierig zu lösen und für praktische Anwendungen im Bauingenieurwesen ungeeignet sind.

Nun widmet sich ein Forschungsteam diesem Problem und will alle verfügbaren Optionen untersuchen, die die Datenwissenschaften bieten: von datengesteuertem überwachtem Lernen bis hin zu Physik-basiertem unüberwachtem Lernen. Wir entwickeln datengesteuerte Ersatzmodelle, um die herkömmlichen Ansätze des Vollauftrags zu ergänzen oder vollständig zu ersetzen. Ein weiterer Lösungsweg, der erforscht werden soll, ist das Lernen der Regularisierung aus Daten unter Verwendung neuronaler Netzwerke. Alle Methoden werden zunächst anhand von Benchmark-Beispielen evaluiert und in der Endphase des Projekts an Bauwerken getestet, die von praktischem Interesse im Bauingenieurwesen sind.

Hier sind die Details zum Projekt.

Projekt 5: Fahrradinfrastruktur und Netzwerkdesign: Ein menschenorientierter, datengestützter Ansatz unter Verwendung von räumlich-zeitlichem maschinellem Lernen (RADELN)

Dieses Projekt stellt den Menschen in den Mittelpunkt und zielt darauf ab, einen datengesteuerten Ansatz zu entwickeln, um optimale Fahrradinfrastrukturen und Netzwerkdesigns für Großstadtgebiete zu erstellen, die den Umstieg vom Auto aufs Fahrrad erleichtern.

Der Projektrahmen umfasst das volle Potenzial für die Verkehrsmittelverlagerung. Es bezieht längere Fahrten ein und differenziert die heterogenen Präferenzen der zuvor identifizierten Typen Radfahrender. Um die Auswirkungen einer fahrtenspezifischen Fahrradinfrastruktur auf den Radverkehrsanteil so realistisch wie möglich vorherzusagen, werden die Forschenden zunächst die tatsächlich realisierte Routen- und Verkehrsmittelwahl auf der Grundlage realer Daten nachbilden. Außerdem werden sie ein datengestütztes Modell entwickeln, das Engpässe in den bestehenden Radverkehrsnetzen aufspüren soll.

Hier erfahren Sie mehr.

Projekt 6: Räumliche KI für kooperative Baurobotik (SPAICR)

Der Einsatz mobiler kooperativer Roboter im Bauprozess eröffnet der Architektur-, Ingenieur- und Bauindustrie mitunter zahlreiche Möglichkeiten. Mithilfe von Robotern können höhere Effizienz und Sicherheit, geringere Kosten, weniger Fehler sowie eine höhere mögliche Genauigkeit erzielt werden. Dies gilt sowohl für Neubauten als auch für bestehende Gebäude im Hinblick auf Renovierung, Reparaturarbeiten und Instandhaltung.

Auf der Baustelle können Roboter jedoch bislang nicht problemlos eingesetzt werden. Der fortschreitende Bauprozess kann dazu führen, dass es vor Ort zu Veränderungen kommt. In dieser mangelhaft strukturierten und dynamischen Umgebung gehen unterschiedliche Akteure (sowohl Menschen als auch Roboter) allen möglichen Aufgaben heterogener Natur nach.

Daher konnten mobile kooperative Roboter in der Bauindustrie noch nicht mit einem akzeptablen Maß an Genauigkeit, Stabilität und Koordination eingesetzt werden. Mit diesem Projekt möchten die Forschenden den Einsatz mobiler kooperativer Roboter in lebensnahen Umgebungen vorantreiben. Sie setzen fortschrittliche räumliche künstliche Intelligenz und Spacial-Computing-Techniken aus der Computer Vision und der Robotik ein, um einen digitalen Zwilling für kooperative Roboterprozesse zu erstellen und zu betreuen.

Hier erfahren Sie detaillierter, worum es bei diesem Projekt geht.

Auf dem Laufenden bleiben Sie über die GNI-Website, wo Sie mehr über das GNI erfahren, den Fortschritt der Projekte nachverfolgen und die neuesten Nachrichten des Instituts lesen können.