Parametrische Modellierung und generatives tiefes Lernen fr den Brckenentwurf

In Anbetracht der erheblichen Umweltauswirkungen des Bauwesens wird die Analyse und v. a. Optimierung der Nachhaltigkeit von Strukturen unter Beibehaltung des etablierten Zuverlassigkeitsniveaus immer wichtiger. Im Hochbausektor existieren erste Werkzeuge zur Lebenszyklusanalyse, diese sind jedoch nicht direkt ubertragbar auf Bruckentragwerke. Dieser Beitrag fasst die wesentlichen Ansatze und Ergebnisse von aktuellen Forschungsprojekten der Autoren an der ETH zusammen und erlautert insbesondere einen neuen Deep-Learning-basierten Ansatz zur Erkundung und Modellierung des Entwurfsraums parametrischer Bruckenmodelle und deren Leistungsbewertungen und veranschaulicht die Anwendung fur eine Mehrzieloptimierung von Stahlbetonrahmenbrucken. Zunachst werden Daten unter Verwendung eines parametrischen Bruckenmodells sowie der Ankoppelung von Analysesoftware synthetisch generiert und anschliessend bedingte variationelle Autoencoder (CVAE) als Metamodell trainiert. Der CVAE dient im Rahmen des konzeptionellen Bruckenentwurfs als effizienter Co-Pilot sowohl fur die Vorwarts- als auch Ruckwartsanalyse. Die mit dem CVAE durchgefuhrte Sensitivitatsanalyse zeigt Beziehungen zwischen Entwurfsparametern und/oder Leistungskenngrossen sowie Optimierungspotenziale auf. Das hier vorgestellte integrierte Framework besitzt das Potenzial zur Realisierung einer effizienten Bruckenplanung unter insbesondere den Kriterien der Nachhaltigkeit und Tragsicherheit und kann problemlos auf andere parametrische Fragestellungen erweitert werden. Parametric modeling and generative deep learning for bridge designGiven the significant environmental impact of the construction industry, the analysis and, above all, optimization of the sustainability of structures while maintaining established levels of reliability are becoming increasingly important. While there are initial tools for life cycle analysis in the building sector, these are not directly transferable to bridge structures. This paper introduces a deep learning-based approach to explore and model the design space of parametric bridge models and their performance evaluations, illustrating its application for multi-objective optimization of reinforced concrete frame bridges. Initially, data is synthetically generated using a parametric bridge model and coupling analysis software, followed by training a conditional variational autoencoder (CVAE) as a metamodel. In the context of conceptual bridge design, the CVAE serves as an efficient co-pilot for both forward and inverse analysis. The sensitivity analysis performed with the CVAE reveals relationships between design parameters and/or performance metrics, highlighting optimization potentials. The integrated framework presented here has the potential to realize efficient bridge design, particularly focusing on sustainability and structural safety criteria, and can be easily extended to other parametric inquiries.