Data science

Inhaltsverzeichnis

1. 1. 1. F - 24 Literaturrecherche lernbasierte 3D-Rekonstruktion
      2. F - 23 Bauteilklassifikation von Brücken aus Bildern
      3. F - 22 Bildqualitätsbewertung für Onlinebilder
      4. F - 21 Faseroptische Messungen unter dem Einfluss hochfrequenter Last
      5. F - 19 Multimodaler Brückenentwurf
      6. F - 1 Schädigungsbeurteilung mittels Ultraschallmessungen

F - 24 Literaturrecherche lernbasierte 3D-Rekonstruktion

Ausführlicher Titel: Lernbasierte 3D-Rekonstruktion mittels Grundlagenmodellen: Eine Literaturrecherche

Bildbasierte 3D-Rekonstruktionsansätze haben sich in jüngster Zeit von der klassischen, inkrementellen Structure-from-Motion hin zu regressions-/lernbasierten Ansätzen verschoben. Beispiele hierfür sind VGGT, Depth Anything 3, MapAnything oder π³. Viele Arbeiten bauen auf solchen Grundlagenmodellen auf und passen diese überwacht oder unüberwacht an spezifische Anwendungsszenarien an.

Ziel dieser Arbeit ist es, eine systematische Literaturrecherche zu Grundlagenmodellen für die 3D-Rekonstruktion sowie zu Ansätzen zu deren Feintuning bzw. Optimierung durchzuführen. Darauf aufbauend soll (rein konzeptionell, nicht experimentell erprobt) eine Methode vorgeschlagen werden, wie ein Grundlagenmodell für die 3D-Rekonstruktion für Szenen optimiert werden kann, deren Eingabebilder zu unterschiedlichen Aufnahmezeitpunkten und unter unterschiedlichen Umgebungsbedingungen (Wetter, Beleuchtung, Jahreszeit) entstanden sind. Dabei sollen unter anderem folgende Fragestellungen bearbeitet werden:

• Welche Architekturen, Trainingsdaten und Fähigkeiten bzw. Grenzen weisen aktuelle Grundlagenmodelle für die 3D-Rekonstruktion auf?

• Welche Strategien zur Anpassung bzw. Optimierung dieser Modelle für spezifische Szenarien existieren?
• Wie kann mit Erscheinungsunterschieden zwischen Aufnahmen (unterschiedliche Zeitpunkte, Wetter- und Lichtbedingungen) methodisch umgegangen werden?

Mögliche Arbeitsschritte:

• Festlegung der Rechercheschstrategie und Auswahlkriterien für die Literatur
• Systematische Aufarbeitung bestehender Grundlagenmodelle für die 3D-Rekonstruktion
• Systematische Aufarbeitung bestehender Feintuning- und Optimierungsansätze
• Strukturierter Vergleich der Ansätze (z. B. in Form einer Taxonomie oder Vergleichstabelle)
• Ableitung offener Forschungsfragen bzw. -lücken
• Konzeptioneller Vorschlag einer Optimierungsmethode für Szenen mit variierenden Aufnahmebedingungen, inklusive eines Vorschlags zur möglichen Evaluierung

Die genaue Aufgabenstellung wird vor Beginn sowie während der Bearbeitung gemeinsam abgestimmt und präzisiert.

Voraussetzungen:

Interesse an Computer Vision und Deep Learning sowie gute Englischkenntnisse zum Lesen wissenschaftlicher Literatur. Programmierkenntnisse sind nicht erforderlich.

Kontakt:
Morris Benedikt Florek
+49 351 46340975

F - 23 Bauteilklassifikation von Brücken aus Bildern

Ausführlicher Titel: Klassifikation von Bauteileigenschaften von Brücken auf Basis von Bilddaten

Öffentlich verfügbare Bilder speichern eine Vielzahl wertvoller Informationen über Ingenieurbauwerke wie Brücken. Um diese Informationen nutzbar zu machen, müssen die Bilder jedoch automatisiert verarbeitet werden. Deep-Learning-basierte Verfahren im Bereich der Computer Vision ermöglichen die Anwendung neuronaler Netze für Aufgaben wie Klassifikation, Objekterkennung oder semantische Segmentierung.

Aufbauend auf einem bestehenden Objekterkennungsdatensatz für Brückenbauteile, der die Bauteile Überbau, Pfeiler und Widerlager bei Balken- und Rahmenbrücken erkennt, soll dieser Datensatz um eine bauteilspezifische Klassifikation erweitert werden. Beispiele hierfür sind beim Überbau das Material, der Querschnitt oder die Form (gevoutet, gerade) sowie beim Pfeiler das Material, die Form (z. B. V-förmig), die Anbindung an den Überbau (Lager, monolithisch) und die Neigung.

Ziel dieser Arbeit ist es, einen geeigneten Attributkatalog für die genannten Bauteile zu entwickeln, den bestehenden Datensatz entsprechend zu annotieren und ein Modell zu trainieren, das diese Attribute auf Basis der erkannten Bauteile klassifiziert. Dabei sollen unter anderem folgende Fragestellungen bearbeitet werden:

• Welche Bauteileigenschaften lassen sich aus Bildern zuverlässig visuell bestimmen?
• Wie sollte die Annotation strukturiert werden, um konsistente und belastbare Labels zu erhalten?
• Wie kann ein Klassifikationsmodell auf den erkannten Bauteilausschnitten sinnvoll trainiert und evaluiert werden?

Mögliche Arbeitsschritte:

• Literaturrecherche zu feingranularer Bildklassifikation sowie Multi-Label-/Multi-Task-Ansätzen
• Entwicklung eines Attributkatalogs und einer Annotationsrichtlinie je Bauteiltyp
• Annotation des bestehenden Datensatzes inklusive Konsistenzprüfung
• Training und Evaluierung eines Klassifikationsmodells je Bauteil bzw. Attribut
• Analyse von Fehlklassifikationen und Grenzen des Ansatzes

Die genaue Aufgabenstellung wird vor Beginn sowie während der Bearbeitung gemeinsam abgestimmt und präzisiert.

Voraussetzungen:

Interesse oder erste Erfahrungen in der Programmierung mit Python und gängigen Bibliotheken für Deep Learning (z. B. PyTorch), sowie Grundkenntnisse im Bereich Computer Vision. Interesse am konstruktiven Ingenieurbau sowie die Nutzung von Hochleistungsrechnern (HPC) sind von Vorteil.

Kontakt:
Morris Benedikt Florek
+49 351 46340975

F - 22 Bildqualitätsbewertung für Onlinebilder

Ausführlicher Titel: Vorhersage der Bildqualität von öffentlich verfügbaren Onlinebildern

Mapillary ist eine Onlineplattform, auf der Nutzer:innen Straßenbilder hochladen, die georeferenziert und für die Allgemeinheit frei zugänglich sind. Mapillary stellt für die von der Plattform bereitgestellten Bilder einen Bildqualitäts-Score zur Verfügung, dessen genaue Berechnung jedoch nicht dokumentiert ist (Dokumentation: „nullable float, predicted visual quality of the image in the range (0.0, 1.0)“). Für die informationsbasierte Auswertung von Bildern aus öffentlichen bzw. Onlinequellen ist es jedoch wichtig, Zugriff auf qualitativ hochwertige Bilder zu haben bzw. Bilder geringer Qualität herauszufiltern, insbesondere für die bildbasierte 3D-Szenenrekonstruktion, aber auch für Klassifikation, Objekterkennung oder semantische Segmentierung.

Ziel dieser Arbeit ist es, eine Methode zur Vorhersage der Bildqualität von Onlinebildern zu entwickeln und zu evaluieren. Zunächst soll untersucht werden, welche Bild- und Aufnahmeeigenschaften den Mapillary-Score tatsächlich beeinflussen, indem Scores und zugehörige Bilder unter verschiedenen Bedingungen (z. B. Nacht, Regen, Bewölkung, Sonnenschein, Unschärfe, Verdeckungen) systematisch analysiert werden. Darauf aufbauend sollen Methoden zur Vorhersage der Bildqualität entwickelt werden, beispielsweise (1) auf Basis klassischer Metriken wie Auflösung, Helligkeit, Kontrast oder Schärfe, und/oder (2) durch das Training eines kleinen neuronalen Netzes. Beide Ansätze sollen gegeneinander sowie gegen einen aus Mapillary-Daten gewonnenen Referenzdatensatz verglichen werden.

Mögliche Arbeitsschritte:

• Literaturrecherche zu Bildqualitätsbewertung (Image Quality Assessment)
• Sammlung von Bildern und zugehörigen Qualitäts-Scores über die Mapillary-API
• Explorative Analyse zur Identifikation der Einflussfaktoren auf den Mapillary-Score
• Implementierung und Evaluierung eines Ansatzes auf Basis klassischer Bildmetriken
• Training und Evaluierung eines kleinen neuronalen Netzes zur Qualitätsvorhersage
• Vergleichende Bewertung beider Ansätze sowie Diskussion der Eignung für die Filterung von Onlinebildern

Die genaue Aufgabenstellung wird vor Beginn sowie während der Bearbeitung gemeinsam abgestimmt und präzisiert.

Voraussetzungen:

Interesse oder erste Erfahrungen in der Programmierung mit Python und gängigen Bibliotheken (z. B. NumPy, Pandas, OpenCV, PyTorch) sowie im Umgang mit REST-APIs sind von Vorteil.

Kontakt:
Morris Benedikt Florek
+49 351 46340975

F - 21 Faseroptische Messungen unter dem Einfluss hochfrequenter Last

Die Gewährleistung der Sicherheit alternder Infrastruktur ist von großer Bedeutung. Zur frühzeitigen Schadensdetektion werden zunehmend verteilte faseroptische Sensoren (DFOS) eingesetzt, da sie Dehnungen kontinuierlich mit hoher räumlicher Auflösung messen und somit Potenzial zur Erkennung von Rissen in Betonbauteilen bieten. Herausforderungen entstehen jedoch bei hochfrequenten Dehnungsänderungen, wie sie beispielsweise durch Verkehrsbelastungen auf Brücken auftreten. Diese können die Qualität der Messdaten und damit die zuverlässige Risserkennung beeinträchtigen.

Im Rahmen dieses Projekts werden Messdaten aus Versuchen an der openLAB-Forschungsbrücke genutzt, um das Potenzial von DFOS zur Dehnungsmessung und Risserkennung unter dynamischer Belastung zu evaluieren. Die Arbeit besteht aus folgenden Arbeitspaketen:

• Literaturrecherche zu verteilten faseroptischen Sensoren mit Fokus auf Messungen unter dynamischer Last
• Auswertung von Versuchsdaten zur Untersuchung des Einflusses hochfrequenter Belastungen auf die Verfügbarkeit und Qualität der Messdaten sowie auf die Zuverlässigkeit der Rissbreitenberechnung
• Vorschlag von Lösungen zur Verbesserung der Messdatenqualität von DFOS unter dynamischer Belastung

Details zur Aufgabenstellung werden vor Beginn der Bearbeitung sowie während der Bearbeitungszeit präzisiert. Von Vorteil ist Interesse oder Erfahrung an Softwareentwicklung/Programmierung.

Kontakt:
Miriam Kroschel
+49 351 463-36073

F - 19 Multimodaler Brückenentwurf

Ausführlicher Titel: KI-unterstützter multimodaler Brückenentwurf in der Konzeptphase

In frühen Phasen des Brückenentwurfs (Konzeptphase) müssen Ingenieure schnell eine Vielzahl von Entwurfsalternativen generieren und bewerten, um vielfältigen Anforderungen hinsichtlich Topografie, Umwelt, Tragfähigkeit und Wirtschaftlichkeit gerecht zu werden. Traditionelle manuelle Verfahren sind dabei oft zeit- und ressourcenintensiv und basieren stark auf individuellen Erfahrungen, wodurch eine systematische Erkundung optimaler Lösungen eingeschränkt wird. Die Integration Künstlicher Intelligenz (KI) und multimodaler Daten, einschließlich numerischer Parameter, geometrischer Informationen, normativer Texte und historischer Entwurfsdaten, könnte Entscheidungsprozesse wesentlich verbessern, die Erstellung praktikabler Entwurfskonzepte beschleunigen und frühe Bewertungen hinsichtlich Kosten, Machbarkeit und Nachhaltigkeit optimieren.

Hauptziel dieser Arbeit ist die Entwicklung eines KI-gestützten multimodalen Frameworks zur effizienten Generierung und Bewertung von Brückenkonzepten, insbesondere für Plattenbrücken, Plattenbalkenbrücken und Verbundbrücken. Der Ansatz soll die Vorauswahl geeigneter Brückentypen, die Abschätzung wesentlicher Querschnittsparameter und die schnelle Evaluierung verschiedener frühphasiger Entwurfsvarianten hinsichtlich Tragwerksmachbarkeit, Kosteneffizienz und Nachhaltigkeit automatisieren. Aus diesem Ziel ergeben sich folgende Aufgaben:

• Literaturrecherche zu geeigneten KI-Algorithmen für den ingenieurtechnischen Entwurfsprozess
• Erhebung und Strukturierung multimodaler Daten (Projektparameter, Geländedaten, historische Entwürfe und normative Richtlinien)
• Entwicklung von KI-Modellen zur automatisierten Brückentypsauswahl sowie zur vorläufigen Abschätzung von Querschnitts- und Geometrieparametern
• Entwicklung eines regelbasierten Validierungstools zur Sicherstellung der Einhaltung struktureller und normativer Vorgaben der Konzeptentwürfe
• Vorläufige Bewertung des Materialverbrauchs, der Baukosten und der Kohlenstoffemissionen zur vergleichenden Bewertung verschiedener Entwurfsvarianten

Die Arbeit ist Bestandteil des Forschungsprojekts mFUND-HyBridGen – Hybrid Bridge Generator: KI-basierter Brückengenerator mit Wissens- und Erfahrungsdaten und früher Bürgerbeteiligung. Details der Aufgaben werden vor und während der Projektbearbeitung weiter spezifiziert. Interesse/Erfahrungen in KI-basierten Methoden für den konstruktiven Ingenieurbau (Bauingenieurwesen /Computational Engineering) sind vorteilhaft.

Kontakt:
Han Qian
+49 351 463 33083

F - 1 Schädigungsbeurteilung mittels Ultraschallmessungen

Vollständiger Titel: Schädigungsbeurteilung von zyklisch belasteten Betonstrukturen mit Ultraschallmessungen

Betontragwerke unter einer bestimmten Lasteinwirkung versagen nicht, weil sie abrupt von einem „normalen“ Zustand in einen Bruchzustand wechseln, sondern, weil der Degradationsprozess mit zunehmender Belastung so lange voranschreitet, bis ein Materialversagen eintritt. Unter Einwirkung mechanischer Lasten konzentrieren sich zuerst die Spannungen in der Umgebung von Materialdefekten oder Grenzflächen in der Mikroskala und zerstören die Bindungen zwischen einzelnen Molekülen. Bei zunehmender mechanischer Last wachsen und vereinen sich die Mikrorisse dann, was zur Entstehung von Makrorissen führt. Während dieses Prozesses wird die Gitterstruktur des Stoffes, die als Ausbreitungsmedium für die Spannungswellen eines Ultraschallimpulses dient, fortschreitend geändert und auf diese Weise kann die Schädigung erfasst werden.

Ziel dieser Arbeit ist es, Ultraschallmessungen der Degradationsentwicklung aus zyklisch beanspruchten Betonproben und Balken mit den Hypothesen der Schadensakkumulation in Beziehung zu setzen. Aus diesen Zusammenhängen und unter Verwendung von Konzepten der Robustheit und Redundanz sollen Sicherheitsfaktoren ermittelt und die verbleibende Restnutzungsdauer bewertet werden.

Kontakt:
Raúl Enrique Beltrán Gutiérrez
0351 463 33675