Zusammenfassung
Mit Hilfe von Künstlichen Neuronalen Netzen lassen sich Bauwerksdeformationen aus geodätischen Überwachungsmessungen modellieren. Für die Modellierung des Deformationsverhaltens eines Brückenbauwerks wurden die meteorologischen Randbedingungen (Lufttemperatur, Luftdruck, rel. Luftfeuchte), der Wasserstand des überquerten Flusses und die Verkehrsauflast am Bauwerk als Systemeingang definiert. Der Systemausgang ist die gleichzeitige geometrische Bauwerksverformung in den drei Koordinatenkomponenten. Die Werte der Gewichtsmatrix des Künstlichen Neuronalen Netzes stellen eine Repräsentation der wirkenden Systembeziehungen des Deformationsprozesses dar. Es lässt sich zeigen, dass ein derart bestimmtes Modell in der Lage ist, das Bauwerksverhalten aus den Umgebungsparametern bis zu 180 Tagen glaubhaft zu prädizieren.
Summary
Artificial neural networks are adapted for use in modelling geodetic deformations. Using temperature, pressure, humidity, water-level variations, and traffic volume as input signals (forces) and respective point component displacements (deformations) as output signals, the »input-output« behavior of points on a deforming bridge has been modelled. The results indicate an acceptable relational representation of the deformation process of the points. It is shown that, based on the determined models, the deformation behavior of the bridge from 0 to 180 days may be predicted reasonably well.