Auf einen Blick

  • Analyse der historischen, multidimensionalen Daten und Visualisierung der Besonderheiten
  • Entwicklung einer Methodik zur Steigerung der Datenqualität
  • Vollständige Implementierung eines Deep Learning Modells inkl. Modelldesign, Trainingsprozessen und Inferenz
  • Visualisierung der Qualität der Vorhersagedaten zur Qualitätssicherung des Modells und auch der Originaldaten
  • Einbindung der Daten in die entsprechenden Systeme
  • Deployment des Systems auf mehreren Umgebungen inkl. Produktion

Um die maximale Traglast einer Betonstütze zu ermitteln – beispielsweise für ein Hochhaus – und um die richtige Stützenform auszuwählen, sind eine ganze Reihe von Parametern wichtig: das zu tragende Gewicht, die Betonart, die Art und Menge des Bewehrungsstahls, die Anforderungen an die Brandwiderstandsklasse, die Länge der Stütze, der Standort innerhalb des Bauwerks etc. Insgesamt müssen bis zu 30 Parameter beachtet werden, um die Stütze vollständig zu beschreiben.

Bisher wurde bei der Angebotserstellung die Traglast der Säulen bei SACAC mithilfe der Finite-Elemente-Methode (FEM) berechnet. Ein numerisches Verfahren für komplexe, physikalische Aufgabenstellungen, bei dem das Bauteil in viele kleine Tetraeder aufgeteilt wird. Ein sehr umständlicher Prozess, denn die Software ist lizenzbehaftet und lässt sich in keiner Weise automatisieren oder integrieren. Daher muss die FEM händisch bedient werden und die Berechnung manuell erfolgen.

Der Wert guter Werte

Glücklicherweise hat SACAC seit jeher darauf bestanden, dass sämtliche Traglastwerte, die bereits berechnet wurden, detailliert erfasst und abgespeichert wurden. Ein keinesfalls übliches (und auch nicht sonderlich beliebtes) Prozedere, weil die Übertragung der Werte für die Mitarbeiter:innen einen erheblichen Mehraufwand bedeutete. Doch so konnten bereits durchgeführte Berechnungen für baugleiche Säulen von Kolleg:innen erneut verwendet werden. Und auch gerade im Hinblick auf Machine Learning war dieses Vorgehen sehr vorausschauend. Denn so wurden im Laufe der Zeit zigtausende Werte von den SACAC-Mitarbeiter:innen erfasst.

Das Potenzial dieser Werte war enorm. Doch um sie für die Angebotserstellung zu nutzen, brauchte es eine Lösung, die automatisiert Mengen solcher Werte berechnen kann. Innerhalb des INNOQ-Teams entstand deshalb die Idee, ein Deep Learning System anzulernen, um damit die Traglastwerte in einer Qualität vorhersagen zu können, die für die Angebotserstellung ausreichend genau ist. So werden die aufwändigen Berechnungen mit der FEM weder im Vertriebsprozess, noch bei der Angebotserstellung benötigt.

INNOQ unterstützt uns als Partner nicht nur bei der technischen Umsetzung sondern auch bei der strategischen Digitalisierung unseres Geschäftsmodells.

Lukas UntereggerLeiter Engineering, SACAC

Im Rahmen des Projekts wurde eine komplette Machine-Learning-Pipeline in Betrieb genommen, von der Aufbereitung der Daten, über das Training des Modells bis zum Deployment in der Produktion. So können nun im Rahmen der Angebotserstellung Tausende von Spezifikationen automatisiert durchgerechnet werden. Das dabei erzeugte Deep Learning Modell ist in der Lage, auf dieser Basis Traglastwerte zu schätzen – mit beeindruckender Genauigkeit. Diese Schätzung hat im Durchschnitt eine Abweichung von 5%, in 95% aller Fälle bleibt die Abweichung bei 10% oder weniger. Tendenz steigend.

Aufgeschlüsselter Fehler des Modells
Aufgeschlüsselter Fehler des Modells

Zur Bewertung des Deep Learning Systems wurde gemeinsam mit dem Kunden eine angepasste Metrik entwickelt. Denn die Qualität eines Deep Learning Systems zu bewerten, erweist sich in der Praxis als nicht-triviales Thema. Doch um ein solches System entwickeln zu können, ist es nötig, neue Versionen mit den vorigen zu vergleichen und zu entscheiden, welche besser sind. Häufig sind neue Versionen in einigen Aspekten besser, aber in anderen evtl. auch schlechter. Eine ausgewogene Bewertung für diese vielfältigen Differenzen zu finden ist eine entscheidende Aufgabe, die nur durch die Fachexpert:innen von SACAC und die Maschine-Learning-Expert:innen von INNOQ gemeinsam zu lösen war.

Eine Frage der Wettbewerbsfähigkeit

Vorher gab es zwei Probleme bei der Angebotserstellung, die vor allem ein wirtschaftliches Risiko bedeuteten: Wurde für das Angebot ein Querschnitt gewählt, der für den speziellen Bedarf überdimensioniert und dementsprechend zu teuer war, war die Gefahr groß, den Auftrag zu verlieren. Wurde umgekehrt eine zu schwache, aber dafür günstige Stütze angeboten, machte SACAC bei der Ausführung des Auftrags Verluste, weil teurere Stützen benötigt wurden, als ursprünglich kalkuliert. Heute macht die Software anhand der vorgegebenen Parameter so genaue Vorschläge, dass Fehlkalkulationen weitgehend vermieden und so die kaufmännischen Risiken minimiert werden.

Ein Beispiel

Laut Plan wird für eine bestimmte Position in einem Hochhaus eine Stütze benötigt, die drei Meter lang ist und 1500 Kilonewton tragen muss. Die Ingenieurin hat sich aus Designgründen für eine runde Stütze mit einem Durchmesser von 200 Millimeter entschieden.

Anhand dieser Daten und der vorgegebenen Parameter, die die Tragfähigkeit betreffen, z. B. die Exzentrizität oder Betonfestigkeitsklasse, zeigt die Software eine Liste dazu passender Stützenquerschnitte und markiert auch die Stützen, die bereits von einem SACAC Ingenieur im Detail berechnet wurden.

Der Clou: die durch Machine Learning gewonnenen Werte zeigen in der Liste eine sehr genaue Schätzung der jeweiligen Traglast an. Dadurch sehen die Fachleute auf einen Blick, welche Stütze ideal und welcher Preis angemessen für das Angebot ist. Das bedeutet nicht nur eine deutliche Zeitersparnis für die SACAC Mitarbeiter:innen. Denn in diesem Fall wäre eine Preisspanne zwischen 35 und 88 Franken pro laufendem Meter möglich gewesen, was gesehen auf die Gesamtkalkulation des Bauprojektes einen deutlichen Unterschied bedeuten würde. Jetzt kann die günstigste Lösung für den Kunden gefunden werden und ein wettbewerbsfähiges Angebot erstellt werden.

Doch keine Sorge: SACAC verlässt sich nicht blind auf künstliche Intelligenz. Der von der Software erstellte Schätzwert dient nur als Grundlage für die Angebotsphase. Wird der Auftrag konkret, wird die Berechnung der Stütze noch einmal gründlich von einer Ingenieurin überprüft, bevor sie in die Produktion geht.

Fazit

Wahrscheinlich hätte man durch eine andere Finite Elemente Simulationslogik ähnliche Ergebnisse erzielen können. Die Idee, es mit einem Deep Learning Modell zu versuchen, wurde stark durch das Expertenteam von INNOQ vorangetrieben. Schließlich haben die extrem zuverlässigen Ergebnisse auch SACAC schnell überzeugt, so dass im Vorfeld komplett auf die Berechnung und Simulation der Säulen verzichtet wird. Und im Vergleich zu anderen Methoden wurde eine sehr schnelle und unaufwändige Lösung gefunden. So lassen sich im Vergleich zum FES in der Praxis hunderte von Werten in wenigen Millisekunden abrufen.

Fragen zu unserer Speziallösung beantwortet Ihnen gerne Till Schulte-Coerne
+49 1515 7132845‬‬.

Wir begleiten auch Ihr Digitalisierungsvorhaben in Ihrer Branche über alle Phasen hinweg und freuen uns auf den Austausch mit Ihnen.

Sprechen Sie mit uns

TAGS