Verkehrsinfrastruktur besser überwachen
Der Einbau des Systems erfolgt in den Asphalt.
Nicht nur Autofahrer und Fahrradfahrer sind von ihnen betroffen, Baustellen bedeuten für jeden Verkehrsteilnehmer Umwege und Veränderungen. Die Belastung durch den Straßenverkehrs führt zu einer Schädigung des Asphalts. Um schneller Aussagen über den Zustand von Asphaltbefestigungen insbesondere von Asphalttragschichten treffen zu können, wurde das Projekt „SenAD2“ entwickelt. Mehrere Verbundpartner, darunter die Hochschule Magdeburg-Stendal, sind an der Entwicklung eines datenbasierten Monitoringsystems beteiligt.
Derzeit werden Schädigungen der Asphaltschichten mit Hilfe von Bohrkernentnahmen ermittelt. Diese führen teilweise zu weiteren Schäden der Straßen. Das Projektvorhaben verfolgt daher einen zerstörungsfreien Ansatz zur Bestimmung und Prognose des strukturellen Zustands von Asphaltstraßen.
Die Innovation liegt hauptsächlich in der Nutzung von KI-Verfahren zur Analyse der Daten. Diese sollen mittels eines neuartigen gewebebasierten Sensormaterials zerstörungsfrei, flächendeckend und kontinuierlich gewonnen werden. „Das Projekt SenAD2 zur Entwicklung eines Machine-Learning-basierten Degradationsmonitorings für Asphaltstraßenbefestigungen ist von großer Bedeutung, da es uns ermöglicht, den Zustand unserer Verkehrsinfrastruktur – insbesondere der tieferliegenden und für die Lebensdauer einer Straße wesentlichen Asphaltschichten – präziser und effizienter zu überwachen“, erklärt Prof. Dr.-Ing. Sascha Kayser. Der Professor für Verkehrswegebau der Hochschule Magdeburg-Stendal beschreibt die Besonderheit des Projektes: „Besonders ist dabei, dass wir durch die Integration modernster Technologien in das Bauwerk Straße, deren Langlebigkeit sowie die ökologische und ökonomische Nachhaltigkeit erheblich verbessern können.“
Durch einen großflächigen Einbau des Systems in den Asphalt sind flächenübergreifende, echtzeitbasierte Aussagen zum Zustand der Tragschichten möglich. Die erfassten Messsignale verändern sich über Straßennutzungsdauer mit zunehmender Materialdegradation. Die Auswertung dieser Daten erfolgt durch die Nutzung von Lernalgorithmen, dem sogenannten maschinellem Lernen und zwei Analysemodellen. Zuerst wird der aktuelle strukturelle Zustand ermittelt, bevor eine Prognose für künftigen Entwicklungen des Degradationszustands vorgenommen wird. Das Messsystem und die Analysemodelle werden im Labormaßstab erprobt und anschließend unter Realbedingungen evaluiert.
Nicht nur die Beteiligten werden von einem erfolgreichen Projektabschluss profitieren. Die öffentlichen Kommunen können mithilfe der analysierten Daten den Sanierungsbedarf der Straßeninfrastruktur genauer und schneller ermitteln sowie effektiver und nachhaltiger planen. Die Gesellschaft profitiere von den Ergebnissen durch eine kosteneffizientere und deutlich optimierte Instandhaltung der Asphaltstraßen, so Kayser. „Das führt langfristig zu kürzeren Bauphasen und somit zu weniger Verkehrsbehinderungen und einer erhöhten Sicherheit für alle Verkehrsteilnehmer.“
(Text: Leonie Deubig)
Auf einen Blick
Laufzeit: 2024-2027
Projektträger: TÜV Rheinland Consulting, VDI/VDE Innovation + Technik GmbH
Fördersumme gesamt: ca. 1,8 Mio €
Förderer: Bundesministerium für Digitales und Verkehr (BMDV)
Hochschule Magdeburg-Stendal: ca. 495.000 €
Projektpartner:
- Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V., München
- AS+BE Asphalt- und Betonstraßenbau GmbH, Berlin
- Hochschule Hannover, Hannover
- time4innovation UG, Senftenberg
