Logo Leibniz Universität Hannover
Logo: GIH/Geodätisches Institut Hannover
Logo Leibniz Universität Hannover
Logo: GIH/Geodätisches Institut Hannover
  • Zielgruppen
  • Suche
 

Abgeschlossenes Projekt

Modellierung und Analyse geodätischer Daten mit Künstlichen Neuronalen Netzen und Neuro-Fuzzy-Verfahren

Leitung:Hansjörg Kutterer
Bearbeitung:Stephanie Martin, Hans Neuner
Bild Modellierung und Analyse geodätischer Daten mit Künstlichen Neuronalen Netzen und Neuro-Fuzzy-Verfahren

Projektbeschreibung

Die Erfassung und Modellierung von Deformationsprozessen an großen Bauwerken ist eine Hauptaufgabe der Ingenieurgeodäsie. Deren Komplexität nimmt zu, wenn der Zusammenhang zwischen den beobachteten Einflussgrößen und den Deformationen nichtlinear ist. Für diesen Fall wird die Systemidentifikation mit Künstlichen Neuronalen Netzen (KNN) und dem Neuro-Fuzzy-Ansatz ANFIS vorgenommen.

Die genannten Methoden sind datengetriebene Modellierungsverfahren, d.h. die freien Modellparameter werden optimal, im Sinne einer Verlustfunktion, an die beobachteten Datenpaare angepasst. Für die Modellierung mittels KNN kommen bislang vorwärts gerichtete Strukturen (feed-forward) zum Einsatz. Das Hauptaugenmerk liegt auf der Wahl der passenden Modellstruktur (insb. Anzahl der Knoten in verdeckten Schichten), die eine gute Generalisierung durch das Modell gewährleistet. Bislang wurden hierfür drei Herangehensweisen untersucht und implementiert: heuristisch, basierend auf der Hesse-Matrix und die Quantifizierung der Abbildungskapazität.

Neuro-Fuzzy-Methoden erlauben eine automatische Ableitung interpretierbarer Regeln und eine Simulation komplexer Prozesse. Das ANFIS ist ein Fuzzy-Inferenz-System, welches in ein adaptives Netz eingebettet ist. Die Systemparameter können so mit Hilfe eines Trainingsalgorithmus optimal an die Daten angepasst werden.

Beide Modellierungsverfahren wurden angewandt, um die Deformationen eines Schleusenbauwerkes auf der Grundlage der Einflussparameter zu modellieren. Die untere Abbildung zeigt beispielhaft, die hohe Approximationseigenschaft dieser Verfahren.

Übersicht