Arbeitsgruppe Interdisziplinäres Monitoring

Der Forschungsfokus liegt auf der geodätischen Verformungsüberwachung von zivilen Infrastrukturen und Bauwerken. Hierbei kommen verschiedene Modelle zum Einsatz, darunter Kongruenz, Kinematik, Statik und Dynamik. Die Gruppe verwendet fortschrittliche Techniken wie terrestrisches Laserscanning (TLS), bildgestützte Totalstationen (IATS), Lasertracker, mikroelektromechanische Systeme (MEMS), Photogrammetrie und Synthetic Aperture Radar (SAR), um Verformungen an Gebäuden, Brücken, Dämmen, Straßen, Eisenbahnen und Windkraftanlagen zu erkennen und zu analysieren. Diese Technologien ermöglichen die frühzeitige Dedektion von Verformungen und unterstützen die Vorhersage notwendiger Instandhaltungsmaßnahmen, sodass rechtzeitige Eingriffe zur Erhaltung und Sicherheit der Infrastruktur sichergestellt werden können.

Ziel ist die Erforschung fortschrittlicher geodätischer Analysetechniken, um Verformungsmuster besser zu verstehen und Verformungen in natürlichen und künstlichen Strukturen und Infrastrukturen zu überwachen. Der Forschungsschwerpunkt liegt auf der Anwendung ausgefeilter Verformungsanalysealgorithmen, in Verbindung mit Deep-Learning-basierten Modellen, zur intelligenten und automatischen Erkennung von Strukturdefekten.
Im Bereich der punktwolkenbasierten Verformungsanalyse, entwickelt die Gruppe B-Spline-/Multilevel-B-Spline-Kurven- und Oberflächenapproximationsmethoden für 2D- und 3D-Punktwolken. Diese Ansätze gewährleisten eine genaue Modellierung von Verformungen, insbesondere in komplexen Umgebungen wie der Unterwasserüberwachung.
Deep-Learning-basierte Anomalieerkennung wird eingesetzt, um Abweichungen vom normalen Verhalten in strukturellen Systemen automatisch zu identifizieren und so eine effiziente und automatisierte Analyse großer Verformungsdatensätze zu ermöglichen. Dies erhöht die Robustheit und Zuverlässigkeit von Überwachungssystemen. Darüber hinaus untersuchen die Forschenden die Anwendung von Deep-Learning-Modellen, zur Anomalieerkennung in Zeitreihendaten von Persistent Scatterern (PS), um die Genauigkeit bei der Erkennung von Anomalien in großem Maßstab zu verbessern.
Zusätzlich wird die intelligente Erkennung und 3D-Rekonstruktion von Rissen in Infrastrukturen anhand von Photogrammetriebildern behandelt. Diese Techniken liefern ein präzises Bild des Bauwerkszustands und identifizieren potenzielle Risiken und notwendige Maßnahmen.

Die Vibrationsüberwachung konzentriert sich auf die Analyse des dynamischen Verhaltens von Strukturen, wie Brücken und Windkraftanlagen, um deren strukturelle Integrität zu bewerten. Die Forschung in diesem Bereich nutzt geodätische Zeitreihenmessungen, die aus Quellen wie MEMS, Videoaufnahmen aus dem IATS oder TLS-Profildaten für die Schwingungsüberwachung gewonnen werde. Fortschrittliche Methoden, darunter univariate autoregressive (AR) Modellierung und multivariate vektor-autoregressive (VAR) Modellierung, werden eingesetzt, um modale Parameter wie Eigenfrequenzen, Eigenformen und Dämpfungskoeffizienten zu schätzen.
Diese Techniken ermöglichen die Überwachung von Strukturen durch die Schätzung deterministischer Parameter (modale Parameter), Auto- und Kreuzkorrelationen sowie stochastischer Modellparameter. Die frühzeitige Erkennung von Instabilitäten oder potenziellen Ausfällen wird erleichtert, wodurch die Sicherheit und Widerstandsfähigkeit der Infrastruktur verbessert wird.

Die Integration verschiedener geodätischer Sensortechnologien, verbessert die moderne Infrastrukturüberwachung durch die Kombination unterschiedlicher (kontaktbehafteter und kontaktloser) Messtechniken. TLS-Punktwolken, die mit digitaler Photogrammetrie fusioniert werden, verbessern die Genauigkeit und Vollständigkeit der flächenbasierten Deformationsanalyse durch die optimale Kombination von 3D-Punktwolken und bildbasierten Merkmalen aus verschiedenen Epochen. Um Genauigkeitsverluste bei MEMS-Beschleunigungsmessern zu minimieren, werden diese mit geodätischen Messsystemen wie IATS unter Verwendung von Kalman-Filtern integriert, wodurch zuverlässigere absolute Positionsschätzungen gewährleistet werden. Für die großflächige Überwachung bietet die Fusion von GNSS- und InSAR-Daten innerhalb eines Kalman-Frameworks eine hohe räumliche und zeitliche Auflösung und ermöglicht so eine präzise und zuverlässige Verformungsüberwachung.

Dieser Bereich konzentriert sich auf die Bewertung von Modell- und Messunsicherheiten in TLS-Daten für eine präzise und genaue Deformationsüberwachung. Darüber hinaus entwickelt die Gruppe robuste Bayes'sche Anpassungsmethoden für die geodätische Zeitreihenanalyse, die Ausreißer, farbiges Rauschen, Datenlücken und nichtstationäres Rauschen berücksichtigen.
Um die Zuverlässigkeit von InSAR-Daten zu gewährleisten, verbessert ein fortschrittliches räumlich-zeitliches Qualitätsmodell – das univariate/multivariate Zeitreihenanalysen, Multilevel B-Splines (MBA) für die Oberflächenapproximation und Bootstrapping für die Unsicherheitsquantifizierung umfasst – die Zuverlässigkeit von InSAR-Daten bei der großflächigen Deformationsüberwachung.

Die räumlich-zeitliche Modellierung in Geodaten erfolgt durch die Integration von univariater/multivariater Zeitreihenanalyse mit B-Spline-/Polynomkurven-/Oberflächenapproximation, je nach Dimensionalität der Daten und Anwendungsbereich. Beispielsweise werden 2D-Raum-Zeit-Modelle unter Verwendung von 2D-TLS-Profilmessungen entwickelt, die sich besonders für die Überwachung von Strukturen wie Windkraftanlagen und Brücken eignen. Im Gegensatz dazu wird die 3D-Raum-Zeit-Modellierung auf InSAR-Zeitreihendaten angewendet, um das räumlich-zeitliche Verformungsverhalten über lokale oder globale Oberflächenbereiche hinweg zu erfassen.