KI in der Straßensanierung und Asphaltrecycling
Large Language Models und andere KI-Technologien haben das Potenzial, auch die Bereiche Straßensanierung und Asphaltrecycling in Zukunft zu revolutionieren. Durch die Analyse großer Datenmengen und das Erkennen komplexer Muster könnten LLMs dabei helfen, Prozesse zu optimieren, Materialien effizienter einzusetzen und die Qualität von sanierten Straßen zu verbessern.
Automatisierte Straßenzustandsanalyse
Spezielle Messfahrzeuge, die mit hochauflösenden Kameras und Laserscannern ausgestattet sind, ermöglichen eine präzise Erfassung des Straßenzustands. Die zertifizierte Messtechnik kann Längs- und Querebenheit sowie die Straßenoberfläche im Millimeterbereich detailliert analysieren. Neben der Zustandsanalyse wird dabei auch ein hochgenaues digitales Flächenmodell des gesamten Verkehrsraums erstellt. Mercedes-Benz setzt ebenfalls Fahrzeugdaten ein, um den Zustand der Straßen- und Verkehrsinfrastruktur in den Niederlanden zu analysieren und so zu mehr Sicherheit beizutragen. Durch die Bündelung und Verarbeitung anonymisierter Daten aus Fahrerassistenzsystemen können potenzielle Unfallschwerpunkte frühzeitig identifiziert werden.
Vorhersage von Straßenschäden mit KI
KI-basierte Systeme können auch dabei helfen, Straßenschäden frühzeitig vorherzusagen, bevor diese an der Oberfläche sichtbar werden. Dazu fotografieren beispielsweise Mitarbeiter der Straßenmeisterei in regelmäßigen Abständen den Straßenzustand mit einem Smartphone. Eine KI-Software analysiert dann die Bilder, um Schäden zu erkennen und den allgemeinen Zustand der Straße zu bewerten. So können Reparaturen gezielter geplant und durchgeführt werden, bevor größere Schäden entstehen. Auch Abfallsammelfahrzeuge können mit entsprechender Sensorik ausgestattet werden, um im Rahmen ihrer regulären Fahrten den Straßenzustand zu überwachen und die Daten an die KI-Systeme zu übermitteln.
Optimierung von Asphaltrezepturen durch Machine Learning
Machine-Learning-Modelle können eingesetzt werden, um die Zusammensetzung und Eigenschaften von Asphaltmischungen zu optimieren. Durch die Analyse großer Datenmengen aus Laborversuchen und Praxiserfahrungen lassen sich Vorhersagemodelle entwickeln, die die mechanischen Eigenschaften des Asphalts in Abhängigkeit von Parametern wie Bindemittelgehalt, Gesteinskörnungen und Zusatzstoffen prognostizieren. So konnten beispielsweise künstliche neuronale Netze und andere ML-Algorithmen erfolgreich trainiert werden, um den dynamischen E-Modul von Asphaltmischungen mit Warm-Mix-Technologie und hohem Anteil an recyceltem Asphalt (RAP) präzise vorherzusagen. Auch der Grad der Bindemittelaktivierung in Asphaltgranulat kann mittels ML-Techniken wie polynomialer Regression, künstlichen neuronalen Netzen und Random-Forest-Regression abgeschätzt werden. Durch den Einsatz von Machine Learning lässt sich somit der Entwicklungsprozess neuer, leistungsfähiger Asphaltrezepturen beschleunigen und die Wiederverwendung von Ausbauasphalt verbessern.
Echtzeit-Datenanalyse für Straßen
Echtzeit-Verkehrsdaten ermöglichen eine effiziente Verkehrsplanung und Infrastrukturoptimierung. Sensoren an Straßen und Verkehrsknotenpunkten erfassen Daten wie Verkehrsdichte, Geschwindigkeit und Wartezeiten, die in Echtzeit an eine zentrale Datenbank übermittelt werden. Stadtplaner können so Engpässe identifizieren, Verkehrsflüsse verbessern und fundierte Entscheidungen über künftiges Verkehrsmanagement treffen. HERE Technologies bietet mit HERE Traffic Analytics historische und Echtzeit-Verkehrsdaten in hoher räumlicher und zeitlicher Auflösung, die Informationen wie tatsächlich gefahrene Geschwindigkeit und Anzahl der Messungen für jedes Straßensegment in 5-Minuten-Intervallen liefern. Durch Echtzeit-Datenanalyse lassen sich auch unsichtbare Straßenschäden frühzeitig erkennen, wie im Projekt Darkseit, das eine Software zur Zustandserfassung von kommunalen Straßen entwickelt.
Sensorbasierte Straßenzustandsbewertung
Neben speziellen Messfahrzeugen können auch Smartphones zur sensorbasierten Straßenzustandsbewertung eingesetzt werden. Im Projekt SEKISA wurde die Machbarkeit einer Bewertung von Straßenunebenheiten mittels Smartphone-Technologie untersucht. Dazu wurden Smartphones an der Windschutzscheibe verschiedener Fahrzeuge befestigt, um Beschleunigungsdaten während der Fahrt aufzuzeichnen. Die Herausforderung bestand darin, einen robusten Ansatz zu finden, der Abweichungen innerhalb des Aufbaus und in den Erfassungsszenarien kompensieren kann. Auch in StreetProbe werden die bereits in zahlreichen Fahrzeugen verbauten Sensoren genutzt, um automatisch die Zustände befahrener Straßen abzuschätzen. Mobile Mapping Systeme mit Sensoren auf verschiedenen Trägersystemen zeichnen zudem Daten in Form von Punktwolken und 360°-Panoramabildern auf, die als Grundlage für die Straßenzustandsbewertung nach E EMI 2012, die Erfassung von Straßenschäden und Verkehrsflächen dienen.
Langzeitüberwachung von Straßen
Die Langzeitüberwachung von Straßen ermöglicht eine kontinuierliche Erfassung des Straßenzustands über einen längeren Zeitraum. Dabei kommen verschiedene Methoden zum Einsatz:
- Regelmäßige Messfahrten mit speziell ausgestatteten Fahrzeugen, die den Straßenzustand mit hochauflösenden Kameras und Laserscannern erfassen.
- Einsatz von Smartphones, die an der Windschutzscheibe von Fahrzeugen befestigt werden, um Beschleunigungsdaten während der Fahrt aufzuzeichnen und so Unebenheiten zu detektieren.
- Nutzung von Sensoren in Entsorgungsfahrzeugen, die im Rahmen ihrer regulären Fahrten den Straßenzustand überwachen und die Daten an Analysesysteme übermitteln.
- Langzeit-Monitoring von Großbaustellen per Drohne, um den Baufortschritt zu dokumentieren und den Zustand der angrenzenden Straßen im Blick zu behalten.
Prädiktive Wartungsstrategien
Prädiktive Wartungsstrategien nutzen Datenanalyse und maschinelles Lernen, um den optimalen Zeitpunkt für Instandhaltungsmaßnahmen vorherzusagen. Im Gegensatz zu reaktiver Wartung bei Ausfall oder turnusmäßiger Wartung in festen Intervallen ermöglicht die prädiktive Instandhaltung eine bedarfsgerechte Wartung basierend auf dem tatsächlichen Zustand von Anlagen und Komponenten. Durch die Auswertung von Sensordaten und Betriebsparametern lassen sich drohende Ausfälle frühzeitig erkennen und Wartungen gezielt planen, bevor es zu Störungen oder Qualitätseinbußen kommt. So können ungeplante Stillstandszeiten und Folgeschäden vermieden, die Lebensdauer von Anlagen verlängert und Instandhaltungskosten gesenkt werden.
Matthias Mut
Experte in KI und Automatiserung. Spaß an Entwicklung, Fortschritt & Rapid Prototyping.