Structural Health Monitoring (SHM) für Brücken und Infrastruktur

Structural Health Monitoring (SHM) ist der Prozess der Implementierung einer Schadenserkennungs- und Charakterisierungsstrategie für Ingenieurbauwerke durch den Einsatz eines Netzwerks von Sensoren, Datenerfassungshardware, Kommunikationssystemen und Datenanalysealgorithmen. SHM ermöglicht eine kontinuierliche oder periodische quantitative Bewertung des Bauwerkszustands und versetzt Ingenieure in die Lage, Schäden frühzeitig zu erkennen, die Bauwerkssicherheit unter Betriebs- und Extremlasten zu bewerten sowie Wartungs- und Reparaturplanungen zu optimieren. Die Disziplin stützt sich auf Prinzipien der zerstörungsfreien Prüfung (NDT) , der Sensortechnologie, der Signalverarbeitung, der Datenanalyse und des Bauingenieurwesens.

Definition und Zweck des Structural Health Monitoring

Structural Health Monitoring wird von der International Society for Structural Health Monitoring (ISHM) formal definiert als die Messung der Betriebs- und Umgebungsbelastung eines Bauwerks sowie der Reaktion dieses Bauwerks über einen definierten Zeitraum, um Symptome von Schäden, Verschlechterungen oder Leistungsänderungen zu verfolgen und zu bewerten. Das Kernziel besteht darin, fünf grundlegende Fragen zu jedem überwachten Bauwerk zu beantworten: (1) Liegt ein Schaden vor? (2) Wo befindet sich der Schaden? (3) Welche Art und Schwere hat der Schaden? (4) Wie hoch ist die verbleibende Nutzungsdauer des Bauwerks? und (5) Welche Maßnahme wird empfohlen?

Der Zweck von SHM geht über die reine Schadenserkennung hinaus. SHM liefert quantitative Leistungsdaten, die eine zustandsbasierte Wartung (Condition-Based Maintenance, CBM) unterstützen – eine Strategie, bei der Wartungsmaßnahmen durch den gemessenen Bauwerkszustand ausgelöst werden und nicht durch feste Zeitintervalle. Dies steht im Gegensatz zur traditionellen zeitbasierten Wartung, die unabhängig vom tatsächlichen Zustand nach festgelegten Zeitplänen erfolgt. Die durch SHM ermöglichte zustandsbasierte Wartung kann die Wartungskosten um 20–40 % senken und gleichzeitig die Bauwerkszuverlässigkeit verbessern.

SHM wird über den gesamten Infrastrukturlebenszyklus hinweg für verschiedene Zwecke eingesetzt. Während des Baus validiert SHM die Entwurfsannahmen, überwacht temporäre Bauwerke und dokumentiert die Ist-Leistung. Während der Nutzungsdauer erkennt SHM Verschlechterungen durch Ermüdung, Korrosion, Überlastung und Umwelteinflüsse. Nach Extremereignissen wie Erdbeben, Hurrikanen, Überschwemmungen oder Fahrzeuganprall liefert SHM eine schnelle Zustandsbewertung, um zu entscheiden, ob ein Bauwerk weiterhin sicher genutzt werden kann oder ob eine dringende Reparatur erforderlich ist. Am Ende der Nutzungsdauer unterstützen SHM-Daten Entscheidungen über Sanierung, Verstärkung oder Ersatz.

Das Funktionsprinzip von SHM basiert auf der Beziehung zwischen Bauwerksschäden und messbaren Änderungen des Bauwerksverhaltens. Schäden – ob Rissbildung, Korrosion, Vorspannungsverlust, Lagerabnutzung oder Gründungssetzung – verändern die Steifigkeits-, Massen- oder Dämpfungseigenschaften eines Bauwerks. Diese Veränderungen äußern sich als messbare Abweichungen in den Schwingungseigenschaften (Eigenfrequenzen, Eigenformen, Dämpfungsverhältnisse), Dehnungsmustern, Durchbiegungen oder Verschiebungen. SHM-Sensoren erfassen diese Abweichungen, und Analyseverfahren korrelieren sie mit bestimmten Schadensarten und -orten.

SHM-Systemarchitektur

Ein vollständiges Structural Health Monitoring-System besteht aus vier funktionalen Ebenen, die zusammenarbeiten, um physikalische Phänomene an einem Bauwerk in verwertbare Zustandsinformationen umzuwandeln. Das Verständnis dieser Architektur ist für die Planung, Spezifikation und den Betrieb von SHM-Systemen unerlässlich.

Sensorebene

Die Sensorebene besteht aus physikalischen Wandlern, die am oder im Bauwerk montiert sind. Diese Wandler wandeln mechanische, physikalische oder chemische Phänomene in elektrische Signale um. Die Auswahl und Platzierung der Sensoren ist die wichtigste Entwurfsentscheidung in jedem SHM-System, da sie bestimmt, welche Schadensmechanismen mit welcher Empfindlichkeit erkannt werden können. Die Sensorplatzierung folgt den Prinzipien der optimalen Sensorplatzierung (OSP) -Theorie, die mathematische Optimierung verwendet, um die Erkennbarkeit erwarteter Schadensszenarien mit einer minimalen Anzahl von Sensoren zu maximieren. Die gängigen Sensortypen werden in Abschnitt 3 ausführlich behandelt.

Datenerfassungsebene (DAQ)

Die Datenerfassungsebene empfängt analoge Signale von den Sensoren und wandelt sie in digitale Daten um, die für die Übertragung und Analyse geeignet sind. DAQ-Hardware übernimmt mehrere Funktionen: Signalaufbereitung (Verstärkung, Filterung und Isolierung der Rohsignale), Analog-Digital-Wandlung (ADC) mit festgelegten Abtastraten und Auflösungen, Synchronisation mehrerer Sensorkanäle auf eine gemeinsame Zeitbasis sowie temporäre Datenpufferung vor der Übertragung. Die Abtastraten variieren stark je nach Anwendung – Beschleunigungssensoren an einer weitgespannten Brücke können für die Umgebungsschwingungsüberwachung mit 50–200 Hz abtasten, während Dehnungsmessstreifen an einem orthotropen Stahldeck möglicherweise 1000 Hz oder mehr benötigen, um Ermüdungszyklen durch LKW-Überfahrten zu erfassen.

Moderne DAQ-Systeme bieten modulare Architekturen, die die Kombination verschiedener Sensortypen auf einer einzigen Plattform ermöglichen. Das National Instruments cRIO und der Campbell Scientific CR6 sind Beispiele für robuste DAQ-Plattformen, die in Brücken-SHM-Anwendungen üblich sind. Diese Systeme arbeiten im Außenbereich bei Temperaturen von -40 °C bis +85 °C, häufig in Gehäusen unter Brückenträgern oder neben Bauwerken.

Datenübertragungsebene

Die Datenübertragungsebene transportiert digitalisierte Sensordaten vom Bauwerk zu einer zentralen Verarbeitungseinrichtung. Die Übertragungsmethode hängt von den örtlichen Gegebenheiten, dem Datenvolumen und der Verfügbarkeit von Stromversorgung ab. Kabelgebundene Übertragung mittels Glasfaserkabeln oder Ethernet bietet hohe Bandbreite und Zuverlässigkeit, erfordert jedoch Kabelverlegung und -schutz. Drahtlose Übertragung über Mobilfunknetze (4G/5G), Funkmodems oder Satellitenverbindungen macht Verkabelungskosten überflüssig, bringt jedoch Bandbreiteneinschränkungen und höheren Stromverbrauch mit sich.

Für abgelegene Brückenstandorte ohne Netzstrom und drahtgebundene Kommunikation verwenden SHM-Systeme üblicherweise Solarpaneele oder Windturbinen zur Stromversorgung und Mobilfunkmodems für die Datenübertragung. Das SHM-Programm des Oregon Department of Transportation, eine der frühesten Umsetzungen auf Bundesstaatsebene, verwendet genau diese Konfiguration für die Fernüberwachung von Brücken. Das Datenübertragungsintervall kann Echtzeit (kontinuierlicher Stream), periodisch (Stapelupload jede Stunde / jeden Tag) oder ereignisgesteuert (Übertragung nur bei Überschreitung von Schwellenwerten) sein.

Datenverarbeitungs- und Analyseebene

Die Datenverarbeitungsebene ist der Ort, an dem rohe Sensorwerte in Zustandsinformationen umgewandelt werden, die Ingenieure nutzen können. Diese Ebene umfasst die Datenspeicherung (typischerweise eine SQL- oder Zeitreihendatenbank), Datenbereinigung und Qualitätskontrolle (Entfernung von Spitzen, Driftkorrektur, Temperaturkompensation) sowie automatisierte Analysealgorithmen (Modalidentifikation, statistische Prozesskontrolle, maschinelle Lernmodelle). Die Ergebnisse werden über Dashboards, Trenddiagramme und automatisierte Benachrichtigungen (E-Mail, SMS oder SCADA-Integration) präsentiert.

Cloud-basierte SHM-Plattformen sind zunehmend verbreitet. Die AWS IoT- und Microsoft Azure IoT-Ökosysteme bieten verwaltete Dienste für Geräteverwaltung, Datenerfassung, Speicherung und Analyse. Diese Plattformen unterstützen Edge Computing, bei dem eine vorläufige Datenverarbeitung auf lokaler DAQ-Hardware vor der Übertragung erfolgt, wodurch das Datenvolumen reduziert wird und Echtzeitwarnungen selbst bei unterbrochener Netzwerkverbindung möglich sind.

Warnmeldungsebene

Die Warnmeldungsebene ist die Schnittstelle zwischen SHM-Daten und Entscheidungsträgern. Schwellenwertbasierte Warnmeldungen lösen Benachrichtigungen aus, wenn Sensorwerte vordefinierte absolute oder änderungsratenbezogene Grenzen überschreiten. Statistische Warnmeldungen verwenden Regelkarten (Shewhart, CUSUM, EWMA), um zu erkennen, wenn das Bauwerkverhalten über die erwartete Variabilität hinaus von der Basislinie abweicht. KI-gestützte Warnmeldungen nutzen trainierte Anomalieerkennungsmodelle, um subtile Veränderungen zu identifizieren, die statistische Methoden möglicherweise übersehen. Warnmeldungen werden in der Regel nach Schweregrad abgestuft – informativ, hinweisend, warnend und alarmierend – mit entsprechenden Eskalationsprotokollen.

Sensortypen im SHM

Die Auswahl der Sensortypen für ein SHM-System wird durch die für das Bauwerk erwarteten Schadensmechanismen, die verwendeten Baustoffe und die Überwachungsziele bestimmt. Jeder Sensortyp misst einen bestimmten physikalischen Parameter und reagiert auf bestimmte Schadensarten.

Beschleunigungssensoren (Accelerometer)

Beschleunigungssensoren messen die Schwingungen und dynamischen Reaktionen von Bauwerken. Sie sind die am weitesten verbreiteten Sensoren in der globalen SHM-Praxis, da Schwingungen empfindliche Indikatoren für Änderungen der Bauwerkssteifigkeit sind. Schäden wie Rissbildung, Vorspannungsverlust, Lagerabnutzung und Querschnittsverluste verringern die Steifigkeit, was die Eigenfrequenzen verschiebt und die Eigenformen verändert. Beschleunigungssensoren erfassen diese Veränderungen.

Zu den Technologien gehören piezoelektrische Beschleunigungssensoren (breiter Frequenzbereich, hohe Empfindlichkeit), kapazitive MEMS-Beschleunigungssensoren (niedrige Kosten, kleine Bauform, Gleichspannungsantwort) und Servo-Beschleunigungssensoren mit Kraftrückkopplung (höchste Empfindlichkeit für niederfrequente Hochbauten). Für die Brückenüberwachung werden üblicherweise MEMS-Beschleunigungssensoren mit einer Empfindlichkeit von 10 V/g und einem Rauschboden unter 10 μg/√Hz verwendet. Das FHWA LTBP-Programm setzt triaxiale Beschleunigungssensor-Arrays auf instrumentierten Brücken ein, um Umgebungs- (Wind, Verkehr) und erzwungene (Prüffahrzeug) Schwingungsdaten zu erfassen.

Daten von Beschleunigungssensor-Arrays werden mittels Operational Modal Analysis (OMA) -Verfahren wie Frequency Domain Decomposition (FDD) und Stochastic Subspace Identification (SSI) analysiert, um Eigenfrequenzen, Eigenformen und Dämpfungsverhältnisse zu extrahieren. Veränderungen dieser modalen Parameter im Laufe der Zeit deuten auf eine strukturelle Verschlechterung hin.

Dehnungsmessstreifen (Strain Gauges)

Dehnungsmessstreifen messen die lokale Oberflächenverformung (Dehnung) in Bauteilen unter Last. Sie werden zur Überwachung von Spannungsniveaus, zur Erkennung von Überlastungsereignissen, zur Verfolgung der Ermüdungsschadensakkumulation und zur Überprüfung von Lastverteilungsannahmen eingesetzt. Aufschweißbare Folien-Dehnungsmessstreifen sind bei Stahlkonstruktionen üblich, während Schwingdraht-Dehnungsmessstreifen aufgrund ihrer Langzeitstabilität und Feuchtigkeitsunempfindlichkeit für Betonkonstruktionen bevorzugt werden.

Dehnungsüberwachungsdaten ermöglichen die Ermüdungslebensdauerbewertung mittels der Rainflow-Zählmethode, die Spannungszyklen aus Dehnungs-Zeitverläufen extrahiert und die lineare Schadensakkumulationsregel nach Miner (Palmer-Miner lineare Schadenshypothese) anwendet. Bei orthotropen Stahlbrückentafeln, wo Ermüdungsrisse an Rippe-zu-Deckblech-Schweißverbindungen ein bekanntes Problem darstellen, liefert die kontinuierliche Dehnungsüberwachung Daten für die Ermüdungszustandsbewertung unter tatsächlichem Verkehr, nicht nur unter Entwurfslasten.

Weg- und Durchbiegungssensoren

Wegsensoren messen absolute oder relative Bewegungen von Bauteilen. Linearvariable Differentialtransformatoren (LVDTs) und Seilzug-Wegaufnehmer messen relative Verschiebungen an Rissen, Fugen oder Lagern. Totalstationen und GNSS-Empfänger messen absolute dreidimensionale Verschiebungen von Brückentafeln und -pylonen unter Last.

Für die Überwachung von Flughafenstartbahnbefestigungen messen Mehrfachtiefen-Deflektometer (MDDs) die schichtweise Durchbiegungsreaktion unter Flugzeuglasten. Diese Daten werden verwendet, um Schichtmoduli für die strukturelle Bewertung der Befestigung gemäß dem Aerodrome Design Manual (Doc 9157) der ICAO und den FAA AC 150/5370-11B-Befestigungsbemessungsverfahren rückzurechnen.

Neigungsmesser (Inkilnometer)

Neigungsmesser messen die Winkelverdrehung von Bauteilen mit hoher Präzision (1–10 Mikroradiant Auflösung). Sie werden zur Überwachung von Pfeilersetzungen, Brückenlagerverdrehungen, Stützwandbewegungen und Gründungsneigungen eingesetzt. Im SHM-Programm des Oregon DOT überwachen Neigungsmesser an der Isthmus Slough-Bascule-Brücke (erbaut 1935) die Pfeilerneigung, die den Öffnungs- und Schließbetrieb der Klappbrücke beeinflusst. Das System umfasst sowohl eine Langzeittrendüberwachung als auch eine Frühwarnung bei Schwellenwertüberschreitung.

Elektrolyt-Neigungssensoren und MEMS-basierte Inkilnometer sind die gängigsten Technologien. Sie werden oft in Arrays entlang von Brückenpfeilern oder Stützwänden eingesetzt, um differentielle Setzungs- und Rotationsprofile zu messen.

Glasfasersensoren

Glasfasersensoren stellen eine transformative Technologie für SHM dar, da sie verteilte Messungen über große Entfernungen, Immunität gegen elektromagnetische Störungen und Langzeitstabilität bieten. Zwei Haupttechnologien werden eingesetzt: Faser-Bragg-Gitter (FBGs) und verteilte faseroptische Sensorik (DFOS) .

FBG-Sensoren bestehen aus periodischen Brechungsindex-Modulationen, die an bestimmten Stellen in den Faserkern eingeschrieben werden. Änderungen der Dehnung oder Temperatur verschieben die Bragg-Wellenlänge, die mit Sub-Mikrodehnungs-Auflösung gemessen wird. Mehrere FBGs können auf einer einzigen Faser multiplexiert werden und so ein quasi-verteiltes Sensornetzwerk bilden. FBG-Dehnungsrosetten werden auf Stahlträgern installiert, um lokale Spannungsfelder zu überwachen.

Verteilte faseroptische Sensorik verwendet Verfahren wie Brillouin Optical Time Domain Analysis (BOTDA) , Brillouin Optical Time Domain Reflectometry (BOTDR) und Rayleigh-basierte Optical Frequency Domain Reflectometry (OFDR) , um Dehnung und Temperatur kontinuierlich über die gesamte Faserlänge zu messen, mit einer räumlichen Auflösung von 1–10 cm über Längen von 10–50 km. Ein einziges Glasfaserkabel, das entlang eines Brückenträgers verlegt wird, kann Dehnungswerte an Tausenden von Positionen liefern und so ein vollständiges Dehnungsprofil erstellen, das lokale Anomalien aufdeckt.

Die Akashi-Kaikyō-Brücke in Japan und die Confederation Bridge in Kanada sind Beispiele für große Brücken, die Glasfaser-Überwachungssysteme integrieren. Für Flughafenbefestigungen liefern in den Startbahnasphalt eingebettete Glasfaserkabel kontinuierliche Dehnungs- und Temperaturüberwachung unter Flugzeuglasten und ermöglichen die Erkennung von Verschlechterungen unter der Oberfläche, bevor Risse an der Oberfläche sichtbar werden.

Kameras und Digitale Bildkorrelation

Die bildbasierte SHM nutzt Digitalkameras, unbemannte Luftfahrzeuge (UAVs/Drohnen) und digitale Bildkorrelation (DIC) -Techniken, um das Bauwerkverhalten ohne physischen Kontakt mit dem Bauwerk zu messen. Kameras erfassen in regelmäßigen Abständen hochauflösende Bilder der Bauwerkoberflächen, und Bildverarbeitungsalgorithmen erkennen und quantifizieren Risse, Abplatzungen, Korrosionsverfärbungen und geometrische Veränderungen.

Digitale Bildkorrelation verfolgt die Bewegung natürlicher Oberflächentextur oder aufgebrachter Sprühmuster über eine Bildserie hinweg, um vollflächige Verschiebungs- und Dehnungsfelder mit Subpixel-Genauigkeit zu berechnen. DIC wird für Labortests an Bauwerken und mit geeigneten Kamerasystemen auch für die Feldüberwachung von Brückenelementen eingesetzt.

Drohnenbasierte visuelle Inspektionsdaten – wie sie beispielsweise von der TarmacView-Plattform bereitgestellt werden – ergänzen bodengestützte SHM-Sensornetzwerke, indem sie eine umfassende visuelle Dokumentation des Oberflächenzustands liefern, die georeferenziert und in das SHM-Datenverwaltungssystem integriert werden kann.

Datenanalyse und Künstliche Intelligenz für SHM

Das Datenvolumen, das von modernen SHM-Sensornetzwerken erzeugt wird, stellt sowohl eine Chance als auch eine Herausforderung dar. Eine einzelne Brücke mit 50 Beschleunigungssensoren, die mit 200 Hz abtasten, erzeugt etwa 864 Millionen Datenpunkte pro Tag. Die manuelle Analyse dieser Datenmenge ist unpraktikabel, weshalb automatisierte Datenanalyse und künstliche Intelligenz (KI) wesentliche Bestandteile jedes betrieblichen SHM-Systems sind.

Statistische Mustererkennung

Das Paradigma der statistischen Mustererkennung für SHM, formalisiert von Worden und Farrar (2001) am Los Alamos National Laboratory, unterteilt den SHM-Analyseprozess in vier Schritte: (1) Betriebliche Bewertung – Definition der relevanten Schadensszenarien und Überwachungsbeschränkungen; (2) Datenerfassung und -normalisierung – Sammlung von Daten und Entfernung von Umwelt- und Betriebseinflüssen (Temperatur, Verkehr, Wind), die schadensbedingte Veränderungen überdecken könnten; (3) Merkmalsextraktion – Berechnung schadensempfindlicher Merkmale aus Rohdaten (Eigenfrequenzen, Eigenformkrümmung, Dehnungseinflusslinien, Wavelet-Koeffizienten); und (4) Statistische Modellentwicklung – Erstellung von Modellen, die zwischen unbeschädigten und beschädigten Zuständen unterscheiden.

Die Datennormalisierung zur Entfernung von Umwelteinflüssen ist entscheidend, da Temperaturschwankungen Eigenfrequenzverschiebungen von 2–10 % bei Brücken verursachen können – vergleichbar mit der Größenordnung von Veränderungen durch mäßige Schäden. Verfahren wie Hauptkomponentenanalyse (PCA) , Auto-Associative Neural Networks (AANN) und Kointegration werden verwendet, um Umwelteinflüsse zu filtern und schadensbedingte Merkmale zu isolieren.

Maschinelles Lernen zur Schadenserkennung

Methoden des maschinellen Lernens (ML) sind zentral für die moderne SHM-Datenanalyse geworden. Überwachte Lernalgorithmen (Support Vector Machines, Random Forests, tiefe neuronale Netze) werden auf gekennzeichneten Daten aus bekannten Schadenszuständen trainiert, um neue Daten zu klassifizieren. Die Herausforderung besteht darin, dass gekennzeichnete Schadensdaten von Bauwerken in Betrieb rar sind – die meisten Bauwerke sind entweder nicht geschädigt oder erleiden Schäden, die nicht unabhängig charakterisiert werden. Diese Einschränkung hat das Interesse an unüberwachten Lernverfahren geweckt, die Anomalien relativ zu einem Basislinien-Gesundzustandsmodell erkennen, ohne dass Kennzeichnungen erforderlich sind.

Convolutional Neural Networks (CNNs) haben sich als äußerst effektiv für die bildbasierte Risserkennung erwiesen. Trainiert auf Tausenden von gekennzeichneten Betonrissbildern, können CNNs Risse mit einer Breite von nur 0,1 mm mit einer Genauigkeit von über 95 % erkennen. Die U-Net-Architektur, ursprünglich für die biomedizinische Bildsegmentierung entwickelt, wurde für die Pixel-genaue Rissssegmentierung in Brückentafelbildern angepasst, die von Inspektionsdrohnen aufgenommen wurden.

Rekurrente Neuronale Netze (RNNs) , insbesondere Long Short-Term Memory (LSTM) -Netzwerke, werden auf Zeitreihen-Sensordaten zur Vorhersage der verbleibenden Nutzungsdauer angewendet. Ein LSTM-Modell, das auf historischen Dehnungsmessstreifen-Daten trainiert wurde, kann Ermüdungsrisswachstumsraten vorhersagen und die Zeit schätzen, bis ein Riss eine kritische Länge erreicht.

Deep Learning zur Anomalieerkennung

Autoencoder-Neuronale Netze werden für die unüberwachte Anomalieerkennung im SHM eingesetzt. Ein Autoencoder wird darauf trainiert, normale (unbeschädigte) Bauwerksreaktionsdaten zu rekonstruieren. Wenn Daten eines beschädigten Bauwerks präsentiert werden, steigt der Rekonstruktionsfehler an, was auf eine Anomalie hinweist. Variational Autoencoder (VAEs) bieten einen probabilistischen Rahmen für die Anomalieerkennung, indem sie die Wahrscheinlichkeit quantifizieren, dass beobachtete Daten normales oder abnormales Bauwerkverhalten darstellen.

Edge-Computing-Knoten, die leichte KI-Modelle direkt auf der DAQ-Hardware ausführen, ermöglichen eine Echtzeit-Anomalieerkennung ohne Abhängigkeit von Cloud-Konnektivität. Diese Systeme können sofortige Warnmeldungen für kritische Ereignisse wie erdbebenbedingte Schäden oder Verkehrsüberlastung auslösen.

Structural Health Monitoring für Brücken

Brücken stellen das häufigste Anwendungsgebiet für SHM dar. Die Vereinigten Staaten verfügen über mehr als 590.000 Fernstraßenbrücken (Stand 2024), von denen gemäß dem National Bridge Inventory (NBI) etwa 36 % als strukturell mangelhaft oder funktional veraltet eingestuft sind. Das FHWA Long-Term Bridge Performance (LTBP)-Programm und die AASHTO-Richtlinien bilden den Rahmen für die Brücken-SHM-Praxis in den USA.

FHWA Long-Term Bridge Performance (LTBP)-Programm

Das im April 2008 im Rahmen des Safe, Accountable, Flexible, Efficient Transportation Equity Act (SAFETEA-LU) gestartete LTBP-Programm ist eine 20-jährige Flaggschiff-Forschungsinitiative des FHWA Office of Infrastructure Research and Development. Das übergeordnete Ziel des Programms ist die Sammlung wissenschaftlich fundierter quantitativer Daten von einer landesweit repräsentativen Stichprobe von Fernstraßenbrücken, um die Kenntnisse über das Brückenverhalten zu verbessern und letztlich Sicherheit, Mobilität, Langlebigkeit und Zuverlässigkeit der nationalen Fernstraßen-Infrastruktur zu fördern.

Das LTBP-Programm verwendet einen ganzheitlichen Ansatz, der alle physikalischen und funktionalen Variablen analysiert, die das Brückenverhalten beeinflussen. Die Forscher führen detaillierte periodische Inspektionen in Kombination mit zerstörungsfreien Prüfverfahren (NDE) durch, darunter Bodenradar, Schallemissionsüberwachung und permanente Sensorinstallationen, die Verkehrsbelastung, Ermüdungsrisse, Korrosion, Überlastungsereignisse und Umweltbedingungen überwachen.

Die durch das LTBP-Programm gesammelten Daten unterstützen: verbesserte Verschlechterungs- und Vorhersagemodelle, die Wechselwirkungen zwischen Fahrbahnen, Brücken und Verkehr simulieren; effektive Nutzung der Lebenszykluskostenanalyse; Fortschritte in der Inspektionstechnologie durch NDE und SHM; Entwicklung verbesserter Entwurfsmethoden und Wartungspraktiken; Quantifizierung der Wirksamkeit von Wartungs-, Reparatur- und Sanierungsstrategien; sowie Unterstützung bei der Festlegung nationaler Brückenpolitik.

AASHTO-Richtlinien für SHM

Die American Association of State Highway and Transportation Officials (AASHTO) gibt Anleitungen zum Brücken-SHM durch das Manual for Bridge Evaluation (2015) und unterstützende Veröffentlichungen des AASHTO Subcommittee on Bridges and Structures. Die SHM-Empfehlungen von AASHTO umfassen: die Bestimmung, wann SHM angemessen ist (Brücken mit bekannter Verschlechterung, ermüdungsanfälligen Details, neuartigen Entwürfen oder Bewertung nach Extremereignissen); Strategien zur Sensorauswahl und -platzierung; Datenmanagementprotokolle; und Interpretation von SHM-Ergebnissen für die Tragfähigkeitsbewertung und Zustandsbeurteilung.

Brücken-SHM-Programme auf Bundesstaatsebene

Das SHM-Programm des Oregon Department of Transportation (ODOT) , dokumentiert von Steven Lovejoy von der ODOT Bridge Engineering Section, ist eine der ausgereiftesten Umsetzungen auf Bundesstaatsebene. Stand 2024 verfügen 10 Brücken über dedizierte SHM-Systeme in sechs Überwachungskategorien:

1. Brückengründungen – Überwachung von Pfeilerneigung und -setzung mittels Neigungsmessern und Piezometern (Isthmus Slough-Bascule-Brücke, Spencer-Creek-Bogenbrücke)
2. Betonüberbauten – Überwachung von Dehnung und Rissausbreitung in historischen Stahlbeton-Plattenbalkenbrücken (RCDG) mit diagonalen Zugrissen (Luckiamute River Bridge, Banzer Bridge)
3. Bewegliche Brücken – Überwachung der mechanischen und strukturellen Leistung von zwei Hubbrücken und einer Drehbrücke
4. Ermüdungsüberwachung bei Stahl – Überwachung von verformungsinduzierten und thermischen Ermüdungsrissen in Stahlhohlkastenbrücken
5. Strukturdynamik – aeroelastische Schwingungsüberwachung an großen Fachwerkdurchlaufträgerbrücken
6. Korrosionsschutz – Überwachung der Wirksamkeit von kathodischen Schutzsystemen an Betonbrücken

Die SHM-Systeme des ODOT kosten pro Brücke zwischen 30.000 und 250.000 US-Dollar, mit jährlichen Betriebskosten von 5.000–20.000 US-Dollar für Datenmanagement, Systemwartung und Analyse. Das Programm hat gezeigt, dass SHM-Daten gezielte Wartungsmaßnahmen ermöglichen, die spezifische Probleme angehen, anstatt ganze Bauwerke zu ersetzen oder nachzurüsten.

Structural Health Monitoring für Flughafeninfrastruktur

Die Überwachung von Flughafeninfrastruktur mittels SHM-Prinzipien ist ein wachsendes Feld, das durch steigende Flugzeuggewichte, alternde Befestigungsinfrastruktur und regulatorische Sicherheitsanforderungen vorangetrieben wird. Die Internationale Zivilluftfahrtorganisation (ICAO) behandelt die Befestigungsüberwachung im Aerodrome Design Manual (Doc 9157) und in Annex 14 – Aerodromes und empfiehlt, dass Flugplatzbetreiber Überwachungsprogramme implementieren, um Befestigungsverschlechterungen zu erkennen, bevor sie die Sicherheit beeinträchtigen.

Gesundheitsüberwachung von Flughafenbefestigungen

Überwachungssysteme für Flughafenbefestigungen betten Sensoren in Startbahn-, Rollweg- und Vorfeldbefestigungen ein, um mechanische Reaktionen auf Flugzeuglasten zu messen. Typische Sensorausstattungen umfassen: Dehnungsmessstreifen, eingebettet in Asphalt oder Beton, um Zugdehnungen an der Unterseite gebundener Schichten zu messen; Druckzellen zur Messung vertikaler Spannungen innerhalb der Befestigungsschichten; Temperaturfühler zur Messung von Temperaturgradienten in der Befestigung, die die Asphaltsteifigkeit beeinflussen; Feuchtigkeitssensoren zur Erkennung von eindringendem Grundwasser, das die Befestigungsverschlechterung beschleunigt; und Mehrfachtiefen-Deflektometer (MDDs) zur Messung der schichtweisen Durchbiegungsreaktion.

Eine Studie der Iowa State University aus dem Jahr 2019 (finanziert durch die FAA) entwickelte ein intelligentes Rahmenwerk für die Instrumentierung von Flughafenbefestigungen, das Sensordaten mit Finite-Elemente-Modellen für die Echtzeit-Bewertung der Befestigungsstruktur integriert. Das Rahmenwerk verwendet eine Fallgewichts-Deflektometer (FWD)-Rückrechnungskalibrierung in Kombination mit kontinuierlicher Sensorüberwachung, um Änderungen der Schichtmoduli im Laufe der Zeit zu verfolgen – und erkennt so strukturelle Verschlechterungen Monate oder Jahre bevor Risse an der Oberfläche sichtbar werden.

Die FAA AC 150/5370-11B – Use of Nondestructive Testing in the Evaluation of Airport Pavements – gibt Anleitungen zur Deflektometrie, zum Bodenradar und zu anderen NDE-Verfahren, die bei der Bewertung von Flughafenbefestigungen eingesetzt werden. Das Dokument erkennt an, dass die periodische NDE-Prüfung (in der Regel alle 5 Jahre bei großen Flughäfen) zwar Momentaufnahmen des Befestigungszustands liefert, die kontinuierliche Sensorüberwachung (SHM) jedoch Verschlechterungen in den Intervallen zwischen den Prüfungen erkennen kann.

Marktwachstum

Der Markt für Sensorsysteme für Flughafenbefestigungen wurde 2025 auf 2,1 Milliarden US-Dollar geschätzt und soll bis 2034 4,1 Milliarden US-Dollar bei einer CAGR von 7,7 % erreichen. Das Wachstum wird durch Startbahn-Sanierungsprogramme an großen Flughäfen weltweit, steigende Flugzeugnutzlasten (A380, B777-9, B787) und regulatorische Anforderungen an die kontinuierliche Befestigungszustandsberichterstattung angetrieben.

Structural Health Monitoring vs. Periodische Inspektion

SHM und periodische Sichtprüfung sind komplementäre und nicht konkurrierende Ansätze zur Bauwerkszustandsbewertung. Das Verständnis dafür, wann welcher Ansatz angemessen ist – und wie sie integriert werden können – ist für ein effektives Infrastrukturmanagement unerlässlich.

Periodische Sichtprüfung

Die periodische Inspektion folgt kodifizierten Verfahren – dem AASHTO Manual for Bridge Element Inspection (MBEI) oder den Anforderungen der ICAO-Flugplatzzertifizierung – in festen Intervallen (in der Regel 12–24 Monate für Brücken, jährlich für Flughafenbefestigungen). Die Inspektion ist qualitativ und beruht auf der visuellen Beobachtung und Erfahrung des Prüfers zur Identifizierung und Bewertung von Mängeln. Das Ergebnis ist eine Zustandsbewertung (z. B. 1–9 für den NBI-Brückenzustand, 1–100 für den PCI-Befestigungszustand).

Zu den Einschränkungen der periodischen Inspektion gehören: die Sichtbarkeit ist auf zugängliche und sichtbare Oberflächen beschränkt (überflutete Gründungen, interne Spannglieder, Schichten unter der Befestigung sind unsichtbar); die Unfähigkeit, aktive Verschlechterungen zwischen den Inspektionszyklen zu erkennen; Subjektivität und Variabilität zwischen den Prüfern; die Unfähigkeit, das Bauwerkverhalten unter tatsächlichen Lasten zu messen; und das Fehlen quantitativer Trenddaten.

Structural Health Monitoring

SHM liefert quantitative Zeitreihendaten, die kontinuierlich oder mit hoher Frequenz erfasst werden. Es erkennt Schäden unter der Oberfläche (Korrosion der eingelegten Bewehrung, Vorspannungsverlust, innere Betonrissbildung, Delamination von Überzügen), die bei der Sichtprüfung nicht erkennbar sind. SHM erfasst transiente Ereignisse (Überlast-LKW, Erdbeben, thermische Extreme, Flutkolke), die zwischen den Inspektionszyklen auftreten.

Integrierter Ansatz

Die effektivste Strategie zur Zustandsbewertung integriert SHM mit periodischer Inspektion. Die National Bridge Inspection Standards (NBIS) in den USA schreiben SHM derzeit nicht vor, aber viele Bundesstaaten verwenden SHM als Ergänzung für bestimmte Bauwerke mit bekannten Leistungsproblemen. Das FHWA LTBP-Programm integriert beide Ansätze: periodische detaillierte Inspektionen liefern visuelle Zustandsbasislinien, während SHM-Sensoren kontinuierliche Leistungsdaten liefern. TarmacView-Drohnenvermessungen schließen die Lücke, indem sie hochauflösende visuelle Daten liefern, die bei Bedarf zwischen den planmäßigen Inspektionszyklen erfasst und mit bodengestützten SHM-Sensordaten integriert werden können.

Schadenserkennungsalgorithmen

Die Schadenserkennung im SHM basiert auf dem Prinzip, dass Bauwerksschäden die physikalischen Eigenschaften (Masse, Steifigkeit, Dämpfung, Randbedingungen) eines Bauwerks verändern und diese Veränderungen messbare Änderungen des Bauwerkverhaltens hervorrufen. Schadenserkennungsalgorithmen sind die mathematischen und rechnergestützten Methoden, die schadensempfindliche Merkmale aus Sensordaten extrahieren und den Bauwerkszustand klassifizieren.

Modenbasierte Schadenserkennung

Modenbasierte Methoden nutzen Änderungen der Eigenfrequenzen, Eigenformen, modalen Dehnungsenergie und Dämpfungsverhältnisse, um Schäden zu erkennen, zu lokalisieren und zu quantifizieren. Das grundlegende Prinzip ist, dass eine Verringerung der lokalen Steifigkeit (verursacht durch Rissbildung, Querschnittsverlust usw.) die Eigenfrequenz nach unten verschiebt und die Eigenformkrümmung an der Schadensstelle verändert.

Frequenzverschiebungsmethoden vergleichen gemessene Eigenfrequenzen mit Basislinienwerten. Die Empfindlichkeitsmethode setzt Frequenzverschiebungen mit Steifigkeitsreduktionen an bestimmten Elementpositionen in Beziehung. Eigenformkrümmungsmethoden berechnen die zweite räumliche Ableitung der Eigenformen; die Krümmung nimmt an Schadensstellen zu. Module Dehnungsenergie (MSE) -Methoden berechnen die Dehnungsenergieverteilung in jedem Element aus den Eigenformen; Schäden verursachen eine Umverteilung der Dehnungsenergie.

Die Haupteinschränkung modenbasierter Methoden besteht darin, dass Eigenfrequenzen globale Eigenschaften sind – eine kleine lokale Steifigkeitsänderung kann Frequenzverschiebungen hervorrufen, die kleiner als die Messunsicherheit sind. Temperaturbedingte Frequenzänderungen (2–10 %) können schadensbedingte Änderungen (0,5–2 %) überdecken. Eine erfolgreiche Anwendung erfordert sorgfältige Umgebungsnormalisierung und statistische Hypothesentests.

Dehnungsbasierte Schadenserkennung

Dehnungsbasierte Methoden überwachen Dehnungseinflusslinien, Dehnungsverteilungen und Dehnungsbereichshistogramme, um Schäden zu erkennen. Ein Riss unter einem Dehnungsmessstreifen reduziert die gemessene Dehnung an dieser Stelle unter Last. Vergleichende Dehnungsanalyse vergleicht Dehnungsmessungen bei identischen Lastniveaus im Zeitverlauf – zunehmende Dehnung deutet auf eine Steifigkeitsreduktion hin.

Bewegte-Last-Prüfungen sind eine dehnungsbasierte Methode zur Brückenzustandsbewertung. Ein LKW mit bekanntem Gewicht überquert die Brücke in Schrittgeschwindigkeit, während Dehnungsmessstreifen die Reaktionen aufzeichnen. Die resultierenden Dehnungseinflusslinien werden mit Basislinienmessungen verglichen. Änderungen der Einflusslinienform deuten auf Steifigkeitsänderungen hin, wobei der Ort des Schadens durch den betroffenen Abschnitt der Einflusslinie identifiziert wird.

Schallemissionsüberwachung (Acoustic Emission, AE)

Die Schallemissionsüberwachung erkennt elastische Spannungswellen, die durch aktive Schadensmechanismen – Risswachstum, Faserbruch, Korrosion und Delamination – erzeugt werden. Piezoelektrische AE-Sensoren, die auf der Bauwerkoberfläche montiert sind, erfassen die Welleneintreffzeiten, und das System lokalisiert die Quelle durch Triangulation der Eintreffzeiten über mehrere Sensoren.

Die AE-Überwachung ist hoch empfindlich für aktive Schäden (Rissausbreitung) und kann Ereignisse erkennen, die mit anderen Methoden unsichtbar sind. Die aus AE-Daten abgeleiteten Parameter Felicity Ratio und Calm Ratio korrelieren mit dem Schweregrad des Schadens gemäß den Normen ASTM E976 und ASTM E1932. Die AE-Überwachung wird für die Erkennung von Ermüdungsrissen in Stahlbrücken, die Korrosionsüberwachung von Spanngliedern in Spannbeton und die Schadensbewertung von Verbundwerkstoffen eingesetzt.

Maschinelles Lernen zur automatisierten Schadensklassifikation

Algorithmen des maschinellen Lernens ermöglichen die automatisierte Klassifikation von Bauwerkszuständen. Merkmale, die aus Sensordaten extrahiert wurden (Modalparameter, statistische Momente, Wavelet-Koeffizienten, spektrale Eigenschaften), werden in Klassifikatoren eingespeist, die auf Daten aus bekannten Bauwerkszuständen trainiert wurden. Zu den gängigen Algorithmen gehören:

Support Vector Machines (SVM) finden die optimale Hyperebene, die unbeschädigte und beschädigte Merkmalsräume trennt. SVMs sind mit begrenzten Trainingsdaten effektiv und werden für die binäre Schadensklassifikation eingesetzt. Random Forest-Ensembles aus Entscheidungsbäumen bieten eine Merkmalsbedeutungs-Rangfolge – sie identifizieren, welche Sensoren und Merkmale am empfindlichsten auf bestimmte Schadensarten reagieren. Convolutional Neural Networks (CNNs) verarbeiten rohe Zeitbereichs-Beschleunigungsdaten oder Bilder direkt und lernen optimale Merkmale für die Schadenserkennung ohne manuelles Feature-Engineering.

Integration mit BIM und Digitalem Zwilling

Die Integration von SHM-Daten mit Building Information Modeling (BIM) und Digitalen Zwillingen stellt die derzeitige Grenze des Infrastrukturmanagements dar. Ein Digitaler Zwilling ist eine dynamische virtuelle Repräsentation eines physischen Bauwerks, die sich in Echtzeit mithilfe von Sensordaten des SHM-Systems aktualisiert.

BIM als SHM-Datenrahmenwerk

Building Information Modeling bietet einen strukturierten 3D-geometrischen und semantischen Rahmen für die Organisation von SHM-Daten. Jeder Sensor im Überwachungsnetzwerk erhält eine Position im BIM-Modell mit zugehörigen Metadaten: Sensortyp, Installationsdatum, Kalibrierungshistorie, Messbereich und Datenstromkennung. Inspektionsergebnisse aus visuellen Erhebungen (einschließlich TarmacView-Drohnenbilder) werden mit bestimmten BIM-Elementen verknüpft und schaffen so eine einheitliche Datenumgebung für alle Zustandsinformationen.

Der Industry Foundation Classes (IFC) -Standard, verwaltet von buildingSMART International, bietet ein offenes Datenschema für die Darstellung von SHM-Sensoren in BIM-Modellen. IFC4 enthält Entitäten für Sensoren, Sensortypen und Messfähigkeiten. Die IFC-Bridge-Erweiterung befasst sich speziell mit Brückenbauwerken und ermöglicht einen standardisierten Datenaustausch zwischen SHM-Systemen und BIM-Plattformen.

Digitaler Zwilling für vorausschauende Wartung

Ein Digitaler Zwilling integriert SHM-Sensordaten mit Finite-Elemente-Modellen (FE) , Verschlechterungsmodellen und Analysealgorithmen, um den aktuellen und zukünftigen Bauwerkszustand zu simulieren. Das FE-Modell wird kontinuierlich anhand von modalen Parametern aktualisiert, die aus Beschleunigungssensordaten extrahiert werden – ein Prozess, der als Modellaktualisierung (Model Updating) bezeichnet wird. Das aktualisierte Modell liefert eine kalibrierte Darstellung des Bauwerks, die die tatsächlichen Ist-Zustände und den aktuellen Schadenszustand berücksichtigt.

Mit dem kalibrierten Digitalen Zwilling können Ingenieure: die Wirkung von Reparatur- oder Nachrüststrategien vor der Umsetzung simulieren; die verbleibende Nutzungsdauer unter prognostizierten zukünftigen Lasten vorhersagen; Inspektions- und Wartungsplanungen basierend auf prognostizierten Verschlechterungsraten optimieren; und die Bauwerksleistung nach Reparaturen validieren. Das Eurostars Bridge Digital Twin-Projekt und das InfraWatch-Projekt in Europa haben die Machbarkeit der Integration von SHM-Daten mit BIM-basierten Digitalen Zwillingen für das operative Brückenmanagement demonstriert.

TarmacView-Integration

TarmacView-Drohnenvermessungsdaten – hochauflösende Orthomosaikbilder, 3D-Punktwolken und Schadenskarten – können als zeitgestempelte Zustandsaufnahmen in BIM/Digital-Twin-Plattformen integriert werden und ergänzen so die kontinuierlichen SHM-Sensordaten. Visuelle Zustandsdaten aus Luftaufnahmen liefern eine Grundwahrheitsvalidierung für automatisierte Schadenserkennungsalgorithmen und dokumentieren Oberflächenzustände, die Sensoren unter der Oberfläche nicht erkennen können.

Kosten-Nutzen-Analyse und Implementierungsaspekte

Die Implementierung eines SHM-Systems erfordert eine erhebliche Anfangsinvestition, aber der Return on Investment durch verlängerte Nutzungsdauer, reduzierte Wartungskosten und Vermeidung katastrophaler Ausfälle ist gut dokumentiert.

Kostenbestandteile

Die Gesamtkosten eines SHM-Systems umfassen: Systemauslegung und Ingenieurleistung (Bauwerksbewertung, Sensorauswahl, Analyse der optimalen Platzierung) – in der Regel 15–25 % der Gesamtkosten; Sensoranschaffung (200–5.000 US-Dollar pro Sensor je nach Typ) – 20–35 % der Gesamtkosten; Installation und Inbetriebnahme (Montage der Sensoren, Verkabelung, Gehäuseeinrichtung, Systemtests) – 25–40 % der Gesamtkosten; Datenmanagement und -analyse (Software, Speicher, Analyse) – laufend bei 5.000–30.000 US-Dollar/Jahr; und Systemwartung und Kalibrierung – jährliche Kosten von 3.000–15.000 US-Dollar.

Typische Gesamtkosten für installierte SHM-Systeme: kleine Brücke (10–20 Sensoren) – 50.000–150.000 US-Dollar; mittlere Brücke (20–50 Sensoren) – 150.000–350.000 US-Dollar; große weitgespannte Brücke (50–200+ Sensoren) – 350.000–1.500.000 US-Dollar; Überwachungssystem für Flughafenstartbahnen – 200.000–500.000 US-Dollar pro Kilometer.

Quantifizierte Vorteile

Die University of California, San Diego hat in Forschungen zur Ökonomie des Brücken-SHM dokumentiert, dass die durch SHM ermöglichte zustandsbasierte Wartung die gesamten Wartungskosten um 25–40 % im Vergleich zur zeitbasierten Wartung senkt. Das New York State Department of Transportation (NYSDOT) berichtete, dass die SHM-Überwachung kritischer Brücken mit bekannten Ermüdungsproblemen die Notwendigkeit jährlicher verkehrssperrender Inspektionen beseitigte und allein bei den Verkehrsmanagementkosten 500.000 US-Dollar pro Jahr einsparte.

Die Kosten eines Bauwerksversagens liefern die stärkste wirtschaftliche Rechtfertigung für SHM. Der Einsturz der I-35W-Mississippi-River-Brücke im Jahr 2007 in Minneapolis forderte 13 Todesopfer und verursachte wirtschaftliche Gesamtschäden von über 300 Millionen US-Dollar. SHM-Systeme an Brücken mit bekannten strukturellen Mängeln kosten 0,1–0,5 % des Wiederbeschaffungswerts und bieten eine Katastrophenausfallversicherung zu minimalen Kosten.

Implementierungsrahmen

Eine erfolgreiche SHM-Implementierung folgt einem strukturierten Rahmen: (1) Definition der Überwachungsziele – welche Schadensmechanismen sind relevant, welche Entscheidungen werden auf Basis der SHM-Daten getroffen; (2) Bauwerksbewertung – Identifizierung kritischer Elemente, Versagensarten und Leistungsindikatoren durch technische Analyse; (3) Sensor-Design – Auswahl von Sensortypen, -mengen und -positionen mittels Algorithmen zur optimalen Sensorplatzierung; (4) Datenmanagement-Planung – Festlegung von Protokollen für Datenspeicherung, -übertragung, -verarbeitung und -archivierung; (5) Basisliniendatenerfassung – Charakterisierung des Bauwerks in seinem aktuellen Zustand vor Fortschreiten der Verschlechterung; (6) Analyse und Interpretation – Implementierung automatisierter Algorithmen zur Schadenserkennung und Leistungsbewertung; (7) Entscheidungsunterstützung – Übersetzung der SHM-Ergebnisse in umsetzbare Wartungs-, Reparatur- oder Betriebsempfehlungen.

Die American Society of Civil Engineers (ASCE) hat durch das Structural Engineering Institute (SEI) Richtlinien zur SHM-Implementierung veröffentlicht, die empfehlen, SHM in das Anlagenmanagement-Rahmenwerk von Infrastrukturbetreibern mit klaren Rollen, Verantwortlichkeiten und Entscheidungsprotokollen zu integrieren.

Zusammenfassung

Structural Health Monitoring ist ein datengesteuerter Ansatz für das Infrastrukturmanagement, der die Bauwerksprüfung von periodischen qualitativen Momentaufnahmen in eine kontinuierliche quantitative Bewertung verwandelt. Die Integration von Sensornetzwerken, Datenerfassungssystemen, Kommunikationsinfrastruktur und KI-basierter Analytik ermöglicht es Ingenieuren, Schäden im frühestmöglichen Stadium zu erkennen, das Bauwerkverhalten unter tatsächlichen Belastungsbedingungen zu verstehen und fundierte Entscheidungen über Wartung, Reparatur und Ersatz zu treffen. Mit sinkenden Sensorkosten, fortschreitenden KI-Fähigkeiten und alternder Infrastruktur wird SHM weltweit zu einem zunehmend wesentlichen Bestandteil des Managements von Brücken, Tunneln, Gebäuden und Flughafenbefestigungen.