RISK.twin kombiniert reale Messdaten, physikbasierte Simulation, datenbasierte Verfahren und nutzerorientierte Technologien. Die Methoden stehen dabei nicht für sich: Sie greifen ineinander und werden an konkreten Fragestellungen aus Brückenbau, Hochbau sowie Wasser- und Energiesystemen erprobt.
Sensorik und reale Daten
Simulation und High Performance Computing
Machine Learning und Scientific ML
Prescriptive Analytics und Decision Support
VR/AR und Wissenschaftskommunikation
Grundprinzip
RISK.twin setzt weder allein auf Sensorik noch allein auf Simulation oder KI. Reale Messwerte werden mit physikalischem Wissen und datenbasierten Verfahren verbunden. So können auch Größen bestimmt werden, die nicht vollständig durch Messdaten erfasst sind, und Szenarien untersucht werden, die im Normalbetrieb kaum auftreten.
Reale Welt
Messwerte aus Bauwerken, Anlagen und Reallaboren liefern den Bezug zur Realität.
Physik
Physikalische Zusammenhänge machen Verhalten und Belastung rechnerisch beschreibbar.
Datenbasierte Ergänzung
Datenbasierte Verfahren ergänzen Modelle, erkennen Muster und unterstützen Prognosen.
Methodische Bausteine
Sensorik, Simulation, Machine Learning, Entscheidungsunterstützung und VR/AR übernehmen im Projekt unterschiedliche Aufgaben. Erst ihr Zusammenspiel macht es möglich, reale Zustände zu erfassen, Entwicklungen zu modellieren und daraus nutzbare Informationen für Forschung, Betrieb und Transfer abzuleiten.
Reale Messwerte erfassen – und Informationen dort ergänzen, wo kein Sensor sitzt.
Komplexe physikalische Systeme berechnen – skalierbar und zunehmend echtzeitnah.
Numerische Simulationen beschreiben etwa Tragverhalten, Prozesse oder elektrische Systeme. HPC stellt die notwendige Rechenleistung für große Modelle und parallele Berechnungen bereit.
Simulation macht Belastungen, Störungen und Varianten untersuchbar, ohne reale Infrastruktur zu gefährden. Reduzierte Modelle ermöglichen dabei schnellere Berechnungen bis hin zur Echtzeitnähe.
Physikbasierte Simulation wird in allen drei Infrastrukturklassen eingesetzt. Die CPU-/GPU-Hardwareplattform ist dabei als projektweit verfügbare Ressource konzipiert und eingesetzt.
Modelle ermöglichen es, Belastungen, Parameter und Störfallszenarien kontrolliert zu variieren, ihre Auswirkungen zu vergleichen und Prognosen abzuleiten.
Datenbasierte Verfahren mit physikalischem Wissen verbinden.
Scientific Machine Learning verbindet datenbasierte Verfahren mit bekannten physikalischen Zusammenhängen. Dazu gehören unter anderem Physik-Informierte Neuronale Netze (PINNs).
Bei kritischen Infrastrukturen sind große Datensätze gerade für seltene Störfälle oft nicht verfügbar. Physikalisches Wissen kann helfen, datenbasierte Modelle auch unter solchen Bedingungen belastbarer zu machen.
Entwickelt wurden unter anderem eine PINN-Software für kontinuumsmechanische Probleme sowie Proof-of-Concept-Anwendungen zur automatischen Risserkennung.
Machine Learning macht komplexe Zusammenhänge in Mess- und Simulationsdaten nutzbar, etwa für die Erkennung von Schäden, die Vorhersage von Entwicklungen oder die Beschleunigung rechenintensiver Modelle.
Nicht nur vorhersagen, was passieren könnte – sondern Handlungsoptionen vergleichbar machen.
Während Predictive Analytics mögliche Entwicklungen vorhersagt, bewertet Prescriptive Analytics alternative Maßnahmen und deren erwartbare Folgen.
Gerade in Stör- und Krisensituationen braucht es Unterstützung dabei, mehrere Handlungsoptionen schnell und nachvollziehbar gegeneinander abzuwägen.
In einem interaktiven Dashboard werden Daten analysiert und Zeitreihenprognosen mit unterschiedlichen Verfahren erstellt und miteinander verglichen.
Technische Informationen und mögliche Handlungsoptionen werden so aufbereitet, dass ihre Folgen nachvollziehbar verglichen werden können. Die Entscheidung selbst bleibt beim Menschen.
Komplexe Digitale Zwillinge räumlich erlebbar, lernbar und kommunizierbar machen.
VR/AR überführt 3D-Modelle, Daten und Kontextinformationen in immersive Umgebungen, in denen Nutzende Inhalte räumlich erfahren können.
VR/AR macht Digitale Zwillinge und technische Zusammenhänge für unterschiedliche Zielgruppen zugänglich: Von Lernenden über KRITIS-Betreibende bis hin zu Entscheidungstragenden.
Zwei vollständige VR-Lernumgebungen wurden entwickelt und in Studien mit bis zu 200 Teilnehmenden untersucht. Sie werden außerdem für Wissenschaftskommunikation und Ausbildung eingesetzt.
RISK.twin untersucht Lernwirksamkeit, Nutzerakzeptanz und kognitive Ergonomie immersiver Lernumgebungen und leitet daraus Erkenntnisse für ihre Gestaltung ab.
Je nach Fragestellung verbindet RISK.twin Sensorik, Simulation, Machine Learning, Entscheidungsunterstützung und VR/AR zu einem gemeinsamen methodischen Ansatz. Wie dieses Zusammenspiel konkret aussieht, zeigen drei Beispiele aus dem Projekt.
Beispiel Brücke
Bei Brücken werden reale Messdaten mit numerischen Modellen und datenbasierten Verfahren zusammengeführt.
ZIEL: Prüfung, Wartung und Lebensdauerbewertung besser unterstützen.
Beispiel Wasser & Energie
Die Versuchsanlage verbindet Echtzeitdaten mit Prozess- und Energiemodellen.
ZIEL: Reaktionszeiten verkürzen und perspektivisch sicher in den realen Betrieb rückkoppeln.
Beispiel Lernen & Transfer
3D-Daten und Digitale Zwillinge werden in virtuelle Lern- und Kommunikationsumgebungen übertragen.
ZIEL: Forschung verständlich machen und Kompetenzen in Lehre, Ausbildung und Öffentlichkeit übertragen.
Resilience by Design richtet den Blick auf die Frage, wie kritische Infrastrukturen bereits bei Planung und Konstruktion so ausgelegt werden können, dass sie außergewöhnlichen Belastungen und Störungen besser standhalten.
RISK.twin verbindet dafür Erkenntnisse aus realen Versuchssystemen mit Sensorik, Simulation und digitalen Bewertungsverfahren. Untersucht werden unter anderem redundante Strukturen, Schutzmaßnahmen und die Frage, wie sich Robustheit und verbleibende Nutzbarkeit unter veränderten Bedingungen bewerten lassen.
Die Anwendungsfelder und Demonstratoren zeigen, wie Sensorik, Simulation, KI, Entscheidungsunterstützung und VR/AR konkret zusammenwirken.