Számítástudomány (Műszaki és Természettudományok Kollégiuma)
60 %
Anyagtudomány és Technológia (fizika) (Műszaki és Természettudományok Kollégiuma)
40 %
Ortelius tudományág: Építőmérnöki tudomány
zsűri
Informatikai–Villamosmérnöki
Kutatóhely
HUN-REN Számítástechnikai és Automatizálási Kutatóintézet
résztvevők
Balambér Dávid Benczúr András Benczúr András Friedman Noémi Hegyi Krisztina Kocsis Levente Lestyan Bence
projekt kezdete
2020-11-01
projekt vége
2024-04-30
aktuális összeg (MFt)
35.994
FTE (kutatóév egyenérték)
10.88
állapot
aktív projekt
Zárójelentés
kutatási eredmények (magyarul)
A DataBridge projekt az építőmérnöki gyakorlat fejlett mesterséges intelligencia és valószínűségi módszerekkel való ötvözését célozta meg, hogy javítsa a szerkezeti állapotfelügyeletet és a tervezési pontosságot. A hagyományos végeselem (FE) modellek gyakran nem képesek megfelelően előre jelezni a tényleges szerkezeti viselkedést a modellezési bizonytalanságok miatt, különösen a nem szokványos szerkezetek esetében. Az IoT eszközök vagy vibrációs tesztek segítségével adatgyűjtést végeztünk, és Bayes-frissítés módszerrel digitális ikermodelleket hoztunk létre, például egy autópályahíd, egy gyalogoshíd és magas fapaneles épületek számára. Ezek a digitális ikermodellek lehetővé teszik a szerkezetek hatékonyabb monitorozását és segíthetnek a karbantartási döntésekben. A projekt során jelentős előrelépéseket értünk el az AI modellek fejlesztése, a környezeti hatások elkülönítése és a szerkezeti viselkedés jobb megértése terén. Ez az integráció az építőmérnöki gyakorlatban biztonságot és hatékonyságot eredményezhet az infrastruktúra menedzsment terén.
kutatási eredmények (angolul)
The DataBridge project aimed to align modern civil engineering with advanced AI and probabilistic methods to improve structural health monitoring (SHM) and design accuracy. Traditional FE models often fail to predict as-built structural behaviour due to inherent uncertainties, particularly in non-conventional structures. To address this, we used IoT devices for continuous data collection, one-time ambient and forced vibration tests, and Bayesian updating to develop digital twins of representative structures, including a highway bridge, a footbridge, and tall timber buildings. These digital twins enhance monitoring and inform maintenance decisions. Despite initial leadership changes, The project proceeded smoothly with strong collaboration between SZTAKI, UL FGG, and ZAG. Key tasks included measurements by ZAG, data analysis by SZTAKI and ZAG, numerical modelling by UL FGG, stochastic computations, data-driven modelling and model updating by SZTAKI and UL FGG. The project resulted in significant advancements, such as developing explainable AI models to separate environmental effects on structural behaviour, creating surrogate models for modal properties, and improving vibration serviceability modelling for multi-storey timber buildings. These efforts pave the way for integrating AI and probabilistic methods in civil engineering, enhancing safety and efficiency in infrastructure management.
A. Stanic, M. Nikolic, N. Friedman, H. G. Matthies: Stochastic Identification of Material Parameters in Dynamic Fracture, Proc. Of the 6th International Conference on Multi-scale Computational Methods for Solids and Fluids, ECCOMAS MSF 2023, June 25-27, Sarajevo, Bosnia Herzegovina, pp 47, 2023
N. Friedman, B. Kurent, A Urbanics, R. Aleksziev, B. Brank: Online Calibration of the Dynamic Model of a Tall Timber Building by Mixture Density Deep Neural Network, Proc. of the 6th International Conference on Multi-scale Computational Methods for Solids and Fluids, ECCOMAS MSF 2023, June 25-27, Sarajevo, Bosnia Herzegovina,pp170-171, 2023
T. Frankovic, N. Friedman, U. Bohinc, B. Brank: Examples of Deterministic and Stochastic Model Updating for Steel Structures, Proc of the 6th International Conference on Multi-scale Computational Methods for Solids and Fluids, ECCOMAS MSF 2023, June 25-27, Sarajevo, Bosnia Herzegovina, pp214-215, 2023
Kurent, B and Friedman, Noémi and Ao, W K and Brank, B: Bayesian updating of tall timber building model using modal data, ENGINEERING STRUCTURES, 266. ISSN 0141-0296 10.1016/j.engstruct.2022.114570, 2022
B. Kurent, N. Friedman, B. Brank: On (Bayesian) Finite Element Model Updating of Civil Engineering Structures by Using Modal Features, ECCOMAS 5th International Conference on Multi-scale Computational Methods for Solids and Fluids, June 30 – July 2, Split, Croatia, 2021
Kurent, B and Friedman, Noémi and Ao, W K and Brank, B: Bayesian updating of tall timber building model using modal data, ENGINEERING STRUCTURES, 266. ISSN 0141-0296 10.1016/j.engstruct.2022.114570, 2022
Noémi Friedman , Zeynep Tasci , Uroš Bohinc and Jan Kalinc: Machine Learning for Explainability of Structural Health Monitoring Data of a Viaduct, The 8th European Congress on Computational Methods in Applied Sciences and Engineering, ECCOMAS Congress 2022 5-9 June 2022, Oslo, Norway, 2022
Projekt eseményei
2023-11-08 11:20:40
Résztvevők változása
2021-12-06 13:30:16
Résztvevők változása
2021-11-16 11:05:02
Vezető kutató váltás
Régi vezető kutató: Benczúr András
Új vezető kutató: Friedman Noémi
A vezető kutató váltás indoka: Benczúr Andrást 2020. őszén a Mesterséges Intelligencia Nemzeti Laboratórium szakmai vezetésével bízták meg. Adminisztratív és kutatás-szervezési feladatok időigénye miatt a PI pozíciót Friedman Noéminek adja át. Szenior kutatóként továbbra is részt vesz.
