Effizientere Bodenradarauswertung dank Künstlicher Intelligenz (KI)

Effizientere Bodenradarauswertung dank Künstlicher Intelligenz (KI)

Die Beschaffenheit des Gleisunterbaus kann mittels Bodenradar erfasst werden, doch die Auswertung der Messungen ist sehr aufwendig. Könnte der Einsatz von KI diesen Aufwand reduzieren? Das fragte sich eine Forschergruppe, in der auch Plasser & Theurer vertreten ist, und stellte sich der Herausforderung. Unter anderem durch das geschickte Anwenden von Filtern wird die Auswertung wesentlich erleichtert.

Der Gleisunterbau hat großen Einfluss auf die Haltbarkeit des Gleises. Die dynamische Belastung der Schotterschicht durch den Fahrbetrieb vermindert mit der Zeit die Stabilität und führt letztlich zum Verlust der idealen Gleisgeometrie. Um den Zustand des Gleisunterbaus festzustellen, wird daher seit Jahren ein besonderes Messverfahren angewendet: das Bodenradar.

Dafür sind Radarsender und -empfänger an einem Schienenfahrzeug installiert. Beim Abfahren der Strecke durchdringen hochfrequente elektromagnetische Wellen den Gleisunterbau und werden von diesem reflektiert. Das Reflexionsverhalten der verschiedenen Schichten erlaubt Rückschlüsse auf deren Beschaffenheit. Die Radarechos werden im sogenannten „Radargramm“ grafisch dargestellt.

Arbeitsaufwendige Analyse

Eine Strecke von mehreren Kilometern lässt sich relativ schnell abfahren und mittels Bodenradar erfassen, doch die anschließende Analyse des Radargramms ist umso aufwendiger. Die Messdaten müssen von Spezialisten durchgesehen und interpretiert werden. Das ist mit erheblichem Arbeits- und Zeitaufwand verbunden und selbst für Fachleute eine knifflige Aufgabe.

Automatisierung durch Einsatz von Filtern und KI

Plasser & Theurer hat in Zusammenarbeit mit Ground Control Geophysik & Consulting und der FH Oberösterreich eine Methode zur automatisierten Unterstützung bei der Auswertung von Radargrammen entwickelt. Dabei ist auch KI beteiligt.

Nach der Analyse des Radargramms mit Hilfe von Filtern werden die Ergebnisse in Form von Vektoren abgespeichert, dann tritt KI in Aktion. Spezielle Suchalgorithmen finden ähnliche Reflexionsmuster und fassen diese zu Gruppen bzw. „Clustern“ zusammen. Die Feinheit kann durch Vorgabe der gewünschten Clusteranzahl manuell eingestellt werden.

Grafische Aufbereitung

Durch die systematische Klassifizierung der Reflexionsmuster sind der Darstellung der Daten praktisch keine Grenzen gesetzt. So kann man zum Beispiel jedem Cluster eine eigene Farbe zuteilen und das Radargramm entsprechend einfärben, den exakten Verlauf von Grenzschichten zeigen oder unterschiedliche Reflexionscharakteristika auf separaten Grafiken abbilden. Dadurch werden Strukturen deutlich, die in den Rohbildern selbst für das geübte menschliche Auge schwer erkennbar wären.

Keine Interpretation ohne menschliches Fachwissen

Auch wenn diese Methode die Auswertung der Messdaten stark erleichtert und die Reproduzierbarkeit von Ergebnissen enorm erhöhen kann, ist menschliches Fachwissen gefragt, um die Daten zu interpretieren und potenzielle Problemstellen im Gleisunterbau zu identifizieren. Der Einsatz von KI ist jedoch ein wesentlicher Beitrag zur Kosten- und Arbeitsreduktion und ein weiterer Schritt hin zur Qualitätssteigerung bei der Radaranalyse von Gleisunterbaustrukturen.

Weitere Artikel zum Thema

Alle Artikel anzeigen