Numerische und experimentelle Entwicklung eines „Accelerated Repeated Rolling Wheel Load Simulator“ (ARROWS) Phase II: Analyse der Skaleneffekte und Vorhersagemodellierung für eine verbesserte Dauerhaftigkeit von Straßen

• Antragsteller: Professor Dr. Alvaro Garcia-Hernandez; Professor Dr.-Ing. Michael Kaliske; Professor Dr.-Ing. Pengfei Liu, Ph.D.
• Fachliche Zuordnung: Baustoffwissenschaften, Bauchemie, Bauphysik ; Angewandte Mechanik, Statik und Dynamik
• Förderung: Förderung seit 2018
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 414936990

Nach Abschluss der ersten Phase, aus der am Institut für Straßenwesen (ISAC) der RWTH Aachen das ARROWS-Gerät für Ermüdungsversuche im Labormaßstab und am Institut für Statik und Dynamik der Tragwerke (ISD) der TU Dresden die zugehörigen numerischen Simulationsmethoden hervorgingen, geht das Projekt nun in die zweite Phase. Zentrales Ziel dieser nächsten Phase ist es, die prädiktive Analyse der Lebensdauer von Fahrbahnen zu verbessern. Diese Verbesserung wird durch die Integration innovativer Sensortechnologien sowohl in den ARROWS- als auch in den EvAH-Ermüdungstest erreicht. Das EvAH-Prüfgerät wurde am ISAC in einem parallelen Projekt entwickelt und bietet einen neuartigen Ansatz zur halbmaßstäblichen, beschleunigten Prüfung von Asphaltbefestigungen. Die aus diesen Versuchen gewonnenen Daten werden die Entwicklung der zugehörigen Finite-Elemente-Methoden und Algorithmen des maschinellen Lernens vorantreiben, die speziell auf das Verständnis und die Quantifizierung der Skaleneffekte zugeschnitten sind. Dieser Ansatz ist von grundlegender Bedeutung, um die Lücke zwischen Experimenten im Labormaßstab und realen Fahrbahnbedingungen zu schließen. Das innovative Sensorkonzept wird die detaillierte Auswertung der Laborexperimente ermöglichen, die die Schädigung durch starken Verkehr experimentell simulieren und wertvolle Erkenntnisse über das Langzeitverhalten von Fahrbahnen liefern. Schnelle Vorhersagemodelle, die sich auf die umfangreichen Datensätze sowohl aus der Anfangsphase als auch auf neu zu entwickelnde multiphysikalische und mehrskalige numerische Simulationen stützen, werden genaue Prognosen des Fahrbahnverhaltens liefern. Techniken des maschinellen Lernens werden diese Modelle weiter verfeinern und robuste Simulationen und Analysen der zeitanhängigen Degradation ermöglichen. Ziel dieser Projektphase ist, genauere Vorhersagen über die Haltbarkeit von Fahrbahnen und die erforderliche Instandhaltung zu treffen, um eine effizientere Nutzung der Ressourcen für das Straßenmanagement zu gewährleisten. Die Integration dieser innovativen Prüf- und Prognosemethoden stellt einen bedeutenden Fortschritt in der nachhaltigen Bewirtschaftung und Optimierung der Straßeninfrastruktur dar.

• DFG-Verfahren: Sachbeihilfen