CC-KING - Kompetenzzentrum für KI-Engineering
CC-KING - Kompetenzzentrum für KI-Engineering

Zustandsorientierte Analyse von Rohrleitungen

Ausgangssituation

Der Zustand von unterirdischen Infrastruktursystemen, z.B. Trinkwasser- und Abwassernetze, lässt sich mit verschiedenen Methoden analysieren und bewerten. Direkte Inspektionen sind Stand der Technik im Abwasserbereich, bei Trinkwasserleitungen aufgrund der hygienischen Anforderungen bisher nur schwer zu realisieren. Bei den Netzbetreibern liegen mittlerweile mehr oder weniger umfangreiche Schadensstatistiken und Inspektionsbefunde vor. Zur Unterstützung der Betreiber bietet die Firma 3S Consult ein hochwertiges Asset Engineering Tool für (Rohr-)Leitungssysteme an. Auf Basis von Schadens-, Störungs- oder Zustandsdaten führt 3S altersabhängige Analysen des Leitungszustandes durch und unterstützt vielfältige Assetsimulationen für Re-Investitonsstrategien.

Problemstellung

Aktuell erfolgt eine Auswertung der Schadensstatistiken mit klassischen Methoden: Schadensmerkmale werden manuell von Expert*innen ausgewählt. Anhand dieser Merkmale wird eine Aussage über den Zustand des verlegten Rohrleitungssystems getroffen. Im QuickCheck sollte daher untersucht werden, inwiefern eine KI den Experten assistieren kann. Konkret wurden zwei Fragestellungen untersucht:

  1. Lässt sich anhand eines ML-Verfahrens eine statistisch belastbare Aussage über den Leitungszustand noch nicht inspizierter Rohre treffen?
  2. Lassen sich die relevanten Merkmale zur Bewertung des Leitungszustandes seitens der KI identifizieren?

Lösungsansatz

Zur Lösung der Fragestellung wurde auf ein Tiefes Neuronales Netz als Klassifikator zurückgegriffen und auf einem aktuellen Datensatz mit Schadensstatistiken getestet. Zur Analyse der relevantesten Merkmale wurde der Gradient des Neuronalen Netzes betrachtet.

Quick-Check-Ergebnisse

Mittels des Neuronalen Netzes hat sich gezeigt, dass eine gute Aussage über den aktuellen Leitungszustand getroffen werden kann. Die vom Neuronalen Netz ausgewählten Merkmale ähneln zudem denen von Expert*innen. Zusammengefasst haben die Ergebnisse des Quick-Checks gezeigt, dass sich eine KI gut dazu eignet, Expert*innen bei der Analyse von Schadensstatistiken zu assistieren.