Motivation
Der Klimawandel führt in Deutschland zu Wintern mit einerseits wenigen Schneetagen, aber gleichzeitig deutlich intensiveren Niederschlägen. Die Erfahrungen aus dem Schneemanagement spiegeln diese Entwicklungen bereits wider: In ganz Deutschland häufen sich Situationen, in denen Gebäude durch hohe Schneelasten an die Grenzen ihrer Belastbarkeit gelangen. Um Risiken für die Geschäftsprozesse vieler Unternehmen zu vermeiden, wird mit neuen Ansätzen im Schneemanagement in Kombination mit Künstlicher Intelligenz (KI) versucht, die Belastung von Gebäuden sicherer zu überwachen, um rechtzeitig effektive Maßnahmen einleiten zu können.
Ziele und Vorgehen
Für die Maßnahmenplanung bei Wetterereignissen, die die bauliche Stabilität von Gebäuden aufgrund von Schnee- und Eislasten gefährden können, existieren bisher keine ausreichend adäquaten digitalen Unterstützungswerkzeuge. Im Vorhaben „FROST-RISK“ werden gezielt geeignete Datenquellen erschlossen und in eine Plattform integriert, in der die Gebäudeinformationen mit Sensorik- und Messdaten verknüpft werden. Das soll eine ortsbezogene Prognose von Schneelasten ermöglichen, ohne die Gebäude mit teuren Messsystemen ausstatten zu müssen. Dabei wird das „MLOps“-Paradigma in den Phasen Konzeption, Entwicklung und Erprobung angewendet, um mithilfe von KI-Methoden die Sensoren und Datenquellen anzubinden, auszuwerten und bereitzustellen.
Innovationen und Perspektiven
Die in „FROST-RISK“ entwickelte Lösung optimiert, präzisiert und erleichtert das ortsbezogene Schneemanagement. Mit ihrer Hilfe können schneller sichere Entscheidungen getroffen werden, um Maßnahmen auszulösen, die das Risiko zu hoher Schneelasten beseitigen. Längerfristig entsteht ein lernendes System, das geeignet ist, die Schneelasten auf allen Dächern in Deutschland nach einheitlichen Kriterien vorherzusagen.