Wie kann künstliche Intelligenz dazu beitragen, die Tragfähigkeit von Straßen effizient und flächendeckend zu bewerten? Dieser Frage widmet sich eine interdisziplinäre Forschungsarbeit der Bergischen Universität Wuppertal unter Beteiligung des Aktivitätsfelds KI4BUW am TMDT. Der Beitrag „Enhanced bearing capacity assessment of roads using machine learning for automated GPR interpretation“ ist in der Transportation Research Procedia erschienen und steht als Open-Access-Veröffentlichung frei zur Verfügung.

Die Arbeit wurde bereits im Juni auf der 12th BCRRA 2026 vorgestellt. Mit der Veröffentlichung ist nun der vollständige Beitrag öffentlich zugänglich.

Georadar-Daten automatisiert auswerten

Im Mittelpunkt der Arbeit steht ein Deep-Learning-Modell, das Straßenbelagstypen in Georadar-Daten automatisiert erkennt und voneinander abgrenzt. Dabei kommt die sogenannte semantische Segmentierung zum Einsatz, bei der einzelne Bereiche der Messdaten bestimmten Klassen zugeordnet werden. Georadar, auch als Ground Penetrating Radar (GPR) bezeichnet, liefert dabei Informationen über den Straßenaufbau.

Die entwickelte Methodik unterstützt die flächendeckende Tragfähigkeitsbewertung mit dem Traffic Speed Deflectometer (TSD). Die automatisierte Interpretation der Georadar-Daten schafft eine wichtige Grundlage dafür, entsprechende Messungen effektiv und effizient auszuwerten.

Strukturelle Defizite gezielter erkennen

Für das Infrastrukturmanagement ist entscheidend, tatsächliche strukturelle Defizite des Straßenaufbaus von Einflüssen lokaler Randbedingungen zu unterscheiden. Die Forschungsarbeit zeigt, wie die entwickelte Methodik diese Differenzierung anhand netzweit erhobener Messdaten unterstützt.

In Verbindung mit Messfahrten durch Systeme wie den Pavement Scanner lassen sich die erfassten Daten so für eine präzisere Bewertung der Straßentragfähigkeit nutzen.

Interdisziplinäre Zusammenarbeit und Förderung

Die Veröffentlichung entstand in Zusammenarbeit des Lehr- und Forschungsgebiets Straßenbau und Straßenerhaltung mit dem Aktivitätsfeld KI4BUW am TMDT. Zum Autorenteam gehören Panujan Naguleswaran, Barbara Esser, Dr. Tim Schrödter, Prof. Dr. Pahirangan Sivapatham und Prof. Dr.-Ing. Tobias Meisen.

Gefördert wurde die Arbeit von der VolkswagenStiftung im Rahmen des Projekts „DigiData“.

Zur Veröffentlichung

„Enhanced bearing capacity assessment of roads using machine learning for automated GPR interpretation“, erschienen in der Transportation Research Procedia, Open Access.