Abstract
Das Bauwesen ist ein traditioneller Wirtschaftszweig, der zunehmend auf digitale Innovationen wie den Einsatz von Künstlicher Intelligenz (KI) setzt, um zukünftigen
wirtschaftlichen Herausforderungen entgegenzutreten. Die statische Nachweisführung
bei der Konstruktion von Bauteilen erfordert die Überprüfung zahlreicher Lastkombi
nationen, die sich aus dem semiprobabilistischen Teilsicherheitskonzept der Eurocode
Normen ableiten. Bei komplexen Bauteilen führt dies zu einer überproportional wach
senden Anzahl von Lastkombinationen und damit zu einer langen Berechnungszeit. Die
Masterarbeit untersucht, ob und wie mit maschinellem Lernen (ML) die maßgebenden
Lastkombinationen vorhergesagt werden können und veranschaulicht die Ergebnisse an
hand eines Prototyps für die Statik-Planungs-Software conkret. Neben der technischen
Entwicklung wird die Akzeptanz eines solchen ML-gestützten Ansatzes bei den Anwen
der*innen untersucht.
Die Problemstellung wurde als Ranking-Aufgabe erkannt und iterativ über mehre
re Modellversionen hinweg anhand von definierten Erfolgskriterien und Metriken gelöst.
Das finale Modell ist eine Kombination aus einem künstlichen neuronalen Netz und meh
reren LightGBM-Ranker-Modellen. Das Modell wurde beispielhaft für eine Gruppe von
drei Biegenachweisen und für gerade Stahlträger bei Normaltemperatur trainiert und
optimiert. In den abschließenden Tests erreichte das Modell für alle evaluierten Bauteile
eine fehlerfreie Ermittlung der maßgebenden Lastkombinationen bei nur einer Vorhersa
ge pro Nachweis und Bauteil-Position. Als entscheidender Faktor für die Modellqualität
erwies sich die Ausgewogenheit der Trainingsdaten. Bei der Erweiterung des Modells
von einem Nachweis auf drei verwandte Nachweise zeigte sich ein Negative-Transfer
Effekt des neuronalen Netzes, der für den Einsatz Label-spezifischer Ranking-Modelle
spricht.
Der implementierte Prototyp diente als Untersuchungsgegenstand zur menschenzen
trierten Einbindung des neuen ML-gestützten Ansatzes in den bestehenden Arbeitspro
zess in conkret. Hierbei wurde insbesondere analysiert, wie diese Technologie akzeptiert
wird und ob Vertrauen in die Ergebnisse besteht. Dazu wurde eine Nutzerstudie mit
zehn erfahrenen Anwender*innen der Software durchgeführt, die auf dem Technology
Acceptance Model 3 basierte und quantitative mit qualitativen Methoden kombinier
te. Ein bemerkenswerter Befund der Studie war die fehlende signifikante Korrelation
zwischen wahrgenommener Nützlichkeit und der Nutzungsabsicht, die sich durch das
Vertrauen in den Software-Hersteller erklären lässt. Weitere zentrale Erkenntnisse wa
ren die Bedeutung von Erfahrung für das Vertrauen in eine Technologie und der Wunsch
der Anwender*innen nach Kontroll- und Auswahlmöglichkeiten.
| Datum der Bewilligung | 2026 |
|---|---|
| Originalsprache | Deutsch (Österreich) |
| Gradverleihende Hochschule |
|
| Betreuer/-in | Alessio Montuoro (Betreuer*in) |
Studiengang
- Human-Centered Computing
Zitieren
- Standard