INNOVATION SCOUT · IMPULSPROFIL

KI in Geotechnik und Baugrundanalyse

KI wertet Sondierungen, Bohrprofile, Labor- und Messdaten aus, um Bodenverhalten, Schichten und geotechnische Kennwerte zu interpretieren. Die Ergebnisse unterstützen Erkundungs- und Gründungsentscheidungen unter fachlicher Prüfung.

Um was geht es bei KI in Geotechnik und Baugrundanalyse?

Zwischen einer Drucksondierung und einer Gründungsentscheidung liegen mehrere Interpretationsschritte. Ein Modell kann Bodenverhaltensklassen zuordnen, Schichtgrenzen ergänzen oder Tragfähigkeiten schätzen. Die Übereinstimmung mit einem Klassifikationsdiagramm prüft etwas anderes als ein Vergleich mit Bodenproben oder Pfahlversuchen. Darum gehören Referenzdaten, räumliche Gültigkeit und Unsicherheit zum Ergebnis, das die Fachplanung weiterverwendet.

Quelle 6: An automated cloud-based system for in-situ geotechnical site characterization using cone penetration test (CPT/CPTu), Fundstelle(n): Approaches A/B Quelle 4: Exploring the use of machine learning to support anchor pile design at unseen seabed locations, Fundstelle(n): §3–5 Quelle 11: Internet of Things-based real-time slope stability forecast using a digital twin and conversational AI, Fundstelle(n): Local scale Quelle 7: An uncertainty-aware framework with enhanced tree-based methods for CPT-based subsurface soil stratification toward geological disaster risk assessment, Fundstelle(n): Real case example Torf/Ton Quelle 3: Data-driven pile optimization utilizing computational design, Fundstelle(n): Evaluation Quelle 5: AI-enhanced soil classification with incomplete CPT data for offshore wind farm, Fundstelle(n): Missing inputs

Einordnung im Impulsradar

Die Klassifikation aus Drucksondierungen (CPT), räumliche Baugrundmodelle und gelernte Tragfähigkeitsprofile sind konkret untersucht oder eingesetzt. Entscheidend sind passende Referenzgrößen, unabhängige Tests und ein klarer Geltungsbereich. Hohe Trefferquoten an Tiefenpunkten belegen weder die Übertragbarkeit auf neue Standorte noch eingesparte Erkundung. Fachplanung muss Messung, Vorhersage und Bemessungsannahme auseinanderhalten.

Quelle 3: Data-driven pile optimization utilizing computational design, Fundstelle(n): S.225 Case study; S.227 Machine learning model; S.228 Application Quelle 4: Exploring the use of machine learning to support anchor pile design at unseen seabed locations, Fundstelle(n): §2; §3; §5.2, S.2–5 Quelle 6: An automated cloud-based system for in-situ geotechnical site characterization using cone penetration test (CPT/CPTu), Fundstelle(n): Automation approach B; Evaluation; Conclusion Quelle 7: An uncertainty-aware framework with enhanced tree-based methods for CPT-based subsurface soil stratification toward geological disaster risk assessment, Fundstelle(n): Effects of number of CPTs, Fig.12–14/Table6, vor Real case example

Vom Messwert zur geotechnischen Entscheidung

Der Nutzen entsteht an einer bestimmten Übergabe: Messwerte werden zu einer geprüften Interpretation, diese zu Eingängen einer Erkundungs- oder Gründungsentscheidung. Gelerntes Modell, regelbasierte Auswertung und numerische Bemessung können dabei zusammenarbeiten. Eine digitale Auswertung ist für sich noch keine KI; eine Vorhersage wird erst durch passende Lasten, Randbedingungen und Fachprüfung entscheidungsfähig.

Aktuelle Arbeiten zeigen unterschiedliche Entwicklungsstände: Klassifikatoren und räumliche Modelle werden an vorhandenen Daten untersucht, Forschungsprogramme bearbeiten die Rückrechnung von Bodeneigenschaften aus Beobachtungen (Inversion) und die Weitergabe von Unsicherheit. Daneben beschreibt ein dänischer Planer tatsächlich verwendete gelernte Tragfähigkeitsprofile. Die Modelle erfüllen jeweils eine bestimmte geotechnische Aufgabe; ihr Entwicklungsstand und die Belege für ihren Nutzen unterscheiden sich.

Quelle 2: ProbPerModel: Probabilistische Baugrundmodellierung für die Planung und Entwicklung von Offshore-Windparks, Fundstelle(n): Lösung; Mehrwert; Projektblock Quelle 3: Data-driven pile optimization utilizing computational design, Fundstelle(n): S.225 Case study; S.227 Machine learning model; S.228 Application Quelle 9: SP18 On Certain Ground: WP1 – Uncertainty classification and modelling approaches, Fundstelle(n): WP1 Beschreibung/Projektblock Quelle 10: SP18 On Certain Ground: WP3 – Soil property predictions and inversion, Fundstelle(n): WP3 Aufgaben 1/2; Projektblock

Worauf es bei KI in Geotechnik und Baugrundanalyse fachlich ankommt

Bodenverhalten ist eine eigene Zielgröße

Studien-/Praxisbefund

Al-Atroush und Kollegen vergleichen eine automatisierte regelbasierte Auswertung nach Robertson mit gelernten CPT-Klassifikatoren. Die Zielklassen stammen aus einem rechnerischen Bodenverhaltenssystem; benachbarte Bohrungen und Proben dienen einer weiteren Plausibilisierung der Schichtung.

Quelle 6: An automated cloud-based system for in-situ geotechnical site characterization using cone penetration test (CPT/CPTu), Fundstelle(n): Datasets; Automation approach A/B; Assessment and validation

Fachliche Einordnung

Vor dem Modellvergleich muss feststehen, was vorhergesagt wird. Eine gut reproduzierte Rechenklasse bestätigt nicht automatisch eine stoffliche Bodenart, einen Bemessungskennwert oder die örtliche Schichtgrenze. Für diese Aussagen braucht die Planung jeweils passende Referenzen.

Eine zurückgehaltene Sondierung ist noch kein neuer Standort

Studien-/Praxisbefund

Liu und Kollegen verwenden 60 CPT aus einem australischen Offshore-Gebiet. Eine gesamte Lage bleibt für den Vergleich zurückgehalten; 59 gehen in das Lernen ein. Bayesianische und räumliche Lernansätze werden mit Quantilregression verglichen. Die vorhergesagten Verteilungen fließen anschließend in eine hypothetische Zugpfahlbemessung.

Quelle 4: Exploring the use of machine learning to support anchor pile design at unseen seabed locations, Fundstelle(n): §2; §3; §5.2, S.2–5 · §3 Fälle 1–5; §5.3 S.5; Schluss

Fachliche Einordnung

Der Test trennt ganze Sondierungen und ist damit aussagekräftiger für räumliche Übertragung als zufällig gemischte Tiefenzeilen. Er bleibt jedoch auf eine ausgewählte Lage innerhalb desselben Gebiets begrenzt. Die berechnete Zuverlässigkeit hängt zusätzlich vom Last- und Tragfähigkeitsmodell ab und ist keine beobachtete Ausfallhäufigkeit.

Quelle 4: Exploring the use of machine learning to support anchor pile design at unseen seabed locations, Fundstelle(n): §2; §3; §5.2, S.2–5 · §3 Fälle 1–5; §5.3 S.5; Schluss

Fehlende Kernmessungen verändern die Klassifikation

Studien-/Praxisbefund

Ku und Kollegen trainieren mit synthetischen CPT-Parametern und vergleichen mit 229.808 Datensätzen aus 99 Bohrungen in Taiwan und den Niederlanden. Werden Spitzendruck oder Mantelreibung im Versuch zufällig ersetzt, sinken die berichteten Trefferquoten auf 58,74 beziehungsweise 55,31 Prozent.

Quelle 5: AI-enhanced soil classification with incomplete CPT data for offshore wind farm, Fundstelle(n): Synthetic dataset development; Offshore wind farm cases; Tabellen 4/6 · Predictions with missing input parameters; Tabelle 5; Prediction uncertainty; Conclusion Punkt5

Fachliche Einordnung

Die große Zeilenzahl beschreibt keine ebenso große Zahl unabhängiger Standorte. Der Eingriff zeigt eine Empfindlichkeit gegenüber wichtigen Merkmalen, bildet aber keinen beliebigen realen Sensorausfall ab. Widersprüchliche Angaben zu synthetischer Datenmenge und Referenzlabels begrenzen zudem pauschale Güte- und Robustheitsaussagen.

Datenvermehrung verlangt eine nachvollziehbare Testtrennung

Studien-/Praxisbefund

Die MapCPT-Studie beschreibt synthetische Vermehrung unterrepräsentierter Klassen mit dem Verfahren SMOTE und danach eine Aufteilung der balancierten Daten in Training und Test. Eine standortweise Gruppierung der Datenaufteilungen für die Validierung (Folds) ist nicht eindeutig dokumentiert. Für die betrachtete standortübergreifende Aufgabe bevorzugen die Autoren den transparenten theoretischen Ablauf.

Quelle 6: An automated cloud-based system for in-situ geotechnical site characterization using cone penetration test (CPT/CPTu), Fundstelle(n): Automation approach B; Evaluation; Conclusion

Fachliche Einordnung

Die beschriebene Reihenfolge begründet ein Risiko, dass ähnliche oder abgeleitete Informationen sowohl Trainings- als auch Testdaten erreichen. Sie beweist keinen Fehler im ausgeführten Code. Für die Übernahme zählt daher eine nachvollziehbare Gruppierung vor datenabhängiger Aufbereitung; eine einzelne Zahl zur Gesamtgenauigkeit (Accuracy) ersetzt diesen Nachweis nicht.

Quelle 6: An automated cloud-based system for in-situ geotechnical site characterization using cone penetration test (CPT/CPTu), Fundstelle(n): Automation approach B; Evaluation; Conclusion

Torf und Ton zeigen die Grenze der Schichtinterpretation

Studien-/Praxisbefund

Zeng und Kollegen klassifizieren Bodenverhalten mit dem Lernverfahren Random Forest und geotechnischen Distanzfeldern. Im realen Querschnitt werden sechs CPT und eine Vergleichsbohrung betrachtet. Um acht Meter Tiefe steht einer Torflage der Bohrung eine Toninterpretation aus CPT gegenüber; die Autoren nennen unterschiedliche Klassensysteme und räumlichen Versatz als mögliche Ursachen.

Fachliche Einordnung

Diese Abweichung ist kein isolierter Beweis eines KI-Fehlers, aber ein Grund, beide Darstellungen nicht als identische Bodenbeschreibung zu behandeln. Der Gini-Indikator zeigt Uneinigkeit der Klassenvorhersagen, keine empirisch kalibrierte Sicherheitswahrscheinlichkeit. Im synthetischen Versuch günstigere Sondierungsabstände belegen keine tatsächlich eingesparte Felderkundung.

Pfahlplanung: Anwendung und unabhängige Prüfung

Studien-/Praxisbefund

Der am Projekt beteiligte Ramboll-Planer Rasmussen beschreibt einen Pharmabau in Hillerød: Dynamische Pfahlversuche lieferten höhere Tragfähigkeiten als vorab berechnet. Daraus entwickelte Lernmodelle schätzen Tragfähigkeitsprofile für die fachlich kontrollierte Planung. Der Bericht nennt deren Anwendung auf weitere Gebäude des Vorhabens. Der Hillerød-Bericht nennt Trainingsverluste und eine zusätzliche fachliche Reduktion vorhergesagter Profilwerte vor der Verwendung. Ein klar abgetrennter räumlicher Test und die Zahl der zugrunde liegenden Versuche werden nicht ausreichend offengelegt.

Quelle 3: Data-driven pile optimization utilizing computational design, Fundstelle(n): S.225 Case study; S.227 Machine learning model; S.228 Application · S.227–228 Evaluation; Summary; S.225 Projektfolge DSM4/DSM5

Fachliche Einordnung

Die gelernten Profile ergänzen die Versuche bei der Planung weiterer Gebäude desselben Vorhabens. Die berichtete Materialwirkung gehört zum kombinierten Prüf- und Planungsablauf; ein unabhängiger isolierter KI-Effekt ist nicht ausgewiesen. Gesamtaufwand und überregionale Verbreitung bleiben offen. Der berichtete Abschlag ist eine lokale Projektentscheidung, kein allgemeiner Sicherheitsfaktor. Ob das Modell neue Pfähle zuverlässig abbildet, verlangt eine unabhängige Prüfung. Ein kleiner Trainingsfehler beantwortet diese Frage nicht.

Numerische Gegenversuche prüfen die richtige Modellwahl

Studien-/Praxisbefund

Kumars Preprint vergleicht neuronale Ansätze mit klassischen Lösern an einfachen numerischen Problemen. Ein Netz passt 20 Setzungswerte innerhalb von zwei Jahren an, verfehlt im Beispiel aber die spätere Entwicklung bis Jahr zehn. Automatische Differentiation eines physikalischen Lösers wird als Alternative für inverse Aufgaben untersucht.

Quelle 8: Deep Learning in Geotechnical Engineering: A Critical Assessment of PINNs and Operator Learning, Fundstelle(n): §2.2 Fig.2; §3.1–3.3; §4.1

Fachliche Einordnung

Die Beispiele begründen eine Prüfung von Extrapolation und Rechenaufwand. Sie belegen weder reales Bauversagen noch die generelle Untauglichkeit physikgestützter Netze. Ein gelerntes Ersatzmodell (Surrogat) ist nur dann nützlich, wenn sein Aufwand und Geltungsbereich zur wiederholt zu lösenden Aufgabe passen.

Quelle 8: Deep Learning in Geotechnical Engineering: A Critical Assessment of PINNs and Operator Learning, Fundstelle(n): §2.2 Fig.2; §3.1–3.3; §4.1

ProbPerModel beschreibt eine konkrete Forschungsaufgabe

Studien-/Praxisbefund

Fraunhofer IWES und GuD beschreiben für ProbPerModel, Laufzeit 2023–2025, eine Verbindung gemessener und synthetischer Baugrunddaten. Neuronale räumliche Interpolation und probabilistische Parameter sollen die Planung von Offshore-Gründungen unterstützen.

Quelle 2: ProbPerModel: Probabilistische Baugrundmodellierung für die Planung und Entwicklung von Offshore-Windparks, Fundstelle(n): Lösung; Mehrwert; Projektblock

Fachliche Einordnung

Die räumliche Interpolation soll zwischen Erkundungspunkten Informationen für Offshore-Gründungen ergänzen und ihre Unsicherheit beschreiben. ProbPerModel formuliert dafür Methoden und Ziele; Abschlussmessungen und eine kommerzielle Anwendung sind in der Projektbeschreibung nicht dokumentiert.

Quelle 2: ProbPerModel: Probabilistische Baugrundmodellierung für die Planung und Entwicklung von Offshore-Windparks, Fundstelle(n): Lösung; Mehrwert; Projektblock

NGI bearbeitet Unsicherheit über mehrere Fachschritte

Studien-/Praxisbefund

Das Programm SP18 des Norwegischen Geotechnischen Instituts (NGI) für 2025–2028 verbindet geophysikalische, geologische und geotechnische Teilaufgaben. Ein Arbeitspaket entwickelt eine gemeinsame Einordnung von Unsicherheit, ein weiteres Surrogate für Inversionsaufgaben und Vergleiche verschiedener Unsicherheitsmethoden.

Quelle 9: SP18 On Certain Ground: WP1 – Uncertainty classification and modelling approaches, Fundstelle(n): WP1 Beschreibung/Projektblock Quelle 10: SP18 On Certain Ground: WP3 – Soil property predictions and inversion, Fundstelle(n): WP3 Aufgaben 1/2; Projektblock

Fachliche Einordnung

Unsicherheit soll über geophysikalische, geologische und geotechnische Arbeitsschritte hinweg nachvollziehbar bleiben. Die beiden Arbeitspakete verfolgen dieses Ziel innerhalb desselben Programms. Ob die erzeugten Unsicherheitsangaben zum späteren Einsatzort passen, muss dort geprüft werden; mehrere Verteilungen oder eine konforme Methode allein sichern diese Kalibrierung nicht.

Messsignal und numerischer Sicherheitsfaktor bleiben getrennt

Studien-/Praxisbefund

NGI beschreibt für The HuT eine instrumentierte norwegische Böschung: Wassergehalt und Porenwasserdruck werden mit numerischer Stabilitätsrechnung und gelernten Surrogaten für eine Drei-Tage-Prognose verbunden. Die Lernzielgröße ist der numerisch erzeugte Sicherheitsfaktor.

Quelle 11: Internet of Things-based real-time slope stability forecast using a digital twin and conversational AI, Fundstelle(n): Local scale; Projekt 2022–2026; Publications

Fachliche Einordnung

Die Messungen verbinden den beobachteten Böschungszustand mit einer aktualisierten numerischen Stabilitätsrechnung. Das Surrogat schätzt deren Sicherheitsfaktor für die Drei-Tage-Prognose. Wie zuverlässig die Kette tatsächliche kritische Ereignisse erkennt, bleibt ohne unabhängige Langzeitdaten zu Fehlalarmen und übersehenen Ereignissen offen.

Quelle 11: Internet of Things-based real-time slope stability forecast using a digital twin and conversational AI, Fundstelle(n): Local scale; Projekt 2022–2026; Publications

CPT-Daten brauchen Herkunft und Raumbezug

Studien-/Praxisbefund

Das niederländische Untergrundregister Basisregistratie Ondergrond führt CPT als eigenen Datengegenstand mit Dokumentations-, Einlieferungs- und Abrufwegen. MapCPT trennt Roh- und Auswertedaten und bezieht Darstellungen auf einen gemeinsamen Höhenbezug.

Quelle 12: Geotechnisch sondeeronderzoek (CPT), Fundstelle(n): Documentatie; Gegevens aanleveren/opvragen Quelle 6: An automated cloud-based system for in-situ geotechnical site characterization using cone penetration test (CPT/CPTu), Fundstelle(n): Automation approach A, Roh-/Analysedaten und common vertical datum

Fachliche Einordnung

Für eine prüfbare Fachübergabe sollten Messung und Vorhersage unterscheidbar bleiben und Version, Einheit, Lage-/Tiefenbezug sowie Geltungsbereich mitgegeben werden. Ein vollständiger produktiver Datenaustausch über das BIM-Format IFC und eine gemeinsame Datenumgebung (CDE) und die projektspezifischen Datenrechte sind mit diesen Quellen nicht nachgewiesen.

Unplausible Eingänge erfordern eine fachliche Rückfallentscheidung

Studien-/Praxisbefund

Die untersuchten Arbeiten zeigen verschiedene Grenzen: fehlende Kernparameter verschlechtern Klassifikation, Schichtbeschreibungen können voneinander abweichen und Prognosen außerhalb der beobachteten Zeit scheitern. Die Quellen prüfen damit unterschiedliche Ausschnitte einer geotechnischen Entscheidung.

Quelle 5: AI-enhanced soil classification with incomplete CPT data for offshore wind farm, Fundstelle(n): Predictions with missing input parameters; Tabelle 5; Prediction uncertainty; Conclusion Punkt5 Quelle 7: An uncertainty-aware framework with enhanced tree-based methods for CPT-based subsurface soil stratification toward geological disaster risk assessment, Fundstelle(n): Real case example, Fig.15–18; Methodology Quelle 8: Deep Learning in Geotechnical Engineering: A Critical Assessment of PINNs and Operator Learning, Fundstelle(n): §2.2 Fig.2; §3.1–3.3; §4.1

Fachliche Einordnung

Geltungsbereich und Anlass für erneute Prüfung gehören zum Einsatzkonzept. Widersprüchliche Befunde können zusätzliche Messung, lokale Neubewertung oder eine konservative fachliche Modellierung erfordern. Welche Untersuchung nötig ist und welche Schwellenwerte im konkreten Fall gelten, entscheidet das verantwortliche geotechnische Team.

Quelle 7: An uncertainty-aware framework with enhanced tree-based methods for CPT-based subsurface soil stratification toward geological disaster risk assessment, Fundstelle(n): Real case example Torf/Ton Quelle 3: Data-driven pile optimization utilizing computational design, Fundstelle(n): Evaluation Quelle 5: AI-enhanced soil classification with incomplete CPT data for offshore wind farm, Fundstelle(n): Missing inputs

Warum KI in Geotechnik und Baugrundanalyse relevant ist

ReifegradDemonstrator bis wachsender Praxiseinsatz

Die Spanne reicht von begrenzten CPT- und Schichtmodell-Demonstratoren bis zur berichteten Übertragung gelernter Pfahltragfähigkeitsprofile auf weitere Gebäude in Hillerød. Der wachsende Praxiseinsatz betrifft diese eng begrenzte Planungsaufgabe. Andere geotechnische KI-Verfahren haben unterschiedliche Entwicklungsstände; eine allgemeine Reife lässt sich aus diesem einzelnen Anwenderbericht nicht bestimmen.

Quelle 7: An uncertainty-aware framework with enhanced tree-based methods for CPT-based subsurface soil stratification toward geological disaster risk assessment, Fundstelle(n): Methodology; Real case example Quelle 3: Data-driven pile optimization utilizing computational design, Fundstelle(n): S.225 Abstract und Projektfolge; S.227 Machine learning model; S.228 Application

Evidenzwachsende Evidenz

Mehrere Originalarbeiten beschreiben Methoden und Ergebnisse nachvollziehbar. Räumlich korrelierte Daten, wenige unabhängige Testgebiete, teilweise unklare Labels und Testtrennungen begrenzen ihre Übertragbarkeit. Praxisberichte ergänzen den Anwendungsstand, liefern aber keine unabhängige Bilanz des isolierten KI-Nutzens. Die Nutzung in einem Projekt und die nachgewiesene Wirkung sind daher getrennt zu beurteilen. Beim Review von Sheil und Kollegen ist die Beleggrundlage auf institutionelle Metadaten begrenzt.

Quelle 4: Exploring the use of machine learning to support anchor pile design at unseen seabed locations, Fundstelle(n): §2–5 Quelle 6: An automated cloud-based system for in-situ geotechnical site characterization using cone penetration test (CPT/CPTu), Fundstelle(n): Approach B Quelle 7: An uncertainty-aware framework with enhanced tree-based methods for CPT-based subsurface soil stratification toward geological disaster risk assessment, Fundstelle(n): Real case Quelle 3: Data-driven pile optimization utilizing computational design, Fundstelle(n): S.227–228 Evaluation; Summary; S.225 Projektfolge DSM4/DSM5 Quelle 1: Artificial intelligence transformations in geotechnics: progress, challenges and future enablers, Fundstelle(n): Metadaten: Authors, Published Online, First Published, acceptance

EntwicklungsdynamikAktive Weiterentwicklung

Aktuelle Arbeiten bearbeiten räumliche Klassifikation, Inversion und die Weitergabe geotechnischer Unsicherheit.

Vergleichende CPT-Auswertung, Distanzfelder für Schichtmodelle sowie Surrogate und Unsicherheitsmethoden im NGI-Programm bilden aktive Arbeitslinien. Offene Test- und Kalibrierungsfragen gehören zu ihrer Weiterentwicklung. Vergleichbare Zeitreihen zur Geschwindigkeit dieser Entwicklung fehlen.

Quelle 6: An automated cloud-based system for in-situ geotechnical site characterization using cone penetration test (CPT/CPTu), Fundstelle(n): 2026 Methodenvergleich Quelle 7: An uncertainty-aware framework with enhanced tree-based methods for CPT-based subsurface soil stratification toward geological disaster risk assessment, Fundstelle(n): 2026 Methodik Quelle 10: SP18 On Certain Ground: WP3 – Soil property predictions and inversion, Fundstelle(n): WP3 2025–2028

MarktdynamikSelektive Ausweitung

Ein Anwenderbericht beschreibt die projektinterne Übertragung gelernter Tragfähigkeitsprofile auf weitere Gebäude.

Der Bericht von 2025 beschreibt die Übertragung gelernter Tragfähigkeitsprofile auf weitere Gebäude innerhalb des Hillerød-Projekts. Einzelne Einsatzdaten fehlen, sodass sich diese geordnete Anwendung zeitlich nur begrenzt auflösen lässt. Die Ausweitung bleibt projektbezogen; eine Wachstumsquote, branchenweite Verbreitung und unabhängige Nutzenmessung sind nicht dokumentiert.

Quelle 3: Data-driven pile optimization utilizing computational design, Fundstelle(n): S.225 Abstract und Projektfolge; S.227 Machine learning model; S.228 Application

Für welche Bauprozesse KI in Geotechnik und Baugrundanalyse relevant ist

Strategie & Projektentwicklung

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Baugrund- und Unsicherheitsmodelle unterstützen frühe Erkundungs-, Standort- und Risikofragen. Die Informationsfälle der Offshore-Untersuchung zeigen, warum zusätzliche Messung eine Entscheidung verändern kann. Für die Projektentwicklung ist deshalb abzuwägen, welche Unsicherheit entscheidungsrelevant bleibt und wo zusätzliche Erkundung nötig ist.

Quelle 4: Exploring the use of machine learning to support anchor pile design at unseen seabed locations, Fundstelle(n): §3 Informationsfälle · §3 Fälle 1–5; §5.3 S.5; Schluss Quelle 3: Data-driven pile optimization utilizing computational design, Fundstelle(n): Projektablauf DSM4/DSM5 Quelle 11: Internet of Things-based real-time slope stability forecast using a digital twin and conversational AI, Fundstelle(n): Local scale

Planung & Design

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Interpretierte CPT-Daten und versuchsgestützte Tragfähigkeitsprofile liefern Eingänge für Gründungswahl und Varianten. Der Hillerød-Bericht belegt eine solche Planungsaufgabe. Kennwerte, Lastannahmen und Bemessung bleiben fachlich zu prüfen; ein Modell übernimmt diese Verantwortung nicht.

Ausschreibung & Vergabe

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Geprüfte Baugrundannahmen samt Herkunft und Unsicherheit können Gutachtenanforderungen und Leistungsbeschreibungen präzisieren. Das ist ein indirekter Anschluss. Ein direkter KI-Einsatz in Vergabe oder vertraglicher Risikozuweisung ist hier nicht belegt.

Quelle 4: Exploring the use of machine learning to support anchor pile design at unseen seabed locations, Fundstelle(n): §3 Informationsfälle Quelle 3: Data-driven pile optimization utilizing computational design, Fundstelle(n): Projektablauf DSM4/DSM5 · Evaluation Quelle 11: Internet of Things-based real-time slope stability forecast using a digital twin and conversational AI, Fundstelle(n): Local scale Quelle 12: Geotechnisch sondeeronderzoek (CPT), Fundstelle(n): Documentatie; Gegevens aanleveren/opvragen Quelle 6: An automated cloud-based system for in-situ geotechnical site characterization using cone penetration test (CPT/CPTu), Fundstelle(n): Automation approach A, Roh-/Analysedaten und common vertical datum Quelle 7: An uncertainty-aware framework with enhanced tree-based methods for CPT-based subsurface soil stratification toward geological disaster risk assessment, Fundstelle(n): Real case example Torf/Ton Quelle 5: AI-enhanced soil classification with incomplete CPT data for offshore wind farm, Fundstelle(n): Missing inputs

Bauausführung & Baustellenmanagement

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Ausführungsversuche können Annahmen für folgende Bauabschnitte korrigieren; der dänische Pfahlfall zeigt diese Rückkopplung. Die Fachplanung kann so versuchsgestützte Erkenntnisse aus der Ausführung in folgende Bauabschnitte übernehmen. Für Aushub- oder Wasserhaltungssteuerung sind jeweils eigene Modelle und Wirksamkeitsbelege nötig, die aus diesem Fall nicht folgen.

Betrieb & Instandhaltung

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Messreihen und Baugrundmodelle bieten einen Anschluss an Setzungs- und Stabilitätsbeobachtung. Die instrumentierte Böschung illustriert eine Modell-Monitoring-Kette, keinen nachgewiesenen dauerhaften KI-Einsatz im Gebäudebetrieb. Für einen solchen Betriebseinsatz wären die Langzeitfunktion und der Umgang mit Abweichungen gesondert zu prüfen.

Rückbau & Kreislaufwirtschaft

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Baugrundinformationen können Aushub- und Bodenmanagement vorbereiten. Aus einer geotechnischen Klassifikation folgt jedoch keine stoffliche Eignung oder Verwertungsentscheidung. Ein konkreter KI-Nachweis für Altlastenbewertung oder Wiederverwertung liegt hier nicht vor.

Für wen KI in Geotechnik und Baugrundanalyse relevant ist

Projektentwickler und Investoren

Entwickler und Investoren können Varianten und Erkundungsbedarf mit ausdrücklich ausgewiesenen Baugrundunsicherheiten vergleichen. So wird sichtbar, welche Annahmen vor der nächsten Fachentscheidung noch geklärt werden müssen. Zusätzliche Erkundung kann gerade das sinnvolle Ergebnis sein und muss budgetiert werden.

Quelle 3: Data-driven pile optimization utilizing computational design, Fundstelle(n): Pile testing/Application Quelle 9: SP18 On Certain Ground: WP1 – Uncertainty classification and modelling approaches, Fundstelle(n): WP1 Datenfluss/team Quelle 6: An automated cloud-based system for in-situ geotechnical site characterization using cone penetration test (CPT/CPTu), Fundstelle(n): Databases/validation Quelle 4: Exploring the use of machine learning to support anchor pile design at unseen seabed locations, Fundstelle(n): §3 Fälle 1–5; §5.3 S.5; Schluss

Architektur-, Ingenieur- und Planungsbüros

Planungsbüros verbinden Messung, Interpretation und Bemessung. Sie können Datenmengen konsistenter auswerten und Varianten prüfen, müssen aber Referenzlabels, räumliche Gültigkeit und lokale Abweichungen beurteilen. Der berichtete Praxiseinsatz entbindet nicht von eigener geotechnischer Prüfung.

Quelle 3: Data-driven pile optimization utilizing computational design, Fundstelle(n): Pile testing/Application · S.225 Case study; S.227 Machine learning model; S.228 Application · Evaluation Quelle 9: SP18 On Certain Ground: WP1 – Uncertainty classification and modelling approaches, Fundstelle(n): WP1 Datenfluss/team Quelle 6: An automated cloud-based system for in-situ geotechnical site characterization using cone penetration test (CPT/CPTu), Fundstelle(n): Databases/validation Quelle 7: An uncertainty-aware framework with enhanced tree-based methods for CPT-based subsurface soil stratification toward geological disaster risk assessment, Fundstelle(n): Real case example Torf/Ton Quelle 5: AI-enhanced soil classification with incomplete CPT data for offshore wind farm, Fundstelle(n): Missing inputs

Bauunternehmen und Generalunternehmer

Bauunternehmen liefern Versuchs- und Ausführungsdaten, aus denen die Fachplanung folgende Schritte anpassen kann. Früh geplante Prüfungen und dokumentierte Abweichungen ermöglichen diese Rückkopplung. Dazu müssen Messungen, örtliche Bedingungen und verwendete Modellstände den jeweiligen Ausführungsschritten zugeordnet bleiben.

Technologieanbieter und Systemintegratoren

Technologieanbieter und Integratoren verbinden Datenformate, Raumbezug und Modellversionen. Ihr Beitrag ist eine reproduzierbare, rückverfolgbare Auswertung. Datenrechte, Importprüfung und Pflege bleiben Aufwand; über geotechnische Plausibilität und freigegebene Kennwerte entscheidet die zuständige Fachrolle.

Quelle 3: Data-driven pile optimization utilizing computational design, Fundstelle(n): Pile testing/Application Quelle 9: SP18 On Certain Ground: WP1 – Uncertainty classification and modelling approaches, Fundstelle(n): WP1 Datenfluss/team Quelle 6: An automated cloud-based system for in-situ geotechnical site characterization using cone penetration test (CPT/CPTu), Fundstelle(n): Databases/validation · Automation approach A, Roh-/Analysedaten und common vertical datum Quelle 12: Geotechnisch sondeeronderzoek (CPT), Fundstelle(n): Documentatie; Gegevens aanleveren/opvragen

Forschung, Verbände und Netzwerke

Forschung, Verbände und Netzwerke können unabhängige Testgebiete, nachvollziehbare Referenzen und realistische Fehlerfälle fördern. Die Originalarbeiten zeigen, welche Lücken Standorttransfer und Unsicherheitsprüfung noch lassen. Ein gemeinsamer Benchmark muss verschiedene Zielgrößen und geologische Bedingungen sichtbar halten.

Quelle 3: Data-driven pile optimization utilizing computational design, Fundstelle(n): Pile testing/Application Quelle 9: SP18 On Certain Ground: WP1 – Uncertainty classification and modelling approaches, Fundstelle(n): WP1 Datenfluss/team Quelle 6: An automated cloud-based system for in-situ geotechnical site characterization using cone penetration test (CPT/CPTu), Fundstelle(n): Databases/validation · Automation approach B; Evaluation; Conclusion Quelle 7: An uncertainty-aware framework with enhanced tree-based methods for CPT-based subsurface soil stratification toward geological disaster risk assessment, Fundstelle(n): Real case example, Fig.15–18; Methodology

Mit welchen Technologie- und Anwendungsfeldern KI in Geotechnik und Baugrundanalyse verknüpft ist

Hauptbezug

Predictive Analytics & Entscheidungen

Der technische Kern liegt in Interpretation und Vorhersage geotechnischer Größen sowie ihrer Verwendung für Entscheidungen. Die Offshore-Studie verbindet Verteilungen mit einer hypothetischen Bemessung, der Anwenderfall mit realer Planung. Eine Prognose allein ist noch keine Sicherheits- oder Bemessungsfreigabe.

Quelle 3: Data-driven pile optimization utilizing computational design, Fundstelle(n): Bemessungsablauf · S.225 Case study; S.227 Machine learning model; S.228 Application Quelle 11: Internet of Things-based real-time slope stability forecast using a digital twin and conversational AI, Fundstelle(n): Local scale Quelle 12: Geotechnisch sondeeronderzoek (CPT), Fundstelle(n): CPT-Datenobjekt Quelle 4: Exploring the use of machine learning to support anchor pile design at unseen seabed locations, Fundstelle(n): §3 Fälle 1–5; §5.3 S.5; Schluss

Verknüpftes Feld

Datenplattformen & KI-Infrastruktur

Datenherkunft, Bezugssysteme, Einheiten und kontrollierte Modellstände ermöglichen eine prüfbare Auswertung. Der öffentliche CPT-Datengegenstand und die getrennten Roh-/Interpretationsdaten zeigen konkrete Anschlüsse. Beim Datenübergang müssen Rohmessung und Interpretation getrennt und auf denselben räumlichen Bezug gebracht werden.

Quelle 3: Data-driven pile optimization utilizing computational design, Fundstelle(n): Bemessungsablauf Quelle 11: Internet of Things-based real-time slope stability forecast using a digital twin and conversational AI, Fundstelle(n): Local scale Quelle 12: Geotechnisch sondeeronderzoek (CPT), Fundstelle(n): CPT-Datenobjekt · Documentatie; Gegevens aanleveren/opvragen Quelle 6: An automated cloud-based system for in-situ geotechnical site characterization using cone penetration test (CPT/CPTu), Fundstelle(n): Automation approach A, Roh-/Analysedaten und common vertical datum

Verknüpftes Feld

BIM & Digitaler Zwilling

Räumliche Schichtmodelle und der Abgleich von Monitoring mit numerischem Verhalten verbinden Baugrunddaten und Fachmodelle. Die fachliche Zuordnung zwischen Messung und Modell ist dafür entscheidend. Eine vollständig geprüfte produktive BIM-/IFC-Übergabe oder ein umfassender digitaler Zwilling ist in diesen Anwendungen nicht dokumentiert.

Quelle 3: Data-driven pile optimization utilizing computational design, Fundstelle(n): Bemessungsablauf Quelle 11: Internet of Things-based real-time slope stability forecast using a digital twin and conversational AI, Fundstelle(n): Local scale · Local scale; Projekt 2022–2026; Publications Quelle 12: Geotechnisch sondeeronderzoek (CPT), Fundstelle(n): CPT-Datenobjekt Quelle 7: An uncertainty-aware framework with enhanced tree-based methods for CPT-based subsurface soil stratification toward geological disaster risk assessment, Fundstelle(n): Real case example, Fig.15–18; Methodology

Verknüpftes Feld

Nachhaltigkeit & ESG

Fachlich bestätigte Gründungsvarianten können Materialentscheidungen verändern. Die berichtete Materialwirkung betrifft den gesamten Versuchs- und Planungsablauf; sie muss zusammen mit dessen Annahmen und Aufwand beurteilt werden. Modellgenauigkeit allein erlaubt keine Material- oder CO2-Bilanz.

Quelle 3: Data-driven pile optimization utilizing computational design, Fundstelle(n): Bemessungsablauf · S.227–228 Evaluation; Summary; S.225 Projektfolge DSM4/DSM5 Quelle 11: Internet of Things-based real-time slope stability forecast using a digital twin and conversational AI, Fundstelle(n): Local scale Quelle 12: Geotechnisch sondeeronderzoek (CPT), Fundstelle(n): CPT-Datenobjekt

Verknüpfte Fachbegriffe und Detailthemen

Baugrundrisikomodell: Baugrundrisikomodelle verbinden Untergrundinformationen mit möglichen Folgen für Erkundung, Gründung und Bauausführung.
Bayessche Aktualisierung: Bayessche Aktualisierung passt geotechnische Annahmen an neue Mess- und Erkundungsergebnisse an.
Bodenklassifikation: Die Bodenklassifikation ordnet Mess- und Erkundungsdaten fachlichen Bodenklassen als Grundlage weiterer geotechnischer Bewertungen zu.
GeoAI: Räumliche Lernansätze berücksichtigen die Verteilung von Erkundungsdaten bei der Interpretation des Baugrunds.
Geosensorik: Geotechnische Sensoren liefern Messdaten, mit denen Untergrundverhalten beobachtet und Modellannahmen überprüft werden können.
Interpretation von Drucksondierungen: Die Interpretation von Drucksondierungen leitet Hinweise auf Bodenverhalten und Schichten aus den gemessenen Sondierungsgrößen ab.
Maschinelles Lernen in der Geotechnik: Geotechnische Lernmodelle erschließen Sondierungs-, Labor- und Messdaten für Erkundungs- und Gründungsentscheidungen.
Setzungsprognose: Setzungsprognosen schätzen erwartete Verformungen ab und unterstützen die Bewertung von Gründungs- und Bauentscheidungen.

Quellen und Evidenz zu KI in Geotechnik und Baugrundanalyse

Die Quellenangaben dokumentieren die fachliche Grundlage des Impulsprofils. Öffnen Sie bei Bedarf die Verwendung im Profil, um zu den belegten Textstellen zurückzukehren.

Quelle 1
Artificial intelligence transformations in geotechnics: progress, challenges and future enablers
Herausgeber
Sheil et al.; Computers and Geotechnics / University of Glasgow
Publiziert
08.09.2025
Quellentyp
Institutionelle Forschungsmetadaten
Geltungsbereich
Institutionelle Metadaten des Glasgow-Repositoriums: online 08.09.2025, Jahrgang 2026. Die Grundlage ist auf die Bibliografie begrenzt und enthält keine fachlichen Leistungsbefunde des Review-Volltexts.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (1 Textstelle)
- Metadaten: Authors, Published Online, First Published, acceptanceTextstelle 31
Quelle 2
ProbPerModel: Probabilistische Baugrundmodellierung für die Planung und Entwicklung von Offshore-Windparks
Herausgeber
Fraunhofer IWES; Projektpartner GuD
Publiziert
undatiert
Quellentyp
Forschungsprojekt
Geltungsbereich
Projektbeschreibung 2023–2025 mit neuronaler Interpolation als Ziel. Keine geprüften Abschlussmessungen oder kommerzielle Umsetzung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Lösung; Mehrwert; ProjektblockTextstelle 5 Textstelle 20 Textstelle 21
Quelle 3
Data-driven pile optimization utilizing computational design
Herausgeber
Lasse Kudsk Rasmussen, Ramboll; Proceedings 29th EYGEC 2025, S.225–228
Publiziert
September 2025
Quellentyp
Anwenderbericht in Konferenzband
Geltungsbereich
Originalbericht eines projektbeteiligten Planers: begrenzte Anwendung und berichtete Übertragung gelernter Tragfähigkeitsprofile. Keine unabhängige isolierte KI-Nutzenmessung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (26 Textstellen)
- EvaluationTextstelle 1 Textstelle 2 Textstelle 7 Textstelle 29 Textstelle 36 Textstelle 39 Textstelle 41
- S.225 Case study; S.227 Machine learning model; S.228 ApplicationTextstelle 3 Textstelle 5 Textstelle 16 Textstelle 17 Textstelle 35 Textstelle 37 Textstelle 41 Textstelle 42 Textstelle 45
- S.227–228 Evaluation; Summary; S.225 Projektfolge DSM4/DSM5Textstelle 16 Textstelle 17 Textstelle 31 Textstelle 48
- S.225 Abstract und Projektfolge; S.227 Machine learning model; S.228 ApplicationTextstelle 30 Textstelle 33
- Projektablauf DSM4/DSM5Textstelle 34 Textstelle 35 Textstelle 36 Textstelle 37 Textstelle 38 Textstelle 39
- Pile testing/ApplicationTextstelle 40 Textstelle 41 Textstelle 42 Textstelle 43 Textstelle 44
- BemessungsablaufTextstelle 45 Textstelle 46 Textstelle 47 Textstelle 48
Quelle 4
Exploring the use of machine learning to support anchor pile design at unseen seabed locations
Herausgeber
Q. Liu, M. Bertolacci, M.F. Bransby, T. French, P. Watson; University of Western Australia; ISFOG 2025
Publiziert
Juni 2025
Quellentyp
Originalkonferenzbeitrag
Geltungsbereich
Originalkonferenzbeitrag: 60 CPT in einem Gebiet, eine Lage zurückgehalten; hypothetische Pfahlbemessung. Kein Test in fremdem geologischem Gebiet.
Quellenprofil lesen
Verwendung im Profil (16 Textstellen)
- §3–5Textstelle 1 Textstelle 2 Textstelle 4 Textstelle 7
- §2; §3; §5.2, S.2–5Textstelle 3 Textstelle 8 Textstelle 9
- §3 Fälle 1–5; §5.3 S.5; SchlussTextstelle 8 Textstelle 9 Textstelle 34 Textstelle 40 Textstelle 45
- §2–5Textstelle 31
- §3 InformationsfälleTextstelle 34 Textstelle 35 Textstelle 36 Textstelle 37 Textstelle 38 Textstelle 39
Quelle 5
AI-enhanced soil classification with incomplete CPT data for offshore wind farm
Herausgeber
Cheng-Yu Ku, Ting-Yuan Wu, Chih-Yu Liu, Wen-Yang Hsu; Scientific Reports
Publiziert
30.03.2026
Quellentyp
Originalstudie
Geltungsbereich
Originalstudie mit synthetischem Training und Offshore-Messdaten. Label-/Datenmengenangaben teils widersprüchlich; fehlende Kernparameter verschlechtern den Test.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (10 Textstellen)
- Missing inputsTextstelle 1 Textstelle 2 Textstelle 7 Textstelle 29 Textstelle 36 Textstelle 39 Textstelle 41
- Synthetic dataset development; Offshore wind farm cases; Tabellen 4/6Textstelle 10 Textstelle 11
- Predictions with missing input parameters; Tabelle 5; Prediction uncertainty; Conclusion Punkt5Textstelle 10 Textstelle 11 Textstelle 28
Quelle 6
An automated cloud-based system for in-situ geotechnical site characterization using cone penetration test (CPT/CPTu)
Herausgeber
Mohamed Ezzat Al-Atroush, Ezz El-Din Hemdan, Christopher Woyeya; Scientific Reports
Publiziert
02.06.2026
Quellentyp
Originalstudie
Geltungsbereich
Originalvergleich von regelbasierter CPT-Auswertung und ML. Unklare räumliche Testtrennung und beschriebene Datenvermehrung vor Split begrenzen Leistungsangaben; kein nachgewiesener Implementierungsfehler.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (19 Textstellen)
- Approaches A/BTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 7
- Automation approach B; Evaluation; ConclusionTextstelle 3 Textstelle 12 Textstelle 13 Textstelle 44
- Datasets; Automation approach A/B; Assessment and validationTextstelle 6
- Automation approach A, Roh-/Analysedaten und common vertical datumTextstelle 26 Textstelle 27 Textstelle 36 Textstelle 43 Textstelle 46
- Approach BTextstelle 31
- 2026 MethodenvergleichTextstelle 32
- Databases/validationTextstelle 40 Textstelle 41 Textstelle 42 Textstelle 43 Textstelle 44
Quelle 7
An uncertainty-aware framework with enhanced tree-based methods for CPT-based subsurface soil stratification toward geological disaster risk assessment
Herausgeber
Cheng Zeng, Jiawei Xie, Yuting Zhang; Geoenvironmental Disasters 13,44
Publiziert
13.07.2026
Quellentyp
Originalstudie
Geltungsbereich
Originalstudie: synthetische Vergleiche und ein realer Querschnitt mit sechs CPT und einer versetzten Vergleichsbohrung. Unterschiedliche Klassensysteme und lokale Variation begrenzen den Vergleich.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (16 Textstellen)
- Real case example Torf/TonTextstelle 1 Textstelle 2 Textstelle 7 Textstelle 29 Textstelle 36 Textstelle 39 Textstelle 41
- Effects of number of CPTs, Fig.12–14/Table6, vor Real case exampleTextstelle 3 Textstelle 15
- Real case example, Fig.15–18; MethodologyTextstelle 14 Textstelle 15 Textstelle 28 Textstelle 44 Textstelle 47
- Methodology; Real case exampleTextstelle 30
- Real caseTextstelle 31
- 2026 MethodikTextstelle 32
Quelle 8
Deep Learning in Geotechnical Engineering: A Critical Assessment of PINNs and Operator Learning
Herausgeber
Krishna Kumar; arXiv:2512.24365v1
Publiziert
30.12.2025
Quellentyp
Preprint
Geltungsbereich
Preprint mit numerischen Gegenversuchen; ein Begutachtungsstatus ist nicht belegt. Extrapolations- und Aufwandbefunde enger Probleme, kein reales Bauversagen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- §2.2 Fig.2; §3.1–3.3; §4.1Textstelle 18 Textstelle 19 Textstelle 28
Quelle 9
SP18 On Certain Ground: WP1 – Uncertainty classification and modelling approaches
Herausgeber
Norwegian Geotechnical Institute
Publiziert
undatiert
Quellentyp
Forschungsprojekt
Geltungsbereich
NGI-Forschungsprogramm 2025–2028: Unsicherheitstaxonomie und Weitergabe zwischen Fachdisziplinen; Ziele, kein abgeschlossener Wirkungsnachweis.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (8 Textstellen)
- WP1 Beschreibung/ProjektblockTextstelle 5 Textstelle 22 Textstelle 23
- WP1 Datenfluss/teamTextstelle 40 Textstelle 41 Textstelle 42 Textstelle 43 Textstelle 44
Quelle 10
SP18 On Certain Ground: WP3 – Soil property predictions and inversion
Herausgeber
Norwegian Geotechnical Institute
Publiziert
undatiert
Quellentyp
Forschungsprojekt
Geltungsbereich
Arbeitspaket desselben NGI-Programms: Surrogate für Inversion und Unsicherheitsmethoden. Keine unabhängige zweite Validierung oder bestätigte Feldkalibrierung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- WP3 Aufgaben 1/2; ProjektblockTextstelle 5 Textstelle 22 Textstelle 23
- WP3 2025–2028Textstelle 32
Quelle 11
Internet of Things-based real-time slope stability forecast using a digital twin and conversational AI
Herausgeber
Norwegian Geotechnical Institute; EU-Projekt The HuT
Publiziert
undatiert
Quellentyp
Institutioneller Projektbericht
Geltungsbereich
Grundlage ist der NGI-Projektbericht über eine instrumentierte norwegische Böschung, keine vollständige Auswertung der zugrunde liegenden Fachartikel. Numerischer Sicherheitsfaktor als Lernziel; eine unabhängige Langzeit-Ausfallquote fehlt.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (16 Textstellen)
- Local scaleTextstelle 1 Textstelle 2 Textstelle 4 Textstelle 7 Textstelle 34 Textstelle 35 Textstelle 36 Textstelle 37 Textstelle 38 Textstelle 39 Textstelle 45 Textstelle 46 Textstelle 47 Textstelle 48
- Local scale; Projekt 2022–2026; PublicationsTextstelle 24 Textstelle 25 Textstelle 38 Textstelle 47
Quelle 12
Geotechnisch sondeeronderzoek (CPT)
Herausgeber
Programma Basisregistratie Ondergrond, Niederlande
Publiziert
undatiert
Quellentyp
Amtliche Dateninfrastruktur
Geltungsbereich
Amtliche Übersicht zum niederländischen CPT-Datengegenstand und seinen Zugangswegen. Infrastrukturbeleg, kein KI-Ergebnis oder geprüfter IFC-Datenaustausch.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (8 Textstellen)
- Documentatie; Gegevens aanleveren/opvragenTextstelle 26 Textstelle 27 Textstelle 36 Textstelle 43 Textstelle 46
- CPT-DatenobjektTextstelle 45 Textstelle 46 Textstelle 47 Textstelle 48

Alle Impulse im Radar entdecken

KI in Geotechnik und Baugrundanalyse

Um was geht es bei KI in Geotechnik und Baugrundanalyse?

Einordnung im Impulsradar

Vom Messwert zur geotechnischen Entscheidung

Worauf es bei KI in Geotechnik und Baugrundanalyse fachlich ankommt

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Warum KI in Geotechnik und Baugrundanalyse relevant ist

Für welche Bauprozesse KI in Geotechnik und Baugrundanalyse relevant ist

Strategie & Projektentwicklung

Planung & Design

Ausschreibung & Vergabe

Bauausführung & Baustellenmanagement

Betrieb & Instandhaltung

Rückbau & Kreislaufwirtschaft

Für wen KI in Geotechnik und Baugrundanalyse relevant ist

Projektentwickler und Investoren

Architektur-, Ingenieur- und Planungsbüros

Bauunternehmen und Generalunternehmer

Technologieanbieter und Systemintegratoren

Forschung, Verbände und Netzwerke

Mit welchen Technologie- und Anwendungsfeldern KI in Geotechnik und Baugrundanalyse verknüpft ist

Predictive Analytics & Entscheidungen

Datenplattformen & KI-Infrastruktur

BIM & Digitaler Zwilling

Nachhaltigkeit & ESG

Verknüpfte Fachbegriffe und Detailthemen

Verwandte Innovationsimpulse zu KI in Geotechnik und Baugrundanalyse

Quellen und Evidenz zu KI in Geotechnik und Baugrundanalyse

Artificial intelligence transformations in geotechnics: progress, challenges and future enablers

ProbPerModel: Probabilistische Baugrundmodellierung für die Planung und Entwicklung von Offshore-Windparks

Data-driven pile optimization utilizing computational design

Exploring the use of machine learning to support anchor pile design at unseen seabed locations

AI-enhanced soil classification with incomplete CPT data for offshore wind farm

An automated cloud-based system for in-situ geotechnical site characterization using cone penetration test (CPT/CPTu)

An uncertainty-aware framework with enhanced tree-based methods for CPT-based subsurface soil stratification toward geological disaster risk assessment

Deep Learning in Geotechnical Engineering: A Critical Assessment of PINNs and Operator Learning

SP18 On Certain Ground: WP1 – Uncertainty classification and modelling approaches

SP18 On Certain Ground: WP3 – Soil property predictions and inversion

Internet of Things-based real-time slope stability forecast using a digital twin and conversational AI

Geotechnisch sondeeronderzoek (CPT)

Passende Deep Dives