Verständliche KI-Strategien für Brücken‑Lebenszyklus‑Optimierung

Seit 2022 verlangt die neue Spezifikation des National Bridge Inventory (SNBI) die Nutzung von element‑basierten Zustandsdaten (Condition States, CS) für das risikobasierte Brückenmanagement. Anstelle einer einzigen Komponentenbewertung werden nun vierdimensionale Wahrscheinlichkeitsarrays verwendet, die die Zustandsverhältnisse jedes Bauteils genauer abbilden. Diese höhere Granularität eröffnet bessere Einblicke, erschwert jedoch die Entwicklung optimaler Lebenszyklus‑Politiken, weil der Zustandsraum von einer einzigen Kategorie zu komplexen, mehrdimensionalen Arrays wächst.

Die vorliegende Arbeit präsentiert einen neuen, interpretierbaren Reinforcement‑Learning‑Ansatz, der diese Herausforderung meistert. Im Gegensatz zu herkömmlichen RL‑Methoden liefert das Verfahren Entscheidungsbäume mit schrägen (obliquen) Grenzen, die in wenigen Knoten und einer überschaubaren Tiefe auskommen. Solche Bäume sind sofort verständlich, auditierbar und lassen sich problemlos in bestehende Brücken‑Management‑Systeme integrieren.

Um nahezu optimale Politiken zu erreichen, kombiniert der Ansatz drei wesentliche Verbesserungen: Erstens werden differenzierbare Soft‑Tree‑Modelle als Aktor‑Approximationen eingesetzt; zweitens erfolgt während des Trainings ein Temperatur‑Abkühlungsprozess, der die Exploration steuert; drittens wird die Modellkomplexität durch gezielte Regularisierung und Pruning‑Regeln begrenzt. Diese Kombination führt zu deterministischen, leicht interpretierbaren Entscheidungsbäumen.

Die Ergebnisse zeigen, dass die vorgeschlagenen Techniken nicht nur die Interpretierbarkeit erhöhen, sondern auch die Effizienz der Lebenszyklus‑Optimierung steigern. Die Autoren diskutieren die Vorteile, etwa die Transparenz und die einfache Implementierbarkeit, sowie die Kompromisse, etwa die Notwendigkeit zusätzlicher Rechenressourcen für die Trainingsthermierung. Insgesamt liefert die Studie einen vielversprechenden Weg, KI‑gestützte Brücken‑Pflegeentscheidungen nachvollziehbar und praxisnah zu gestalten.