Variational LSTM mit erweiterten Eingaben: Unsicherheitsmodellierung

In der modernen, leistungsorientierten Bauwerksanalyse ist die präzise Berücksichtigung von Unsicherheiten – sowohl aus der Belastung als auch aus den Bauteilen selbst – entscheidend. Diese Unsicherheiten, die als aleatorische Unsicherheit bezeichnet werden, stellen aufgrund der hohen Dimensionalität und Nichtlinearität der Systeme eine enorme Rechenlast dar.

Um diese Last zu reduzieren, setzen Ingenieure zunehmend auf maschinelles Lernen als Metamodelle. Doch die „Black‑Box“-Natur solcher Modelle birgt das Risiko überconfidenter Vorhersagen, wenn die Datenlage begrenzt ist. Deshalb ist neben der aleatorischen Unsicherheit auch die epistemische Unsicherheit – die Unsicherheit in der Modellzuverlässigkeit – zu quantifizieren.

Die neue Methode kombiniert ein variationales Long‑Short‑Term‑Memory (LSTM) mit erweiterten Eingaben, die sowohl die Schlüsselfaktoren des Systems als auch die variierende Belastungssignale enthalten. Durch Monte‑Carlo‑Dropout wird die epistemische Unsicherheit effizient erfasst, ohne dass ein aufwändiger Bayesscher Ansatz nötig ist. Der Ansatz verursacht nur minimale zusätzliche Trainingskosten und ermöglicht nahezu kostenfreie Unsicherheitssimulationen.

Mehrere Fallstudien demonstrieren die Leistungsfähigkeit des Modells bei der Analyse stochastischer Struktursysteme. Die Ergebnisse zeigen, dass die Kombination aus variationalem LSTM und erweiterten Eingaben sowohl die aleatorische als auch die epistemische Unsicherheit zuverlässig abbildet und damit die Entscheidungsgrundlage für sichere, leistungsorientierte Bauwerksdesigns stärkt.