Lehrstuhl für Baustatik
Wir erforschen und lehren, wie Bauwerke sich verformen, tragen und reagieren – von alltäglichen Strukturen bis zu modernen, intelligenten Systemen. Der Lehrstuhl für Baustatik verbindet theoretische Grundlagen, numerische Simulationen, Experimente und datenbasierte Methoden, um neue Wege für das Bauen der Zukunft zu eröffnen.
Forschungsprofil
Datenbasierte Modellierung und Identifikation
Unser Forschungsfokus liegt auf der Entwicklung datenbasierter Methoden, um das Tragverhalten von Bauwerken präziser und effizienter abzubilden. Dadurch lassen sich insbesondere aufwendige dynamische Analysen deutlich beschleunigen und Materialverbrauch sowie Arbeitsaufwand reduzieren.
Die entwickelten datenbasierten Modelle sind echtzeitfähig und finden Anwendung in der adaptiven Schwingungsreduktion sowie im Bauwerksmonitoring. Mithilfe von Sensordaten können sie fortlaufend an den aktuellen Bauwerkszustand angepasst werden und ermöglichen so eine präzisere Schwingungskontrolle und Überwachung von Bauwerken.
Ein weiteres Anwendungsfeld ist die hybride Echtzeitsimulation, bei der Experimente mit rechnerbasierten Simulationen gekoppelt werden, um dynamische Tests an Bauwerksteilen durchzuführen.
Zudem entwickeln wir datenbasierte Ansätze zur Materialmodellierung und Parameteridentifikation, um neue Einblicke in das nichtlineare Materialverhalten zu gewinnen.
Forschungsschwerpunkte
- Dynamische Tragwerksanalyse
- Schwingungsreduktion und Bauwerksmonitoring
- Hybride Echtzeitsimulationen
- Materialmodellierung
Publikationen
Eine Auflistung der zuletzt erschienenen Publikationen
A novel boundary-based machine learning approach for 2D crack analysis in elastic and piezoelectric materials
A novel boundary-based machine learning approach for 2D crack analysis in elastic and piezoelectric materials
Semi-active omnidirectional liquid column vibration absorber with rapid frequency adjustment capability
Semi-active omnidirectional liquid column vibration absorber with rapid frequency adjustment capability
Feedforward neural network-assisted parameter identification and tuning for uniaxial superelastic shape memory alloy models under dynamic loads
Feedforward neural network-assisted parameter identification and tuning for uniaxial superelastic shape memory alloy models under dynamic loads
Solving large numerical substructures in real‐time hybrid simulations using proper orthogonal decomposition
Solving large numerical substructures in real‐time hybrid simulations using proper orthogonal decomposition
