KI-Anwendungen finden zunehmend Eingang in die Geotechnik Die Keynote präsentiert eine webbasierte Lösung zur Echtzeitvorhersage der Korngrößenverteilung mineralischer Böden aus standardisierten Smartphone-Bildern. Die Vorhersagegenauigkeit liegt bei etwa 90%. Das System ist geräteunabhängig. Das Modell ist verfügbar auf der Hugging Face-Plattform. Die Fassung bietet ein Upgrade des Backbone-Modells, eine verbesserte Training-Pipeline, die automatische Gerätedetektion mit Schätzung der Pixeldichte sowie ein PDF-Bericht.

Die Drucksondierung (CPT) stellt ein etabliertes in-situ-Verfahren zur hochauflösenden Erkundung des Baugrunds dar und wird international häufig zur Ableitung geotechnischer Kennwerte sowie zur Bodenklassifikation eingesetzt. Ein zentrales Auswertungsinstrument bildet dabei das spannungsnormalisierte Soil Behaviour Type-Diagramm (SBTn) nach Robertson. Dessen Anwendbarkeit für norddeutsche Baugrundverhältnisse ist jedoch aufgrund der quartär geprägten, häufig glazial beeinflussten Böden nicht uneingeschränkt gegeben. Ziel dieser Studie war die systematische Untersuchung der Übertragbarkeit des Robertson-SBTn-Diagramms auf norddeutsche Böden. Die Grundlage bildet ein umfangreicher Datensatz aus Drucksondierungen und zugehörigen Bohrprofilen aus mehreren geotechnischen Projekten in Norddeutschland. Durch die gezielte Verknüpfung kontinuierlicher CPT-Messdaten mit schichtweisen Bodenansprachen aus Bohrprofilen wird eine belastbare Referenz zur Bewertung der CPT-basierten Bodenklassifikation geschaffen. Die Auswertung mittels eines Python Codes zeigt, dass das Robertson-Diagramm für klassische Bodenarten wie Sande sowie weiche bis mittelfeste Tone überwiegend konsistente Klassifikationsergebnisse liefert, d. h. die zugeordneten SBTn-Zonen stimmen weitgehend mit der Bodenansprache aus den Bohrprofilen überein. Deutlich größere Streuungen treten hingegen bei glazial geprägten Böden, insbesondere bei Geschiebemergel sowie bei Übergangs- und Mischböden, auf. Diese Bodenarten weisen aufgrund ihrer heterogenen Kornzusammensetzung, überkonsolidierten Spannungszustände und strukturellen Eigenschaften kein eindeutig undrainiertes Eindringverhalten auf, wodurch klassische CPT-basierte Korrelationen nur eingeschränkt anwendbar sind. Die Ergebnisse verdeutlichen, dass die CPT in Norddeutschland ein leistungsfähiges Erkundungsverfahren darstellt, dessen Interpretation jedoch eine fundierte regionale und geologische Einordnung erfordert. Mit zunehmender Datendichte, wachsender Erfahrung in der CPT-Interpretation sowie einer systematischen, datengetriebenen Auswertung besteht das Potenzial, Drucksondierungen künftig in geeigneten geologischen Situationen verstärkt als primäres Erkundungsinstrument einzusetzen und den Umfang direkter Aufschlüsse gezielt zu reduzieren.

Eine zuverlässige Beschreibung der Baugrundschichtung ist eine wesentliche Voraussetzung für die Bemessung geotechnischer Bauwerke. Das klassische Vorgehen basiert auf der visuellen Identifikation von Schichtgrenzen anhand von Bohrkernen. Das daraus abgeleitete Bohrprofil dient als Grundlage für die Interpretation von Sondierergebnissen in Bezug auf Baugrundschichtung und angetroffene Bodenarten. Im Falle einer Drucksondierung (CPT) kann die Schichteinteilung auch rein empirisch nach Robertson (2010) erfolgen, wonach die Sondierergebnisse in den so genannten Soil Type Index Ic überführt und diesem definierte Bodenarten zugeordnet werden. Unabhängig von der angewandten Methodik bleibt die Interpretation jedoch in beiden Fällen deterministisch. Dabei wird vernachlässigt, dass die visuelle Schichteneinteilung oft subjektiv geprägt ist und rein empirische ermittelte Schichtgrenzen die statistische Streuung der Messdaten sowie die daraus resultierenden Unsicherheiten in der Schichtenzuordnung unberücksichtigt lassen.
In diesem Beitrag wird ein probabilistisches Verfahren vorgestellt, mit dem sich diese Klassifikationsunsicherheiten explizit quantifizieren lassen. Der Ansatz nutzt Gaussian Mixture Models (GMM), um CPT-Daten automatisiert zu klassifizieren. Im Gegensatz zu starren Klassifikationsgrenzen liefert das Clustering Zugehörigkeitswahrscheinlichkeiten für verschiedene Bodenklassen. Mittels Inverse Transformation Sampling (ITS) werden daraus Ensembles plausibler Baugrundschichtungen generiert.
Die Methodik wird anhand eines Datensatzes, der jeweils vier CPT-Messungen und korrespondierende Bohrprofile enthält, demonstriert. Durch direkten Vergleich der generierten Szenarien mit den konventionellen Aufschlüssen wird gezeigt, wie der GMM-Ansatz die Identifizierung kritischer Übergangszonen unterstützt und Auswertungsprozesse automatisieren kann. Die Ergebnisse verdeutlichen, dass erst die systematische Quantifizierung von Klassifikationsunsicherheiten deren maßgeblichen Einfluss auf die geotechnische Bemessung aufzeigt. Wenn diese Unschärfen über mögliche Stratifizierungsszenarien in die Analyse einfließen, lässt sich die Versagenswahrscheinlichkeit bestimmen und das Baugrundrisiko reduzieren.

Statistik beruht auf der Auswertung von Daten. Bei Baugrundformulierungen resultieren diese aus punktuellen Aufschlüssen. Stehen genügend Aufschlüsse zur Verfügung, lassen sich z.B.Variogramme erstellen, welche die statistisch zu erwartenden Abweichungen mit steigendem Abstand zur Sondierung beschreiben.
Die Güte der Abschätzung hängt von der Anzahl der Daten ab und hierin besteht bei Standardbauvorhaben mit üblicherweise unter 5, auf jeden Fall aber für statische Methoden notwendige mindestens 30 Datensätzen, die Ursache, dass bisher alle Versuche, eine einfach Lösung, das beste zu benutzende Interpolationsverfahren oder die Nutzung von 3D-Modellen in der Praxis zu nutzen, scheitern.
In dem Vortrag werden Lösungsansätze gezeigt, aus den vorhandenen Daten und dem Fachwissen der Genese der Baugrundschichten 3 und 2 dimensionale Berechnungsmodelle zu erstellen. 
Es wird gezeigt, dass es nicht das eine Baugrundmodell geben kann, sondern ausschließlich auf der jeweils sicheren Seite liegende Modelle, für jede geotechnische Fragestellung somit ein anders 3D-Modell zu definieren ist und wie dies mit vertretbarem Aufwand gelingen kann. 
Im Ergebnis sind bereichsweise gültige Berechnungsprofile mit jeweils horizontalen Schichtgrenzen und eindeutigen Kennwerten nach DIN EN 4020 A 7.3.1 zu erzeugen, so dass Standardlösungen der Geotechnik angewendet werden können.

Subsurface characterization of soil stiffness is traditionally performed using in-situ methods such as cone penetration testing (CPT), which provide accurate but spatially limited point measurements. This study investigates, as a proof of concept, whether, in post-mining environments with pronounced groundwater rebound, observations of ground displacement and groundwater table variations can be used to infer regional subsurface stiffness. Recent advances in remote sensing, such as Persistent Scatterer Interferometry (PSI), highlight the potential availability of spatially distributed surface deformation data to support such analyses.
With elasticity and effective stress theories, surface uplift can be related to subsurface stiffness through groundwater level rise. While this relationship suggests that stiffness may be inferred from uplift measurements, deterministic inversion is highly sensitive to noise. Even small measurement uncertainties can lead to large errors, making direct inversion impractical.
To address this limitation, a synthetic study is conducted. A reference stiffness profile is generated using a depth-dependent trend combined with spatial variability described by an exponential autocorrelation function and lognormally distributed randomness. The corresponding surface uplift is computed, and noise is added to simulate measurement uncertainty. The noisy uplift data are then used to estimate stiffness using both deterministic inversion and Kalman Inversion.
The results show that Kalman Inversion provides significantly improved stability and noise tolerance compared to deterministic approaches, yielding feasible stiffness estimates that closely capture the true profile and demonstrate its potential for regional subsurface characterization.

Fallbeispiel: Hyperbeldetektion in Bodenradar-Daten
Bodenradar (Ground Penetrating Radar, GPR) liefert großflächige, hochaufgelöste Informationen über den Untergrund und wird in der Baugrunderkundung zunehmend eingesetzt. Der Flaschenhals ist nicht die Messung, sondern die Auswertung: Die Interpretation der Radargramme ist aufwendig, subjektiv und erfolgt bislang überwiegend nachgelagert im Büro. Mit einem KI-gestützten Verfahren auf Basis eines kompakten Deep-Learning-Modells lässt sich dieser Schritt so weit beschleunigen, dass eine Echtzeit-Auswertung direkt im Feld möglich wird – ein vollständiges Radargramm wird in wenigen Minuten auf Consumer-Hardware prozessiert.
An der Detektion von Diffraktionshyperbeln – bogenförmigen Signaturen punktförmiger Reflektoren, aus denen sich die elektromagnetische Ausbreitungsgeschwindigkeit und die räumliche Verteilung von Objekten im Baugrund ableiten lassen – habe ich untersucht, wie sich ein repetitiver Auswertungsschritt mit einem kleinen, spezialisierten neuronalen Netz teilautomatisieren lässt. Der Ansatz formuliert die Detektion als semantische Segmentierung auf Basis eines U-Nets mit Attention-Mechanismen, eingebettet in ein Wasserstein-GAN-Framework.
Im Mittelpunkt des Vortrags stehen drei methodische Entscheidungen, bei denen physikalisches Grundlagenverständnis gezielt genutzt wurde, um das Training zu vereinfachen und die Ergebnisse zu verbessern: die Ableitung der Ground Truth aus Amplituden der Kirchhoff-Migration statt aus rein manueller Annotation, gezielte Morphing-Strategien zur Datenaugmentierung für ein datensparsames Training und eine konsistenzbasierte Validierung über benachbarte Antennenkanäle (Cross-Channel-Validierung), die die Modellausgaben anhand eines physikalischen Kriteriums absichert.
Das Verfahren ist als Vorauswahl- und Priorisierungswerkzeug in einem teilautomatisierten Auswertungs-Workflow konzipiert und zeigt, wie sich durch die gezielte Einbindung physikalischen Grundlagenverständnisses der Trainingsaufwand reduzieren und die Qualität der Ergebnisse verbessern lässt.

Die dauerhafte Standsicherheit von Kaimauern in Tidehäfen wird maßgeblich durch die Interaktion komplexer Prozesse wie Verformungsakkumulation, Korrosion und Sohlauskolkungen bestimmt. Während die messtechnische Erfassung der Kolktiefe durch Drucksondierungen operativ aufwendig und kostenintensiv ist, stehen hochauflösende numerische Verfahren (FEM) einer effizienten Echtzeit-Zustandsbewertung im Rahmen des Structural Health Monitorings (SHM) aufgrund der Rechenintensität entgegen.
Dieser Beitrag stellt ein innovatives Surrogate-Modell zur prädiktiven Bestimmung der Kolktiefe vor. Die methodische Grundlage bildet ein hybrides neuronales Netz (LSTM-FNN-Architektur). Als Eingangsgrößen dienen die kumulative Anzahl der Tidezyklen sowie die messtechnisch erfassbare Wandverformungsfigur. Zur Generierung einer robusten Datenbasis wurde ein FE-Modell unter Verwendung eines High-Cycle-Accumulation (HCA) Stoffmodells eingesetzt, welches die über Jahrzehnte akkumulierten Verformungen infolge zyklischer Belastungen physikalisch konsistent abbildet. Mittels eines stochastischen Frameworks (Latin Hypercube Sampling) wurden hierbei realistische Bandbreiten der Kolkdynamik simuliert.
Das entwickelte Ersatzmodell liefert nicht nur präzise Prognosen der Kolktiefe, sondern quantifiziert zudem zeitabhängige Prognoseunsicherheiten (Certainty Ranges). Die Validierung erfolgte durch den Abgleich mit Feldmessdaten und zeigt eine gute Übereinstimmung. Der vorgestellte Ansatz ermöglicht eine effziente, datengestützte Zustandsprüfung und liefert damit ein essentielles Werkzeug für die vorausschauende Instandhaltungsstrategie kritischer maritimer Infrastrukturen.