Projektbeschreibung
Geotechnik mit maschinellem Lernen voranbringen
Die Geotechnik steht aufgrund des Klimawandels und der Notwendigkeit nachhaltiger Baupraktiken vor enormen Herausforderungen. Fachleute müssen mit Böden arbeiten, die sich in ihren Eigenschaften stark unterscheiden, wodurch Bauarbeiten schwierig und oft unvorhersehbar werden. Herkömmliche Methoden zur Gewährleistung sicherer, effizienter Ausführungen sind langsam und verbrauchen große Mengen an Material, insbesondere Beton, der einen hohen CO2-Fußabdruck aufweist. Da die Anforderungen an die Infrastruktur zunehmen, sind neue Methoden unerlässlich, um den Bau effizienter und umweltfreundlicher zu gestalten. Das Ziel des EU-finanzierten Projekts GRID lautet in diesem Zusammenhang, maschinelles Lernen in die Geotechnik zu bringen, um diese Probleme zu lösen. Durch bessere Berechnungen, die Berücksichtigung von Bodenschwankungen und die Optimierung von Entwürfen will GRID den Materialverbrauch und die Emissionen senken und das Bauen sicherer und widerstandsfähiger gestalten.
Ziel
Our proposed research initiative seeks to propel machine learning into the forefront of geotechnical engineering, with a vision to address critical challenges and revolutionise the field for the betterment of society. The overarching goals of our project align with the need to confront uncertainty, combat climate change through zero carbon emission strategies, address soil parameter heterogeneity, expedite finite element (FE) calculations e.g. for reliability analyses, and enhance design efficiency to reduce material consumption, particularly in the context of concrete. By undertaking this multidimensional approach, our research aims not only to apply machine learning in geotechnical engineering but to fundamentally transform the field, ushering in a new era of efficiency, sustainability and resilience. Through collaboration and innovation, we aspire to make machine learning an integral and indispensable tool for addressing the complex challenges faced by geotechnical practitioners in the 21st century.
Wissenschaftliches Gebiet (EuroSciVoc)
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Das Projektteam hat die Klassifizierung dieses Projekts bestätigt.
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Das Projektteam hat die Klassifizierung dieses Projekts bestätigt.
Schlüsselbegriffe
Programm/Programme
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Aufforderung zur Vorschlagseinreichung
(öffnet in neuem Fenster) HORIZON-MSCA-2023-SE-01
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
HORIZON-TMA-MSCA-SE -Koordinator
1180 Wien
Österreich