Advanced deep learning approaches and potentials in the construction sector

Picchi, Davide; Schmeink, Anke; Brell-Cokcan, Sigrid

doi:45106

Advanced deep learning approaches and potentials in the construction sector = Deep-Learning-basierte Ansätze und Methoden sowie deren Potenziale im Bausektor

Picchi, Davide^RWTH*

2025 & 2026

Verantwortlichkeitsangabevorgelegt von Davide Picchi, M. Sc.

ImpressumAachen : RWTH Aachen University 2025

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2026

Genehmigende Fakultät
Fak02

Hauptberichter/Gutachter
Brell-Cokcan, Sigrid (Thesis advisor)^RWTH* ; Schmeink, Anke (Thesis advisor)^RWTH*

Tag der mündlichen Prüfung/Habilitation
2025-12-15

Online
DOI: 10.18154/RWTH-2026-00976
URL: https://publications.rwth-aachen.de/record/1026579/files/1026579.pdf

Einrichtungen

Lehrstuhl für Individualisierte Bauproduktion (211510)

Projekte

Inhaltliche Beschreibung (Schlagwörter)
AI in construction (frei) ; deep learning (frei)

Thematische Einordnung (Klassifikation)
DDC: 720

Kurzfassung
Die Künstliche Intelligenz (K.I.) hat in den letzten Jahren wichtige Meilensteine erreicht und setzt ihren Lauf in noch unbekannten Richtungen fort. Ein breites Spektrum profitiert von diesem Trend, darunter auch das Bauwesen. Allerdings ist zu berücksichtigen, dass K.I. nicht als universelles Mittel zur Lösung aller Probleme betrachtet werden kann. Stattdessen umfasst sie ein breites Spektrum an Algorithmen und Methoden, Ansätzen und Paradigmen, die zur Lösung spezifischer Probleme gezielt eingesetzt werden können. In der vorliegenden Arbeit wird das Potenzial der K.I. durch den Einsatz verschiedener KI-Modelle und -Algorithmen in den Bereichen Automatisierung, Ressourcenabschätzung und nicht-destruktive Verfahren untersucht. Anhand von vier praxisrelevanten Anwendungsfällen, die alle im Bauwesen angesiedelt sind, werden unterschiedliche K.I. Einsatzmöglichkeiten beleuchtet und bewertet. Zwei dieser Anwendungsfälle wurden auf der Referenzbaustelle Campus Melaten in Aachen evaluiert und getestet. Ein weiterer Anwendungsfall basiert auf einer Simulationsumgebung und der vierte Anwendungsfall widmet sich der Klassifizierung von Radargrammen. Aufgrund der Heterogenität der untersuchten Anwendungsfälle kommen verschiedene Metriken zur Bewertung und Evaluierung zum Einsatz, was eine umfassende Analyse der jeweiligen Vor- und Nachteile der verwendeten Modelle ermöglicht. Die erzielten Ergebnisse zeigen, dass Ansätze aus den Bereichen: Machine Learning, Deep Learning und Reinforcement Learning mächtige Werkzeuge darstellen, das in der Lage sind, komplexe Probleme zielgerichtet und effizient zu lösen und sich damit optimal in diverse Bauprozesse integrieren lassen.

Artificial intelligence (AI) has reached important milestones in recent years and is continuing its course in unknown directions. A broad spectrum benefits from this trend, including the construction industry. However, it should be noted that AI cannot be considered a universal means of solving all problems. Instead, it encompasses a wide range of algorithms and methods, approaches, and paradigms that can be used to solve specific problems in a targeted manner. This thesis examines the potential of artificial intelligence through the use of various AI models and algorithms in the areas of automation, resource estimation, and non-destructive processes. Based on four practice-relevant use cases, all related to the construction industry, different AI approaches are examined and evaluated. Two of these use cases were evaluated and tested on the Reference Construction Site Campus Melaten in Aachen. Another use case is based on a simulation environment, and the fourth use case is dedicated to the classification of radar imagery. Due to the heterogeneity of the investigated use cases, various metrics are used for assessment and evaluation, enabling a comprehensive analysis of the respective advantages and disadvantages of the AI models used. The results obtained show that approaches from the areas of: Machine Learning, Deep Learning and Reinforcement Learning are powerful tools that are able to solve complex problems in a targeted and efficient manner and can therefore be optimally integrated into various construction processes.

OpenAccess:
PDF
(additional files)