Problemstellung

Im Verkehrssektor war es bislang nur begrenzt möglich, digitale Zwillinge zu implementieren – trotz ihrer hohen Relevanz für die Ressourceneffizienz. Ursachen sind unter anderem ein fehlendes gemeinsames Modellverständnis, Herausforderungen bei der Integration heterogener Modelle, Sicherheitsfragen, eingeschränkter Datenzugang sowie hohe Kosten ineffizienter Geschäftsmodelle. Ziel des Projekts war die Entwicklung einer KMU-gerechten Asset-Management-Plattform, die eine unternehmensübergreifende, sichere und intuitive Verwaltung von Digital-Twin-Assets ermöglicht. Grundlage waren ein standardisiertes, graphbasiertes semantisches Assetmodell, erklärbare KI (XAI) sowie eine szenarienbasierte intelligente Suche und Entdeckung.

Ergebnisse und Wirkungen

Im Projekt wurden ein ontologiebasiertes Assetmodell, Verfahren zur semantischen Integration heterogener Infrastrukturdaten, ein Wissensgraph sowie ein XAI-basiertes Analyse- und Suchkonzept entwickelt und prototypisch in einer integrierten Plattform umgesetzt. Die Ergebnisse belegen die technische Machbarkeit einer sicheren, interoperablen Verwaltung digitaler Zwillinge über Organisationsgrenzen hinweg. Auf dieser Basis wurde ein detailliertes Verwertungskonzept erarbeitet, das die Weiterentwicklung zu einer marktfähigen Plattform sowie deren wirtschaftliche Nutzung über servicebasierte Angebote (z. B. Digital Twin as a Service, Machine Learning as a Service) vorsieht. Konkrete Anwendungspotenziale ergeben sich insbesondere im Management von Straßen- und Schieneninfrastrukturen. Neben Anschlussinvestitionen sind langfristig positive Effekte für Wirtschaft und Gesellschaft zu erwarten, insbesondere durch effizientere Instandhaltung, bessere Ressourcennutzung, höhere Transparenz von Entscheidungsprozessen sowie Beiträge zu einer nachhaltigeren Infrastrukturentwicklung.

Veröffentlichungen

Fekete, T., Mengistu, G., & Wicaksono, H. (2025). Leveraging causal AI to uncover the dynamics in sustainable urban transport: A bike sharing time-series study. Sustainable Cities and Society, 122, 106240. https://doi.org/10.1016/j.scs.2025.106240 

Vijaya, A., Bhattarai, S., Angreani, L. S., & Wicaksono, H. (2024). Enhancing transparency in public transportation delay predictions with SHAP and LIME. 2024 IEEE International Conference on Industrial Engineering and Engineering Management (IEEM), 1285–1289. https://doi.org/10.1109/IEEM62345.2024.10857000 

Vijaya, A., Gudissa, B. L., Angreani, L. S., & Wicaksono, H. (2024). Predictive analysis of public transportation delays using machine learning models on GTFS data. 2024 IEEE International Conference on Industrial Engineering and Engineering Management (IEEM), 450–454. https://doi.org/10.1109/IEEM62345.2024.10857111 

Wicaksono, H., Nisa, M. U., & Vijaya, A. (2023). Towards intelligent and trustable digital twin asset management platform for transportation infrastructure management using knowledge graph and explainable artificial intelligence (XAI). 2023 IEEE International Conference on Industrial Engineering and Engineering Management (IEEM), 0528–0532. https://doi.org/10.1109/IEEM58616.2023.10406401 

Pilz, M. (2023): Die Entwicklung der KI-gestützten Asset-Management-Plattform „talenta“ wird als Verbundprojekt im Rahmen der Innovationsinitiative mFUND mit insgesamt 643.240 Euro durch das Bundesministerium für Digitales und Verkehr (BMDV) gefördert.  Vectorsoft Blog. https://www.vectorsoft.de/blog/2023/09/forschungsprojekt-talenta-gestartet-ki%e2%80%91asset%e2%80%91management-fuer-digitale-zwillinge/

https://www.vectorsoft.de/	https://www.concedra.com/	https://constructor.university/