TY - JOUR A1 - Völker, Christoph A1 - Kruschwitz, Sabine A1 - Ebell, Gino T1 - Datengesteuerte Multisensor-Fusion zur Korrosionsprüfung von Stahlbetonbauteilen JF - The e-journal of nondestructive testing & ultrasonics N2 - Potentialfeldmessung (PM) ist die beliebteste Methode der Zerstörungsfreien Prüfung (ZfP) zur Lokalisierung von aktiver Betonstahlkorrosion. PM wird durch Parameter wie z. B. Feuchtigkeits- und Chloridgradienten im Bauteil beeinflusst, so dass die Sensitivität gegenüber der räumlich sehr begrenzten, aber gefährlichen Lochkorrosion gering ist. Wir zeigen in dieser Studie, wie zusätzliche Messinformationen mit Multisensor-Datenfusion genutzt werden können, um die Detektionsleistung zu verbessern und die Auswertung zu automatisieren. Die Fusion basiert auf überwachtem maschinellen Lernen (ÜML). ÜML sind Methoden, die Zusammenhänge in (Sensor-) Daten anhand vorgegebener Kennzeichnungen (Label) erkennen. Wir verwenden ÜML um „defekt“ und „intakt“ gelabelte Bereiche in einem Multisensordatensatz zu unterscheiden. Unser Datensatz besteht aus 18 Messkampagnen und enthält jeweils PM-, Bodenradar-, Mikrowellen-Feuchte- und Wenner-Widerstandsdaten. Exakte Label für veränderliche Umweltbedingungen wurden in einer Versuchsanordnung bestimmt, bei der eine Stahlbetonplatte im Labor kontrolliert und beschleunigt verwittert. Der Verwitterungsfortschritt wurde kontinuierlich überwacht und die Korrosion gezielt erzeugt. Die Detektionsergebnisse werden quantifiziert und statistisch ausgewertet. Die Datenfusion zeigt gegenüber dem besten Einzelverfahren (PM) eine deutliche Verbesserung. Wir beschreiben die Herausforderungen datengesteuerter Ansätze in der zerstörungsfreien Prüfung und zeigen mögliche Lösungsansätze. T2 - DGZfP Jahrestagung 2018 CY - Leipzig, Germany DA - 07.05.2018 KW - Maschinelles Lernen KW - Datenfusion KW - ZfP KW - Beton KW - Korrosion PY - 2018 UR - https://nbn-resolving.org/urn:nbn:de:kobv:b43-444852 UR - http://www.ndt.net/?id=23106 SN - 1435-4934 VL - 23 IS - 9 SP - 1 EP - 9 PB - NDT.net CY - Kirchwald AN - OPUS4-44485 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - JOUR A1 - Völker, Christoph A1 - Kruschwitz, Sabine A1 - Ebell, Gino T1 - A machine learning‑based data fusion approach for improved corrosion testing JF - Surveys in Geophysics N2 - This work presents machine learning-inspired data fusion approaches to improve the non-destructive testing of reinforced concrete. The principal effects that are used for data fusion are shown theoretically. Their effectiveness is tested in case studies carried out on largescale concrete specimens with built-in chloride-induced rebar corrosion. The dataset consists of half-cell potential mapping, Wenner resistivity, microwave moisture and ground penetrating radar measurements. Data fusion is based on the logistic Regression algorithm. It learns an optimal linear decision boundary from multivariate labeled training data, to separate intact and defect areas. The training data are generated in an experiment that simulates the entire life cycle of chloride-exposed concrete building parts. The unique possibility to monitor the deterioration, and targeted corrosion initiation, allows data labeling. The results exhibit an improved sensitivity of the data fusion with logistic regression compared to the best individual method half-cell potential. KW - Corrosion KW - Potential mapping KW - Machine learning PY - 2019 DO - https://doi.org/10.1007/s10712-019-09558-4 SN - 1573-0956 SN - 0169-3298 VL - 41 IS - 3 SP - 531 EP - 548 PB - Springer Nature AN - OPUS4-48799 LA - eng AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER -