TY - JOUR A1 - Karapanagiotis, Christos A1 - Hicke, Konstantin A1 - Krebber, Katerina T1 - Eine Sammlung durch Maschinelles Lernen unterstützter Verteilter Faseroptischer Sensoren für Infrastrukturmonitoring T1 - A collection of machine learning assisted distributed fiber optic sensors for infrastructure monitoring JF - tm - Technisches Messen N2 - In this paper, we present a collection of machine learning assisted distributed fiber optic sensors (DFOS) for applications in the field of infrastructure monitoring. We employ advanced signal processing based on artificial neural networks (ANNs) to enhance the performance of the dynamic DFOS for strain and vibration sensing. Specifically, ANNs in comparison to conventional and computationally expensive correlation and linearization algorithms, deliver lower strain errors and speed up the signal processing allowing real time strain monitoring. Furthermore, convolutional neural networks (CNNs) are used to denoise the dynamic DFOS signal and enable useable sensing lengths of up to 100 km. Applications of the machine learning assisted dynamic DFOS in road traffic and railway infrastructure monitoring are demonstrated. In the field of static DFOS, machine learning is applied to the well-known Brillouin optical frequency domain analysis (BOFDA) system. Specifically, CNN are shown to be very tolerant against noisy spectra and contribute towards significantly shorter measurement times. Furthermore, different machine learning algorithms (linear and polynomial regression, decision trees, ANNs) are applied to solve the well-known problem of cross-sensitivity in cases when temperature and humidity are measured simultaneously. The presented machine learning assisted DFOS can potentially contribute towards enhanced, cost effective and reliable monitoring of infrastructures. N2 - In diesem Beitrag stellen wir eine Sammlung von verteilten faseroptischen Sensoren (DFOS) vor, die mit Hilfe von Maschinellem Lernen arbeiten und für Anwendungen im Bereich der Infrastrukturüberwachung geeignet sind. Wir setzen hierbei fortschrittliche Signalverarbeitung auf der Grundlage Künstlicher Neuronaler Netze ein, um die Leistungsfähigkeit dynamischer DFOS für die Messung von Dehnungen und Vibrationen zu verbessern. Insbesondere Künstliche Neuronale Netze (ANNs) liefern im Vergleich zu konventionellen und rechenintensiven Korrelations- und Linearisierungsalgorithmen geringere Dehnungsfehler und beschleunigen die Signalverarbeitung, so dass eine Dehnungsüberwachung in Echtzeit möglich ist. Darüber hinaus wenden wir Convolutional Neural Networks (CNNs) an, um dynamische DFOS-Signale zu entrauschen und damit nutzbare Messlängen von bis zu 100 km zu ermöglichen. Es werden Anwendungsbeispiele dieser durch Maschinelles Lernen unterstützten dynamischen DFOS in den Bereichen des Straßenverkehrsmonitorings und der Zug- und Gleisüberwachung aufgezeigt. Im Bereich der statischen DFOS wird Maschinelles Lernen auf das Verfahren der Optischen Brillouin-Frequenzbereichsanalyse (BOFDA) angewendet. Insbesondere CNN erweisen sich hier als sehr robust gegenüber verrauschten Spektren und tragen zu deutlich kürzeren Messzeiten bei. Darüber hinaus werden verschiedene Algorithmen des maschinellen Lernens (lineare und polynome Regression, Entscheidungsbäume, ANNs) angewandt, um das bekannte Problem der Querempfindlichkeit bei DFOS in den Fällen zu lösen, in denen Temperatur und Feuchtigkeit gleichzeitig gemessen werden sollen. Die hier vorgestellten, durch Maschinelles Lernen unterstützten, DFOS können zu einer verbesserten, kostengünstigen und zuverlässigen Überwachung von Infrastrukturen beitragen. KW - Artificial neural networks KW - Brillouin sensing KW - Distributed acoustic sensing KW - Fibre optic sensors KW - Infrastructure monitoring PY - 2023 UR - https://nbn-resolving.org/urn:nbn:de:kobv:b43-569044 DO - https://doi.org/10.1515/teme-2022-0098 SN - 0171-8096 SP - 1 EP - 19 PB - De Gruyter AN - OPUS4-56904 LA - mul AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - JOUR A1 - Bornemann-Pfeiffer, Martin A1 - Wolf, Jakob A1 - Meyer, Klas A1 - Kern, S. A1 - Angelone, D. A1 - Leonov, A. A1 - Cronin, L. A1 - Emmerling, Franziska T1 - Standardization and control of Grignard reactions in a universal chemical synthesis machine using online NMR T1 - Standardisierung und Kontrolle von Grignard-Reaktionen mittels Online-NMR in einer universellen chemischen Syntheseplattform JF - Angewandte Chemie - International Edition N2 - A big problem with the chemistry literature is that it is not standardized with respect to precise operational parameters, and real time corrections are hard to make without expert knowledge. This lack of context means difficult reproducibility because many steps are ambiguous, and hence depend on tacit knowledge. Here we present the integration of online NMR into an automated chemical synthesis machine (CSM aka. “Chemputer” which is capable of small-molecule synthesis using a universal programming language) to allow automated analysis and adjustment of reactions on the fly. The system was validated and benchmarked by using Grignard reactions which were chosen due to their importance in synthesis. The system was monitored in real time using online-NMR, and spectra were measured continuously during the reactions. This shows that the synthesis being done in the Chemputer can be dynamically controlled in response to feedback optimizing the reaction conditions according to the user requirements. N2 - Ein Problem der chemischen Literatur ist die fehlende Standardisierung bezüglich genauer Bedingungen, auch Echtzeit-Korrekturen sind ohne Expertenwissen nur schwer möglich. Dieser Mangel an Details erschwert experimentelle Reproduzierbarkeit, da Schritte oft mehrdeutig sind und daher von implizitem Wissen abhängen. Hier präsentieren wir die Integration von Online-NMR Spektroskopie in eine automatisierte chemische Syntheseplattform (CSM aka. “Chemputer”, unter Verwendung einer universellen Programmiersprache zur Synthese kleiner Moleküle fähig), um eine automatisierte Analyse und Anpassung von Reaktionen im laufenden Betrieb zu ermöglichen. Das System wurde anhand von Grignard-Reaktionen, die aufgrund ihrer Bedeutung für die Synthese ausgewählt wurden, validiert und einem Härtetest unterzogen. Synthesen wurden in Echtzeit mit Online-NMR überwacht, und die Spektren wurden während der Reaktionen kontinuierlich aufgenommen und analysiert. Dies zeigt, dass der Chemputer dynamisch mittels einer Regelung kontrolliert werden kann, um die Reaktionsbedingungen entsprechend den Anforderungen des Benutzers zu optimieren. KW - Grignard reaction KW - NMR spectroscopy KW - Process analytical technology KW - Process control KW - Grignard-Reaktion KW - NMR-Spektroskopie KW - Prozessanalytik KW - Prozesskontrolle PY - 2021 UR - https://nbn-resolving.org/urn:nbn:de:kobv:b43-531260 DO - https://doi.org/10.1002/anie.202106323 SN - 1521-3773 SN - 1433-7851 N1 - Bibliografische Angaben für die deutsche Version: Angewandte Chemie 2021, Jg. 133, S. 1–7, ISSN 0044-8249, ISSN 1521-3757, https://doi.org/10.1002/ange.202106323 - Bibliographic information for the German version: Angewandte Chemie 2021, vol. 133, p. 1–7, ISSN 0044-8249, ISSN 1521-3757, https://doi.org/10.1002/ange.202106323 VL - 60 IS - 43 SP - 1 EP - 6 PB - Wiley-VCH CY - Weinheim AN - OPUS4-53126 LA - mul AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER -