Das Suchergebnis hat sich seit Ihrer Suchanfrage verändert. Eventuell werden Dokumente in anderer Reihenfolge angezeigt.
  • Treffer 7 von 45
Zurück zur Trefferliste

Feasibility study on adapting a machine learning based multi-sensor data fusion approach for honeycomb detection in concrete

  • We present the results of a machine learning (ML)- inspired data fusion approach, applied to multi-sensory nondestructive testing (NDT) data. Our dataset consists of Impact-Echo (IE), Ultrasonic Pulse Echo (US) and Ground Penetrating Radar (GPR) measurements collected on large-scale concrete specimens with built–in simulated honeycombing defects. In a previous study we were able to improve the detectability of honeycombs by fusing the information from the three different sensors with the density based clustering algorithm DBSCAN. We demonstrated the advantage of data fusion in reducing the false positives up to 10% compared to the best single sensor, thus, improving the detectability of the defects. The main objective of this contribution is to investigate the generality, i.e. whether the conclusions from one specimen can be adapted to the other. The effectiveness of the proposed approach on a separate full-scale concrete specimen was evaluated.

Volltext Dateien herunterladen

  • SMT2016_data fusion.pdf
    eng

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:Christoph VölkerORCiD
Koautor*innen:Sabine Kruschwitz, C. Boller, Herbert Wiggenhauser
Dokumenttyp:Vortrag
Veröffentlichungsform:Präsentation
Sprache:Englisch
Jahr der Erstveröffentlichung:2016
DDC-Klassifikation:Naturwissenschaften und Mathematik / Chemie / Analytische Chemie
Freie Schlagwörter:Clustering; Concrete evaluation; Data fusion; Honeycombing; Machine learning
Veranstaltung:NDE/NDT for Highway and Bridges: Structural Materials Technology 2016
Veranstaltungsort:Portland, Oregon, USA
Beginndatum der Veranstaltung:29.08.2016
Enddatum der Veranstaltung:31.08.2016
Verfügbarkeit des Dokuments:Datei im Netzwerk der BAM verfügbar ("Closed Access")
Datum der Freischaltung:17.11.2016
Referierte Publikation:Nein
Eingeladener Vortrag:Nein
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.