Das Suchergebnis hat sich seit Ihrer Suchanfrage verändert. Eventuell werden Dokumente in anderer Reihenfolge angezeigt.
  • Treffer 2 von 26
Zurück zur Trefferliste
Zitieren Sie bitte immer diesen URN: urn:nbn:de:kobv:b43-498563

Machine learning based multi-sensor fusion for the nondestructive testing of corrosion in concrete

  • Half-cell potential mapping (HP) is the most popular non-destructive testing method (NDT) for locating corrosion damage in concrete. It is generally accepted that HP is susceptible to environmental factors caused by salt-related deterioration, such as different moisture and chloride gradients. Additional NDT methods are able to identify distinctive areas but are not yet used to estimate more accurate test results. We present a Supervised Machine Learning (SML) based approach to data fusion of seven different signal features to obtain higher quality information. SMLs are methods that explore (or learn) relationships between different (sensor) data from predefined data labels. To obtain a representative, labelled data set we conducted a comprehensive experiment simulating the deterioration cycle of a chloride exposed device in the laboratory. Our data set consists of 18 measurement campaigns, each containing HP, Ground Penetrating- Radar, Microwave Moisture and Wenner resistivity data.Half-cell potential mapping (HP) is the most popular non-destructive testing method (NDT) for locating corrosion damage in concrete. It is generally accepted that HP is susceptible to environmental factors caused by salt-related deterioration, such as different moisture and chloride gradients. Additional NDT methods are able to identify distinctive areas but are not yet used to estimate more accurate test results. We present a Supervised Machine Learning (SML) based approach to data fusion of seven different signal features to obtain higher quality information. SMLs are methods that explore (or learn) relationships between different (sensor) data from predefined data labels. To obtain a representative, labelled data set we conducted a comprehensive experiment simulating the deterioration cycle of a chloride exposed device in the laboratory. Our data set consists of 18 measurement campaigns, each containing HP, Ground Penetrating- Radar, Microwave Moisture and Wenner resistivity data. We compare the performance of different ML approaches. Many outperform the best single method, HP. We describe the intrinsic challenges posed by a data-driven approach in NDT and show how future work can help overcome them.zeige mehrzeige weniger

Volltext Dateien herunterladen

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:T. Haller, Christoph VölkerORCiD, T. Hartmann
Dokumenttyp:Zeitschriftenartikel
Veröffentlichungsform:Graue Literatur
Sprache:Englisch
Titel des übergeordneten Werkes (Englisch):The e-journal of nondestructive testing & ultrasonics
Jahr der Erstveröffentlichung:2020
Organisationseinheit der BAM:8 Zerstörungsfreie Prüfung
8 Zerstörungsfreie Prüfung / 8.0 Abteilungsleitung und andere
Veröffentlichende Institution:Bundesanstalt für Materialforschung und -prüfung (BAM)
Verlag:NDT.net
Verlagsort:Kirchwald
Jahrgang/Band:25
Ausgabe/Heft:1
Erste Seite:24890-1
Letzte Seite:24890-8
DDC-Klassifikation:Naturwissenschaften und Mathematik / Chemie / Analytische Chemie
Freie Schlagwörter:Corrosion; Data Fusion; Half-Cell Potential Mapping; Machine Learning; NDT; Reinforced Concrete
Themenfelder/Aktivitätsfelder der BAM:Chemie und Prozesstechnik
Veranstaltung:SMAR2019 - 5th International Conference on Smart Monitoring, Assessment and Rehabilitation of Civil Structures
Veranstaltungsort:Potsdam, Germany
Beginndatum der Veranstaltung:27.08.2019
Enddatum der Veranstaltung:29.08.2019
URN:urn:nbn:de:kobv:b43-498563
URL:http://www.ndt.net/?id=24890
Verfügbarkeit des Dokuments:Datei für die Öffentlichkeit verfügbar ("Open Access")
Lizenz (Deutsch):License LogoCreative Commons - CC BY - Namensnennung 4.0 International
Datum der Freischaltung:04.12.2019
Referierte Publikation:Nein
Schriftenreihen ohne Nummerierung:Wissenschaftliche Artikel der BAM
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.