Filtern
Dokumenttyp
- Vortrag (5)
- Zeitschriftenartikel (3)
- Beitrag zu einem Tagungsband (1)
Schlagworte
- Maschinelles Lernen (9) (entfernen)
Organisationseinheit der BAM
- 8 Zerstörungsfreie Prüfung (8)
- 8.0 Abteilungsleitung und andere (3)
- 8.4 Akustische und elektromagnetische Verfahren (3)
- 7 Bauwerkssicherheit (2)
- 7.5 Technische Eigenschaften von Polymerwerkstoffen (1)
- 7.6 Korrosion und Korrosionsschutz (1)
- 8.2 Zerstörungsfreie Prüfmethoden für das Bauwesen (1)
- 8.6 Faseroptische Sensorik (1)
- VP Vizepräsident (1)
- VP.1 eScience (1)
Eingeladener Vortrag
- nein (5)
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.
Angetrieben durch Digitalisierung und die sogenannte Industrie 4.0 steigt die Erwartungshaltung gegenüber der Nutzung von Sensorik. Die Unsicherheit, Widersprüchlichkeit und Redundanz separat verarbeiteter einzelner Quellen soll durch die synergetische Zusammenführung heterogener Datensätze überwunden werden. Dabei steht der zunehmenden Aufgabenkomplexität eine ebenso zunehmende Verfügbarkeit an Sensoren, Daten und Rechenleistung gegenüber.
Der Begriff Datenfusion fasst Ansätze zusammen, die Daten zu abstrakteren, aber besser verständlichen Informationen verarbeiten. Die Fusion ist Kernbestandteil effektiver Assistenzsysteme und beweist in vielzähligen Aufgaben - von militärischen Anwendungen über Flug- und Fahrassistenzsysteme, bis in den Heimbereich – ihr großes Potenzial. Durch die wachsende Automatisierung bei der Messdatenerfassung wird Datenfusion auch in der industriellen Qualitätsprüfung und –sicherung zunehmend attraktiver.
Der Vortrag gibt einen Überblick über den breiten Themenkomplex und widmet sich dabei im Theorieteil speziell der Fragen, welche Informationen in multivariaten Datensätzen stecken und wie sie extrahiert werden können. Anschließend wird ein Beispiel für die erfolgreiche Anwendung zur zerstörungsfreien Prüfung von Betonbauteilen vorgestellt. Der dargestellte Datensatz ist klein, heterogen, hochdimensional und unausgeglichen. Anhand von Algorithmen mit unterschiedlicher Leistungsfähigkeiten hinsichtlich Anpassungsfähigkeit und Invarianz gegenüber Höherdimensionalität wird erläutert welche Prozesse zur Verbesserung der Informationsqualität nötig sind.
Weltweit stellen Waldbrände eine große Bedrohung für Umwelt, Wirtschaft und menschliches Leben dar. Der fortschreitende Klimawandel verstärkt Trockenheit und Dürre, wodurch die Größe und Intensität von Waldbränden sowie das daraus resultierende Gefahrenpotential zusätzlich erhöht werden. Um im Risikofall eine schnelle und effektive Waldbrandbekämpfung zu gewährleisten, sollen Einsatzkräfte in Zukunft von KI-basierten Ausbreitungsmodellen unterstützt werden.
Der Einsatz von maschinellem Lernen ermöglicht dabei schnelle und zielgerichtete Ausbreitungsvorhersagen in Echtzeit, die in den Prozess der Brandbekämpfung als zusätzliche Information einfließen können. Im Rahmen des durch das EU-Förderprogram Horizon 2020 finanzierte Projekt TREEADS wird ein solches Modell für Europa entwickelt.
Dazu wird mit verschiedenen Satellitendaten des Copernicus-Programms und der NASA ein auf räumlicher und zeitlicher Ebene aufgelöster Datensatz zu europäischen Waldbränden aufgebaut. Zu den erfassten Waldbränden werden wichtigen Faktoren, die Einfluss auf die Brandausbreitung haben, ergänzt. Dazu gehören das von Copernicus bereitgestellte, digitale Geländemodell Europas und verschiedene, von Sentinel-2 Messungen abgeleitete Informationen zu Vegetation und Landnutzung. Dieser 2D-Trainingsdatensatz zu realen Waldbränden wird durch die zeitlich hochaufgelösten, meteorologischen Reanalyse-Produkte – Copernicus European Regional ReAnalysis (CERRA) und ERA5-Land – vervollständigt und ist die Grundlage für ein Modell zur Ausbreitungsvorhersage von Waldbränden.
Methoden des Maschinellen Lernens können komplexe Muster in den gesammelten Daten erkennen und so zu einer verbesserten Vorhersage der Brandausbreitung beitragen. Die vielfältigen, von Copernicus bereitgestellten Daten sind dabei ein unabdingbarer Bestandteil des Modells, mit dem den Einsatzkräften ein zusätzliches Tool für den effizienten Einsatz ihrer limitierten Ressourcen zur Verfügung steht.
Die Idee des Dissertationsprojekts ist der parallele Einsatz des Radarverfahrens und der Neutronensonde zur Lokalisierung von Feuchteschäden in Fußbodenaufbauten. Hierbei soll die integrale Messweise der Neutronensonde durch die vertikale Information des Radarsignals ergänzt werden, um zukünftig auf zerstörende Sondierungsbohrungen verzichten zu können. Primäres Ziel ist eine automatisierte und zerstörungsfreie Klassifizierung und Quantifizierung verschiedener Schadensfälle im Fußboden, welche zur Abschätzung und Auswahl des Sanierungsaufwands dienen soll. In systematischen Laborstudien an modular aufgebauten Referenzprobekörpern werden die Nachweisgrenzen der beiden Verfahren für unterschiedliche, häufig anzutreffende Fußbodenaufbauten untersucht. Hierfür wurde ein Satz verschiedenster Estrichprobekörper gefertigt und deren Hydratisierungsprozess gravimetrisch und mit den benannten Feuchtemessverfahren beobachtet. In der laufenden Auswertung konnten bereits signifikante Signalmerkmale der Radarmessungen extrahiert, sowie dessen Korrelation zum Feuchteverlauf der Proben gezeigt werden. Der modulare Aufbau der Fußbodenschichten zur Simulation von gängigen Feuchteschäden folgt im Anschluss. Über Datenfusion und Signalverarbeitung sollen so innovative Auswertungsansätze entwickelt und deren Validität an realen Schadensfällen geprüft werden.
Distributed fiber optic sensors for structural health monitoring of composite pressure vessels
(2024)
In diesem Beitrag geben wir einen umfassenden Überblick über unsere Forschung auf dem Gebiet der verteilten faseroptischen Sensorik für die strukturelle Zustandsüberwachung von Wasserstoffdruckbehältern aus Verbundwerkstoffen. Insbesondere zeigen wir, wie die Integration von faseroptischen Sensoren in Druckbehälter aus Verbundwerkstoffen die Sicherheit erhöht und gleichzeitig die Wartungskosten senkt. Die geringe Größe von Lichtwellenleitern ermöglicht ihre Integration in Verbundwerkstoffstrukturen während des Herstellungsprozesses, wodurch eine kontinuierliche Überwachung sowie eine präzise Erkennung und Lokalisierung von Strukturschäden während des Betriebs der Druckbehälter ermöglicht wird. Wir erörtern auch das Potenzial modernster Signalverarbeitungsmethoden und des maschinellen Lernens für die Weiterentwicklung der vorausschauenden Instandhaltung. Die von uns vorgestellten Anwendungen von faseroptischen Sensoren zeigen, dass sie einen wichtigen Beitrag zur Energiewende hin zu erneuerbaren Energien leisten können.
Detailliertes Wissen über die mechanischen Eigenschaften verwendeter Materialien ist Grundvoraussetzung für viele ingenieurtechnische Aufgaben und Dienstleistungen. Zur Bestimmung der elastischen Materialparameter gibt es verschiedene klassische, zerstörende Prüfverfahren. Eine Möglichkeit der zerstörungsfreien Bestimmung liegt in der Auswertung von Messergebnissen, die auf Basis des Ausbreitungsverhaltens geführter Ultraschallwellen gewonnen wurden. Das Ausbreitungsverhalten geführter Ultraschallwellen kann mittels Dispersionsabbildungen dargestellt werden.
Um aus messtechnisch ermittelten Dispersionsabbildungen Rückschlüsse auf die Materialparameter zu ziehen, werden in der aktuellen Forschung verschiedene inverse Methoden diskutiert. Maschinelles Lernen und insbesondere Convolutional Neural Networks (CNNs) stellen eine Möglichkeit der automatisierten inversen Modellierung und Evaluierung von Bilddaten dar.
In diesem Beitrag wird gezeigt, wie das Ausbreitungsverhalten von geführten Ultraschallwellen unter Verwendung von CNNs genutzt werden kann, um die isotropen elastischen Konstanten einer plattenförmigen Struktur zu bestimmen. Hierfür werden die verwendeten Daten analysiert, das Preprocessing erläutert und eine grundlegende CNN-Architektur gewählt. Zur Auswertung des generierten Modells werden verschiedene Verfahren wie Gradienten-Mapping und die Visualisierung der verschiedenen Schichten vorgestellt. Die Anwendbarkeit der Methode wird anhand synthetischer Daten demonstriert.
Geführte Ultraschallwellen sind für die Materialcharakterisierung hervorragend geeignet, da ihr Ausbreitungsverhalten abhängig von den Materialeigenschaften des untersuchten Werkstoffs ist.
Um aus dem messtechnisch ermittelten Ausbreitungsverhalten geführter Ultraschallwellen Rückschlüsse auf die Materialparameter zu ziehen, werden in der aktuellen Forschung verschiedene inverse Methoden diskutiert. Dispersionsabbildungen im Frequenz-Wellenzahl-Bereich repräsentieren das Ausbreitungsverhalten geführter Ultraschallwellen. Maschinelles Lernen und insbesondere Convolutional-Neural-Networks (CNNs) sind eine Möglichkeit der automatisierten inversen Bestimmung der Materialparameter aus den Dispersionsabbildungen.
In diesem Beitrag wird anhand synthetischer Daten gezeigt, wie das Ausbreitungsverhalten von geführten Ultraschallwellen unter Verwendung von CNNs und Dispersionsabbildungen genutzt werden kann, um die elastischen Konstanten einer isotropen plattenförmigen Struktur zu bestimmen. Anhand dieses Beispiels wird das generelle Vorgehen zur Anwendung maschineller neuronaler Lernverfahren aufgezeigt. Hierfür werden die verwendeten Daten analysiert, das Preprocessing erläutert und eine einfache CNN-Architektur gewählt. Im Rahmen der Auswertung wird insbesondere Wert auf die Erklärbarkeit und Zuverlässigkeit des verwendeten CNNs gelegt und so Grenzen und Möglichkeiten aufgezeigt.
Detaillierte Kenntnisse der elastischen Materialeigenschaften sind in vielen ingenieurtechnischen Bereichen von grundlegender Bedeutung. Insbesondere für die Anwendung von Predictive Maintenance und Structural- Health-Monitoring Methoden mit Ultraschall ist die genaue Kenntnis der elastischen Materialkonstanten eine Grundvoraussetzung. Die von den Herstellern zur Verfügung gestellten Angaben zu den elastischen Materialkonstanten, insbesondere für Polymere und faserverstärkte Kunststoffe, sind jedoch oft unzureichend, da diese vom Produktionsprozess abhängig sind und sich zusätzlich aufgrund von Materialabbauprozessen oder Ermüdung ändern können. In der Praxis liegen polymere Werkstoffe, faserverstärkte Kunststoffe und Metalle oft als dünne, plattenförmige Strukturen vor, in welchen sich geführte Ultraschallwellen (UGWs) ausbreiten können. In der aktuellen Forschung sind bereits verschiedene Neuronale Modelle zur Bestimmung der elastischen Konstanten und der Materialcharakterisierung mittels UGWs bekannt. Ein einfaches neuronales Netz, mit aus Dispersionsbildern extrahierten Werten für Frequenz und Wellenzahl ausbeutungsfähiger Moden als Eingabe, zur Vorhersage der elastischen Konstanten wird in verwendet. Ein rekurrentes Neuronales Netz mit einem Zeit-Frequenz Vektor als Eingabe wird in angewandt, während in ein 1D- Convolutional-Neuronal-Networks (CNN) unter Verwendung der zeitlichen Auslenkung der Grundmoden und in ein 2D-CNN unter Verwendung einer polaren Gruppengeschwindigkeitsdarstellung zur Bestimmung der elastischen Konstanten verwendet wird. In diesem Vortrag wird ein Ansatz zur Bestimmung der isotropen elastischen Konstanten von dünnen Platten auf der Grundlage von UGWs unter Verwendung von Dispersionsbildern und 2D-CNNs vorgestellt. Dispersionsabbildungen aus numerischen Simulationen werden mithilfe verschiedener Methoden vorverarbeitet, um realistische Messdaten zu simulieren. Mit den modifizierten Daten wird das Modell trainiert und die Architektur optimiert. Anschließend wird die Genauigkeit des erzeugten Modells mit realen Messdaten validiert. Es wird gezeigt, dass 2D-CNNs in der Lage sind, die isotropen elastischen Konstanten anhand multimodaler Merkmale aus Dispersionsbildern vorherzusagen, ohne dass eine anfängliche Schätzung der Parameter oder manuelle Merkmalsextraktion erforderlich ist.
Digitaler Zwilling: Verwaltungsschale BBox als Datenablage über den Lebenszyklus einer Brücke
(2021)
Auf dem Weg zur digitalen Brücke existieren bereits erste Lösungen, die den Lebenszyklus einer Brücke abbilden können. Für die Planung, den Bau und den Unterhalt stehen unterschiedlichste Werkzeuge, z. B. BIM, DIN 1076, SIB-Bauwerke, Monitoring etc. zur Verfügung, die jeweils mit unterschiedlichen Datenformaten arbeiten. Für ein intelligentes Erhaltungsmanagement müssen aber alle Daten mit den verschiedenen Datenformaten zusammengeführt, abgelegt und so verwaltet werden können, dass über den gesamten Lebenszyklus einer Brücke die Abbildung eines ganzheitlichen digitalen Zwillings eines Bauwerks möglich ist. Die Autoren haben dafür mit BBox den Prototyp einer Verwaltungsschale (VWS) auf Grundlage von Industrie 4.0 entwickelt. Damit wird das physikalisch-ingenieurtechnische Modell zur Zustandsbewertung der Brücke in den Mittelpunkt gestellt und der gesamte Lebenszyklus einer Brücke kann unabhängig von Datenformaten digital erfasst werden. Da der Aufbau der VWS durch die Granularität optimal strukturiert ist, bietet die Ablage und Einspeisung von Messdaten sowohl die Grundlage eines Live-Monitorings als auch den Grundstein für maschinelles Lernen (ML). Der Datenzugriff via S3-Schnittstelle erleichtert die Entwicklung von eigenen Prognosemodellen mit Informationsmustern (SHIP – Structural Health Information Pattern). Am Beispiel der Heinrichsbrücke Bamberg wird die praktische intelligente Umsetzung des Bauwerksmonitorings inkl. VWS mit Informationsmustern und ML gezeigt.