Filtern
Erscheinungsjahr
Dokumenttyp
- Beitrag zu einem Tagungsband (6)
- Zeitschriftenartikel (5)
- Vortrag (3)
- Posterpräsentation (3)
- Buchkapitel (1)
- Beitrag zu einem Sammelband (1)
Schlagworte
- Materialcharakterisierung (19) (entfernen)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (3)
In dieser Präsentation werden die letzten Entwicklungen in der Plattform MaterialDigital (PMD) im DIN Normenausschuss 062-01-42 AA zur Zug- und Duktilitätsprüfung für Metalle vorgestellt. Dabei werden hauptsächlich die Entwicklungen und Neustrukturierung der PMD Core Ontology (PMDco) sowie die entsprechende Anpassung der Zugversuchsontologie (Tensile Test Ontology - TTO) inklusive des Datenmappings adressiert. Für das Datenmapping wurde ein speziell im Zusammenhang mit der PMD erstellter Zugversuchsdatensatz verwendet, welcher frei verfügbar in einem online Zenodo Repository veröffentlicht ist. Weiterhin wird die Weiterentwicklung der Norm in Verbindung mit ihrer folgenden Revision hinsichtlich der Integration von Aspekten zur Digitalisierung in der Materialwissenschaft und Werkstofftechnik sowie der Verwendung von semantischen Technologien, wie unter anderem ontologischen Repräsentationen von Materialien und Prozessen, diskutiert.
Vorstellung der Themen der Nachwuchsgruppe "Materialcharakterisierung und -informatik für die Nachhaltigkeit im Bauwesen" von Prof. Sabine Kruschwitz (TU Berlin und BAM)
Um aus messtechnisch ermittelten Dispersionsabbildungen geführter Ultraschallwellen 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 Vortrag wird anhand synthetischer Daten gezeigt, wie das Ausbreitungsverhalten von geführten Ultraschallwellen unter Verwendung von CNNs genutzt werden kann, um die isotropen elastischen Konstanten einer plattenförmigen Struktur zu bestimmen.
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.
This presentation shows how the dispersive behavior of ultrasonic guided waves in isotropic materials can be used by means of Convolutional Neural Networks to determine the elastic parameters. For this purpose, the preprocessing, the training, the chosen architecture and the results are evaluated on the basis synthetic image data. This presentation was given at the SMSI 2021.
In the context of Industry 4.0 and especially in the field of Structural Health Monitoring, Condition Monitoring and Digital Twins, simulations are becoming more and more important. The exact determination of material parameters is required for realistic results of numerical simulations of the static and dynamic behavior of technical structures. There are many possibilities to determine
elastic material parameters. One possibility of non-destructive testing are ultrasonic guided waves. For the evaluation of the measurement results, mostly inverse methods are applied in order to be able to draw conclusions about the elastic material parameters from analysing the ultrasonic guided wave propagation. For the inverse determination of the elastic material Parameters with ultrasonic guided waves, several investigations were carried out, e.g. the determination of the isotropic material parameters through the point of zero-groupvelocity or anisotropic material parameters with a simplex algorithm. These investigations are based on the evaluation of dispersion images. Machine learning and in particular Convolutional Neural Networks (CNN) are one possibility of the automated evaluation from Image data, e.g. classification or object recognition problems. This article shows how the dispersive behavior of ultrasonic guided waves and CNNs can be used to determine the isotropic elastic constants of plate-like structures.
Damit eine Simulationsrechnung, beispielsweise mit einer FEM-Software, eine ausreichend hohe Genauigkeit erreicht, muss vorausgesetzt werden, dass die Modellparameter eine sehr hohe Güte aufweisen. Die genaue Kenntnis der Materialparameter ist dabei von besonderer Bedeutung. Um diese Parameter bestimmen zu können, müssen die verwendeten Werkstoffe messtechnisch charakterisiert werden. Neben anderen Ansätzen sind dafür akustische Verfahren im Ultraschallbereich geeignet. Für dünnwandige und plattenförmige Materialien können aus den sich ausbreitenden geführten Wellen messtechnisch Dispersionskurven bestimmt und aus diesen die Materialparameter abgeleitet werden.
Da für die Signalverarbeitung und für Optimierungsaufgaben aktuell zunehmend Machine Learning Tools zum Einsatz kommen, stellt sich die Frage, ob diese Werkzeuge auch für die Ermittlung der Materialparameter aus den gemessenen Dispersionskurven eingesetzt werden können.
In der vorgestellten Untersuchung soll ein Convolutional Neural Network aufgestellt werden, welches aus Dispersionsbildern Muster extrahiert und aus diesen eine Schätzung für die Materialparameter ermittelt. Um die Machbarkeit dieses Ansatzes zu prüfen, werden zunächst nur isotrope Materialien betrachtet. Für das Netz werden mit der Scaled-Boundary-Finite-Element-Methode synthetische Daten für das Trainieren und Validieren generiert. Zusätzlich werden die Hyperparameter des neuronalen Netzes variiert, um ein optimales Model für die Schätzung zu finden. Anschließend kann das Netz mit experimentellen Daten getestet und das Ergebnis hinsichtlich der Genauigkeit bewertet werden.
Basierend auf aktuellen Regelwerken (SEP1927 und ASTM E588) stehen Möglichkeiten zur nichtinvasiven Beurteilung des zu untersuchenden Werkstoffes, in verschiedenen Qualitätsstufen bis zu einer Vergleichsfehlergröße von bis zu 300 Mikrometer zur Verfügung. Allerdings ist der realistische Nachweis und die Beurteilung von künstlichen sowie von natürlichen Fehlern kleiner 500 Mikrometer nur unter optimalen Voraussetzungen (bspw. Wahl des Prüfkopfes, Geometrie des Prüfobjektes, orts- bzw. zeitliche Auflösung der Messdatenaufnahme) und unter Einsatz von geeigneten Signalverarbeitungsalgorithmen möglich. Im Rahmen von Ringversuchen wurden daher verschiedene Methoden zur Aufbereitung der zu erfassenden Messdaten entwickelt und an verschiedenen Bauteilgeometrieen und Werkstoffen getestet. Dabei stellten sich der spektrale Tiefenausgleich (SDAC) und die nichtlineare Bewertung einzelner Frequenzkomponenten des Nutzsignals als sehr vielversprechend heraus und die Nachweisbarkeit kleiner Fehler - im Bereich von 100 - 500 μm - konnte erfolgreich gesteigert werden.
Basierend auf aktuellen Regelwerken (SEP1927 und ASTM E588) stehen Möglichkeiten zur nichtinvasiven Beurteilung des zu untersuchenden Werkstoffes, in verschiedenen Qualitätsstufen bis zu einer Vergleichsfehlergröße von bis zu 300 Mikrometer zur Verfügung. Allerdings ist der realistische Nachweis und die Beurteilung von künstlichen sowie von natürlichen Fehlern kleiner 500 Mikrometer nur unter optimalen Voraussetzungen (bspw. Wahl des Prüfkopfes, Geometrie des Prüfobjektes, orts- bzw. zeitliche Auflösung der Messdatenaufnahme) und unter Einsatz von geeigneten Signalverarbeitungsalgorithmen möglich. Im Rahmen von Ringversuchen wurden daher verschiedene Methoden zur Aufbereitung der zu erfassenden Messdaten entwickelt und an verschiedenen Bauteilgeometrieen und Werkstoffen getestet. Dabei stellten sich der spektrale Tiefenausgleich (SDAC) und die nichtlineare Bewertung einzelner Frequenzkomponenten des Nutzsignals als sehr vielversprechend heraus und die Nachweisbarkeit kleiner Fehler - im Bereich von 100 - 500 μm - konnte erfolgreich gesteigert werden.
Regelwerke zur zerstörungsfreien Bestimmung des Reinheitsgrades wie das SEP 1927 und die ASTM E588 erreichen ihre Vergleichbarkeit unter Anwendung von - vergleichsweise einfachen - Referenzfehlern. Hinsichtlich Realisierbarkeit wird somit der Kompromiss zwischen Herstellung des Referenzfehlers und der erreichbaren Nachweisgrenze gefunden.
Zur Weiterentwicklung über die Grenzen der SEP1927 hinaus, wurde der Versuch unternommen Fehler kleiner 500 μm herzustellen - welche aufgrund der geringen geometrischen Ausdehnung fertigungsbedingt schwierig zu realisieren sind. Bei den vergleichenden Untersuchungen kristallisierten sich zwei Fertigungsverfahren, Funkenerosion (EDM: electrical discharge maching) und die Fertigung der Bohrungen unter Verwendung eines Hochleistungslasers, als vielversprechend heraus. Zunächst wurden die Fehler mit beiden Verfahren in unterschiedlichen Größen (100, 250 und 100 μm) und Tiefen (1, 1,5 und 2 mm) unter Anwendung von computertomographischen Verfahren der Röntgenprüfung, die Geometrie der eingebrachten Fehlstellen und anschließend durch hochauflösende Tauchtechnikmessungen das Reflektionsverhalten charakterisiert.