Filtern
Dokumenttyp
- Vortrag (27) (entfernen)
Sprache
- Englisch (18)
- Deutsch (8)
- Mehrsprachig (1)
Referierte Publikation
- nein (27) (entfernen)
Schlagworte
- Machine Learning (27) (entfernen)
Organisationseinheit der BAM
- 8 Zerstörungsfreie Prüfung (15)
- 8.0 Abteilungsleitung und andere (8)
- 5 Werkstofftechnik (7)
- 8.5 Röntgenbildgebung (7)
- 5.1 Mikrostruktur Design und Degradation (5)
- 6 Materialchemie (5)
- 6.0 Abteilungsleitung und andere (3)
- 5.5 Materialmodellierung (2)
- 6.3 Strukturanalytik (2)
- 8.4 Akustische und elektromagnetische Verfahren (2)
Wir laden zum Trainingsworkshop Datenanalyse ein. Angetrieben durch die Digitalisierung und die sogenannte Industrie 4.0 steigt die Erwartungshaltung gegenüber der Nutzung von Daten. 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 Daten und Analyseverfahren gegenüber.
Der Workshop vermittelt ein konzeptionelles Verständnis für moderne Datenanalyseverfahren (Machine Learning (ML), Multivariate Statistik) und soll durch ein anschließendes Hands-On Training mit Python (https://www.python.org) einen einfachen Einstieg in die Thematik ermöglichen. Der Kurs richtet sich an den wissenschaftlichen Nachwuchs.
To see and not to see - Möglichkeiten und Grenzen der Schadensanalyse mit CT an Kompositmaterialien
(2020)
Anhand von drei Beispielen (Datenfusion an CFK; Machine Learning an Metall-Matrix-Kompositen sowie Refraktion an CFK) wird gezeigt, wie die BAM mit neuen Analysemethoden mehr Informationen aus CT-Datensätzen extrahieren kann, sowie mit der Refraktion eine Analysemethode besitzt, die in Fällen eingesetzt werden kann, bei denen klassische Durchstrahlungsmethoden kein Ergebnis liefern.
We have arrived in the data age. But why is it so difficult for the NDT community to achieve real breakthroughs with data-driven science? In this seminar, we will take a brief look at the evolution of mainstream data science to understand why the most exciting times are perhaps just ahead. We will give an overview of our activities in the junior research group 8.K which are aimed at enabling the next generation of data science methods in NDT. The seminar addresses the two main work fields of our group: semantic data management and the handling of limited data resources.
The first field addresses the problem that a uniform representation of our data is not yet available. However, knowledge creation in data science - whose main contribution lies in the analysis of distributed resources - requires common data access based on a collective understanding. To achieve this, we present an ontology-based approach. Ontologies are already the core of many intelligent systems such as building information models or research databases. We summarize some of the basic principles of this technology and describe our approach to create an NDT ontology.
The second field ties in with the first and addresses the application of data-based methods in engineering practice. Especially in the field of non-destructive testing many successful applications have been published. In most cases, however, the creation of referenced data is extremely expensive and therefore much sparser than in other research areas. As a result, the available data may cover only one scenario, so that common benchmarks often do not reflect the actual performance of the model in practical applications. Estimates that quantify the transferability from one scenario to another are not only necessary to overcome this challenge - they also prove to be a powerful tool for the strategic expansion of what we consider knowledge.
Die Verwendung von Methoden des Maschinellen Lernens (ML) und der Künstlichen Intelligenz (KI) im Fachbereich 8.6 Faseroptische Sensorik wird dargestellt. Die vielfältigen Möglichkeiten, Machine Learning auf Basis Künstlicher Neuronaler Netze (ANN) für eine schnelle und effiziente Datenverarbeitung eizusetzen werden demonstriert. Hierfür werden Beispiele für die Anwendungszwecke Messgrößenberechnung, Entrauschen, Interpolation, Bildverarbeitung und Messdatenauswertung aufgezeigt.
Das maschinelle Lernen (ML) wurde erfolgreich zur Lösung vieler Aufgaben in der zerstörungsfreien Prüfung im Bauwesen (ZfPBau) eingesetzt. Allerdings ist die Erstellung von Referenzdaten in den meisten Fällen extrem teuer und daher viel knapper als in anderen Forschungsbereichen. Auch decken die verfügbaren Daten mitunter nur ein einziges Szenario ab, so dass die Leistungsindikatoren oft nicht die tatsächliche Leistung des ML-Modells in der praktischen Anwendung widerspiegeln. Schätzungen, die die Übertragbarkeit von einem Szenario auf ein anderes quantifizieren, sind erforderlich, um dieser Herausforderung gerecht zu werden und den Weg für Anwendungen in der Praxis zu ebnen.
In diesem Beitrag stellen wir Werkzeuge zur Beschreibung der Unsicherheit von ML in neuen ZfPBau-Szenarien vor. Zu diesem Zweck haben wir einen bestehenden Trainingsdatensatz zur Klassifizierung von Korrosionsschäden der Bewehrung in Beton um eine neue Fallstudie erweitert. Die Messungen wurden an großflächigen Betonproben mit eingebauter chloridinduzierter Korrosion des Bewehrungsstahls durchgeführt. Das Experiment simulierte den gesamten Lebenszyklus von chloridinduzierten Sichtbetonbauteilen im Labor. Unser Datensatz umfasst Potenzialfeld- und Radarmessungen. Die einzigartige Fähigkeit, die Schädigung zu überwachen und eine gezielte Korrosion einzuleiten, ermöglichte es, die Daten zu labeln - was für die Konstruktion von ML-Modellen entscheidend ist. Um die Übertragbarkeit zu untersuchen, erweitern wir unser Modell um Metadaten - wie etwa Konstruktionsmerkmale des Prüfkörpers und Umweltbedingungen. Dies erlaubt es, die Veränderung dieser Merkmale in neuen Szenarien mit statistischen Methoden als Unsicherheiten auszudrücken. Wir vergleichen verschiedene auf Stichproben und statistischer Verteilung basierende Ansätze und zeigen, wie diese Methoden eingesetzt werden können, um Wissenslücken von ML-Modellen in der ZfP zu schließen
Understanding on how a machine learning model interprets data is a crucial step to verify its reliability and avoid overfitting. While the focus of the scientific community is nowadays orientated towards deep learning approaches, which are considered as black box approaches, this work presents a toolbox that is based on complementary methods of feature extraction and selection, where the classification decisions of the model are transparent and can be physically interpreted. On the example of guided wave benchmark data from the open guided waves platform, where delamination defects were simulated at multiple positions on a carbon fiber reinforced plastic plate under varying temperature conditions, the authors could identify suitable frequencies for further investigations and experiments. Furthermore, the authors presented a realistic validation scenario which ensures that the machine learning model learns global damage characteristics rather than position specific characteristics.
Irrespective of the experimental care used to acquire Computed Tomography Data, certain artifacts might still exist such as: Noise, Blurring, Ring Artifacts etc. To tackle this problem, a complete multi-level framework employing AI (Deep Artificial Neural Nets), targeting specific artifacts individually, is presented. The goal is to render the data suitable for subsequent unproblematic segmentation without any loss of information, compared to manual conditioning with traditional filters.
The strategy can therefore be used to acquire faster CT data (e.g. in-situ investigations) and ensure legacy with existing data obtained, perhaps, on older instruments.
Die Analyse von Bruchflächen wird in der Schadensanalyse meist auf der Basis von Erfahrungswissen vorgenommen, welches aus vorliegenden Untersuchungen, eigenen Vergleichsversuchen und aus der Literatur stammt. Durch Vergleiche mit bereits vorliegenden Bildern werden qualitativ Bruchmechanismen ermittelt. Grundlage sind zumeist zweidimensionale Bilder aus licht- und elektronenoptischen Verfahren. Quantitative Aussagen beziehen sich bislang beispielsweise auf makroskopische Anteile von Bruchmechanismen oder die Ausmessung von Schwingstreifen. In jüngerer Zeit gibt es vermehrt Ansätze, Computer-Algorithmen einzusetzen, die in der Lage sind, unterschiedlich strukturierte Bruchmerkmale zu finden und zu klassifizieren. Im hier vorgestellten IGF-Vorhaben „iFrakto“, IGF Vorhaben Nr.: 21477 N, werden licht- und elektronen-optisch Topographie-Bilder erzeugt und die gewonnenen 3D-Informationen zusammen mit den klassischen 2D-Bildern ausgewertet. Analytische Algorithmen und Machine Learning werden eingesetzt, um Bruchmerkmale zu analysieren, zu bewerten und mit Informationen aus einer fraktographischen Datenbank zu verknüpfen. Ziel ist die Bereitstellung von Software zur Unterstützung der Fraktographie in der Schadensanalyse. In diesem Beitrag werden erste Ergebnisse des Vorhabens vorgestellt.
Additiv gefertigte (AM) dreifach periodische metallische minimale Oberflächenstrukturen (TPMSS, aus dem Englischen Triply Periodic Minimum Surface Structures) erfüllen mehrere Anforderungen sowohl im biomedizinischen als auch im technischen Bereich: Abstimmbare mechanische Eigenschaften, geringe Empfindlichkeit gegenüber Herstellungsfehlern, mechanische Stabilität und hohe Energieabsorption. Allerdings stellen sie auch einige Herausforderungen in Bezug auf die Qualitätskontrolle dar, die ihre erfolgreiche Anwendung verhindern können. Tatsächlich ist die Optimierung des AM-Prozesses ohne die Berücksichtigung struktureller Merkmale wie Fertigungsgenauigkeit, interne Defekte sowie Oberflächentopographie und -rauheit unmöglich. In dieser Studie wurde die quantitative zerstörungsfreie Analyse von Ti-6Al-4V-Legierung TPMSS mit Hilfe der Röntgen-Computertomographie (XCT) durchgeführt. Es werden mehrere neue Bildanalyse-Workflows vorgestellt, um die Auswirkungen der Aufbaurichtung auf die Wanddickenverteilung, die Wanddegradation und die Verringerung der Oberflächenrauheit aufgrund des chemischen Ätzens von TPMSS zu bewerten. Es wird gezeigt, dass die Herstellungsgenauigkeit für die Strukturelemente, die parallel und orthogonal zu den hergestellten Schichten gedruckt werden, unterschiedlich ist. Verschiedene Strategien für das chemische Ätzen zeigten unterschiedliche Pulverabtragsfähigkeiten und damit ein Gradient der Wanddicke. Dies wirkte sich auf die mechanische Leistung unter Druck durch die Verringerung der Streckspannung aus. Eine positive Auswirkung des chemischen Ätzens ist die Verringerung der Oberflächenrauhigkeit, die möglicherweise die Ermüdungseigenschaften der Bauteile verbessern kann. Schließlich wurde XCT eingesetzt, um die Menge des zurückgehaltenen Pulvers mit der Porengröße des TPMSS zu korrelieren, wodurch der Herstellungsprozess weiter verbessert werden kann.
In this talk an overview about artificial intelligence/machine learning applications @BAMline is given. In the first part, the use of neural networks for the quantification of XRF measurements and the decoding of coded-aperture measurements are shown. Then it is shown how Gaussian processes and Bayesian statistics can be used to achieve an optimal alignment of the set-up and in general for optimization of measurements.