Filtern
Dokumenttyp
- Vortrag (6)
- Zeitschriftenartikel (1)
Sprache
- Deutsch (7) (entfernen)
Referierte Publikation
- nein (7)
Schlagworte
- Beton (3)
- Datenfusion (3)
- ZfP (3)
- Datenanalyse (2)
- Korrosion (2)
- Maschinelles Lernen (2)
- Bild Klassifizierung (1)
- Digitalisierung (1)
- Erklärbare KI (1)
- Machine Learning (1)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (6)
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
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.
Explore and Exploit - Strategische Erweiterung der fraktographischen Datenbank mit Machine Learning
(2020)
In diesem Vortrag stellen wir den aktuellen Stand zu einer Masterarbeit zusammen die sich mit dem Thema beschäftigt wie die Generalisierbarkeit von Datenmodellen auf Basis kleiner Datensätze erhöht werden kann. Wir stellen vor, wie die Datenbasis eines fraktogafischen Bildklassifizierers mit einem statistischen Model strategische erweitert, bzw. an eine Anwendung angepasst werden kann.
Im Bereich der Zerstörungsfreien Prüfung (ZfP) im Bauwesen werden eine Vielzahl von Messdaten erfasst. Obwohl Sie als Grundlage für wissenschaftliche Analysen dienen, gibt es noch keine einheitliche Repräsentation der Daten. Eine Analyse verschiedener verteilter Datensätze über unterschiedliche Prüfobjekte hinweg ist daher kaum möglich.
Wir stellen einen Ansatz für ein integriertes Datenmanagement verteilter Datensätze auf Basis von Semantic-Web Technologien vor. Der Ansatz basiert im Kern auf einem mathematischen Modell – der sogenannten Ontologie – welches das Wissen unserer Domäne ZfPBau repräsentiert. Die von uns entwickelte ZfPBau Ontologie wird mit Datenquellen verknüpft und beschreibt so die semantische Bedeutung der Daten. Darüber hinaus fungiert die Ontologie als zentrales Konzept für den Datenbankzugriff. Domänen-fremde Datenquellen können durch die Verknüpfung mit der ZfPBau Ontologie einfach integriert werden und stehen zur generischen Nutzung im Sinne der Digitalisierung direkt zur Verfügung. Basierend auf einer umfangreichen Literaturrecherche, skizzieren wir die Möglichkeiten die sich daraus für die ZfP im Bauwesen ergeben, wie zum Beispiel Messdaten computergestützt zu sortieren, zu analysieren, Zusammenhänge zu erkennen und zu erklären.
Der erwartete Nutzen dieses Ansatzes der Wissensrepräsentation und des Datenzugriffs für die ZfP-Community ist eine Erweiterung des Wissens durch Datenaustausch in der Forschung (Interoperabilität), die wissenschaftliche Verwertung großer existierender Datenquellen mit datenbasierten Verfahren (wie Bilderkennung, Messunsicherheitsberechnungen, Faktoranaylsen, Materialcharackterisierung) und letztlich ein vereinfachter Transfer von ZFP-Daten in Ingenieurmodelle und somit in die Baupraxis.
Ontologien sind bereits Kern vielzähliger intelligenter Systeme wie Building-Information-Modeling oder Forschungsdatenbanken. Der Beitrag gibt einen Überblick über die Werkzeuge die wir derzeit für die Kommunikation mit ihnen schaffen.
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 speziell der Fragen, welche Informationen in multivariaten Datensätzen stecken und wie sie extrahiert werden können. Abschließend wird ein Beispiel für die erfolgreiche Anwendung zur zerstörungsfreien Prüfung von Betonbauteilen vorgestellt. Der systematische Vergleich von Algorithmen, die Charakteristika des Labordatensatzes in unterschiedlicher Weise adressieren erlaubt überraschende Schlussfolgerungen.