Filtern
Dokumenttyp
- Vortrag (6) (entfernen)
Sprache
- Deutsch (6)
Referierte Publikation
- nein (6)
Schlagworte
- Schienenprüfung (3)
- Simulation (3)
- Ultraschallprüfung (3)
- Fraktale Dimension (1)
- MIP (1)
- Sandstein (1)
- Sandsteine (1)
- Spektral Induzierte Polarisation (1)
- Spektral induzierte Polarisation (1)
- Trocknung (1)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (6)
Bei der Trocknung von Gesteinen vermindert sich der Anteil des Wasservolumens im Porenraum, der als Sättigung bezeichnet wird. Mit abnehmender Sättigung sinkt die elektrische Leitfähigkeit des Gesteins. Die Abhängigkeit der elektrischen Leitfähigkeit von der Sättigung wird durch ein Potenzgesetz entsprechend der 2. Archie-Gleichung beschrieben: log(#CHR:sigma_LOWER#)=n log(S<sub>w</sub>), wobei n der Sättigungsexponent ist. Bei der Trocknung von Gesteinen muss beachtet werden, dass die Wasserleitfähigkeit mit abnehmender Sättigung zunimmt, da die Konzentration der im Wasser gelösten Salze ansteigt. Das hat zur Folge, dass die bei Trocknungsexperimenten bestimmten Sättigungsexponenten deutlich kleiner sind als bei Verdrängungsexperimenten (z.B. Wasser durch Öl) mit gleichbleibender Wasserleitfähigkeit. Bei der Spektral(en) Induzierten Polarisation wird die komplexe elektrische Leitfähigkeit des Gesteins als Funktion der Frequenz betrachtet. Für den Real- und Imaginärteil der elektrischen Leitfähigkeit werden unterschiedliche Sättigungsexponenten bestimmt.
Wir haben an zwei Sandsteinproben (Langenauer und Gravenhorster Sandstein) und einem Baumberger Kalksandstein Trocknungsexperimente durchgeführt. Die Sättigung wurde schrittweise von 100 % bis auf 10 % reduziert. In jeder Sättigungsstufe wurden an den Proben die Spektren der komplexen elektrischen Leitfähigkeit aufgezeichnet. Unsere Experimente zeigen, dass die Sättigungsexponenten für den Imaginärteil der komplexen elektrischen Leitfähigkeit mit 1,23 bis 1,59 deutlich größer sind als die des Realteils mit Werten zwischen 0,41 und 0,90. Dieser Unterschied resultiert aus der Tatsache, dass der Imaginärteil der Leitfähigkeit weniger stark mit zunehmender Wasserleitfähigkeit ansteigt als der Realteil. Für den Realteil der elektrischen Leitfähigkeit wird nach der 1. Archie-Gleichung ein linearer Zusammenhang zwischen Wasserleitfähigkeit und Gesteinsleitfähigkeit erwartet. Der Anstieg des Imaginärteils mit der Wasserleitfähigkeit kann mit einem Potenzgesetz mit einem Exponenten zwischen 0.1 und 0.62 beschrieben werden. Unsere Experimente zeigen, dass der Imaginärteil der elektrischen Leitfähigkeit wesentlich deutlicher auf die Austrocknung von Gesteinen reagiert und damit ein wirksamer Indikator zur Überwachung von Sättigungsänderungen sein kann.
In der Vergangenheit wurde immer wieder diskutiert, ob die Porenhalsverteilung poröser silikatischer Medien maßgeblich die Relaxationszeit in Messergebnissen der Spektralen Induzierten Polarisation (SIP) bestimmt und dementsprechend auch neuere Ansätze, Porenweitenverteilungen aus diesen Daten abzuleiten, zuverlässig sein können. Systematische Studien an Gesteinen mit sehr unterschiedlichen Porenverteilungen zeigten, dass in Materialien mit engen Porenhälsen (z.B. < 5 μm) vor allem oder zusätzlich zum vermuteten Porenhalspeak niederfrequente Relaxationen zu beobachten sind, deren Ursache noch unklar ist.
Unter Einbeziehung der Methoden Röntgen-Computertomografie (μ-CT), Quecksilberporosimetrie (MIP), Stickstoffabsortion, Nukleare Magnetische Resonanz, SIP und Auflichtmikroskopie untersuchen wir den Porenraum hinsichtlich der Parameter Porosität, Permeabilität und innere Oberfläche und bestimmen die geometrischen Eigenschaften wie Porenweitenverteilungen oder fraktale Dimension durch verschiedene Algorithmen. Dabei ist zu berücksichtigen, dass sich die Methoden hinsichtlich der Grenzen ihres Auflösungsvermögens unterscheiden. Mit einer Zusammenführung der Ergebnisse aller Methoden kann eine mehrere Längenskalen überdeckende Charakterisierung der Porenraumgeometrie erfolgen.
Die Anwendung und Auswertung der verschiedenen Methoden werden am Beispiel von Baumberger Kalksandstein und Bentheimer Sandstein verglichen und diskutiert.
Im Rahmen des Forschungsvorhabens AIFRI „Arteficial Intelligence for Rail Inspection“ wird der Prozess der mechanisierten Schienenprüfung in einem digitalen Zwilling abgebildet, um in einem zweiten Schritt mit KI-Algorithmen eine automatisierte Defekterkennung und -klassifizierung trainieren zu können. Hierzu werden relevante Schienenschädigungen und in der Schiene vorhandene Artefakte analysiert und in skalierbare Modelle übertragen.
Die Norm DIN EN 16729-1 „Bahnanwendungen - Infrastruktur - Zerstörungsfreie Prüfung an Schienen im Gleis - Teil 1: Anforderungen an Ultraschallprüfungen und Bewertungsgrundlagen“ gilt für die Prüfausrüstung von Schienenprüffahrzeugen und handgeführten Rollgeräten und legt die Anforderungen an die Prüfgrundsätze und -systeme bei der Prüfung verlegter Eisenbahnschienen fest, um vergleichbare Ergebnisse in Bezug auf Lage, Art und Größe der Unregelmäßigkeiten in den Schienen zu erhalten.
Um die Performance von Prüfsystemen in der Simulation zu evaluieren, wurden die in den Anhängen der DIN EN 16729-1 angegebenen Bezugsreflektoren als künstliche Reflektoren (nach Anhang A) und simulierte Reflektoren (nach Anhang B) in einem digitalen Zwilling mit einem Schienenprofil 54E4 nach DIN EN 13674-1 sowie mit vereinfachter Geometrie als virtuelle Testschienen abgebildet.
Die Simulationen wurden mit den in den Tabellen 3 und 4 nach DIN EN 16729-1 definierten Prüfkopfwinkeln durchgeführt. Die Rechnungen wurden im Labormaßstab an Testkörpern verifiziert und die Signal-Rausch-Abstände für Untersuchungen im Feld ermittelt.
Ergebnisse der Untersuchungen und Möglichkeiten der Anwendung werden vorgestellt.
Das Forschungsvorhaben wird durch das Bundesministerium für Verkehr und digitale Infrastruktur (BMVI) im Rahmen von mFund unter dem Förderkennzeichen 19FS2014 gefördert.
Im Rahmen des Forschungsprojekts "Artificial Intelligence for Rail Inspection" (AIFRI) wird ein KI-Algorithmus entwickelt, um die Fehlererkennung und Bewertung bei der Auswertung von Schienenprüfungen mittels Ultraschall- und Wirbelstromprüfverfahren zu verbessern. Je nach Prüfverfahren werden relevante Schienenschädigungen (z. B. Head Checks) und Artefakte (z. B. Bohrungen) entsprechend analysiert und in einem parametrisierbaren digitalen Zwilling abgebildet, um anschließend die KI-Algorithmen trainieren zu können. Mit der Simulation können Prüffahrten virtuell durchgeführt und Schadensbilder für das KI-Training erzeugt werden, die das Verhalten komplexer Systeme reproduzieren, ohne dass das reale System benötigt wird. Die Modellannahmen sind dabei von erheblicher Bedeutung, denn unzureichende Modellannahmen führen leicht zu falschen Simulationsergebnissen. Um die Ergebnisse einer Simulation ordnungsgemäß darstellen zu können, ist das Simulationsmodell selbst zu überprüfen.
Die Vollständigkeit, Richtigkeit und Genauigkeit der Simulationsergebnisse werden anhand von realen Prüfungen verifiziert. Für die Verifikation der Ultraschallsimulation werden hier Stegbohrungen als Referenzreflektoren herangezogen. Als Testkörper stehen Schienensegmente mit unterschiedlichen Profiltypen sowie speziell angefertigte Testkörper mit schienenähnlicher Geometrie zur Verfügung. In den Testkörpern befinden sich künstliche und reale Schädigungen in Kopf-, Steg- und Fußbereich, sowie Bohrungen mit Nuten. Die Validierung der Wirbelstromsimulation erfolgt an Testkörpern, die aus Schienenköpfen gefertigt sind. Dabei werden die Signale für unterschiedliche Nuttiefen und Nutenpaare mit unterschiedlichen Abständen untersucht.
Für die Modellierung der Simulationsergebnisse verweisen wir auf das ebenfalls eingereichte Poster „Simulation von Ultraschall- und Wirbelstromprüfdaten für die Schienenprüfung“.
Das Projekt AIFRI wird im Rahmen der Innovationsinitiative mFUND unter dem Förderkennzeichen 19FS2014 durch das Bundesministerium für Digitales und Verkehr gefördert.
Im Rahmen des Forschungsprojekts "Artificial Intelligence for Rail Inspection" (AIFRI) wird ein KI-Algorithmus entwickelt, um die Fehlererkennung bei der Auswertung von Schienenprüfungen zu verbessern. Der Prozess der mechanisierten Schienenprüfung wird analysiert und die Schienenfehler sowie Artefakte werden in einem digitalen Zwilling abgebildet, um in einem weiteren Schritt die automatische Fehlererkennung und Klassifizierung mit KI-Algorithmen trainieren zu können. Zu diesem Zweck werden Ultraschalldatensätze auf der Grundlage der Regelwerke und Informationen aus der Instandhaltung mit einer Simulationssoftware erstellt, die Anzeigen der verschiedenen Schienenschädigungen und Artefakte enthalten.
Die Schienenfehler werden bei der Auswertung in Fehlerklassen eingeordnet, für das KI-Training priorisiert und auf Basis der von der DB Netz AG ausgewählten Informationen untersucht. Hierfür werden die Schienenfehler nach den für das KI-Training relevanten Merkmalen zerlegt und die Konfiguration der Parameter der Simulation entsprechend abgestimmt.
Für die Grundstruktur des Datensatzes wird ein Schienenmodell mit einer Länge von einem Meter für die Simulation eingesetzt, auf dessen Basis alle bei der Schienenprüfung zu verwendenden Prüfköpfe für den jeweiligen Reflektortyp betrachtet werden. Die simulierten Daten werden auf einer Testschiene im Labormaßstab validiert. Mögliche Einflussparameter wie z. B. der Signal-Rausch-Abstand sowie die Fahrgeschwindigkeit werden in den Datensätzen herangezogen. Die Zusammenstellung eines Testdatensatzes mit lokal veränderlichen Einflussgrößen erfolgt aus den simulierten Daten unter Verwendung der skriptbasierten Programmierumgebung Python und Matlab.
Das Projekt AIFRI wird im Rahmen der Innovationsinitiative mFUND unter dem Förderkennzeichen 19FS2014 durch das Bundesministerium für Digitales und Verkehr gefördert.