Filtern
Dokumenttyp
Sprache
- Deutsch (15) (entfernen)
Schlagworte
- Simulation (6)
- Schienenprüfung (4)
- Ultraschallprüfung (4)
- Ultraschall (2)
- Wirbelstrom (2)
- Ball milling (1)
- Composites (1)
- Computed radiography (CR) (1)
- DICONDE (1)
- Digital Detector Array (DDA), (1)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (7)
The composition and nanostructure of a beneficial tribofilm formed during sliding of a hybrid nanocomposite against steel were characterized comprehensively. A similar nanostructure was produced by high energy ball milling of the three identified tribofilm constituents: silica, hematite and graphite. By supplying powders to a pin-on-disc test it has been shown that neither silica, nor hematite, nor a mixture of both provide the low coefficient of friction (COF) observed for the hybrid composite. Only if graphite was blended with the oxides, the low COF was obtained. Thus, a film of finely dispersed stable inorganic wear products containing 15 vol% graphite provides low friction and wear in the considered case.
Dimercaptoazobenzene (DMAB) can be formed from different precursors (e.g., p-Nitrothiophenol and p-Aminothiophenol, see also examples in Figure) by a reaction that can be influenced by localized surface plasmons.[1] Many reaction parameters were shown to influence the pathway of DMAB formation.
The mechanism of DMAB formation is studied by surface enhanced Raman scattering (SERS). It is very interesting to delineate effects due to properties of the reacting molecular species and those related to the plasmonic properties of the nanostructures. Currently, we achieve this e.g., by the comparison of the usage of nanoparticle solutions and immobilized nanoparticles.[2] We perform this work, since we aim at modifying and controlling the reaction conditions precisely in microscopic volumes, exploiting the multifunctional properties of different plasmonic nanoparticles [3]. In our poster, we will show and discuss SERS data obtained in experiments at varying reaction and excitation conditions.
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.
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.
Die Voraussetzungen für die Vorhersage der Sichtbarkeit von Bildgüteprüfkörpern (BPK) wurden seit Beginn der kommerziellen Anwendung der technischen Radiographie diskutiert und in diversen nationalen und internationalen Standards festgeschrieben. Diese Fragen werden nach Einführung der digitalen Radiographie und der CT wieder neu diskutiert. Draht BPKs wurden in Deutschland seit 1935 (DIN 1915: 1935) und später in den meisten europäischen Ländern benutzt. In den USA und Frankreich wurden vorzugsweise BPKs mit Löchern verwendet (ASTM E 1025 seit 1984 oder E 1742 seit 1992 bzw. die Vorgängernorm MIL STD-543 seit 1962). Jetzt werden auch die Umrechnungsnormen zur Erkennbarkeit von Draht zu Loch-BPKs in Frage gestellt. ISO 19232-3, der französische RCCM-Kode einerseits und ASTM E 747 und ASME BPVC Section V Tab. T-276 andererseits unterscheiden sich erheblich bei den Anforderungen im Bereich hoher Wandstärken (Hochenergieradiographie). Untersuchungen dazu werden vorgestellt. Mit Einführung der digitalen Detektoren ändern sich auch die Rauschspektren. Durch die Herstellung werden insbesondere bei Speicherfolien "Rauschmuster" eingeprägt, die bei hohen Belichtungsdosen sichtbar werden. Diese veränderten Rauschspektren ergeben auch veränderte Erkennungsparameter für menschliche Bildauswerter. Hierzu wurden an ausgewählten Detektoren MTFs (presampled) und normierte Rauschspektren gemessen. Erweiterte Erkennbarkeits-Formeln zur Vorhersage der Sichtbarkeit von BPKs für Bildauswerter und erste Ergebnisse werden vorgestellt.
Bei der simulationsunterstützten Planung kritischer Ultraschallprüfaufgaben ist die detaillierte Kenntnis der Parameter der eingesetzten Prüfköpfe von entscheidender Bedeutung. Durch die, in den Regelwerken (DIN EN ISO 22232-2) zugelassenen Toleranzen bei der Herstellung der Prüfköpfe sind einige Prüfkopfparameter nur ungefähr bekannt. Durch die Alterung von Prüfköpfen und Verschleiß können auch Parameter variieren, die nicht vollständig durch die erforderliche Justierung ausgeglichen werden können. Daher sind zusätzlichen Vorversuche oft unvermeidlich. In dieser Arbeit wurden nach einer statistischen Versuchsplanung (DoE) Untersuchungen zur relativen Echo-Empfindlichkeit von konventionellen Prüfköpfen durchgeführt. Die Auswertung wurde für prüfkopfbezogene und personenbezogene Stichproben durchgeführt. Es wird gezeigt, wie weit die Daten um den Zentralwert herum verteilt sind bzw. wie sehr sich das Testobjekt im untersuchten Merkmal unterscheidet. Gerade in Hinblick auf die Beurteilung der intrinsischen Fähigkeit von Prüfverfahren und der Human Factors wird das POD-Analysekonzept zur quantitativen Bewertung der Zuverlässigkeit weiterentwickelt. Die HF-Quantifizierung bezieht sich auf verschiedene Faktoren und Methoden, die in der Veröffentlichung von M. Bertovic et al. [1] ausführlich beschrieben wurden. Die Schritte, die für das Bewertungsverfahren zur POD-Analyse erforderlich sind, werden in der Veröffentlichung von D. Kanzler et al. [2] detailliert dargestellt. Die grundlegenden Anforderungen an die Testkörpersätze für die POD-Analyse wurden in der Publikation von A. Jüngert et al. [3] zusammengefasst. Diesbezüglich wurden mit Hilfe von Simulationsrechnungen die möglichen Abweichungen an Beispielen der im Projekt norm- POD ausgewählten Prüfanordnungen dargestellt. Die Ergebnisse wurden Messungen an Testkörpern gegenübergestellt.
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.
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 und Bewertung bei der Auswertung von Schienenprüfungen mittels Ultraschall- und Wirbelstromprüfverfahren zu verbessern. Die Bandbreite möglicher Defekte und die Menge an Einflussgrößen auf die Schienenprüfung ist sehr groß, aber die Prüfdaten aus dem Feld bilden diese Bandbreite nicht balanciert ab und sind unzureichend gelabelt. Durch Simulationen werden große Mengen detailliert gelabelter Daten für relevante Schienenschädigungen und Artefakte bereitgestellt. Aus diesen Daten werden wiederum virtuellen Prüffahrten erstellt, die für das Training und die Validierung der KI genutzt werden können.
In unserem Poster stellen wir die Simulation dieser Ultraschall- und Wirbelstromprüfdaten vor. Dabei gehen wir im Detail auf die Themen CAD-Modellierung, Modellparameter, Simulationssoftware und Signalverarbeitung ein. Wir stellen ausgewählt die Simulation von Head Checks für Wirbelstromprüfverfahren und Bohrungsanrissen für Ultraschallprüfverfahren dar, da das Erkennen dieser Schädigungstypen bei der Schienenprüfung hohe Priorität innehat.
Für die Verifikation der Simulationsergebnisse verweisen wir auf den ebenfalls eingereichten Vortrag „Verifikation von Ultraschall- und Wirbelstromsimulationen bei der Schienenprüfung“.
Das Projekt AIFRI wird im Rahmen der Innovationsinitiative mFUND unter dem Förderkennzeichen 19FS2014 durch das Bundesministerium für Digitales und Verkehr gefördert.
Bei der zerstörungsfreien Prüfung verlegter Eisenbahnschienen werden die Rohdaten derzeit in proprietären Datenformaten gespeichert und auf Datenträgern zwischen den Prüfzügen und den auswertenden Stellen versendet. Die proprietären Datenformate sind in der Regel nur den Herstellern der Prüfsysteme bekannt und deren Dokumentation nicht allgemein zugänglich.
Die „Standard Practice for Digital Imaging and Communication in Nondestructive Evaluation“ (DICONDE), basierend auf dem medizinischen Standard „Digital Imaging and Communication in Medicine“ (DICOM), ermöglicht es, sowohl Prüfdaten als auch Prüfergebnisse und Streckeninformationen in einem standardisierten Format zu speichern und zwischen verschiedenen Endpunkten zu übertragen.
Das Poster gibt zunächst einen kurzen Überblick über die hierarchische Struktur von DICONDE und zeigt dann, wie DICONDE bei der Prüfung verlegter Eisenbahnschienen verwendet werden kann. Die geometrischen Besonderheiten (mehrere Kilometer Länge pro Prüffahrt, kurviger Streckenverlauf) stellen dabei eine besondere Herausforderung dar. Im Rahmen des mFUND-geförderten Projektes „Arteficial Intelligence for Railway Inspection (AIFRI)“, Förderkennzeichen 19FS2014C, wurde ein Vorschlag für eine Erweiterung des DICONDE-Standards für die Schienenprüfung erarbeitet und bei der ASTM eingereicht.
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. Die Bandbreite möglicher Defekte und die Menge an Einflussgrößen auf die Schienenprüfung ist sehr groß, aber die Prüfdaten aus dem Feld bilden diese Bandbreite nicht balanciert ab und sind unzureichend gelabelt. Durch Simulationen werden große Mengen detailliert gelabelter Daten für relevante Schienenschädigungen und Artefakte bereitgestellt. Aus diesen Daten werden wiederum virtuellen Prüffahrten erstellt, die für das Training und die Validierung der KI genutzt werden können.
In unserem Vortrag stellen wir den Erstellungsprozess der Datensätze vor. Jeder Schritt von der Geometriedarstellung bis zur Datenverarbeitung wird erfasst. Der Fokus wird auf Simulationsergebnisse und deren Verarbeitung gelegt. Die Signalverarbeitung spielt in den Datensätzen eine große Rolle, dabei werden die Datensätze an die realen Daten angepasst. Für Wirbelstrom und Ultraschall werden diese Prozesse im Hinblick auf die Fehlertypen Head Checks und Bohrungsanrisse veranschaulicht. Ferner diskutieren wir die Simulation von Schweißnähten, die von beiden Prüfsystem detektiert werden können; und somit besondere Abstimmung bedürfen aber auch Synergieeffekte zwischen den Prüfsystem ermöglichen.
Für die Ablage der Datensätze verweisen wir auf das ebenfalls eingereichte Poster „Verwendung von DICONDE bei der Eisenbahn-Schienenprüfung“.
Das Projekt AIFRI wird im Rahmen der Innovationsinitiative mFUND unter dem Förderkennzeichen 19FS2014 durch das Bundesministerium für Digitales und Verkehr gefördert.