Filtern
Erscheinungsjahr
- 2018 (2) (entfernen)
Dokumenttyp
Referierte Publikation
- nein (2)
Schlagworte
- Beton (1)
- Data based decision making (1)
- Data fusion (1)
- Datenfusion (1)
- Half-cell potential mapping (1)
- Korrosion (1)
- Maschinelles Lernen (1)
- Non-destuctive corrosion testing of concrete (1)
- Supervised machine learning (1)
- ZfP (1)
Organisationseinheit der BAM
- 8 Zerstörungsfreie Prüfung (2) (entfernen)
Half-Cell-Potential Mapping (HP) is the most popular non-destructive testing (NDT) method for the detection of active corrosion in reinforced concrete. HP is influenced by parameters such as moisture and chloride gradients in the component. The sensitivity to the spatially small, but dangerous pitting is low. In this study we show how additional measurement information can be used with multi-sensor data fusion to improve the detection performance and to automate data evaluation. The fusion is based on supervised machine learning (SML). SML are methods that recognize relationships in (sensor) data based on given labels. We use SML to distinguish "defective" and "intact" labeled areas in our dataset. It consists of 18 measurement - each contains HP, ground radar, microwave moisture and Wenner resistance data. Exact labels for changing environmental conditions were available in a laboratory study on a reinforced concrete slab, which deteriorated controlled and accelerated. The deterioration progress was monitored continuously and corrosion was generated targeted at a predefined location. The detection results are quantified and statistically evaluated. The SML results shows a significant improvement over the best single method (HP).
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.