Chemie und Prozesstechnik
Filtern
Dokumenttyp
- Vortrag (12)
- Zeitschriftenartikel (6)
Sprache
- Englisch (10)
- Deutsch (7)
- Mehrsprachig (1)
Schlagworte
- Machine Learning (4)
- Beton (3)
- Datenfusion (3)
- NDT (3)
- ZfP (3)
- Datenanalyse (2)
- Korrosion (2)
- Maschinelles Lernen (2)
- Ontology (2)
- Small Data (2)
Organisationseinheit der BAM
- 8 Zerstörungsfreie Prüfung (18)
- 8.0 Abteilungsleitung und andere (17)
- 5 Werkstofftechnik (2)
- 5.2 Metallische Hochtemperaturwerkstoffe (2)
- 7 Bauwerkssicherheit (2)
- 1 Analytische Chemie; Referenzmaterialien (1)
- 1.3 Instrumentelle Analytik (1)
- 5.1 Mikrostruktur Design und Degradation (1)
- 7.6 Korrosion und Korrosionsschutz (1)
- 7.7 Modellierung und Simulation (1)
Eingeladener Vortrag
- nein (12)
AbstractHigh-strength aluminum alloys used in aerospace and automotive applications obtain their strength through precipitation hardening. Achieving the desired mechanical properties requires precise control over the nanometer-sized precipitates. However, the microstructure of these alloys changes over time due to aging, leading to a deterioration in strength. Typically, the size, number, and distribution of precipitates for a quantitative assessment of microstructural changes are determined by manual analysis, which is subjective and time-consuming. In our work, we introduce a progressive and automatable approach that enables a more efficient, objective, and reproducible analysis of precipitates. The method involves several sequential steps using an image repository containing dark-field transmission electron microscopy (DF-TEM) images depicting various aging states of an aluminum alloy. During the process, precipitation contours are generated and quantitatively evaluated, and the results are comprehensibly transferred into semantic data structures. The use and deployment of Jupyter Notebooks, along with the beneficial implementation of Semantic Web technologies, significantly enhances the reproducibility and comparability of the findings. This work serves as an exemplar of FAIR image and research data management.
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.
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
ML has been successfully applied to solve many NDT-CE tasks. This is usually demonstrated with performance metrics that evaluate the model as a whole based on a given set of data. However, since in most cases the creation of reference data is extremely expensive, the data used is generally much sparser than in other areas, such as e-commerce. As a result, performance indicators often do not reflect the practical applicability of the ML model. Estimates that quantify transferability from one case to another are necessary to meet this challenge and pave the way for real world applications.
In this contribution we invetigate the uncertainty of ML in new NDT-CE scenarios. For this purpose, we have extended an existing training data set for the classification of corrosion damage by a new case study. Our data set includes half-cell potential mapping and ground-penetrating radar measurements. The measurements were performed on large-area concrete samples with built-in chloride-induced corrosion of reinforcement. The experiment simulated the entire life cycle of chloride induced exposed concrete components in the laboratory. The unique ability to monitor deterioration and initiate targeted corrosion initiation allowed the data to be labelled - which is crucial to ML. To investigate transferability, we extend our data by including new design features of the test specimen and environmental conditions. This allows to express the change of these features in new scenarios as uncertainties using statistical methods. We compare different sampling and statistical distribution-based approaches and show how these methods can be used to close knowledge gaps of ML models in NDT.
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.
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.
Data-driven research is considered the new paradigm in science. In this field, data is the new resource from which knowledge is extracted that is too complex for traditional methods. Several factors such as national funding and advances in information technology, are driving the development. In particular, the creation of databases and the analysis of data with artifical intelligence are playing an important role in establishing the new paradigm. However, there are numerous challenges that must be overcome to realize the full potential of data-driven methods. This talk sets the stage for the upcoming workshop by reviewing some of the historical developments and the current state of data-driven science in NDT and materials science.
In the field of non-destructive testing (NDT) in civil engineering, a large number of measurement data are collected. Although they serve as a basis for scientific analyses, there is still no uniform representation of the data. An analysis of various distributed data sets across different test objects is therefore only possible with high manual effort.
We present a system architecture for an integrated data management of distributed data sets based on Semantic Web technologies. The approach is essentially based on a mathematical model - the so-called ontology - which represents the knowledge of our domain NDT. The ontology developed by us is linked to data sources and thus describes the semantic meaning of the data. Furthermore, the ontology acts as a central concept for database access. Non-domain data sources can be easily integrated by linking them to the NDT construction ontology and are directly available for generic use in the sense of digitization. Based on an extensive literature research, we outline the possibilities that this offers for NDT in civil engineering, such as computer-aided sorting, analysis, recognition and explanation of relationships (explainable AI) for several million measurement data.
The expected benefits of this approach of knowledge representation and data access for the NDT community are an expansion of knowledge through data exchange in research (interoperability), the scientific exploitation of large existing data sources with data-based methods (such as image recognition, measurement uncertainty calculations, factor analysis, material characterization) and finally a simplified exchange of NDT data with engineering models and thus with the construction industry.
Ontologies are already the core of numerous intelligent systems such as building information modeling or research databases. This contribution gives an overview of the range of tools we are currently creating to communicate with them.