7.6 Korrosion und Korrosionsschutz
Filtern
Dokumenttyp
Referierte Publikation
- ja (2) (entfernen)
Schlagworte
- Betonstahl (1)
- Chloridgehalt (1)
- Corrosion (1)
- Korrosion (1)
- Kritischer (1)
- LIBS (1)
- Machine learning (1)
- Nicht rostender (1)
- Potential mapping (1)
Organisationseinheit der BAM
- 8 Zerstörungsfreie Prüfung (2) (entfernen)
Der maßgebliche Korrosionsschutz von nicht rostendem Stahl in Beton basiert, anders als bei unlegiertem Betonstahl, auf der Ausbildung einer Chromoxidschicht. Die Chromoxidschicht ist in alkalischem und in carbonatisiertem Beton beständig, sodass nicht rostende Stähle in einem passiven Zustand vorliegen.
Die Initiierung von Lochkorrosionserscheinungen ist dagegen auch an nicht rostenden Stählen in Beton möglich. Der korrosionsauslösende Chloridgehalt ist neben dem Gehalt an Legierungselementen (insbesondere dem Chromgehalt) und der Oberflächenbeschaffenheit auch vom Konzentrationsverhältnis von OH“ zu CI“ im Elektrolyten abhängig. Daher ist prinzipiell zu erwarten, dass in karbonatisierten Betonen geringere Chloridgehalte Korrosion initiieren können als in Betonen mit höheren pH-Werten. Dies gilt in besonderem Maße für nicht rostende Betonstähle mit geringen Chromgehalten, wie z. B. Produkte aus dem Werkstoff 1.4003 (X2CrNi12) mit seiner im Vergleich zu den Standardausteniten geringen Beständigkeit. Um den kritischen korrosionsauslösenden Chloridgehalt am Beispiel eines am Markt verfügbaren ferritischen Chromstahls zu bestimmen, wurden an der Bundesanstalt für Materialforschung und -prüfung (BAM) umfangreiche Untersuchungen zu beschleunigten Korrosionsversuchen in alkalischen und karbonatisierten Mörteln durchgeführt. Mittels Laser-induced Breakdown Spectroscopy (LIBS) konnten die korrosionsauslösenden Chloridgehalte im Phasengrenzbereich Betonstahl-Mörtel ermittelt werden.
This work presents machine learning-inspired data fusion approaches to improve the non-destructive testing of reinforced concrete. The principal effects that are used for data fusion are shown theoretically. Their effectiveness is tested in case studies carried out on largescale concrete specimens with built-in chloride-induced rebar corrosion. The dataset consists of half-cell potential mapping, Wenner resistivity, microwave moisture and ground penetrating radar measurements. Data fusion is based on the logistic Regression algorithm.
It learns an optimal linear decision boundary from multivariate labeled training data, to separate intact and defect areas. The training data are generated in an experiment that simulates the entire life cycle of chloride-exposed concrete building parts. The unique possibility to monitor the deterioration, and targeted corrosion initiation, allows data labeling.
The results exhibit an improved sensitivity of the data fusion with logistic regression compared to the best individual method half-cell potential.