Wissenschaftliche Artikel der BAM
Filtern
Erscheinungsjahr
- 2018 (2) (entfernen)
Dokumenttyp
Schlagworte
- Beton (1)
- Datenfusion (1)
- Induced polarization (1)
- Korrosion (1)
- Maschinelles Lernen (1)
- Mercury intrusion porosimetry (1)
- NMR (1)
- Pore space (1)
- ZfP (1)
- µ-CT (1)
Organisationseinheit der BAM
- 8.0 Abteilungsleitung und andere (2) (entfernen)
We investigate the pore space of rock samples with respect to different petrophysical parameters using various methods, which provide data on pore size distributions, including micro computed tomography (µ-CT), mercury Intrusion porosimetry (MIP), nuclear magnetic resonance (NMR), and spectral-induced polarization (SIP). The resulting cumulative distributions of pore volume as a function of pore size are compared. Considering that the methods differ with
regard to their limits of resolution, a multiple-length-scale characterization of the pore space is proposed, that is based on a combination of the results from all of these methods.
The approach is demonstrated using samples of Bentheimer and Röttbacher sandstone. Additionally, we compare the potential of SIP to provide a pore size distribution with other commonly used methods (MIP, NMR). The limits of Resolution of SIP depend on the usable frequency range (between 0.002 and 100 Hz). The methods with similar Resolution show a similar behavior of the cumulative pore volume distribution in the verlapping pore size range. We assume that µ-CT and NMR provide the pore body size while MIP and SIP characterize the pore throat size. Our study Shows that a good agreement between the pore radius distributions can only be achieved if the curves are adjusted considering the resolution and pore volume in the relevant range of pore radii. The MIP curve with the widest range in Resolution should be used as reference.
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.