8.0 Abteilungsleitung und andere
Filtern
Dokumenttyp
- Vortrag (14)
- Zeitschriftenartikel (3)
- Video (2)
- Forschungsdatensatz (2)
- Beitrag zu einem Tagungsband (1)
- Posterpräsentation (1)
Sprache
- Englisch (15)
- Deutsch (7)
- Mehrsprachig (1)
Referierte Publikation
- nein (23) (entfernen)
Schlagworte
- Machine Learning (8)
- Concrete (4)
- Materials Informatics (4)
- Alkali activated concrete (3)
- Beton (3)
- Datenfusion (3)
- Materials Design (3)
- NDT (3)
- Scientific software (3)
- Sequential Learning (3)
- Small Data (3)
- ZfP (3)
- Datenanalyse (2)
- Korrosion (2)
- Maschinelles Lernen (2)
- Materials Discovery (2)
- Ontology (2)
- Sequential learning (2)
- Alcali activated binders (1)
- Bild Klassifizierung (1)
- Building industriy (1)
- CO2 footprint (1)
- Corrosion (1)
- Data Analysis (1)
- Data Fusion (1)
- Data Science (1)
- Data fusion (1)
- Data-driven material design (1)
- Digitalisierung (1)
- Erklärbare KI (1)
- Explainable AI (1)
- Half-Cell Potential Mapping (1)
- Information modelling (1)
- Inverse design techniques (1)
- KDA Training (1)
- Machine learning optimization (1)
- Materials informatics (1)
- Multi Sensor (1)
- Non-destructive testing (1)
- Onotology (1)
- Ontologien (1)
- Reinforced Concrete (1)
- Reproducible Science (1)
- Reproduzierbare Wissenschaft (1)
- Semantic Data Management (1)
- Semantic Web (1)
- Semantisches Datenmanagement (1)
- Sustainable concrete (1)
- Unsicherheitsberechnung (1)
- Unsicherheitsquantifizierung (1)
- Zerstörungsfreie Prüfung (1)
- circular economy (1)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (14)
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.
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.
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 speziell der Fragen, welche Informationen in multivariaten Datensätzen stecken und wie sie extrahiert werden können. Abschließend wird ein Beispiel für die erfolgreiche Anwendung zur zerstörungsfreien Prüfung von Betonbauteilen vorgestellt. Der systematische Vergleich von Algorithmen, die Charakteristika des Labordatensatzes in unterschiedlicher Weise adressieren erlaubt überraschende Schlussfolgerungen.
Wir laden zum Trainingsworkshop Datenanalyse ein. Angetrieben durch die Digitalisierung und die sogenannte Industrie 4.0 steigt die Erwartungshaltung gegenüber der Nutzung von Daten. 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 Daten und Analyseverfahren gegenüber.
Der Workshop vermittelt ein konzeptionelles Verständnis für moderne Datenanalyseverfahren (Machine Learning (ML), Multivariate Statistik) und soll durch ein anschließendes Hands-On Training mit Python (https://www.python.org) einen einfachen Einstieg in die Thematik ermöglichen. Der Kurs richtet sich an den wissenschaftlichen Nachwuchs.
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.
Many PhD students are interested in applying machine learning, AI, data science, etc., and there are many good reasons for this. However, there is a disconnect between mainstream data science and materials science, for example, when it comes to the sheer size of the data. This talk will highlight some of the unique challenges in materials informatics and present some interesting approaches to overcome them. Although the field is large, this talk will focus on cases that have some practical relevance to PhD students at BAM.
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.