8.0 Abteilungsleitung und andere
Filtern
Erscheinungsjahr
- 2020 (75) (entfernen)
Dokumenttyp
- Vortrag (32)
- Zeitschriftenartikel (24)
- Posterpräsentation (8)
- Beitrag zu einem Tagungsband (7)
- Sonstiges (4)
Schlagworte
- Thermography (12)
- Additive Manufacturing (7)
- Feuchte (5)
- Process monitoring (5)
- Radar (5)
- In-situ Monitoring (4)
- Laser Powder Bed Fusion (4)
- Laser thermography (4)
- Super resolution (4)
- Additive Fertigung (3)
Organisationseinheit der BAM
- 8.0 Abteilungsleitung und andere (75) (entfernen)
Paper des Monats
- ja (1)
Eingeladener Vortrag
- nein (32)
Die Porosität sowie die Porengrößenverteilung (PSD) eines Baustoffs sind wichtige petrophysikalische Eigenschaften, die Transportprozesse im Material beeinflussen und im direkten Zusammenhang mit der Schadensanfälligkeit stehen (Frost-Tau-Schäden, Schäden durch Salzeinträge und sauren Regen). Verfahren zur Ermittlung der Porosität stellen die Quecksilberporosimetrie (MIP), das Prinzip der Tauchwägung nach Archimedes (triple weighing method, TWM) und die Nuklear Magnetische Resonanz (NMR) dar.
Das Hauptziel dieser Arbeit ist der Vergleich der drei Methoden für die Porositätsbestimmung. Als Untersuchungsmaterial wurde Sandstein gewählt. Als Baustoff wird Sandstein trotz einer teilweise geringen Festigkeit, aber aufgrund seiner Farbvielfalt häufig für Kulturbauten, Gehwegmaterial und Fassaden eingesetzt. Sandsteine weisen zudem meist eine hohe effektive Porosität (bis zu ca. 30 %) und teilweise breite Porengrößenspektren auf, wodurch Feuchte- und Ioneneinträge begünstigt werden und zu z. B. langfristigen Verfärbungen an Sandsteinfassaden führen können.
Im Rahmen dieser Arbeit werden die Porositäten von 10 verschiedenen Sandsteinen aus Deutschland und Tschechien bestimmt. Für die Untersuchungen mittels TWM und NMR wurden für jede Sandsteinart zwei zylinderförmige Proben unter Unterdruck mit Leitungswasser aufgesättigt. Beim Vergleich der Verfahren liegt der Fokus insbesondere auf NMR und der verwendeten Gerätetechnik, die mit einer minimalen Echozeit von 50 µs ein Wasserstoffsignal in Sandsteinen aus bis zu ca. 2 nm kleine Poren erfassen kann. Darüber hinaus wird das Auflösungsvermögen von MIP und NMR bezüglich der Poren- bzw. Poreneingangsgrößen diskutiert. Für den Vergleich von NMR und MIP werden an ausgewählten Sandsteinproben ebenfalls die zusätzlich ermittelten PSD in Korrelation zueinander gebracht.
Erste Ergebnisse zeigen eine gute Korrelation von NMR- und TWM-Daten, aber teilweise starke Abweichungen zu den mit MIP bestimmten Porositäten. Ergebnisse zu den PSD zeigen teilweise nahezu identische Kurvenverläufe. Jedoch ist die Abschätzung des Umrechnungsfaktors für die NMR-Daten ohne Hinzuziehen von zusätzlichen Referenzverfahren wie Röntgen-Computer-Tomographie oder Spektral Induzierte Polarisation teilweise sehr schwierig.
Durch den großflächigen Einsatz der Computertomographie (CT) in unterschiedlichen Industriebereichen steigen auch die Anforderungen an die quantitative Bildanalyse. Subjektive Bildwahrnehmung muss durch objektive Algorithmen ersetzt werden. In diesem Artikel stellt die Bundesanstalt für Materialforschung und -prüfung (BAM), die seit den 1980er Jahren an der Entwicklung der industriellen CT beteiligt ist, anhand ausgewählter Beispiele den aktuellen Stand ihrer Analysemethoden an verschiedenen Anwendungsbeispielen der CT vor.
Laser powder bed fusion (L-PBF) is the most prominent additive manufacturing (AM) technology for metal part production. Among the high number of factors influencing part quality and mechanical properties, the inter layer time (ILT) between iterative melting of volume elements in subsequent layers is almost completely unappreciated in the relevant literature on L-PBF. This study investigates the effect of ILT with respect to build height and under distinct levels of volumetric energy density (VED) using the example of 316L stainless steel. In-situ thermography is used to gather information on cooling conditions during the process, which is followed by an extensive metallographic analysis. Significant effects of ILT and build height on heat accumulation, sub-grain sizes, melt pool geometries and hardness are presented. Furthermore, the rise of defect densities can be attributed to a mutual interplay of build height and ILT. Hence, ILT has been identified as a crucial factor for L-PBF of real part components especially for those with small cross sections.
Among additive manufacturing (AM) technologies, the laser powder bed fusion (L-PBF) is one of the most important technologies to produce metallic components. The layer-wise build-up of components and the complex process conditions increase the probability of the occurrence of defects. However, due to the iterative nature of its manufacturing process and in contrast to conventional manufacturing technologies such as casting, L-PBF offers unique opportunities for in-situ monitoring. In this study, two cameras were successfully tested simultaneously as a machine manufacturer independent process monitoring setup: a high-frequency infrared camera and a camera for long time exposure, working in the visible and infrared spectrum and equipped with a near infrared filter. An AISI 316L stainless steel specimen with integrated artificial defects has been monitored during the build. The acquired camera data was compared to data obtained by computed tomography. A promising and easy to use examination method for data analysis was developed and correlations between measured signals and defects were identified. Moreover, sources of possible data misinterpretation were specified. Lastly, attempts for automatic data analysis by data Integration are presented.
Machine learning based multi-sensor fusion for the nondestructive testing of corrosion in concrete
(2020)
Half-cell potential mapping (HP) is the most popular non-destructive testing method (NDT) for locating corrosion damage in concrete. It is generally accepted that HP is susceptible to environmental factors caused by salt-related deterioration, such as different moisture and chloride gradients. Additional NDT methods are able to identify distinctive areas but are not yet used to estimate more accurate test results. We present a Supervised Machine Learning (SML) based approach to data fusion of seven different signal features to obtain higher quality information. SMLs are methods that explore (or learn) relationships between different (sensor) data from predefined data labels. To obtain a representative, labelled data set we conducted a comprehensive experiment simulating the deterioration cycle of a chloride exposed device in the laboratory. Our data set consists of 18 measurement campaigns, each containing HP, Ground Penetrating- Radar, Microwave Moisture and Wenner resistivity data. We compare the performance of different ML approaches. Many outperform the best single method, HP. We describe the intrinsic challenges posed by a data-driven approach in NDT and show how future work can help overcome them.