Analytische Chemie
Filtern
Erscheinungsjahr
- 2022 (89) (entfernen)
Dokumenttyp
- Vortrag (89)
Referierte Publikation
- nein (89)
Schlagworte
- LIBS (6)
- NDT (6)
- Concrete (5)
- Non-destructive testing (5)
- Thermografie (5)
- Thermography (5)
- Zerstörungsfreie Prüfung (5)
- Geometric Phase (4)
- Laser Powder Bed Fusion (4)
- Super resolution (4)
Organisationseinheit der BAM
- 8 Zerstörungsfreie Prüfung (89) (entfernen)
Eingeladener Vortrag
- nein (89) (entfernen)
Klebeverbindungen sind aus dem heutigen Leichtbau wie der Automobil- und Luftfahrtindustrie nicht mehr wegzudenken. Durch die Verklebung gleicher oder ungleicher Materialien entstehen viele Vorteile gegenüber konservativen Fügeverfahren wie dem Schweißen oder dem Nieten. Aufgrund hoher Sicherheits- und Qualitätsansprüche wird die Festigkeit dieser Verbindungen jedoch noch immer zerstörend geprüft. Zuverlässige und zufriedenstellende zerstörungsfreie Verfahren, insbesondere um schwache Haftfestigkeiten zu prüfen, sind nicht vorhanden und Thema gegenwärtiger Forschung. Ein Ansatz, der in diesem Projekt verfolgt wird, liegt in der Verwendung geführter Ultraschallwellen und der gezielten Auswertung spezifischer Bereiche des Dispersionsdiagrams, den sogenannten Mode Repulsion Regions, welche eine potenzielle Charakterisierung der Haftfestigkeiten zulassen könnten.
Hierzu wurden neben Simulationen mittels der sogenannten SBFEM, zur Findung geeigneter Charakterisierungsparameter, auch experimentelle zerstörungsfreie Untersuchungen von verklebten Zweischichtstrukturen aus Aluminium und Polycarbonat mittels geführter Ultraschallwellen durchgeführt . Hierzu dienten Voruntersuchungen an Stirnabzugsproben mittels zerstörender Validierungsmessungen zur Ermittlung geeigneter Oberflächenbearbeitungen zur Herstellung verschiedener Haftfestigkeiten. Mit Niederdruckplasma behandelte Proben dienten bei den zerstörungsfreien Messungen als ideale Referenzklebung gegenüber den schwächeren Haftfestigkeiten.
Es konnten verschiedenste Haftfestigkeiten reproduzierbar hergestellt, zerstörend validiert und zerstörungsfrei mittels geführter Ultraschallwellen untersucht werden. Die Ausprägungen bestimmter Mode Repulsion Regions zeigen eine vielversprechende Sensitivität, welche durch ein geeigneten Parameter charakterisiert werden konnten.
The rails of modern railways face an enormous wear and tear from ever increasing train speeds and loads. This necessitates diligent non-destructive testing for defects of the entire railway system.
Non-destructive testing of rail tracks is carried out by rail inspection trains equipped with ultrasonic and eddy current test devices. However, the evaluation of the gathered data is mainly done manually with a strong focus on ultrasonic data, and defects are checked on-site using hand-held testing equipment. Maintenance measures are derived based on these on-site findings.
The aim of the AIFRI project (Artificial Intelligence For Rail Inspection) is to
- increase the degree of automation of the inspection process, from the evaluation of the data to the planning of maintenance measures,
- increase the accuracy of defect detection,
- automatically classify detected indications into risk classes.
These aims will be achieved by training a neural network for defect detection and classification. Since the current testing data is unbalanced, insufficiently labeled and largely unverified we will supplement fused, simulated eddy current and ultrasonic testing data in form of a configurable digital twin.
Non-destructive testing of rail tracks is carried out by using rail inspection cars equipped with ultrasonic and eddy current measurement. The evaluation of test data is mainly done manually, supported by a software tool which pre-selects relevant indications shown to the evaluators. The resulting indications have to be checked on-site using hand-held testing equipment. Maintenance interventions are then derived on the basis of these on-site findings.
Overall aim of the AIFRI (Artificial Intelligence For Rail Inspection) project - funded by the German Federal Ministry of Digital and Transport (BMDV) as part of the mFUND programme under funding code 19FS2014 – is to increase the degree of automation of the inspection process from the evaluation of the data to the planning of maintenance interventions. The accuracy of defect detection shall be increased by applying AI methods in order to enable an automated classification of detected indications into risk classes. For this purpose, data from both eddy current inspections and ultrasonic inspections will be used in combination.
Within the framework of this data-driven project, relevant defect patterns and artefacts present in the rail are analysed and implemented into a configurable digital twin. With the help of this digital twin virtual defects can be generated and used to train AI algorithms for detection and classification. With the help of reliability assessment trained AI algorithms will be evaluated with regard to the resulting quality in defect detection and characterisation.
A particular aspect of the development of AI methods is the data fusion of different NDT data sources: Thereby, synergies are used that arise from linking eddy current and ultrasonic inspection data in a combined model.
In the course of the project a demonstrator consisting of the developed IT-tool and an asset management system will be implemented and tested in the field using real-world data.
In general, wind turbines transform the kinetic energy of the wind into electric power. Thereby, the wind turbine blades are facing unsteady loads which are transferred to the hub to generate a rotation of the turbine’s axis. This brief introduction focuses on the aerodynamics of the blades and the corresponding loads. Starting with the basic flow field and loads of an airfoil, terms like stagnation point, boundary layer, Reynolds number, transition, and separation are introduced. For different geometries, lift and drag coefficient curves are discussed. Then, full wings will be considered, including their three-dimensional flow field due to wing tip vortices and crossflows. As a main source of increased loads, unsteady effects are explained in more detail such as gusts, tower passing, earth boundary layer crossing, free stream turbulences, yaw misalignment, etc. At the end, extra loads due to an oscillating free stream are introduced.
Ein Umlaufkühler ist im Betrieb explodiert. Splitter des zerborstenen Gehäuses aus Kunststoff wurden mit dem Kühlwasser in die Umgebung geschleudert, am Betriebsort entstand Personenschaden. Bei Funktionsprüfungen am beschädigten Gerät traten unerwartet - aber reproduzierbar - Knalleffekte bei Berührung der Außenoberfläche der Kupfer-Kühlschlange auf. Ein möglicher Mechanismus konnte im Labor durch Synthese von Kupferazid auf Kupferproben und Auslösung vergleichbarer Knalleffekte nachgestellt werden. Damit ist die Plausibilität des beschriebenen Schadensereignisses mit diesem oder einem ähnlich reagierenden Stoff belegt. Ein eindeutiger Nachweis darüber, dass bei dem aufgetretenen Schadensfall dieselbe chemische Reaktion stattgefunden hat, war nicht möglich, da die Belag-Überreste aus dem explodierten Kühlgerät für eine Analyse nicht mehr in ausreichender Menge verfügbar gewesen sind.
Der Beitrag beinhaltet Themen vom H2Safety@BAM-Kompetenzfeld Sensorik, Analytik und zertifizierte Referenzmaterialien (SensRef) mit Fokus auf Mess- und Prüfverfahren mit verschiedenen Sensortechnologien und Ultraschallwellen:
Metrologie zur Wasserstoffspeicherung - Euramet-Vorhaben "MefHySto",
Erkennung von freigesetztem Wasserstoff sowie die Bestimmung des Wasserstoff-Luftverhälntisses mit Gassensoren, zerstörungsfreie Fehlstellenerkennung mit integriertem Zustandsüberwachungssystem basierend auf geführten Ultraschallwellen zur Lebensdauerüberwachung von Composite-Behältern (Wasserstoffspeicher) sowie faseroptische Sensorik zur Schadenfrüherkennung von Wasserstoffspeichern aufgrund erkennbarer Dehnungsänderungen an Druckbehältern.
In ultrasonic testing, the time of flight (ToF) of a signal can be used to infer material and structural properties of a test item. In dispersive media, extracting the bulk wave velocity from a received signal is challenging as the waveform changes along its path of propagation. When using signal features such as the first peak or the envelope maximum, the calculated velocity changes with the propagation distance. This does not occur when picking the signal onset. Borrowing from seismology, researchers used the Akaike information criterion (AIC) picker to automatically obtain onset times. In addition to being dependent on arbitrarily set parameters, the AIC picker assumes no prior knowledge of the spectral properties of the signal. This is unnecessary in ultrasonic through-transmission testing, where the signal spectrum is known to differ significantly from noise. In this contribution, a novel parameter-free onset picker is proposed, that is based on a spectral entropy criterion (SEC) to model the signal using the AIC framework. Synthetic and experimental data are used to compare the performance of SEC and AIC pickers, showing an improved accuracy for densely sampled data.
Seit der Antike gehört die Medea-Sage zu den bekanntesten Geschichten der Weltliteratur. Der berühmte französische Künstler Carle Van Loo hat sich dieses Epos um 1759 angenommen und ein beeindruckendes Ölgemälde mit Abmessungen von 2,30x3,28m² erschaffen. Mit Mademoiselle Clairon als Medea und Henri Louis Le Kain als Jason ist ein Kunstwerk entstanden, das seitdem einige Veränderungen und Restaurierungen erfahren hat.
Die Bundesanstalt für Materialforschung und -prüfung (BAM) hatte 2020 die Möglichkeit, dieses und ein zweites Kunstwerk, im Neuen Palais in Potsdam, für die Stiftung Preußische Schlösser und Gärten Berlin-Brandenburg, radiografisch zu untersuchen. Hierbei wurden sowohl technologisch als auch kunsthistorisch einige interessante Entdeckungen gemacht, die im vorliegenden Beitrag vorgestellt werden.
Geführte Ultraschallwellen sind für die Materialcharakterisierung hervorragend geeignet, da ihr Ausbreitungsverhalten abhängig von den Materialeigenschaften des untersuchten Werkstoffs ist.
Um aus dem messtechnisch ermittelten Ausbreitungsverhalten geführter Ultraschallwellen Rückschlüsse auf die Materialparameter zu ziehen, werden in der aktuellen Forschung verschiedene inverse Methoden diskutiert. Dispersionsabbildungen im Frequenz-Wellenzahl-Bereich repräsentieren das Ausbreitungsverhalten geführter Ultraschallwellen. Maschinelles Lernen und insbesondere Convolutional-Neural-Networks (CNNs) sind eine Möglichkeit der automatisierten inversen Bestimmung der Materialparameter aus den Dispersionsabbildungen.
In diesem Beitrag wird anhand synthetischer Daten gezeigt, wie das Ausbreitungsverhalten von geführten Ultraschallwellen unter Verwendung von CNNs und Dispersionsabbildungen genutzt werden kann, um die elastischen Konstanten einer isotropen plattenförmigen Struktur zu bestimmen. Anhand dieses Beispiels wird das generelle Vorgehen zur Anwendung maschineller neuronaler Lernverfahren aufgezeigt. Hierfür werden die verwendeten Daten analysiert, das Preprocessing erläutert und eine einfache CNN-Architektur gewählt. Im Rahmen der Auswertung wird insbesondere Wert auf die Erklärbarkeit und Zuverlässigkeit des verwendeten CNNs gelegt und so Grenzen und Möglichkeiten aufgezeigt.
Ein Hauptziel der zerstörungsfreien Prüfung und der Strukturüberwachung (engl. Structural Health Monitoring - SHM) mit Ultraschallwellen ist die Charakterisierung von Schäden in Bauteilen. In vielen schalenförmigen Bauteilen, wie zum Beispiel Rohrleitungen, Laminaten und Platten, breitet sich der Ultraschall in Form geführter Wellen aus. Zwar erlauben geführte Wellen eine großflächige Prüfung durch das langsame Abklingen der Wellen. Jedoch breiten sich die Wellen in verschiedenen dispersiven Moden aus, was die Analyse der vom Schaden erzeugten Reflexionen erschwert. Eine Möglichkeit, die Messsignale zu interpretieren, um Schäden zu charakterisieren, ist der direkte Vergleich mit einem Simulationsmodell. Die Rekonstruktion des Schadens stellt ein inverses Problem dar. Das inverse Problem kann als Optimierungsproblem formuliert werden. Für die Optimierung werden mehrere Vorwärtsrechnungen gebraucht, um das Schadensmodell an die Messdaten anzupassen.
Aufgrund der kurzen Wellenlängen von Ultraschallwellen sind klassische Methoden für die Vorwärtsrechnung, wie z.B. die Finite Elemente Methode (FEM), rechenintensiv. Eine Möglichkeit den Rechenaufwand zu reduzieren, bietet die Approximation der Wellenausbreitung mittels der semi-analytischen Scaled Boundary Finite Element Method (SBFEM). Frühere Untersuchungen haben gezeigt, dass die benötigten Freiheitsgrade im Vergleich zur FEM wesentlich geringer sind [1].
Im Beitrag wird eine Optimierung basierend auf einem Gradientenverfahren in Kombination mit der SBFEM vorgestellt und an verschiedenen Schadenstypen in 2D-Querschnittsmodellen von Stahlplatten getestet. Der Gradient des Vorwärtsmodells wird durch Algorithmisches Differenzieren berechnet, wodurch eine genaue und schnelle Optimierung ermöglicht wird. Es werden Untersuchungen zum inversen Problem und das Finden einer geeigneten Zielfunktion präsentiert. Es wird verdeutlicht, dass der entwickelte Algorithmus robust gegenüber von Rauscheinflüssen ist. In diesen Untersuchungen werden zunächst „Messdaten“ aus unabhängigen Simulationen verwendet [2]. Erste Schritte für die experimentelle Validierung und Erweiterung auf 3D Modelle werden anschließend vorgestellt.