Analytische Chemie
Filtern
Erscheinungsjahr
- 2020 (28) (entfernen)
Dokumenttyp
- Vortrag (28) (entfernen)
Sprache
- Deutsch (28) (entfernen)
Referierte Publikation
- nein (28)
Schlagworte
- Radar (3)
- ZfP (3)
- Feuchte (2)
- Industrie 4.0 (2)
- Konformitätsbewertung (2)
- Künstliche Neuronale Netze (2)
- Nachrechnung (2)
- Prozessanalytik (2)
- Prozessindustrie (2)
- QI-FoKuS (2)
Organisationseinheit der BAM
- 8 Zerstörungsfreie Prüfung (19)
- 8.0 Abteilungsleitung und andere (7)
- 8.2 Zerstörungsfreie Prüfmethoden für das Bauwesen (5)
- 6 Materialchemie (4)
- 1 Analytische Chemie; Referenzmaterialien (3)
- 8.4 Akustische und elektromagnetische Verfahren (3)
- 8.6 Faseroptische Sensorik (3)
- 1.4 Prozessanalytik (2)
- 8.1 Sensorik, mess- und prüftechnische Verfahren (2)
- S Qualitätsinfrastruktur (2)
Eingeladener Vortrag
- nein (28)
Preisträgervortrag Georg-Sachs-Preis der DGM
Röntgencomputertomographie (CT) ist heute ein Standardwerkzeug in der Materialcharakterisierung. Im Vortrag zeigen wir ihre Anwendung für die Untersuchung magnetischer Funktionsmaterialien, additiv gefertigter Bauteile und deren Feedstockpulver und stellen erste CT-Ergebnisse biogener Feedstockpulver vor.
Luftultraschall
(2020)
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.
Im Bereich der Zerstörungsfreien Prüfung (ZfP) im Bauwesen werden eine Vielzahl von Messdaten erfasst. Obwohl Sie als Grundlage für wissenschaftliche Analysen dienen, gibt es noch keine einheitliche Repräsentation der Daten. Eine Analyse verschiedener verteilter Datensätze über unterschiedliche Prüfobjekte hinweg ist daher kaum möglich.
Wir stellen einen Ansatz für ein integriertes Datenmanagement verteilter Datensätze auf Basis von Semantic-Web Technologien vor. Der Ansatz basiert im Kern auf einem mathematischen Modell – der sogenannten Ontologie – welches das Wissen unserer Domäne ZfPBau repräsentiert. Die von uns entwickelte ZfPBau Ontologie wird mit Datenquellen verknüpft und beschreibt so die semantische Bedeutung der Daten. Darüber hinaus fungiert die Ontologie als zentrales Konzept für den Datenbankzugriff. Domänen-fremde Datenquellen können durch die Verknüpfung mit der ZfPBau Ontologie einfach integriert werden und stehen zur generischen Nutzung im Sinne der Digitalisierung direkt zur Verfügung. Basierend auf einer umfangreichen Literaturrecherche, skizzieren wir die Möglichkeiten die sich daraus für die ZfP im Bauwesen ergeben, wie zum Beispiel Messdaten computergestützt zu sortieren, zu analysieren, Zusammenhänge zu erkennen und zu erklären.
Der erwartete Nutzen dieses Ansatzes der Wissensrepräsentation und des Datenzugriffs für die ZfP-Community ist eine Erweiterung des Wissens durch Datenaustausch in der Forschung (Interoperabilität), die wissenschaftliche Verwertung großer existierender Datenquellen mit datenbasierten Verfahren (wie Bilderkennung, Messunsicherheitsberechnungen, Faktoranaylsen, Materialcharackterisierung) und letztlich ein vereinfachter Transfer von ZFP-Daten in Ingenieurmodelle und somit in die Baupraxis.
Ontologien sind bereits Kern vielzähliger intelligenter Systeme wie Building-Information-Modeling oder Forschungsdatenbanken. Der Beitrag gibt einen Überblick über die Werkzeuge die wir derzeit für die Kommunikation mit ihnen schaffen.
Ergebnisvorstellung im mitgliederexklusiven Webinar der Deutschen Gesellschaft für Qualität - DGQ zur Nutzung und Wirkung von genormten Managementsystemen als die erste Erhebung im Rahmen von QI-FoKuS. Neben der Motivation hinsichtlich der Anwendung verschiedener Normen, die Anforderungen an Managementsysteme darlegen, sowie den Wirkungen werden insbesondere die Zertifizierung für diese Normen sowie daran anknüpfend die Rolle und Funktion der Akkreditierung – und somit verschiedene Bausteine der QI – adressiert.
Die Verwendung von Methoden des Maschinellen Lernens (ML) und der Künstlichen Intelligenz (KI) im Fachbereich 8.6 Faseroptische Sensorik wird dargestellt. Die vielfältigen Möglichkeiten, Machine Learning auf Basis Künstlicher Neuronaler Netze (ANN) für eine schnelle und effiziente Datenverarbeitung eizusetzen werden demonstriert. Hierfür werden Beispiele für die Anwendungszwecke Messgrößenberechnung, Entrauschen, Interpolation, Bildverarbeitung und Messdatenauswertung aufgezeigt.
Der Vortrag gibt einen Überblick über die Einsatzmöglichkeiten faseroptischer Sensorik (FOS) als ZfP-Verfahren. Dabei werden an Beispielen lokale und verteilte faseroptische Verfahren zur Dehnungs-, Temperatur- und Risserfassung sowie zur akustischen Messung vorgestellt. Weiterhin werden Möglichkeiten zur Selbstdiagnose von FOS aufgezeigt.
Wie lässt sich die Herkunft von Rohstoffen, Lebensmitteln oder Umweltschadstoffen einfacher, schneller und kostengünstiger als mit bisherigen Methoden bestimmen?
Die Dissertation zeigt auf, dass man das grundlegende physikalische Prinzip einer Isotopverschiebung mit in Adlershof entwickelten Optik-Instrumenten für die Herkunftsbestimmung nutzen kann. Die entwickelte Methode ermöglicht es in Zukunft den Ursprung von Rohstoffen, Lebensmitteln oder Umweltschadstoffen kostengünstiger und wesentlich schneller bestimmen, als dies mit bisherigen Methoden möglich ist.
Kann man das grundlegende physikalische Prinzip einer Isotopieverschiebung mit einem Optik-Instrument für die Herkunftsbestimmung nutzen? Carlos Abad hat eine wegweisende Methode entwickelt, die es in Zukunft ermöglicht den Ursprung von Rohstoffen, Lebensmitteln oder Umweltschadstoffen kostengünstiger und wesentlich schneller bestimmen, als dies mit bisherigen Techniken möglich ist.
Bei Industry 4.0 dreht sich alles um Interkonnektivität, sensorgestützte Prozesssteuerung und datengesteuerte Systeme. Prozessanalysentechnik (PAT) wie die Online-Kernresonanzspektroskopie (NMR) gewinnt zunehmend an Bedeutung, da sie zur Automatisierung und Digitalisierung in der Produktion beiträgt. Eine klassische Auswertung von Prozessdaten und deren Umsetzung in Wissen ist jedoch bisher in vielen Fällen aufgrund der unzureichend großen verfügbaren Datensätze nicht möglich oder nicht wirtschaftlich. Bei der Entwicklung eines automatisierten Verfahrens für die Prozesskontrolle stehen manchmal nur die Basisdaten einer begrenzten Anzahl von Batch-Versuchen aus typischen Produkt- und Prozessentwicklungskampagnen zur Verfügung. Diese Datensätze sind jedoch nicht groß genug, um maschinengestützte Verfahren zu trainieren.
Um diese Einschränkung zu überwinden, wurde ein neues Verfahren entwickelt, das eine physikalisch motivierte Multiplikation der verfügbaren Referenzdaten erlaubt, um einen ausreichend großen Datensatz für das Training von maschinellen Lernalgorithmen zu erhalten. Das zugrundeliegende Beispiel einer chemischen Synthese wurde spektroskopisch verfolgt und mit der neuen Methode sowie mit einem physikalisch basierten Modell analysiert, wobei sowohl eine anwendungsrelevante Niederfeld-NMR als auch eine Hochfeld-NMR-Spektroskopie als Referenzmethode verwendet wurde.
Künstliche neuronale Netze (ANNs) haben das Potenzial, bereits aus relativ begrenzten Eingabedaten wertvolle Prozessinformationen abzuleiten. Um jedoch die Konzentration unter komplexen Bedingungen (viele Edukte und weite Konzentrationsbereiche) vorherzusagen, sind größere ANNs und damit ein größerer Trainingsdatensatz erforderlich. Wir zeigen, dass ein mäßig komplexes Problem mit vier Edukten unter Verwendung von ANNs in Kombination mit der vorgestellten PAT-Methode (Niederfeld-NMR-Spektroskopie) und mit dem vorgeschlagenen Ansatz zur Erzeugung aussagekräftiger Trainingsdaten bewältigt werden kann.