Angewandte Physik
Filtern
Erscheinungsjahr
Dokumenttyp
- Vortrag (1515)
- Zeitschriftenartikel (552)
- Beitrag zu einem Tagungsband (424)
- Posterpräsentation (283)
- Forschungsbericht (33)
- Dissertation (25)
- Buchkapitel (23)
- Sonstiges (20)
- Zeitschriftenheft (Herausgeberschaft für das komplette Heft) (11)
- Beitrag zu einem Sammelband (6)
Sprache
- Englisch (2244)
- Deutsch (670)
- Mehrsprachig (4)
- Französisch (1)
Schlagworte
- Hydrogen (184)
- Wasserstoff (85)
- Corrosion (72)
- Safety (69)
- Laser-induced periodic surface structures (LIPSS) (54)
- Ageing (50)
- Eigenspannungen (48)
- Welding (46)
- Transport (42)
- LH2 (41)
Organisationseinheit der BAM
- 3 Gefahrgutumschließungen; Energiespeicher (664)
- 9 Komponentensicherheit (484)
- 8 Zerstörungsfreie Prüfung (301)
- 9.4 Integrität von Schweißverbindungen (297)
- 7 Bauwerkssicherheit (262)
- 6 Materialchemie (185)
- 3.3 Sicherheit von Transportbehältern (161)
- 2 Prozess- und Anlagensicherheit (155)
- 3.5 Sicherheit von Gasspeichern und Gefahrguttanks (152)
- 2.1 Sicherheit von Energieträgern (151)
Paper des Monats
- ja (33)
One of the challenges of high-temperature polymer electrolyte membrane fuel cells is the poisoning of the Pt catalystwith H3PO4. H3PO4 is imbibed into the routinely used polybenzimidazole-based membranes, which facilitate Proton conductivity in the temperature range of 120−200 °C. However, when leached out of the membrane by water produced during operation, H3PO4 adsorbs on the Pt catalyst surface, blocking the active sites and hindering the oxygen reduction reaction (ORR).
The reduction of H3PO4 to H3PO3, which occurs at the anode due to a combination of a low potential and the presence of gaseous H2, has been investigated as an additional important contributing factor to the observed poisoning effect. H3PO3 has an affinity toward adsorption on Pt surfaces even greater than that of H2PO4 −. In this work, we investigated the poisoning effect of both H3PO3 and H3PO4 using a half-cell setup with a gas diffusion electrode under ambient conditions. By means of in situ X-ray absorption spectroscopy, it was possible to follow the signature of different species adsorbed on the Pt nanoparticle catalyst (H, O, H2PO4 −, and H3PO3) at different potentials under ORR conditions in various electrolytes (HClO4, H3PO4, and H3PO3). It was found that H3PO3 adsorbs in a pyramidal configuration P(OH)3 through a Pt−P bond. The competition between H3PO4 and H3PO3 adsorption was studied, which should allow for a better understanding of the catalyst poisoning mechanism and thus assist in the development of strategies to mitigate this phenomenon in the future by minimizing H3PO3 generation by, for example, improved catalyst design or adapted operation conditions or changes in the electrolyte composition.
This presentation introduces thermography (thermal imaging) as a key method for non-destructive testing (NDT) of wind turbine rotor blades. By leveraging solar heating and aerodynamic effects, passive thermography detects internal defects, delaminations, and surface issues like leading edge erosion. We discuss field measurements, the role of AI/Machine Learning (LATODA) for automated defect classification, and its importance for improving O&M efficiency and lifetime extension in the wind energy sector.
Der Vortrag der Bundesanstalt für Materialforschung und -prüfung (BAM) stellt die Einführung und Anwendung thermografischer Methoden zur Ermüdungsprüfung und Ganzblatt-Rotorblattprüfung vor. Die BAM, tätig in Forschung, Prüfung und Beratung, trägt zur technischen Sicherheit bei und unterstützt die Energiewende.
Die Abteilung 8.3 "Thermographic Methods" arbeitet an der Forschung, Entwicklung und Anwendung thermografischer Prüf- und Überwachungstechniken. Passive Thermografie ist eine bildgebende Messung der Oberflächentemperatur, die Informationen über das Innere von Bauteilen liefert. Durch Nutzung von Sonneneinstrahlung und Temperaturschwankungen können auch große Strukturen wie Rotorblätter geprüft werden.
Thermische Inspektionen visualisieren Temperaturunterschiede, die durch Material-, Struktur-, Aerodynamik- und Oberflächeneigenschaften sowie Reibungswärme entstehen. Bei rotierenden Rotorblättern wird die Thermografie eingesetzt, um Strömungsphänomene (laminar/turbulent), Oberflächendefekte (z.B. Regen-Erosion) und innere Defekte zu erkennen.
Ein Schlüsselprojekt ist die AI-gestützte Bildklassifizierung (LATODA) von über 1200 Roh-Infrarotbildern für die Mangeldetektion. Ziel ist die Entwicklung von zuverlässigen, automatisierten, robotergestützten Verfahren, um Schäden schnell zu erkennen und so Effizienzverluste (AEP-loss) zu vermeiden und die Lebensdauer von Windenergieanlagen zu verlängern.
Thermografische Ferninspektion von Windenergieanlagen im Betrieb –Potenziale und Herausforderungen
(2025)
Rotorblätter zählen zu den kostenintensivsten Komponenten von Windenergieanlagen in Bezug auf Wartung und Ausfallzeiten. Mit der zunehmenden Blattlänge – aktuell bis zu 115 m – steigen auch die Anforderungen an effektive Inspektionsmethoden. Die Bundesanstalt für Materialforschung und -prüfung (BAM) entwickelt hierfür eine passive thermografische Ferninspektion vom Boden aus, die die klassische visuelle Prüfung durch Industriekletterer ergänzen oder perspektivisch ersetzen soll. Feldmessungen und Laborexperimente belegen das Potenzial dieser Technik, sowohl strömungsbedingte thermische Signaturen als auch strukturelle Anomalien innerhalb der Rotorblätter zu erfassen. Eine besondere Herausforderung liegt in der Trennung dieser überlagerten Effekte sowie in der eingeschränkten Kenntnis der inneren Blattstruktur aufgrund fehlender Designdaten. Um die Methode zur Marktreife zu führen, sind Fortschritte in der Bildverarbeitung, etwa durch eine patentierte Differenzbildung, erforderlich. Der Beitrag stellt die zugrunde liegende Messtechnik, Ergebnisse einer groß angelegten Feldstudie mit 30 Anlagen sowie die identifizierten physikalischen Einflussgrößen (Strömung, Struktur, Emissivität) vor und gibt einen Ausblick auf die nächsten Entwicklungsschritte.
Die Bundesanstalt für Materialforschung und -prüfung (BAM) forscht und prüft für Sicherheit in Technik und Chemie an drei Standorten in Berlin, sowie auf dem Testgelände Technische Sicherheit in Horstwalde in Brandenburg. Hier haben wir weitreichende Möglichkeiten, Großversuche im Realmaßstab durchzuführen. Besonderes Augenmerk richten wir heute auf das Reallabor Wasserstofftankstelle. Diese voll digitalisierte technische Anlage, die die Wertschöpfungskette von Wasserstoff abbildet, wurde gerade eröffnet und steht nun Partnern aus Industrie und Forschung sowie kleinen mittelständischen Unternehmen oder Start-Ups zum gemeinsamen Forschen und Erproben neuer Technologie zur Verfügung. Ihre Besonderheiten umfassen z.B. eine umfassende Prozessüberwachung nach Industrie 4.0, die dafür nötige IT/OT Infrastruktur, Digitale Zwillinge auf verschiedenen Ebenen, großflächige Aufstellung und baulicher Schutz, Gas-Probenahmestellen auf dem Weg durch die Anlage und H2-Sensornetzwerke zur frühzeitigen Erfassung und Ortung von Leckagen.
Die Bundesanstalt für Materialforschung und -prüfung (BAM) ist eine wissenschaftlich-technische Bundesoberbehörde mit Sitz in Berlin, die zum Geschäftsbereich des Bundesministeriums für Wirtschaft und Klimaschutz gehört. Unsere Hauptaufgabe besteht darin, durch Forschung, Prüfung und Beratung zum Schutz von Mensch, Umwelt und Sachgütern beizutragen. Dies umfasst die Bewertung der Sicherheit von Materialien, Stoffen und Produkten sowie die Entwicklung von Methoden und Standards in Bereichen wie Materialwissenschaft, Werkstofftechnik und Chemie. Wir forschen und prüfen an drei Standorten in Berlin, sowie auf unserem Testgelände Technische Sicherheit in Horstwalde in Brandenburg. Hier haben wir weitreichende Möglichkeiten, Versuche im Realmaßstab durchzuführen. Besonderes Augenmerk möchten wir heute auf das Reallabor Wasserstofftankstelle richten. Diese voll digitalisierte technische Anlage, die die Wertschöpfungskette von Wasserstoff abbildet, wurde gerade eröffnet und steht nun Partnern aus Industrie und Forschung sowie kleinen mittelständischen Unternehmen oder Start-Ups zum gemeinsamen Forschen und Erproben neuer Technologie zur Verfügung. Ihre Besonderheiten umfassen z.B. eine umfassende Prozessüberwachung nach Industrie 4.0, die dafür nötige IT/OT Infrastruktur, Digitale Zwillinge auf verschiedenen Ebenen, großflächige Aufstellung und baulicher Schutz, Gas-Probenahmestellen auf dem Weg durch die Anlage und H2-Sensornetzwerke zur frühzeitigen Erfassung und Ortung von Leckagen.
Explosion characteristics of hydrogen mixtures have been extensively investigated at different conditions. Due to the intensiveness of the explosion characteristics experimental determination, empirical and semi-empirical models are commonly used to predict explosion limits in dependance of conditions: temperature, pressure, and mixture composition. However, unevenly distributed, and limited empirical data and the complex non-linear relationship of these explosion characteristics’ present significant challenges to empirical explosion limits prediction methods under various mixture conditions. Moreover, some empirical models and semi-empirical models are not comprehensive and limited in scope of application. To address these issues, the present study adapts a machine learning approach for improving the hydrogen mixtures explosion characteristics prediction at different conditions, offering a fast, flexible, and comprehensive accurate prediction approach. A Multi-Layer Perceptron model was trained, validated, and tested using key input features such as flammability state, initial mixture temperature, inert gas concentration, adiabatic flame temperature, and Lewis numbers. Data augmentation techniques were conducted to supplement and improve the predictive capability of the model. The model’s performance was compared with a separate experimental dataset. This machine learning approach offers a cost-effective and robust alternative to existing empirical explosion limit prediction method, thus also reducing the experimental effort for explosion limits determination.
Explosion characteristics of hydrogen mixtures have been extensively investigated at different conditions. Due to the intensiveness of the explosion characteristics experimental determination, empirical and semi-empirical models are commonly used to predict explosion limits in dependance of conditions: temperature, pressure, and mixture composition. However, unevenly distributed, and limited empirical data and the complex non-linear relationship of these explosion characteristics’ present significant challenges to empirical explosion limits prediction methods under various mixture conditions. Moreover, some empirical models and semi-empirical models are not comprehensive and limited in scope of application. To address these issues, the present study adapts a machine learning approach for improving the hydrogen mixtures explosion characteristics prediction at different conditions, offering a fast, flexible, and comprehensive accurate prediction approach. A Multi-Layer Perceptron model was trained, validated, and tested using key input features such as flammability state, initial mixture temperature, inert gas concentration, adiabatic flame temperature, and Lewis numbers. Data augmentation techniques were conducted to supplement and improve the predictive capability of the model. The model’s performance was compared with a separate experimental dataset. This machine learning approach offers a cost-effective and robust alternative to existing empirical explosion limit prediction method, thus also reducing the experimental effort for explosion limits determination.
Flammability characteristics of hydrogen mixtures have been extensively investigated at different initial conditions(temperature and pressure). Based on the available experimental datasets, empirical and semi-empirical models are commonly used to calculate flammability limits in dependance to initial conditions and mixture composition to reduce the experimental effort. However, unevenly distributed empirical data and the complex non-linear relationship characteristics of these data present significant challenges to empirical flammability limits prediction methods under various mixture initial conditions. Moreover, the empirical models and semi-empirical models only cover some influencing parameters, respectively. To address these issues, the present study adapts a machine learning (ML) approach for improving the hydrogen-air/oxygen-inert gas mixture flammability limits prediction at different conditions with a holistic approach. A Multi-Layer Perceptron (MLP) model was trained, validated, and tested using key input features such as flammability state, initial mixture temperature, equivalence ratio, inert gas concentration, adiabatic flame temperature, and Lewis numbers. Data augmentation techniques were conducted on experimental datasets to improve the predictive capability of the model. The models' performance was compared with empirical flammability limit prediction methods. The goal is to deliver fast, reliable, and more accurate predictions across different scenarios with a single prediction model. Most importantly, the machine learning approach offers a cost-effective and robust alternative to existing empirical flammability limit prediction methods, thus also reducing the experimental effort for explosion limits determination.
A presentation on the impact of creep phenomena during initial loading on the safety of type 4 composite pressure vessels. A statistical evaluation of slow burst tests shows an increase of the survival rate of initially loaded composite pressure vessels (sustained load and increased pressure) compared to the ones tested in a brand-new state.