Bitte benutzen Sie diese Referenz, um auf diese Ressource zu verweisen: doi:10.22028/D291-26841
Titel: Datenfusion zur verbesserten Fehlstellendetektion bei der zerstörungsfreien Prüfung von Betonbauteilen
Sonstige Titel: Data fusion for the improved defect detection in non-destructive testing of concrete components
Verfasser: Völker, Christoph
Sprache: Deutsch
Erscheinungsjahr: 2017
SWD-Schlagwörter: Datenfusion
zerstörungsfreie Werkstoffprüfung
Beton
Freie Schlagwörter: Kiesnester
chloridinduzierte Betonstahl-Lochkorrosion
logistische Regression
data fusion
non-destructive testing
concrete
honeycombs
chloride-induced pitting corrosion
DDC-Sachgruppe: 620 Ingenieurwissenschaften und Maschinenbau
Dokumentart : Dissertation
Kurzfassung: Die vorliegende Arbeit behandelt Möglichkeiten zur Verbesserung von zerstörungsfreier Prüfung von Beton durch Datenfusion am Beispiel von Kiesnestern und chloridinduzierter Betonstahlkorrosion. Die Funktionsweise der Fusion wird sowohl theoretisch erläutert, als auch praktisch anhand von Fallstudien gezeigt. Die Kiesnestdetektion basiert auf Ultraschall-Puls-Echo- (US), Impact-Echo- und Radarmessungen. Für die Korrosionsdetektion wurden Potentialfeld- (PO), Wenner-Widerstands-, Mikrowellen-Feuchte- und Radarmessungen genutzt. Alle Messungen werden an referenzierten Probekörpern durchgeführt und evaluiert. Die Kiesnestdaten werden mit den drei Cluster-Algorithmen K-Means, Fuzzy C-Means und DBSCAN in die Klassen „intakt“ und „defekt“ unterteilt. Die Evaluierung der Ergebnisse zeigt, dass DBSCAN die Detektion gegenüber der des besten Einzelsensors US verbessert. Die Fusion der Korrosionsdaten basiert auf logistischer Regression (LR), ein Algorithmus aus dem überwachten Lernen. Auf der Basis „defekt“ oder „intakt“ gekennzeichneter Trainingsdaten wird eine Gleichung erlernt, die neue ungesehene Daten klassifiziert. Die Trainingsdaten werden durch wiederholte Messungen auf einem Probekörper erzeugt, der im Labor kontrolliert und beschleunigt verwittert wird. Für die Kennzeichnung der Trainingsdaten wird die Verwitterung dauerhaft überwacht und die Korrosion gezielt erzeugt. Die Ergebnisse zeigen eine Verbesserung durch die Datenfusion mit der LR gegenüber dem besten Einzelverfahren PO.
This work presents machine learning inspired data fusion approaches to improve the non-destructive testing of concrete. The principle effects that are used for data fusion are shown theoretically. Their effectiveness is tested in case studies carried out on large-scale concrete specimens with built–in simulated defects, such as honeycombs and chloride-induced pitting corrosion. The honeycomb data set consist of ultrasonic pulse-echo- (US), impact-echo- and ground penetrating radar-(GPR) test data. The corrosion data set consist of half-cell potential mapping (PO), Wenner resistivity, microwave moisture and GPR measurements. Three clustering algorithms, such as K-Means, Fuzzy C-Means and DBSCAN, were conducted to classify the honeycomb data as "intact" and "defect". The evaluation of the testing results is based on ROC-curves and demonstrates improved detection of DBSCAN over the best single sensor (US). Data Fusion of the corrosion data is based on the logistic regression algorithm (LR). It learns an optimal linear decision boundary from labeled training data, to separate intact and defect pixels in a multivariate data set. The training data are generated in an experiment that simulates the entire life cycle of chloride exposed concrete building parts. The unique possibility to monitor the deterioration, and targeted corrosion initiation, allows data labeling. The results exhibit an improved sensitivity of the data fusion with LR over the best single-sensor -PO.
Link zu diesem Datensatz: urn:nbn:de:bsz:291-scidok-69677
hdl:20.500.11880/26854
http://dx.doi.org/10.22028/D291-26841
Erstgutachter: Boller, Christian
Tag der mündlichen Prüfung: 19-Jun-2017
SciDok-Publikation: 12-Okt-2017
Fakultät: Fakultät 8 - Naturwissenschaftlich-Technische Fakultät III
Fachrichtung: NT - Materialwissenschaft und Werkstofftechnik
Ehemalige Fachrichtung: bis SS 2016: Fachrichtung 8.4 - Werkstoffwissenschaften
Fakultät / Institution:NT - Naturwissenschaftlich- Technische Fakultät

Dateien zu dieser Ressource:
Datei Beschreibung GrößeFormat 
Dissertation20170910.pdf36,72 MBAdobe PDFÖffnen/Anzeigen


Alle Ressourcen in diesem Repository sind urheberrechtlich geschützt.