Datenfusion zur verbesserten Fehlstellendetektion bei der zerstörungsfreien Prüfung von Betonbauteilen

Abstract

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.