KI‐gestützte Qualitätssicherung für die Fließfertigung von UHFB‐Stabelementen
Source abstract
Abstract
Abstract Schneller Präzisionsbau erfordert Modulbauweisen mit leichten, gut handhabbaren Bauelementen, die mit hohen Wiederholungsraten hergestellt werden können. Ein modularisiertes Stabwerk stellt eine solche Bauweise dar. Damit die Stabelemente kontinuierlich, schnell und wirtschaftlich hergestellt werden können, braucht es gegenüber dem klassischen Stahlbetonbau neue Fertigungs‐ und Konstruktionskonzepte, bei denen die Konstruktion hocheffizient ausgelegt sein muss (form follows force). Darüber hinaus muss die Konstruktion konsequent die Anforderungen aus einer schnellen Serienfertigung erfüllen. Für solche neuen Fertigungsprozesse bieten sich Qualitätssicherungskontrollen mit Künstlicher Intelligenz (KI) an, die ihre Daten aus einer Vielzahl unterschiedlicher Sensoren und Sensorarten gewinnen. Eine solche KI‐gestützte Produktion wird durch ein Künstliches Neuronales Netz (KNN) umgesetzt, das gegenüber konventionellen Ansätzen die Möglichkeit bietet, nichtlineare Zusammenhänge von heterogenen Daten abbilden zu können. In diesem Beitrag wird die KNN‐basierte Form der Qualitätssicherung (QS) an fließgefertigten Stabelementen exemplarisch für die Beurteilung von Betonoberfläche und Geometrie beschrieben, die einen ersten Schritt in eine Prozessregelung darstellen kann. Erste Untersuchungen haben gezeigt, dass damit sehr effizient auch kleine Fehlstellen eindeutig erkannt und lokalisiert werden können.
Source: crossref · Quality: baseline
Research context
OpenAlex topics: Advanced machining processes and optimization · Advanced Machining and Optimization Techniques · Advanced Surface Polishing Techniques
SciVX discovery tags are terminology-based. OpenAlex topics are source-provided classifications.
Affiliations
Leibniz Universität Hannover Institut für Statik und Dynamik Appelstraße 9a 30167 Hannover
Leibniz Universität Hannover Institut für Baustoffe Appelstraße 9a 30167 Hannover
References (17)
Show source-provided references
1. 10.1007/978-3-662-61095-410.1007/978-3-662-61095-4 ↗
2. Chalapathy R.;Chawla S.(2019)Deep Learning for Anomaly Detection: A Survey. Verfügbar unter:http://arxiv.org/abs/1901.03407.
3. 10.1016/j.marstruc.2020.10274510.1016/j.marstruc.2020.102745 ↗
4. 10.1016/j.ymssp.2013.04.00410.1016/j.ymssp.2013.04.004 ↗
5. 10.1002/best.20059009810.1002/best.200590098 ↗
6. Lindschulte N.(2013)Drucktragverhalten von Rohren aus Ultrahochfestem Beton mit Stahlblechummantelung. Diss. Gottfried Wilhelm Leibniz Universität Hannover.
7. Scholle N.;Lohaus L.;Lindschulte N.(2016)Weight‐saving potential of hybrid tube structuresin:Middendorf B.;Fehling E.(Hrsg.): Proc. of HiPerMat 2016 – 4th Int. Symp. on Ultra‐High Performance Concrete and High Performance Construction Material Kassel:kassel university press GmbH 09.–11.03.2016 Contribution193 pp.237–238.
8. Markowski J. · 2019 · 183
9. 10.14311/APP.2017.7.003810.14311/APP.2017.7.0038 ↗
10. Winding Reinforced UHPC Sandwich Structures for Lightweight Jackets for Offshore Megastructures
11. A Numerical Study on Wire Coating Analysis in MHD Flow of an Oldroyd 8‐Constant Fluid
12. Haist M.(2009)Zur Rheologie und den physikalischen Wechselwirkungen bei Zementsuspensionen[Dissertation] Universität Karlsruhe (TH).
13. Siami‐Namini S.;Tavakoli N.;Siamni Namin A.(2018)A Comparison of ARIMA and LSTM in Forecasting Time Seriesin: 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA).Orlando FL: IEEE. Dezember 2018. S.1394–1401.10.1109/ICMLA.2018.00227 ↗
14. 10.1162/neco.1997.9.8.173510.1162/neco.1997.9.8.1735 ↗
15. 10.1007/978-1-4471-0219-9_2010.1007/978-1-4471-0219-9_20 ↗
16. 10.21314/JCF.2019.35810.21314/JCF.2019.358 ↗
17. Dumoulin V.;Visin F.(2018)A guide to convolution arithmetic for deep learning