Bibliographic Metadata
Bibliographic Metadata
- TitleDeep-Learning-basierte Materialbestimmung für die industrielle Computertomographie / von M. Sc. Moritz Weiß aus Essen
- Author
- Degree supervisor
- Published
- Description1 Online-Ressource (viii, 156 Seiten) : Illustrationen
- Institutional NoteBergische Universität Wuppertal, Dissertation, 2025
- Defended on2025-06-06
- LanguageGerman
- Document typeDissertation (PhD)
- Degree grantor
- URN
- DOI
Restriction-Information
- The document is publicly available on the WWW
Links
- Social MediaShare
- Reference
- Archive
- IIIF
Files
Classification
Zusammenfassung
Die industrielle Computertomographie (CT) ist eine zerstörungsfreie Prüftechnik, die dreidimensionale, digitale Abbilder, die sogenannten CT-Volumen, von Prüfteilen mithilfe von Röntgenstrahlung erzeugt. Diese Dissertation untersucht den Einsatz von Deep Learning (DL) zur Bestimmung der Kernladungszahl und Dichte von Prüfteilen anhand von industriellen CT-Scans. Mit dem so erlangten Wissen über die Materialzusammensetzung eines Prüfteils können vielfältige Prüfszenarien, insbesondere an sicherheitskritischen Prüfteilen, realisiert sowie der Recyclingprozess verbessert werden. Der Einsatz eines DL-basierten Ansatzes verlangt neben einer passenden DL-Architektur Trainingsdaten, die das zu lernende Problem, die Materialbestimmung, hinreichend gutdarstellen. Somit besteht ein zentraler Beitrag dieser Dissertation in der Entwicklung einer anforderungsgerechten CT-Simulation zur Erzeugung annotierter Datensätze. Weiterhin wird in dieser Dissertation erstmalig eine Convolution-basierte Architektur mit einerTransformer-basierten Architektur für die Materialbestimmung anhand von CT-Volumen quantitativ verglichen. Die wichtigsten Einflussfaktoren, die bei dem Transfer der entwickelten Methode zur Materialbestimmung in die reale CT-Anwendung auftreten, werden identifiziert und quantitativ analysiert. Anhand eines realen CT-Scans einer LithiumIonen-Batterie wird gezeigt, dass die entwickelte Methode geeignet ist, um sowohl in Bezug auf Präzision als auch Laufzeit in der in-line Fertigung von Lithium-Ionen-Batterien eingesetzt zu werden. Abschließend werden abseits der Materialbestimmung weitere Anwendungspotentiale aus der entwickelten Methodik abgeleitet und exemplarisch erprobt.
Content
Stats
- The PDF-Document has been downloaded 5 times.
License/Rightsstatement
