2026-09-18T05:07:33Zhttps://elekpub.bib.uni-wuppertal.de/oai/

oai:elekpub.bib.uni-wuppertal.de:80128082025-08-05T11:00:05ZubwhsoaDoctoralThesis

vls/2603noah-balancer_mdapi1elekpub.bib.uni-wuppertal.devdDeep-Learning-basierte Materialbestimmung für die industrielle ComputertomographieWeiß, MoritzVerfasserautMeisen, TobiasAkademischer BetreuerdgsLützenkirchen-Hecht, Dirk1964-Akademischer BetreuerdgsBergische Universität WuppertalGrad-verleihende InstitutiondggtextthesisTextHochschulschriftthesisdoctoralThesisgwXA-DEWuppertal2025single unitgerelectronic resourceremotetext/htmltext/html1 Online-Ressource (viii, 156 Seiten) : IllustrationenComputerOnline-RessourceDie 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.von M. Sc. Moritz Weiß aus EssenBergische Universität Wuppertal, Dissertation, 2025Wuppertal621urn:nbn:de:hbz:468-2-586910.25926/BUW/0-86699375917700706441Druck-AusgabeHT031234672https://dx.doi.org/10.25926/BUW/0-866https://nbn-resolving.org/urn:nbn:de:hbz:468-2-5869Open AccessCC BY-NC-SA 4.02025-06-06oaDoctoralThesispublicrda25071620250918113209.0CT009000402s2w-hsswupubwgerUBW:E:E.04 https://elekpub.bib.uni-wuppertal.de//domainresource/static/graphics/connectors/viewerLogo.gifWuppertal : Bergische Universität Wuppertalcc-by-nc-sa https://ub-wuppertal.digibib.net/search/katalog/record/(DE-605)urn%3Anbn%3Ade%3Ahbz%3A468-2-5869 https://elekpub.bib.uni-wuppertal.de/id/8012808 https://elekpub.bib.uni-wuppertal.de/i3f/v20/8012808/manifest https://elekpub.bib.uni-wuppertal.de/proto_ftsearch/8012808