EEpBeton - Entwicklung eines datengetriebenen Materialmodells für die Echtzeit-Eigenschaftsprädiktion bei der Betonherstellung und Qualitätssicherung

Kurzbeschreibung

Die Herstellung von Beton, der nicht die vom Kunden geforderten Eigenschaften besitzt, kann für den Produzenten wirtschaftliche Verluste und rechtliche Risiken erzeugen. Deshalb soll im Rahmen des Projekts am Fachgebiet Mess- und Regelungstechnik ein Assistenzsystem für Betonanlagenbediener prototypisch entwickelt werden. Ein wichtiges Teilziel dabei ist das Erstellen von Prognosemodellen mittels Methoden des maschinellen Lernens für die 28-Tage-Druckfestigkeit von Beton, welche eine wichtige Kenngröße darstellt.

Zur Gewinnung von Daten wird das Beton-Technikum des Kooperationspartners nachinstrumentiert und es werden entsprechende Versuche inklusive der Messungen relevanter Einflussgrößen, sowie der Erfassung von Probekörpereigenschaften durchgeführt.

Bearbeiter

M.Sc. Farzad Rezazadeh Pilehdarboni

Zeitraum

September 2021 - Dezember 2023

 

Förderung

Land Hessen LOEWE 3

Publikationen zum Projekt

  1. Farzad Rezazadeh, Axel Dürrbaum, Gregor Zimmermann, Andreas Kroll: Holistic Modeling of Ultra-High Performance Concrete Production Process: Synergizing Mix Design Fresh Concret e Properties and Curing Conditions, 33. Workshop Computational Intelligence, 215--237, KIT Scientific Publishing, 10.5445/KSP/1000162754, https://doi.org/10.5445/KSP/1000162754, 2023
  2. Farzad Rezazadeh, Axel Dürrbaum, Gregor Zimmermann, Andreas Kroll: Leveraging Ensemble Structures to Elucidate the Impact of Factors that Influence the Quality of Ultra–High Pe rformance Concrete, 2023 IEEE Symposium Series on Computational Intelligence (SSCI), 180-187, IEEE Press, 2023
  3. Axel Dürrbaum, Farzad Rezazadeh, Andreas Kroll: Automatic Camera-based advanced Slump FlowTesting for Improved Reliability, IEEE Sensors 2023, 2023
  4. Farzad Rezazadeh, Andreas Kroll: Predicting the compressive strength of concrete up to 28 days-ahead: Comparison of machine learning algorithms on benchmark datasets, 32. W orkshop Computational Intelligence, 53-75, KIT Scientific Publishing, 10.5445/KSP/1000151141, https://doi.org/10.5445/KSP/1000151141, 2022