Abstract
Het hoofddoel van dit project is het ontwikkelen van een nieuwe data-analysebenadering voor kwantitatieve materiaalkarakterisering op basis van spectrale reflectie. Indien succesvol, zal de voorgestelde aanpak een nauwkeurige schatting van materiaaleigenschappen mogelijk maken, op een niet-destructieve en contactloze manier, in tegenstelling tot veel bestaande laboratorium gebaseerde meettechnieken. Bovendien is het in-situ inzetbaar, voor inspectie op grote infrastructuren of kwaliteitscontrole in de productie. De voorgestelde aanpak combineert een geometrische beschrijving waarin materiaaleigenschappen worden weergegeven op krommen of laag-dimensionale oppervlakken, en machinaal leren om deze representaties te relateren aan werkelijke schattingen van materiaaleigenschappen. De representatie wordt invariant gemaakt voor spectrale variabiliteit, om de methode toepasbaar te maken onder variabele omgevings- en acquisitieomstandigheden en in cross-sensorsituaties. De voorgestelde methodologie zal worden ontwikkeld voor een grote groep materiaalkarakteriseringstaken. Meer specifiek worden methoden ontwikkeld voor het schatten van de materiaalsamenstelling (d.w.z. de massafracties van de materiaalcomponenten), de detectie van doelmateriaal componenten en de schatting van het watergehalte. Verder zullen 3 use cases van de ontwikkelde methodieken worden uitgewerkt, gerelateerd aan corrosiemonitoring en karakterisering van bouwmaterialen.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)