Computertomographie

Ziel des DFG-Schwerpunktprogramms ist es, die grundlegenden wissenschaftlichen Methoden für eine Herstellung von teiladaptiven Modulen aus Hochleistungsbeton in industrieller Fließfertigung zu entwickeln. Die Zielsetzung des Benchmarks ist es, in den verschiedensten Teilprojekten des DFG Schwerpunktprogramms die Genauigkeits- und Qualitätsgrenzen der inneren Struktur und äußeren Form der neuartig gefertigten Module aus Hochleistungsbeton mittels digitaler Modelle zu ermitteln, die mittels Computertomographie erzeugt werden. Die Mikro-Computertomographie ist eine der wenigen Methoden der Qualitätsprüfung, die die gleichzeitige Analyse der inneren und äußere Merkmale eines Moduls ermöglicht. Fragestellungen aus den Teilprojekten für Genauigkeits- und Qualitätsgrenzen der inneren Struktur und äußeren Form der neuartigen Module für die Untersuchung mittels röntgenbasierter Computertomographie sind beispielsweise:

• Faserverteilung und Orientierung, Faserorientierung relativ zu Mikro-Rissen
• Grad der vorweggenommen Schwindverformung bei Wärmebehandlung
• Kerbwirkung an Carbon-Spanngliedern, Poren, Rissen, Lufteinschlüssen in Bewehrung und Beton
• Soll- und Ist-Struktur-Vergleich bei gedruckten Modulen und Sandschalungen
• Verbund von Bewehrung und Beton, tatsächliche Bewehrungslage nach der Fertigung
• Verbund und Tragfähigkeit zwischen Lagen beim 3D-Betondruck
• Komplexe Strebengeometrie topologisch optimierter 3D-Strukturen

Die mittels Computertomographie extrahierten Modelle können über eine Auswertung bestimmter Merkmale hinaus zur Simulation der Eigenschaften der Betonmodule verwendet werden, die z. B. zur Ermittlung der Tragfähigkeit der Module dienen. Im folgenden Bild sind exemplarisch erste Ergebnisse zusammengefasst:

Die Abteilung Computational Imaging Systems hat ein Verfahren zur berührungslosen und breitbandigen Bestimmung von elektrischen Parametern auf Basis der Computertomographie (CT) entwickelt. Grundprinzip des Verfahrens ist, dass nach der Durchstrahlung von Multi-Gigabit-Verbindungsstrukturen mittels Röntgenstrahlen metallische Leitungsstrukturen von nichtleitenden Strukturen im Röntgenbild unterschieden werden können. Mittels CT können dann die tatsächlichen geometrischen Abmessungen der untersuchten Objekte bestimmt und sowohl geometrische 3D-Modelle der Leitungsstrukturen als auch Simulationsmodelle zur Charakterisierung der Strukturen gewonnen werden. Im Rahmen des Projekts wurde insbesondere gezeigt, wie die Computertomographie für die Aufbau- und Verbindungstechnik von Multi-Gigabit-Systemen zur Analyse von Prozessvariationen bei der Fertigung verwendet werden kann. Hierzu werden Geometrie- bzw. CAD-Modelle der Aufbau- und Verbindungstechnik aus den 3D-Volumendaten des Computertomographen extrahiert und für die weitergehenden Analysen verwendet. In gleicher Weise kann dies für die oben beschriebenen Zuverlässigkeitsanalysen unterschiedlichster Bauteile für elektronische Systeme verwendet werden. Da zukünftig die industrielle Computertomographie und Röntgentechnik immer stärker in den Fertigungsprozess als sogenannte Inline-Computertomographie industriell eingesetzt wird, wird dadurch der Einsatz automatisierter, CT-basierter Bauteilanalysen nicht nur für einzelne Prüflinge im Labor sondern prinzipiell auch für alle hergestellte elektronischen Systeme in der Fertigung ermöglicht. Die vorgestellten Methoden sind noch in einem frühen Technologie-Stadium und sollen zukünftig in der Fertigung elektronischer Systeme zum Einsatz kommen.

Geometrisches 3D-Modell einer passiven Schaltung erzeugt aus den 3D-CT-Volumendaten. Im Folgenden sind die Bilder verschiedener Ebenen in dem 3D-Volumenmodell dargestellt, aus dem das Modell erzeugt wurde. Diese Bilder enthalten sogenannte Artefakte, die durch die Algorithmik in der Bildgebung entstehen und die Qualität der extrahierten Modelle beinträchtigen können.

Geometrisches Modell eines Steckers, das mechanischen Deformationen nach vielen Steckzyklen enthalten kann. Diese können die elektrischen Eigenschaften des Steckers beeinträchtigen.

Aus der CT-Aufnahme eines Steckers (siehe Schnittbild durch das 3D-Volumen links) werden Oberflächenmodelle (3 Modelle rechts) in Abhängigkeit von Parametern der Oberflächenextraktion erzeugt.

Das Projekt MALLi 2 (Modellbasierte Abschätzung der Lebensdauer von gealterten Li-Batterien für die 2nd-Life Anwendung als stationärer Stromspeicher) erforderte ein interdisziplinäres und interaktives Konsortium aus verschiedenen Bereichen der Mathematik, den Ingenieurwissenschaften und der Industrie. Insbesondere sind gemeinsame Vorkenntnisse im Bereich Li-Batterien sowie engverzahnte Kompetenzen in mathematischer Modellierung, Homogenisierung und numerischen Verfahren notwendig. Die Modell-Entwicklung und -Validierung erfordert zudem einen direkten Zugang zur Produktion von Li-Modell-Zellen sowie deren elektrochemische- und computertomographische Vermessung. Der Verbund des Projektes MALLi besteht aus 5 wissenschaftlichen Projektpartnern (TP1-TP5) sowie VARTA Microbattery als Industriepartner.
Die Aufgabe des Teilprojekts 2 ist es, aus hochauflösenden CT-Aufnahmen der Batterien Modellparameter zu extrahieren, um die Alterungseffekte zu charakterisieren. Außerdem können die makroskopischen Batterie-Defekte zu Spontanausfällen von Batterien führen. Um diese Batterie-Defekte bezüglich der Lebensdauervorhersage zu berücksichtigen, kann prinzipiell mit bildgebenden Verfahren das Vorhandensein dieser makroskopischen Defekte identifiziert werden. 
Um die inneren Strukturveränderungen in Batterien während des Alterungsprozesses zu erkennen, haben wurde ein schnelles Convolutional Neural Network (CNN)  FDRN entwickelt, das die Deformation einer Batterie als Modellparameter ausgehend von zwei CT-Aufnahmen bestimmt, zwischen denen die Batterie durch den Alterungsprozess deformiert wird. Das CNN-basierte sog. Registrierungsnetzwerk wird auf dem Autoencoder-Backbone aufgebaut, wie im Folgenden dargestellt. Der Encoder extrahiert die Merkmale aus den Eingaben und der Decoder erzeugt das Verschiebungsvektorfeld. Die lokale normalisierte Kreuzkorrelation wird als Maß für die Unähnlichkeit verwendet, und die L2-Norm des Gradienten des Verschiebungsvektorfeldes wird als Regularisierungsterm verwendet. 

Um die Genauigkeit der obigen Modellparameterwerte zu erhöhen wird ein zweites neuronales Netz REM zur Auflösungserhöhung (Superresolution) dem FDRN vorgeschaltet.

Die mittels Computertomographie bestimmbaren Qualitätsmerkmale digitaler Modelle von Betonmodulen charakterisieren die Qualität jedes Betonmoduls sehr genau und ermöglichen dadurch eine Reduzierung der Sicherheitsbeiwerte. Deshalb ermöglichen CT-basierte Methoden zur Modellbildung und Modellparameter-Extraktion eine Ressourceneinsparung und tragen signifikant zur Nachhaltigkeit bei, da weltweit das Brennen des für den Beton von Bauwerken benötigten Zements 8 % der globalen klimaschädlichen CO2 -Emissionen verursacht.

Für die Analyse der Passung von trockenen Kontaktfugen wird der Fugenspalt in den digitalen Modellen vermessen, so dass die Voxel-Auflösung der 3D-CT-Datensätze für die Genauigkeit der Ergebnisse relevant ist. Deshalb wurde ein Verfahren zur Auflösungserhöhung (Multi-Image Superresolution für Multi-GPUs) für den 3D-CT-Datensatz entwickelt, das durch die Verschiebung des Detektors um ein halbes Pixel in x- und y-Richtung mit insgesamt jeweils 4 Aufnahmen eine Erhöhung der Bildauflösung um ca. den Faktor 2 erreicht. Diese Ergebnisse sind in die mit Auszeichnung bewertete Promotion von Sun, K., Super-resolution Enhancement for Computed Tomography Imaging and Image Processing eingeflossen. Die Ergebnisse sind ebenfalls in der folgenden Publikation dargestellt:

Publikation:

K. Sun, T. H. Tran, J. Guhathakurta and S. Simon, FL-MISR: Fast Large-Scale Multi-Image Super-Resolution for Computed Tomography Based on Multi-GPU Acceleration. Journal of Real-Time Image Processing (2022), pp. 1–13.

Verschiebung des Detektors um ein halbes Pixel in x-y-Richtungen mit insgesamt jeweils 4 Aufnahmen.

Der vorgeschlagene Algorithmus wurde eingehend evaluiert, und die experimentellen Ergebnisse zeigen, dass er die räumliche Auflösung von CT-Systemen in Bezug auf die Modulationsübertragungsfunktion (MTF) und die visuelle 

Wahrnehmung effektiv verbessert, wie in Abbildungen dargestellt. Es wird gezeigt, dass die vorgeschlagene Methode, FL-MISR genannt, im Vergleich zur Standard-CT die MTF quantitativ und die visuelle Qualität für alle untersuchten Vergrößerungen deutlich verbessert.  Im Vergleich zu einer Multi-Core-CPU-Implementierung erreicht FL-MISR eine mehr als 50-fache Beschleunigung auf einem handelsüblichen 4-GPU-System, wie in Tabelle I zusammengefasst ist.

Auswertung der MTF bei verschiedenen Vergrößerungen. a) 5fache Vergrößerung; b) 10fache Vergrößerung; c) 25fache Vergrößerung.

Bilder des QRM-Balkenmuster-Phantoms das die Auflösung der Strichmuster zeigt. Links: a) Vergrößerung von 5, b) Mitte: Vergrößerung von 10, c) 25fache Vergrößerung.

Auflösungserhöhung, die insbesondere in den Fugen der Beton-Proben sichtbar wird.