用于层间粘结强度的感官数据映射与数据库开发：迈向3D混凝土打印中的数字化建模

《Additive Manufacturing》：Sensory data mapping and database development for interlayer bond strength: Towards digital shadows in 3D concrete printing

数字混凝土打印（3DCP）中通过融合在线非破坏性传感数据与离线破坏性测试结果，建立生产参数与机械性能的直接关联，形成包含46项传感器特征、超50万数据点的开放数据库，为自适应反馈控制层间粘结强度奠定基础。

　　

J. Versteege | T.A.M. Salet | R.J.M. Wolfs

埃因霍温理工大学建筑环境系，荷兰埃因霍温

摘要

通过采用更加全面的质量评估策略，可以提升混凝土数字制造过程中的质量控制，该策略强调在制造过程中进行过程监控。传统的方法基于破坏性测试，这种方法资源消耗大、速度慢，并且无法捕捉到过程中的变化。为了克服这些限制，本研究将在线非破坏性传感数据与基于试样的破坏性测试相结合，生成了一个数据集，在该数据集中生产条件和机械性能直接关联。专门的数据融合方法确保了3D混凝土打印（3DCP）设施中多传感器环境的测量结果能够准确地映射到打印对象的数字表示上，无论传感器的位置如何。结果是一个连贯的、自主的数字“影子”，其中传感数据与实验测量的机械性能相互关联。进行了一项大规模的实验计划，在系统变化的过程中生产了超过一千个试样。虽然主要关注的是层间粘结强度，但也包括了抗压强度和其他机械性能。由此产生的开放访问数据库包含了超过46个传感特征，每个特征都包含超过五万个数据点。本文最后进行了探索性分析，展示了数据的变化性和单变量关系；机械性能的多变量预测建模超出了当前的研究范围。通过将质量评估嵌入生产阶段，这项工作为3DCP中层间粘结强度的自适应反馈控制奠定了基础。

引言

利用自动化和数字化技术进行混凝土数字制造（DFC）有望提高建筑行业的可持续性和生产力，从而创造出高质量的产品[1]、[2]、[3]。然而，与传统制造方法相比，这些技术对过程或环境条件的变化更加敏感，这可能会对最终产品的质量产生负面影响[4]、[5]。这种脆弱性往往源于这些技术的创新特性，例如不需要传统模板或分层沉积材料[6]、[7]。因此，在整个制造过程和使用阶段实现并保持一致的质量变得更加复杂和具有挑战性。

有效的质量控制始于准确的评估。这里的质量是指符合设计或规格的要求，范围从几何形状的一致性到耐久性或机械性能。对于水泥基材料，性能通常通过成熟的测试方法进行评估，这些方法能够表征对象使用阶段相关的硬化状态特性。这些离线破坏性测试方法虽然可靠，但耗时且资源需求高，并且由于采样率通常较低，因此只能提供有限的过程变化信息[8]。

虽然使用阶段决定了质量要求，但性能主要由生产阶段决定。因此，鉴于DFC对过程和环境变化的敏感性，采用更加全面的质量评估方法将是有益的；这种方法不仅包括离线破坏性测试，还包括通过在线非破坏性过程监控来评估过程动态及其对产品性能的影响。在线测量所达到的分辨率可以比试样测试高出几个数量级。此外，它还提供了在生产过程中通过自适应反馈循环进行即时调整的机会[9]、[10]、[11]。然而，这些技术并不能直接测量相关的机械性能，因此需要建立在线数据与目标性能之间的关系[12]、[13]，这一点在其他材料的增材制造中已经得到了验证[14]、[15]、[16]。

在DFC领域，人们已经投入了大量精力开发和应用离线测量方法，用于评估早期结构完整性[8]、[17]、[18]、[19]、硬化后的机械性能[20]、[21]、[22]或耐久性[23]、[24]、[25]。同时，也在探索用于在线过程监控的传感器技术，范围从几何形状的测量[26]、[27]到过程动态[28]、[29]、[30]。然而，在DFC中整合这两种方法进行质量评估的努力还有限。

本文旨在通过提出一种方法来弥补这一差距，该方法利用在线非破坏性过程监控收集的数据来丰富基于试样的破坏性实验结果。该方法基于创建对象的数字表示，当数据流完全自主时，这种数字表示被称为“数字影子”[31]、[32]。该方法以挤压式3D混凝土打印（3DCP）的硬化机械性能作为示例进行了演示。3DCP是DFC领域的一项技术，被工业界和学术界广泛采用[33]。特别是，本文的重点是评估层间粘结强度[6]、[21]、[34]、[35]，这是推动3DCP在实际结构应用中的重要课题。

首先讨论了实验计划，详细介绍了所使用的打印设施和试样制备程序（第2节）。然后描述了用于表征机械性能的经典破坏性测试程序（第3节），包括抗压强度和层间粘结强度的测试。将介绍一种方法，将在线传感数据映射到打印对象内的相应位置，进而映射到被测试的试样上（第4节）。这种映射过程是一种数据融合[36]、[37]，考虑了打印系统的独特特性及其多传感器配置，实现了所有数据流在空间和时间上的同步。该映射程序生成了一个包含超过1000个打印试样的数据集（第5节），该数据集是通过设计来涵盖各种过程条件的实验计划产生的。该数据集发布在一个开放访问数据库中[38]。在生产阶段捕获的传感数据与通过所描述的破坏性测试设置获得的每个试样的实验数据系统地进行了关联。本研究中使用的传感数据是通过多传感器过程监控设置收集的，具体细节在[39]、[40]中有所介绍，这些数据构成了此处分析的基础。该设置特别针对与粘结强度相关的参数，例如与打印层的几何形状和含水量相关的参数。

丰富的数据集为开发先进的质量评估程序提供了基础，这些程序可以利用生产阶段的数据来预测使用阶段的产品质量，为DFC中更高效和可靠的质量评估铺平了道路。本文最后对实验计划生成的数据集进行了探索性统计分析（第6节）。

节选内容

3D打印机和传感器设置

所有实验都使用了埃因霍温理工大学的3D混凝土打印设施来建立本文所呈现的数据集。该设施配备了一个大型的龙门机器人，其打印体积为$9.0\times 4.5\times 2.8m干燥材料存储在料仓中，直接送入m-tec\; duo-mix连接搅拌泵。该机器配备了一个半批量混合室和一个渐进式腔体泵，将材料通过一根长达10米的软管推送出去。$

测试方法的选择

可以通过实验来评估生产过程和环境因素对层间粘结强度的影响，在这些实验中，多个界面及其周围材料受到最大应力。当层间粘结非常好，其机械性能与其周围材料相当时，由于材料中的自然缺陷，裂纹会在试样的任意位置开始出现。

传感数据与实验的映射

在该设施中，采用了知识驱动的特征工程技术从高维在线传感器数据中提取特征，每个测量值都带有时间戳。因此，这些特征本质上是基于时间的，表示为时间的函数。相比之下，第3节中的离线破坏性测试结果与每个提取的试样内的离散空间位置相关联，这些位置又对应于打印对象的具体层。

数据集

实验计划（第2.2节）期间获取的所有数据都使用了本文详细介绍的映射程序进行处理，生成了一个统一的数据集，并发布在一个开放访问数据库中[38]。通过在线过程监控设置收集的特征（第2.1节）根据传感器的位置进行了时间和空间偏移的校正，然后映射到打印墙体内的相应位置。

探索性数据分析

由于数据集的规模和范围，理解数据并识别有意义的模式并不容易。因此，本文以对数据集的探索性分析作为结尾，以便熟悉其结构。这样的分析对于未来使用数据集非常有价值，因为它有助于评估统计方法或机器学习模型的假设是否得到满足，例如正态性、独立性或线性。此外，它还可以揭示更广泛的信息。

结论

本文展示了如何利用在线非破坏性过程监控收集的数据来丰富基于试样的破坏性实验结果。所描述的程序可以弥合3DCP设施中在线传感器技术的最新进展与离线评估方法（用于评估早期结构完整性、耐久性性能或硬化后的机械性能）之间的差距。这是通过映射从在线数据中提取的特征来实现的。

CRediT作者贡献声明

J. Versteege：撰写——原始草稿、软件开发、数据整理、概念化。T.A.M. Salet：撰写——审阅与编辑。R.J.M. Wolfs：撰写——审阅与编辑、监督、概念化。

写作过程中生成式AI和AI辅助技术的声明

在准备本工作时，作者使用了ChatGPT来校对和纠正语法和拼写错误。这项服务仅用于提高现有文本的可读性，而不是生成新信息。使用该服务后，作者根据需要审阅和编辑了内容，并对出版物的内容负全责。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

J. Versteege的博士项目得到了埃因霍温理工大学EAISI研究所的资助。我们对此表示衷心的感谢。

作者还希望向埃因霍温结构实验室的工作人员表示衷心的感谢，他们在本研究设置过程中提供了宝贵的帮助。特别感谢A. Leemans和J.C. Spieringhs对实验工作的贡献。

作者感谢A.H. Deetman提供的测量数据。