Stuttgart, Univ., Diss., 2007.

La thermographie à phase pulsée (TPP) a été présentée comme une nouvelle technique robuste de thermographie infrarouge (TIR) pour les essais non destructifs (END). Elle utilise la transformée de Fourier discrète (TFD) sur les images thermiques obtenues après un chauffage flash de la surface avant d'un spécimen pour extraire les informations de délai de phase (ou phase). Les gammes de phase calcules (ou cartes de phase) sont utilises pour la visualisation des défauts dans de nombreux matériaux. Le contraste de température permet de détecter les défauts à partir des données thermographiques. Cependant, les images thermiques comportent généralement un niveau de bruit important et des arrière-plans non uniformes causés par un chauffage inégal et des réflexions environnementales. Par conséquent, il n'est pas facile de reconnaître efficacement les régions défectueuses. Dans ce travail, nous avons appliqué la technique LSTM (Long Short Term Memory) et des réseaux de neurones convolutifs (RNC) basés sur des modèles d'apprentissage profond (AP) à la détection des défauts et à la classification de la profondeur des défauts à partir de données d'images thermographiques. Nos résultats expérimentaux ont montré que l'architecture proposée basée sur l'AP a obtenu des scores de précision de 0.95 et 0.77 pour la classification des pixels sains et défectueux. En outre, les résultats expérimentaux ont montré que les techniques LSTM et RNC ont obtenu des précisions de 0.91 et 0.82 pour la classification de la profondeur des défauts, respectivement. Par conséquent, la technique LSTM a surpassé la technique RNC pour les cas de détection des défauts et de classification de la profondeur des défauts. / Pulse Phase Thermography (PPT) has been introduced as a novel robust Non-Destructive Testing (NDT) Infrared Thermography (IRT) technique. It employs Discrete Fourier Transform (DFT) to thermal images obtained following flash heating of the front surface of a specimen to extract the phase delay (or phase) information. The computed phase grams (or phase maps) are used for defect visualization in many materials. The temperature contrast enables defect detection based on thermographic data. However, thermal images usually involve significant measurement noise and non-uniform backgrounds caused by uneven heating and environmental reflections. As a result, it is not easy to recognize the defective regions efficiently. In this work, we applied Long Short-Term Memory (LSTM) and Convolutions Neural Networks works (CNNs) based on deep learning (DL) models to defect detection and defect depth classification from thermographic image data. Our experimental results showed that the proposed DL-based architecture achieved 0.95 and 0.77 accuracy scores for sound and defected pixels classification. Furthermore, the experimental results illustrated that LSTM and CNN techniques achieved 0.91 and 0.82 accuracies for defect-depth classification, respectively. Consequently, the LSTM technique overcame the CNNs technique for defect detection and defect-depth classification cases.

La Thermographie de Phase Pulsée (TPP) est une technique d’Évaluation Non-Destructive basée sur la Transformée de Fourier pouvant être considérée comme étant le lien entre la Thermographie Pulsée, pour laquelle l’acquisition de données est rapide, et la Thermographie Modulée, pour laquelle l’extraction de la profondeur est directe. Une nouvelle technique d’inversion de la profondeur reposant sur l’équation de la longueur de diffusion thermique : μ=(α /πf)½, est proposée. Le problème se résume alors à la détermination de la fréquence de borne fb, c à d, la fréquence à laquelle un défaut à une profondeur particulière présente un contraste de phase suffisant pour être détecté dans le spectre des fréquences. Cependant, les profils de température servant d’entrée en TPP, sont des signaux non-périodiques et non-limités en fréquence pour lesquels, des paramètres d’échantillonnage Δt, et de troncature w(t), doivent être soigneusement choisis lors du processus de discrétisation du signal. Une méthodologie à quatre étapes, basée sur la Dualité Temps-Fréquence de la Transformée de Fourier discrète, est proposée pour la détermination interactive de Δt et w(t), en fonction de la profondeur du défaut. Ainsi, pourvu que l’information thermique utilisée pour alimenter l’algorithme de TPP soit correctement échantillonnée et tronquée, une solution de la forme : z=C1μ, peut être envisagée, où les valeurs expérimentales de C1 se situent typiquement entre 1.5 et 2. Bien que la détermination de fb ne soit pas possible dans le cas de données thermiques incorrectement échantillonnées, les profils de phase exhibent quoi qu’il en soit un comportement caractéristique qui peut être utilisé pour l’extraction de la profondeur. La fréquence de borne apparente f’b, peut être définie comme la fréquence de borne évaluée à un seuil de phase donné φd et peut être utilisée en combinaison avec la définition de la phase pour une onde thermique : φ=z /μ, et le diamètre normalisé Dn=D/z, pour arriver à une expression alternative. L'extraction de la profondeur dans ce cas nécessite d'une étape additionnelle pour récupérer la taille du défaut. / Pulsed Phase Thermography (PPT) is a NonDestructive Testing and Evaluation (NDT& E) technique based on the Fourier Transform that can be thought as being the link between Pulsed Thermography, for which data acquisition is fast and simple; and Lock-In thermography, for which depth retrieval is straightforward. A new depth inversion technique using the phase obtained by PPT is proposed. The technique relies on the thermal diffusion length equation, i.e. μ=(α /π·f)½, in a similar manner as in Lock-In Thermography. The inversion problem reduces to the estimation of the blind frequency, i.e. the limiting frequency at which a defect at a particular depth presents enough phase contrast to be detected on the frequency spectra. However, an additional problem arises in PPT when trying to adequately establish the temporal parameters that will produce the desired frequency response. The decaying thermal profiles such as the ones serving as input in PPT, are non-periodic, non-band-limited functions for which, adequate sampling Δt, and truncation w(t), parameters should be selected during the signal discretization process. These parameters are both function of the depth of the defect and of the thermal properties of the specimen/defect system. A four-step methodology based on the Time-Frequency Duality of the discrete Fourier Transform is proposed to interactively determine Δt and w(t). Hence, provided that thermal data used to feed the PPT algorithm is correctly sampled and truncated, the inversion solution using the phase takes the form: z=C 1 μ, for which typical experimental C 1 values are between 1.5 and 2. Although determination of fb is not possible when working with badly sampled data, phase profiles still present a distinctive behavior that can be used for depth retrieval purposes. An apparent blind frequency f’b , can be defined as the blind frequency at a given phase threshold φd , and be used in combination with the phase delay definition for a thermal wave: φ=z /μ, and the normalized diameter, Dn=D/z, to derive an alternative expression. Depth extraction in this case requires an additional step to recover the size of the defect. / La Termografía de Fase Pulsada (TFP) es una técnica de Evaluación No-Destructiva basada en la Transformada de Fourier y que puede ser vista como el vínculo entre la Termografía Pulsada, en la cual la adquisición de datos se efectúa de manera rápida y sencilla, y la Termografía Modulada, en la que la extracción de la profundidad es directa. Un nuevo método de inversión de la profundidad por TFP es propuesto a partir de la ecuación de la longitud de difusión térmica: μ=(α /π·f)½. El problema de inversion se reduce entonces a la determinación de la frecuencia límite fb (frecuencia a la cual un defecto de profundidad determinada presenta un contraste de fase suficiente para ser detectado en el espectro de frecuencias). Sin embargo, las curvas de temperatura utilizadas como entrada en TFP, son señales no-periódicas y no limitadas en frecuencia para las cuales, los parámetros de muestreo Δt, y de truncamiento w(t), deben ser cuidadosamente seleccionados durante el proceso de discretización de la señal. Una metodología de cuatro etapas, basada en la Dualidad Tiempo-Frecuencia de la Transformada de Fourier discreta, ha sido desarrollada para la determinación interactiva de Δt y w(t), en función de la profundidad del defecto. Así, a condición que la información de temperatura sea correctamente muestreada y truncada, el problema de inversión de la profundidad por la fase toma la forma : z=C 1 μ, donde los valores experimentales de C 1 se sitúan típicamente entre 1.5 y 2. Si bien la determinación de fb no es posible en el caso de datos térmicos incorrectamente muestreados, los perfiles de fase exhiben de cualquier manera un comportamiento característico que puede ser utilizado para la extracción de la profundidad. La frecuencia límite aparente f’b , puede ser definida como la frecuencia límite evaluada en un umbral de fase dado φd , y puede utilizarse en combinación con la definición de la fase para una onda térmica: φ=z /μ, y el diámetro normalizado Dn , para derivar una expresión alternativa. La determinación de la profundidad en este caso, requiere de una etapa adicional para recuperar el tamaño del defecto.

L'évaluation non destructive (END) est un domaine permettant d'identifier tous les types de dommages structurels dans un objet d'intérêt sans appliquer de dommages et de modifications permanents. Ce domaine fait l'objet de recherches intensives depuis de nombreuses années. La thermographie infrarouge (IR) est l'une des technologies d'évaluation non destructive qui permet d'inspecter, de caractériser et d'analyser les défauts sur la base d'images infrarouges (séquences) provenant de l'enregistrement de l'émission et de la réflexion de la lumière infrarouge afin d'évaluer les objets non autochauffants pour le contrôle de la qualité et l'assurance de la sécurité. Ces dernières années, le domaine de l'apprentissage profond de l'intelligence artificielle a fait des progrès remarquables dans les applications de traitement d'images. Ce domaine a montré sa capacité à surmonter la plupart des inconvénients des autres approches existantes auparavant dans un grand nombre d'applications. Cependant, en raison de l'insuffisance des données d'entraînement, les algorithmes d'apprentissage profond restent encore inexplorés, et seules quelques publications font état de leur application à l'évaluation non destructive de la thermographie (TNDE). Les algorithmes d'apprentissage profond intelligents et hautement automatisés pourraient être couplés à la thermographie infrarouge pour identifier les défauts (dommages) dans les composites, l'acier, etc. avec une confiance et une précision élevée. Parmi les sujets du domaine de recherche TNDE, les techniques d'apprentissage automatique supervisées et non supervisées sont les tâches les plus innovantes et les plus difficiles pour l'analyse de la détection des défauts. Dans ce projet, nous construisons des cadres intégrés pour le traitement des données brutes de la thermographie infrarouge à l'aide d'algorithmes d'apprentissage profond et les points forts des méthodologies proposées sont les suivants: 1. Identification et segmentation automatique des défauts par des algorithmes d'apprentissage profond en thermographie infrarouge. Les réseaux neuronaux convolutifs (CNN) pré-entraînés sont introduits pour capturer les caractéristiques des défauts dans les images thermiques infrarouges afin de mettre en œuvre des modèles basés sur les CNN pour la détection des défauts structurels dans les échantillons composés de matériaux composites (diagnostic des défauts). Plusieurs alternatives de CNNs profonds pour la détection de défauts dans la thermographie infrarouge. Les comparaisons de performance de la détection et de la segmentation automatique des défauts dans la thermographie infrarouge en utilisant différentes méthodes de détection par apprentissage profond : (i) segmentation d'instance (Center-mask ; Mask-RCNN) ; (ii) détection d’objet (Yolo-v3 ; Faster-RCNN) ; (iii) segmentation sémantique (Unet ; Res-unet); 2. Technique d'augmentation des données par la génération de données synthétiques pour réduire le coût des dépenses élevées associées à la collecte de données infrarouges originales dans les composites (composants d'aéronefs.) afin d'enrichir les données de formation pour l'apprentissage des caractéristiques dans TNDE; 3. Le réseau antagoniste génératif (GAN convolutif profond et GAN de Wasserstein) est introduit dans la thermographie infrarouge associée à la thermographie partielle des moindres carrés (PLST) (réseau PLS-GANs) pour l'extraction des caractéristiques visibles des défauts et l'amélioration de la visibilité des défauts pour éliminer le bruit dans la thermographie pulsée; 4. Estimation automatique de la profondeur des défauts (question de la caractérisation) à partir de données infrarouges simulées en utilisant un réseau neuronal récurrent simplifié : Gate Recurrent Unit (GRU) à travers l'apprentissage supervisé par régression. / Non-destructive evaluation (NDE) is a field to identify all types of structural damage in an object of interest without applying any permanent damage and modification. This field has been intensively investigated for many years. The infrared thermography (IR) is one of NDE technology through inspecting, characterize and analyzing defects based on the infrared images (sequences) from the recordation of infrared light emission and reflection to evaluate non-self-heating objects for quality control and safety assurance. In recent years, the deep learning field of artificial intelligence has made remarkable progress in image processing applications. This field has shown its ability to overcome most of the disadvantages in other approaches existing previously in a great number of applications. Whereas due to the insufficient training data, deep learning algorithms still remain unexplored, and only few publications involving the application of it for thermography nondestructive evaluation (TNDE). The intelligent and highly automated deep learning algorithms could be coupled with infrared thermography to identify the defect (damages) in composites, steel, etc. with high confidence and accuracy. Among the topics in the TNDE research field, the supervised and unsupervised machine learning techniques both are the most innovative and challenging tasks for defect detection analysis. In this project, we construct integrated frameworks for processing raw data from infrared thermography using deep learning algorithms and highlight of the methodologies proposed include the following: 1. Automatic defect identification and segmentation by deep learning algorithms in infrared thermography. The pre-trained convolutional neural networks (CNNs) are introduced to capture defect feature in infrared thermal images to implement CNNs based models for the detection of structural defects in samples made of composite materials (fault diagnosis). Several alternatives of deep CNNs for the detection of defects in the Infrared thermography. The comparisons of performance of the automatic defect detection and segmentation in infrared thermography using different deep learning detection methods: (i) instance segmentation (Center-mask; Mask-RCNN); (ii) objective location (Yolo-v3; Faster-RCNN); (iii) semantic segmentation (Unet; Res-unet); 2. Data augmentation technique through synthetic data generation to reduce the cost of high expense associated with the collection of original infrared data in the composites (aircraft components.) to enrich training data for feature learning in TNDE; 3. The generative adversarial network (Deep convolutional GAN and Wasserstein GAN) is introduced to the infrared thermography associated with partial least square thermography (PLST) (PLS-GANs network) for visible feature extraction of defects and enhancement of the visibility of defects to remove noise in Pulsed thermography; 4. Automatic defect depth estimation (Characterization issue) from simulated infrared data using a simplified recurrent neural network: Gate Recurrent Unit (GRU) through the regression supervised learning.

Les fissures et les nids-de-poule sont des défauts très présents sur les routes du réseau routier québécois. Un bon contrôle de la qualité lors de la pose de l’enrobé bitumineux permet de diminuer les risques d’apparition de ces défauts. Le ministère des Transports du Québec (MTQ) utilise la thermographie infrarouge afin de détecter les zones non conformes, soit celles qui deviendront des nids-de-poule ou des fissures. Des variations thermiques sur l’image infrarouge permettent la détection de ces zones. Toutefois, les logiciels utilisés par le MTQ ne sont pas appropriés pour détecter les zones non conformes. Ce mémoire présente deux méthodes de détection automatique des zones non conformes. La première permet l’analyse des images prises par une caméra thermique alors que la seconde permet d’analyser en continu les données provenant d’un scanneur infrarouge. Ces deux méthodes utilisent des techniques de segmentation afin de détecter les zones non conformes. Elles permettent l’analyse automatique des données sans qu’aucune intervention humaine ne soit nécessaire.

L'ébullition est présente dans la vie de tous les jours et elle a été par conséquent le sujet de beaucoup d'études, mais pour la plupart en régimes stationnaires. Néanmoins, l'intérêt de connaître les caractéristiques de l'ébullition transitoire est aussi important notamment pour la prévention des accidents nucléaires majeurs. C'est justement dans l'optique de mieux comprendre les phénomènes d'ébullition qui se produisent lors d'un RIA (Accident d'Insertion de Réactivité) que cette thèse a été financée par l'IRSN. Le RIA est un accident qui peut résulter d'une défaillance du mécanisme de la grappe contrôlant la réaction nucléaire. La réaction s'emballe pendant quelques dizaines de millisecondes (pulse de puissance) provoquant une augmentation rapide de la température du crayon de combustible et donc l'évaporation du liquide qui l'entoure. Des tests ont été faits par le passé soit sur des crayons de combustibles, soit sur des tubes chauffés ayant les mêmes dimensions qu'un crayon, afin d'améliorer la connaissance de ce phénomène. Par contre, les mesures étaient entachées d'incertitudes importantes, dues à des techniques de mesure non appropriées à des phénomènes si rapides. L'objectif de ce travail a été de concevoir et mettre en place une expérience capable de simuler un RIA à petite échelle, pour mieux comprendre les caractéristiques de l'ébullition lorsque la paroi monte en température très rapidement. De plus, ce dispositif expérimental devait être apte à étudier des montées en température moins violentes pour améliorer la connaissance de l'ébullition transitoire en général. Cette expérience a été conçue à l'Institut de Mécanique des Fluides de Toulouse. Elle est constituée d'une feuille métallique d'acier de 50µm d'épaisseur, formée en demi cylindre (8mm de diamètre et 200mm de longueur) et chauffée par effet Joule. Elle est entourée par du fluide réfrigérant HFE7000, qui permet de travailler en similitude par rapport au cas réel en eau. Le fluide est confiné par un deuxième demi cylindre en verre, ayant 34mm de diamètre. Les expériences peuvent être en vase ou avec écoulement, écoulement qui a été caractérisé par des mesures PIV. Plusieurs débits peuvent donc être employés et le sous-refroidissement du liquide est aussi ajustable. L'emploi d'une alimentation pilotable et très flexible permet d'obtenir des chauffages du métal jusqu'à 2500K/s, mais aussi des montées en température plus faibles, pour tracer des courbes d'ébullition stationnaires ou faiblement transitoires. La température de la paroi est mesurée grâce à une caméra infrarouge, couplée à des visualisations rapides et à des mesures de pression et température dans le liquide. / Boiling phenomena can be found in the everyday life, thus a lot of studies are devoted to them, especially in steady state conditions. Transient boiling is less known but still interesting as it is involved in the nuclear safety prevention. In this context, the present work was supported by the French Institute of Nuclear Safety (IRSN). In fact, the IRSN wanted to clarify what happens during a Reactivity-initiated Accident (RIA). This accident occurs when the bars that control the nuclear reactions break down and a high power peak is passed from the nuclear fuel bar to the surrounding fluid. The temperature of the nuclear fuel bar wall increases and the fluid vaporises instantaneously. Previous studies on a fuel bar or on a metal tube heated by Joule effect were done in the past in order to understand the rapid boiling phenomena during a RIA. However, the measurements were not really accurate because the measurement techniques were not able to follow rapid phenomena. The main goal of this work was to create an experimental facility able to simulate the RIA boiling conditions but at small scale in order to better understand the boiling characteristics when the heated-wall temperature increases rapidly. Moreover, the experimental set-up was meant to be able to produce less-rapid transients as well, in order to give information on transient boiling in general. The facility was built at the Fluid-Mechanics Institute of Toulouse. The core consists of a metal half-cylinder heated by Joule effect, placed in a half-annulus section. The inner half cylinder is made of a 50 microns thick stainless steel foil. Its diameter is 8mm, and its length 200mm. The outer part is a 34mm internal diameter glass half cylinder. The semi-annular section is filled with a coolant, named HFE7000. The configuration allows to work in similarity conditions. The heated part can be place inside a loop in order to study the flow effect. The fluid temperature influence is taken into account as well. A flexible power supply that can generate a free-shape signal, allows to get to a wall-temperature increase rate up to 2500 K/s but also to obtain lower rates, which permits to study weaker transients and steady state conditions. The thermal measurements are realised by means of an infra-red camera and a high-speed camera is employed in order to see the boiling phenomena at the same time. From the voltage and current measurements the heat flux that is passed to the fluid is known.

Cette étude s'inscrit dans une démarche originale consistant à développer un protocole expérimental adapté aux essais de fatigue à grand nombre de cycles. Ce protocole permet de dresser des bilans locaux d'énergie et s'appuie sur des techniques d'imagerie quantitative. Les objectifs étaient de compléter et de valider une méthode de traitement d'images infrarouges permettant d'étudier séparément les mécanismes dissipatifs et les effets thermoélastiques accompagnant la fatigue à grand nombre de cycles des aciers. Un point intéressant de cette méthode est de pouvoir fonctionner alors que les amplitudes des sources thermoélastiques sont très nettement supérieures aux intensités de dissipation. Le deuxième objectif était d'arriver à combiner cette technique infrarouge avec celles mises en place pour accéder aux champs cinématiques par une méthode de corrélation d'images. Ce rapprochement a permis d'estimer l'énergie de déformation localement mise en jeu et de la comparer, sur un cycle de chargement, à l'énergie dissipée.

Le refroidissement par film froid consiste à refroidir une paroi en injectant un écoulement froid pour protéger celle-ci. Un banc d'essai simplifié d'une configuration d'étude de " film cooling " a été réalisé pour caractériser l'influence d'un écoulement chauffé et pulsé provenant d'un trou cylindrique incliné à 30° dans un écoulement principal thermiquement uniforme. Les taux de soufflage (M ) étudiés sont égaux à 0,65, 1 et 1,25. Les pulsations ont été générées par un hautparleur à des fréquences de pulsation adimensionnalisées ( St ) de 0, 0,2, 0,3 et 0,5. Les aspects aérodynamiques et thermiques de l'écoulement ont été étudiés, en utilisant des techniques de mesure avancées incluant la P.I.V. résolue en temps, la thermographie infrarouge, la vélocimétrie filchaud et la thermométrie fil-froid. Pour M = 0,65, sans pulsation, l'écoulement injecté couvre une partie importante de la paroi. Dans le cas pulsé, cette distribution optimale est considérablement dégradée quelque soit la fréquence de pulsation. Pour M =1 et 1,25, sans pulsation, on observe un décollement de l'écoulement qui dégrade la protection film de la paroi. Dans ces cas, la pulsation induit de grandes variations spatiales à la fois de la trajectoire, de l'éclatement du jet et du passage des structures turbulentes dans le sillage de jet à cause de la variation périodique du débit de jet. On a constaté que la pulsation améliore la protection de la paroi pour des excitations de basse fréquence pour des taux de soufflage important (M = 1 et 1,25).

La connaissance des champs de flux thermique sur les composants d'un tokamak estun élément important de la conception de ce type de machines. L'objectif de cette thèse est dedévelopper et mettre en œuvre une méthode de calcul de ces flux à partir des mesures detempérature par thermographie infrarouge. Ce travail repose sur trois objectifs qui concernentles tokamaks actuels et futurs (ITER) : mesurer un champ de température d'une paroiréfléchissante par pyrométrie photothermique (pré-étude), caractériser les propriétésthermiques des dépôts sur les surfaces des composants et développer un calcultridimensionnel et non-linéaire du flux.Une comparaison de différentes techniques de pyrométries monochromatique,bichromatique et photothermique est effectuée sur une expérience de laboratoire de mesure detempérature. Une sensibilité importante de la technique de pyrométrie photothermique auxgradients de température sur la zone observée a été mise en évidence.Les dépôts en surface des composants exposés au plasma, sans inertie thermique, sontmodélisés par des champs de résistance thermique équivalente transverse. Ce champ derésistance est déterminé, en tout point de mesure, par confrontation du champ de températurede paroi issu de la thermographie avec le résultat d'une simulation par un modèlemonodimensionnel linéaire du composant. Une information sur la répartition spatiale du dépôtà la surface d'un composant est alors obtenue.Un calcul tridimensionnel et non-linéaire du champ de flux pariétal sur un composantest développé, par une méthode d'éléments finis, à partir de maillages de composants issus deCAO. La sensibilité du flux calculé à la précision des mesures de températures est discutée.Cette méthode est appliquée à des campagnes de mesures de températurebidimensionnelles par thermographie infrarouge sur des composants du tokamak JET. Leschamps de flux sur les tuiles du divertor, la protection supérieure et les protections poloïdalesinternes et externes sont déterminés et étudiés dans les deux directions, poloïdale ettoroïdale, du tokamak. La symétrie toroïdale du flux, d'une tuile à l'autre, est établie.L'influence de la résolution spatiale des mesures sur les flux calculés est discutée, à partir decomparaisons de résultats obtenus à partir de deux systèmes de thermographie de résolutionsdifférentes.

Anorganische Salzhydrate sind aufgrund ihrer hohen spezifischen Schmelzwärmen als Phase-Change-Materials(PCM) für Latentwärmespeicher favorisiert. Die Unterkühlung der Salzhydratschmelzen stellt oftmals ein besonderes Problem bei technischen Anwendungen dar. Erstmalig wurden kombinatorische Methoden zur strukturell unspezifischen Suche nach Keimbildnern genutzt. Das hier entwickelte Verfahren erlaubt es, thermische Kristallisationseffekte zwischen 10°C und 170°C zu untersuchen. Bis zu 2025 Materialkombinationen können sowohl parallel synthetisiert als auch analysiert werden. Die Synthese der Keimbildner erfolgte durch Verhältnisvariation gelöster Salze mittels automatisierter Dosierung auf Trägerplatten und anschließendem Tempern. Die aktiven Kombinationen wurden durch zeitaufgelöste Thermographie identifiziert. Die Schlüssigkeit des gesamten Verfahrens konnte durch das erfolgreiche Screening zweier PCM mit unterschiedlichen Schalttemperaturen (NaCH3COO*3H2O; Fp=58°C und LiNO3*3H2O; Fp=29°C) nachgewiesen werden.