Infrarøde data afslører skjult brandadfærd i isolering
Udgivet: 8. januar 2026Et nyt whitepaper fra DBI viser, hvordan Infrared Machine Vision (IMV) kombineret med databehandling kan afsløre skjulte variationer i isoleringsmaterialer, når de udsættes for brand. Samtidig præsenteres en metode, der også kan få betydning for test af andre byggematerialer.
Når isoleringsmaterialer dumper en fuldskalabrandtest, er årsagen ikke altid åbenlys. For ofte kan én enkelt måling fra et termoelement på materialets ikke-eksponerede side være nok til at udløse et fejlresultat – og samtidig kun give begrænset indsigt i, hvad der reelt er sket inde i materialet. Ifølge Martin Sturdy, Research Consultant i DBI’s Advanced Fire Testing-afdeling, er det netop denne manglende viden, som Infrared Machine Vision (IMV) er udviklet til at afhjælpe.
- Producenter henvender sig til os, når de skal have gennemført en brandtest eller oplever udfordringer med at bestå en test. Processen hos os giver dem mere viden om deres materiale – og ikke kun et ja eller nej, om deres produkt har bestået testen. Termoelementer leverer værdifulde målinger, men måler kun i et lokalt område, hvilket ikke altid giver et retvisende billede af materialets samlede performance, siger Martin Sturdy.
Et nyt whitepaper fra DBI viser, hvordan IMV kombineret med avanceret databehandling kan give en mere nuanceret forståelse af materialernes homogenitet og dermed identificere forskelle, som traditionelle målemetoder ofte ikke kan.
Forståelse af homogenitet gennem varians
Termoelementer spiller fortsat en central rolle i både små- og storskalabrandtests, men de registrerer temperaturer i et begrænset antal faste målepunkter. Variationer uden for disse punkter opfanges derfor ikke altid. Et termoelement kan f.eks. være placeret i et sammenpresset eller foldet område, som opvarmes hurtigere end det omkringliggende materiale, mens det i en anden test er placeret på et uberørt område. Begge målinger lever op til standarden – men giver vidt forskellige resultater.
IMV supplerer de klassiske punktmålinger med infrarød registrering af hele overfladen. Under testen optager kameraet et billede hvert femte sekund, hvilket resulterer i tusindvis af infrarøde optagelser. Hvert billede lagres som en datamatrix med pixelbaserede temperaturværdier, som via DBI’s databehandlingsproces omsættes til temperaturkort og histogrammer. Processen munder ud i en numerisk variansværdi, som viser, hvor ensartet materialet opfører sig.
En lav varians indikerer et mere homogent materiale, mens en høj varians peger på uregelmæssigheder, som kan have betydning for materialets brandtekniske egenskaber.
»Den reelle værdi består i vores objektive målinger og efterfølgende databehandling.«
- Alle kan rette et infrarødt kamera mod en test og identificere et hotspot. Den egentlige værdi ligger i de objektive målinger og den efterfølgende databehandling. Det er her, vi kan give producenterne et svar på, hvor ensartet deres materiale opfører sig – hvilket er et objektivt grundlag, de kan bruge til at sammenligne prøver, forklarer Martin Sturdy.
Det viser whitepaperet
I whitepaperet evalueres keramisk uld, mineraluldsplader og mineraluldsruller under identiske opvarmningsforhold. Selvom materialerne er beregnet til de samme anvendelser, opførte de sig forskelligt. Keramisk uld, som var tyndere end de to mineraluldsprøver, viste en meget ensartet temperaturfordeling med lav varians. Også mineraluldspladerne udviste en homogen adfærd, hvilket tyder på en ensartet produktionsproces.
Mineraluldsrullerne viste derimod en markant højere varians pga. folder og sammenpresning fra rulning og emballering. Dette skabte lokale hotspots, som ikke nødvendigvis ville blive registreret af termoelementer alene.
- Da vi føjede IMV til vores småskalaforsøg, blev det tydeligt, at materialet ikke altid var så homogent, som man kunne forvente. Især mineraluldsrullerne havde områder, der blev opvarmet hurtigere, hvilket forklarer, hvorfor termoelementmålinger varierede så meget fra test til test, siger Martin Sturdy.
Forberedelse til fuldskalabrandtest
Mens nogle producenter først henvender sig til DBI efter en mislykket test, anvender andre IMV tidligt i udviklingsforløbet. Ved at få screenet materialerne inden planlægningen af en fuldskalabrandtest opnår producenterne et bedre grundlag for at vurdere materialets adfærd og kan dermed reducere risikoen for uventede resultater.
»Det handler ikke kun om at kunne forklare fejl – men også om at forebygge dem.«
- Producenter kan med fordel komme til os før en fuldskalatest. For hvis variansen viser sig at være høj, ved de, at materialet endnu ikke er klar til test. Er variansen derimod lav, kan de få gennemført testen med større ro i maven. Det handler ikke kun om at kunne forklare fejl – men også om at forebygge dem, siger Martin Sturdy.
Han nævner et konkret eksempel, hvor en producent havde dumpet flere fuldskalatests, men til sidst bestod ved hjælp af IMV, som afslørede uhomogene områder, der tidligere var gået under radaren.
- I stedet for at teste igen og igen uden at vide, hvad der går galt, kan producenterne nu bruge IMV og være langt bedre forberedt til fuldskalatesten, siger Martin Sturdy.
Et værktøj med bredere anvendelse
Selvom det aktuelle studie har fokus på isoleringsprodukter, er IMV ikke begrænset til mineraluld. Metoden kan også anvendes på andre byggematerialer – såsom gipsplader eller biobaserede materialer som hampbeton – hvis producenter ønsker en mere detaljeret forståelse af materialernes brandadfærd. Ifølge Sturdy kan den samme IMV-baserede testtilgang benyttes på disse materialetyper.
- Hvis en producent ønsker at måle andre parametre end varians, er det også muligt. Teknologien er fleksibel, da den indsamler meget store datamængder, og den efterfølgende dataanalyse kan tilpasses producentens behov for viden om materialets egenskaber, forklarer Martin Sturdy.
Denne fleksibilitet gør IMV til et oplagt værktøj i udviklingen af fremtidens brandtests i forhold til en række forskellige materialer og anvendelser.
Læs om småskalatests, og download whitepaper ’Revealing the hidden fire performance of insulation’
Det kan IMV og databehandling vise
Infrared Machine Vision (IMV)
- Tager temperaturbilleder af hele overfladen under ovntests.
- Giver data i høj opløsning i stedet for isolerede punktmålinger.
DBI’s databehandling
- Omsætter infrarøde billeder til temperaturkort og histogrammer.
- Beregner en værdi for varians, der afspejler termisk homogenitet.
- Understøtter sammenligning af batches, kvalitetsscreening og forberedelse før test.
Fordele ved IMV-screening
- Afslører uregelmæssigheder i materialets struktur ved at vise, hvordan varmen fordeler sig over hele overfladen.
- Gør det muligt at sammenligne materialer eller produktionsserier objektivt.
- Giver intuitiv visuel information, som supplerer traditionelle målinger.
