TY - CONF A1 - Liepold, Philipp ED - Kromm, Arne ED - Kannengießer, Thomas T1 - Anwendung von Convolutional Neural Networks (CNNs) bei der Erkennung von Rissen im Modifizierten Varestraint-Transvarestraint-Heißrisstest (MVT-Test) T2 - DVS CONGRESS, Große Schweißtechnische Tagung, DVS CAMPUS, 2023, DVS-Berichte Band 389 N2 - Der Modifizierte Varestraint-Transvarestraint-Test wird an der Bundesanstalt für Materialforschung und -prüfung als Variante des Varestraint-Tests verwendet. Die Auswertung dieser Tests findet klassisch durch Abmessungen der entstandenen Risse unter dem Lichtmikroskop statt. Eine solche Auswertung ist aufwendig und fehleranfällig. Convolutional Neural Networks können trainiert werden, um die Risse auf digitalen Bildern zu segmentieren, wodurch der menschliche Fehler in der Auswertung eliminiert werden kann. Die Ergebnisse können durch Overlay mit den Originalbildern verglichen werden. T2 - DVS-Congress, Große Schweißtechnische Tagung CY - Essen, Germany DA - 11.09.2023 KW - CNN KW - MVT KW - KI PY - 2023 SN - 978-3-96144-231-7 SN - 978-3-96144-230-0 VL - 2023 SP - 153 PB - Print Media Group GmbH & Co. KG CY - Hamm AN - OPUS4-59336 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - JOUR A1 - Schmies, Lennart A1 - Hemmleb, Matthias A1 - Bettge, Dirk T1 - Relevant input data for crack feature segmentation with deep learning on SEM imagery and topography data JF - Engineering Failure Analysis N2 - Fractography plays a critical role in failure analysis of engineering components and has a considerable importance for safety investigations. Usually, the interpretation of fracture surfaces is done by experts with the help of literature and experimental data, that requires a lot of experience. The use of deep learning (DL) with neural networks in failure analysis becomes more and more relevant with the rapidly developing possibilities. Especially, the modern network architectures can assist fractographers in determining various fracture features on SEM images of the fracture surfaces. The basis for the best possible evaluation is the understanding of the influence of the input data used for training deep neural networks (DNN). Therefore, this study discusses the influence of the selection of the input data used for the prediction quality of these networks in order to take this into account for future data acquisition. Specimens of various metallic materials were subjected to fatigue cracking experiment under laboratory conditions. The fractured surfaces were then imaged using various modes or detectors (such as SE, BSE and topography) in SEM, and those captured images were used to create a training data set. The relevance of the individual data for the quality of the prediction is determined by a specific combination of the different detector data. For the training, the well-established architecture of a UNet-ResNet34 with a fixed set of hyperparameters is used. It has been found in this present study that the combination of all input data significantly increases the prediction accuracy, whereby even the combination of SE and BSE data provides considerable advantages over the exclusive use of SE images. KW - Fractography KW - Machine Learning KW - Deep Learning KW - KI PY - 2023 DO - https://doi.org/10.1016/j.engfailanal.2023.107814 VL - 156 SP - 1 EP - 8 PB - Elsevier AN - OPUS4-58918 LA - eng AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - CONF A1 - Marquardt, R. A1 - Bähring, S. A1 - Biegler, M. A1 - Rethmeier, Michael T1 - Künstliche Neuronale Netze zur Qualitätsprognose von Funktional Gradierten Materialien im laserbasierten Directed Energy Deposition T2 - 3. Fachtagung Additive Manufacturing N2 - Durch pulverbasiertes Directed-Energy Deposition lassen sich Gradierungen fertigen, um diskrete Materialübergänge zu vermeiden und die Lebensdauer von Hartschichten zu erhöhen. Die Kombination aus Stahl als Basiswerkstoff und einer verschleiß- und korrosionsbeständigen Co-Cr Legierung verspricht durch Vermeiden von Spannungskonzentrationen das Verhindern von Abplatzungen und Rissen in der Schutzschicht. Um die Qualität des gefertigten Bauteils zu beurteilen, liegen für solche Funktional Gradierten Materialien (FGM) wenig Erkenntnisse vor. Daher wird im Rahmen dieser Studie eine Methodik erarbeitet, um die relative Dichte eines Funktional Gradierten Materials auf Stahl und Co-Cr Basis mittels Maschinendaten zu bestimmen. Anschließend wird unter Einsatz eines künstlichen neuronalen Netzes anhand von Sensordaten die relative Dichte vorhergesagt. Das trainierte Netz erreicht eine Vorhersagegenauigkeiten von 99,83%. Abschließend wird eine Anwendung anhand von einem Demonstrator gezeigt. T2 - 3. Fachtagung Additive Manufacturing CY - Halle, Germany DA - 05.10.2023 KW - Directed Enery Deposition KW - Künstliche Neuronale Netze KW - Additive Manufacturing KW - DED KW - KI KW - AM PY - 2023 SP - 1 EP - 8 PB - SLV Halle AN - OPUS4-58692 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - CONF A1 - Charmi, Amir A1 - Beinlich, Lukas A1 - Barzegar, Mohsen A1 - Bulling, Jannis A1 - Lugovtsova, Yevgeniya A1 - Yilmaz, Bengisu T1 - Closing the gap between simulation and experiment using autoencoders N2 - Structural Health Monitoring (SHM) mittels geführter Ultraschallwellen ermöglicht eine kontinuierliche Überwachung komplexer Bauteile und liefert umfangreiche Informationen über deren strukturelle Integrität. Die aufgezeichneten Signale sind jedoch komplex und werden daher zunehmend mittels KI verarbeitet, um Anomalien in der Systemintegrität automatisch zu erkennen. Eine Herausforderung dabei ist jedoch das Trainieren solcher KI-Modelle, da dafür große Mengen an Trainingsdaten inklusive diverser Schadensfälle benötigt werden, um eine hohe Genauigkeit und Zuverlässigkeit zu gewährleisten. Experimentelle Generierung dieser Daten ist wegen des enormen Zeit- und Kostenaufwands nicht möglich. Eine Alternative hierfür bieten die numerischen Simulationen, da dadurch Trainingsdaten für beliebige Anzahl an Schadenskonfigurationen erzeugt werden können. Das Hauptproblem dabei ist jedoch die Abweichung zwischen den experimentellen und simulierten Daten (durch z.B. Abweichungen bei der Geometrie, Randbedingungen oder Materialparameter). Um diese Abweichungen zu reduzieren bzw. zu eliminieren, wird ein KI-Modell mit einer Autoencoder-Decoder Architektur vorgestellt, die mittels eines Experiments kalibriert werden kann und anschließend in der Lage ist, die Genauigkeit der Simulationsergebnisse nachträglich zu erhöhen. T2 - 28. DEGA-Workshop „Physikalische Akustik“ - Maschinelles Lernen in der physikalischen Akustik CY - Bad Honnef, Germany DA - 19.10.2023 KW - KI KW - SHM KW - Simulation KW - Geführte Ultraschallwellen PY - 2023 AN - OPUS4-58686 LA - eng AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - CONF A1 - Liepold, Philipp A1 - Kromm, Arne A1 - Kannengießer, Thomas T1 - Anwendung von Convolutional Neural Networks (CNNs) bei der Erkennung von Rissen im Modifizierten Varestraint-Transvarestraint-Heißrisstest (MVT-Test) N2 - Der MVT-Test ist die an der BAM entwickelte und genutzte Version des Varestraint-Tests der weltweit für die Charakterisierung der Erstarrungsrissanfälligkeit von Schweißzusätzen und Legierungen eingesetzt wird. Die Auswertung solcher Tests erfolgt klassisch unter dem Lichtmikroskop. Durch Automatisierung des Auswerteprozesses mit KI kann der Informationsgehalt des Tests besser ausgeschöpft und eine höhere Vergleichbarkeit zwischen Testergebnissen gewährleistet werden. T2 - DVS-Congress CY - Essen, Germany DA - 10.09.2023 KW - MVT KW - Varestraint KW - KI KW - Neuronales Netzwerk KW - Semantic Segmentation PY - 2023 AN - OPUS4-58313 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER -