TY - JOUR A1 - Lemiasheuski, Anton A1 - Bajer, Evgenia A1 - Oder, Gabriele A1 - Göbel, Artur A1 - Hesse, Rene A1 - Pfennig, A. A1 - Bettge, Dirk T1 - Entwicklung eines automatisierten 3D-Metallographie-Systems und erste Beispiele für die Anwendung in der Gefüge-Analyse T1 - Development of an automated 3D metallography system and some first application examples in microstructural analysis N2 - Die klassische Metallographie basiert auf Abbildungen einzelner Schliffebenen und kann auf räumliche Formen und Anordnungen des Gefüges nur bedingt schließen. Die Idee, aus metallographischen Serienschliffen dreidimensionale Gefügestrukturen zu rekonstruieren, ist daher naheliegend und nicht neu. Allerdings ist der Aufwand, in Handarbeit viele Einzel-Schliffe zu präparieren und zu Bildstapeln zusammenzusetzen, sehr hoch und steht einer häufigen Anwendung entgegen. Deshalb wird an der BAM ein Roboter-gestütztes 3D-Metallographie-System entwickelt, das an einer Schliffprobe die Schritte Präparation und Bildeinzug vollautomatisch mit vielen Wiederholungen ausführt. Die Präparation umfasst Schleifen, Polieren und optional Ätzen der Schlifffläche, der Bildeinzug autofokussierte lichtmikroskopische Aufnahmen bei mehreren Vergrößerungsstufen. Der erhaltene Bildstapel wird anschließend vorverarbeitet, segmentiert und in ein 3D-Modell umgesetzt, das einer mikrotomographischen Aufnahme ähnelt, allerdings mit besserer lateraler Auflösung bei großem Volumen. Im Gegensatz zu tomographischen Verfahren besteht die Möglichkeit der Kontrastierung durch klassische chemische Ätzung. Die Integration eines REMs ist geplant. Bislang durchgeführte Arbeiten verdeutlichen die Möglichkeiten der Darstellung von Heißgas-Korrosionsschichten, Grauguss-Werkstoffen und Keramik-basierten mikroelektronischen Strukturen (Vias). N2 - Traditional metallography relies on the imaging of individual section planes. However, conclusions as to spatial shapes and microstructural arrangements can only be drawn to a limited extent. The idea to reconstruct three-dimensional microstructures from metallographic serial sections is therefore obvious and not at all new. However, the manual process of preparing a great number of individual sections and assembling them into image stacks is time-consuming and laborious and therefore constitutes an obstacle to frequent use. This is why the Federal Institute for Materials Research and Testing, or BAM for short (Bundesanstalt für Materialforschung und -prüfung), is developing a robot-assisted 3D metallography system performing the tasks of preparation and image acquisition on a metallographic section fully automatically and repeatedly. Preparation includes grinding, polishing and optional etching of the section surface. Image acquisition is performed using a light optical microscope with autofocus at several magnification levels. The obtained image stack is then pre-processed, segmented and converted to a 3D model resembling a microtomographic image, but with a higher lateral resolution when large volumes are sampled. As opposed to tomographic techniques, it is possible to perform traditional chemical etching for contrasting. The integration of a SEM is in the planning stages. Studies conducted so far have demonstrated the possibility of visualizing hot gas corrosion layers, grey cast irons and ceramic-based microelectronic structures (vias). KW - 3D-Metallographie KW - Gefügeanalyse KW - Serienschnitte KW - Gefügerekonstruktion KW - 3D metallography KW - Microstructure analysis KW - Serial sectioning KW - Microstrucure reconstruction PY - 2023 U6 - https://doi.org/10.1515/pm-2023-0057 SN - 0032-678X VL - 60 IS - 10 SP - 676 EP - 691 PB - De Gruyter CY - Berlin/Boston AN - OPUS4-58593 LA - mul AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - CONF A1 - Resch-Genger, Ute T1 - Forschung in einer Bundesoberbehörde wie der BAM N2 - Die Bundesanstalt für Materialforschung und -prüfung (BAM) ist eine forschende Bundesoberbehörde und Einrichtung der Ressortforschung der Bundesrepublik Deutschland. Unter ihrer Leitlinie „Sicherheit in Technik und Chemie“ ist sie zuständig für die öffentliche technische Sicherheit und für metrologische Aufgaben in der Chemie. Das Aufgabenspektrum der BAM, das sich an aktuellen Fragestellungen aus Wissenschaft, Wirtschaft, Politik und Normung orientiert, bietet sehr viele interessante Tätigkeitsfelder für Naturwissenschaftler*Innen und Ingenieur*Innen. T2 - WIFO Leipzig 2023 CY - Leipzig, Germany DA - 05.09.2023 KW - Quality assurance KW - Optical spectroscopy KW - Certification KW - Reference product KW - Integrating sphere spectroscopy KW - Fluorescence KW - Quantum yield KW - Reference material KW - Reference data KW - Traceability KW - Nano KW - Particle KW - Analytical chemistry KW - Sensor KW - Safety PY - 2023 AN - OPUS4-58397 LA - mul AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - JOUR A1 - Bettge, Dirk A1 - Schmies, Lennart T1 - Die Fraktographische Online-Datenbank der AG Fraktographie – Entwicklungsstand und Planung T1 - The WG Fractography Online Database – Stage of Development and Planning N2 - Die AG Fraktographie im DVM/DGM-Gemeinschaftsgremium „Elektronenmikroskopie in der Materialforschung“ betreibt seit 2013 eine fraktographische online-Datenbank („FractoDB“), die für das interessierte Fachpublikum kostenfrei zur Verfügung steht. Die Analyse und Bewertung von Bruchflächen und der darauf befindlichen Bruchmerkmale ist ein wichtiger Teilaspekt der Schadensanalyse bei der Suche nach Schadensmechanismen und Schadensursachen. Risse und Brüche an realen Bauteilen können nur dann bewertet werden, wenn gut dokumentierte Vergleichsbrüche aus Laborversuchen zur Verfügung stehen, sei es an Proben oder an Vergleichs-Bauteilen. Daher trägt die AG Fraktographie Bildmaterial zusammen, führt systematisch Laborversuche und Ringversuche durch und analysiert Brüche aus Schadensfällen. Die gewonnenen Daten werden zu Datensätzen zusammengestellt und über die Datenbank zugänglich gemacht. Derzeit ist ein Bestand von über 400 Datensätzen mit insgesamt über 4.500 Bildern verfügbar, welcher durchsucht werden kann und in Anlehnung an die VDI 3822 organisiert ist. Weitere Aktivitäten der AG Fraktographie, die in der FractoDB abgebildet werden, sind u.a. die Entwicklung einer fraktographischen Symbolik und die Analyse von Bruchmerkmalen mittels Machine Learning. Über die aktuellen Ergebnisse und Planungen wird berichtet. N2 - Since 2013, the AG Fraktographie (Working Group (WG) Fractography) in the DVM/DGM Joint Committee “Elektronenmikroskopie in der Materialforschung” (Electron Microscopy in Materials Research) maintains a fractographic online database (“FractoDB”) available to interested professionals. When it comes to identifying failure mechanisms and causes of damage, the analysis and evaluation of fracture surfaces and their characteristics constitute important aspects of the failure analysis. Cracks and fractures in real components can only be assessed if well-documented comparative fractures from laboratory tests are available – be it in samples or in comparison components. The WG Fractography therefore gathers image material, systematically carries out laboratory and round robin tests, and analyzes fractures from damage cases. From the thus obtained data, datasets are compiled and made available via the database. Currently, a browsable inventory of more than 400 datasets with a total of more than 4500 images is available. It is organized in line with guideline VDI 3822. Other activities of the WG Fractography represented in the FractoDB include, amongst others, the development of a fractographic set of symbols and the analysis of fracture characteristics using machine learning. This contributbution reports on latest results and plans. KW - Fraktographie KW - Datenbank KW - Schadensanalyse KW - Bruchflächen KW - Machine Learning PY - 2023 U6 - https://doi.org/10.1515/pm-2023-0048 SN - 0032-678X VL - 60 IS - 9 SP - 569 EP - 579 PB - De Gruyter CY - Berlin AN - OPUS4-58200 LA - mul AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - GEN A1 - Melzer, Michael A1 - Thomas, Marcus A1 - Tiebe, Carlo T1 - Digitaler Kalibrierschein 8.1I1451B mit digitaler Signatur und digitalem Akkreditierungssymbol (eAttestation) N2 - Es handelt sich hierbei um die erste Veröffentlichung einer verifizierbaren eAttestation (DCC mit DAkkS-Siegel). Sie wurde vom akkreditierten Kalibrierlabor D-K-11075-08, im Rahmen des QI-Digital Vorhabens, für den Fachbereich 8.1 erstellt und dient im Zusammenhang mit dem Vortrag "Digitale Kalibrierzertifikate – die Umsetzung in akkreditierten Laboratorien" auf dem 324. PTB-Seminar "Berechnung der Messunsicherheit – Empfehlungen für die Praxis" als Anschauungsmaterial für die Digitalisierung in der Metrologie. T2 - 324. PTB-Seminar: Berechnung der Messunsicherheit – Empfehlungen für die Praxis CY - Berlin, Germany DA - 22.05.2023 KW - Akkreditierung KW - DCC KW - Digitalisierung KW - QI-Digital KW - eAttestation PY - 2023 UR - https://www.ptb.de/cms/fileadmin/internet/fachabteilungen/abteilung_8/8.4_mathematische_modellierung/324_PTB_Seminar/Vortraege/8.1I1451B_DAkkS_TEMP_Fluke2638A_SignDFN_eAttest.pdf SP - 1 EP - 3 CY - Berlin, Deutschland AN - OPUS4-58010 LA - mul AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - GEN ED - Panne, Ulrich T1 - BAM Report 2022/23 - Transformation gemeinsam gestalten T1 - BAM report 2022/23 - Shaping transformation together N2 - Liebe Leser*innen, vom Umbau des Energiesystems über die Nachhaltigkeit der Wirtschaft bis hin zu den Veränderungen unserer Städte und der Mobilität: Das Wort Transformation ist wohl neben der "Zeitenwende" das derzeit mit am häufigsten gebrauchte. Wir sind zweifellos in einer neuen Wirklichkeit angekommen, die sich nicht umdeuten lässt, sondern die aktiv von uns gestaltet werden muss. Aber sind wir überhaupt in der Lage, unsere ökonomische Basis zu schützen und gleichzeitig unsere Aufmerksamkeit auf den Erhalt von Ressourcen statt deren Ausnutzung zu richten? Ich glaube fest daran, dass wir das können. Produzieren hieße dann z. B., Lösungen im Sinne einer zirkulären Wirtschaft zu finden. Zur grünen Transformation leistet die BAM, deren Auftrag es ist, die deutsche Wirtschaft zu fördern, bereits heute vielfältige Beiträge: durch Grundlagenforschung, die den schnellen Weg in die Anwendung findet. Aber auch durch unsere Vielfalt und Spezialisierung, die es uns erlauben, eine übergreifende Perspektive zu entwickeln. Denn: Lösungen für den Wandel zu finden, bedeutet auch eine Veränderung des Denkens. So sind wir z. B. beteiligt an der Entwicklung smarter Tools bei der Qualitätssicherung moderner Wasserstofftechnologien, nachhaltiger Batteriematerialien für leistungsstarke E-Akkus oder sicherer Konstruktionen für noch größere und effizientere Windenergieanlagen. Langfristig erfolgreich werden wir dabei nur sein, wenn wir uns selbst transformieren. So sind wir in der BAM dabei, unsere Expertisen in weiteren disziplin- und branchenübergreifenden Kompetenzzentren zu bündeln, neue ganzheitliche Formate der Zusammenarbeit zu erproben und unsere Vernetzung mit relevanten Akteur*innen aus Wirtschaft, Wissenschaft und Politik weiter auszubauen. Im neuen BAM Report 2022/23 möchten wir Ihnen gern eine Auswahl unserer aktuellen Projekte vorstellen. Idealerweise ergeben sich aus der Lektüre für Sie Anknüpfungspunkte für gemeinsame Vorhaben und Initiativen, mit denen wir zusammen die Transformation sicher gestalten können. Lassen Sie uns darüber ins Gespräch kommen! PS: Erstmals erscheint unsere Jahrespublikation übrigens rein digital, als kleiner Beitrag zu mehr Nachhaltigkeit. N2 - Dear readers, whether we discuss restructuring the energy system, the sustainability of the economy, or the changes that our cities and mobility are undergoing: The word transformation is probably one of the most frequently used at the moment, along with "Zeitenwende". It is beyond questioning: We are facing a new reality that cannot be reinterpreted. Instead, it is up to us to actively shape it. But can we at all protect our economy and at the same time focus on preserving resources rather than exploiting them? I firmly believe we can. Producing would then mean, for example, finding solutions that help us shift towards a circular economy. BAM, whose mission is to promote the German economy, is already broadly contributing to the green transformation: By performing basic research that is quickly translated into application, not least thanks to our diversity and specialisation, which allow us to develop an overarching perspective. After all, finding solutions to manage change also means changing your way of thinking. For example, we are involved in the development of smart quality assurance tools for modern hydrogen technologies, sustainable battery materials for powerful e-batteries or safe designs for even larger and more efficient wind turbines. We will only succeed in the long term if we embrace change. At BAM, we are in the process of pooling our expertise in further cross-disciplinary and cross-sector competence centres, testing new holistic cooperation formats and welcoming key stakeholders from industry, science and politics to our growing network. The new BAM Report 2022/23 presents a selection of current BAM projects, ideally providing a linking point for further collaborative projects and initiatives that will help us to safely shape the transformation process together. Let’s start talking about how we can address the challenges ahead of us - together! PS: This year, we are publishing our annual publication online only, as a small contribution to increasing our sustainability. T3 - BAM Reports/Jahresberichte - 2022/23 PY - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:b43-573972 SN - 2940-7532 VL - 2022/23 SP - 1 EP - 52 PB - Bundesanstalt für Materialprüfung (BAM) CY - Berlin AN - OPUS4-57397 LA - mul AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - JOUR A1 - Schmies, Lennart A1 - Botsch, B. A1 - Le, Q.-H. A1 - Yarysh, A. A1 - Sonntag, U. A1 - Hemmleb, M. A1 - Bettge, Dirk T1 - Classification of fracture characteristics and fracture mechanisms using deep learning and topography data T1 - Klassifikation von Bruchmerkmalen und Bruchmechanismen mittels Deep Learning und unter Verwendung von Topographiedaten N2 - In failure analysis, micro-fractographic analysis of fracture surfaces is usually performed based on practical knowledge which is gained from available studies, own comparative tests, from the literature, as well as online databases. Based on comparisons with already existing images, fracture mechanisms are determined qualitatively. These images are mostly two-dimensional and obtained by light optical and scanning electron imaging techniques. So far, quantitative assessments have been limited to macrocopically determined percentages of fracture types or to the manual measurement of fatigue striations, for example. Recently, more and more approaches relying on computer algorithms have been taken, with algorithms capable of finding and classifying differently structured fracture characteristics. For the Industrial Collective Research (Industrielle Gemeinschaftsforschung, IGF) project “iFrakto” presented in this paper, electron-optical images are obtained, from which topographic information is calculated. This topographic information is analyzed together with the conventional 2D images. Analytical algorithms and deep learning are used to analyze and evaluate fracture characteristics and are linked to information from a fractography database. The most important aim is to provide software aiding in the application of fractography for failure analysis. This paper will present some first results of the project. N2 - Die mikrofraktographische Analyse von Bruchflächen wird in der Schadensanalyse meist auf der Basis von Erfahrungswissen vorgenommen, welches aus vorliegenden Untersuchungen, eigenen Vergleichsversuchen und aus der Literatur und online Datenbanken stammt. Durch Vergleiche mit bereits vorliegenden Bildern werden qualitativ Bruchmechanismen ermittelt. Grundlage dafür sind zumeist zweidimensionale Aufnahmen aus licht- und elektronenoptischen Verfahren. Quantitative Aussagen beschränken sich bislang beispielsweise auf makroskopische Anteile von Bruchmechanismen oder die manuelle Ausmessung von Schwingstreifen. In jüngerer Zeit gibt es vermehrt Ansätze, Computer-Algorithmen einzusetzen, die in der Lage sind, unterschiedlich strukturierte Bruchmerkmale zu finden und zu klassifizieren. Im hier vorgestellten IGF-Vorhaben „iFrakto“ werden elektronenoptische Aufnahmen erzeugt und daraus Topographie-Informationen berechnet. Diese gewonnenen Topographie-Informationen werden zusammen mit den klassischen 2D-Bildern ausgewertet. Analytische Algorithmen und Deep Learning werden eingesetzt, um Bruchmerkmale zu analysieren, zu bewerten und mit Informationen aus einer fraktographischen Datenbank zu verknüpfen. Wichtigstes Ziel ist die Bereitstellung von Software zur Unterstützung der Fraktographie in der Schadensanalyse. In diesem Beitrag werden erste Ergebnisse des Vorhabens vorgestellt. KW - Fractography KW - Deep Learning KW - Classification PY - 2023 U6 - https://doi.org/10.1515/pm-2022-1008 SN - 0032-678X VL - 60 IS - 2 SP - 76 EP - 92 PB - De Gruyter AN - OPUS4-56962 LA - mul AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - JOUR A1 - Karapanagiotis, Christos A1 - Hicke, Konstantin A1 - Krebber, Katerina T1 - Eine Sammlung durch Maschinelles Lernen unterstützter Verteilter Faseroptischer Sensoren für Infrastrukturmonitoring T1 - A collection of machine learning assisted distributed fiber optic sensors for infrastructure monitoring N2 - In this paper, we present a collection of machine learning assisted distributed fiber optic sensors (DFOS) for applications in the field of infrastructure monitoring. We employ advanced signal processing based on artificial neural networks (ANNs) to enhance the performance of the dynamic DFOS for strain and vibration sensing. Specifically, ANNs in comparison to conventional and computationally expensive correlation and linearization algorithms, deliver lower strain errors and speed up the signal processing allowing real time strain monitoring. Furthermore, convolutional neural networks (CNNs) are used to denoise the dynamic DFOS signal and enable useable sensing lengths of up to 100 km. Applications of the machine learning assisted dynamic DFOS in road traffic and railway infrastructure monitoring are demonstrated. In the field of static DFOS, machine learning is applied to the well-known Brillouin optical frequency domain analysis (BOFDA) system. Specifically, CNN are shown to be very tolerant against noisy spectra and contribute towards significantly shorter measurement times. Furthermore, different machine learning algorithms (linear and polynomial regression, decision trees, ANNs) are applied to solve the well-known problem of cross-sensitivity in cases when temperature and humidity are measured simultaneously. The presented machine learning assisted DFOS can potentially contribute towards enhanced, cost effective and reliable monitoring of infrastructures. N2 - In diesem Beitrag stellen wir eine Sammlung von verteilten faseroptischen Sensoren (DFOS) vor, die mit Hilfe von Maschinellem Lernen arbeiten und für Anwendungen im Bereich der Infrastrukturüberwachung geeignet sind. Wir setzen hierbei fortschrittliche Signalverarbeitung auf der Grundlage Künstlicher Neuronaler Netze ein, um die Leistungsfähigkeit dynamischer DFOS für die Messung von Dehnungen und Vibrationen zu verbessern. Insbesondere Künstliche Neuronale Netze (ANNs) liefern im Vergleich zu konventionellen und rechenintensiven Korrelations- und Linearisierungsalgorithmen geringere Dehnungsfehler und beschleunigen die Signalverarbeitung, so dass eine Dehnungsüberwachung in Echtzeit möglich ist. Darüber hinaus wenden wir Convolutional Neural Networks (CNNs) an, um dynamische DFOS-Signale zu entrauschen und damit nutzbare Messlängen von bis zu 100 km zu ermöglichen. Es werden Anwendungsbeispiele dieser durch Maschinelles Lernen unterstützten dynamischen DFOS in den Bereichen des Straßenverkehrsmonitorings und der Zug- und Gleisüberwachung aufgezeigt. Im Bereich der statischen DFOS wird Maschinelles Lernen auf das Verfahren der Optischen Brillouin-Frequenzbereichsanalyse (BOFDA) angewendet. Insbesondere CNN erweisen sich hier als sehr robust gegenüber verrauschten Spektren und tragen zu deutlich kürzeren Messzeiten bei. Darüber hinaus werden verschiedene Algorithmen des maschinellen Lernens (lineare und polynome Regression, Entscheidungsbäume, ANNs) angewandt, um das bekannte Problem der Querempfindlichkeit bei DFOS in den Fällen zu lösen, in denen Temperatur und Feuchtigkeit gleichzeitig gemessen werden sollen. Die hier vorgestellten, durch Maschinelles Lernen unterstützten, DFOS können zu einer verbesserten, kostengünstigen und zuverlässigen Überwachung von Infrastrukturen beitragen. KW - Artificial neural networks KW - Brillouin sensing KW - Distributed acoustic sensing KW - Fibre optic sensors KW - Infrastructure monitoring PY - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:b43-569044 SN - 0171-8096 SP - 1 EP - 19 PB - De Gruyter AN - OPUS4-56904 LA - mul AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - CONF A1 - Meyer, Lena T1 - Additive Fertigung unter Mikrogravitationsbedingungen für Anwendungen im Weltraum N2 - Präsentation der Aktivitäten an der BAM im Bereich Additive Fertigung unter Mikrogravitationsbedingungen für Anwendungen im Weltraum beim Arbeitsgruppentreffen der AG Werkstoffe & Prozesse vom Netzwerk Space2Motion. T2 - Arbeitsgruppentreffen beim Netzwerk Space2Motion CY - Online meeting DA - 09.11.2022 KW - Additive Fertigung KW - Mikrogravitation PY - 2022 AN - OPUS4-56353 LA - mul AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - CONF A1 - Meyer, Lena A1 - Günster, Jens T1 - 3-D Druck in Schwerelosigkeit – Patentanmeldung für den Bau für Werkzeug und Ersatzteilen im Weltall N2 - Präsentation der Aktivitäten an der BAM im Bereich 3-D Druck in Schwerelosigkeit. T2 - Besuch des Deutschen Patent- und Markenamtes DPMA München CY - Berlin, Germany DA - 19.07.2022 KW - Additive manufacturing KW - Microgravity KW - Patent KW - Powder KW - Additive Fertigung KW - 3D Druck KW - Schwerelosigkeit PY - 2022 AN - OPUS4-56314 LA - mul AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - JOUR A1 - Schneider, M. A1 - Bettge, Dirk A1 - Hilgenberg, Kai A1 - Binder, M. A1 - Dollmeier, K. A1 - Dreyer, M. A1 - Klöden, B. A1 - Schlingmann, T. A1 - Schmidt, J. T1 - Reproducibility and Scattering in Additive Manufacturing: Results from a Round Robin on PBF-LB/M AlSi10Mg Alloy T1 - Reproduzierbarkeit und Streuung bei der additiven Fertigung: Ergebnisse eines Ringversuchs mit einer PBF-LB/M AlSi10Mg-Legierung N2 - The round robin test investigated the reliability users can expect for AlSi10Mg additive manufactured specimens by laser powder bed fusion through examining powder quality, process parameter, microstructure defects, strength and fatigue. Besides for one outlier, expected static material properties could be found. Optical microstructure inspection was beneficial to determine true porosity and porosity types to explain the occurring scatter in properties. Fractographic analyses reveal that the fatigue crack propagation starts at the rough as-built surface for all specimens. Statistical analysis of the scatter in fatigue using statistical derived safety factors concludes that at a stress of 36.87 MPa the fatigue limit of 107 cycles could be reached for all specimen with a survival probability of 99.999 %. N2 - Im Rahmen eines Ringversuchs wurde durch die Untersuchung der Pulverqualität, der Prozessparameter, der Gefügefehler, der Festigkeit und der Ermüdung die Zuverlässigkeit bestimmt, die Nutzer von AlSi10Mg-Proben erwarten können, die mit pulverbettbasiertes Schmelzen mittels Laser (engl. Laser Powder Bed Fusion) gefertigt worden sind. Abgesehen von einem Ausreißer wurden die erwarteten statischen Materialeigenschaften erreicht. Eine optische Gefügeprüfung diente dazu, die tatsächliche Porosität und Arten von Porosität zu ermitteln, um die bei den Eigenschaften auftretende Streuung zu erklären. Fraktographische Unterschungen zeigen eine bei allen Proben von der rauen Oberfläche im As-built-Zustand ausgehende Ermüdungsrissausbreitung. Aus der statistischen Analyse der Streuung bezüglich der Ermüdung unter Anwendung von statistischen abgeleiteten Sicherheitsfaktoren geht hervor, dass alle Proben die Dauerfestigkeit von 107 Zyklen bei einer Spannung von 36,87 MPa mit einer Überlebenswahrscheinlichkeit von 99,999 % erreichten. KW - Additive manufacturing KW - Reproducibility KW - Reliability PY - 2022 U6 - https://doi.org/10.1515/pm-2022-1018 SN - 2195-8599 VL - 59 IS - 10 SP - 580 EP - 614 PB - De Gruyter AN - OPUS4-55935 LA - mul AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER -