TY - CONF A1 - Sonntag, U. A1 - Botsch, B. A1 - Bettge, Dirk A1 - Schmies, Lennart A1 - Yarysh, Anna A1 - Hemmleb, M. T1 - Softwaregestützte Bestimmung von Bruchmechanismen und Bruchflächenmerkmalen mittels Machine Learning und Topographie-Informationen N2 - Ziel von fraktographischen Untersuchungen ist die Auswertung von makroskopischen und mikroskopischen Bruchflächenmerkmalen und daraus resultierend die Bestimmung des Bruchmechanismus eines Bauteils aus einem Schadensfall. Die Grundlage für die Bewertung von Bruchmerkmalen stammt dabei aus zuvor durchgeführten eigenen Vergleichsversuchen und aus der Literatur. Eine fraktographische Analyse kann sehr aufwändig sein und setzt in jedem Fall erhebliches Erfahrungswissen voraus. Im IGF-Vorhaben „iFrakto“ wird Software entwickelt, die auf Basis von digitalisiertem Expertenwissen, Machine Learning und unter Zuhilfenahme von Topographie-Daten anhand von REM-Aufnahmen Bruchmerkmale und Bruchmechanismen quantitativ bestimmt, s. Abbildung. Solche Software soll mittelfristig direkt am REM oder bei der nachfolgenden Auswertung wissensbasierte Vorschläge für die Bewertung von Bruchflächen liefern. Als Grundlage hierfür wurden Ringversuche unter Fraktograph/inn/en durchgeführt, um die Wissensbasis zu schaffen, die praxisrelevanten Anforderungen an solche Software abzufragen und erste Praxistests durchzuführen. Die bisherigen Ergebnisse werden vorgestellt und die Relevanz der Auswertestrategie und unterschiedlicher Sensordaten bewertet. T2 - 56. Metallographie-Tagung CY - Saarbrücken, Germany DA - 21.9.2022 KW - Fraktographie KW - Machine Learning KW - Topographie PY - 2022 AN - OPUS4-55939 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - CONF A1 - Schmies, Lennart A1 - Sonntag, U. A1 - Bettge, Dirk A1 - Le, Quynh-Hoa A1 - Yarysh, Anna A1 - Botsch, B. T1 - Quantitative Fraktographie unter Verwendung klassischer Verfahren, Topographie-Daten und Deep-Learning N2 - Die Analyse von Bruchflächen wird in der Schadensanalyse meist auf der Basis von Erfahrungswissen vorgenommen, welches aus vorliegenden Untersuchungen, eigenen Vergleichsversuchen und aus der Literatur stammt. Durch Vergleiche mit bereits vorliegenden Bildern werden qualitativ Bruchmechanismen ermittelt. Grundlage sind zumeist zweidimensionale Bilder aus licht- und elektronenoptischen Verfahren. Quantitative Aussagen beziehen sich bislang beispielsweise auf makroskopische Anteile von Bruchmechanismen oder die 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“, IGF Vorhaben Nr.: 21477 N, werden licht- und elektronen-optisch Topographie-Bilder erzeugt und die gewonnenen 3D-Informationen zusammen mit den klassischen 2D-Bildern ausgewertet. Analytische Algorithmen und Machine Learning werden eingesetzt, um Bruchmerkmale zu analysieren, zu bewerten und mit Informationen aus einer fraktographischen Datenbank zu verknüpfen. Ziel ist die Bereitstellung von Software zur Unterstützung der Fraktographie in der Schadensanalyse. In diesem Beitrag werden erste Ergebnisse des Vorhabens vorgestellt. T2 - 55. Metallographie-Tagung CY - Online meeting DA - 29.9.2021 KW - Fraktographie KW - Machine Learning KW - Datenbank KW - REM KW - Topographie PY - 2021 AN - OPUS4-53491 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER -