• Treffer 65 von 156
Zurück zur Trefferliste

Quantitative Fraktographie unter Verwendung klassischer Verfahren, Topographie-Daten und Deep-Learning

  • 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 werdenDie 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.zeige mehrzeige weniger

Volltext Dateien herunterladen

  • iFrakto_Metallo_BAM_GFaI.pdf
    deu

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:Lennart Schmies, U. Sonntag
Koautor*innen:Dirk Bettge, Quynh-Hoa Le, Anna Yarysh, B. Botsch
Dokumenttyp:Vortrag
Veröffentlichungsform:Präsentation
Sprache:Deutsch
Jahr der Erstveröffentlichung:2021
Organisationseinheit der BAM:5 Werkstofftechnik
5 Werkstofftechnik / 5.1 Mikrostruktur Design und Degradation
DDC-Klassifikation:Technik, Medizin, angewandte Wissenschaften / Ingenieurwissenschaften / Ingenieurwissenschaften und zugeordnete Tätigkeiten
Freie Schlagwörter:Datenbank; Fraktographie; Machine Learning; REM; Topographie
Themenfelder/Aktivitätsfelder der BAM:Material
Veranstaltung:55. Metallographie-Tagung
Veranstaltungsort:Online meeting
Beginndatum der Veranstaltung:29.9.2021
Enddatum der Veranstaltung:1.10.2021
Verfügbarkeit des Dokuments:Datei im Netzwerk der BAM verfügbar ("Closed Access")
Datum der Freischaltung:11.10.2021
Referierte Publikation:Nein
Eingeladener Vortrag:Nein
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.