Filtern
Erscheinungsjahr
- 2023 (5) (entfernen)
Dokumenttyp
- Beitrag zu einem Tagungsband (2)
- Vortrag (2)
- Zeitschriftenartikel (1)
Schlagworte
- KI (5) (entfernen)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (2)
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.
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.
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.
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.
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.