Filtern
Erscheinungsjahr
- 2023 (4) (entfernen)
Dokumenttyp
Sprache
- Mehrsprachig (4) (entfernen)
Referierte Publikation
- ja (4) (entfernen)
Schlagworte
- 3D metallography (1)
- 3D-Metallographie (1)
- Artificial neural networks (1)
- Brillouin sensing (1)
- Bruchflächen (1)
- Classification (1)
- Datenbank (1)
- Deep Learning (1)
- Distributed acoustic sensing (1)
- Fibre optic sensors (1)
Organisationseinheit der BAM
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.
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).
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.
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.