5 Werkstofftechnik
Filtern
Dokumenttyp
- Vortrag (5) (entfernen)
Referierte Publikation
- nein (5)
Schlagworte
- Machine Learning (5) (entfernen)
Organisationseinheit der BAM
- 5.1 Mikrostruktur Design und Degradation (5) (entfernen)
Eingeladener Vortrag
- nein (5)
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.
The aim of a fractographic investigation is the evaluation of macroscopic and microscopic fracture surface characteristics and, as a result, the determination of the fracture mechanism of a component from a failure case. The basis for such evaluations of fracture characteristics comes from actual comparative mechanical testing and from the literature. A fractographic analysis can be very complex and, in any case, requires considerable experience. In the IGF project "iFrakto", software is being developed that quantitatively determines fracture characteristics and fracture mechanisms utilizing digitized expert knowledge, machine learning, and standard 2D and topographical data from SEM imaging. Topographical data are obtained from 4QBSE detector using shape-from-shading technology. In the medium term, a software tool should provide knowledge-based suggestions for the evaluation of fracture surfaces in real time during SEM work or at subsequent evaluation. As a basis for this, round robins were carried out among fractographers in order to create a knowledge base, to query the practice-relevant requirements for such tools and to carry out first practical tests. Actual results are presented and the relevance of the evaluation strategy is evaluated.
The aim of a fractographic investigation is the evaluation of macroscopic and microscopic fracture surface characteristics and, as a result, the determination of the fracture mechanism of a component from a failure case. The basis for such evaluations of fracture characteristics comes from actual comparative mechanical testing and from the literature. A fractographic analysis can be very complex and, in any case, requires considerable experience.
Machine learning methods enables the quantitative determination of fracture characteristics and fracture mechanisms utilizing digitized expert knowledge [1]. Although the application of SE images provides promising results, additional information is required to obtain reliable solutions. As expected, BSE and 3D information helps to improve the classification (Fig. 1). But only a fast, widely integrated, and automated topography measurement can provide the required amount of referenced surface data for the application of machine learning methods.
To fulfil these requirements, topographical data are obtained from a BSE detector with four symmetric segments (4Q-BSE) using shape-from-shading technology [2]. Surface height calculation is performed live during image acquisition and provides immediate feedback in three dimensions. All available signals (SE, BSE and more if applicable) are recorded simultaneously together with the surface topography and stored in a multichannel data file. This guaranties the same geometrical reference for all data, which is required for further analysis (Fig. 2).
When applying machine learning methods to topographic data together with SEM images, topographic information must be provided as depth image. Consequently, a unique height scale is required for all applied data with different magnifications. This requires a calibrated height measurement, which is ensured with the integrated 3D calibration of the topographic acquisition and a dedicated calibration sample. Thus, a large number of data sets from different fracture samples was generated and used as training data for machine learning.
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.
Die Fraktographische Online-Datenbank der AG Fraktographie – Entwicklungsstand und weitere Planung
(2023)
Vortrag zum aktuellen Stand der fraktographischen online-Datenbank. Darstellung des AGM/DVM Gemeinschaftsausschusses REM in der Materialforschung und seiner Arbeitsgruppen Fraktographie, EBSD und 2D/3D-Prüfung. Ziele und Inhalte der fraktographischen Datenbank, Aufruf zum Mitmachen. Durchführung von Vergleichsversuchen, Entwicklung einer fraktographischen Symbolik, Ringversuch, Vorhaben iFrakto mit Entwicklung einer KI-gestützten Bruchflächenanalyse.