5 Werkstofftechnik
Filtern
Erscheinungsjahr
- 2023 (3)
Dokumenttyp
- Zeitschriftenartikel (2)
- Vortrag (1)
Sprache
- Deutsch (1)
- Englisch (1)
- Mehrsprachig (1)
Schlagworte
- Machine Learning (3) (entfernen)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (1)
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.
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.
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.