5 Werkstofftechnik
Filtern
Erscheinungsjahr
- 2023 (2)
Dokumenttyp
- Zeitschriftenartikel (2) (entfernen)
Sprache
- Mehrsprachig (2) (entfernen)
Referierte Publikation
- ja (2)
Schlagworte
- Bruchflächen (1)
- Classification (1)
- Datenbank (1)
- Deep Learning (1)
- Fractography (1)
- Fraktographie (1)
- Machine Learning (1)
- Schadensanalyse (1)
Organisationseinheit der BAM
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.
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.