Ingenieurwissenschaften und zugeordnete Tätigkeiten
Filtern
Erscheinungsjahr
- 2021 (2) (entfernen)
Dokumenttyp
- Vortrag (2)
Referierte Publikation
- nein (2)
Schlagworte
- SEM (2) (entfernen)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (2) (entfernen)
The following work deals with the quantitative fracture surface evaluation in damage analysis. So far, fracture surfaces have almost exclusively been evaluated qualitatively, i.e. the presence of fracture features is documented and their surface proportions are estimated, if necessary. Many years of experience are required, as well as an intensive comparison with defined comparative images from the literature. The aim of this work is the development of classifiers which can recognize fracture mechanisms or fracture features in scanning electron microscope images (SEM). The basis is 46 SEM images, which have been evaluated by fractography experts with regard to fracture features. The existing data set of images is expanded using augmentation methods in order to increase the variability of the data and counteract overfitting. Only convolutional neural networks (CNN) are used to create the classifiers. Various network configurations are tested, with the SegNet achieving the best results.
Die „auffälligen großen Streifen“ sind von echten Schwingstreifen nur sehr schwer zu trennen, weil sie parallel zu den Schwingstreifen verlaufen und meistens ebenfalls nicht sehr groß sind. Die im Labor getesteten Proben zeigten, dass diese großen Streifen zusammen mit Verreibungen auftraten und „tire tracks“ („Reifenspuren“) verursachten. Dies wurde durch eine hochauflösende REM-Untersuchung bestätigt, die „tire tracks“ auf den „großen Streifen“ zeigte. Ein weiterer Hinweis ist die Änderung des R-Werts von -1 auf 0,1, was zu einer Bruchfläche ohne große Streifen und „tire tracks“ führt.