Detektion von Ermüdungsschädigung noch vor der Rissbildung

Maschinelles Lernen und Künstliche Intelligenz in der Werkstoffmechanik

Die Beschaffenheit früher Ermüdungsschädigungen hängt stark vom Material (Abbildung 1) und vom Belastungsszenario ab. Auch weisen Bilddaten von Schädigungen, aufgrund der optischen Abbildungseinstellungen, eine Streuung auf. Methoden des maschinellen Lernens erlauben die automatisierte Detektion solcher Schädigungsstellen in diversen Materialien. So kann mittels neuronalen Netzwerken, die bereits mit einem vielseitigen Datensatz trainiert wurden, eine pixelweise Riss- und Extrusionsdetektion (semantische Segmentierung) durchgeführt werden. Da der Trainingsdatensatz verschiedenste Riss und Extrusionsmorphologien (siehe Abbildung 1) wie beispielsweise Protrusionen 1) und lokalisierte zungenförmige Extrusionen 2) in mehreren Materialien enthält, wird von einer Übertragbarkeit auf weitere metallische Materialien ausgegangen.  Diese automatisierte und generalisierende Methode verknüpfen wir mit automatisierter Rasterelektronenmikroskopie (REM), um eine effiziente Schädigungscharakterisierung an Proben- und Bauteiloberflächen zu gewährleisten.

                                                                                                                                             nach oben

© Fraunhofer IWM
Abbildung 1: Risse und Extrusionen aus der Rasterelektronenmikroskopie (REM) unterschiedlicher Materialien: a) ferritischer Stahl EN 1.4003, b) martensitischer Stahl EN 1.7228 und c) sauerstoffreiem Kupfer.

 

Diese Methode ist nicht auf Ermüdungsschädigungen beschränkt, sondern lässt sich auf andere werkstoffmechanische Problemstellungen übertragen, für die bildbasierte Daten mit charakteristischen Merkmalen verfügbar sind.  Dabei ist die erforderliche Datenmenge abhängig von der Komplexität der Architektur des neuronalen Netzes und der Problemstellung.  Mittels intelligenter auf die Problemstellungen angepasster Strategien zur Daten Augmentation, können schon einige hundert annotierte Bildinstanzen zum Trainieren von verhältnismäßig kompakten Netzwerken ausreichen. Die Segmentierungsergebnisse, werden typischerweise mit der IoU-Metrik (Intersection over Union) beurteilt, welche das Verhältnis aus Schnittmenge und Vereinigung von Vorhersage und Annotation bildet. Bei der Schädigungsdetektion (Abbildung 2) in ferritischem Stahl EN 1.4003 wurde beispielsweise jeweils ein mittlerer IoU für Risse und Extrusionen von 0.84 und 0.71 erzielt.

 

nach oben

© Fraunhofer IWM
Abbildung 2: Extrusion und Riss in ferritischem Stahl EN 1.4003 überlagert mit Segmentierungsmasken welche Hintergrund (rot), Risse (grün) und extrudierte Bereiche (blau) aufzeigen. a) manuell indizierte Bereiche, b) Vorhersage des neuronalen Netzes.

Publikationen

 

  • Buck, M.; Straub, T.; Eberl, C., Experimental investigation of damage detection and crack initiation up to the very high cycle fatigue regime, Fatigue of materials at very high numbers of loading cycles; Christ, H.-J. (Ed.); Springer Spektrum, Wiesbaden (2018) 365-393 Link

nach oben