Speaker
Description
Das BMWK-geförderte Projekt “HL-Blech” befasst sich mit der Entwicklung von niedriglegierten Stählen, die bei hohen Energiedichten geschweißt werden und für die Konstruktion von Monopiles verwendet werden sollen. Zur Bewertung der mechanischen Eigenschaften werden unter anderem fraktographische Untersuchungen herangezogen. Kerbschlagproben der Werkstoffe werden hierzu auf die Erfüllung der Norm EN 10225-1 bei ausgewählten Temperaturen unter 0°C geprüft, um den Spröd-Duktil-Übergang zu identifizieren. Im Anschluss werten Experten die Bruchflächen visuell aus und ermitteln prozentuale Anteile der Bruchklassen, was jedoch oft subjektiven Einflüssen unterliegt.
In diesem Beitrag wird gezeigt, wie mithilfe des Machine Learning, also objektiven und effizienten computerbasierten Lernalgorithmen, Kerbschlagproben und insbesondere Mischbrüche semantisch segmentiert werden können. Im Vordergrund steht dabei ein Ansatz mit geringem Annotationsaufwand der Trainingsdaten. Durch die geeignete Wahl der Trainingsdaten sind pixelaufgelöste Vorhersagen über das Bruchverhalten von Kerbschlagproben möglich. Nach angepasster Nachbearbeitung konnten die Vorhersagen mit den Originalbildern überlagert werden und ermöglichten somit einen direkten Vergleich der Flächenanteile von spröden und duktilen Bereichen.