Entwurf Machinelles Lernen
DL Segmentierung lattenförmiger Bainit – LM*
DL Segmentierung lattenförmiger Bainit – REM*
Nutzen durch Maschinelles Lernen (ML)
Bietet vielversprechende neue Möglichkeiten in der Gefügeanalyse
- Automatisierung von zeit- und arbeitsintensiven Standardaufgaben
- Auswertung großer, hochdimensionaler Datenmengen
- Objektivität und Reproduzierbarkeit
- Grundlage verbesserter Analysen komplexer Gefüge, die vorher nicht möglich waren
Unsere Herangehensweise
- Kombination von Informatik Knowhow mit materialwissenschaftlicher Domänenexpertise
- ML ganzheitlich betrachten: auch alle Schritte hin zum Erhalt einer Gefügeaufnahme berücksichtigen
- Dies grenzt uns ab von reinen Datenwissenschaftler, die oft lediglich Gefügeaufnahmen in einen ML-Algorithmus geben, ohne das Domänenwissen zu berücksichtigen
- Insbesondere auf die Zuordnung der Grundwahrheit für das überwachte ML achten
- Kontrolle und das Verständnis der materialwissenschaftlichen Aspekte bieten eine größere Hebelwirkung für den Erfolg als die Optimierung der ML-Parameter
Kontakt bei Fragen
Dr.-Ing. Dominik Britz
Stellvertretender Geschäftsführer
Adrian Thome, M.Sc.
Chief Operating Officer
Unser Dienstleistungsangebot
- Maßgeschneiderte ML-basierte Lösungen zur automatisierten Gefügeanalyse
- Fokus auf objektiver Grundwahrheit, z.B. durch korrelative Mikroskopie
- Ganzheitliche Betrachtung: metallographische Randbedingungen, die für eine erfolgreiche ML-Implementierung benötigt werden
- Kundenspezifische Schulungen (ML-Grundlagen, ML in Materialwissenschaft und Werkstofftechnik, ML in Metallographie und Gefügeanalyse)
Wo unsere ML-Ansätze erfolgreich angewandt werden
Neben Standardaufgaben des metallographischen Alltags, wie Korngrößenbestimmung, Phasenanalyse, Schichtdickenmessung oder Bruchflächenanalyse, kommen unsere ML-Ansätze insbesondere bei komplexen Gefügeanalysen, für die es zuvor keine konventionellen Lösungen gab, zum Einsatz.
Segmentierung von lattenförmigem Bainit in Multiphasen-Stählen
Gefüge-Klassifizierung in Vergütungsstählen
Klassifizierung nicht-metallischer Einschlüsse
Klassifizierung der kohlenstoffreichen Zweitphase in Dualphasenstählen
Segmentierung ehemaliger Austenitkörner in Stahl
Referenzprojekte
Aktien-Gesellschaft der Dillinger Hüttenwerke
- Strategische Partnerschaft
- Etablierung von ML-Methoden in der Gefügeanalyse
- Kennzahlen:
- 4 Promotionsvorhaben
- > 30 studentische Abschlussarbeiten
- > 20 nationale und internationale Konferenzbeiträge
- > 20 Publikationen
MTU Maintenance
- Projektziel: Gemeinsames F&E Projekt zur Segmentierung thermisch gespritzter Schichten mittels Deep Learning
- Business Value: automatisierte, objektive Gefüge-Quantifizierung als Grundlage für verbesserte Prozess-Gefüge-Eigenschaftskorrelationen
MTU Maintenance Bericht
Weitere Anwendungsbereiche
Korrelative Mikroskopie
Eine korrelative Charakterisierung von Mikrostrukturen dient als Benchmark für eine automatisierte Gefügeerkennung und als Ausgangspunkt für Machine-Learning-Ansätze.
Triboelektrische Charakterisierung
Ergänzend zu unserer Mikrostrukturanalyse sind wir in der Lage, verschiedenste triboelektrischen Messungen (z.B. elektrischer Widerstand und Reibkoeffizient beim Steckversuch) unter kontrollierten Bedingungen durchzuführen.
Schadensanalyse
Im Bereich der Schadensanalyse sind wir neben der Identifikation und Analyse von Bruchsohlen zudem in der Lage, Bauteile auf der Makro- sowie auf der Mikroskala vollständig zu charakterisieren.
Antimikrobielle Oberflächen
Unsere antimikrobiellen metallischen Oberflächen wurden bereits in 3 Forschungsprojekten mit ESA & NASA auf der ISS verwendet.
Schweißtech. Beratung
Wir beurteilen die Schweißeignung von Werkstoffen und machen Vorschläge zum Einsatz von Werkstoffen, Schweißzusätzen und Schweißprozessen
Sie sind an einer Zusammenarbeit interessiert?
Nehmen Sie gerne einfach Kontakt mit uns auf! Wir freuen uns darauf, uns mit Ihnen auszutauschen und gemeinsam herauszufinden, wie wir Ihnen bei Ihrem Vorhaben weiterhelfen können.