Künstliche Intelligenz und Maschinelles 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
Direktor
Dr.-Ing. Tobias Fox
Operativer Geschäftsführer
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
Segmentierung ehemaliger Austenitkörner in Stahl
Klassifizierung der kohlenstoffreichen Zweitphase in Dualphasenstählen
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 Schwerpunkte
Materialanalyse und Mikroskopie
Von chemischen Analysen über Gefügeuntersuchungen und Texturanalyse bis hin zu hochauflösenden 3D-Tomographien im Nanometerbereich.
Korrelative Mikroskopie
Eine korrelative Charakterisierung von Mikrostrukturen dient als Benchmark für eine automatisierte Gefügeerkennung und als Ausgangspunkt für Machine-Learning-Ansätze.
Schadensanalyse
In der Schadensanalyse bieten wir über die Ursachenanalyse von Materialversagen hinaus auch eine vollständige Komponentenanalyse auf der Makro- und Mikroskala.
Triboelektrische Charakterisierung
Zusätzlich zu unserer Gefügeanalyse bieten wir eine große Bandbreite an triboelektrischen Messungen unter kontrollierten Bedingungen.
Oberflächen-funktionalisierung
Wir bieten hochauflösende Mikroskopie, chemische Oberflächenanalyse und Profilaufnahmen zur Schichtsystemanalyse mit FIB-Querschnitten.
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.