Automatisierte Analyse von Bruchflächen mittels künstlicher neuronaler Netzwerke (KNN) für kerntechnisch relevante Sicherheitskomponenten

Abstract

Zur Sicherheitsbewertung kerntechnischer Komponenten ist ein bruchmechanischer Nachweis erforderlich, der bisher mit aufwendigen manuellen Verfahren zur Klassifizierung und Vermessung von Bruchflächen durchgeführt wird. Diese Prozesse sind zeitintensiv, subjektiv und erfordern eine hohe Expertise. Ziel des Projekts KNN-FRAC war die Entwicklung und Validierung automatisierter Verfahren zur Analyse und Auswertung von Bruchflächen mittels künstlicher neuronaler Netzwerke (KNN). Hierbei wurden sowohl die Makroskala, mit Fokus auf die Ermittlung der Ermüdungsanrisslänge, als auch die Mikroskala, mit Schwerpunkt auf der Charakterisierung mikrostruktureller Parameter von duktilem Gusseisen, betrachtet. Die Untersuchungen zeigen, dass bildbasierte Deep-Learning-Ansätze eine präzise, effiziente und objektive Analyse der Bruchflächen ermöglichen. Durch den Einsatz semantischer Segmentierung konnten makroskalige Bruchflächenaufnahmen zuverlässig ausgewertet und die Anfangsrisslänge genau bestimmt werden. Die Instanz-Segmentierung ermöglichte eine detaillierte Charakterisierung der Mikrostruktur direkt aus Bruchflächen-REM-Bildern, wodurch zentrale Gefügeparameter erfasst werden konnten. Die entwickelten Modelle zeigten eine hohe Genauigkeit und Generalisierungsfähigkeit, was eine Standardisierung und Effizienzsteigerung der bruchmechanischen Sicherheitsbewertung unterstützt. Die Ergebnisse belegen das Potenzial der computergestützten Bruchflächenanalyse zur Reduktion subjektiver Einflussfaktoren und zur Steigerung der Wirtschaftlichkeit kerntechnischer Sicherheitsnachweise. Die Integration der entwickelten Modelle in ein Software-Tool stellt einen wichtigen Beitrag zur Digitalisierung und Automatisierung der Bruchmechanismenklassifizierung dar. Datei-Upload durch TIB The safety assessment of nuclear components requires fracture mechanics verification, which until now has been carried out using complex manual procedures for classifying and measuring fracture surfaces. These processes are time-consuming, subjective and require a high level of expertise. The aim of the KNN-FRAC project was to develop and validate automated methods for analyzing and evaluating fracture surfaces using artificial neural networks (ANN). Both the macroscale, with a focus on determining the fatigue crack length, and the microscale, with a focus on characterizing the microstructural parameters of ductile cast iron, were considered. The investigations show that image-based deep learning approaches enable precise, efficient and objective analysis of fracture surfaces. By using semantic segmentation, macroscale fracture surface images could be reliably analyzed and the initial crack length accurately determined. Instance segmentation enabled a detailed characterization of the microstructure directly from fracture surface SEM images, allowing key microstructural parameters to be captured. The developed models showed high accuracy and generalization capability, which supports standardization and increased efficiency of fracture mechanics safety assessment. The results demonstrate the potential of computer-aided fracture surface analysis to reduce subjective influencing factors and to increase the economic efficiency of nuclear safety assessments. The integration of the developed models into a software tool represents an important contribution to the digitalization and automation of fracture mechanism classification.