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.