Machine learning based computer vision in fracture surface evaluation

Rosenberger, Johannes; Hohe, Jörg; Münstermann, Sebastian

doi:HT031384846

Machine learning based computer vision in fracture surface evaluation

Rosenberger, Johannes^RWTH*

2025 & 2026

Verantwortlichkeitsangabevorgelegt von Johannes Rosenberger, M. Sc.

ImpressumAachen : RWTH Aachen University 2025

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University 2026

Genehmigende Fakultät
Fak05

Hauptberichter/Gutachter
Münstermann, Sebastian (Thesis advisor)^RWTH* ; Hohe, Jörg (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2025-12-04

Online
DOI: 10.18154/RWTH-2026-00460
URL: https://publications.rwth-aachen.de/record/1024999/files/1024999.pdf

Einrichtungen

Inhaltliche Beschreibung (Schlagwörter)
deep learning (frei) ; explainable AI (frei) ; fractography (frei) ; fracture mechanics (frei) ; instance segmentation (frei) ; semantic segmentation (frei)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Die Strukturanalyse und Sicherheitsbewertung sicherheitsrelevanter Komponenten erfordert den Transfer von standardisierten Laborversuchen zur strukturellen Anwendung für alle verwendeten Materialen. So basiert die bruchmechanische Bewertung beispielsweise auf makroskopischen Konzepten und damit dem Vergleich von globaler Beanspruchung und der Bruchzähigkeit (Beanspruchbarkeit). In dieser Arbeit wird die Implementierung von vollständig überwachten, halbüberwachten und unüberwachten Computer Vision Techniken basierend auf Methoden des maschinellen Lernens (ML) zur Bruchflächenbewertung für Bruchzähigkeitsuntersuchungen und Kerbschlagbiegeversuche untersucht. In diesem interdisziplinären Ansatz werden Computer Vision basierte ML-Modelle für die Extraktion und Evaluation von komplexen Versagensmechanismen für zwei Materialklassen genutzt, die typischerweise in nuklearen Sicherheitskomponenten zur Anwendung kommen. Die entwickelte Methodik ist jedoch nicht auf diese Materialien beschränkt und ermutigt zur Übertragung auf andere Anwendungsbereiche. Bruchflächen repräsentieren die Belastungshistorie und entsprechende Materialantwort in Bezug auf das Versagens- und Deformationsverhalten. Bruchflächen können daher als eindeutiger Identifikator bzw. „Fingerabdruck“ betrachtet werden. Die eingesetzten Modelle demonstrieren verschiedene Aspekte der Bruchflächenauswertung. Hierbei demonstrieren die verwendeten Modelle unterschiedliche Aspekte der Bruchflächenbewertung. Bei der Bruchzähigkeitsbestimmung werden makroskalige Messverfahren mittels erhöhter Reproduzierbarkeit und Effizienz vereinfacht, während die Subjektivität der manuellen Messungen eliminiert wird. Die lokale Auswertung von Mikrostrukturparametern, ermöglicht die direkt am Versagensprozess beteiligten Merkmale zu offenbaren und die Mikrostrukturmodellierung zu verbessern. Bruchflächen aus Kerbschlagbiegeversuchen werden verwendet, um das Kraft-Durchbiegungs-Verhalten vorherzusagen und somit einen Mehrwert für nicht-instrumentierte Tests zu generieren. Durch das das zur Verfügung einer Modellinterpretierbarkeit und die statistische Validierung wird das Vertrauen in die vorgestellten Techniken gestärkt. Dabei werden makro- und mikroskalige Fragestellungen, verschiedene Materialklassen und Prüfszenarien berücksichtigt. Diese Arbeit schafft die Grundlage für eine datengesteuerte, interpretierbare und effiziente Bruchflächenbewertung und erweitert die Methoden, die für die Verbesserung der Sicherheit und Zuverlässigkeit in kritischen Anwendungen entscheidend sind und fördert den Einsatz von ML in der Materialwissenschaft für die Bruchflächenanalyse im Allgemeinen.

The structural analysis and safety assessment of safety-critical components requires the transfer of standardized laboratory tests to structural application for each considered material. For example, the fracture mechanical evaluation is based on macroscopic concepts and the comparison of global load and materials fracture toughness (resistance to crack propagation). This work investigates the implementation of supervised, semi-supervised and unsupervised machine learning (ML) based computer vision techniques into fracture surface analysis, for fracture toughness evaluation and notched bar impact testing. In this interdisciplinary approach, computer vision-driven ML models are used to extract and evaluate complex failure mechanisms for two material classes commonly used in nuclear safety components. However, the developed methodology is not limited to these materials and encourages the transfer to other fields of application. Fracture surfaces represent a materials loading history and the materials correspondence in terms of fracture and deformation behaviour. Fracture surfaces can therefore be seen as a unique identifier or “fingerprint”. The deployed models demonstrate different aspects of fracture surface evaluation. For fracture toughness testing, macroscale measurement procedures are facilitated with increased reproducibility and efficiency, while the subjective bias of manual measurements is eliminated. Microstructure parameters are evaluated locally, revealing the features directly involved in the fracture process, enhancing microstructure modeling. Fracture surfaces originating from notched bar impact tests are used to predict the materials force-displacement behaviour generating added value to non-instrumented testing. By providing model interpretability and statistical validation, the trust in the presented techniques is increased. This accounts for macro- and microscale related tasks, different material classes and test scenarios. The work lays the base for data-driven, interpretable and efficient fracture surface evaluation and advances the methodologies crucial for enhancing safety and reliability in critical applications and promotes the use of ML in materials science for fracture surface analysis in general.

OpenAccess:
PDF
(additional files)