DFG project G:(GEPRIS)498272503
Anwendung von künstlicher Intelligenz im Rasterelektronenmikroskop für beschleunigte hochauflösende in-situ-Prüfung (T02#)
Coordinator | Professorin Sandra Korte-Kerzel, Ph.D. |
Grant period | 2022 - 2025 |
Funding body | Deutsche Forschungsgemeinschaft |
DFG | |
Identifier | G:(GEPRIS)498272503 |
⇧ TRR 188: Schädigungskontrollierte Umformprozesse ⇧
Note: Ziel der mikrostrukturellen Charakterisierung von Schädigung im TRR 188 ist es, die physikalischen Mechanismen der Schädigungsentstehung, -entwicklung und -koaleszenz zu entschlüsseln. Von Interesse sind in diesem Zusammenhang insbesondere die Abhängigkeit dieser Mechanismen von den Belastungsbedingungen und dem Belastungspfad sowie den oft komplexen Gefügen moderner, mehrphasiger Legierungen.In dem entsprechenden Projekt innerhalb des TRR 188 (Projekt B02) wurde eine neue Methode entwickelt, die erstmals eine automatisierte Analyse von Schädigungsmechanismen anhand von hochauflösenden Panorama-Rasterelektronenmikroskopiebildern(~1 cm²) ermöglicht. Dies wurde durch den Einsatz von künstlicher Intelligenz mit neuronalen Faltungsnetzen erreicht und auf Post-mortem- und In-situ- Verformungstests sowie auf ein- und zweiachsige Zug- und Biegeversuche angewandt.Darauf aufbauend besteht das Ziel dieses Transferprojekts darin, das Potenzial der neuen Methode weiter auszuschöpfen und sie dem TRR 188 und der wissenschaftlichen Gemeinschaft zur Verfügung zu stellen, indem eine Integration in zugänglicheVersuchsaufbauten erreicht wird. In diesem Projekt wird dies auf dreierlei Weise verfolgt: durch (1) die Umsetzung beschleunigter In-situ-Verformungsexperimente auf der Grundlage einer anfänglichen Bildgebung und anschließenden schnellen Verfolgungvieler sich entwickelnder Schädigungsstellen, (2) die Anwendung der neuen Konzepte der Super-Resolution in der künstlichen Intelligenz für eine schnelle erneute Bildgebung großer Bereiche und (3) die direkte Zusammenarbeit mit einem Mikroskophersteller, um eine zuverlässige und komfortable Integration des beschleunigten In-situ-Experiments zu erreichen.All known publications ...
Download: BibTeX | EndNote XML, Text | RIS |
Journal Article/Contribution to a book
Resolution enhancement of scanning electron micrographs using artificial intelligence
Materials and design 253, 113955 (2025) [10.1016/j.matdes.2025.113955] special issue: "Artificial Intelligence-Enabled Material Innovations / Guest Editors: Assoc. Professor Enrico Salvati; Assist. Prof. Edoardo Rossi; Professor Alexander M. Korsunsky"
Files
BibTeX |
EndNote:
XML,
Text |
RIS
Journal Article
Automated segmentation of large image datasets using artificial intelligence for microstructure characterisation and damage analysis
Materials and design 243, 113031 (2024) [10.1016/j.matdes.2024.113031]
Files
BibTeX |
EndNote:
XML,
Text |
RIS
Journal Article
Determination of the Rate Dependence of Damage Formation in Metallic‐Intermetallic Mg–Al–Ca Composites at Elevated Temperature using Panoramic Image Analysis
Advanced engineering materials 25(21), 2300956 (2023) [10.1002/adem.202300956]
Files
BibTeX |
EndNote:
XML,
Text |
RIS
All known publications ...
Download: BibTeX | EndNote XML, Text | RIS |