Experimentelle Ermittlung komplexer Rissfortschrittsdaten mittels smarter Algorithmen und digitaler Bildkorrelation

Kurzfassung

Im Luft- und Raumfahrtbereich werden Bauteile und Strukturen immer stärker hinsichtlich Ressourceneffizienz und höheren Wirkungsgraden optimiert. Dies führt zu gesteigerten Bauteilbeanspruchungen aber auch zu verbesserten Werkstoffen. Vor allem hinsichtlich Lebensdauer und Schadenstoleranz muss dabei das Ermüdungsrissverhalten sehr genau verstanden sein. Die digitale Bildkorrelation (DIC) eröffnet bei bruchmechanischen Experimenten Zugang zum Verformungsverhalten einer Probe und insbesondere zum Rissspitzenfeld. Um automatisiert eine hohe Anzahl an DIC Aufnahmen auszuwerten, müssen jeweils der aktuelle Risspfad sowie die Rissspitzenkoordinaten bekannt sein. Aus diesem Grund wurde zur automatischen Risserkennung in den DIC Ergebnissen ein convolutional neural network (CNN) trainiert. Hierauf basierend lässt sich im nächsten Schritt die Rissspitzenbeanspruchung in Form von KI und KII mittels des Wechselwirkungsintegrals berechnen. Durch Kombination beider Algorithmen wurde eine da/dN-ΔKeff Kurve der Aluminiumlegierung AA2024 anhand einer MT160 Probe vollständig automatisiert ermittelt. Zum Training des CNNs wurden etwa 1300 DIC Aufnahmen in einem Vorversuch für einen fortschreitenden Ermüdungsriss aufgenommen und manuell segmentiert. Das trainierte CNN war dann in der Lage die Rissspitze als auch den Risspfade wiederholgenau zu erkennen. Es lassen sich damit vor allem auch a-N Kurven für komplexe Rissverläufe bestimmen, deren Erfassung mittels der Potentialmethode nicht möglich wäre. Die Auswertung des Wechselwirkungsintegrals bei maximalen und minimalen Probenlasten liefert das zugehörige ΔKeff. Die Kombination klassischer bruchmechanischer Experimente mit digitalen Methoden eröffnet einen erheblichen Mehrwert zum Verständnis komplexen Rissfortschrittsverhaltens, indem der Rissverlauf ortsaufgelöst erfasst werden kann und sich auch direkt die effektive Rissbeanspruchung ermitteln lässt.