Kombination multimodaler Ermüdungsbruchflächenbilder zur Analyse mit einem CNN

Warum winzige Risse wichtig sind

Alltägliche Technologien — von Triebwerken bis zu medizinischen Implantaten — beruhen auf Metallbauteilen, die Millionen von Belastungszyklen überstehen müssen, ohne plötzlich zu versagen. Dennoch beginnen die meisten technischen Ausfälle immer noch als kleine, fast unsichtbare Risse, die langsam wachsen, bis eine Katastrophe eintritt. Dieses Papier untersucht, wie sich die „Fingerabdrücke“, die diese Risse auf Bruchflächen hinterlassen, lesen lassen und wie das Kombinieren verschiedener Mikroskopbildtypen mit moderner künstlicher Intelligenz diese Fingerabdrücke in Frühwarnungen darüber verwandeln kann, wie und warum ein Bauteil versagt hat.

Gebrochene Metalle neu betrachten

Wenn ein Metallbauteil durch wiederholte Belastung bricht, ist die freigelegte Oberfläche alles andere als glatt. Sie ist bedeckt mit Mustern — Graten, Tälern und Texturen — die aufzeichnen, wie der Riss initiiert wurde und gewachsen ist. Traditionell untersuchen geschulte Expertinnen und Experten diese Bruchflächen visuell mit leistungsfähigen Mikroskopen und stützen sich auf Erfahrung, um das Gesehene zu interpretieren. Die Autorinnen und Autoren konzentrieren sich auf eine weit verbreitete Titanlegierung, Ti-6Al-4V, wie sie häufig in Luftfahrtkomponenten vorkommt. Sie fragen, ob Computer lernen können, diese komplexen Oberflächen zu lesen — nicht nur um die Bruchart zu kennzeichnen, sondern auch um praktische Größen wie die Risswachstumsrate und den Abstand zur ursprünglichen Belastungslinie abzuschätzen — Informationen, die direkt mit der verbleibenden Lebensdauer des Bauteils verknüpft sind.

Drei Ansichten derselben Bruchfläche

Die Studie kombiniert drei unterschiedliche Bildgebungsverfahren, die jeweils verschiedene Aspekte derselben Bruchfläche zeigen. Erstens erfassen Sekundärelektronen- (SE-)Bilder aus einem Rasterelektronenmikroskop feine Topographie — die kleinen Grate und Gruben auf der Oberfläche. Zweitens betonen rückgestreute Elektronen- (BSE-)Bilder Unterschiede in der zugrunde liegenden Mikrostruktur und heben hervor, wie verschiedene Phasen der Legierung auf Rissbildung reagieren. Drittens liefert die scanning white light interferometry (SWLI) eine tatsächliche Höhenkarte der Oberfläche und liefert präzise dreidimensionale Informationen zur Rauheit über größere Bereiche. Durch das sorgfältige Ausrichten dieser drei Bildarten, sodass dieselben mikroskopischen Merkmale übereinstimmen, packen die Autorinnen und Autoren sie in die Rot-, Grün- und Blaukanäle eines einzigen zusammengesetzten Bildes, das in ein Standard-Bilderkennungsnetzwerk eingespeist werden kann.

Ein neuronales Netzwerk das Lesen von Bruch-Fingerabdrücken lehren

Das Team verwendet ein Convolutional Neural Network, das ursprünglich mit Alltagsfotografien trainiert wurde, und passt es an, um Muster in den zusammengesetzten Bruchbildern zu erkennen. Sie schneiden große Scans der Bruchfläche in viele kleine Kacheln, von denen jede einen winzigen Ausschnitt des Risspfads darstellt. Für jede Kachel wird das Netzwerk darauf trainiert, zwei Dinge zu tun: die Schmiedrichtung der Probe zu klassifizieren (ein Stellvertreter für die Verarbeitung des Metalls) und numerische Werte wie die Position entlang des Risses und die Risswachstumsrate vorherzusagen. Zuerst testen sie jede Bildgebungsmethode einzeln, dann prüfen sie alle sechs möglichen Zuweisungen von SE, BSE und SWLI auf die drei Farbkanäle, um zu sehen, ob die Reihenfolge die Leistung beeinflusst.

Was die kombinierten Bilder offenbaren

Einzeln trägt jede Technik etwas Wichtiges bei. SWLI, das die tatsächliche Oberflächenhöhe misst, ist am besten geeignet, die Fortgeschrittenheit des Risswachstums entlang der Probe vorherzusagen. BSE-Bilder zeichnen sich bei der Identifizierung der Schmiedrichtung aus, vermutlich weil sie Unterschiede in den Phasen der Legierung betonen, die beeinflussen, wie Risse sich ausbreiten. SE-Bilder liegen in ihrer Aussagekraft dazwischen. Wenn die drei Modalitäten in einem Farbkanalbild verschmolzen werden, werden die Modelle deutlich genauer und stabiler über verschiedene Datenaufteilungen hinweg. Die beste Kombination reduziert den Fehler bei der Vorhersage der Risslänge im Vergleich zu früheren Arbeiten, die nur eine Bildmethode nutzten, nahezu halbiert und verbessert die Richtungsklassifikation auf praktisch perfekte Genauigkeit in den verfügbaren Daten. Das Netzwerk kann außerdem die Risswachstumsrate über einen realistischen Bereich abschätzen und erreicht trotz des relativ kleinen Datensatzes etwa 10 % Fehlerrate über diesen Bereich.

Warum dieser Ansatz die Fehleranalyse verändern könnte

Über bessere Kennzahlen hinaus demonstriert die Studie eine kraftvolle Idee: Daten aus sehr unterschiedlichen Instrumenten lassen sich zu einer Form zusammenführen, die von handelsüblichen visuellen Netzwerken verarbeitet werden kann, ohne neue Algorithmen von Grund auf entwickeln zu müssen. Die Behandlung von Höhenkarten und Elektronenbildern als unterschiedliche „Farben“ in einem einzigen Bild erlaubt dem neuronalen Netzwerk, subtile Verknüpfungen zwischen Oberflächenrauheit, Mikrostruktur und Belastungsgeschichte zu entdecken. Für Ingenieurinnen und Ingenieure deutet dies auf eine Zukunft hin, in der die Bruchfläche eines versagten Bauteils einmal gescannt wird und Software schnell quantitative Abschätzungen liefert, wie der Riss gewachsen ist und unter welchen Bedingungen. Solche Werkzeuge könnten Fehleruntersuchungen verbessern, sicherere Konstruktionen unterstützen und schließlich helfen, Komponenten im Betrieb zu überwachen, bevor sie ihren Bruchpunkt erreichen.

Zitation: Jones, K., Shade, P., John, R. et al. Combining multimodal fatigue fracture surface images for analysis with a CNN. Sci Rep 16, 9561 (2026). https://doi.org/10.1038/s41598-025-97184-z

Schlüsselwörter: Ermüdungsbruch, multimodale Bildgebung, convolutional neural networks, Analyse von Materialversagen, Titanlegierungen