- Nur online erhältlich
Standardisierte bruchmechanische Experimente sind zentral zur Validierung von Modellen, zur Charakterisierung des Materialverhaltens und zur Entwicklung sicherer Strukturen. Aufgrund ihres Aufwands stellen sie eine wertvolle wissenschaftliche Ressource dar. Dennoch sind die dabei erzeugten Daten oft unzureichend dokumentiert, schwer auffindbar oder gehen im Projektverlauf verloren — was Reproduzierbarkeit und Wiederverwendbarkeit erschwert.
Um diesen Herausforderungen im Kontext der Digitalisierung zu begegnen, stellen wir eine domänenspezifische Ontologie zur Modellierung experimenteller Daten, Metadaten und Auswertungen vor. Unsere Frontier Materials Ontology (FMO) erlaubt die Modellierung von Roh-, Analyse- und Prozessdaten in einem durchsuchbaren,…
Datenschutzbedingungen (bearbeiten im Modul "Kundenvorteile")
Lieferbedingungen (bearbeiten im Modul "Kundenvorteile")
Rücksendebedingungen (bearbeiten im Modul "Kundenvorteile")
Standardisierte bruchmechanische Experimente sind zentral zur Validierung von Modellen, zur Charakterisierung des Materialverhaltens und zur Entwicklung sicherer Strukturen. Aufgrund ihres Aufwands stellen sie eine wertvolle wissenschaftliche Ressource dar. Dennoch sind die dabei erzeugten Daten oft unzureichend dokumentiert, schwer auffindbar oder gehen im Projektverlauf verloren — was Reproduzierbarkeit und Wiederverwendbarkeit erschwert.
Um diesen Herausforderungen im Kontext der Digitalisierung zu begegnen, stellen wir eine domänenspezifische Ontologie zur Modellierung experimenteller Daten, Metadaten und Auswertungen vor. Unsere Frontier Materials Ontology (FMO) erlaubt die Modellierung von Roh-, Analyse- und Prozessdaten in einem durchsuchbaren, maschinenlesbaren RDF-Wissensgraphen. Wir orientieren uns dabei an FAIR-Prinzipien unter Einbindung etablierter Top-Level-Ontologien wie bspw. EMMO. Modellierte Daten im Wissensgraphen stehen dabei über einen Apache-Jena-Fuseki-Triple-Store zur Verfügung.
Zur Demonstration nutzen wir archivierte Experimentdaten und durchsuchen diesen nach für usere autonome Prüfinfrastruktur representative Datensätze. Anschließend nutzen wir CrackPy um diese Daten auszuwerten. Die Ergebnisse sowie Prozessdaten werden danei ebenfalls im Graphen hinterlegt. Diese Workflows erlauben es zukünftig, Daten über eine Probe aus verschiedenen Perspektiven wie bspw. EBSD-, 3D-Fraktographie und DIC-Daten zu verbinden.
Die ontologiebasierte Datenmodellierung bietet ein großes Potenzial zur Steigerung der Forschungseffizienz. Der datengetriebene Ansatz ist dabei essenziell für das Ableiten von
Struktur-Prozess-Eigenschaftsbeziehungen, da er erlaubt komplexe und hochdimensionale Zusammenhänge in bestehenden Datenräumen systematisch zu erfassen.