• Online only
First page WP-2023-266
search
  • First page WP-2023-266

Qualitätsüberwachung mit Generative Adversarial Networks als Alternative zur Angussprobe für den Großguss

Die Qualitätsüberwachung der lokalen Gefüge unterliegt bei Großgussbauteilen in den kritischen Bauteilbereichen technischen Limitierungen. Großgussbauteile bieten die Möglichkeit der Ent-nahme von Gefügeproben durch Hohlbohrproben zur Qualitätsüberwachung in niedrigbelasteten Bauteil-bereichen. Die Schwierigkeit besteht darin, lokale Gefüge und Erstarrungsbedingungen miteinander zu verknüpfen und auf nicht untersuchbare hochbelastete Bauteilbereiche zu interpolieren. Zur Lösung wurde ein Continuous Conditional Generative Adversarial Network (CCGAN) eingesetzt, um das lokale Gefüge des Werkstoffs EN-GJS-1050-6 für experimentell nicht untersuchte Feedmod im ungeätzten Zu-stand vorherzusagen. Dazu wurde das CCGAN mit Gefügebildern und zugehörigen lokalen…

€25.00
VAT included
Quantity

 

Datenschutzbedingungen (bearbeiten im Modul "Kundenvorteile")

 

Lieferbedingungen (bearbeiten im Modul "Kundenvorteile")

 

Rücksendebedingungen (bearbeiten im Modul "Kundenvorteile")

Die Qualitätsüberwachung der lokalen Gefüge unterliegt bei Großgussbauteilen in den kritischen Bauteilbereichen technischen Limitierungen. Großgussbauteile bieten die Möglichkeit der Ent-nahme von Gefügeproben durch Hohlbohrproben zur Qualitätsüberwachung in niedrigbelasteten Bauteil-bereichen. Die Schwierigkeit besteht darin, lokale Gefüge und Erstarrungsbedingungen miteinander zu verknüpfen und auf nicht untersuchbare hochbelastete Bauteilbereiche zu interpolieren. Zur Lösung wurde ein Continuous Conditional Generative Adversarial Network (CCGAN) eingesetzt, um das lokale Gefüge des Werkstoffs EN-GJS-1050-6 für experimentell nicht untersuchte Feedmod im ungeätzten Zu-stand vorherzusagen. Dazu wurde das CCGAN mit Gefügebildern und zugehörigen lokalen Abkühlbedin-gungen trainiert. Um die Gültigkeit dieses Ansatzes zu zeigen, wurden wahre und künstlich erzeugte Gefügebilder mit klassischen statistischen Deskriptoren der Gefügeanalyse bewertet und verglichen.

Reference
WP-2023-266

Title
Qualitätsüberwachung mit Generative Adversarial Networks als Alternative zur Angussprobe für den Großguss
Author(s)
F. Weber, Y. Yao, L. Horbach, A. F. Posada Moreno, A. Bezold, C. Broeckmann
DOI
10.48447/WP-2023-266
Event
Werkstoffprüfung 2023: Werkstoffe und Bauteile auf dem Prüfstand - Tagung
Year of publication
2023
Publication type
conference paper (PDF)
Language
German
Keywords
Gusseisen,Generative Adversarial Networks,Maschinelles Lernen,Gefügerekonstruktion,Gefügecharakterisierung