Editorial
Dear readers,
Practical Metallography increasingly reflects the growing influence of artificial intelligence on metallography as well. This is good news, e. g. for the reliability of results and their rapid extraction. In the first contribution, the research group of the “iFrakto” project from Berlin reports on the possibilities of machine learning, especially using Deep Learning, in the classification of fracture surfaces and fracture features. Expert metallographic experience is, along with the AI algorithms always highlighted in computer science, essential for the development of reliable training data and will ensure the unbiased metallographic results that are crucial for us. Very fittingly, time- and spatially-resolved damage in a component is reported from Bremerhaven and Berlin, using the example of pore formation under creep stress with a combination of synchrotron tomography and digital image correlation. And on page 138 you will find an impressive “microscopic sunrise”.
I hope you enjoy reading this issue Yours Frank Mücklich
Liebe Leserinnen und Leser,
Die Praktische Metallographie spiegelt immer stärker den zunehmenden Einfluss der künstlichen Intelligenz auch auf die Metallographie wider. Das ist eine gute Nachricht, z. B. für die Zuverlässigkeit der Ergebnisse und deren rasche Gewinnung. Im ersten Beitrag berichtet die Forschungsgruppe des Projektes „iFrakto“ aus Berlin von den Möglichkeiten des maschinellen Lernens, insbesondere unter Einsatz von Deep Learning, bei der Klassifikation von Bruchflächen und Bruchmerkmalen. Die metallographische Expertenerfahrung ist dabei essentiell für die Entwicklung zuverlässiger Trainingsdaten, die neben den in der Informatik stets hervorgehobenen KI-Algorithmen die für uns entscheidenden unverfälschten metallographischen Ergebnisse garantieren. Sehr passend dazu wird aus Bremerhaven und Berlin von zeit- und ortsaufgelösten Schädigungen im Bauteilvolumen am Beispiel der Porenentstehung bei Kriechbeanspruchung mit einer Kombination von Synchrotron-Tomographie und digitaler Bildkorrelation berichtet. Und auf Seite 138 finden Sie einen beeindruckenden „mikroskopischen Sonnenaufgang“.
Viel Spaß bei der Lektüre wünscht Ihr Frank Mücklich
© 2023 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- Contents
- Editorial
- Editorial
- Classification of fracture characteristics and fracture mechanisms using deep learning and topography data
- Combination of Digital Image Correlation (DIC) and in situ 3D-μ-CT in the analysis of the relationship between strains and porosity under creep loading
- The effect of shielding gas on weldability of the AISI 420 martensitic stainless steel
- Failure Analysis
- Imperfections in Inner Cavity of Row 4 Turbine Blade Caused by Metal-Core Reaction
- Picture of the Month
- Picture of the Month
- News
- News
- Meeting Dairy
- Meeting Diary
Articles in the same Issue
- Contents
- Editorial
- Editorial
- Classification of fracture characteristics and fracture mechanisms using deep learning and topography data
- Combination of Digital Image Correlation (DIC) and in situ 3D-μ-CT in the analysis of the relationship between strains and porosity under creep loading
- The effect of shielding gas on weldability of the AISI 420 martensitic stainless steel
- Failure Analysis
- Imperfections in Inner Cavity of Row 4 Turbine Blade Caused by Metal-Core Reaction
- Picture of the Month
- Picture of the Month
- News
- News
- Meeting Dairy
- Meeting Diary
