Automatisierte Analyse von Bruchflächen mittels künstlicher neuronaler Netzwerke (KNN) für kerntechnisch relevante Sicherheitskomponenten

Für die sichere Bewertung von kerntechnisch relevanten Sicherheitskomponenten ist eine präzise und zuverlässige Analyse der Bruchflächen nach erfolgtem Prüfvorgang erforderlich. Auf einem eigens erstellten Bruchflächen-Datensatz konnten Modelle mit verschiedenen bekannten neuronalen Netzwerkarchitekturen zur Bildsegmentierung trainiert werden. Die Auswertung der an einem Testdatensatz erzielten Modellgüten "mIoU" zeigte, dass die untersuchten Architekturen sehr gut zur pixelfeinen Klassifizierung der Bruchmechanismen geeignet sind. Darauf aufbauend konnten an den erzeugten Masken über die sog. Area Average Methode Anrisslängen vermessen werden. Die automatisierten Risslängenmessung zeigte dabei statistisch nachweisbar eine sehr hohe Präzision, Vergleichbarkeit und Wirtschaftlichkeit.

For the safe evaluation of nuclear relevant safety components, a precise and reliable analysis of the fracture surfaces after the test procedure is required. On a specially created fracture surface data set, models could be trained with different known neural network architectures for image segmentation. The evaluation of the model performances "mIoU" achieved on a test data set showed that the investigated architectures are very well suited for pixel-fine classification of fracture mechanisms. Based on this, crack lengths could be measured on the generated masks using the socalled area average method. The automated crack length measurement showed statistically verifiable very high precision, comparability and economic efficiency.