In der Werkstofftechnik bezeichnen Merkmale (Features) quantitativ beschreibbare Größen, die aus Messdaten, Simulationen oder Bildern extrahiert werden, um Struktur‑Eigenschafts‑Beziehungen modellieren zu können. Merkmale transformieren rohe Daten – etwa Mikrostrukturaufnahmen, Spektren oder Zeitreihen von Sensorsignalen – in mathematisch auswertbare Vektoren.

Man unterscheidet verschiedene Klassen: bildbasierte Merkmale erfassen z.B. Korngrößenverteilungen, Porosität oder Textur aus Mikro- und Nanotomographie oder EBSD-Daten. Mikroskalige Merkmale beschreiben lokal wirkende Strukturen wie Phasenanteile, Korngrenzcharaktere oder Ausscheidungsmorphologien. Statistische Signalmerkmale werden aus zeit- oder frequenzabhängigen Signalen (z.B. Akustische Emission, Schwingungsdaten) abgeleitet und umfassen Momente, spektrale Dichten oder Korrelationsmaße.

Physikbasierte Merkmalsentwicklung nutzt Vorwissen, etwa Spannungsintensitätsfaktoren, dimensionslose Kennzahlen oder energetische Dichten, um besonders interpretierbare Features zu konstruieren. Im Gegensatz dazu entstehen rein datengetriebene Merkmale oft durch automatische Transformationen (z.B. Deep Learning) und sind weniger direkt physikalisch deutbar.

Die Merkmalswichtigkeit quantifiziert den Beitrag einzelner Merkmale zur Vorhersagegüte eines Modells (z.B. Festigkeit, Lebensdauer). Sie ist entscheidend für Interpretierbarkeit, Modellvereinfachung und experimentelles Design. Eine zentrale Herausforderung besteht in der Auswahl möglichst informationsreicher, aber nicht redundanter Merkmale, um Überanpassung zu vermeiden und robuste, verallgemeinerbare Werkstoffmodelle zu erhalten.