Die Analyse der Gefügeentwicklung im Verhältnis zu den Materialeigenschaften ist nach wie vor eine große Herausforderung in der Materialwissenschaft. Darüber hinaus ist die zuverlässige Korrelation zwischen 2D-Schliffbildern und 3D-Gefügemerkmalen nicht nur komplex, sondern erfordert auch umfangreiche Laborarbeiten wie Serienschnitte. 3D Informationen zu den Gefügemerkmalen ist für die Optimierung von Materialeigenschaften und die Verbesserung von Vorhersagemodellen jedoch unerlässlich. In diesem Beitrag wird ein datengetriebener Ansatz für die mikrostrukturelle Charakterisierung und Modellierung durch die Integration von physikalisch basierter Modellierung und KI-Ansätzen vorgestellt. Im ersten Schritt werden Phasenfeldsimulationen verwendet, um den Einfluss der Prozessbedingungen auf die Phasenentwicklung zu untersuchen, was prädiktive Einblicke in die mikrostrukturelle Entwicklung ermöglicht. Die Simulationsergebnisse werden dann mit Computer-Vision-Algorithmen zur statistischen Merkmalsextraktion nachbearbeitet und durch einen Quervergleich mit wichtigen experimentellen Ergebnissen weiter validiert. Schließlich werden diese validierten Datensätze mit modernen Techniken des maschinellen Lernens genutzt, um die Korrelation zwischen experimentellen 2D-Mikrofotografien und Informationen aus simulierten 3D-Gefügen herzustellen. Der vorgeschlagene Ansatz wurde erfolgreich auf verschiedene Materialsysteme wie Ni-Basis-Superlegierungen und Stähle angewandt mit signifikanter Steigerung von Genauigkeit und Effizienz.