Dataloger og materialeforskere samarbejder om at optimere stålklassificeringen

Brug af maskinlæringsteknikker, dataloger og materialeforskere i Saarbrücken har nu udviklet en metode, der er meget mere nøjagtig og objektiv end konventionelle kvalitetskontrolprocedurer. Deres resultater er netop blevet offentliggjort i Videnskabelige rapporter .

Når forskere fra to discipliner samarbejder om et forskningsprojekt, de skal først lære at tale det samme sprog. "Det tog ret lang tid, før datalogerne havde forstået, hvorfor de interne strukturer af et materiale og deres repræsentation i billedform spiller så vigtig en rolle for materialeforskere, siger Dominik Britz, en ph.d. studerende ved Institut for Funktionelle Materialer ved Saarlands Universitet. Disse indre strukturer er vigtige, fordi de er meget tæt forbundet med de egenskaber, som materialet udviser.

"I takt med at moderne stål bliver leveret i stadigt større varianter, og fordi de udviser stadig mere komplekse indre strukturer, fejltolerancerne bliver strammere. Dette udgør en stor udfordring for de ingeniører, der udvikler nye stål, og som skal opfylde strenge kvalitetskrav, siger Britz.

Seyed Majid Azimi ved Max Planck Institute for Informatics forsøgte at forklare Dominik Britz, hvordan de dybe læringsmetoder, han anvender, er i stand til at producere væsentligt mere nøjagtige resultater end nogen af ​​de billedanalyser, der udføres manuelt af ekspertmaterialeforskere. For at opnå sådanne resultater, Azimi fodrer sin højtydende computer med billeddata, som tidligere blev klassificeret af eksperter. Disse data bruges til at træne computermodellerne, og disse modeller testes efterfølgende ved at sammenligne dem med yderligere sæt af menneskeklassificerede billeddata. Men hvordan er det muligt for computeren at generere så slående gode resultater uden at have noget reelt kendskab til de involverede materialer?

I denne særlige undersøgelse, som fokuserede på at klassificere stålmikrostrukturer, svaret ligger i at forstå stålproduktionsprocessen. "Fremstilling af specialstål er en ekstremt kompleks proces, der afhænger af mange individuelle faktorer, herunder den kemiske sammensætning af materialet, den anvendte valseproces og de typer varmebehandling, som materialet udsættes for. Hvert trin i produktionsprocessen påvirker stålets indre struktur, " forklarer Dominik Britz.

Materialeforskere omtaler denne interne struktur som materialets "mikrostruktur". Mikrostrukturen er sammensat af "korn, ", som hver især er en lille krystallit med en særlig krystalstruktur. Men nabokorn adskiller sig også med hensyn til deres rumlige orientering. Faktisk, kornene adskiller sig ikke kun med hensyn til deres orientering, men også med hensyn til deres individuelle former og deres rumlige forbindelse, resulterer i mikrostrukturer med høj geometrisk kompleksitet. "Disse ekstremt komplekse strukturer kan gøres synlige under materialeudviklingen og kvalitetskontrolstadierne ved at tage mikroskopiske billeder. Specielt forberedte prøver evalueres ved hjælp af optisk og elektronmikroskopi, " forklarer Britz.

Klassificering af et materiale involverer at sammenligne disse mikroskopbilleder med referencebilleder, der udviser en typisk geometrisk mikrostruktur. Over tid, erfarne ingeniører i virksomhedens kvalitetssikringsafdelinger udvikler et kræsent øje, der sætter dem i stand til at beslutte, hvilken bestemt stålmikrostruktur de har med at gøre. "Men selv disse øvede eksperter vil nogle gange foretage et forkert opkald, da forskellene mellem billederne nogle gange knap kan skelnes med det blotte øje. Selvom mennesker er ret gode til at skelne mellem små relative forskelle, vi er ikke særlig gode til at genkende absolutte geometriske standarder, " forklarer professor Frank Muecklich, der overvågede undersøgelsen. Muecklich er også direktør for Steinbeis Materials Engineering Center Saarland (MECS) i Saarbrücken, hvis personale var involveret i undersøgelsen.

Materialeforskerne var interesserede i at finde en objektiv procedure, der var langt mindre tilbøjelig til brugerfejl, og som kunne anvendes uafhængigt af brugerens ekspertiseniveau. "Maskinlæringsmetoder gør det muligt for computere at genkende komplekse mønstre meget hurtigt og tildele mikrostrukturernes geometri i mikroskopbilleder. De kan lære funktionerne i tidligere klassificerede mikrostrukturer og sammenligne disse med anerkendte mønstre, " forklarer Muecklich. Ved at bruge denne tilgang, forskerholdet i Saarbrücken var i stand til at bestemme mikrostrukturerne af stål med lavt kulstofindhold på et niveau af nøjagtighed, som ikke tidligere var muligt. "Når vi bruger vores system til mikrostrukturel klassificering, vi opnåede et nøjagtighedsniveau på omkring 93 procent. Med konventionelle metoder, kun omkring 50 procent af materialeprøverne er korrekt klassificeret, " siger Muecklich.

Resultaterne offentliggøres i Videnskabelige rapporter .