Tagging for metallegeringer genkender og mærker detaljerede mikroskopiske strukturer

Materialeforskere i Japan er ved at udvikle en teknik, der genkender og mærker detaljerede mikroskopiske strukturer inde i svejset stål, meget ligesom nogle applikationer tagger venner på dine billeder. Fremgangsmåden kunne bidrage til at fremskynde vores forståelse af metalejendomme, og samtidig baner vejen for design af nye materialer.

"Metallurger er meget interesserede i at analysere materialemikrostrukturer, fordi de bestemmer deres egenskaber, " siger Dmitry Bulgarevich fra Japans National Institute for Materials Science (NIMS). "De fleste af dataene til disse undersøgelser kommer fra optiske eller elektronmikroskopiske billeddannelsesteknikker, der kan producere en
overvældende mængde information. "

Et team af materialeforskere fra NIMS og University of Tokyo undersøgte brugen af ​​maskinlæring til hurtigt at analysere disse store datamængder.

De fremstillede stållegeringer lavet af kulstof, silicium, mangan, fosfor og svovl ved at afkøle dem fra 1400°C ved forskellige hastigheder:0,3°C, 1 ° C, 3°C, eller 10°C pr. sekund. De variable afkølingshastigheder førte til dannelsen af ​​forskellige mikrostrukturer i stålet. Ekspertmetallurger identificerede manuelt tre typer mikrostrukturer i mikroskopiske billeder af legeringerne:ferrit/perlit, ferrit/perlit/bainit, og bainit/martensit. Underfaser af ferrit blev også identificeret.

Billederne blev behandlet og derefter kørt gennem flere maskinlæringsmodeller, bruge algoritmer til at træne dem til at genkende og mærke billederne. Holdet fandt en maskinlæringsklassificeringsmetode, kaldet tilfældig skov, lavet de mest nøjagtige forudsigelser af legeringsmikrostruktur. Denne metode kan anvendes på en bred vifte af metaller i både forsknings- og industrimiljøer.

"Der er meget håb om, at denne maskinlæringsmetode vil hjælpe med at automatisere mikrostrukturanalyse ved hjælp af store datasæt og i udviklingen af ​​nye materialer med ønskede mekaniske egenskaber, siger Bulgarevich.