Med hjälp av maskininlärningsteknik, datavetare och materialvetare i Saarbrücken har nu utvecklat en metod som är mycket mer exakt och objektiv än konventionella kvalitetskontrollförfaranden. Deras resultat har just publicerats i Vetenskapliga rapporter .

När forskare från två discipliner samarbetar i ett forskningsprojekt, de måste först lära sig att tala samma språk. "Det tog ganska lång tid innan datavetenskapsmännen hade förstått varför materialets inre strukturer och deras representation i bildform spelar en så viktig roll för materialvetare, "säger Dominik Britz, en doktorsexamen student vid Institutionen för funktionella material vid Saarlands universitet. Dessa inre strukturer är viktiga eftersom de är mycket nära kopplade till de egenskaper som materialet uppvisar.

"Eftersom moderna stål levereras i allt större sorter och eftersom de uppvisar alltmer komplexa interna strukturer, feltoleranser blir allt hårdare. Detta utgör en stor utmaning för ingenjörerna som utvecklar nya stål och som måste uppfylla stränga kvalitetskrav, säger Britz.

Seyed Majid Azimi vid Max Planck Institute for Informatics försökte förklara för Dominik Britz hur de djupa inlärningsmetoder han använder kan ge betydligt mer exakta resultat än någon av bildanalyserna som utförs manuellt av expertmaterialvetare. För att uppnå sådana resultat, Azimi matar sin högpresterande dator med bilddata som tidigare klassificerats av experter. Dessa data används för att träna datormodeller, och dessa modeller testas därefter genom att jämföra dem med ytterligare uppsättningar av människoklassificerade bilddata. Men hur är det möjligt för datorn att generera så slående bra resultat utan att ha någon verklig kunskap om de involverade materialen?

I just denna studie, som fokuserade på att klassificera stålmikrostrukturer, svaret ligger i att förstå stålproduktionsprocessen. "Tillverkning av specialstål är en extremt komplex process som beror på många enskilda faktorer, inklusive materialets kemiska sammansättning, rullningsprocessen som används och de typer av värmebehandling som materialet utsätts för. Varje steg i produktionsprocessen påverkar stålets inre struktur, "förklarar Dominik Britz.

Materialforskare kallar denna inre struktur som materialets "mikrostruktur". Mikrostrukturen består av "korn, "var och en är en liten kristallit med en särskild kristallstruktur. Men angränsande korn skiljer sig också åt när det gäller deras rumsliga orientering. Faktum är att kornen skiljer sig inte bara när det gäller deras orientering, men också när det gäller deras individuella former och deras rumsliga anslutning, resulterar i mikrostrukturer med hög geometrisk komplexitet. "Dessa extremt komplexa strukturer kan göras synliga under materialutvecklingen och kvalitetskontrollstegen genom att ta mikroskopiska bilder. Speciellt beredda prover utvärderas med hjälp av optisk och elektronmikroskopi, "förklarar Britz.

Att klassificera ett material innebär att man jämför dessa mikroskopbilder med referensbilder som uppvisar en typisk geometrisk mikrostruktur. Över tid, erfarna ingenjörer på företagets kvalitetssäkringsavdelningar utvecklar ett kräsna öga som gör att de kan bestämma vilken stålmikrostruktur de har att göra med. "Men även dessa praktiserade experter kommer ibland att ringa fel, eftersom skillnaderna mellan bilderna ibland knappt märks med blotta ögat. Även om människor är ganska bra på att skilja små relativa skillnader, vi är inte särskilt bra på att erkänna absoluta geometriska standarder, "förklarar professor Frank Muecklich, som övervakade studien. Muecklich är också direktör för Steinbeis Materials Engineering Center Saarland (MECS) i Saarbrücken vars personal var inblandade i studien.

Materialforskarna var intresserade av att hitta ett objektivt förfarande som var mycket mindre benäget för användarfel och som kan tillämpas oberoende av användarens kompetensnivå. "Maskininlärningsmetoder tillåter datorer att snabbt känna igen komplexa mönster och tilldela mikrostrukturernas geometri i mikroskopbilder. De kan lära sig egenskaperna hos tidigare klassificerade mikrostrukturer och jämföra dessa med erkända mönster, "förklarar Muecklich. Med denna metod, forskargruppen i Saarbrücken kunde bestämma mikrostrukturerna av lågkolstål med en noggrannhetsnivå som inte tidigare var möjlig. "När vi använder vårt system för mikrostrukturell klassificering, vi uppnådde en noggrannhet på cirka 93 procent. Med konventionella metoder, endast cirka 50 procent av materialproven är korrekt klassificerade, säger Muecklich.

Resultaten publiceras i Vetenskapliga rapporter .